Брендбук Національного банку України

Національний банк України опублікував коротку версію документа «Єдина система візуальних елементів Національного банку України».

Це 12-сторінковий брендбук, у якому визначено правила використання логотипа та корпоративних кольорів Національного банку.

Що містить документ

• будову логотипа та вимоги до його охоронного поля;
• вертикальні й горизонтальні варіанти логотипа українською та англійською мовами;
• кольорові та монохромні версії логотипа;
• допустимі й недопустимі способи використання логотипа;
• оптимальні та мінімальні розміри логотипа;
• правила розміщення логотипа поряд з іншими логотипами та графічними об’єктами;
• основну й додаткову корпоративні палітри.

Основні корпоративні кольори НБУ

• #057B48 — зелений;
• #4C4C4E — сірий;
• #91C964 — світло-зелений.

Брендбук Національного банку України

Джерело:
 → Єдина система візуальних елементів Національного банку України.

 На стартову сторінку

PCI SSC. Зручний централізований пошук термінів

Якщо шукаємо терміни, скорочення та визначення, які використовуються у стандартах і програмах PCI SSC, не обов’язково переглядати всі документи один за одним. Для цього можна скористатися офіційним глосарієм PCI SSC.

PCI SSC Glossary

PCI SSC Glossary — офіційний глосарій термінів, скорочень і абревіатур Ради зі стандартів безпеки індустрії платіжних карток.

Офіційне джерело

📎 PCI Security Standards Council Glossary

Що тут можна знайти

• терміни та визначення, що використовуються у PCI DSS та інших документах PCI SSC;
• скорочення й абревіатури: PCI DSS, CDE, CHD, SAD, AOC, ROC, SAQ, QSA, ASV, P2PE та інші;
• терміни, пов’язані із захистом даних платіжних карток, автентифікацією, криптографією, журналюванням, управлінням ризиками та проведенням оцінювання PCI DSS;
• посилання з одного терміна на пов’язані терміни або відповідні розділи документів PCI SSC;
• абеткову навігацію від A до Z.

Як шукати

1. Перейди на сторінку PCI SSC Glossary.
2. Натисни Ctrl + F у Windows або Command + F у macOS.
3. Введи англійський термін або скорочення, наприклад cardholder data, audit log, risk assessment, CDE чи QSA.
4. Браузер знайде й підсвітить усі збіги на сторінці.
5. Якщо точне написання терміна невідоме, введи його частину або скористайся абетковою навігацією.
6. Перевір не лише саме визначення, а й примітки See, які спрямовують до пов’язаних термінів або документів.

На смартфоні потрібно відкрити меню браузера та вибрати команду «Знайти на сторінці».

Що потрібно зафіксувати

• точне написання англійського терміна;
• повну форму скорочення або абревіатури;
• точне визначення;
• застереження щодо контексту, наприклад For PCI DSS purposes;
• посилання на пов’язані терміни або відповідний розділ документа PCI SSC;
• посилання на сторінку глосарія або відповідний абетковий розділ.

Приклад результату

Термін: Cardholder Data (CHD)

Українською: дані держателя платіжної картки

Джерело: PCI SSC Glossary

Розділ: C

At a minimum, cardholder data consists of the full PAN.

Переклад: Щонайменше дані держателя платіжної картки складаються з повного PAN.

Важливо

• окремого поля для пошуку саме в глосарії немає: поле Search у верхній частині сайту призначене для пошуку по всьому сайту PCI SSC;
• для швидкого пошуку конкретного терміна найзручніше використовувати Ctrl + F або команду «Знайти на сторінці»;
• прямі посилання ведуть до абеткового розділу, а не до окремого терміна;
• деякі визначення застосовуються саме в контексті PCI DSS і можуть відрізнятися від визначень у ISO, NIST або інших джерелах;
• якщо глосарій посилається на конкретний стандарт, розділ або програмний документ PCI SSC, для офіційного обґрунтування потрібно додатково перевірити це першоджерело.

Див. також

→ NIST. Зручний централізований пошук термінів
→ ISO OBP. Пряме посилання на пункт стандарту
→ ISO OBP, IEC, ITU, ETSI. Зручний централізований пошук термінів
→ ISO OBP, IEC, ITU, ETSI. Step-by-step search

🪟 На стартову сторінку

Екосистема Agentic AI

🪟
© Публікація в LinkedIn

Перед тим як радіти без тями, поставимо собі питання: цю картинку робив ШІ?

Так, майже напевно картинку згенерував ШІ або щонайменше ШІ створив саму схему. Оцінка — понад 95%.

Найвиразніша ознака — типові для генераторів «майже правильні» англійські написи:

• Agent Canabilities замість Agent Capabilities;
• Large Language Mode (LLMs) замість Large Language Models;
• Tack Scheduling замість Task Scheduling;
• Contast Management замість Context Management;
• Audio/Mudio Generation — беззмістовне Mudio;
• Memory Goverance замість Memory Governance;
• Self-reflecrion замість Self-reflection;
• CORE SYSEMS замість CORE SYSTEMS;
• викривлений напис на дузі, схожий на FONDRATION замість FOUNDATION.

Є й змістові ознаки:

• поняття розкладено по колах доволі хаотично;
• змішані технології, можливості, результати й організаційні процеси;
• визначення Agentic AI — «Automate entire processes with automation» тавтологічне й майже нічого не пояснює;
• до LLM помилково віднесено загальні методи машинного навчання: Supervised Learning, Reinforcement Learning, CNNs тощо.

Кріплення, тіні та паперові картки лише імітують фотографію справжнього настінного стенда. Теоретично людина могла надрукувати створену ШІ схему й сфотографувати її, але найімовірніше ШІ згенерував одразу всю псевдофотографію.

Метаданих із назвою генератора у файлі немає, тому встановити конкретну модель неможливо.

А що саме хотіли цією схемою сказати?

Цією схемою намагалися показати поступове нарощування можливостей ШІ — від мовної моделі до автономної агентної системи.

Але щось пішло не так 😁 Далі буде → наступний допис

© https://www.linkedin.com/feed/update/urn:li:activity:7493329870811262976

🤖 На стартову сторінку

Поступове нарощування можливостей ШІ

Поступове нарощування можливостей ШІ — від мовної моделі до автономної агентної системи

Уважно перегляньмо схему «Екосистема Agentic AI», наведену в попередньому дописі.

Її автори намагалися показати поступове нарощування можливостей ШІ — від мовної моделі до автономної агентної системи:

LLM → генеративний ШІ → ШІ-агент → агентний ШІ

Логіка задуму приблизно така:

1. Велика мовна модель — LLM (Large Language Model). Опрацьовує і створює текст, відповідає на запитання та виконує завдання, що потребують міркування.
2. Глибоке навчання (Deep Learning). Технологічна основа, що охоплює багатошарові нейронні мережі, трансформерні архітектури, CNN, RNN тощо.
3. Генеративний ШІ (Generative AI). Не лише аналізує дані, а й створює нові матеріали: текст, код, зображення, відео та аудіо.
4. ШІ-агенти (AI Agents). Отримують мету й самостійно виконують окреме завдання: планують кроки, викликають інструменти, використовують пам’ять і перевіряють результат.
5. Агентний ШІ (Agentic AI). Використовує одного або декількох агентів для виконання тривалого процесу: розбиває цілі на завдання, визначає пріоритети, передає роботу між агентами, відновлюється після помилок і потребує меншого втручання людини.

Зовнішні написи мали показати, що для такої системи потрібні:

• ключові технології — моделі, пам’ять, інструменти та засоби створення різних видів матеріалів;
• можливості агентів — планування, робота з інструментами, самооцінювання та координація;
• керування екосистемою — контроль витрат, спостережуваність, безпека, правила, керування пам’яттю та ризиками;
• результати та інтерфейси — текст, дані, код, зображення, аудіо тощо.

Головна думка схеми цілком слушна:

Агентний ШІ — це не просто LLM, а система, у якій мовну або іншу модель доповнено плануванням, пам’яттю, інструментами, самостійним виконанням дій, координацією та механізмами контролю.

Що зображено некоректно

Водночас сама структура схеми помилкова:

• глибоке навчання є технологічною основою сучасних великих мовних моделей, а не наступним «ступенем» після LLM;
• LLM є типом моделі, тоді як генеративний ШІ — ширша категорія систем і способів застосування моделей;
• ШІ-агент може використовувати LLM або іншу модель як своє ядро, але агентність виникає завдяки всій архітектурі: меті, стану, пам’яті, плануванню, інструментам і циклу виконання;
• агентна система може містити як одного, так і декількох агентів — багатоагентна координація не є обов’язковою ознакою будь-якої агентної системи;
• LLM, генеративний ШІ, агенти й агентні системи не утворюють строгих вкладених множин.

Отже, це радше ефектна псевдосхема з правильною загальною ідеєю, але з плутаною класифікацією. Її краще не ретушувати, а перебудувати заново: помилковими є не лише окремі написи, а й сама логіка вкладених кіл.

Як побудувати коректну схему

1. Технологічна основа
Technical foundation
Машинне навчання (Machine Learning)
Глибоке навчання (Deep Learning)
Трансформерні архітектури (Transformer Architectures)

→ забезпечує створення

2. Моделі ШІ
AI Models
Базові моделі (Foundation Models)
Великі мовні моделі (LLMs)
Мультимодальні моделі (Multimodal Models)

→ забезпечують можливості

3. Генеративний ШІ
Generative AI
Створення тексту, коду, зображень, аудіо, відео та інших матеріалів

→ часто є модельним ядром

4. ШІ-агент
AI Agent
Модель + мета та інструкції
Контекст і RAG
Планування (Planning)
Пам’ять і стан (Memory & State)
Виклик інструментів (Tool Calling)
Виконання дій і перевірка результату

→ один або декілька агентів утворюють

5. Агентна система ШІ
Agentic AI System
Координація виконання (Orchestration)
Розподіл завдань і передавання роботи
Спільний стан і тривалі процеси
Відновлення після помилок
Участь людини (Human-in-the-loop)

→ створює або виконує

6. Результати та інтерфейси
Outputs & Interfaces
Відповіді та створені матеріали
Рішення і рекомендації
Дії через API та зовнішні системи
Виконані робочі процеси

Наскрізне керування
Governance, Safety & Lifecycle
Керування ризиками
Безпека і приватність
Якість та керування даними
Ідентифікація і контроль доступу
Моніторинг, журналювання й аудит
Людський нагляд
Контроль витрат і ресурсів

На відміну від початкової картинки, стрілки тут означають «спирається на», «використовує» або «додає нові можливості», а не позначають строгі вкладені множини.

Ключову відмінність можна сформулювати так:

Модель генерує результат; агент використовує модель, пам’ять та інструменти для виконання завдання; агентна система організовує роботу одного або декількох агентів і пов’язаних із ними процесів для досягнення тривалішої мети.

Склад агента узгоджується з описом Microsoft: мовна модель, координатор, інфраструктура зберігання стану та засоби виклику зовнішніх інструментів. Microsoft також прямо розрізняє безпосередній виклик моделі, одного агента з інструментами та багатоагентну координацію.

Керування, ризики, безпеку, журналювання та людський нагляд слід показувати як наскрізний рівень, що охоплює весь життєвий цикл системи, а не як ще один щабель її «еволюції».

Джерела

 → 🪟 Microsoft — Agent architecture components
 → 🪟 Microsoft — AI agent orchestration patterns
 → NIST — AI Risk Management Framework
 → ISO — ISO/IEC 42001 explained

🤖 На стартову сторінку

Екосистема агентних систем ШІ

Див. також:

🪟 Поступове нарощування можливостей ШІ — від мовної моделі до автономної агентної системи
🪟 Екосистема Agentic AI

🤖 На стартову сторінку