AGI (Общий искусственный интеллект)
Гипотетическая система искусственного интеллекта, способная выполнять большинство интеллектуальных задач на человеческом уровне во многих областях.
Основная техническая терминология объяснена на высочайшем уровне ясности. Предназначен для исследователей, студентов и гуманитарно-ориентированного образования.
Показаны 213 соответствие терминов.
Гипотетическая система искусственного интеллекта, способная выполнять большинство интеллектуальных задач на человеческом уровне во многих областях.
Программная система, которая может наблюдать, рассуждать и предпринимать действия для достижения цели, часто используя инструменты и память.
Работа по обеспечению поведения систем ИИ в соответствии с человеческими намерениями, ценностями и ограничениями безопасности.
Политика, стандарты и механизмы надзора, которые определяют, как ИИ разрабатывается и используется в обществе.
Область, ориентированная на снижение вредного поведения, сбоев и рисков неправильного использования в системах искусственного интеллекта.
Определенный набор правил или шагов, которым следует компьютер для решения проблемы или выполнения задачи.
Систематическая несправедливость в результатах модели, вызванная искажением данных, предположениями или выбором моделирования.
Насколько четко документированы и понятны логика, источники данных и ограничения системы ИИ.
Добавленные человеком метки или метаданные, используемые для обучения или оценки моделей машинного обучения.
Структурированный способ отправки одной программной системой запросов и получения ответов от другой системы.
Широкая область создания систем, выполняющих задачи, требующие распознавания образов, рассуждения, языка или принятия решений.
Компонент модели, который динамически фокусируется на соответствующих частях входных данных при создании выходных данных.
Система, которая может принимать решения и действовать под ограниченным или отсутствующим прямым контролем человека в режиме реального времени.
Основной алгоритм обучения, который обновляет веса модели путем распространения ошибок прогнозирования обратно по сети.
Простая эталонная модель, используемая для сравнения того, действительно ли более сложные подходы улучшают результаты.
Стандартизированный тест или набор данных, используемый для измерения и сравнения производительности модели.
Постоянная модель ошибок или несправедливости в данных или поведении модели.
Очень большие и сложные наборы данных, требующие масштабируемых методов хранения и обработки.
Модель, внутренние рассуждения которой людям трудно интерпретировать напрямую.
Насколько хорошо показатели достоверности модели соответствуют фактическим вероятностям правильности.
Стиль рассуждения, при котором модель ИИ разлагает проблему на промежуточные этапы.
Задача, в которой модель присваивает входные данные одной или нескольким предопределенным категориям.
Модель, разработанная специально для задач классификации.
Архитектура мультимодальной модели, которая изучает общие представления текста и изображений.
Ресурсы обработки, необходимые для обучения и запуска моделей, часто измеряются в FLOPS или часах графического процессора.
Раздел искусственного интеллекта, который извлекает смысл из изображений и видео.
Максимальное количество входных токенов, которые языковая модель может обработать одновременно.
Подходы к обучению, которые позволяют модели продолжать обучение на новых данных, не забывая при этом предыдущие знания.
Нейронная архитектура, оптимизированная для обработки данных в виде сетки, таких как изображения.
Общая целевая функция, используемая для обучения моделей классификации путем наказания неправильных вероятностей.
Методы создания модифицированных обучающих примеров для улучшения обобщения модели.
Изменение реальных входных данных с течением времени, которое может ухудшить производительность модели.
Процесс назначения тегов или целевых результатов необработанным данным для контролируемого обучения.
Коллекция структурированных или неструктурированных примеров, используемых для обучения, проверки или тестирования.
Поверхность в пространстве признаков, разделяющая классы, предсказанные классификатором.
Модель, которая делает прогнозы с помощью последовательности разделений признаков «если-то».
Подмножество машинного обучения, которое использует многослойные нейронные сети для обучения представлению.
Генеративная архитектура, которая учится обращать шум для синтеза изображений, звука или другого контента.
Сжатие знаний из большой модели учителя в меньшую модель ученика.
Методы, которые позволяют модели, обученной в одной области, работать лучше в другой области.
Числовое векторное представление, которое отражает семантическое значение текста, изображений или других данных.
Компонент модели, который преобразует входные данные в скрытые представления.
Объединение прогнозов из нескольких моделей для повышения надежности или точности.
Отложенный набор данных, используемый для измерения качества модели после обучения.
Степень, в которой поведение модели можно интерпретировать и объяснить людям.
Неверный прогноз, когда модель пропускает действительно положительный случай.
Неверный прогноз, когда модель ошибочно помечает отрицательный случай как положительный.
Входная переменная, используемая моделью для прогнозирования.
Разработка или преобразование входных переменных, чтобы сделать обучение более простым и эффективным.
Преобразование необработанных данных в информативные функции, которые может использовать модель.
Обучение или адаптация поведения лишь на небольшом количестве примеров.
Продолжение обучения на предметных данных для адаптации предварительно обученной модели к конкретной задаче.
Большая предварительно обученная модель, которую можно адаптировать для многих последующих задач.
Возможность модели генерировать структурированные вызовы, которые запускают внешние инструменты или API.
Генеративная установка, в которой генератор и дискриминатор тренируются друг против друга.
Насколько хорошо модель работает с новыми, невидимыми данными за пределами обучающего набора.
Системы искусственного интеллекта, которые создают новый контент, такой как текст, изображения, аудио, видео или код.
Вектор, показывающий, насколько должен измениться каждый параметр, чтобы уменьшить потери.
Метод оптимизации, который обновляет параметры в направлении, уменьшающем ошибку.
Доверенные ссылочные метки, используемые для обучения или оценки результатов модели.
Правила, проверки и элементы управления, которые ограничивают небезопасное или нежелательное поведение модели.
Когда модель генерирует беглую, но ложную или неподтвержденную информацию.
Рабочий процесс, в котором люди проверяют, направляют или игнорируют результаты ИИ.
Значение конфигурации, установленное перед обучением, например скорость обучения, размер пакета или глубина.
Способность модели следовать шаблонам из примеров, представленных непосредственно в подсказке.
Фаза выполнения, на которой обученная модель генерирует прогнозы или выходные данные.
Количество вычислительной мощности, потребляемой при создании каждого ответа.
Точная настройка модели на парах инструкция-ответ для улучшения выполнения задач.
Прогнозирование цели пользователя на основе текстового запроса для его правильной маршрутизации.
Быстрый метод, предназначенный для обхода ограничений безопасности модели.
Последний момент времени отражается в данных обучения модели.
Обучение меньшей модели имитации результатов более крупной модели.
Графическая структура сущностей и отношений, используемая для рассуждений или поиска.
Метод регуляризации, который смягчает жесткие метки для улучшения обобщения.
Время между отправкой запроса и получением выходных данных модели.
Языковая модель, обученная на массивных текстовых корпусах для генерации и анализа текста.
Обучающий гиперпараметр, контролирующий, насколько параметры изменяются на каждом этапе обновления.
Метод точной настройки с эффективным параметром, который добавляет матрицы адаптеров низкого ранга.
Математическая цель, позволяющая количественно оценить ошибку прогноза во время обучения.
Методы, которые позволяют системам изучать закономерности на основе данных и совершенствоваться с течением времени.
Сохраненный контекст, который агент ИИ использует на этапах или сеансах для улучшения непрерывности.
Архитектура со специализированными подсетями, в которых на каждом входе работают только избранные эксперты.
Документация, описывающая предполагаемое использование модели, показатели, ограничения и риски.
Снижение производительности со временем, поскольку реальные условия отличаются от предположений обучения.
Снижение числовой точности весов модели для уменьшения затрат на память и логические выводы.
Модель, которая может обрабатывать или генерировать несколько типов данных, таких как текст, изображение и аудио.
Задача НЛП, которая идентифицирует такие сущности, как люди, места, даты или организации.
Отрасль искусственного интеллекта сосредоточена на понимании и создании человеческого языка.
Многоуровневая вычислительная модель, вдохновленная биологическими нейронами и синапсами.
Преобразование значений в согласованный масштаб для повышения стабильности оптимизации.
Технология, которая преобразует текст на изображениях или отсканированных изображениях в машиночитаемый текст.
Модель выпущена с общедоступными весами или кодом для проверки, адаптации и повторного использования.
Когда модель запоминает обучающие данные и плохо работает с невидимыми входными данными.
Изученный вес внутри модели, который влияет на ее выходные данные.
Методы, которые адаптируют модели путем обучения небольшого подмножества добавленных параметров.
Метрика языковой модели, измеряющая, насколько модель удивлена истинными следующими токенами.
Упорядоченный рабочий процесс предварительной обработки, этапов модели и этапов постобработки.
Доля прогнозируемых положительных результатов, которые на самом деле верны.
Первоначальное обучение крупномасштабной модели на обширных данных перед последующей адаптацией.
Входные инструкции и контекст, предоставленные генеративной модели.
Проектирование подсказок по повышению качества продукции, надежности и управляемости.
Схема атаки, при которой вредоносные инструкции вставляются во входные данные модели или извлекаемый контент.
Удаление менее важных весов модели или нейронов для уменьшения размера и объема вычислений.
Преобразование весов модели в форматы более низкой точности, например 8-битные или 4-битные.
Метод, который извлекает внешние знания и вводит их в генерацию во время вывода.
Доля фактических положительных результатов, которые модель правильно идентифицирует.
Конвейер моделей, который прогнозирует предпочтения пользователей при ранжировании контента или продуктов.
Стресс-тестирование системы ИИ с состязательными подсказками для выявления сбоев и рисков.
Обучение с помощью сигналов вознаграждения, когда агент учится действиям, которые максимизируют долгосрочную отдачу.
Метод обучения, который использует сигналы человеческих предпочтений для формирования поведения модели.
Поиск соответствующих документов или записей из источника знаний для запроса.
Модель, которая оценивает выходные данные на основе сигналов предпочтений, часто используется в конвейерах RLHF.
Способность модели сохранять производительность в условиях шума, сдвигов или враждебных воздействий.
Уровень модерации, который блокирует или перезаписывает небезопасные входные или выходные данные модели.
Эмпирическая зависимость, показывающая, как производительность повышается с увеличением размера модели, данных или вычислений.
Поиск, который соответствует значению, а не точному совпадению ключевых слов, часто с использованием встраивания.
Изучение представлений на основе немаркированных данных путем прогнозирования замаскированных или преобразованных частей.
Задача НЛП, которая классифицирует эмоциональный тон или мнение в тексте.
Компактная языковая модель, оптимизированная для снижения задержки, затрат и использования на устройстве.
Модель, в которой многие параметры равны нулю или неактивны для сокращения вычислений.
Обучение модели с помощью размеченных примеров, которые сопоставляют входные данные с известными выходными данными.
Искусственно сгенерированные данные, используемые для дополнения, моделирования или защиты конфиденциальных данных обучения.
Инструкция с высоким приоритетом, определяющая поведение, политику и стиль ответа модели.
Настройка выборки, контролирующая случайность генерируемых выходных данных.
Фрагмент текста, обрабатываемый языковыми моделями, например фрагмент слова или символ.
Процесс разделения текста на токены для ввода модели.
Способность модели вызывать внешние инструменты, такие как поиск, калькуляторы или API.
Стратегия декодирования, которая производит выборку только из k наиболее вероятных следующих токенов.
Стратегия декодирования, которая производит выборку из наименьшего набора токенов, сумма вероятностей которых равна p.
Применение знаний, полученных в одной задаче или области, для улучшения другой задачи.
Нейронная архитектура, которая использует внимание для параллельного моделирования отношений между последовательностями.
Значение ошибки модели вычисляется во время обучения и со временем оптимизируется в сторону уменьшения.
Шаблоны обучения на основе немаркированных данных без явных целевых результатов.
Набор данных, используемый во время разработки для настройки моделей и предотвращения переобучения.
База данных, оптимизированная для хранения и запроса многомерных векторов внедрения.
Мультимодальная модель, совместно обрабатывающая визуальную и текстовую информацию.
Использование шумных, эвристических или частичных меток для обучения моделей, когда чистых меток не хватает.
Изученное числовое значение, которое масштабирует сигналы, проходящие через нейронную сеть.
Плотное векторное представление слов, фиксирующее семантические отношения.
Методы и практики, позволяющие сделать прогнозы ИИ более прозрачными и понятными.
Решение задач без конкретных примеров, опираясь на предварительные общие знания.
Многоэтапный процесс, в котором система ИИ планирует, выполняет, проверяет результаты и движется к цели.
Нормативно-правовая база Европейского Союза, основанная на рисках, для систем и поставщиков искусственного интеллекта.
Дополнительные затраты времени, вычислений или скорости продукта, необходимые для того, чтобы сделать системы более безопасными и управляемыми.
Когда в данных обучения присутствуют примеры эталонных тестов или близкие варианты, заявленная производительность завышается.
Методы оценки причинно-следственных связей, а не простых корреляций.
Статистический диапазон, который, вероятно, содержит истинное значение измеренного показателя модели.
Подход к обучению и формированию поведения, при котором результаты модели определяются фиксированным набором письменных принципов.
Запись о том, откуда взялись данные, как они были преобразованы и где они используются.
Документированное происхождение, право собственности и история набора данных или артефакта модели.
Метод конфиденциальности, который добавляет статистический шум, поэтому отдельные записи не могут быть надежно выведены из выходных данных.
Меньшая модель обучена имитировать поведение более крупной модели, используя при этом меньше вычислений.
Модель, специализированная для преобразования данных в векторы, используемые для семантического поиска, кластеризации и извлечения данных.
Повторяемая среда оценки, которая запускает подсказки, наборы данных и логику оценки в разных версиях модели.
Управляемая система для последовательного хранения и предоставления проверенных функций машинного обучения для обучения и вывода.
Степень, в которой реакция ИИ подтверждается исходными данными или полученными доказательствами.
Стратегия генерации, которая ограничивает выходные токены допустимыми структурами или вариантами, совместимыми с политикой.
Модель, обученная на человеческом рейтинге, чтобы предсказать, какие ответы пользователи, скорее всего, предпочтут.
Развернутый интерфейс API, который получает запросы модели и возвращает прогнозы в рабочей среде.
Курируемая коллекция документов или записей, используемая для поиска, автоматизации поддержки или обоснования ответов.
Сжатое репрезентативное пространство, в котором схожие понятия расположены рядом друг с другом как векторы.
Центральный каталог для управления версиями, утверждения и отслеживания моделей в разных средах.
Вывод ИИ выполняется локально на пользовательском оборудовании, а не в удаленном облачном сервисе.
Логика, которая проверяет и преобразует выходные данные модели в строго типизированные структуры, пригодные для машинного использования.
Шаблон многократного использования с переменными, правилами форматирования и инструкциями для конкретных задач.
Доля полученных элементов, соответствующих запросу пользователя.
Структурированный аргумент, подкрепленный доказательствами, о том, что система ИИ безопасна для определенного контекста использования.
Запуск модели параллельно с производственным трафиком, не влияя на решения, принимаемые пользователем.
Вывод модели ограничен определенной схемой, такой как JSON, аргументами инструмента или типизированными полями.
Дополнительные вычисления вывода, используемые во время формирования ответа для улучшения качества или рассуждения.
Согласование уверенности пользователей в результатах работы ИИ с фактической надежностью системы в каждой задаче.
Цены, при которых затраты масштабируются в зависимости от вызовов API, токенов, времени вывода или потребляемых вычислительных ресурсов.
Политика, согласно которой полезные данные запроса/ответа не сохраняются после обработки за пределами кратковременных операционных окон.
Метод ускорения вывода, при котором небольшая черновая модель предлагает токены, которые параллельно проверяет более крупная модель.
Сохраненные тензоры ключей и значений из предыдущих токенов, которые позволяют преобразователям генерировать новые токены без повторного вычисления прошлого внимания.
Открытый протокол, который позволяет приложениям ИИ стандартным образом подключаться к внешним инструментам, источникам данных и поставщикам контекста.
Итеративный цикл, в котором агент ИИ наблюдает, планирует, действует и размышляет, пока не достигнет цели или не достигнет условия остановки.
Шаблон подсказок, в котором этапы рассуждения чередуются с действиями по использованию инструментов для более надежного решения задач.
Подход к рассуждению, при котором модель исследует несколько путей решения ветвления и выбирает наиболее перспективные из них.
Метод обучения, который настраивает модели непосредственно на парах предпочтений без необходимости использования отдельной модели вознаграждения.
Метод тонкой настройки, сочетающий 4-битное весовое квантование с адаптерами LoRA для уменьшения потребности в памяти.
Оптимизированный алгоритм внимания, который уменьшает использование памяти и ускоряет обучение и вывод преобразователей.
Механизм-преобразователь, который параллельно выполняет несколько операций внимания для фиксации различных типов отношений.
Информация добавлена во встраивания токенов, чтобы преобразователи могли различать порядок последовательности.
Метод позиционного кодирования, который меняет векторы запроса и ключа для кодирования относительных позиций токенов.
Метод позиционной предвзятости, который штрафует оценки внимания на основе расстояния между маркерами, помогая моделям экстраполировать на более длинные контексты.
Схема внимания, при которой каждый токен обращается только к окну соседних токенов фиксированного размера для сокращения вычислительных ресурсов.
Алгоритм токенизации подслов, который объединяет наиболее часто встречающиеся пары символов в токены многократного использования.
Независимый от языка токенизатор, который изучает единицы подслова непосредственно из необработанного текста без предварительного разделения на пробелы.
Алгоритмы, которые находят векторы, близкие к запросу, без исчерпывающего сравнения, жертвуя точностью ради скорости.
Индексная структура на основе графов для быстрого приближенного поиска ближайших соседей по многомерным векторам.
Модель, которая изменяет порядок исходного набора полученных результатов, чтобы наиболее релевантные элементы располагались вверху.
Подход к поиску, который сочетает в себе поиск по ключевым словам (лексический) с векторным (семантическим) поиском для лучшей запоминаемости и точности.
Модель, которая оценивает запрос и документ вместе за один проход, обеспечивая высокую точность оценки релевантности.
Модель, которая кодирует запросы и документы в отдельные векторы, чтобы их можно было быстро сравнивать в масштабе.
Использование языковой модели для оценки или сравнения результатов других моделей во время оценки.
Метрика оценки кода, измеряющая вероятность того, что хотя бы один из k сгенерированных образцов пройдет тесты.
Язык эталонного тестирования моделирует 57 академических и профессиональных предметов с использованием вопросов с несколькими вариантами ответов.
Эталон задач программирования на Python, используемый для измерения правильности генерации кода с помощью модульных тестов.
Эталон математических словесных задач в начальной школе, используемый для оценки пошаговых рассуждений в языковых моделях.
Насколько точно утверждения модели соответствуют поддающейся проверке реальной информации.
Ссылки на исходные отрывки или документы, включенные в ответ модели для подтверждения ее утверждений.
Встраивание обнаруживаемого сигнала в текст или медиафайлы, сгенерированные ИИ, чтобы впоследствии его можно было идентифицировать как созданный машиной.
Промежуточный этап обучения между предварительным обучением и постобучением, часто используемый для корректировки возможностей или предметной области.
Этапы обучения, применяемые после предварительного обучения, такие как настройка инструкций, оптимизация предпочтений и настройка безопасности.
Схема обучения, при которой модель совершенствуется за счет генерации данных посредством взаимодействия или соревнований с собственными копиями.
Метод поиска, который генерирует несколько вариантов запроса, извлекает результаты для каждого и объединяет рейтинги.
Техника поиска, которая переписывает пользовательский запрос на несколько вариантов для улучшения отзыва.
Шаблон поиска, который ищет небольшие фрагменты, но возвращает более крупные родительские документы для более богатого контекста.
Алгоритм декодирования, который сохраняет несколько верхних последовательностей-кандидатов на каждом этапе для поиска выходных данных с более высокой вероятностью.
Параметр декодирования, который снижает вероятность токенов, которые модель уже создала, чтобы уменьшить количество циклов.
Настройка декодирования, которая снижает вероятность появления токенов пропорционально тому, как часто они появлялись на данный момент.
Настройка декодирования, которая снижает вероятность появления токенов вообще, поощряя новые темы.