Adaptace domény
Metody, které přenášejí model trénovaný v jedné doméně k lepšímu výkonu v jiné doméně.
Free AI glossary
SlovníkAI
Plain-language definitions of the AI terms you keep hearing — for students, professionals, and anyone curious about how AI works.
213podmínkyA–ZVyhledávání + abecední filtr100%Jasné definice
A14 podmínky
Agent AI
Softwarový systém, který dokáže pozorovat, uvažovat a podnikat kroky k dosažení cíle, často pomocí nástrojů a paměti.
Agentická smyčka
Iterativní cyklus, kdy agent umělé inteligence pozoruje, plánuje, jedná a reflektuje, dokud nesplní cíl nebo nedosáhne podmínky zastavení.
Agentní pracovní postup
Vícestupňový proces, kdy systém umělé inteligence plánuje, provádí, kontroluje výsledky a iteruje směrem k cíli.
AGI (obecná umělá inteligence)
Hypotetický systém umělé inteligence, který může provádět většinu intelektuálních úkolů na lidské úrovni v mnoha oblastech.
Algoritmická transparentnost
Jak jasně jsou zdokumentovány a srozumitelné logika systému AI, zdroje dat a omezení.
Algoritmické zkreslení
Systematická nespravedlnost ve výstupech modelu způsobená zkreslenými daty, předpoklady nebo volbami modelování.
Algoritmus
Definovaná sada pravidel nebo kroků, kterými se počítač řídí, aby vyřešil problém nebo dokončil úkol.
ALiBi
Metoda pozičního zkreslení, která penalizuje skóre pozornosti na základě tokenové vzdálenosti a pomáhá modelům extrapolovat na delší kontexty.
Analýza sentimentu
Úkol NLP, který klasifikuje emocionální tón nebo názor v textu.
ANN (Přibližný nejbližší soused)
Algoritmy, které najdou vektory blízko dotazu bez vyčerpávajícího porovnávání, střídající přesnost za rychlost.
Anotace
Štítky nebo metadata přidaná člověkem k trénování nebo vyhodnocování modelů strojového učení.
API (Application Programming Interface)
Strukturovaný způsob, jak jeden softwarový systém posílat požadavky a přijímat odpovědi z jiného systému.
Autonomní systém
Systém, který může činit rozhodnutí a jednat s omezenou nebo žádnou přímou lidskou kontrolou v reálném čase.
B8 podmínky
Beam Search
Dekódovací algoritmus, který v každém kroku uchovává několik nejlepších kandidátských sekvencí, aby našel výstupy s vyšší pravděpodobností.
Benchmark
Standardizovaný test nebo soubor dat používaný k měření a porovnávání výkonu modelu.
Bezpečnost AI
Oblast zaměřená na snižování škodlivého chování, selhání a rizik zneužití v systémech umělé inteligence.
Bezpečnostní filtr
Vrstva moderování, která blokuje nebo přepisuje nebezpečné vstupy nebo výstupy modelu.
Bezpečnostní pouzdro
Strukturovaný argument podpořený důkazy, že systém umělé inteligence je bezpečný pro definovaný kontext použití.
Bi-Encoder
Model, který kóduje dotazy a dokumenty do samostatných vektorů, takže je lze rychle porovnávat v měřítku.
Blesková pozornost
Optimalizovaný algoritmus pozornosti, který snižuje využití paměti a urychluje trénování a vyvozování transformátorů.
BPE (Kódování bajtových párů)
Algoritmus tokenizace podslov, který spojuje nejčastější dvojice znaků do znovu použitelných tokenů.
C1 term
Citace
Odkazy na zdrojové pasáže nebo dokumenty zahrnuté v odpovědi modelu na podporu jeho tvrzení.
D10 podmínky
Dataset
Sbírka strukturovaných nebo nestrukturovaných příkladů používaných pro školení, ověřování nebo testování.
Datová linie
Záznam o tom, odkud data pocházejí, jak byla transformována a kde se používají.
Datový drift
Časový posun ve vstupních datech reálného světa, který může snížit výkon modelu.
Destilace
Komprese znalostí z velkého modelu učitele do menšího modelu studenta.
Destilace znalostí
Trénink menšího modelu, aby napodobil výstupy většího modelu.
Destilovaný model
Menší model trénovaný tak, aby napodoboval chování většího modelu při použití méně výpočtů při odvození.
Diagram znalostí
Grafová struktura entit a vztahů používaných k uvažování nebo vyhledávání.
Diferenciální soukromí
Technika ochrany soukromí, která přidává statistický šum, takže jednotlivé záznamy nelze z výstupů spolehlivě odvodit.
Difúzní model
Generativní architektura, která se učí zvrátit šum za účelem syntézy obrázků, zvuku nebo jiného obsahu.
DPO (přímá optimalizace preferencí)
Tréninková metoda, která dolaďuje modely přímo na preferenčních párech bez nutnosti samostatného modelu odměn.
E2 podmínky
Eval Harness
Opakovatelný hodnotící rámec, který spouští výzvy, datové sady a logiku bodování napříč verzemi modelu.
Extrakce funkcí
Převádění nezpracovaných dat na informativní funkce, které může model používat.
F6 podmínky
Fakturace podle použití
Ceny, kde se náklady škálují pomocí volání API, tokenů, doby odvození nebo spotřebovaného výpočtu.
Falešně negativní
Nesprávná předpověď, kdy modelu chybí skutečný pozitivní případ.
Falešně pozitivní
Nesprávná předpověď, kdy model nesprávně označí negativní případ jako pozitivní.
Feature Engineering
Navrhování nebo transformace vstupních proměnných, aby bylo učení jednodušší a efektivnější.
Frekvenční trest
Nastavení dekódování, které snižuje pravděpodobnost tokenů úměrně tomu, jak často se dosud objevovaly.
Funkce
Vstupní proměnná používaná modelem k vytváření předpovědí.
G5 podmínky
GAN (Generativní adversariální síť)
Generativní nastavení, kde generátor a diskriminátor trénují proti sobě.
Generativní AI
Systémy umělé inteligence, které vytvářejí nový obsah, jako je text, obrázky, zvuk, video nebo kód.
Gradient
Vektor ukazující, jak moc by se měl každý parametr změnit, aby se snížila ztráta.
Gradientní sestup
Optimalizační metoda, která aktualizuje parametry ve směru, který snižuje chyby.
GSM 8K
Srovnávací test slovních úloh z matematiky pro základní školy používaný k vyhodnocení postupného uvažování v jazykových modelech.
H10 podmínky
Halucinace
Když model generuje plynulé, ale nepravdivé nebo nepodporované informace.
Hlídané dekódování
Strategie generování, která omezuje výstupní tokeny na platné struktury nebo volby vyhovující zásadám.
Hluboké učení
Podmnožina strojového učení, která používá vícevrstvé neuronové sítě pro učení reprezentace.
Hmotnost
Naučená číselná hodnota, která škáluje signály procházející neuronovou sítí.
HNSW
Struktura indexu založená na grafu pro rychlé přibližné vyhledávání nejbližšího souseda přes vysokorozměrné vektory.
Hranice rozhodnutí
Povrch v prostoru prvků, který odděluje třídy předpovězené klasifikátorem.
Hranice znalostí
Poslední bod v čase, který se odráží v tréninkových datech modelu.
HumanEval
Srovnávací test problémů programování v Pythonu používaný k měření správnosti generování kódu pomocí jednotkových testů.
Hybridní vyhledávání
Přístup k vyhledávání, který kombinuje klíčové (lexikální) vyhledávání s vektorovým (sémantickým) vyhledáváním pro lepší zapamatování a přesnost.
Hyperparametr
Hodnota konfigurace nastavená před školením, jako je rychlost učení, velikost dávky nebo hloubka.
I1 term
Interval spolehlivosti
Statistický rozsah, který pravděpodobně obsahuje skutečnou hodnotu měřené metriky modelu.
J1 term
Jemné doladění
Pokračující školení o datech specifických pro doménu, aby bylo možné předem trénovaný model přizpůsobit konkrétnímu úkolu.
K15 podmínky
Kalibrace
Jak dobře skóre spolehlivosti modelu odpovídá skutečným pravděpodobnostem správnosti.
Kalibrace důvěry
Sladění uživatelské důvěry ve výstupy AI se skutečnou spolehlivostí systému v každém úkolu.
Kauzální závěr
Metody pro odhadování vztahů příčina-následek spíše než jednoduché korelace.
Klasifikace
Úloha, kde model přiřadí vstup jedné nebo více předdefinovaným kategoriím.
Klasifikace záměru
Předpovídání účelu uživatele z textového dotazu k jeho správnému směrování.
Klasifikátor
Model navržený speciálně pro klasifikační úlohy.
KLIP
Architektura multimodálního modelu, která se učí sdílené reprezentace mezi textem a obrázky.
Kodér
Komponenta modelu, která transformuje vstup na latentní reprezentace.
Koncový bod odvození
Nasazené rozhraní API, které přijímá požadavky na model a vrací předpovědi v produkci.
Kontextové okno
Maximální množství vstupních tokenů, které jazykový model dokáže zpracovat najednou.
Konvoluční neuronová síť (CNN)
Neuronová architektura optimalizovaná pro zpracování dat podobných mřížce, jako jsou obrázky.
Křížový kodér
Model, který hodnotí dotaz a dokument společně v jednom průchodu pro vysoce přesné posouzení relevance.
KV cache
Uložené tenzory klíčů a hodnot z předchozích tokenů, které umožňují transformátorům generovat nové tokeny bez přepočítávání minulé pozornosti.
Kvantování
Konverze modelových vah do formátů s nižší přesností, jako je 8bitový nebo 4bitový.
Kvantování modelu
Snížení numerické přesnosti modelových vah za účelem snížení nákladů na paměť a odvození.
L5 podmínky
Ladění instrukcí
Jemné doladění modelu na párech instrukce-odpověď pro zlepšení plnění úkolů.
Latence
Doba mezi odesláním požadavku a přijetím výstupu modelu.
Latentní prostor
Komprimovaný reprezentační prostor, kde jsou podobné koncepty umístěny blízko sebe jako vektory.
LLM jako soudce
Použití jazykového modelu k hodnocení nebo porovnání výstupů z jiných modelů během hodnocení.
LoRA (adaptace nízkého hodnocení)
Parametrově efektivní metoda jemného ladění, která přidává matice adaptérů nízké úrovně.
M15 podmínky
Malý jazykový model (SLM)
Kompaktní jazykový model optimalizovaný pro nižší latenci, náklady nebo použití na zařízení.
MCP (Model Context Protocol)
Otevřený protokol, který umožňuje aplikacím umělé inteligence připojit se k externím nástrojům, zdrojům dat a poskytovatelům kontextu standardním způsobem.
Mechanismus pozornosti
Komponenta modelu, která se při vytváření výstupu dynamicky zaměřuje na relevantní části vstupu.
Míra učení
Tréninkový hyperparametr, který řídí, jak moc se parametry mění v každém kroku aktualizace.
MMLU
Srovnávací testování jazykových modelů napříč 57 akademickými a odbornými předměty pomocí otázek s výběrem z více možností.
Model Black-Box
Model, jehož vnitřní uvažování je pro člověka obtížné přímo interpretovat.
Model Card
Dokumentace popisující zamýšlené použití modelu, metriky, omezení a rizika.
Model Drift
Snižování výkonu v průběhu času s tím, jak se podmínky v reálném světě liší od tréninkových předpokladů.
Model lidských preferencí
Model trénovaný na hodnocení lidí, aby mohl předvídat, jaké reakce budou uživatelé pravděpodobně preferovat.
Model nadace
Velký předtrénovaný model, který lze přizpůsobit mnoha následným úkolům.
Model odměny
Model, který hodnotí výstupy na základě preferenčních signálů, často používaný v potrubích RLHF.
Model s otevřeným zdrojem
Model uvolněný s veřejnými váhami nebo kódem pro kontrolu, přizpůsobení a opětovné použití.
Model vkládání
Model specializovaný na konverzi dat na vektory používané pro sémantické vyhledávání, shlukování a načítání.
Multi-Query Retrieval
Technika vyhledávání, která přepisuje uživatelský dotaz do několika variant, aby se zlepšilo vyvolání.
Multimodální model
Model, který dokáže zpracovat nebo generovat více typů dat, jako je text, obrázek a zvuk.
N4 podmínky
Nasazení stínů
Spuštění modelu souběžně s produkčním provozem bez ovlivnění rozhodování uživatele.
Neuronová síť
Vrstvený výpočtový model inspirovaný biologickými neurony a synapsemi.
Normalizace
Transformace hodnot na konzistentní měřítko pro zlepšení stability optimalizace.
Nulové uchovávání dat
Zásada, kdy datové části požadavku/odpovědi nejsou ukládány po zpracování mimo krátkodobá provozní okna.
O5 podmínky
Obchod s funkcemi
Spravovaný systém pro konzistentní ukládání a poskytování ověřených funkcí ML pro školení a vyvozování.
OCR (optické rozpoznávání znaků)
Technologie, která převádí text v obrázcích nebo skenech na strojově čitelný text.
Odvolání
Podíl skutečných pozitiv, které model správně identifikuje.
Opakování trestu
Nastavení dekódování, které snižuje pravděpodobnost tokenů, které již model vytvořil, aby se omezily smyčky.
Označování dat
Proces přiřazování značek nebo cílových výstupů k nezpracovaným datům pro učení pod dohledem.
P25 podmínky
Paměť (paměť agenta)
Uložený kontext, který agent AI používá v krocích nebo relacích ke zlepšení kontinuity.
Parametr
Naučená váha uvnitř modelu, která ovlivňuje jeho výstupy.
Parametrově efektivní jemné doladění (PEFT)
Metody, které přizpůsobují modely trénováním malé podmnožiny přidaných parametrů.
Pass@k
Metrika kódového hodnocení měřící šanci, že alespoň jeden z k generovaných vzorků projde testy.
Perplexity
Metrika jazykového modelu měřící, jak překvapený je model skutečnými dalšími tokeny.
Po tréninku
Školicí kroky aplikované po předběžném školení, jako je ladění instrukcí, optimalizace preferencí a ladění bezpečnosti.
Počítačové vidění
Větev umělé inteligence, která získává význam z obrázků a videa.
Počítejte
Zdroje zpracování potřebné k trénování a spuštění modelů, často měřené v hodinách FLOPS nebo GPU.
Posílení učení
Trénink pomocí signálů odměn, kdy se agent učí akce, které maximalizují dlouhodobou návratnost.
Posílení učení z lidské zpětné vazby (RLHF)
Tréninková metoda, která využívá signály lidských preferencí k formování chování modelu.
Posuvné okno Pozor
Vzor pozornosti, kde se každý token věnuje pouze oknu blízkých tokenů s pevnou velikostí, aby se snížil počet výpočtů.
Potrubí
Uspořádaný pracovní postup předzpracování, kroky modelu a fáze následného zpracování.
Použití nástroje
Schopnost modelu volat externí nástroje, jako je vyhledávání, kalkulačky nebo rozhraní API.
Pozemní pravda
Důvěryhodné referenční štítky používané k trénování nebo hodnocení výstupů modelu.
Poziční kódování
Informace přidané do vložení tokenů, aby transformátory mohly rozlišit pořadí sekvencí.
Předtrénink
Počáteční školení modelů ve velkém měřítku na širokých datech před následnou adaptací.
Přenos učení
Aplikace znalostí získaných v jednom úkolu nebo doméně ke zlepšení jiného úkolu.
Přesnost
Podíl předpokládaných pozitiv, které jsou skutečně správné.
Přesnost vyhledávání
Podíl načtených položek, které jsou relevantní pro dotaz uživatele.
Přetahování
Když si model zapamatuje trénovací data a na neviditelných vstupech funguje špatně.
Prompt Engineering
Návrh vybízí ke zlepšení kvality výstupu, spolehlivosti a ovladatelnosti.
Prompt Injection
Vzor útoku, kdy jsou škodlivé instrukce vkládány do modelových vstupů nebo načteného obsahu.
Prořezávání
Odstranění méně důležitých závaží modelu nebo neuronů pro snížení velikosti a výpočtu.
Provenience dat
Dokumentovaný původ, vlastnictví a historie datové sady nebo artefaktu modelu.
Průběžné učení
Tréninkové přístupy, které umožňují modelu neustále se učit z nových dat, aniž by zapomínal na předchozí znalosti.
Q1 term
QLoRA
Technika jemného ladění, která kombinuje 4bitovou kvantizaci hmotnosti s adaptéry LoRA pro snížení potřeby paměti.
R12 podmínky
RAG (generace rozšířeného vyhledávání)
Metoda, která získává externí znalosti a dodává je do generace v době odvození.
RAG-Fusion
Metoda vyhledávání, která generuje více variant dotazů, načítá výsledky pro každou z nich a spojuje hodnocení.
Reagovat
Vzor výzvy, který prokládá kroky uvažování s akcemi pomocí nástroje, aby se úkoly vyřešily spolehlivěji.
Red Teaming
Zátěžové testování systému AI s nepřátelskými výzvami k odhalení selhání a rizik.
Referenční únik
Jsou-li v tréninkových datech přítomny příklady srovnávacích testů nebo blízké varianty, dochází ke zvýšení vykazovaného výkonu.
Registr modelů
Centrální katalog pro verzování, schvalování a sledování modelů napříč prostředími.
Reranker
Model, který změní pořadí počáteční sady načtených výsledků tak, aby byly nejrelevantnější položky umístěny nahoře.
Robustnost
Schopnost modelu udržovat výkon pod hlukem, posuny nebo nepříznivými vstupy.
RoPE (Rotary Positional Embeddings)
Metoda pozičního kódování, která otáčí dotazovací a klíčové vektory za účelem kódování relativních pozic tokenů.
Rozhodovací strom
Model, který vytváří předpovědi prostřednictvím sekvence rozdělení prvků if-then.
Rozpoznávání pojmenované entity (NER)
Úloha NLP, která identifikuje entity, jako jsou lidé, místa, data nebo organizace.
Rozšíření dat
Techniky, které vytvářejí upravené tréninkové příklady pro zlepšení zobecnění modelu.
S16 podmínky
Sada hodnocení
Zadržená datová sada používaná k měření kvality modelu po školení.
Samokontrolované učení
Učení reprezentací z neoznačených dat předpovídáním maskovaných nebo transformovaných částí.
Sémantické vyhledávání
Vyhledávání, které odpovídá významu spíše než přesnému překrývání klíčových slov, často pomocí vkládání.
SentencePiece
Jazykově agnostický tokenizér, který se učí jednotky podslov přímo z nezpracovaného textu bez předběžného dělení na mezery.
Slabý dohled
Použití hlučných, heuristických nebo částečných štítků k trénování modelů, když jsou čisté štítky vzácné.
Směs odborníků (MŽP)
Architektura se specializovanými podsítěmi, kde na jeden vstup běží pouze vybraní experti.
Soubor
Kombinace předpovědí z více modelů pro zlepšení robustnosti nebo přesnosti.
Spekulativní dekódování
Metoda zrychlení inference, kdy malý koncept modelu navrhuje tokeny, které větší model ověřuje paralelně.
Správa AI
Zásady, standardy a mechanismy dohledu, které řídí vývoj a používání umělé inteligence ve společnosti.
Střední trénink
Střední tréninková fáze mezi předtréninkem a po tréninku, často používaná pro úpravy schopností nebo domény.
strojové učení (ML)
Metody, které umožňují systémům učit se vzory z dat a zlepšovat se v průběhu času.
Strom myšlenek
Uvažovací přístup, kdy model zkoumá více cest větvení řešení a vybírá ty nejslibnější.
Strukturovaný výstup
Výstup modelu omezený na definované schéma, jako je JSON, argumenty nástroje nebo typovaná pole.
Syntetická data
Uměle generovaná data používaná k rozšíření, simulaci nebo ochraně citlivých tréninkových dat.
Systém doporučení
Modelový kanál, který předpovídá preference uživatelů pro hodnocení obsahu nebo produktů.
Systémová výzva
Instrukce s vysokou prioritou, která nastavuje chování, politiku a styl odezvy pro model.
T7 podmínky
Teplota
Nastavení vzorkování kontrolující náhodnost generovaných výstupů.
Token
Část textu zpracovaná jazykovými modely, jako je slovo nebo symbol.
Tokenizace
Proces rozdělení textu na tokeny pro zadání modelu.
Top-k vzorkování
Strategie dekódování, která vzorkuje pouze z k nejpravděpodobnějších dalších tokenů.
Top-p (nukleus) odběr vzorků
Strategie dekódování, která vzorkuje z nejmenší sady tokenů, jejíž pravděpodobnosti jsou součtem p.
Transformátor
Neuronová architektura, která využívá pozornost k paralelnímu modelování vztahů napříč sekvencemi.
Trest za přítomnost
Nastavení dekódování, které snižuje pravděpodobnost, že se tokeny vůbec objevily, a podněcují nová témata.
U8 podmínky
Učení bez dozoru
Učení vzorů z neoznačených dat bez explicitních cílových výstupů.
Učení několika výstřelů
Naučit se nebo přizpůsobit chování pouze z malého počtu příkladů.
Učení pod dohledem
Trénink modelu s označenými příklady, které mapují vstupy na známé výstupy.
Učení s nulovým výstřelem
Řešení úkolů bez konkrétních příkladů na základě předchozích obecných znalostí.
Učení v kontextu
Schopnost modelu sledovat vzory z příkladů uvedených přímo ve výzvě.
umělá inteligence (AI)
Široká oblast budování systémů, které provádějí úkoly vyžadující rozpoznávání vzorů, uvažování, jazyk nebo rozhodování.
Umělá inteligence na zařízení
Odvozování AI se provádí lokálně na uživatelském hardwaru, nikoli ve vzdálené cloudové službě.
Uzemněnost
Míra, do jaké je odpověď AI podporována zdrojovými daty nebo získanými důkazy.
V21 podmínky
Validační sada
Datový soubor používaný během vývoje k vyladění modelů a zabránění nadměrnému přizpůsobení.
Věcnost
Jak přesně se tvrzení modelu shodují s ověřitelnými informacemi ze skutečného světa.
Vektorové databáze
Databáze optimalizovaná pro ukládání a dotazování vysokorozměrných vektorů pro vkládání.
Velká data
Velmi velké a složité datové sady, které vyžadují škálovatelné techniky ukládání a zpracování.
Velký jazykový model (LLM)
Jazykový model trénovaný na masivních textových korpusech pro generování a analýzu textu.
Vícehlavá pozornost
Mechanismus transformátoru, který paralelně spouští několik operací pozornosti k zachycení různých typů vztahů.
Vision-Language Model (VLM)
Multimodální model, který společně zpracovává vizuální a textové informace.
Vkládání
Číselná vektorová reprezentace, která zachycuje sémantický význam textu, obrázků nebo jiných dat.
Vkládání slov
Hustá vektorová reprezentace slov zachycující sémantické vztahy.
Vlastní hra
Tréninkové nastavení, kde se model zlepšuje generováním dat prostřednictvím interakcí nebo soutěží se svými kopiemi.
Vodoznak
Vložení detekovatelného signálu do textu nebo média generovaného umělou inteligencí, aby jej bylo možné později identifikovat jako strojově vyrobený.
Volání funkce
Schopnost modelu generovat strukturovaná volání, která spouštějí externí nástroje nebo rozhraní API.
Vyhlazování štítků
Metoda regularizace, která změkčuje tvrdé štítky pro zlepšení zobecnění.
Vyhledání rodičovského dokumentu
Vzor načítání, který prohledává malé části, ale vrací jejich větší nadřazené dokumenty pro bohatší kontext.
Výpočet inferenčního času
Množství výpočetního výkonu spotřebovaného při vytváření každé odpovědi.
Výpočet testovacího času
Další inferenční výpočet používaný během generování odezvy ke zlepšení kvality nebo uvažování.
Vyrovnávací daň
Dodatečné náklady na čas, výpočet nebo rychlost produktu potřebné k tomu, aby byly systémy bezpečnější a lépe ovladatelné.
Výstupní analyzátor
Logika, která ověřuje a převádí výstup modelu do silně typovaných, strojově použitelných struktur.
Vysvětlitelnost
Míra, do jaké lze chování modelu interpretovat a vysvětlit lidem.
Vyvození
Fáze běhu, kdy trénovaný model generuje předpovědi nebo výstupy.
Výzva
Vstupní instrukce a kontext poskytnuté generativnímu modelu.
X1 term
XAI (vysvětlitelná AI)
Techniky a postupy pro zprůhlednění a srozumitelnost předpovědí umělé inteligence.
Z14 podmínky
Zábradlí
Pravidla, kontroly a ovládací prvky, které omezují nebezpečné nebo nežádoucí chování modelu.
Základní model
Jednoduchý referenční model používaný k porovnání, zda složitější přístupy skutečně zlepšují výsledky.
Zákon o AI
Regulační rámec Evropské unie pro systémy a poskytovatele umělé inteligence založený na rizicích.
Zákon o škálování
Empirický vztah ukazující, jak se výkon zlepšuje s velikostí modelu, daty nebo výpočtem.
Zarovnání AI
Práce na tom, aby se systémy AI chovaly podle lidských záměrů, hodnot a bezpečnostních omezení.
Zaujatost
Konzistentní vzorec chyb nebo nespravedlivosti v chování dat nebo modelu.
Získávání
Vyhledání relevantních dokumentů nebo záznamů ze zdroje znalostí pro dotaz.
Znalostní báze
Spravovaná sbírka dokumentů nebo záznamů používaných pro vyhledávání, podporu automatizace nebo uzemňovací reakce.
Zobecnění
Jak dobře si model vede na nových, neviditelných datech mimo trénovací sadu.
Zpětná propagace
Základní trénovací algoritmus, který aktualizuje váhy modelu šířením chyb predikce zpět po síti.
Zpracování přirozeného jazyka (NLP)
Obor umělé inteligence se zaměřil na porozumění a generování lidského jazyka.
Ztráta křížové entropie
Běžná objektivní funkce používaná k trénování klasifikačních modelů penalizací nesprávných pravděpodobností.
Ztráta tréninku
Hodnota chyby modelu vypočítaná během tréninku a optimalizována směrem dolů v průběhu času.
Ztrátová funkce
Matematický cíl, který kvantifikuje chybu predikce během tréninku.
Ú2 podmínky
Ústavní AI
Tréninkový a behaviorální přístup, kde se výstupy modelu řídí pevně daným souborem písemných principů.
Útěk z vězení
Rychlá technika určená k obcházení bezpečnostních omezení modelu.
Č1 term
Člověk v slučce
Pracovní postup, kde lidé kontrolují, vedou nebo přepisují výstupy AI.
Ř2 podmínky
Řetězec myšlení
Styl uvažování, kdy model AI rozkládá problém na mezikroky.
Řídký model
Model, kde je mnoho parametrů nulových nebo neaktivních, aby se omezil výpočet.
Š1 term
Šablona výzvy
Opakovaně použitelný vzor výzvy s proměnnými, pravidly formátování a pokyny pro konkrétní úkoly.