Adaptacja domeny
Metody, które przenoszą model wyszkolony w jednej domenie, aby działał lepiej w innej domenie.
Free AI glossary
GlosariuszAI
Plain-language definitions of the AI terms you keep hearing — for students, professionals, and anyone curious about how AI works.
213warunkiA–ZWyszukiwanie + filtr alfabetyczny100%Definicje w prostym języku
A10 warunki
Adnotacja
Etykiety lub metadane dodane przez człowieka używane do uczenia lub oceniania modeli uczenia maszynowego.
Agent AI
System oprogramowania, który potrafi obserwować, rozumować i podejmować działania, aby osiągnąć cel, często przy użyciu narzędzi i pamięci.
Agentyczny przepływ pracy
Wieloetapowy proces, podczas którego system sztucznej inteligencji planuje, wykonuje, sprawdza wyniki i iteruje w stronę celu.
AGI (sztuczna inteligencja ogólna)
Hipotetyczny system sztucznej inteligencji, który może wykonywać większość zadań intelektualnych na poziomie człowieka w wielu dziedzinach.
Algorytm
Zdefiniowany zestaw reguł lub kroków, które wykonuje komputer, aby rozwiązać problem lub wykonać zadanie.
Alibi
Metoda błędu pozycyjnego, która penalizuje wyniki uwagi na podstawie odległości symbolicznej, pomagając modelom ekstrapolować na dłuższe konteksty.
Analiza sentymentów
Zadanie NLP, które klasyfikuje ton emocjonalny lub opinię w tekście.
ANN (przybliżony najbliższy sąsiad)
Algorytmy, które znajdują wektory blisko zapytania bez wyczerpującego porównania, zamieniając dokładność na szybkość.
API (interfejs programowania aplikacji)
Ustrukturyzowany sposób wysyłania żądań przez jeden system oprogramowania i otrzymywania odpowiedzi z innego systemu.
B7 warunki
Baza danych wektorowych
Baza danych zoptymalizowana do przechowywania i wykonywania zapytań o wielowymiarowe wektory osadzania.
Baza wiedzy
Wyselekcjonowany zbiór dokumentów lub zapisów używanych do wyszukiwania, automatyzacji wsparcia lub odpowiedzi uziemiających.
Bezpieczeństwo AI
Dziedzina skupiająca się na ograniczaniu szkodliwych zachowań, awarii i ryzyka niewłaściwego użycia w systemach AI.
Bi-enkoder
Model, który koduje zapytania i dokumenty w osobne wektory, dzięki czemu można je szybko porównywać na dużą skalę.
Błąd algorytmiczny
Systematyczna niesprawiedliwość wyników modelu spowodowana wypaczonymi danymi, założeniami lub wyborami dotyczącymi modelowania.
Błyskawiczna uwaga
Zoptymalizowany algorytm uwagi, który zmniejsza zużycie pamięci i przyspiesza uczenie i wnioskowanie transformatora.
BPE (kodowanie par bajtów)
Algorytm tokenizacji podsłów, który łączy najczęstsze pary znaków w tokeny wielokrotnego użytku.
C3 warunki
Ciągła nauka
Podejścia szkoleniowe, które pozwalają modelowi uczyć się na nowych danych, nie zapominając o wcześniejszej wiedzy.
Cytaty
Odniesienia do fragmentów źródłowych lub dokumentów zawartych w odpowiedzi modelki na poparcie jej twierdzeń.
Człowiek w pętli
Przepływ pracy, w którym ludzie przeglądają, kierują lub zastępują wyniki AI.
D13 warunki
Dane syntetyczne
Sztucznie wygenerowane dane wykorzystywane do wzmacniania, symulowania lub ochrony wrażliwych danych szkoleniowych.
Dekodowanie spekulatywne
Metoda przyspieszania wnioskowania, w której model o małej wersji roboczej proponuje tokeny, które większy model weryfikuje równolegle.
Destylacja
Kompresja wiedzy z modelu dużego nauczyciela do modelu mniejszego ucznia.
Destylacja wiedzy
Trenowanie mniejszego modelu w celu imitowania wyników większego modelu.
Destylowany model
Mniejszy model wyszkolony do naśladowania zachowania większego modelu przy mniejszym wykorzystaniu mocy obliczeniowej przy wnioskowaniu.
Dostrajanie
Kontynuowanie szkolenia na danych specyficznych dla domeny w celu dostosowania wstępnie wyszkolonego modelu do konkretnego zadania.
Dostrajanie efektywne pod względem parametrów (PEFT)
Metody dostosowujące modele poprzez uczenie małego podzbioru dodanych parametrów.
DPO (bezpośrednia optymalizacja preferencji)
Metoda uczenia, która dostraja modele bezpośrednio na parach preferencji, bez konieczności stosowania osobnego modelu nagrody.
Dryf danych
Zmiana rzeczywistych danych wejściowych w czasie, która może obniżyć wydajność modelu.
Dryf modelu
Spadek wydajności z biegiem czasu, gdy warunki rzeczywiste odbiegają od założeń szkoleniowych.
Drzewo decyzyjne
Model, który dokonuje prognoz na podstawie sekwencji podziałów funkcji „jeśli-to”.
Drzewo Myśli
Podejście oparte na wnioskowaniu, w którym model bada wiele rozgałęzionych ścieżek rozwiązań i wybiera te najbardziej obiecujące.
Duże dane
Bardzo duże i złożone zbiory danych, które wymagają skalowalnych technik przechowywania i przetwarzania.
E2 warunki
Ekstrakcja cech
Konwertowanie surowych danych na funkcje informacyjne, z których może korzystać model.
Etykietowanie danych
Proces przypisywania znaczników lub docelowych wyników do surowych danych w celu uczenia się pod nadzorem.
F6 warunki
Fałszywie negatywny
Nieprawidłowa prognoza, w przypadku której model pomija prawdziwie pozytywny przypadek.
Fałszywie pozytywny
Nieprawidłowa prognoza, gdy model błędnie oznacza przypadek negatywny jako pozytywny.
Filtr bezpieczeństwa
Warstwa moderacji, która blokuje lub przepisuje niebezpieczne dane wejściowe lub wyjściowe modelu.
Fragment zdania
Tokenizator niezależny od języka, który uczy się jednostek podsłów bezpośrednio z nieprzetworzonego tekstu bez wstępnego dzielenia na białe znaki.
Funkcja
Zmienna wejściowa używana przez model do tworzenia prognoz.
Funkcja straty
Cel matematyczny, który określa ilościowo błąd przewidywania podczas uczenia.
G7 warunki
GAN (generatywna sieć kontradyktoryjna)
Układ generatywny, w którym generator i dyskryminator trenują przeciwko sobie.
Generatywna AI
Systemy sztucznej inteligencji, które tworzą nową treść, taką jak tekst, obrazy, dźwięk, wideo lub kod.
Głębokie uczenie się
Podzbiór uczenia maszynowego wykorzystujący wielowarstwowe sieci neuronowe do uczenia się poprzez reprezentację.
Gradientowe
Wektor pokazujący, jak bardzo powinien zmienić się każdy parametr, aby zmniejszyć straty.
Graf wiedzy
Struktura wykresu jednostek i relacji używana do wnioskowania lub wyszukiwania.
Granica decyzji
Powierzchnia w przestrzeni cech oddzielająca klasy przewidywane przez klasyfikator.
GSM8K
Test porównawczy problemów tekstowych z matematyki w szkole podstawowej, używany do oceny rozumowania krok po kroku w modelach językowych.
H4 warunki
Halucynacja
Kiedy model generuje płynne, ale fałszywe lub nieobsługiwane informacje.
Hiperparametr
Wartość konfiguracji ustawiona przed szkoleniem, taka jak szybkość uczenia się, rozmiar partii lub głębokość.
HNSW
Struktura indeksu oparta na grafach do szybkiego przybliżonego wyszukiwania najbliższego sąsiada na wektorach wielowymiarowych.
HumanEval
Test porównawczy problemów programistycznych w języku Python używany do pomiaru poprawności generowania kodu za pomocą testów jednostkowych.
I2 warunki
Instrukcja strojenia
Dostrajanie modelu par instrukcja-odpowiedź w celu poprawy wykonywania zadań.
Inżynieria funkcji
Projektowanie lub przekształcanie zmiennych wejściowych, aby nauka była łatwiejsza i skuteczniejsza.
K16 warunki
Kalibracja
Jak dobrze wyniki pewności modelu odpowiadają rzeczywistym prawdopodobieństwom poprawności.
Kara za częstotliwość
Ustawienie dekodowania, które zmniejsza prawdopodobieństwo pojawienia się tokenów proporcjonalnie do tego, jak często pojawiały się one do tej pory.
Kara za obecność
Ustawienie dekodowania, które zmniejsza prawdopodobieństwo pojawienia się tokenów w ogóle, zachęcając do nowych tematów.
Kara za powtórzenie
Ustawienie dekodowania, które zmniejsza prawdopodobieństwo żetonów już wyprodukowanych przez model w celu ograniczenia pętli.
Karta Modelowa
Dokumentacja opisująca zamierzone zastosowanie modelu, metryki, ograniczenia i ryzyko.
Klasyfikacja
Zadanie, w którym model przypisuje dane wejściowe do jednej lub większej liczby predefiniowanych kategorii.
Klasyfikacja intencji
Przewidywanie celu użytkownika na podstawie zapytania tekstowego w celu prawidłowego skierowania go.
Klasyfikator
Model zaprojektowany specjalnie do zadań klasyfikacyjnych.
KLIPS
Architektura modelu multimodalnego, która uczy się wspólnych reprezentacji tekstu i obrazów.
Koder
Składnik modelu, który przekształca dane wejściowe w ukryte reprezentacje.
Koder krzyżowy
Model, który ocenia zapytanie i dokument jednocześnie w jednym przebiegu, co pozwala na bardzo dokładną ocenę trafności.
Kodowanie pozycyjne
Informacje dodane do osadzania tokenów, aby transformatory mogły rozróżnić kolejność sekwencji.
Konstytucyjna sztuczna inteligencja
Podejście polegające na szkoleniu i kształtowaniu zachowań, w którym wyniki modelu opierają się na ustalonym zestawie pisemnych zasad.
Konwolucyjna sieć neuronowa (CNN)
Architektura neuronowa zoptymalizowana pod kątem przetwarzania danych przypominających siatkę, takich jak obrazy.
Kwantyzacja
Konwertowanie wag modeli na formaty o niższej precyzji, takie jak 8-bitowe lub 4-bitowe.
Kwantyzacja modelu
Zmniejszenie precyzji numerycznej wag modeli w celu zmniejszenia kosztów pamięci i wnioskowania.
L3 warunki
Lina (obrotowe osadzenie pozycyjne)
Metoda kodowania pozycyjnego, która obraca wektory zapytań i kluczy w celu zakodowania względnych pozycji tokenów.
LLM jako sędzia
Używanie modelu językowego do oceniania lub porównywania wyników innych modeli podczas ewaluacji.
LoRA (adaptacja niskiej rangi)
Efektywna pod względem parametrów metoda dostrajania, która dodaje macierze adapterów o niskim stopniu rangi.
M17 warunki
MCP (protokół kontekstu modelu)
Otwarty protokół, który umożliwia aplikacjom AI łączenie się z zewnętrznymi narzędziami, źródłami danych i dostawcami kontekstu w standardowy sposób.
Mechanizm uwagi
Komponent modelu, który podczas tworzenia wyniku dynamicznie koncentruje się na odpowiednich częściach danych wejściowych.
Mieszanka ekspertów (MoE)
Architektura z wyspecjalizowanymi podsieciami, w której na wejściu działają tylko wybrani eksperci.
MMLU
Test porównawczy testujący modele językowe z 57 przedmiotów akademickich i zawodowych za pomocą pytań wielokrotnego wyboru.
Model bazowy
Prosty model referencyjny używany do porównania, czy bardziej złożone podejścia faktycznie poprawiają wyniki.
Model czarnej skrzynki
Model, którego wewnętrzne rozumowanie jest trudne do bezpośredniej interpretacji przez człowieka.
Model dużego języka (LLM)
Model językowy wyszkolony na ogromnych korpusach tekstowych w celu generowania i analizowania tekstu.
Model dyfuzyjny
Architektura generatywna, która uczy się odwracać szum w celu syntezy obrazów, dźwięku lub innej treści.
Model fundamentowy
Duży, wstępnie przeszkolony model, który można dostosować do wielu dalszych zadań.
Model języka wizyjnego (VLM)
Model multimodalny, który wspólnie przetwarza informację wizualną i tekstową.
Model małego języka (SLM)
Kompaktowy model języka zoptymalizowany pod kątem niższych opóźnień, kosztów i wykorzystania na urządzeniu.
Model multimodalny
Model, który może przetwarzać lub generować wiele typów danych, takich jak tekst, obraz i dźwięk.
Model nagrody
Model oceniający wyniki na podstawie sygnałów preferencji, często używany w potokach RLHF.
Model open source
Model wydany z publicznymi wagami lub kodem do kontroli, adaptacji i ponownego użycia.
Model osadzania
Model specjalizujący się w konwertowaniu danych na wektory używane do wyszukiwania semantycznego, grupowania i wyszukiwania.
Model preferencji człowieka
Model wyszkolony na podstawie rankingów ludzkich w celu przewidywania, które odpowiedzi będą prawdopodobnie preferowane przez użytkowników.
Monit systemowy
Instrukcja o wysokim priorytecie, która ustawia zachowanie, zasady i styl odpowiedzi dla modelu.
N5 warunki
Nadmierne dopasowanie
Kiedy model zapamiętuje dane szkoleniowe i słabo radzi sobie z niewidocznymi danymi wejściowymi.
Nauczanie transferowe
Stosowanie wiedzy zdobytej w jednym zadaniu lub domenie w celu ulepszenia innego zadania.
Nauka kilku strzałów
Uczenie się lub dostosowywanie zachowań na podstawie niewielkiej liczby przykładów.
Nauka nadzorowana
Trenowanie modelu za pomocą oznaczonych przykładów, które mapują dane wejściowe na znane dane wyjściowe.
Normalizacja
Przekształcanie wartości do spójnej skali w celu poprawy stabilności optymalizacji.
O11 warunki
Oblicz
Zasoby przetwarzania wymagane do uczenia i uruchamiania modeli, często mierzone w FLOPS lub godzinach GPU.
Obliczanie czasu testu
Dodatkowe obliczenia wnioskowania wykorzystywane podczas generowania odpowiedzi w celu poprawy jakości lub rozumowania.
Obliczanie czasu wnioskowania
Ilość mocy obliczeniowej zużywanej podczas generowania każdej odpowiedzi.
OCR (optyczne rozpoznawanie znaków)
Technologia konwertująca tekst na obrazach lub skanach na tekst do odczytu maszynowego.
Odcięcie wiedzy
Ostatni punkt w czasie odzwierciedlony w danych szkoleniowych modelu.
Odzyskiwanie
Znalezienie odpowiednich dokumentów lub zapisów ze źródła wiedzy dla zapytania.
Odzyskiwanie dokumentów rodziców
Wzorzec wyszukiwania, który przeszukuje małe fragmenty, ale zwraca większe dokumenty nadrzędne w celu uzyskania bogatszego kontekstu.
Okno kontekstowe
Maksymalna ilość tokenów wejściowych, które model języka może przetworzyć jednocześnie.
Opóźnienie
Czas między wysłaniem żądania a otrzymaniem danych wyjściowych modelu.
Osadzanie
Numeryczna reprezentacja wektorowa, która oddaje semantyczne znaczenie tekstu, obrazów i innych danych.
Osadzanie słów
Gęsta reprezentacja wektorowa słów odzwierciedlająca relacje semantyczne.
P30 warunki
Pamięć (pamięć agenta)
Przechowywany kontekst, którego agent AI używa na różnych etapach lub sesjach, aby poprawić ciągłość.
Pamięć podręczna KV
Przechowywane tensory klucza i wartości z poprzednich tokenów, które pozwalają transformatorom generować nowe tokeny bez ponownego obliczania uwagi z przeszłości.
Parametr
Wyuczona waga wewnątrz modelu, która wpływa na jego wyniki.
Parser wyjściowy
Logika, która sprawdza i konwertuje dane wyjściowe modelu na struktury o silnym typie, nadające się do użytku maszynowego.
Pass@k
Metryka oceny kodu mierząca szansę, że co najmniej jedna z k wygenerowanych próbek przejdzie testy.
Perplexity
Metryka modelu językowego mierząca stopień zaskoczenia modelu prawdziwymi następnymi tokenami.
Pętla agenta
Cykl iteracyjny, w którym agent AI obserwuje, planuje, działa i zastanawia się, dopóki nie osiągnie celu lub nie osiągnie warunku zatrzymania.
Po treningu
Etapy treningu stosowane po treningu wstępnym, takie jak dostrajanie instrukcji, optymalizacja preferencji i dostrajanie bezpieczeństwa.
Pobieranie wielu zapytań
Technika wyszukiwania polegająca na przepisaniu zapytania użytkownika na kilka wariantów w celu lepszego zapamiętywania.
Pochodzenie danych
Rejestr tego, skąd pochodzą dane, w jaki sposób zostały przekształcone i gdzie są wykorzystywane.
Pochodzenie danych
Udokumentowane pochodzenie, własność i historia zbioru danych lub artefaktu modelu.
Podatek wyrównawczy
Dodatkowy koszt czasu, obliczeń lub szybkości produktu wymagany do zwiększenia bezpieczeństwa i kontroli systemów.
Podpowiedź
Instrukcje wejściowe i kontekst dostarczony do modelu generatywnego.
Poręcze
Reguły, kontrole i kontrole ograniczające niebezpieczne lub niepożądane zachowanie modelu.
Prawda gruntowa
Zaufane etykiety referencyjne używane do uczenia lub oceniania wyników modelu.
Prawo skalowania
Zależność empiryczna pokazująca, jak wydajność poprawia się wraz z rozmiarem modelu, danymi lub obliczeniami.
Precyzja
Odsetek przewidywanych pozytywów, które są faktycznie prawidłowe.
Precyzja odzyskiwania
Proporcja pobranych elementów, które są istotne dla zapytania użytkownika.
Próbkowanie z góry k
Strategia dekodowania, która pobiera próbki tylko z k najprawdopodobniej kolejnych tokenów.
Próbkowanie z góry p (jądro).
Strategia dekodowania polegająca na próbkowaniu z najmniejszego zestawu tokenów, którego prawdopodobieństwa sumują się do p.
Prompt Engineering
Projektowanie podpowiedzi poprawiających jakość wydruku, niezawodność i sterowalność.
Propagacja wsteczna
Podstawowy algorytm szkoleniowy, który aktualizuje wagi modeli poprzez propagację błędów przewidywań wstecz w sieci.
Prywatność różnicowa
Technika prywatności, która dodaje szum statystyczny, uniemożliwiając wiarygodne wywnioskowanie poszczególnych zapisów z wyników.
Przedział ufności
Zakres statystyczny, który prawdopodobnie zawiera prawdziwą wartość mierzonej metryki modelu.
Przejrzystość algorytmiczna
Jak jasno logika, źródła danych i ograniczenia systemu AI są udokumentowane i zrozumiałe.
Przetwarzanie języka naturalnego (NLP)
Gałąź sztucznej inteligencji skupiała się na rozumieniu i generowaniu ludzkiego języka.
Przycinanie
Usuwanie mniej ważnych wag modelu lub neuronów w celu zmniejszenia rozmiaru i obliczeń.
Przypomnij sobie
Proporcja rzeczywistych pozytywów, które model poprawnie identyfikuje.
Punkt końcowy wnioskowania
Wdrożony interfejs API, który odbiera żądania modelu i zwraca prognozy w środowisku produkcyjnym.
Punkt odniesienia
Standaryzowany test lub zbiór danych używany do pomiaru i porównania wydajności modelu.
Q1 term
QLoRA
Technika dostrajania, która łączy 4-bitową kwantyzację wagi z adapterami LoRA w celu zmniejszenia zapotrzebowania na pamięć.
R11 warunki
RAG (generacja wspomagana odzyskiwaniem)
Metoda, która pobiera wiedzę zewnętrzną i przekazuje ją do generowania w momencie wnioskowania.
RAG-Fusion
Metoda wyszukiwania, która generuje wiele wariantów zapytań, pobiera wyniki dla każdego z nich i łączy rankingi.
Reaguj
Wzorzec podpowiedzi, który przeplata etapy rozumowania z działaniami związanymi z użyciem narzędzi w celu bardziej niezawodnego rozwiązywania zadań.
Rejestr modeli
Centralny katalog do wersjonowania, zatwierdzania i śledzenia modeli w różnych środowiskach.
Rozliczenia oparte na wykorzystaniu
Ceny, w których koszty skalują się w zależności od wywołań API, tokenów, czasu wnioskowania lub zużytych mocy obliczeniowych.
Rozmieszczenie cieni
Uruchamianie modelu równolegle z ruchem produkcyjnym bez wpływu na decyzje podejmowane przez użytkownika.
Rozpoznawanie nazwanych podmiotów (NER)
Zadanie NLP, które identyfikuje jednostki, takie jak ludzie, miejsca, daty lub organizacje.
Rozszerzanie danych
Techniki tworzenia zmodyfikowanych przykładów szkoleniowych w celu poprawy generalizacji modelu.
Rurociąg
Uporządkowany przepływ pracy obejmujący przetwarzanie wstępne, etapy modelu i etapy przetwarzania końcowego.
Rzadki model
Model, w którym wiele parametrów ma wartość zerową lub jest nieaktywnych, aby ograniczyć obliczenia.
Rzeczywistość
Jak dokładnie twierdzenia modelu odpowiadają możliwym do zweryfikowania informacjom ze świata rzeczywistego.
S18 warunki
Samodzielna gra
Konfiguracja szkoleniowa, w której model jest ulepszany poprzez generowanie danych w drodze interakcji lub konkursów z jego kopiami.
Samonadzorowane uczenie się
Uczenie się reprezentacji na podstawie nieoznaczonych danych poprzez przewidywanie zamaskowanych lub przekształconych części.
Sieć neuronowa
Warstwowy model obliczeniowy inspirowany neuronami biologicznymi i synapsami.
Sklep z funkcjami
Zarządzany system do przechowywania i udostępniania zweryfikowanych funkcji ML w sposób spójny na potrzeby uczenia i wnioskowania.
Słaby nadzór
Używanie hałaśliwych, heurystycznych lub częściowych etykiet do uczenia modeli, gdy brakuje czystych etykiet.
Solidność
Zdolność modelu do utrzymania wydajności w warunkach hałasu, przesunięć lub bodźców kontradyktoryjnych.
Sprawa bezpieczeństwa
Ustrukturyzowany argument poparty dowodami, że system sztucznej inteligencji jest bezpieczny w określonym kontekście użycia.
Strata między entropią
Powszechna funkcja celu używana do uczenia modeli klasyfikacyjnych poprzez karanie nieprawidłowych prawdopodobieństw.
Strata treningowa
Wartość błędu modelu obliczona podczas uczenia i optymalizowana w dół w czasie.
Stronniczość
Spójny wzorzec błędów lub nieuczciwości w danych lub zachowaniu modelu.
Strzeżone dekodowanie
Strategia generowania, która ogranicza tokeny wyjściowe do prawidłowych struktur lub wyborów zgodnych z zasadami.
System autonomiczny
System, który może podejmować decyzje i działać w czasie rzeczywistym przy ograniczonej bezpośredniej kontroli człowieka lub bez niej.
System rekomendacji
Potok modelowy, który przewiduje preferencje użytkownika dotyczące rankingu treści lub produktów.
Szablon podpowiedzi
Wzór podpowiedzi wielokrotnego użytku ze zmiennymi, regułami formatowania i instrukcjami specyficznymi dla zadania.
Sztuczna inteligencja (AI)
Szeroka dziedzina budowania systemów wykonujących zadania wymagające rozpoznawania wzorców, rozumowania, języka lub podejmowania decyzji.
Sztuczna inteligencja na urządzeniu
Wnioskowanie AI odbywa się lokalnie na sprzęcie użytkownika, a nie w zdalnej usłudze w chmurze.
Szybki zastrzyk
Wzór ataku polegający na wstawianiu złośliwych instrukcji do danych wejściowych modelu lub pobranej treści.
Szybkość uczenia się
Hiperparametr szkoleniowy kontrolujący stopień zmiany parametrów w każdym kroku aktualizacji.
T4 warunki
Temperatura
Ustawienie próbkowania kontrolujące losowość generowanych wyników.
Tokenizacja
Proces dzielenia tekstu na tokeny na potrzeby wprowadzania danych modelu.
Transformator
Architektura neuronowa, która skupia uwagę na równoległym modelowaniu relacji między sekwencjami.
Trening wstępny
Wstępne szkolenie w zakresie modeli na dużą skalę na szerokich danych przed adaptacją na późniejszym etapie.
U16 warunki
Ucieczka z więzienia
Szybka technika mająca na celu ominięcie ograniczeń bezpieczeństwa modelu.
Uczenie maszynowe (ML)
Metody umożliwiające systemom uczenie się wzorców na podstawie danych i ulepszanie ich w miarę upływu czasu.
Uczenie się bez nadzoru
Wzorce uczenia się na podstawie nieoznaczonych danych bez wyraźnych docelowych wyników.
Uczenie się kontekstowe
Zdolność modelu do podążania za wzorcami z przykładów podanych bezpośrednio w monicie.
Uczenie się od zera
Rozwiązywanie zadań bez konkretnych przykładów w oparciu o wcześniejszą wiedzę ogólną.
Uczenie się przez wzmacnianie
Szkolenie za pomocą sygnałów nagrody, podczas którego agent uczy się działań maksymalizujących długoterminowy zwrot.
Uczenie się przez wzmocnienie na podstawie informacji zwrotnej od ludzi (RLHF)
Metoda szkoleniowa wykorzystująca sygnały preferencji ludzkich do kształtowania zachowań modelu.
Ugruntowanie
Stopień, w jakim reakcja sztucznej inteligencji jest poparta danymi źródłowymi lub uzyskanymi dowodami.
Ukryta przestrzeń
Skompresowana przestrzeń reprezentacyjna, w której podobne pojęcia są umieszczone blisko siebie jako wektory.
Uogólnienie
Jak dobrze model radzi sobie z nowymi, niewidocznymi danymi spoza zbioru szkoleniowego.
Uprząż Eval
Powtarzalna struktura oceny, która uruchamia podpowiedzi, zbiory danych i logikę oceniania w różnych wersjach modelu.
Ustawa o AI
Ramy regulacyjne Unii Europejskiej oparte na ryzyku dotyczące systemów i dostawców sztucznej inteligencji.
Ustrukturyzowane dane wyjściowe
Dane wyjściowe modelu ograniczone do zdefiniowanego schematu, takiego jak JSON, argumenty narzędzia lub pola wpisane.
Uwaga na przesuwane okno
Wzorzec uwagi, w którym każdy token obsługuje tylko okno pobliskich tokenów o stałym rozmiarze, aby zmniejszyć obliczenia.
Uwaga wielogłowa
Mechanizm transformatorowy, który wykonuje równolegle kilka operacji uwagi w celu uchwycenia różnych typów relacji.
Użycie narzędzia
Zdolność modelu do wywoływania narzędzi zewnętrznych, takich jak wyszukiwanie, kalkulatory lub interfejsy API.
W13 warunki
W połowie treningu
Pośrednia faza szkolenia pomiędzy szkoleniem przedtreningowym a szkoleniem poszkoleniowym, często wykorzystywana w celu dostosowania zdolności lub domeny.
Waga
Wyuczona wartość liczbowa skalująca sygnały przechodzące przez sieć neuronową.
Wizja komputerowa
Gałąź sztucznej inteligencji, która wydobywa znaczenie z obrazów i wideo.
Wnioskowanie
Faza środowiska uruchomieniowego, w której przeszkolony model generuje prognozy lub dane wyjściowe.
Wnioskowanie przyczynowe
Metody szacowania związków przyczynowo-skutkowych zamiast prostych korelacji.
Wyciek benchmarku
Gdy w danych szkoleniowych znajdują się przykłady testów porównawczych lub zbliżone warianty, co zawyża raportowaną wydajność.
Wygładzanie etykiet
Metoda regularyzacji, która łagodzi twarde etykiety, aby poprawić generalizację.
Wyjaśnialność
Stopień, w jakim zachowanie modelu można zinterpretować i wyjaśnić ludziom.
Wyrównanie AI
Praca nad zapewnieniem, aby systemy AI zachowywały się zgodnie z ludzkimi intencjami, wartościami i ograniczeniami bezpieczeństwa.
Wyszukiwanie hybrydowe
Metoda wyszukiwania, która łączy wyszukiwanie według słów kluczowych (leksykalne) z wyszukiwaniem wektorowym (semantycznym) w celu lepszego zapamiętywania i precyzji.
Wyszukiwanie semantyczne
Szukaj, które pasuje do znaczenia, a nie do dokładnego nakładania się słów kluczowych, często przy użyciu osadzania.
Wyszukiwanie wiązki
Algorytm dekodowania, który utrzymuje kilka najlepszych sekwencji kandydujących na każdym kroku, aby znaleźć wyniki o większym prawdopodobieństwie.
Wywołanie funkcji
Możliwość modelu generowania wywołań strukturalnych, które uruchamiają zewnętrzne narzędzia lub interfejsy API.
X1 term
XAI (wyjaśniona sztuczna inteligencja)
Techniki i praktyki zwiększające przejrzystość i zrozumienie przewidywań AI.
Z11 warunki
Zarządzanie sztuczną inteligencją
Polityki, standardy i mechanizmy nadzoru, które kierują rozwojem i wykorzystaniem sztucznej inteligencji w społeczeństwie.
Zaufaj kalibracji
Dostosowanie zaufania użytkowników do wyników AI do rzeczywistej niezawodności systemu w każdym zadaniu.
Zbiór danych
Zbiór ustrukturyzowanych i nieustrukturyzowanych przykładów używanych do szkolenia, walidacji lub testowania.
Zejście gradientowe
Metoda optymalizacji, która aktualizuje parametry w kierunku zmniejszającym błąd.
Zerowe przechowywanie danych
Zasada, zgodnie z którą ładunki żądań/odpowiedzi nie są przechowywane po przetworzeniu poza krótkotrwałe okna operacyjne.
Zespół
Łączenie prognoz z wielu modeli w celu poprawy niezawodności i dokładności.
Zespół Czerwonych
Testowanie warunków skrajnych systemu sztucznej inteligencji za pomocą przeciwstawnych monitów w celu wykrycia błędów i zagrożeń.
Zestaw ewaluacyjny
Przetrzymywany zbiór danych używany do pomiaru jakości modelu po szkoleniu.
Zestaw walidacyjny
Zbiór danych używany podczas programowania w celu dostrojenia modeli i zapobiegania nadmiernemu dopasowaniu.
Zmień ranking
Model, który zmienia kolejność początkowego zestawu pobranych wyników, tak aby najbardziej odpowiednie elementy były umieszczane na górze.
Znak wodny
Osadzanie wykrywalnego sygnału w tekście lub mediach wygenerowanych przez sztuczną inteligencję, aby można było go później zidentyfikować jako wyprodukowany maszynowo.
Ł1 term
Łańcuch myśli
Styl rozumowania, w którym model sztucznej inteligencji rozkłada problem na etapy pośrednie.
Ż1 term
Żeton
Fragment tekstu przetwarzany przez modele językowe, taki jak fragment słowa lub symbol.