AGI (общ изкуствен интелект)
Хипотетична AI система, която може да изпълнява повечето интелектуални задачи на човешко ниво в много области.
Основната техническа терминология е обяснена на най-високо ниво на яснота. Предназначен за изследователи, студенти и ориентирано към човека образование.
Показване 213 съвпадащи термини.
Хипотетична AI система, която може да изпълнява повечето интелектуални задачи на човешко ниво в много области.
Софтуерна система, която може да наблюдава, разсъждава и предприема действия за постигане на цел, често използвайки инструменти и памет.
Работата по карането на AI системите да се държат според човешките намерения, ценности и ограничения за безопасност.
Политики, стандарти и механизми за надзор, които ръководят как AI се разработва и използва в обществото.
Област, фокусирана върху намаляването на вредното поведение, отказите и рисковете от злоупотреба в системите с изкуствен интелект.
Дефиниран набор от правила или стъпки, които компютърът следва, за да разреши проблем или да изпълни задача.
Систематична несправедливост в резултатите от модела, причинена от изкривени данни, предположения или избор на моделиране.
Колко ясно са документирани и разбираеми логиката на една AI система, източниците на данни и ограниченията.
Добавени от човека етикети или метаданни, използвани за обучение или оценка на модели за машинно обучение.
Структуриран начин за една софтуерна система да изпраща заявки до и да получава отговори от друга система.
Широкото поле за изграждане на системи, които изпълняват задачи, изискващи разпознаване на модели, разсъждения, език или вземане на решения.
Компонент на модел, който динамично се фокусира върху съответните части на вход, когато създава изход.
Система, която може да взема решения и да действа с ограничен или никакъв пряк човешки контрол в реално време.
Основният алгоритъм за обучение, който актуализира теглата на модела чрез разпространение на грешките при прогнозиране назад през мрежата.
Прост референтен модел, използван за сравнение дали по-сложните подходи наистина подобряват резултатите.
Стандартизиран тест или набор от данни, използвани за измерване и сравняване на ефективността на модела.
Последователен модел на грешка или несправедливост в данните или поведението на модела.
Много големи и сложни набори от данни, които изискват мащабируеми техники за съхранение и обработка.
Модел, чието вътрешно разсъждение е трудно да се интерпретира директно от хората.
Колко добре резултатите за увереност на модела съвпадат с реалните вероятности за коректност.
Стил на разсъждение, при който AI модел разлага проблем на междинни стъпки.
Задача, при която модел присвоява вход към една или повече предварително дефинирани категории.
Модел, създаден специално за класификационни задачи.
Архитектура на мултимодален модел, която научава споделени представяния между текст и изображения.
Ресурсите за обработка, необходими за обучение и изпълнение на модели, често измервани във FLOPS или GPU часове.
Клонът на AI, който извлича смисъл от изображения и видео.
Максималното количество входни токени, които един езиков модел може да обработва наведнъж.
Подходи за обучение, които позволяват на модела да продължи да се учи от нови данни, без да забравя предишни знания.
Невронна архитектура, оптимизирана за обработка на мрежови данни, като изображения.
Обща целева функция, използвана за обучение на класификационни модели чрез санкциониране на неправилни вероятности.
Техники, които създават модифицирани примери за обучение за подобряване на обобщаването на модела.
Промяна във входните данни от реалния свят с течение на времето, която може да влоши производителността на модела.
Процесът на присвояване на етикети или целеви изходи на необработени данни за контролирано обучение.
Колекция от структурирани или неструктурирани примери, използвани за обучение, валидиране или тестване.
Повърхността в пространството на характеристиките, която разделя класовете, предвидени от класификатор.
Модел, който прави прогнози чрез поредица от разделяния на характеристиките ако-тогава.
Подмножество от машинно обучение, което използва многослойни невронни мрежи за представяне на обучение.
Генеративна архитектура, която се научава да обръща шума, за да синтезира изображения, аудио или друго съдържание.
Компресиране на знания от голям модел на учител в по-малък модел на ученик.
Методи, които прехвърлят модел, обучен в един домейн, за да се представя по-добре в друг домейн.
Числово векторно представяне, което улавя семантичното значение на текст, изображения или други данни.
Компонентът на модел, който трансформира входа в латентни представяния.
Комбиниране на прогнози от множество модели за подобряване на устойчивостта или точността.
Задържан набор от данни, използван за измерване на качеството на модела след обучение.
Степента, до която поведението на модела може да бъде интерпретирано и обяснено на хората.
Неправилна прогноза, при която модел пропуска истински положителен случай.
Неправилна прогноза, при която модел неправилно маркира отрицателен случай като положителен.
Входна променлива, използвана от модел за правене на прогнози.
Проектиране или трансформиране на входни променливи, за да направи ученето по-лесно и по-ефективно.
Преобразуване на необработени данни в информативни функции, които моделът може да използва.
Учене или адаптиране на поведение само от малък брой примери.
Продължаващо обучение върху специфични за домейн данни за адаптиране на предварително обучен модел към конкретна задача.
Голям предварително обучен модел, който може да се адаптира към много задачи надолу по веригата.
Възможност на модел за генериране на структурирани повиквания, които задействат външни инструменти или API.
Генеративна настройка, при която генератор и дискриминатор се тренират един срещу друг.
Колко добре се представя моделът върху нови, невиждани данни извън набора за обучение.
AI системи, които произвеждат ново съдържание като текст, изображения, аудио, видео или код.
Вектор, показващ колко трябва да се промени всеки параметър, за да се намалят загубите.
Метод за оптимизация, който актуализира параметрите в посока, която намалява грешката.
Доверени референтни етикети, използвани за обучение или оценка на изходните данни на модела.
Правила, проверки и контроли, които ограничават небезопасното или нежелано поведение на модела.
Когато модел генерира плавна, но невярна или неподдържана информация.
Работен процес, при който хората преглеждат, насочват или отменят изходите на AI.
Конфигурационна стойност, зададена преди обучението, като скорост на обучение, размер на партида или дълбочина.
Способността на модела да следва модели от примери, предоставени директно в подканата.
Фазата на изпълнение, при която обучен модел генерира прогнози или резултати.
Количеството процесорна мощност, изразходвана при генериране на всеки отговор.
Фина настройка на модел на двойки инструкция-отговор, за да се подобри изпълнението на задачата.
Предсказване на целта на потребителя от текстова заявка, за да я маршрутизира правилно.
Бърза техника, предназначена да заобиколи ограниченията за безопасност на модела.
Последният момент във времето, отразен в данните за обучение на модел.
Обучение на по-малък модел да имитира резултатите от по-голям модел.
Графична структура от обекти и връзки, използвани за разсъждение или извличане.
Метод за регулиране, който омекотява твърдите етикети, за да подобри обобщението.
Времето между изпращането на заявка и получаването на изхода на модела.
Езиков модел, обучен върху масивни текстови корпуси за генериране и анализиране на текст.
Хиперпараметър за обучение, контролиращ колко параметри се променят при всяка стъпка на актуализиране.
Параметрично ефективен метод за фина настройка, който добавя адаптерни матрици с нисък ранг.
Математическа цел, която количествено определя грешката при прогнозиране по време на обучение.
Методи, които позволяват на системите да научават модели от данни и да се подобряват с течение на времето.
Съхраненият контекст, който AI агент използва през стъпките или сесиите, за да подобри непрекъснатостта.
Архитектура със специализирани подмрежи, където само избрани експерти работят на вход.
Документация, описваща предвидената употреба на модела, показателите, ограниченията и рисковете.
Влошаване на производителността с течение на времето, тъй като условията в реалния свят се различават от допусканията за обучение.
Намаляване на числената точност на теглата на модела, за да се намалят разходите за памет и изводи.
Модел, който може да обработва или генерира множество типове данни като текст, изображение и аудио.
NLP задача, която идентифицира обекти като хора, места, дати или организации.
Клонът на AI се фокусира върху разбирането и генерирането на човешки език.
Слоест изчислителен модел, вдъхновен от биологични неврони и синапси.
Трансформиране на стойности в последователен мащаб за подобряване на стабилността на оптимизацията.
Технология, която преобразува текст в изображения или сканиране в машинно четим текст.
Модел, издаден с публични тегла или код за проверка, адаптиране и повторно използване.
Когато моделът запаметява данни за обучение и се представя лошо при невидими входни данни.
Научено тегло вътре в модел, което влияе на неговите резултати.
Методи, които адаптират модели чрез обучение на малък поднабор от добавени параметри.
Показател на езиков модел, измерващ колко изненадан е моделът от истинските следващи токени.
Подреден работен процес от предварителна обработка, стъпки на модела и етапи на последваща обработка.
Пропорцията на прогнозираните положителни резултати, които действително са правилни.
Първоначално обучение за широкомащабни модели върху широки данни преди адаптиране надолу по веригата.
Инструкциите за въвеждане и контекстът, предоставени на генериращ модел.
Проектиране на подкани за подобряване на качеството на изхода, надеждността и контролируемостта.
Модел на атака, при който злонамерени инструкции се вмъкват във входове на модела или извлечено съдържание.
Премахване на по-малко важни тегла на модела или неврони за намаляване на размера и изчисление.
Преобразуване на теглата на модела във формати с по-ниска точност, като 8-битов или 4-битов.
Метод, който извлича външно знание и го захранва за генериране по време на извод.
Пропорцията на действителните положителни резултати, които моделът идентифицира правилно.
Модел на конвейер, който предвижда потребителските предпочитания за класиране на съдържание или продукти.
Стрес тестване на AI система с противопоставящи се подкани за разкриване на неуспехи и рискове.
Обучение чрез сигнали за възнаграждение, при което агент научава действия, които максимизират дългосрочната възвръщаемост.
Метод на обучение, който използва сигнали за човешки предпочитания, за да оформи поведението на модела.
Намиране на подходящи документи или записи от източник на знания за заявка.
Модел, който оценява резултатите въз основа на сигнали за предпочитания, често използвани в RLHF тръбопроводи.
Способността на модела да поддържа производителност при шум, смени или противникови входове.
Слой за модериране, който блокира или пренаписва опасни входове или изходи на модела.
Емпирична връзка, показваща как производителността се подобрява с размера на модела, данните или изчисленията.
Търсене, което съответства на значението, а не точното припокриване на ключови думи, често използвайки вграждания.
Обучаване на представяния от немаркирани данни чрез предвиждане на маскирани или трансформирани части.
НЛП задача, която класифицира емоционалния тон или мнение в текста.
Компактен езиков модел, оптимизиран за по-ниска латентност, цена или използване на устройството.
Модел, при който много параметри са нула или неактивни, за да се намали изчислението.
Обучение на модел с обозначени примери, които картографират входове към известни изходи.
Изкуствено генерирани данни, използвани за увеличаване, симулиране или защита на чувствителни данни за обучение.
Инструкция с висок приоритет, която задава поведение, политика и стил на реакция за модел.
Настройка за вземане на проби, контролираща произволността в генерираните изходи.
Част от текст, обработен от езикови модели, като част от дума или символ.
Процесът на разделяне на текст на токени за въвеждане на модел.
Способността на модела да извиква външни инструменти като търсене, калкулатори или API.
Стратегия за декодиране, която взема проби само от k най-вероятните следващи токена.
Стратегия за декодиране, която взема проби от най-малкия набор от символи, чиято сума на вероятностите е p.
Прилагане на знания, научени в една задача или област, за подобряване на друга задача.
Невронна архитектура, която използва внимание, за да моделира паралелни връзки между последователности.
Стойността на грешката на модела, изчислена по време на обучение и оптимизирана надолу с времето.
Обучение на модели от немаркирани данни без изрични целеви изходи.
Набор от данни, използван по време на разработката за настройка на модели и предотвратяване на пренастройване.
База данни, оптимизирана за съхраняване и заявки за високоразмерни вектори за вграждане.
Мултимодален модел, който съвместно обработва визуална и текстова информация.
Използване на шумни, евристични или частични етикети за обучение на модели, когато чистите етикети са оскъдни.
Научена числова стойност, която мащабира сигнали, преминаващи през невронна мрежа.
Плътно векторно представяне на думи, улавящи семантични връзки.
Техники и практики за правене на AI прогнозите по-прозрачни и разбираеми.
Решаване на задачи без конкретни примери за задачи, като се разчита на предварителни общи познания.
Многоетапен процес, при който AI система планира, изпълнява, проверява резултатите и итерира към целта.
Основаната на риска регулаторна рамка на Европейския съюз за системи и доставчици на ИИ.
Допълнителните разходи във времето, изчисленията или скоростта на продукта, необходими, за да направят системите по-безопасни и по-контролируеми.
Когато в данните за обучение присъстват примери за сравнителен тест или близки варианти, завишаване на отчетената производителност.
Методи за оценка на причинно-следствените връзки, а не прости корелации.
Статистически диапазон, който вероятно съдържа истинската стойност на измерена метрика на модела.
Подход за обучение и формиране на поведение, при който резултатите от модела се ръководят от фиксиран набор от писмени принципи.
Запис на това откъде идват данните, как са били трансформирани и къде се използват.
Документираният произход, собственост и история на набор от данни или модел на артефакт.
Техника за поверителност, която добавя статистически шум, така че отделните записи не могат да бъдат надеждно изведени от резултатите.
По-малък модел, обучен да имитира поведението на по-голям модел, като същевременно използва по-малко изчисления при извод.
Модел, специализиран за конвертиране на данни във вектори, използвани за семантично търсене, групиране и извличане.
Повтаряща се рамка за оценка, която изпълнява подкани, набори от данни и логика за оценяване във версиите на модела.
Управлявана система за съхраняване и обслужване на валидирани ML функции последователно за обучение и изводи.
Степента, до която отговорът на AI се подкрепя от изходни данни или извлечени доказателства.
Стратегия за генериране, която ограничава изходните токени до валидни структури или съвместими с правилата избори.
Модел, обучен на човешки класации, за да предвиди кои отговори потребителите вероятно ще предпочетат.
Разгърнат API интерфейс, който получава заявки за модели и връща прогнози в производството.
Подбрана колекция от документи или записи, използвани за извличане, автоматизация на поддръжката или заземяване на отговори.
Компресирано репрезентативно пространство, където подобни концепции са разположени една до друга като вектори.
Централен каталог за версии, одобряване и проследяване на модели в различни среди.
AI извод, извършен локално на потребителски хардуер, а не в отдалечена облачна услуга.
Логика, която валидира и преобразува изхода на модела в строго типизирани, машинно използваеми структури.
Повторно използваем модел на подкана с променливи, правила за форматиране и инструкции за специфични задачи.
Пропорцията на извлечените елементи, които са подходящи за заявката на потребителя.
Структуриран аргумент, подкрепен от доказателства, че една AI система е безопасна за определен контекст на употреба.
Изпълнение на модел паралелно с производствения трафик, без да се засягат решенията, които са изправени пред потребителите.
Изходът на модела е ограничен до дефинирана схема като JSON, аргументи на инструмента или въведени полета.
Допълнителни изчисления за изводи, използвани по време на генериране на отговор за подобряване на качеството или разсъжденията.
Изравняване на доверието на потребителите в резултатите от AI с действителната надеждност на системата при всяка задача.
Ценообразуване, при което разходите се мащабират с извиквания на API, токени, време за извод или изразходвани изчисления.
Политика, при която полезните данни за заявка/отговор не се съхраняват след обработка извън краткотрайните оперативни прозорци.
Метод за ускоряване на извода, при който малък чернови модел предлага токени, които по-голям модел проверява паралелно.
Съхранени тензори на ключове и стойности от предишни токени, които позволяват на трансформаторите да генерират нови токени, без да преизчисляват миналото внимание.
Отворен протокол, който позволява на AI приложенията да се свързват с външни инструменти, източници на данни и доставчици на контекст по стандартен начин.
Итеративен цикъл, при който AI агент наблюдава, планира, действа и отразява, докато не изпълни цел или достигне условие за спиране.
Подканящ модел, който преплита стъпките на разсъждение с действията за използване на инструменти за по-надеждно решаване на задачи.
Подход на разсъждение, при който моделът изследва множество пътища за разклоняване на решения и избира най-обещаващите.
Метод на обучение, който прецизира моделите директно върху двойки предпочитания, без да е необходим отделен модел на възнаграждение.
Техника за фина настройка, която комбинира 4-битово квантуване на теглото с LoRA адаптери за намаляване на нуждите от памет.
Оптимизиран алгоритъм за внимание, който намалява използването на паметта и ускорява обучението на трансформатора и изводите.
Трансформиращ механизъм, който изпълнява няколко операции на вниманието паралелно, за да улови различни типове взаимоотношения.
Информация, добавена към вграждането на токени, така че трансформаторите да могат да разграничат реда на последователността.
Метод на позиционно кодиране, който завърта заявка и ключови вектори, за да кодира относителни позиции на токени.
Метод на позиционно отклонение, който наказва оценките за внимание въз основа на символично разстояние, като помага на моделите да екстраполират към по-дълги контексти.
Модел на внимание, при който всеки токен обръща внимание само на прозорец с фиксиран размер от близки токени, за да намали изчисленията.
Алгоритъм за токенизиране на поддуми, който обединява най-честите двойки знаци в токени за многократна употреба.
Езиково-агностичен токенизатор, който научава единици поддуми директно от необработен текст без предварително разделяне на интервали.
Алгоритми, които намират вектори, близки до заявка, без изчерпателно сравнение, разменяйки точност за скорост.
Индексна структура, базирана на графики, за бързо приблизително търсене на най-близкия съсед върху вектори с висока размерност.
Модел, който пренарежда първоначален набор от извлечени резултати, за да постави най-подходящите елементи в горната част.
Подход за извличане, който комбинира търсене по ключови думи (лексикално) с векторно (семантично) търсене за по-добро запомняне и прецизност.
Модел, който оценява заявка и документ заедно с едно преминаване за преценки за уместност с висока точност.
Модел, който кодира заявки и документи в отделни вектори, така че да могат да се сравняват бързо в мащаб.
Използване на езиков модел за оценяване или сравняване на резултати от други модели по време на оценка.
Показател за оценка на кода, измерващ шанса поне една от k генерирани проби да премине тестовете.
Бенчмарк тестване на езикови модели в 57 академични и професионални предмета с помощта на въпроси с множествен избор.
Еталон на проблеми с програмирането на Python, използвани за измерване на коректността на генериране на код чрез тестове на единици.
Еталон на текстови задачи по математика в началното училище, използвани за оценка на разсъждение стъпка по стъпка в езикови модели.
Колко точно твърденията на даден модел съвпадат с проверима информация от реалния свят.
Препратки към изходни пасажи или документи, включени в отговора на модела в подкрепа на неговите твърдения.
Вграждане на откриваем сигнал в генериран от AI текст или медия, така че по-късно да може да бъде идентифициран като машинно произведен.
Междинна фаза на обучение между предварително и след обучение, често използвана за корекции на способности или домейн.
Стъпки на обучение, приложени след предварително обучение, като настройка на инструкциите, оптимизиране на предпочитанията и настройка на безопасността.
Обучителна настройка, при която моделът се подобрява чрез генериране на данни чрез взаимодействия или състезания със свои копия.
Метод за извличане, който генерира множество варианти на заявка, извлича резултати за всяка и обединява класирането.
Техника за извличане, която пренаписва потребителската заявка в няколко варианта, за да подобри запомнянето.
Модел за извличане, който търси малки парчета, но връща техните по-големи родителски документи за по-богат контекст.
Алгоритъм за декодиране, който запазва първите няколко кандидат последователности на всяка стъпка, за да намери изходни данни с по-висока вероятност.
Настройка за декодиране, която намалява вероятността от токени, които моделът вече е произвел, за да се намалят циклите.
Настройка за декодиране, която намалява вероятността за токени пропорционално на това колко често са се появявали досега.
Настройка за декодиране, която намалява вероятността токените да са се появили изобщо, насърчавайки нови теми.