Vektor vloženia, (resp. "embedding vektor" či "embedding") nám umožňujú reprezentovať objekt (ako slovo, pojem, obrázok alebo zvuk) ako usporiadanú sériu čísel ("vektor") ktorý zodpovedá polohe či oblasti v určitom N-rozmernom priestore. Tento vektor zachytáva podstatné črty alebo kontext daného objektu v kompaktnej forme, umožňujúc jeho efektívne spracovanie a porovnávanie s inými objektami. 

Pojem „vektor vloženia“ tak vystihuje ideu, že pôvodné dáta (t.j. slová, pojmy, obrázky, zvuky) sú transformované alebo "vložené" do nového priestoru, kde sú ich vzťahy alebo vlastnosti lepšie alebo efektívnejšie vyjadrené vektormi či inými matematickými štruktúrami.

Diskriminatívna umelá inteligencia (UI) sa vzťahuje na modely, ktoré sa učia rozlišovať alebo klasifikovať vstupné dáta do preddefinovaných kategórií. Diskriminatívne modely sa zameriavajú na odlišenie medzi rôznymi typmi vstupných dát, ako sú napríklad rozličné kategórie obrázkov alebo textu. Cieľom je „diskriminovať“=rozlišovať medzi rôznymi triedami alebo skupinami a správne priradiť nové, neznáme vstupy do jednej z týchto kategórií.

Neurónové siete v kontexte UI nie sú skutočné nervové bunky, ale sú softwarové modely ktorých architektúra je inšpirovaná spôsobom akým ľudský mozog spracováva informácie. Tieto modely sa skladajú z "vrstiev" dátových štruktúr nazývaných "neuróny". Neuróny sú vzájomne prepojené a ich prepojenia majú určitú "váhu". V procese učenia systém postupne upravuje tieto váhy - nazývané aj "parametre"-  tak, aby znížil chybu medzi svojou predpoveďou a tým čo má byť predpovedané.

Odhaduje sa, že ...

strojové vyučenie Džepeta-4 si vyžiadalo cca 51 772 500 - 62 318 750 KWh elektrickej energie

Čepeto spotrebuje 500 mililitrov vody zakaždým, keď mu položíte sériu 5 až 50 podnetov / otázok