Навчання Новини Інструм.Вакансії Місія

Безкоштовний глосарій AI

Глосарій ШІ

Прості визначення термінів ШІ, які ви постійно чуєте — для студентів, професіоналів і всіх, хто цікавиться тим, як працює ШІ.

ТТокенФрагмент тексту, оброблений мовними моделями, наприклад фрагмент слова або символ.

ВВбудовуванняЧислове векторне представлення, яке фіксує семантичне значення тексту, зображень або інших даних.

ГГалюцинаціїКоли модель генерує плавну, але неправдиву або непідтверджену інформацію.

213умови

213умови
38листи покриті
A–ZПошук + алфавітний фільтр
100%Визначення простою мовою

A3 умови

AGI (загальний штучний інтелект)

Гіпотетична система ШІ, яка може виконувати більшість інтелектуальних завдань на рівні людини в багатьох сферах.

ANN (приблизний найближчий сусід)

Алгоритми, які знаходять вектори, близькі до запиту, без повного порівняння, обмінюючи точність на швидкість.

API (інтерфейс прикладного програмування)

Структурований спосіб для однієї програмної системи надсилати запити до іншої системи та отримувати відповіді від неї.

B1 термін

BPE (кодування пари байтів)

Алгоритм токенізації підслова, який об’єднує найпоширеніші пари символів у багаторазово використовувані токени.

C1 термін

CLIP

Архітектура мультимодальної моделі, яка вивчає спільні представлення між текстом і зображеннями.

D1 термін

DPO (пряма оптимізація переваг)

Метод навчання, який точно налаштовує моделі безпосередньо на пари переваг без необхідності окремої моделі винагороди.

G2 умови

GAN (Generate Adversarial Network)

Генеративна установка, де генератор і дискримінатор тренуються один проти одного.

GSM8K

Тест початкових шкільних математичних текстових задач, які використовуються для оцінки покрокових міркувань у мовних моделях.

H2 умови

HNSW

Структура індексу на основі графів для швидкого наближеного пошуку найближчих сусідів за векторами великої розмірності.

HumanEval

Еталонний тест проблем програмування на Python, який використовується для вимірювання правильності генерації коду за допомогою модульних тестів.

L2 умови

LLM-як-суддя

Використання мовної моделі для оцінки або порівняння результатів інших моделей під час оцінювання.

LoRA (адаптація низького рангу)

Ефективний метод тонкого налаштування параметрів, який додає низькорангові матриці адаптерів.

M2 умови

MCP (протокол моделі контексту)

Відкритий протокол, який дозволяє додаткам штучного інтелекту підключатися до зовнішніх інструментів, джерел даних і постачальників контексту стандартним способом.

MMLU

Еталонний тест, який тестує мовні моделі з 57 академічних і професійних предметів за допомогою питань із варіантами відповідей.

O1 термін

OCR (оптичне розпізнавання символів)

Технологія, яка перетворює текст із зображень або відсканованих зображень на машиночитаний текст.

P3 умови

Pass@k

Показник оцінки коду, який вимірює ймовірність того, що принаймні один із k згенерованих зразків пройде тести.

Perplexity

Показник мовної моделі, який вимірює, наскільки модель здивована справжніми наступними токенами.

Prompt Engineering

Розробка підказок для покращення якості виведення, надійності та керованості.

Q1 термін

QLoRA

Техніка тонкого налаштування, яка поєднує 4-бітне вагове квантування з адаптерами LoRA для зменшення потреби в пам’яті.

R4 умови

RAG (генерація з доповненим пошуком)

Метод, який отримує зовнішні знання та передає їх у генерацію під час висновку.

RAG-Fusion

Метод пошуку, який генерує кілька варіантів запиту, отримує результати для кожного та об’єднує рейтинги.

ReAct

Шаблон підказок, який перемежовує кроки міркування з діями використання інструментів для більш надійного вирішення завдань.

RoPE (ротаційні позиційні вставки)

Метод позиційного кодування, який обертає вектори запиту та ключа для кодування відносних позицій маркерів.

S1 термін

SentencePiece

Незалежний від мови токенізатор, який вивчає одиниці підслів безпосередньо з необробленого тексту без попереднього розбиття на пробіли.

T1 термін

Top-p (Ядро) Вибірка

Стратегія декодування, яка бере вибірку з найменшого набору токенів, сума ймовірностей якого дорівнює p.

X1 термін

XAI (зрозумілий штучний інтелект)

Техніки та практики, щоб зробити прогнози AI більш прозорими та зрозумілими.

Z1 термін

Zero-Shot Навчання

Розв’язування задач без конкретних прикладів із опорою на попередні загальні знання.

І1 термін

Інструкція Налаштування

Точне налаштування моделі на парах інструкція-відповідь для покращення виконання завдань.

А11 умови

Автономна система

Система, яка може приймати рішення та діяти з обмеженим або без прямого контролю людини в реальному часі.

Агентська петля

Ітеративний цикл, у якому агент штучного інтелекту спостерігає, планує, діє та розмірковує, поки не досягне мети або не досягне умови зупинки.

Агентський робочий процес

Багатоетапний процес, у якому система штучного інтелекту планує, виконує, перевіряє результати та виконує ітерації до мети.

Адаптація домену

Методи, які передають модель, навчену в одному домені, для кращої роботи в іншому домені.

Алгоритм

Визначений набір правил або кроків, яких дотримується комп’ютер для вирішення проблеми або виконання завдання.

Алгоритмічна прозорість

Наскільки чітко задокументовані та зрозумілі логіка системи ШІ, джерела даних і обмеження.

Алгоритмічний зсув

Систематична несправедливість у результатах моделі, спричинена спотвореними даними, припущеннями чи вибором моделювання.

АЛіБі

Метод позиційного упередження, який штрафує показники уваги на основі символічної відстані, допомагаючи моделям екстраполювати на довші контексти.

Аналіз настроїв

Завдання НЛП, яке класифікує емоційний тон або думку в тексті.

Анотація

Мітки або метадані, додані людиною, використовуються для навчання або оцінки моделей машинного навчання.

Ансамбль

Об’єднання прогнозів із кількох моделей для підвищення надійності та точності.

Б5 умови

Багатостороння увага

Механізм трансформатора, який виконує декілька операцій уваги паралельно, щоб охопити різні типи зв’язків.

База знань

Підібрана колекція документів або записів, які використовуються для пошуку, автоматизації підтримки або обґрунтування відповідей.

Базова модель

Проста еталонна модель, яка використовується для порівняння того, чи справді більш складні підходи покращують результати.

Безпечний футляр

Структурований аргумент, підтверджений доказами, що система ШІ є безпечною для певного контексту використання.

Бі-кодувальник

Модель, яка кодує запити та документи в окремі вектори, щоб їх можна було швидко порівнювати в масштабі.

В18 умови

вага

Вивчене числове значення, яке масштабує сигнали, що проходять через нейронну мережу.

Вбудовування

Числове векторне представлення, яке фіксує семантичне значення тексту, зображень або інших даних.

Вбудовування слів

Щільне векторне представлення слів, що фіксують семантичні зв’язки.

Векторна база даних

База даних, оптимізована для зберігання та запиту високовимірних вбудованих векторів.

Велика мовна модель (LLM)

Мовна модель, навчена на масивних текстових корпусах для створення та аналізу тексту.

Великі дані

Дуже великі та складні набори даних, які вимагають масштабованих технологій зберігання та обробки.

Вибірка Top-k

Стратегія декодування, яка виконує вибірку лише з k найімовірніших наступних токенів.

Виклик функції

Здатність моделі створювати структуровані виклики, які запускають зовнішні інструменти або API.

Використання інструменту

Здатність моделі викликати зовнішні інструменти, такі як пошук, калькулятори або API.

Вирівнювання AI

Робота над тим, щоб системи штучного інтелекту вели себе відповідно до людських намірів, цінностей і обмежень безпеки.

Висновок

Фаза виконання, на якій навчена модель генерує прогнози або результати.

Висновок-обчислення часу

Кількість обчислювальної потужності, спожитої під час створення кожної відповіді.

Витяг функцій

Перетворення необроблених даних в інформативні функції, які може використовувати модель.

Відкликати

Частка фактичних позитивів, які модель правильно визначає.

Відсічення знань

Останній момент часу, відображений у даних навчання моделі.

Водяний знак

Вбудовування сигналу, який можна виявити, у текст або медіа, згенерований штучним інтелектом, щоб пізніше можна було ідентифікувати його як створений машиною.

Втеча з в'язниці

Швидка техніка, призначена для обходу обмежень безпеки моделі.

Втрата навчання

Значення помилки моделі, обчислене під час навчання та оптимізоване у бік зменшення з часом.

Г9 умови

Галюцинації

Коли модель генерує плавну, але неправдиву або непідтверджену інформацію.

Генеративний ШІ

Системи штучного інтелекту, які створюють новий вміст, наприклад текст, зображення, аудіо, відео чи код.

Гібридний пошук

Підхід до пошуку, який поєднує пошук за ключовими словами (лексичний) із векторним (семантичним) пошуком для кращого запам’ятовування та точності.

Гіперпараметр

Значення конфігурації, встановлене перед навчанням, наприклад швидкість навчання, розмір партії або глибина.

Глибоке навчання

Підмножина машинного навчання, яка використовує багаторівневі нейронні мережі для навчання представлення.

Гра самостійно

Навчальна установка, де модель вдосконалюється шляхом генерування даних через взаємодію або змагання з її копіями.

Градієнт

Вектор, що показує, наскільки має змінитися кожен параметр, щоб зменшити втрати.

Градієнтний спуск

Метод оптимізації, який оновлює параметри в напрямку, що зменшує помилку.

Граф знань

Структура графа сутностей і зв’язків, які використовуються для міркувань або пошуку.

Д9 умови

Дерево думок

Підхід міркування, коли модель досліджує кілька розгалужених шляхів вирішення та вибирає найбільш перспективні.

Дерево рішень

Модель, яка робить прогнози через послідовність розділення функцій «якщо-тоді».

Дистильована модель

Менша модель, навчена імітувати поведінку більшої моделі, використовуючи менше обчислень для висновку.

Дистиляція

Стиснення знань із великої моделі вчителя в меншу модель учня.

Дистиляція знань

Навчання меншої моделі імітувати результати більшої моделі.

Диференціальна конфіденційність

Техніка конфіденційності, яка додає статистичний шум, щоб окремі записи не можна було надійно вивести з результатів.

Довірте калібрування

Порівнювання впевненості користувачів у результатах ШІ з фактичною надійністю системи в кожному завданні.

Довірчий інтервал

Статистичний діапазон, який, імовірно, містить справжнє значення виміряної метрики моделі.

Дрейф даних

Зміна вхідних даних реального світу з часом, що може погіршити продуктивність моделі.

Е3 умови

Еваль Харнес

Повторювана система оцінювання, яка запускає підказки, набори даних і логіку оцінки в версіях моделі.

Еталон

Стандартизований тест або набір даних, який використовується для вимірювання та порівняння продуктивності моделі.

Еталонний витік

Якщо в навчальних даних присутні приклади порівняльного тесту або наближені варіанти, це завищує звітну продуктивність.

З8 умови

Закон масштабування

Емпіричний зв’язок, який показує, як покращується продуктивність із розміром моделі, даними чи обчисленнями.

Закон про ШІ

Основана на ризиках нормативна база Європейського Союзу для систем штучного інтелекту та постачальників.

Затримка

Час між надсиланням запиту та отриманням виходу моделі.

Захищене декодування

Стратегія генерації, яка обмежує вихідні маркери дійсними структурами або виборами, сумісними з політикою.

Збільшення даних

Методи, які створюють модифіковані навчальні приклади для покращення узагальнення моделі.

Зворотне поширення

Основний навчальний алгоритм, який оновлює вагові коефіцієнти моделі шляхом передачі помилок передбачення назад через мережу.

Згладжування міток

Метод регулярізації, який пом’якшує жорсткі мітки для покращення узагальнення.

Згорточна нейронна мережа (CNN)

Нейронна архітектура, оптимізована для обробки сіткових даних, таких як зображення.

К14 умови

Калібрування

Наскільки показники надійності моделі відповідають фактичним імовірностям правильності.

Квантування

Перетворення ваг моделі у формати з нижчою точністю, такі як 8- або 4-бітні.

Квантування моделі

Зменшення чисельної точності вагових коефіцієнтів моделі для зменшення вартості пам’яті та висновків.

Кеш KV

Збережені тензори ключів і значень із попередніх токенів, які дозволяють трансформаторам генерувати нові токени без повторного обчислення минулої уваги.

Кінцева точка висновку

Розгорнутий інтерфейс API, який отримує запити моделі та повертає прогнози у виробництві.

Класифікатор

Модель, розроблена спеціально для класифікаційних завдань.

Класифікація

Завдання, у якому модель призначає вхідні дані одній або кільком попередньо визначеним категоріям.

Класифікація намірів

Прогнозування мети користувача на основі текстового запиту для його правильного маршрутизації.

Кодувальник

Компонент моделі, який перетворює вхідні дані на приховані представлення.

Комп'ютерний зір

Розділ штучного інтелекту, який витягує значення із зображень і відео.

Конституційний ШІ

Підхід до навчання та формування поведінки, коли результати моделі керуються фіксованим набором письмових принципів.

Контекстне вікно

Максимальна кількість вхідних токенів, які мовна модель може обробити одночасно.

Контрольоване навчання

Навчання моделі з позначеними прикладами, які відображають вхідні дані та відомі результати.

Крос-кодувальник

Модель, яка оцінює запит і документ разом за один прохід для високоточного оцінювання релевантності.

Л3 умови

Ланцюг думок

Стиль міркування, коли модель AI розкладає проблему на проміжні кроки.

Лінія даних

Запис про те, звідки надійшли дані, як вони були перетворені та де використовуються.

Людина в циклі

Робочий процес, у якому люди переглядають, направляють або скасовують результати ШІ.

М18 умови

Магазин функцій

Керована система для постійного зберігання та надання підтверджених функцій машинного навчання для навчання та висновків.

Мала мовна модель (SLM)

Компактна мовна модель, оптимізована для меншої затримки, вартості або використання на пристрої.

Маркування даних

Процес призначення тегів або цільових виходів необробленим даним для контрольованого навчання.

Машинне навчання (ML)

Методи, які дозволяють системам вивчати шаблони з даних і вдосконалюватися з часом.

Межа прийняття рішення

Поверхня в просторі ознак, яка розділяє класи, передбачені класифікатором.

Механізм уваги

Компонент моделі, який динамічно фокусується на відповідних частинах вхідних даних під час створення виходу.

Міцність

Здатність моделі підтримувати ефективність за умов шуму, зсувів або агресивних вхідних даних.

Модель вбудовування

Спеціалізована модель для перетворення даних у вектори, що використовуються для семантичного пошуку, кластеризації та пошуку.

Модель винагороди

Модель, яка оцінює результати на основі сигналів переваги, часто використовується в конвеєрах RLHF.

Модель дифузії

Генеративна архітектура, яка вчиться змінювати шум, щоб синтезувати зображення, аудіо чи інший вміст.

Модель з відкритим кодом

Модель, випущена з загальнодоступними вагами або кодом для перевірки, адаптації та повторного використання.

Модель картки

Документація з описом передбачуваного використання моделі, показників, обмежень і ризиків.

Модель мови бачення (VLM)

Мультимодальна модель, яка спільно обробляє візуальну та текстову інформацію.

Модель переваг людини

Модель, навчена на людському рейтингу, щоб передбачити, яким відповідям користувачі, швидше за все, віддадуть перевагу.

Модель фундаменту

Велика попередньо навчена модель, яку можна адаптувати до багатьох подальших завдань.

Модель чорного ящика

Модель, внутрішні міркування якої важко інтерпретувати безпосередньо людям.

Модельний дрейф

Зниження продуктивності з часом, оскільки реальні умови відрізняються від припущень щодо навчання.

Мультимодальна модель

Модель, яка може обробляти або генерувати кілька типів даних, таких як текст, зображення та аудіо.

Н11 умови

Набір даних

Набір структурованих або неструктурованих прикладів, які використовуються для навчання, перевірки чи тестування.

Набір для оцінювання

Захищений набір даних, який використовується для вимірювання якості моделі після навчання.

Набір перевірки

Набір даних, який використовується під час розробки для налаштування моделей і запобігання переобладнанню.

Навчання без контролю

Вивчення шаблонів з немаркованих даних без явних цільових виходів.

Навчання в контексті

Здатність моделі слідувати шаблонам із прикладів, наданих безпосередньо в підказці.

Навчання з підкріпленням

Навчання за сигналами винагороди, коли агент навчається діям, які максимізують довгострокову віддачу.

Навчання з підкріпленням на основі зворотного зв’язку людини (RLHF)

Метод навчання, який використовує сигнали переваг людини для формування модельної поведінки.

Невелике навчання

Вивчення або адаптація поведінки лише на невеликій кількості прикладів.

Нейронна мережа

Багатошарова обчислювальна модель, натхненна біологічними нейронами та синапсами.

Нормалізація

Перетворення значень у послідовний масштаб для підвищення стабільності оптимізації.

Нульове збереження даних

Політика, згідно з якою корисні навантаження запитів/відповідей не зберігаються після обробки за межами короткотривалих операційних вікон.

О10 умови

Обрізка

Видалення менш важливих ваг моделі або нейронів для зменшення розміру та обчислень.

Обробка природної мови (NLP)

Галузь ШІ зосереджена на розумінні та створенні людської мови.

Обчислення тестового часу

Додаткове обчислення логічного висновку, яке використовується під час генерації відповіді для покращення якості чи аргументації.

Обчислити

Ресурси обробки, необхідні для навчання та запуску моделей, часто вимірюються в FLOPS або годинах GPU.

Огородження

Правила, перевірки та елементи керування, які обмежують небезпечну або небажану поведінку моделі.

Оперативна ін'єкція

Шаблон атаки, коли зловмисні інструкції вставляються у вхідні дані моделі або отриманий вміст.

Оплата на основі використання

Ціноутворення, де витрати масштабуються з викликами API, маркерами, часом висновку або споживаними обчисленнями.

Основна правда

Довірені еталонні мітки, які використовуються для навчання або оцінки вихідних даних моделі.

Особливість

Вхідна змінна, яка використовується моделлю для прогнозування.

Отримання кількох запитів

Техніка пошуку, яка переписує запит користувача на кілька варіантів для покращення запам’ятовування.

П23 умови

Пам'ять (Пам'ять агента)

Збережений контекст агент штучного інтелекту використовує на етапах або сеансах для покращення безперервності.

Параметр

Вивчена вага всередині моделі, яка впливає на її результати.

Параметричне точне налаштування (PEFT)

Методи, які адаптують моделі шляхом навчання невеликої підмножини доданих параметрів.

Парсер виводу

Логіка, яка перевіряє та перетворює вихідні дані моделі в строго типізовані структури, які можна використовувати машиною.

Передача навчання

Застосування знань, отриманих в одному завданні чи домені, для покращення іншого завдання.

Переобладнання

Коли модель запам’ятовує навчальні дані та погано працює на невидимих вхідних даних.

Перехресна втрата ентропії

Загальна цільова функція, яка використовується для навчання моделей класифікації шляхом штрафування за неправильні ймовірності.

Підкажіть

Вхідні інструкції та контекст, надані для генеративної моделі.

Податок на вирівнювання

Додаткові витрати на час, обчислення або швидкість продукту, необхідні для того, щоб зробити системи безпечнішими та керованими.

Позиційне кодування

Інформація, додана до вбудованих токенів, щоб трансформатори могли розрізняти порядок послідовності.

Помилковий позитивний результат

Неправильний прогноз, коли модель неправильно позначає негативний випадок як позитивний.

Помилково негативний

Неправильний прогноз, коли модель пропускає справжній позитивний випадок.

Попередня підготовка

Початкове навчання великомасштабної моделі на широких даних перед подальшою адаптацією.

Постійне навчання

Підходи до навчання, які дозволяють моделі продовжувати навчатися на нових даних, не забуваючи попередні знання.

Посттренінг

Етапи навчання, які застосовуються після попереднього навчання, наприклад налаштування інструкцій, оптимізація параметрів і налаштування безпеки.

Походження даних

Задокументоване походження, право власності та історія набору даних або артефакту моделі.

Пошук

Пошук відповідних документів або записів із джерела знань для запиту.

Пошук батьківських документів

Шаблон пошуку, який шукає невеликі фрагменти, але повертає їх більші батьківські документи для більшого контексту.

Пошук за променем

Алгоритм декодування, який зберігає декілька верхніх послідовностей-кандидатів на кожному кроці, щоб знайти результати з вищою ймовірністю.

Пояснюваність

Ступінь, до якого поведінку моделі можна інтерпретувати та пояснити людям.

Приземленість

Ступінь, до якого відповідь ШІ підтверджується вихідними даними або отриманими доказами.

Прихований простір

Стислий простір репрезентації, де подібні поняття розташовані поруч один з одним як вектори.

Причинно-наслідковий висновок

Методи оцінки причинно-наслідкових зв’язків, а не простих кореляцій.

Р6 умови

Реєстр моделей

Центральний каталог для версії, затвердження та відстеження моделей у різних середовищах.

Реранкер

Модель, яка змінює порядок початкового набору отриманих результатів, щоб розмістити найбільш відповідні елементи вгорі.

Розпізнавання іменованих сутностей (NER)

Завдання НЛП, яке визначає такі сутності, як люди, місця, дати чи організації.

Розріджена модель

Модель, де багато параметрів дорівнюють нулю або неактивні, щоб зменшити обчислення.

Розробка функцій

Розробка або перетворення вхідних змінних, щоб зробити навчання легшим і ефективнішим.

Розсувне вікно Увага

Шаблон уваги, де кожен маркер звертається лише до вікна фіксованого розміру сусідніх маркерів, щоб зменшити обчислення.

С11 умови

Самоконтрольоване навчання

Вивчення представлень із немаркованих даних шляхом передбачення замаскованих або трансформованих частин.

Семантичний пошук

Пошук, який відповідає значенню, а не точному збігу ключових слів, часто з використанням вставок.

Середина тренування

Проміжний етап навчання між попереднім навчанням і після навчанням, який часто використовується для коригування можливостей або домену.

Синтетичні дані

Штучно створені дані, які використовуються для доповнення, імітації або захисту конфіденційних навчальних даних.

Система рекомендацій

Конвеєр моделі, який передбачає вподобання користувачів для ранжирування вмісту або продуктів.

Системна підказка

Інструкція з високим пріоритетом, яка встановлює поведінку, політику та стиль відповіді для моделі.

Слабкий нагляд

Використання зашумлених, евристичних або часткових міток для навчання моделей, коли чистих міток бракує.

Спалах уваги

Оптимізований алгоритм концентрації уваги, який зменшує використання пам’яті та прискорює навчання трансформатора та логічні висновки.

Спекулятивне декодування

Метод прискорення логічного висновку, коли маленька чернеткова модель пропонує токени, які більша модель перевіряє паралельно.

Структурований вихід

Вихід моделі обмежено визначеною схемою, як-от JSON, аргументами інструментів або введеними полями.

Суміш експертів (MoE)

Архітектура зі спеціалізованими підмережами, де лише вибрані експерти працюють на вході.

Т9 умови

температура

Налаштування вибірки, що контролює випадковість у згенерованих результатах.

Тіньове розгортання

Запуск моделі паралельно з робочим трафіком, не впливаючи на рішення користувача.

Токен

Фрагмент тексту, оброблений мовними моделями, наприклад фрагмент слова або символ.

Токенізація

Процес поділу тексту на маркери для введення моделі.

Точне налаштування

Постійне навчання на предметних даних для адаптації попередньо навченої моделі до конкретного завдання.

Точність

Частка прогнозованих позитивних результатів, які насправді є правильними.

Точність пошуку

Частка отриманих елементів, які відповідають запиту користувача.

трансформатор

Нейронна архітектура, яка використовує увагу для паралельного моделювання зв’язків між послідовностями.

Трубопровід

Упорядкований робочий процес попередньої обробки, кроків моделі та етапів постобробки.

У3 умови

Узагальнення

Наскільки добре модель працює на нових, невидимих даних за межами навчального набору.

Упередженість

Послідовна модель помилок або несправедливості в даних або поведінці моделі.

Управління AI

Політики, стандарти та механізми нагляду, які керують розробкою та використанням ШІ в суспільстві.

Ф3 умови

Фактичность

Наскільки точно твердження моделі збігаються з реальною інформацією, яку можна перевірити.

Фільтр безпеки

Рівень модерації, який блокує або переписує небезпечні входи або виходи моделі.

Функція втрати

Математична мета, яка кількісно визначає помилку передбачення під час навчання.

Ц1 термін

Цитування

Посилання на вихідні уривки або документи, включені у відповідь моделі для підтвердження своїх тверджень.

Ч1 термін

Червоне тестування

Стрес-тестування системи штучного інтелекту з протилежними підказками для виявлення збоїв і ризиків.

Ш9 умови

Шаблон запиту

Багаторазовий шаблон підказки зі змінними, правилами форматування та інструкціями для конкретних завдань.

Швидкість навчання

Навчальний гіперпараметр, який контролює, скільки параметрів змінюється на кожному кроці оновлення.

ШІ агент

Програмна система, яка може спостерігати, міркувати та виконувати дії для досягнення мети, часто використовуючи інструменти та пам’ять.

ШІ Безпека

Область, зосереджена на зниженні шкідливої поведінки, збоїв і ризиків неправильного використання в системах ШІ.

ШІ на пристрої

Штучний інтелект виконується локально на апаратному забезпеченні користувача, а не у віддаленій хмарній службі.

Штраф за повторення

Налаштування декодування, яке знижує ймовірність токенів, які вже створила модель, щоб зменшити кількість циклів.

Штраф за присутність

Налаштування декодування, яке зменшує ймовірність появи жетонів взагалі, заохочуючи нові теми.

Штраф за частоту

Налаштування декодування, яке зменшує ймовірність появи токенів пропорційно частоті їх появи.

Штучний інтелект (AI)

Широке поле побудови систем, які виконують завдання, що вимагають розпізнавання шаблонів, аргументації, мови або прийняття рішень.

Безкоштовний глосарій AI

213 умови · Визначення простою мовою

Перегляньте повну бібліотеку посібника