AGI (Artificiell allmän intelligens)
Ett hypotetiskt AI-system som kan utföra de flesta intellektuella uppgifter på mänsklig nivå över många domäner.
Viktig teknisk terminologi förklarad på högsta nivå av tydlighet. Designad för forskare, studenter och människocentrerad utbildning.
Visar 213 matchande villkor.
Ett hypotetiskt AI-system som kan utföra de flesta intellektuella uppgifter på mänsklig nivå över många domäner.
Ett mjukvarusystem som kan observera, resonera och vidta åtgärder för att uppnå ett mål, ofta med hjälp av verktyg och minne.
Arbetet med att få AI-system att bete sig enligt mänskliga intentioner, värderingar och säkerhetsbegränsningar.
Policyer, standarder och tillsynsmekanismer som styr hur AI utvecklas och används i samhället.
Ett område fokuserat på att minska skadligt beteende, misslyckanden och missbruksrisker i AI-system.
En definierad uppsättning regler eller steg som en dator följer för att lösa ett problem eller slutföra en uppgift.
Systematisk orättvisa i modellutdata orsakade av skeva data, antaganden eller modelleringsval.
Hur tydligt ett AI-systems logik, datakällor och begränsningar är dokumenterade och begripliga.
Människotillagda etiketter eller metadata som används för att träna eller utvärdera maskininlärningsmodeller.
Ett strukturerat sätt för ett mjukvarusystem att skicka förfrågningar till och ta emot svar från ett annat system.
Det breda fältet för att bygga system som utför uppgifter som kräver mönsterigenkänning, resonemang, språk eller beslutsfattande.
En modellkomponent som dynamiskt fokuserar på relevanta delar av en ingång när en utdata produceras.
Ett system som kan fatta beslut och agera med begränsad eller ingen direkt mänsklig kontroll i realtid.
Grundträningsalgoritmen som uppdaterar modellvikter genom att sprida prediktionsfel bakåt genom nätverket.
En enkel referensmodell som används för att jämföra om mer komplexa tillvägagångssätt faktiskt förbättrar resultaten.
Ett standardiserat test eller datauppsättning som används för att mäta och jämföra modellprestanda.
Ett konsekvent mönster av fel eller orättvisa i data eller modellbeteende.
Mycket stora och komplexa datauppsättningar som kräver skalbar lagrings- och bearbetningsteknik.
En modell vars inre resonemang är svårtolkad direkt av människor.
Hur väl en modells konfidenspoäng matchar faktiska sannolikheter för korrekthet.
En resonemangsstil där en AI-modell delar upp ett problem i mellansteg.
En uppgift där en modell tilldelar en indata till en eller flera fördefinierade kategorier.
En modell utformad speciellt för klassificeringsuppgifter.
En multimodal modellarkitektur som lär sig delade representationer mellan text och bilder.
Bearbetningsresurserna som krävs för att träna och köra modeller, ofta mätt i FLOPS- eller GPU-timmar.
Grenen av AI som extraherar mening från bilder och video.
Den maximala mängden inmatningstoken en språkmodell kan bearbeta på en gång.
Utbildningsmetoder som låter en modell fortsätta att lära sig av ny data utan att glömma förkunskaper.
En neural arkitektur optimerad för att bearbeta rutnätsliknande data såsom bilder.
En gemensam objektiv funktion som används för att träna klassificeringsmodeller genom att straffa felaktiga sannolikheter.
Tekniker som skapar modifierade träningsexempel för att förbättra modellens generalisering.
En förändring av verkliga indata över tid som kan försämra modellens prestanda.
Processen att tilldela taggar eller målutgångar till rådata för övervakat lärande.
En samling strukturerade eller ostrukturerade exempel som används för utbildning, validering eller testning.
Ytan i funktionsutrymme som skiljer klasser som förutsägs av en klassificerare.
En modell som gör förutsägelser genom en sekvens av om-då-funktionsdelningar.
En delmängd av maskininlärning som använder många lager neurala nätverk för representationsinlärning.
En generativ arkitektur som lär sig att vända brus för att syntetisera bilder, ljud eller annat innehåll.
Komprimera kunskap från en stor lärarmodell till en mindre elevmodell.
Metoder som överför en modell tränad i en domän för att prestera bättre på en annan domän.
En numerisk vektorrepresentation som fångar den semantiska betydelsen av text, bilder eller annan data.
Komponenten i en modell som omvandlar input till latenta representationer.
Kombinera förutsägelser från flera modeller för att förbättra robustheten eller noggrannheten.
En uthållen datauppsättning som används för att mäta modellkvalitet efter träning.
I vilken grad en modells beteende kan tolkas och förklaras för människor.
En felaktig förutsägelse där en modell missar ett sant positivt fall.
En felaktig förutsägelse där en modell felaktigt flaggar ett negativt fall som positivt.
En indatavariabel som används av en modell för att göra förutsägelser.
Designa eller transformera indatavariabler för att göra lärandet enklare och mer effektivt.
Konvertera rådata till informativa funktioner som en modell kan använda.
Att lära sig eller anpassa beteendet från endast ett litet antal exempel.
Fortsatt utbildning om domänspecifik data för att anpassa en förtränad modell till en specifik uppgift.
En stor förtränad modell som kan anpassas till många nedströmsuppgifter.
En modellförmåga för att generera strukturerade anrop som utlöser externa verktyg eller API:er.
Ett generativt upplägg där en generator och diskriminator tränar mot varandra.
Hur väl en modell presterar på ny, osynlig data utanför träningsuppsättningen.
AI-system som producerar nytt innehåll som text, bilder, ljud, video eller kod.
En vektor som visar hur mycket varje parameter bör ändras för att minska förlusten.
En optimeringsmetod som uppdaterar parametrar i den riktning som minskar fel.
Pålitliga referensetiketter som används för att träna eller utvärdera modellutdata.
Regler, kontroller och kontroller som begränsar osäkert eller oönskat modellbeteende.
När en modell genererar flytande men falsk eller ostödd information.
Ett arbetsflöde där människor granskar, vägleder eller åsidosätter AI-utdata.
Ett konfigurationsvärde som ställts in före träning, såsom inlärningshastighet, batchstorlek eller djup.
En modells förmåga att följa mönster från exempel som tillhandahålls direkt i prompten.
Körtidsfasen där en tränad modell genererar förutsägelser eller utdata.
Mängden processorkraft som förbrukas när varje svar produceras.
Finjustera en modell på instruktion-svar-par för att förbättra uppgiftsföljden.
Förutsäga användarens syfte från en textfråga för att dirigera den korrekt.
En snabb teknik avsedd att kringgå en modells säkerhetsbegränsningar.
Den senaste tidpunkten återspeglas i en modells träningsdata.
Träna en mindre modell för att imitera resultatet av en större modell.
En grafstruktur av enheter och relationer som används för resonemang eller hämtning.
En regulariseringsmetod som mjukar upp hårda etiketter för att förbättra generaliseringen.
Tiden mellan att skicka en förfrågan och ta emot modellens utdata.
En språkmodell tränad på massiva textkorpus för att generera och analysera text.
En träningshyperparameter som styr hur mycket parametrar ändrar varje uppdateringssteg.
En parametereffektiv finjusteringsmetod som lägger till lågrankade adaptermatriser.
Ett matematiskt mål som kvantifierar prediktionsfel under träning.
Metoder som gör att system kan lära sig mönster från data och förbättras över tid.
Lagrat sammanhang som en AI-agent använder över steg eller sessioner för att förbättra kontinuiteten.
En arkitektur med specialiserade subnätverk där endast utvalda experter kör per ingång.
Dokumentation som beskriver en modells avsedda användning, mått, begränsningar och risker.
Prestandaförsämring över tid eftersom verkliga förhållanden avviker från träningsantaganden.
Minska numerisk precision för modellvikter för att minska minnes- och slutledningskostnaden.
En modell som kan bearbeta eller generera flera datatyper som text, bild och ljud.
En NLP-uppgift som identifierar enheter som personer, platser, datum eller organisationer.
Grenen av AI fokuserade på att förstå och generera mänskligt språk.
En skiktad beräkningsmodell inspirerad av biologiska neuroner och synapser.
Omvandla värden till en konsekvent skala för att förbättra optimeringsstabiliteten.
Teknik som konverterar text i bilder eller skannar till maskinläsbar text.
En modell släppt med offentliga vikter eller kod för inspektion, anpassning och återanvändning.
När en modell memorerar träningsdata och presterar dåligt på osynliga ingångar.
En inlärd vikt inuti en modell som påverkar dess resultat.
Metoder som anpassar modeller genom att träna en liten delmängd av tillagda parametrar.
Ett språkmodellmått som mäter hur överraskad modellen är av sanna nästa tokens.
Ett ordnat arbetsflöde av förbearbetnings-, modellsteg och efterbearbetningssteg.
Andelen förutsagda positiva som faktiskt är korrekta.
Initial storskalig modellträning på breda data innan nedströmsanpassning.
Inmatningsinstruktionerna och sammanhanget som tillhandahålls till en generativ modell.
Utforma uppmaningar för att förbättra utskriftskvalitet, tillförlitlighet och kontrollerbarhet.
Ett attackmönster där skadliga instruktioner infogas i modellinmatningar eller hämtat innehåll.
Ta bort mindre viktiga modellvikter eller neuroner för att minska storleken och beräkna.
Konvertera modellvikter till format med lägre precision som 8-bitars eller 4-bitars.
En metod som hämtar extern kunskap och matar in den i generering vid slutledningstidpunkten.
Andelen faktiska positiva som en modell identifierar korrekt.
En modellpipeline som förutsäger användarpreferenser för rankning av innehåll eller produkter.
Stresstesta ett AI-system med motstridiga uppmaningar för att avslöja misslyckanden och risker.
Träning genom belöningssignaler där en agent lär sig handlingar som maximerar långsiktig avkastning.
En träningsmetod som använder signaler om mänskliga preferenser för att forma modellbeteende.
Hitta relevanta dokument eller poster från en kunskapskälla för en fråga.
En modell som ger resultat baserat på preferenssignaler, ofta använd i RLHF-pipelines.
En modells förmåga att bibehålla prestanda under buller, skift eller motstridiga ingångar.
Ett modereringslager som blockerar eller skriver om osäkra modellingångar eller utgångar.
Ett empiriskt samband som visar hur prestanda förbättras med modellstorlek, data eller beräkning.
Sökning som matchar betydelse snarare än exakt överlappning av sökord, ofta med inbäddningar.
Lär dig representationer från omärkta data genom att förutsäga maskerade eller transformerade delar.
En NLP-uppgift som klassificerar känslomässig ton eller åsikt i text.
En kompakt språkmodell optimerad för lägre latens, kostnad eller användning på enheten.
En modell där många parametrar är noll eller inaktiva för att minska beräkningen.
Träna en modell med märkta exempel som mappar ingångar till kända utgångar.
Artificiellt genererad data som används för att utöka, simulera eller skydda känslig träningsdata.
En högprioriterad instruktion som anger beteende, policy och svarsstil för en modell.
En samplingsinställning som kontrollerar slumpmässighet i genererade utdata.
En bit text bearbetad av språkmodeller, till exempel en ordbit eller symbol.
Processen att dela upp text i tokens för modellinmatning.
En modells förmåga att anropa externa verktyg som sökning, miniräknare eller API:er.
En avkodningsstrategi som endast samplar från de k mest sannolika nästa tokens.
En avkodningsstrategi som samplar från den minsta tokenuppsättningen vars sannolikheter summeras till p.
Tillämpa kunskap som lärts i en uppgift eller domän för att förbättra en annan uppgift.
En neural arkitektur som använder uppmärksamhet för att modellera relationer över sekvenser parallellt.
Modellfelvärdet beräknat under träning och optimerat nedåt över tiden.
Att lära sig mönster från omärkta data utan explicita målutdata.
En datauppsättning som används under utvecklingen för att trimma modeller och förhindra överanpassning.
En databas optimerad för att lagra och söka efter högdimensionella inbäddningsvektorer.
En multimodal modell som gemensamt bearbetar visuell och textuell information.
Använda bullriga, heuristiska eller partiella etiketter för att träna modeller när det är ont om rena etiketter.
Ett inlärt numeriskt värde som skalar signaler som passerar genom ett neuralt nätverk.
En tät vektorrepresentation av ord som fångar semantiska relationer.
Tekniker och metoder för att göra AI-förutsägelser mer transparenta och begripliga.
Att lösa uppgifter utan uppgiftsspecifika exempel genom att förlita sig på allmänna förkunskaper.
En process i flera steg där ett AI-system planerar, exekverar, kontrollerar resultat och itererar mot ett mål.
Europeiska unionens riskbaserade regelverk för AI-system och leverantörer.
Den extra kostnaden i tid, beräkning eller produkthastighet som krävs för att göra systemen säkrare och mer kontrollerbara.
När benchmarktestexempel eller närliggande varianter finns i träningsdata, ökar rapporterad prestation.
Metoder för att uppskatta orsak-verkan-samband snarare än enkla samband.
Ett statistiskt intervall som sannolikt innehåller det sanna värdet av ett uppmätt modellmått.
Ett tränings- och beteendeformande tillvägagångssätt där modellens resultat styrs av en fast uppsättning skrivna principer.
En registrering av var data kom ifrån, hur den omvandlades och var den används.
Det dokumenterade ursprunget, ägandet och historiken för en datauppsättning eller modellartefakt.
En sekretessteknik som lägger till statistiskt brus så att enskilda poster inte kan härledas tillförlitligt från utdata.
En mindre modell tränad att imitera en större modells beteende samtidigt som man använder mindre beräkning vid slutledning.
En modell specialiserad för att konvertera data till vektorer som används för semantisk sökning, klustring och hämtning.
Ett repeterbart utvärderingsramverk som kör uppmaningar, datauppsättningar och poänglogik över modellversioner.
Ett hanterat system för att lagra och servera validerade ML-funktioner konsekvent för träning och slutledning.
I vilken grad ett AI-svar stöds av källdata eller hämtade bevis.
En genereringsstrategi som begränsar utdatatokens till giltiga strukturer eller policykompatibla val.
En modell som tränats på mänskliga rankningar för att förutsäga vilka svar användare sannolikt föredrar.
Ett utrullat API-gränssnitt som tar emot modellförfrågningar och returnerar förutsägelser i produktion.
En kurerad samling av dokument eller poster som används för hämtning, supportautomatisering eller jordningssvar.
Ett komprimerat representationsutrymme där liknande begrepp är placerade nära varandra som vektorer.
En central katalog för versionering, godkännande och spårning av modeller i olika miljöer.
AI-inferens utförs lokalt på användarhårdvara snarare än i en fjärrmolntjänst.
Logik som validerar och omvandlar modellutdata till starkt typade, maskinanvändbara strukturer.
Ett återanvändbart promptmönster med variabler, formateringsregler och uppgiftsspecifika instruktioner.
Andelen hämtade objekt som är relevanta för användarens fråga.
Ett strukturerat argument, som stöds av bevis, att ett AI-system är säkert för en definierad användningskontext.
Att köra en modell parallellt med produktionstrafik utan att påverka användarinriktade beslut.
Modellutdata begränsad till ett definierat schema som JSON, verktygsargument eller inskrivna fält.
Ytterligare slutledningsberäkning som används under svarsgenerering för att förbättra kvalitet eller resonemang.
Anpassa användarnas förtroende för AI-utgångar med systemets faktiska tillförlitlighet i varje uppgift.
Prissättning där kostnaderna skalas med API-anrop, tokens, slutledningstid eller förbrukad beräkning.
En policy där nyttolaster för begäran/svar inte lagras efter bearbetning utöver kortlivade driftsfönster.
En inferensaccelerationsmetod där ett litet utkast till modell föreslår tokens som en större modell verifierar parallellt.
Lagrade nyckel- och värdetensorer från tidigare tokens som låter transformatorer generera nya tokens utan att räkna om tidigare uppmärksamhet.
Ett öppet protokoll som låter AI-applikationer ansluta till externa verktyg, datakällor och kontextleverantörer på ett standard sätt.
En iterativ cykel där en AI-agent observerar, planerar, agerar och reflekterar tills den slutför ett mål eller träffar ett stoppvillkor.
Ett uppmaningsmönster som interfolierar resonemangssteg med verktygsanvändningsåtgärder för att lösa uppgifter mer tillförlitligt.
Ett resonemangssätt där en modell utforskar flera förgrenade lösningsvägar och väljer ut de mest lovande.
En träningsmetod som finjusterar modeller direkt på preferenspar utan att behöva en separat belöningsmodell.
En finjusteringsteknik som kombinerar 4-bitars viktkvantisering med LoRA-adaptrar för att minska minnesbehovet.
En optimerad uppmärksamhetsalgoritm som minskar minnesanvändningen och påskyndar transformatorträning och slutledning.
En transformatormekanism som kör flera uppmärksamhetsoperationer parallellt för att fånga olika typer av relationer.
Information läggs till tokeninbäddningar så att transformatorer kan urskilja sekvensordning.
En positionskodningsmetod som roterar fråge- och nyckelvektorer för att koda relativa tokenpositioner.
En positionell bias-metod som straffar uppmärksamhetspoäng baserat på symboliskt avstånd, vilket hjälper modeller att extrapolera till längre sammanhang.
Ett uppmärksamhetsmönster där varje token endast tar hand om ett fönster med fast storlek av närliggande tokens för att minska beräkningen.
En underordstokeniseringsalgoritm som slår samman de vanligaste karaktärsparen till återanvändbara tokens.
En språkagnostisk tokenizer som lär sig underordsenheter direkt från råtext utan fördelning på blanksteg.
Algoritmer som hittar vektorer nära en fråga utan uttömmande jämförelse, byter exakthet mot hastighet.
En grafbaserad indexstruktur för snabb ungefärlig sökning av närmaste granne över högdimensionella vektorer.
En modell som omordnar en initial uppsättning hämtade resultat för att placera de mest relevanta objekten överst.
En återvinningsmetod som kombinerar nyckelord (lexikal) sökning med vektor (semantisk) sökning för bättre återhämtning och precision.
En modell som poängsätter en fråga och ett dokument tillsammans i ett pass för högnoggranna relevansbedömningar.
En modell som kodar frågor och dokument till separata vektorer så att de snabbt kan jämföras i skala.
Använda en språkmodell för att poängsätta eller jämföra resultat från andra modeller under utvärdering.
Ett kodutvärderingsmått som mäter chansen att minst ett av k genererade sampel klarar testerna.
Ett benchmark som testar språkmodeller över 57 akademiska och professionella ämnen med hjälp av flervalsfrågor.
Ett riktmärke för Python-programmeringsproblem som används för att mäta kodgenereringens korrekthet via enhetstester.
Ett riktmärke för matematiska ordproblem i grundskolan som används för att utvärdera steg-för-steg-resonemang i språkmodeller.
Hur exakt matchar en modells påståenden verifierbar verklig information.
Referenser till källpassager eller dokument som ingår i en modells svar för att stödja dess påståenden.
Inbädda en detekterbar signal i AI-genererad text eller media så att den senare kan identifieras som maskinproducerad.
En mellanliggande träningsfas mellan förträning och efterträning, som ofta används för kapacitets- eller domänjusteringar.
Utbildningssteg som tillämpas efter förträning, såsom instruktionsinställning, preferensoptimering och säkerhetsinställning.
Ett träningsupplägg där en modell förbättras genom att generera data genom interaktioner eller tävlingar med kopior av sig själv.
En hämtningsmetod som genererar flera frågevarianter, hämtar resultat för var och en och slår samman rankningarna.
En hämtningsteknik som skriver om användarfrågan till flera varianter för att förbättra återkallelsen.
Ett hämtningsmönster som söker i små bitar men returnerar sina större överordnade dokument för ett rikare sammanhang.
En avkodningsalgoritm som håller de översta flera kandidatsekvenserna vid varje steg för att hitta utdata med högre sannolikhet.
En avkodningsinställning som sänker sannolikheten för tokens som modellen redan har producerat för att minska loopar.
En avkodningsinställning som minskar sannolikheten för tokens proportionellt mot hur ofta de har dykt upp hittills.
En avkodningsinställning som minskar sannolikheten för tokens som överhuvudtaget har dykt upp, vilket uppmuntrar till nya ämnen.