Wyjaśnienie żargonu związanego ze sztuczną inteligencją!

Ten słownik stanowi solidny punkt wyjścia do zrozumienia różnych terminów związanych ze sztuczną inteligencją. Należy pamiętać, że sztuczna inteligencja to dynamicznie rozwijająca się dziedzina, a nowe terminy i koncepcje mogą pojawiać się z czasem. Należy być na bieżąco, korzystając z wiarygodnych źródeł i publikacji branżowych.

Podpowiedź Gen AI: „Brian Beeler z futurystycznym dyskiem twardym”

Przygotowaliśmy słownik terminów związanych ze sztuczną inteligencją (AI) wraz z ich definicjami:

1. Algorytm: Zestaw instrukcji lub reguł, których przestrzegają maszyny, aby rozwiązać problem lub wykonać zadanie.
2. Sztuczna inteligencja (AI): Symulacja procesów ludzkiej inteligencji przez maszyny, szczególnie systemy komputerowe, w celu wykonywania zadań, które zazwyczaj wymagają ludzkiej inteligencji, takich jak percepcja wzrokowa, rozpoznawanie mowy, podejmowanie decyzji i rozwiązywanie problemów.
3. Uczenie maszynowe (ML): Podzbiór sztucznej inteligencji (AI), który pozwala systemom komputerowym uczyć się i doskonalić na podstawie doświadczeń bez konieczności wyraźnego programowania. Algorytmy uczenia maszynowego (ML) umożliwiają maszynom rozpoznawanie wzorców, formułowanie przewidywań i poprawę wydajności w czasie.
4. Głęboka nauka: Specyficzna dziedzina uczenia maszynowego, która wykorzystuje wielowarstwowe sieci neuronowe do hierarchicznego przetwarzania danych i ekstrakcji złożonych cech. Jest szczególnie skuteczna w zadaniach takich jak rozpoznawanie obrazu i mowy.
5. Nauka federacyjna: Podejście, w którym wiele urządzeń lub serwerów współpracuje ze sobą w celu trenowania modelu, jednocześnie zapewniając rozproszenie i prywatność danych, często stosowane w przypadku urządzeń mobilnych.
6. Obliczenia kwantowe: Nowoczesne podejście do obliczeń wykorzystujące bity kwantowe (kubity) do wykonywania niektórych typów obliczeń znacznie szybciej niż klasyczne komputery.
7. Sieć neuronowa: Model obliczeniowy inspirowany strukturą i funkcją ludzkiego mózgu. Składa się z połączonych ze sobą węzłów (neuronów) zorganizowanych w warstwy w celu przetwarzania i transformacji danych.
8. Neuroewolucja: Technika łącząca sieci neuronowe z algorytmami ewolucyjnymi, stosowana do ewolucji architektur lub parametrów sieci neuronowych.
9. Duży model językowy (LLM): Model uczenia maszynowego trenowany na ogromnych ilościach danych z wykorzystaniem uczenia nadzorowanego w celu wygenerowania kolejnego tokena w danym kontekście, co pozwala na uzyskanie sensownych, kontekstowych odpowiedzi na dane wprowadzane przez użytkownika. „Duży” odnosi się do wykorzystania przez modele językowe rozbudowanych parametrów. Na przykład GPT-3 ma 175 miliardów parametrów, co czyni go jednym z najważniejszych modeli językowych dostępnych w momencie jego powstania.
10. Przetwarzanie języka naturalnego (NLP): Poddziedzina przetwarzania języka naturalnego skupiająca się na generowaniu tekstu zrozumiałego dla człowieka, często wykorzystywana w aplikacjach takich jak automatyczne tworzenie treści.
11. Wizja komputerowa: Dziedzina sztucznej inteligencji, która umożliwia maszynom interpretowanie i rozumienie informacji wizualnych ze świata zewnętrznego, takich jak obrazy i filmy.
12. Nauka zbrojenia: Rodzaj uczenia maszynowego, w którym agent uczy się podejmować decyzje poprzez interakcję z otoczeniem. Otrzymuje informacje zwrotne w postaci nagród lub kar, które pomagają mu doskonalić umiejętności podejmowania decyzji.
13. Nadzorowana nauka: Rodzaj uczenia maszynowego, w którym model jest trenowany na danych oznaczonych, co oznacza, że ​​dla każdego wejścia dostarczane są prawidłowe dane wyjściowe. Celem jest nauczenie modelu dokładnego mapowania informacji na prawidłowe wyniki.
14. Nauka nienadzorowana: Rodzaj uczenia maszynowego, w którym model jest trenowany na nieoznaczonych danych i musi znaleźć wzorce lub struktury w danych bez konkretnych wskazówek.
15. Uczenie się częściowo nadzorowane: Połączenie uczenia nadzorowanego i nienadzorowanego, w którym model jest trenowany na mieszance danych oznaczonych i nieoznaczonych.
16. Przenieś naukę: Technika, w której wstępnie wytrenowany model jest wykorzystywany jako punkt wyjścia do nowego zadania, co pozwala na szybsze i efektywniejsze szkolenie na ograniczonej liczbie danych.
17. Wykres wiedzy: Ustrukturyzowana reprezentacja wiedzy obejmująca byty, ich atrybuty i relacje, umożliwiająca zaawansowane wyszukiwanie informacji i wnioskowanie.
18. Sieć neuronowa splotowa (CNN): Typ sieci neuronowej zaprojektowany do przetwarzania danych siatkowych, takich jak obrazy. Sieci neuronowe są szczególnie skuteczne w zadaniach związanych z przetwarzaniem obrazu.
19. Rekurencyjna sieć neuronowa (RNN): Rodzaj sieci neuronowej dobrze nadający się do przetwarzania danych sekwencyjnych, takich jak tekst czy szeregi czasowe. Sieci neuronowe przechowują w pamięci dane wejściowe z przeszłości, aby efektywnie przetwarzać informacje sekwencyjne.
20. Generatywna sieć przeciwstawna (GAN): Typ architektury sieci neuronowej składającej się z dwóch sieci, generatora i dyskryminatora, które konkurują ze sobą w generowaniu realistycznych danych, takich jak obrazy lub dźwięki.
21. Błąd w sztucznej inteligencji: Odnosi się do obecności niesprawiedliwych lub dyskryminujących wyników w systemach sztucznej inteligencji, często wynikających z tendencyjnych danych szkoleniowych lub decyzji projektowych.
22. Etyka w AI: Branie pod uwagę zasad i wytycznych moralnych podczas opracowywania i wdrażania systemów AI w celu zapewnienia odpowiedzialnego ich wykorzystania i niewyrządzania szkody jednostkom ani społeczeństwu.
23. Wyjaśnialna sztuczna inteligencja (XAI): Koncepcja projektowania systemów AI, które potrafią dostarczać przejrzystych wyjaśnień swoich decyzji, umożliwiając ludziom zrozumienie powodów, dla których sztuczna inteligencja generuje takie wyniki.
24. Krawędziowa sztuczna inteligencja: Wdrażanie algorytmów sztucznej inteligencji (AI) bezpośrednio na urządzeniach brzegowych (np. smartfonach, urządzeniach IoT) zamiast polegać na przetwarzaniu w chmurze, co pozwala na szybsze i bardziej dbające o prywatność aplikacje AI.
25. Duże zbiory danych: Zbiory danych uważane za zbyt duże lub złożone do przetworzenia tradycyjnymi metodami. Polegają one na analizowaniu ogromnych zbiorów informacji w celu wydobycia cennych spostrzeżeń i wzorców, które usprawniają podejmowanie decyzji.
26. Internet rzeczy (IoT): Sieć połączonych ze sobą urządzeń wyposażonych w czujniki i oprogramowanie umożliwiające zbieranie i wymianę danych.
27. AIaaS (sztuczna inteligencja jako usługa): Dostarczanie narzędzi i usług AI za pośrednictwem chmury, umożliwiając firmom i deweloperom dostęp do możliwości AI i korzystanie z nich bez konieczności zarządzania podstawową infrastrukturą.
28. chatbot: Program komputerowy wykorzystujący przetwarzanie języka naturalnego i sztuczną inteligencję do symulowania rozmów z użytkownikami przypominających rozmowy prowadzone przez człowieka, stosowany zwykle w obsłudze klienta, asystentach wirtualnych i aplikacjach do przesyłania wiadomości.
29. Obliczenia kognitywne: Podzbiór sztucznej inteligencji, którego celem jest naśladowanie ludzkich zdolności poznawczych, takich jak uczenie się, rozumienie języka, rozumowanie i rozwiązywanie problemów.
30. Model sztucznej inteligencji: Matematyczna reprezentacja systemu sztucznej inteligencji (AI), który uczy się na podstawie danych uzyskanych w trakcie szkolenia i potrafi formułować przewidywania lub podejmować decyzje, gdy zostaną mu przedstawione nowe dane wejściowe.
31. Etykietowanie danych: Proces ręcznej adnotacji danych w celu wskazania prawidłowego wyniku dla zadań uczenia maszynowego pod nadzorem.
32. Łagodzenie stronniczości: Techniki i strategie stosowane w celu ograniczenia lub wyeliminowania stronniczości w systemach sztucznej inteligencji, zapewniające uczciwość i równe wyniki.
33. Hiperparametr: Parametry ustawiane przez użytkownika w celu kontrolowania zachowania i wydajności algorytmów uczenia maszynowego, takie jak szybkość uczenia się, liczba ukrytych warstw lub wielkość partii.
34. Dopasowanie: Stan uczenia maszynowego, w którym model działa wyjątkowo dobrze w oparciu o dane treningowe, ale nie potrafi uogólnić go na nowe, nieznane dane, ponieważ zapamiętuje zbiór treningowy, a nie uczy się wzorców.
35. Niedopasowanie: Sytuacja w uczeniu maszynowym, w której model nie potrafi uchwycić wzorców w danych treningowych i działa słabo zarówno w przypadku danych treningowych, jak i nowych, niewidzianych danych.
36. Wykrywanie anomalii: Proces identyfikacji wzorców danych, które nie odpowiadają oczekiwanemu zachowaniu, często wykorzystywany w wykrywaniu oszustw i cyberbezpieczeństwie.
37. Nauka zespołowa: Technika polegająca na łączeniu wielu modeli w celu utworzenia ostatecznej prognozy, często skutkująca lepszą ogólną wydajnością niż w przypadku stosowania pojedynczych modeli.
38. Przepływ Tensora: Otwarta biblioteka uczenia maszynowego opracowana przez Google, która stanowi strukturę do tworzenia i trenowania różnych typów sieci neuronowych.
39. PyTorch: Biblioteka uczenia maszynowego typu open source opracowana przez Facebooka, która cieszy się szczególną popularnością w kontekście głębokiego uczenia się i celów badawczych.
40. Agent uczenia się przez wzmacnianie: Jednostka ucząca się w systemie uczenia się przez wzmacnianie, która wchodzi w interakcje ze środowiskiem, otrzymuje nagrody i podejmuje decyzje w celu maksymalizacji skumulowanych nagród.
41. GPT (Generative Pre-trained Transformer): Rodzina modeli językowych na dużą skalę, znanych ze zdolności generowania tekstu zbliżonego do ludzkiego. GPT-3 to jedna z najbardziej znanych wersji, opracowana przez OpenAI.
42. Test Turinga: Test zaproponowany przez Alana Turinga w celu ustalenia, czy maszyna może wykazywać inteligentne zachowania nieodróżnialne od zachowań człowieka.
43. Osobliwość: Hipotetyczny moment w przyszłości, w którym sztuczna inteligencja i inteligencja maszyn przewyższą inteligencję człowieka, co doprowadzi do radykalnych zmian w społeczeństwie i technologii.
44. Inteligencja roju: Podejście oparte na sztucznej inteligencji inspirowane zbiorowym zachowaniem organizmów społecznych, takich jak mrówki czy pszczoły, w których poszczególni agenci współpracują ze sobą, aby rozwiązywać złożone problemy.
45. Robotyka: Dział sztucznej inteligencji i inżynierii zajmujący się projektowaniem, konstruowaniem i programowaniem robotów zdolnych do wykonywania zadań autonomicznie lub półautonomicznie.
46. Pojazdy autonomiczne: Samochody i pojazdy autonomiczne wykorzystujące sztuczną inteligencję, komputerowe widzenie i czujniki do nawigacji i działania bez ingerencji człowieka.
47. Rozpoznawanie twarzy: Technologia oparta na sztucznej inteligencji, służąca do identyfikacji i weryfikacji osób na podstawie rysów twarzy.
48. Analiza nastrojów: Proces wykorzystujący techniki przetwarzania języka naturalnego w celu określenia nastroju lub emocji wyrażonych w tekście, często stosowany w monitorowaniu mediów społecznościowych i analizie opinii klientów.
49. Uczenie się od zera: Rodzaj uczenia maszynowego, w którym model może wykonać zadanie, nie widząc żadnych przykładów tego zadania podczas szkolenia, wykorzystując ogólną wiedzę.
50. Jednorazowa nauka: Odmiana uczenia maszynowego, w której model jest trenowany na podstawie jednego lub kilku przykładów na klasę, a jego celem jest uczenie się na podstawie ograniczonych danych.
51. Samodzielne uczenie się: Podejście edukacyjne, w którym model generuje własny sygnał nadzorczy na podstawie danych wejściowych, często stosowane do wstępnego trenowania modeli na dużych, nieoznakowanych zbiorach danych.
52. Analiza szeregów czasowych: Techniki analizowania i prognozowania danych zbieranych w regularnych odstępach czasu, mające kluczowe znaczenie w takich dziedzinach jak finanse i nauki o środowisku.
53. Ataki przeciwnika: Techniki, w których złośliwe dane wejściowe mają na celu wprowadzenie w błąd modeli sztucznej inteligencji, często wykorzystywane do testowania odporności modeli na wyzwania świata rzeczywistego.
54. Rozszerzanie danych: Metoda służąca zwiększeniu różnorodności danych szkoleniowych poprzez stosowanie różnych transformacji, takich jak obroty, translacje i skalowanie.
55. Sieci bayesowskie: Modele graficzne przedstawiające probabilistyczne zależności pomiędzy zestawem zmiennych, stosowane do rozumowania w warunkach niepewności.
56. Dostrajanie hiperparametrów: Proces znajdowania optymalnych wartości hiperparametrów w celu osiągnięcia najlepszej wydajności modelu.