Глосарій технічних термінів — Курс «AI для OSINT» 2026

Навігація курсу: Категорія: Довідники

Цей документ є довідником для студентів курсу. Кожен термін подається українською мовою з англійським відповідником у дужках та коротким поясненням в контексті OSINT і штучного інтелекту. Документ організовано тематично — пов’язані поняття зібрані в одному розділі для кращого розуміння.

1. Основи AI та машинного навчання

Штучний інтелект (Artificial Intelligence, AI)

Галузь комп’ютерних наук, що розробляє системи, здатні виконувати завдання, які раніше потребували людського інтелекту: розпізнавання образів, розуміння мови, прийняття рішень. В OSINT AI виступає мультиплікатором сили — автоматизує рутину, дозволяє аналітику зосередитися на судженнях вищого рівня.

Машинне навчання (Machine Learning, ML)

Підрозділ AI, де системи навчаються на прикладах (даних) замість того, щоб слідувати явно запрограмованим правилам. Модель виявляє статистичні патерни у навчальному корпусі й узагальнює їх на нові дані. Більшість сучасних OSINT-інструментів на основі AI — це ML-системи різного ступеня складності.

Нейронна мережа (Neural Network)

Обчислювальна архітектура, що складається з шарів взаємопов’язаних вузлів (нейронів), натхненна будовою людського мозку. Навчання нейронної мережі — це процес налаштування числових ваг зв’язків між нейронами до тих пір, поки мережа не навчиться правильно відображати входи на виходи. Усі сучасні великі мовні моделі побудовані на основі нейронних мереж.

Велика мовна модель / ВМM (Large Language Model, LLM)

Нейронна мережа на основі архітектури трансформера, навчена на надвеликих текстових корпусах. ВМM генерує текст шляхом передбачення найймовірнішого наступного токена. Здатна відповідати на запитання, писати код, перекладати, узагальнювати і аналізувати — що робить її центральним інструментом AI-підсиленого OSINT. Важливо: ВМM не знає — вона передбачає.

→ Дивись також: Токен, Трансформер, Галюцинація

Трансформер (Transformer)

Архітектура нейронної мережі, що революціонізувала обробку природної мови після публікації статті Google “Attention Is All You Need” (2017). Ключова особливість — механізм само-уваги (self-attention), який дозволяє моделі враховувати зв’язки між усіма словами у контексті одночасно, а не послідовно. Усі сучасні ВМM — GPT, Claude, Gemini, Llama — побудовані на цій архітектурі.

Само-увага (Self-Attention)

Механізм всередині трансформера, що дозволяє кожному токену “звертати увагу” на всі інші токени в контексті й зважувати їхню важливість. Завдяки само-увазі модель розуміє, що займенник “він” у реченні відноситься до конкретного імені на початку абзацу. Це фундаментальна причина, чому трансформери перевершують попередні архітектури в розумінні мови.

Параметри (Parameters)

Числові ваги нейронної мережі, які налаштовуються під час навчання. Кількість параметрів — грубий показник ємності моделі: GPT-3 мав 175 млрд параметрів, що на момент виходу (2020) шокувало індустрію. Моделі з 7–14 млрд параметрів вже здатні виконувати більшість OSINT-завдань і можуть запускатися на споживацькому GPU.

Токен (Token)

Мінімальна одиниця тексту, з якою оперує ВМM. Токен — це не завжди одне слово: “розвідка” — один токен, “несподіваний” може бути двома. Зазвичай один токен ≈ 4 символи або ¾ слова англійською. Вартість запитів до API і розмір контекстного вікна вимірюються в токенах. Для оцінки: 1000 токенів ≈ 750 слів.

→ Дивись також: Контекстне вікно

Токенізація (Tokenization)

Процес перетворення вхідного тексту на послідовність токенів перед подачею до ВМM. Різні моделі використовують різні токенізатори — тому одне і те ж слово може мати різну кількість токенів залежно від моделі. Це важливо при роботі з кириличними текстами: україномовний текст зазвичай займає більше токенів, ніж еквівалентний англійський.

Контекстне вікно (Context Window)

Максимальна кількість токенів, яку ВМM може “бачити” і враховувати одночасно за один запит — разом з промптом і своєю відповіддю. Якщо документ перевищує контекстне вікно, модель “забуває” початок. Станом на 2026 рік: Claude Sonnet 4.6 — 200K токенів, Gemini 3.1 Pro — 1M, Llama 4 Scout — 10M. Більше вікно = можливість аналізувати більші документи або цілі архіви за один запит.

Температура (Temperature)

Параметр, що контролює “творчість” і варіативність виводу ВМM. При температурі 0.0 модель завжди обирає найімовірніший токен (детермінований вивід). При вищих значеннях збільшується “несподіваність” відповідей. Для OSINT-задач: 0.0 для витягу фактів і JSON, 0.1–0.2 для аналізу, >0.7 — уникати, надто непередбачувано для звітів.

→ Дивись також: Недетермінованість

Інференс (Inference)

Процес використання вже навченої моделі для отримання відповідей — на відміну від навчання (training), яке відбувається один раз. Щоразу, коли ви надсилаєте запит до Claude або GPT, відбувається інференс. Для локальних моделей інференс вимагає VRAM відеокарти; швидкість вимірюється в токенах за секунду.

VRAM (Video RAM)

Відеопам’ять на GPU (відеокарті), яка використовується для зберігання ваг моделі під час інференсу. Головне апаратне обмеження для запуску локальних ВМM: модель 7B параметрів потребує ~6 GB VRAM, 13B — ~10 GB, 70B — ~40+ GB. При недостатньому VRAM модель “виливається” на RAM, що різко уповільнює роботу.

→ Дивись також: Квантизація

Квантизація (Quantization)

Техніка стиснення моделі шляхом зменшення точності числового представлення ваг (наприклад, з 16-бітних float до 4-бітних integer). Дозволяє запустити більші моделі на меншому VRAM з невеликою втратою якості. Формат GGUF — стандарт для квантизованих моделей у локальних рантаймах (Ollama, LM Studio).

→ Дивись також: GGUF, Ollama

Донавчання / Тонке налаштування (Fine-tuning)

Додаткове навчання попередньо навченої моделі на спеціалізованому датасеті для адаптації під конкретну задачу або домен. Для OSINT: можна донавчити модель на корпусі CTI-звітів, юридичних документів або україномовних OSINT-матеріалів. Потребує значних обчислювальних ресурсів і ретельно підібраних навчальних даних.

Модель з відкритим кодом / Відкриті ваги (Open-source / Open-weight Model)

Модель, ваги якої публічно доступні для завантаження і локального розгортання. “Відкриті ваги” (open-weight) означає доступність самих числових параметрів; “відкритий код” (open-source) — додатково код навчання. Для OSINT це критично: чутливі розслідування можна проводити повністю локально, без передачі даних до хмари. Приклади: Llama 4, Mistral, Qwen 3.5, DeepSeek R1.

→ Дивись також: Air-gap, OpSec

Frontier-модель (Frontier Model)

Найпотужніші комерційні моделі на передовому рубежі можливостей — GPT-5.4, Claude Opus 4.7, Gemini 3.1 Pro. Зазвичай доступні лише через API або веб-інтерфейс; їхні ваги закриті. Перевершують відкриті моделі за складними задачами міркування і мультимодальністю, але вимагають передачі даних у хмару.

Mixture of Experts (MoE)

Архітектура нейронної мережі, де різні “підмережі” (експерти) спеціалізуються на різних типах задач і активуються вибірково залежно від вхідного контексту. Підвищує ефективність великих моделей — загальна кількість параметрів велика, але на кожен токен активується лише частина. Наслідок для OSINT: моделі MoE можуть давати різні відповіді на однакові запити — це властивість архітектури, не баг.

→ Дивись також: Недетермінованість

Недетермінованість (Non-determinism)

Властивість деяких ВМM (особливо MoE-архітектур) повертати різні відповіді на однаковий запит при різних викликах — навіть при температурі 0. Для OSINT це означає: два запити з однаковим текстом можуть дати різні висновки або витягнути різні сутності. Стратегія: запускати кілька ітерацій і порівнювати; фіксувати всі запити і відповіді дослівно.

Мультимодальність (Multimodality)

Здатність моделі обробляти різні типи даних: текст, зображення, аудіо, відео. GPT-5.4 і Gemini 3.1 Pro — нативно мультимодальні. Для OSINT це відкриває аналіз фото з місць подій, скріншотів переписок, відеозаписів брифінгів, аудіодзвінків — все в одному запиті без окремих інструментів.

Когнітивний AI vs Генеративний AI (Cognitive AI vs Generative AI)

Два принципово різних підходи. Когнітивний AI — правиловий, детермінований: дерева рішень, SQL-запити, структуровані витяги. Генеративний AI — нейронний, імовірнісний: створює новий контент (текст, зображення). Найефективніші OSINT-пайплайни поєднують обидва: когнітивний — для структурованих запитів і фільтрації, генеративний — для синтезу і комунікації.

2. Промптинг та взаємодія з LLM

Промпт (Prompt)

Текстовий запит, що подається до ВМM для отримання відповіді. Промпт може містити роль, інструкцію, контекстні дані, приклади і обмеження. Якість промпту безпосередньо визначає якість відповіді — той самий LLM з поганим промптом дає 61% точності у CTI-задачах, з якісним CoT-промптом — 86% (Journal of Information Warfare, 2025).

Промпт-інжиніринг (Prompt Engineering)

Дисципліна розробки точних, структурованих запитів для отримання оптимальних відповідей від ВМM. Це основний інтерфейс між аналітиком і AI — і найважливіша практична навичка в AI-підсиленому OSINT. Не потребує програмування, але вимагає розуміння принципів роботи ВМM і систематичного підходу.

Системний промпт (System Prompt)

Частина запиту, яка налаштовується один раз і задає “особистість”, роль і постійні правила для ВМM протягом усієї сесії. Системний промпт не змінюється між повідомленнями користувача. Для OSINT: тут прописуються правила верифікації, формат виводу, шкала впевненості і захисний блок від prompt injection.

→ Дивись також: Ін’єкція промпту

Користувацький промпт (User Prompt)

Частина запиту, що змінюється для кожного окремого завдання в рамках сесії. Містить конкретну інструкцію і дані для аналізу. Чим чіткіше сформульований запит — тим передбачуваніший і точніший результат.

Фреймворк P-R-O-M-P-T

Структурований шаблон для побудови якісних OSINT-промптів: Persona (роль AI), Request (конкретне завдання), Output (формат результату), Mission context (контекст розслідування), Parameters (обмеження і правила), Temperature/Tone (стиль відповіді). Забезпечує повторюваний і передбачуваний результат.

Фреймворк 6 стовпів (6-Pillar Framework)

Аналогічний до P-R-O-M-P-T підхід: Роль, Завдання, Контекст, Міркування (Chain of Thought), Формат виводу, Зупинка. Обидва фреймворки базуються на одному принципі: чим більше структури надано ВМM — тим передбачуваніший результат.

Ланцюг думок (Chain of Thought, CoT)

Техніка промптингу, що просить ВМM мислити крок за кроком перед кінцевою відповіддю. Збільшує точність складних аналітичних задач на 15–25%, оскільки змушує модель явно простежити логіку. Важливо: CoT погіршує результат для простих задач (Wharton 2025) — не використовуйте його для витягу сутностей чи форматування.

→ Дивись також: Дерево думок, Само-узгодженість

Дерево думок (Tree of Thought, ToT)

Розширення Chain of Thought, де ВМM паралельно досліджує кілька “гілок” міркування, а не один лінійний ланцюжок. Ідеально для тестування гіпотез і аналізу конкуруючих версій (ACH). Наприклад: “Гіпотеза A — реальна особа. Гіпотеза B — псевдонім. Гіпотеза C — синтетичний профіль. Оціни кожну.”

→ Дивись також: ACH

Само-узгодженість (Self-Consistency)

Техніка, при якій один і той же запит надсилається до ВМM 3–5 разів, а фінальний висновок визначається голосуванням між незалежними відповідями. Значно підвищує надійність для суперечливих і неоднозначних даних. Корисна при атрибуції або перевірці особи, де важлива впевненість у висновку.

Мало-прикладний промптинг (Few-Shot Prompting)

Техніка, де у промпт включають 2–3 приклади “вхід → правильний вивід” перед основним завданням. ВМM “розуміє” потрібний формат і логіку без детального пояснення. Найкраще для повторюваних задач: класифікація контенту, нормалізація даних, структурування за шаблоном.

Зворотний промпт (Zero-Shot Prompting)

Запит без прикладів — ВМM розв’язує задачу спираючись лише на загальні знання та інструкцію. Підходить для стандартних задач (переклад, резюме, базова класифікація). Для специфічних OSINT-форматів краще використовувати few-shot.

Негативні обмеження (Negative Constraints)

Явні заборони у промпті — що модель не повинна робити. Критично для OSINT: “Не вигадуй факти яких немає в наданих даних”, “Не роби висновків без джерела”, “Не використовуй фрази ‘очевидно’ без доказів”. Зменшують кількість галюцинацій і надмірно впевнених тверджень.

Структурований вивід (Structured Output)

Формат відповіді ВМM у вигляді JSON, Markdown-таблиці або нумерованого списку — замість вільного тексту. Критичний для OSINT: структурований вивід автоматично обробляється Python-скриптами, вставляється у бази даних і графи зв’язків. Завжди вказуйте бажаний формат явно у промпті.

Ітеративний промптинг (Iterative Prompting)

Підхід, при якому розслідування проводиться через послідовний діалог: кожне повідомлення уточнює, поглиблює або верифікує результати попереднього. Якість вища, ніж у одного “мегазапиту”: Збір → Витяг сутностей → Перехресна верифікація → Синтез → Аналіз прогалин.

Техніка персони (Persona Technique)

Надання ВМM різних ролей для отримання різних кутів зору на один матеріал: “Ти — прокурор. Знайди докази провини”, “Ти — адвокат захисту. Знайди докази невинуватості”, “Ти — суддя. Зваж аргументи”. Аналог Devil’s Advocate і Red Team в аналітиці. Перемагає упередженість підтвердження.

→ Дивись також: Упередження підтвердження

Галюцинація (Hallucination)

Ситуація, коли ВМM впевнено стверджує факти, яких немає у реальності або у наданих даних. Галюцинації — не збої, а структурна властивість: модель передбачає “правдоподібне” продовження, а не обов’язково правдиве. Найнебезпечніші галюцинації — правдоподібні деталі (адреси, дати, посади). Правило: кожен факт від ВМM = гіпотеза, що потребує верифікації за первинним джерелом.

Відсічення знань (Knowledge Cutoff)

Дата, після якої модель не отримувала нових навчальних даних і “не знає” пізніших подій. Claude Sonnet 4.6 — серпень 2025, GPT-5.4 — початок 2026, Gemini 3.1 Pro — лютий 2026. Для подій після knowledge cutoff — обов’язково використовувати RAG або пошукові інструменти.

→ Дивись також: RAG

Упередженість підтвердження в AI (Confirmation Bias in AI)

Схильність ВМM “погоджуватися” з припущеннями, що вже закладені у промпті. Якщо аналітик формулює запит зі схильністю до певного висновку, модель може підсилювати цей нахил. Контрзахід: техніка персони, негативні обмеження, незалежний повторний аналіз.

Упередження автоматизації (Automation Bias)

Схильність аналітика надмірно довіряти AI-виводу і не верифікувати його критично. За даними ShadowDragon (2025): 67% аналітиків приймали AI-висновки без незалежної верифікації. Головна небезпека: “AI звучить впевнено” — але рівень впевненості ВМM ≠ достовірність факту.

3. RAG та семантичний пошук

RAG / ЗАГ (Retrieval-Augmented Generation)

Архітектурний підхід, що поєднує ВМM з динамічною базою знань: перед генерацією відповіді система шукає релевантні фрагменти у зовнішньому сховищі і передає їх у контекст запиту. Вирішує проблему knowledge cutoff: модель може відповідати про події 2025–2026 років, якщо вони є в базі. Для OSINT — обов’язковий для роботи з актуальними даними.

→ Дивись також: Векторна база даних, Семантичний пошук

Ембедінг (Embedding)

Числове векторне представлення тексту, де семантично схожі фрази відображаються на близькі точки у багатовимірному просторі. Модель ембедінгів перетворює “я ненавиджу свою роботу” і “私は仕事が嫌いで” на майже однакові вектори — незалежно від мови. Це основа семантичного пошуку і RAG.

→ Дивись також: Семантичний пошук

Семантичний пошук (Semantic Search)

Пошук за змістом і сенсом, а не за точним збігом ключових слів. Два документи, що описують одну подію різними словами, будуть знайдені як схожі. Для OSINT: пошук японською повертає англійські результати з тим самим концептуальним змістом — мовний бар’єр фактично усувається.

Векторна база даних (Vector Database)

Спеціалізована база даних, оптимізована для зберігання і пошуку векторних ембедінгів. При запиті шукає найближчі за значенням вектори (cosine similarity або dot product). Популярні варіанти: ChromaDB (локальна, проста), Weaviate (корпоративна, гібридний пошук), Qdrant, FAISS (бібліотека Meta).

Чанк (Chunk)

Фрагмент тексту фіксованого розміру, на який поділяється документ перед індексуванням у векторній базі. Розмір чанку (зазвичай 256–1024 токени) впливає на якість пошуку: занадто малий — втрачається контекст, занадто великий — знижується точність релевантності. При RAG-пошуку в LLM передаються топ-K найближчих чанків.

Індексування (Indexing)

Процес перетворення документів на ембедінги і завантаження їх у векторну базу. Відбувається один раз (або при поповненні бази). Після індексування система готова до семантичного пошуку. У підході Карпаті — wiki-сторінки індексуються для миттєвого пошуку по всіх попередніх розслідуваннях.

Perplexity Sonar API

Програмний інтерфейс інструменту Perplexity AI, що надає RAG у реальному часі через веб-пошук. Повертає відповіді з цитатами на актуальні джерела. Для автоматизованих OSINT-пайплайнів: дозволяє програмно запитувати свіжу інформацію про цілі та загрози без ручного пошуку.

База знань (Knowledge Base)

Структуроване сховище документів, звітів, IoC та OSINT-нотаток, яке використовується як джерело для RAG-пошуку. В Obsidian-підході Карпаті база знань організована у папки raw/ (незмінні джерела) і wiki/ (скомпільовані знання). Дозволяє накопичувати розвідувальний контекст між розслідуваннями.

Гібридний пошук (Hybrid Search)

Поєднання семантичного пошуку (за ембедінгами) і повнотекстового пошуку (за ключовими словами) для підвищення точності. Корисно, коли потрібно знайти і концептуально схожі документи, і документи з конкретним ідентифікатором (IP-адреса, хеш файлу, ім’я особи). Weaviate підтримує гібридний пошук нативно.

4. OSINT: методи та концепції

OSINT (Open Source Intelligence)

Розвідка виключно з публічно доступних джерел: вебсайти, соціальні мережі, витоки баз даних, супутникові знімки, публічні реєстри, судові документи. Жодного прихованого або незаконного доступу. У поєднанні з AI — OSINT стає на порядок потужнішим завдяки автоматизації збору і аналізу.

Розвідувальний цикл (Intelligence Cycle)

Стандартна модель розвідувального процесу: Збір (сирі дані) → Обробка (структурування) → Аналіз (смисл і контекст) → Дія (практична розвідка). AI підсилює кожен етап: LLM генерують пошукові запити на збирання, виконують переклад при обробці, аналізують зв’язки і готують звіти при поширенні.

Витяг сутностей / NER (Named Entity Recognition, Entity Extraction)

Автоматичне виявлення і класифікація іменованих об’єктів у тексті: особи, організації, локації, дати, URL, email, телефони, ідентифікатори. NER — одна з найнадійніших задач для ВМM (4–5 зірок достовірності). При OSINT-аналізі — перший крок перетворення неструктурованого тексту на структуровані дані для графів і баз.

→ Дивись також: Структурований вивід

Розподіл сутностей (Entity Resolution)

Процес визначення, чи різні згадки в різних документах відносяться до одного і того ж реального об’єкта. “Василь Попов”, “В. Попов”, “vasyl_popov” та “@vp_osint” можуть бути однією особою. Entity resolution — складніша задача, ніж NER: потребує аналізу контексту, перехресної верифікації і часто людського судження.

Атрибуція (Attribution)

Встановлення того, хто саме стоїть за певною дією, акаунтом, сайтом або кампанією. В OSINT — одна з найскладніших задач: потребує конвергенції кількох незалежних ліній доказів (технічних, поведінкових, мережевих). Для кібератак — атрибуція до конкретного загрозового актора або держави. ВМM може запропонувати гіпотезу атрибуції, але фінальне рішення залишається за аналітиком.

→ Дивись також: Упередження підтвердження

Тріангуляція (Triangulation)

Принцип перевірки, при якому висновок вважається надійним лише при конвергенції кількох незалежних ліній доказів. Для геолокації: архітектура + тіні + видима рослинність + метадані мають вказувати на одну точку. Одне джерело — оцінка впевненості 5–6; три незалежних — 9–10.

Провенанс (Provenance)

Задокументований ланцюжок: хто, коли, де опублікував матеріал; які зміни, обрізки, перепублікації відбулися між оригінальною подією і вашим архівом. Відновлення провенансу — один з рівнів верифікації. Інструменти: Wayback Machine, InVID/WeVerify, аналіз метаданих EXIF.

→ Дивись також: EXIF

Верифікація (Verification)

Систематична перевірка твердження на відповідність доступним доказам і відтворюваний шлях від факту до висновку. Верифікація — не “перечитати пост ще раз”, а чотирирівневий процес: технічна автентичність → змістова перевірка → міждокументна узгодженість → ACH.

Трасування джерел (Source Tracing)

Відповідь на питання: “Звідки ця інформація до мене потрапила і чи я бачу той самий артефакт, що й первинне джерело?” Помилка початківців: плутати “багато постів про те саме” з незалежними джерелами — часто це один первинний скрін, що тиражується.

ACH (Analysis of Competing Hypotheses)

Структурований аналітичний метод для оцінки кількох конкуруючих пояснень одних і тих же спостережень. Кроки: сформулювати всі правдоподібні гіпотези → зібрати всі доказові точки → оцінити, яка гіпотеза найкраще пояснює сукупність даних. Запобігає “зачаклованості” першою правдоподібною версією.

→ Дивись також: Дерево думок

Amsterdam Matrix

Рамка для систематичної оцінки достовірності OSINT-матеріалів (оригінально — для Twitter/X постів) розроблена OSINT for Ukraine. 23 параметри отримують код +1 / 0 / −1. Мета — відокремити силу доказової бази від харизми автора або кількості репостів; забезпечити прозорість, при якій два аналітики можуть порівняти результати.

Шкала впевненості (Confidence Grading)

Числова оцінка надійності конкретного факту або висновку. У курсі: 9–10 = підтверджено 3+ незалежними джерелами; 7–8 = одне надійне джерело; 5–6 = одне слабке або непряме; 3–4 = умовивід без джерел; 1–2 = спекуляція. Рекомендується вказувати у кожному факті OSINT-звіту для прозорості.

Sock Puppet

Сфабрикована онлайн-ідентичність для прихованого збору OSINT без розкриття справжньої належності дослідника. Включає легенду (вигадану особистість), фото профілю (GAN-генерація), мовний стиль і “передісторію” активності. GenAI значно прискорює і поглиблює створення персонажа.

→ Дивись також: GAN

Легенда (Cover Identity / Legend)

Детальна вигадана ідентичність для прихованих онлайн-операцій: ім’я, вік, місце проживання, освіта, робота, мовні особливості, передісторія активності. ВМM може генерувати повну легенду і аналізувати цільову платформу для калібрування персонажа під конкретне середовище.

Due Diligence

Комплексна перевірка особи або організації перед прийняттям ділового або іншого рішення. В OSINT-контексті: структурована процедура перевірки через публічні реєстри, судові бази, ЗМІ і соціальні мережі. AI дозволяє автоматизувати великі частини due diligence, знижуючи вартість і час процедури.

HUMINT (Human Intelligence)

Розвідка на основі інформації від людських джерел — агентів, інформаторів, інсайдерів. В OSINT-контексті: аналіз поведінки і висловлювань осіб у відкритому просторі, психопрофілювання. ВМM може допомагати аналізувати тексти і розмови, але прямий контакт залишається поза OSINT.

GEOINT (Geospatial Intelligence)

Розвідка на основі геопросторових даних: супутникові знімки, карти, геотеги, топографія. В OSINT: геолокація за архітектурою, рослинністю, тінями на фото. ВМM і YOLO автоматизують виявлення орієнтирів; Overpass Turbo і Google Maps — уточнення координат.

→ Дивись також: IMINT

IMINT (Imagery Intelligence)

Розвідка на основі зображень — фотографій, відео, супутникових знімків. В OSINT: аналіз зображень для виявлення транспортних засобів, зброї, уніформи, логотипів. Мультимодальні ВМM виконують базовий IMINT-аналіз безпосередньо у запиті; YOLO — для автоматизованого виявлення об’єктів у великих масивах.

SIGINT (Signals Intelligence)

Розвідка на основі перехоплених сигналів і комунікацій. У класичному розумінні — прерогатива спецслужб. В OSINT: аналіз публічно доступних метаданих комунікацій, паттернів активності в соцмережах, відкритих радіопередач.

Людина в контурі (Human-in-the-Loop)

Принцип, при якому людина-аналітик залишається в процесі на критичних точках прийняття рішень, навіть у високо-автоматизованих пайплайнах. AI готує чернетку, структурує дані, пропонує гіпотези — але атрибуція, юридична оцінка і фінальний підпис під звітом залишаються за людиною. Незмінне правило: AI — помічник, аналітик — автор і відповідальний.

5. Кіберрозвідка (CTI)

CTI (Cyber Threat Intelligence)

Кіберрозвідка — збір, аналіз і поширення даних про кіберзагрози для підтримки захисних і атрибутивних рішень. Включає тактики, техніки, індикатори компромісу і профілі загрозових акторів. ВМM значно прискорює аналіз CTI-звітів, витяг IoC і маппінг TTP на фреймворк ATT&CK.

IoC (Indicators of Compromise)

Індикатори компромісу — технічні артефакти, що свідчать про присутність зловмисника у системі або про зловмисну активність у мережі. Типи: IP-адреси, домени, хеші файлів, URL, адреси email, реєстрові ключі. ВМM ефективно витягує IoC з неструктурованих CTI-звітів у JSON-формат при температурі 0.0–0.1.

TTP (Tactics, Techniques, and Procedures)

Тактики, техніки та процедури загрозового актора — описують “як” і “чому” зловмисник діє. Тактика — мета (наприклад, закріпитися у системі); техніка — спосіб досягнення (наприклад, через плановані завдання); процедура — конкретна імплементація. Маппінг TTP на ATT&CK — стандартна практика CTI.

ATT&CK / MITRE ATT&CK

Глобально визнана база знань тактик, технік і процедур зловмисників, що підтримується організацією MITRE. Організована у матрицю: стовпці — тактики (Initial Access, Execution, Persistence тощо), рядки — конкретні техніки. Стандарт для атрибуції і порівняння кампаній між собою. ВМM може автоматично маппити TTP з тексту на ATT&CK при температурі 0.1.

APT (Advanced Persistent Threat)

Просунута стійка загроза — зазвичай державно спонсорована або добре фінансована група, що проводить тривалі цільові атаки. APT-групи мають характерні TTP, інфраструктуру і цілі, що дозволяє атрибутувати кампанії. Приклади: Volt Typhoon (Китай), Sandworm (Росія), Lazarus (КНДР).

Ransomware

Шкідливе програмне забезпечення, що шифрує дані жертви і вимагає викуп за розшифрування. Переговори з ransomware-групами — цінне джерело CTI: ВМM може витягувати TTP, психологічний профіль зловмисника, фінансові індикатори і згадки криптогаманців з транскриптів переговорів.

C2 (Command and Control)

Інфраструктура командування і управління, через яку зловмисник взаємодіє зі скомпрометованими системами. C2-сервери — ключові IoC для відстеження кампаній. У OSINT: виявлення C2-інфраструктури через аналіз DNS, WHOIS і мережевих паттернів.

Фішинг (Phishing)

Атака соціальної інженерії через підроблені повідомлення, що імітують легітимні комунікації, з метою викрадення облікових даних або поширення шкідливого ПЗ. Google dork-пошук, аналіз доменів і ВМM-аналіз мовних паттернів — інструменти OSINT для відстеження фішингових кампаній.

Загрозовий актор (Threat Actor)

Суб’єкт (особа, група, держава), що стоїть за кіберзагрозою або кампанією дезінформації. CTI прагне встановити мотивацію, можливості, інфраструктуру і TTP актора. ВМM може аналізувати комунікаційний стиль і порівнювати його з відомими профілями акторів.

6. Дипфейки та медіафорензика

Дипфейк (Deepfake)

Синтетичний медіаконтент, створений за допомогою deep learning — заміна обличчя або голосу особи на зображенні/відео/аудіо з фотореалістичною якістю. Виникли на основі GAN-архітектур, сучасні системи використовують diffusion-моделі. В епоху дипфейків: відеодоказ не є самодостатньо автентичним і потребує форензичної перевірки.

GAN (Generative Adversarial Network)

Архітектура глибокого навчання з двох конкуруючих мереж: генератор (створює синтетичні дані) і дискримінатор (відрізняє реальні від синтетичних). Навчаються в суперництві, поки генератор не навчиться обманювати дискримінатор. GAN лежать в основі перших дипфейків і генераторів фото реалістичних облич (thispersondoesnotexist.com).

→ Дивись також: Diffusion-модель

Diffusion-модель (Diffusion Model)

Клас генеративних моделей, що навчаються поступово “розшумовувати” (відновлювати) зображення з чистого шуму. Витіснили GAN як домінуючу архітектуру для генерації зображень завдяки вищій якості і стабільності навчання. Stable Diffusion, DALL-E і Midjourney — diffusion-моделі. Дипфейки нового покоління (2024–2025) використовують diffusion, що значно покращило синтез очей і деталей.

Заміна обличчя / Морфінг (Face Swap / Face Morphing)

Алгоритмічна заміна або поєднання облич на зображеннях і відео. Face swap — пряма заміна; морфінг — поступове поєднання двох облич. Інструменти: DeepFaceLab (потужний, вимогливий), Roop (швидкий, для статичних зображень), SimSwap (зберігає ідентичність). Форензичний аналіз шукає артефакти на межі накладання обличчя.

Клонування голосу (Voice Cloning)

Синтез мовлення, що відтворює голос конкретної особи за кількасекундним аудіозразком. ElevenLabs, Vall-E (Microsoft) і Tortoise TTS забезпечують реалістичне клонування. При поєднанні з відеодипфейком — синтетичний матеріал стає надзвичайно переконливим. Ознаки: аномалії у спектрограмі, неприродна просодія, невідповідність акценту.

ELA (Error Level Analysis)

Метод форензичного аналізу зображень: виявляє ділянки, що були відредаговані або доданий після початкового збереження, шляхом аналізу рівнів JPEG-стиснення. Відредагована ділянка матиме інший рівень компресійної помилки, ніж оригінальна. Базовий, але не єдиний інструмент перевірки: сучасні дипфейки можуть обходити ELA.

EXIF (Exchangeable Image File Format)

Метадані, вбудовані у цифрові фотографії: дата і час зйомки, GPS-координати, модель камери, налаштування (витримка, діафрагма, ISO). Ключовий рівень верифікації: EXIF може підтвердити або спростувати заявлений час і місце зйомки. Важливо: EXIF легко підробляється і часто видаляється соцмережами при завантаженні.

C2PA (Coalition for Content Provenance and Authenticity)

Відкритий технічний стандарт для вбудованого криптографічного підписування цифрового контенту — зображень, відео, документів. Дозволяє простежити всю “родовід” матеріалу: де і коли знятий, яким пристроєм, чи редагувався. Підтримується Adobe, Microsoft, Google та іншими. Довгострокове рішення проблеми верифікації — але широке впровадження ще попереду.

Мікровирази (Micro-expressions)

Мимовільні, субсекундні рухи обличчя (менше 1/5 секунди), що передають автентичний емоційний стан. Справжня емоція залучає десятки груп лицевих м’язів у точній координації; дипфейки часто відтворюють лише домінуючий вираз без тонких супровідних рухів. Ознаки маніпуляції: плаский афект, асиметричні вирази, неузгодженість мовлення і міміки.

Форензичні артефакти (Forensic Artifacts)

Технічні сліди, залишені процесом генерації або маніпуляції дипфейком. Типові ознаки: розмиття навколо лінії волосся і щелепи, неприродні паттерни моргання, непослідовна текстура шкіри, невідповідність кольору обличчя і шиї, деформація фонових об’єктів. Diffusion-дипфейки (2024–2025) значно зменшили кількість таких артефактів.

InVID / WeVerify

Браузерний плагін для верифікації відео і зображень: витяг ключових кадрів, зворотний пошук зображень, аналіз метаданих, інтеграція з фактчекінговими базами. Розроблений для журналістів і OSINT-практиків; повністю у браузері без встановлення. Один з базових інструментів медіафорензики.

7. Безпека та захист

Ін’єкція промпту (Prompt Injection)

Атака, при якій зловмисний вміст у джерелах, що аналізуються, намагається перехопити керування ВМM і змусити модель виконувати команди зловмисника замість інструкцій аналітика. В OSINT — зона підвищеного ризику: аналітик постійно подає в LLM ненадійний зовнішній контент (сайти, PDF, витоки, соцмережі). Кожне зовнішнє джерело — потенційний вектор атаки.

Непряма ін’єкція (Indirect Prompt Injection)

Різновид prompt injection, при якому шкідлива інструкція прихована у зовнішньому документі, а не у прямому запиті. Приклади: білий текст на білому тлі у PDF, прихований HTML-коментар, метатег og:description з командою. ВМM обробляє контент “як є” і може виконати вбудовану інструкцію.

Захоплення ланцюга думок (CoT Hijacking)

Різновид prompt injection, що цілиться в CoT-міркування: зловмисна інструкція змушує ВМM почати “перевіряти свою конфігурацію” або розкривати внутрішній стан у форматі, який зловмисник може використати. Захист: системний промпт із явною забороною змінювати роль і правила з вмісту вхідних даних.

Отруєння контексту (Context Poisoning)

Ширша категорія атак: навмисне включення до контексту запиту хибної, упередженої або маніпулятивної інформації, щоб вплинути на висновки ВМM. Може бути ненавмисним (навчальний корпус містив упередження) або навмисним (зловмисна веб-сторінка аналізується як OSINT-джерело). Контрзахід: завжди обгортати зовнішній контент маркерами ненадійності.

Air-gap (Повітряний зазор)

Метод фізичної ізоляції комп’ютерної системи від зовнішніх мереж — жодного дротового або бездротового підключення до Інтернету. Для OSINT: air-gap середовище дозволяє аналізувати надчутливі матеріали без ризику витоку даних назовні. Реалізується через локальні ВМM (Ollama з відкритими моделями) без підключення до хмарного API.

→ Дивись також: OpSec

OpSec (Операційна безпека)

Операційна безпека — дисципліна захисту конфіденційної інформації від противника шляхом мінімізації вразливих слідів. В OSINT: використання локальних моделей для чутливих розслідувань, уникнення хмарних API з реальними даними цілей, анонімізація запитів, контроль метаданих.

Регламент ЄС про захист персональних даних (2018). Встановлює суворі правила збору, обробки і зберігання особистих даних громадян ЄС. Для OSINT: обмежує автоматизований збір і профілювання осіб; визначає правові підстави для обробки даних. Передача персональних даних до хмарних API може суперечити GDPR.

Санітизація (Sanitization)

Очищення зовнішнього контенту від потенційно шкідливих конструкцій перед подачею до ВМM. Включає: видалення HTML-коментарів, прихованого CSS-тексту, невидимих символів, вбудованих інструкцій. Python-функція sanitize_for_llm() — базовий захисний шар для всіх OSINT-пайплайнів.

8. Веб-збір та автоматизація

Веб-скрапінг (Web Scraping)

Автоматизоване програмне вилучення даних з вебсайтів. ВМM дозволяє будь-якому OSINT-аналітику генерувати скрипти скрапінгу виробничої якості за секунди через природну мову — без потреби у навичках програмування. Промпт: “Напиши Python-скрапер для [сайту], що витягує [поля] і зберігає у JSON.”

Headless-браузер (Headless Browser)

Браузер без графічного інтерфейсу, що керується програмно. Дозволяє виконувати JavaScript, автентифікацію, нескінченну прокрутку і CAPTCHA-обходи — на відміну від простих HTTP-запитів. Популярні: Playwright (рекомендований) і Selenium. ВМM генерує Playwright-скрипти для складних динамічних сайтів.

Playwright / Selenium

Бібліотеки автоматизації браузера для Python (і не тільки). Playwright — сучасний стандарт, підтримує Chromium, Firefox і WebKit; асинхронний. Selenium — старший і менш ефективний, але з більшою документацією. Для OSINT: автоматизація навігації по платформах з аутентифікацією, витяг контенту, що рендериться на стороні клієнта.

BeautifulSoup

Python-бібліотека для парсингу HTML і XML. Ідеальна для статичних сторінок: вилучення структурованих даних (таблиці, списки, мета-теги) без виконання JavaScript. Для динамічних сайтів поєднується з Playwright/Selenium. ВМM легко генерує BeautifulSoup-скрипти за описом цільових полів.

SPA (Single-Page Application)

Тип вебдодатку, де весь контент рендериться динамічно у браузері через JavaScript — сторінка не перезавантажується при навігації. Більшість сучасних соцмереж і корпоративних порталів — SPA. Простий HTTP-скрапінг повертає порожній HTML; потрібен headless-браузер.

Google Dorks (Дорки)

Спеціальні оператори пошуку Google для звужування і уточнення результатів: site:, filetype:, inurl:, intitle:, "точна фраза". Дозволяють знаходити конкретні файли (PDF, XLS), сторінки входу, незахищені директорії. ВМM генерує оптимізовані dork-рядки під конкретний OSINT-запит.

Булеві оператори (Boolean Operators)

Логічні оператори пошуку: AND (обидва терміни), OR (будь-який), NOT (виключити). Дозволяють точно визначити область пошуку. ВМM знає синтаксис булевих операторів десятків платформ і баз даних і генерує оптимізовані рядки для конкретних розвідувальних запитів.

API (Application Programming Interface)

Інтерфейс програмування застосунків — набір правил і методів, за якими програми взаємодіють між собою. В OSINT: API соцмереж, реєстрів і AI-сервісів дозволяють автоматизований збір даних і масштабовані пайплайни. REST API — найпоширений тип: запити через HTTP, відповідь у JSON.

Пагінація (Pagination)

Розбивка великих масивів даних на сторінки. При скрапінгу форумів, архівів або результатів пошуку скрапер має автоматично переходити на наступні сторінки. ВМM генерує обробники пагінації для різних схем: класичні сторінки, нескінченне прокручування, курсорна пагінація.

9. Інструменти та фреймворки

Whisper (OpenAI Whisper)

Відкрита багатомовна модель розпізнавання мовлення (Speech-to-Text) від OpenAI. Обробляє акцентоване мовлення, фоновий шум і перемикання мов; підтримує 99 мов. Ключові OSINT-застосування: транскрипція прес-конференцій, витоків голосових повідомлень, відео-брифінгів; генерація транскриптів з часовими мітками для хронологій.

YOLO (You Only Look Once)

Сімейство моделей комп’ютерного зору для виявлення об’єктів у реальному часі: ідентифікує, класифікує і локалізує об’єкти на зображеннях за один прохід. Відкритий код, розгортається локально. OSINT-застосування: автоматичне виявлення транспортних засобів, зброї, уніформи, логотипів на масивах зображень.

Fabric

Відкритий фреймворк AI-підсилення від Daniel Miessler, що застосовує структуровані “патерни” (промпти) до будь-якого контенту через командний рядок. Команда fabric -y 'URL' --stream extract_wisdom перетворює відео або статтю на структурований набір ідей, фактів, цитат і рекомендацій. Патерни: extract_wisdom, summarize, analyze_claims, create_report.

OCR (Optical Character Recognition)

Оптичне розпізнавання символів — перетворення зображень тексту на машинозчитуваний текст. Традиційний OCR (Tesseract) дає збій на зашумлених і перекошених документах. Мультимодальні ВМM (GPT-5.4, Gemini 3.1 Pro) читають рукописні нотатки, зім’яті чеки, скріншоти месенджерів з набагато вищою точністю.

Ollama

Програма для запуску відкритих ВМM локально через CLI (командний рядок). Підтримує Llama 4, Gemma 4, Qwen 3.5, Mistral та інші; автоматично завантажує моделі і надає OpenAI-сумісний API для інтеграції з Python. Основний інструмент для OpSec-критичних OSINT-операцій без передачі даних у хмару.

GGUF

Файловий формат для квантизованих локальних ВМM (наступник GGML). Стандарт для моделей, що запускаються через Ollama і LM Studio. Ім’я файлу кодує параметри квантизації: model-Q4_K_M.gguf — Q4 (4-бітне) з середнім рівнем точності. Нижча кількість біт = менший VRAM = нижча якість.

→ Дивись також: Квантизація

LM Studio

Десктопний GUI-додаток для запуску локальних ВМM на Windows, Mac, Linux. Дозволяє завантажувати GGUF-моделі з Hugging Face, налаштовувати параметри, тестувати моделі у вбудованому чаті і надавати локальний OpenAI-сумісний API-сервер.

Jan.ai

Локальний AI-асистент з пріоритетом приватності: всі моделі і дані залишаються на пристрої, підтримує GGUF-формат, має вбудований менеджер моделей. Альтернатива LM Studio для аналітиків з підвищеними вимогами до конфіденційності.

Obsidian

Десктопний додаток для ведення нотаток у Markdown з потужними можливостями зв’язування між файлами (backlinks, граф). Для OSINT: базовий інструмент структурування розслідувань, ведення вікі за підходом Карпаті, інтеграція з векторним пошуком через плагіни. Vault (сховище) — директорія з md-файлами і налаштуваннями.

NotebookLM (Google)

Хмарний RAG-інструмент від Google: завантажуєш PDF або текстові документи і ставиш питання — NotebookLM відповідає з посиланнями на конкретні місця у завантажених матеріалах. Безкоштовний базовий план. Ідеальний для швидкого аналізу документів без налаштування локальної RAG-системи.

MindsDB

Відкрита платформа, що дозволяє робити SQL-запити до ВМM і зовнішніх AI-сервісів — як до звичайних баз даних. Інтегрується з Postgres, MySQL, Redis і спеціалізованими джерелами даних. Для OSINT: автоматизація аналізу структурованих даних без написання коду — запит на SQL повертає AI-аналіз.

Docker

Платформа контейнеризації, що дозволяє упаковувати застосунки разом з усіма залежностями у ізольовані контейнери. Для OSINT: стандарт розгортання складних інструментів (MindsDB, ArkhamMirror, векторні бази) без конфлікту залежностей. docker-compose.yml описує всю архітектуру сервісів.

MCP (Model Context Protocol)

Відкритий протокол від Anthropic, що стандартизує підключення ВМM до зовнішніх інструментів, баз даних і сервісів. MCP-сервер надає AI-агенту набір “інструментів” (функцій) — пошук у базі, виклик API, читання файлів. Дозволяє будувати агентні OSINT-системи без нестандартних API-оберток.

→ Дивись також: Агентний AI

SKILL.md

Стандартний формат опису OSINT-пайплайну для AI-агентів у репозиторії smixs/osint-skill. Файл SKILL.md визначає 8-фазну архітектуру автоматизованого OSINT: від визначення цілі до форматування звіту. Включає обробку 8 типів ризиків: ін’єкція оболонки, ToS-порушення, prompt injection тощо.

Підхід Карпаті (Karpathy Wiki Approach)

Метод накопичення знань між розслідуваннями, запропонований Андрієм Карпаті (2025): замість RAG, що шукає наново кожного разу, LLM компілює знання в wiki-сторінки при кожному новому ingest і оновлює їх. Структура vault: raw/ (незмінні джерела) → wiki/ (скомпільовані LLM) → SCHEMA.md (інструкція для LLM). Підзвіт: розслідування накопичуються, зв’язки зберігаються.

10. Агентний AI

AI-агент (AI Agent)

Система, що поєднує ВМM з інструментами (пошук, виконання коду, читання файлів), пам’яттю і здатністю планувати і виконувати багатокрокові завдання автономно. На відміну від простого запит-відповідь: агент самостійно вирішує, який інструмент викликати наступним для досягнення мети. Аналітик задає ціль; агент планує і виконує.

Агентний AI (Agentic AI)

Парадигма AI-систем, де ВМM виступає як автономний агент, що виконує тривалі складні завдання через серії дій і рішень. Для OSINT: “Досліди компанію XYZ” → агент самостійно шукає, витягує сутності, верифікує, будує граф зв’язків і готує чернетку звіту. Людина перевіряє і підтверджує фінальний результат.

Claude Computer Use

Можливість Claude керувати браузером і операційною системою “як людина” — рухати мишею, натискати кнопки, читати екран. Дозволяє автоматизувати OSINT-задачі на сайтах без API. Використовується для навігації складними веб-формами, реєстрами і платформами. Оцінка OSWorld (2026): 75% — краще за більшість інших агентів.

LangGraph

Фреймворк побудови агентних AI-систем як графів станів і переходів. Агент може мати цикли, умовні переходи і кілька паралельних гілок виконання. Для OSINT: граф-агентна архітектура дозволяє будувати складні пайплайни з розгалуженнями (якщо знайдено X — перейди до гілки Y).

AutoGen (Microsoft)

Фреймворк мультиагентних систем від Microsoft, де кілька спеціалізованих AI-агентів взаємодіють між собою для вирішення складних завдань. Один агент збирає дані, інший аналізує, третій верифікує — і всі спілкуються через визначений протокол. Для OSINT: команди агентів для паралельного аналізу великих архівів.

CrewAI

Фреймворк для побудови команд спеціалізованих AI-агентів з визначеними ролями і процесами. Агент “Дослідник”, агент “Верифікатор”, агент “Репортер” — кожен має свої інструменти і відповідальності, координуються через “менеджера”. Простіший у налаштуванні, ніж LangGraph.

Мультиагентний фреймворк (Multi-agent Framework)

Архітектура, де кілька AI-агентів спеціалізуються на різних підзадачах і координуються між собою. Перевагає над одним агентом при великому масштабі: паралельна обробка, менший ризик “загубитися” у довгому контексті, можливість ізолювати критичні задачі (верифікація) в окремому агенті.

Використання інструментів (Tool Use / Function Calling)

Механізм, що дозволяє ВМM викликати зовнішні функції і API в процесі генерації відповіді. Модель вирішує, який інструмент використати (пошук, обчислення, читання файлу), передає параметри, отримує результат і продовжує генерацію. Фундаментальна можливість для агентних систем.

11. Оцінювання та бенчмарки

Бенчмарк (Benchmark)

Стандартизований набір завдань і метрик для об’єктивного порівняння можливостей AI-моделей. Дозволяє OSINT-практикам обирати правильний інструмент для конкретної місії, а не покладатися на маркетингові заяви. Жодна модель не перевершує інші в усіх бенчмарках.

MMLU (Massive Multitask Language Understanding)

Бенчмарк загальних знань і міркування: 57 академічних дисциплін (медицина, право, фізика, математика). Часто використовується як загальна оцінка “інтелекту” моделі. Висока оцінка MMLU корелює з якістю аналізу складних документів і міждисциплінарних розслідувань.

SWE-bench

Бенчмарк здатності моделей вирішувати реальні GitHub-задачі (software engineering). Релевантний для OSINT: висока оцінка SWE-bench означає, що модель якісно пише і дебагує Python-скрипти для скрапінгу, пайплайнів і автоматизації. GPT-5.4: 57.7%, Gemini 3.1 Pro: 80.6%.

GPQA (Graduate-Level Google-Proof Q&A)

Бенчмарк складних питань аспірантського рівня з природничих наук, на які неможливо відповісти простим пошуком у Google. Вимірює глибоке міркування і здатність синтезувати складну інформацію. Gemini 3.1 Pro: 94.3%.

ARC-AGI-2

Бенчмарк для вимірювання загального розуміння і абстрактного міркування — завдання, що потребують виявлення патернів і узагальнення. Один з найскладніших поточних тестів; Gemini 3.1 Pro: 77.1%. Вважається ближчим до AGI-оцінювання, ніж знаннєві бенчмарки.

Таблиця лідерів (Leaderboard)

Динамічні рейтинги AI-моделей за результатами бенчмарків. Популярні: Chatbot Arena (людські оцінки), Open LLM Leaderboard (HuggingFace), LMSYS. Дозволяють фільтрувати за: постачальником, відкритими вагами, підтримкою fine-tuning, розміром контексту. Оновлюються часто — перевіряйте перед вибором моделі для нового проєкту.

HellaSwag

Бенчмарк здатності розуміти продовження речень — тестує “здоровий глузд” про фізичний і соціальний світ. Раніше вважався складним; сучасні моделі вирішують його майже досконало (98%+), що вказує на обмеженість бенчмарку як диференціатора.

12. Аналіз даних та звітність

Модель Великої п’ятірки / OCEAN (Big Five Personality Model)

Науково визнана психологічна модель особистості з 5 вимірів: Openness (відкритість до нового), Conscientiousness (добросовісність), Extraversion (екстраверсія), Agreeableness (доброзичливість), Neuroticism (нейротизм). ВМM може оцінити ці виміри з поведінкових маркерів у тексті — надійність залежить від кількості і якості вхідних даних (confidence 10 = 100+ текстів).

MBTI (Myers-Briggs Type Indicator)

Популярна (але наукова обмеженість якої визнана) типологія особистості: 16 типів на основі 4 дихотомій (E/I, S/N, T/F, J/P). В OSINT-контексті: іноді використовується для первинного психопрофілювання, але результати вимагають обережної інтерпретації. Big Five вважається більш науково обґрунтованою.

→ Дивись також: Модель Великої п’ятірки

Психопрофілювання (Psychoprofiling)

Аналіз текстів, висловлювань і поведінкових маркерів особи для побудови психологічного профілю: особистісні риси (Big Five), цінності, мотивація, схильність до ризику, стиль прийняття рішень. ВМM виконує первинне психопрофілювання з промптом-шаблоном; надійність залежить від кількості текстових зразків.

Карта впевненості (Confidence Map)

Структурована таблиця у фінальному OSINT-звіті: кожен ключовий факт або висновок супроводжується оцінкою впевненості (1–10) і посиланням на джерело. Робить якість доказової бази прозорою для читача звіту і фіксує, що потребує додаткової верифікації.

→ Дивись також: Шкала впевненості

Аналіз прогалин (Gap Analysis)

Систематичне визначення того, що не вдалось встановити в ході розслідування і де потрібно шукати далі. Є обов’язковим розділом якісного OSINT-звіту. ВМM ефективно генерує gap analysis за запитом: “Що ми не встановили? Яка інформація відсутня? Де її шукати?”

Пайплайн (Pipeline)

Послідовність автоматизованих кроків обробки даних, де вивід одного кроку є вхідними даними для наступного. OSINT-пайплайн: Збір (Perplexity RAG) → Витяг сутностей (Claude) → Верифікація → Синтез → Звіт. Реалізується на Python; ВМM генерує код пайплайну за описом у природній мові.

Аналіз тональності (Sentiment Analysis)

Автоматичне визначення емоційного забарвлення тексту: позитивне, негативне, нейтральне; або детальніше — гнів, страх, ентузіазм, скорбота. В OSINT: аналіз тональності постів у соцмережах для виявлення кампаній маніпуляції, відстеження настроїв навколо певних тем або осіб.

Перехресна верифікація (Cross-verification)

Порівняння даних між кількома незалежними джерелами для виявлення суперечностей і встановлення рівня достовірності. Ключова практика OSINT: два джерела підтверджують факт → оцінка зростає до 7–8; три незалежних → 9–10. ВМM автоматизує пошук суперечностей при наданні двох текстів для порівняння.

Синтез (Synthesis)

Процес об’єднання інформації з кількох джерел у цілісний, структурований аналітичний продукт. На відміну від підсумовування (що є в кожному джерелі): синтез виявляє зв’язки між джерелами, розв’язує суперечності і виробляє нові висновки. ВМM ефективний для синтезу при температурі 0.4–0.5.

Аналіз конкуруючих гіпотез / АКГ (Analysis of Competing Hypotheses, ACH)

Структурована аналітична техніка для систематичної оцінки кількох пояснень одних і тих же даних. Формулюємо всі правдоподібні гіпотези → для кожної оцінюємо кожний доказ (підтримує / спростовує / нейтральний) → обираємо гіпотезу з найменшою кількістю спростовуючих доказів. Запобігає “тунельному зору” і упередженню підтвердження.