Glosariusz żargonu AI: 29 terminów AI, które powinieneś znać

Odkrywanie sztucznej inteligencji (AI) może przypominać wchodzenie w labirynt mylących terminów technicznych i bezsensownego żargonu. Nic dziwnego, że nawet ci, którzy znają sztuczną inteligencję, mogą drapać się po głowach w dezorientacji.

Mając to na uwadze, stworzyliśmy obszerny glosariusz AI, który zapewni Ci niezbędną wiedzę. Od samej sztucznej inteligencji po uczenie maszynowe i eksplorację danych — rozszyfrujemy wszystkie podstawowe terminy związane ze sztuczną inteligencją prostym językiem.

Niezależnie od tego, czy jesteś ciekawskim początkującym, czy entuzjastą sztucznej inteligencji, zrozumienie następujących koncepcji sztucznej inteligencji przybliży cię do odblokowania mocy sztucznej inteligencji.

1. Algorytm

Algorytm to zestaw instrukcji lub reguł, których przestrzegają maszyny, aby rozwiązać problem lub wykonać zadanie.

2. Sztuczna inteligencja

Sztuczna inteligencja to zdolność maszyn do naśladowania ludzkiej inteligencji i wykonywania zadań powszechnie kojarzonych z inteligentnymi istotami.

3. Sztuczna inteligencja ogólna (AGI)

AGI, zwana także silną sztuczną inteligencją, to rodzaj sztucznej inteligencji, który posiada zaawansowane zdolności wywiadowcze podobne do ludzi. Chwila sztuczna inteligencja ogólna kiedyś była przede wszystkim koncepcją teoretyczną i bogatym polem do badań, wielu twórców sztucznej inteligencji wierzy teraz, że ludzkość osiągnie AGI kiedyś w następnej dekadzie.,

4. Propagacja wsteczna

Propagacja wsteczna to algorytm używany przez sieci neuronowe w celu poprawy ich dokładności i wydajności. Działa poprzez obliczanie błędu na wyjściu, propagowanie go z powrotem przez sieć oraz dostosowywanie wag i odchyleń połączeń w celu uzyskania lepszych wyników.

5. Stronniczość

stronniczość AI odnosi się do tendencji modelu do dokonywania pewnych prognoz częściej niż innych. Odchylenie może być spowodowane danymi treningowymi modelu lub jego nieodłącznymi założeniami.

6. duże dane

Big data to termin opisujący zbiory danych, które są zbyt duże lub zbyt złożone, aby przetwarzać je tradycyjnymi metodami. Obejmuje analizę ogromnych zbiorów informacji w celu wydobycia cennych spostrzeżeń i wzorców w celu usprawnienia procesu decyzyjnego.

7. Chatbot

Chatbot to program, który może symulować rozmowy z użytkownikami za pomocą poleceń tekstowych lub głosowych. Chatboty mogą rozumieć i generować odpowiedzi podobne do ludzkich, co czyni je potężnym narzędziem dla aplikacji obsługi klienta.

8. Obliczenia kognitywne

Obliczenia kognitywne to dziedzina sztucznej inteligencji skupiająca się na opracowywaniu systemów naśladujących ludzkie zdolności poznawcze, takie jak percepcja, uczenie się, rozumowanie i rozwiązywanie problemów.

9. Teoria uczenia się komputerowego

Gałąź sztucznej inteligencji zajmująca się badaniem algorytmów i modeli matematycznych uczenia maszynowego. Koncentruje się na teoretycznych podstawach uczenia się, aby zrozumieć, w jaki sposób maszyny mogą zdobywać wiedzę, przewidywać i poprawiać swoją wydajność.

10. Wizja komputerowa

Wizja komputerowa odnosi się do zdolności maszyn do wydobywania informacji wizualnych z cyfrowych obrazów i filmów. Algorytmy widzenia komputerowego są szeroko stosowane w aplikacjach takich jak wykrywanie obiektów, rozpoznawanie twarzy, obrazowanie medyczne i pojazdy autonomiczne.

11. Eksploracja danych

Eksploracja danych to proces pozyskiwania cennej wiedzy z dużych zbiorów danych. Wykorzystuje analizę statystyczną i techniki uczenia maszynowego do identyfikowania wzorców, relacji i trendów w danych w celu usprawnienia procesu decyzyjnego.

12. Nauka o danych

Nauka o danych obejmuje wydobywanie spostrzeżeń z danych przy użyciu metod naukowych, algorytmów i systemów. Jest bardziej wszechstronna niż eksploracja danych i obejmuje szeroki zakres działań, w tym gromadzenie danych, wizualizację danych i modelowanie predykcyjne w celu rozwiązywania złożonych problemów.

13. Głęboka nauka

Głębokie uczenie się to gałąź sztucznej inteligencji, która wykorzystuje sztuczne sieci neuronowe z wieloma warstwami (połączonymi ze sobą węzłami w sieci neuronowej) do uczenia się z ogromnych ilości danych. Umożliwia maszynom wykonywanie złożonych zadań, takich jak np przetwarzanie języka naturalnego, rozpoznawanie obrazu i mowy.

14. Generatywna sztuczna inteligencja

Generatywna sztuczna inteligencja opisuje systemy i algorytmy sztucznej inteligencji, które mogą tworzyć tekst, dźwięk, wideo i symulacje. Te systemy sztucznej inteligencji uczą się wzorców i przykładów z istniejących danych i wykorzystują tę wiedzę do tworzenia nowych i oryginalnych wyników.

15. Halucynacja

Halucynacja AI odnosi się do przypadków, w których model daje faktycznie niepoprawne, nieistotne lub bezsensowne wyniki. Może się tak zdarzyć z kilku powodów, w tym braku kontekstu, ograniczeń danych szkoleniowych lub architektury.

16. Hiperparametry

Hiperparametry to ustawienia określające, w jaki sposób algorytm lub model uczenia maszynowego uczy się i zachowuje. Hiperparametry obejmują szybkość uczenia się, siłę regularyzacji i liczbę ukrytych warstw w sieci. Możesz majstrować przy tych parametrach, aby dostosować wydajność modelu do swoich potrzeb.

17. Model dużego języka (LLM)

LLM to model uczenia maszynowego przeszkolony na ogromnych ilościach danych i wykorzystuje nadzorowane uczenie się do tworzenia następnego tokena w danym kontekście w celu uzyskania znaczących, kontekstowych odpowiedzi na dane wejściowe użytkownika. Słowo „duży” wskazuje na użycie przez model językowy rozbudowanych parametrów. Na przykład, Modele GPT wykorzystują setki miliardów parametrów do wykonywania szerokiego zakresu zadań NLP.

18. Nauczanie maszynowe

Nauczanie maszynowe to sposób, w jaki maszyny uczą się i dokonują prognoz bez wyraźnego programowania. To tak, jakby zasilać komputer danymi i umożliwiać mu podejmowanie decyzji lub prognozowanie poprzez identyfikowanie wzorców w danych.

19. Sieć neuronowa

Sieć neuronowa to model obliczeniowy inspirowany ludzkim mózgiem. Składa się z połączonych ze sobą węzłów lub neuronów, zorganizowanych w warstwy. Każdy neuron otrzymuje dane wejściowe od innych neuronów w sieci, co pozwala mu uczyć się wzorców i podejmować decyzje. Sieci neuronowe są kluczowym elementem modeli uczenia maszynowego, który umożliwia im doskonalenie się w szerokim zakresie zadań.

20. Generowanie języka naturalnego (NLG)

Generowanie języka naturalnego zajmuje się tworzeniem tekstu czytelnego dla człowieka z danych strukturalnych. NLG znajduje zastosowanie w tworzeniu treści, chatbotach i asystentach głosowych.

21. Przetwarzanie języka naturalnego (NLP)

Przetwarzanie języka naturalnego to zdolność maszyn do interpretowania, rozumienia i reagowania na tekst lub mowę czytelną dla człowieka. Jest używany w różnych aplikacjach, w tym do analizy tonacji, klasyfikacji tekstu i odpowiadania na pytania.

22. OpenAI

OpenAI to laboratorium badawcze sztucznej inteligencji, założone w 2015 roku z siedzibą w San Francisco w USA. Firma opracowuje i wdraża narzędzia sztucznej inteligencji, które mogą wydawać się równie inteligentne jak ludzie. Najbardziej znany produkt OpenAI, ChatGPT, został wydany w listopadzie 2022 roku i jest uznawany za najbardziej zaawansowanego chatbota ze względu na jego zdolność do udzielania odpowiedzi na szeroki zakres tematów.

23. Rozpoznawanie wzorców

Rozpoznawanie wzorców to zdolność systemu sztucznej inteligencji do identyfikowania i interpretowania wzorców w danych. Algorytmy rozpoznawania wzorców znajdują zastosowanie w rozpoznawaniu twarzy, wykrywaniu oszustw i rozpoznawaniu mowy.

24. Powtarzająca się sieć neuronowa (RNN)

Rodzaj sieci neuronowej, która może przetwarzać dane sekwencyjne za pomocą połączeń sprzężenia zwrotnego. RNN mogą zachować pamięć poprzednich danych wejściowych i są odpowiednie do zadań takich jak NLP i tłumaczenie maszynowe.

25. Uczenie się ze wzmocnieniem

Uczenie się przez wzmacnianie to technika uczenia maszynowego, w której agent AI uczy się podejmować decyzje poprzez interakcje metodą prób i błędów. Agent otrzymuje nagrody lub kary od algorytmu opartego na jego działaniach, kierując go w celu poprawy jego wydajności w czasie.

26. Nadzorowana nauka

Metoda uczenia maszynowego, w której model jest szkolony przy użyciu danych z etykietami z pożądanymi danymi wyjściowymi. Model uogólnia na podstawie oznaczonych danych i dokonuje dokładnych prognoz na podstawie nowych danych.

27. Tokenizacja

Tokenizacja to proces dzielenia dokumentu tekstowego na mniejsze jednostki zwane tokenami. Te tokeny mogą reprezentować słowa, liczby, frazy, symbole lub dowolne elementy tekstu, z którymi może pracować program. Celem tokenizacji jest maksymalne wykorzystanie nieustrukturyzowanych danych bez przetwarzania całego tekstu jako pojedynczego ciągu znaków, co jest nieefektywne obliczeniowo i trudne do modelowania.

28. Test Turinga

Ten test, wprowadzony przez Alana Turinga w 1950 r., ocenia zdolność maszyny do wykazywania inteligencji nie do odróżnienia od inteligencji człowieka. The Test Turinga obejmuje interakcję ludzkiego sędziego z człowiekiem i maszyną, nie wiedząc, który jest który. Jeśli sędzia nie odróżni maszyny od człowieka, uznaje się, że maszyna przeszła pomyślnie test.

29. Uczenie się bez nadzoru

Metoda uczenia maszynowego, w której model wyciąga wnioski z nieoznakowanych zestawów danych. Odkrywa wzorce w danych, aby przewidywać niewidoczne dane.

Obejmując język sztucznej inteligencji

Sztuczna inteligencja to szybko rozwijająca się dziedzina zmieniająca sposób interakcji z technologią. Jednak przy tak wielu nowych, ciągle pojawiających się modnych słowach, nadążanie za najnowszymi osiągnięciami w tej dziedzinie może być trudne.

Chociaż niektóre terminy mogą wydawać się abstrakcyjne bez kontekstu, ich znaczenie staje się jasne, gdy połączymy je z podstawowym zrozumieniem uczenia maszynowego. Zrozumienie tych terminów i koncepcji może położyć potężną podstawę, która umożliwi podejmowanie świadomych decyzji w dziedzinie sztucznej inteligencji.