Kiambatisho

Faharasa ya AI

Maneno utakayosikia chumbani, yakiwa yameelezwa kwa urahisi.

Akili bandia (AI): Mifumo iliyoundwa kutekeleza kazi zinazohusishwa na akili ya binadamu, kama vile utabiri, uainishaji, uzalishaji, au upangaji.
Kujifunza kwa mashine: Mbinu ambayo mfumo hujifunza ruwaza kutokana na mifano badala ya kupokea kila kanuni kwa uwazi.
Model: Mfumo wa kihisabati uliojifunza ambao hulinganisha ingizo na tokeo.
Large language model (LLM): Model iliyofunzwa kwa mikusanyiko mikubwa ya matini ili kutabiri na kuzalisha lugha.
AI zalishi: AI inayozalisha matini, picha, sauti, msimbo, au matokeo mengine mapya.
Mfumo tendaji / wakala wa AI: Model iliyounganishwa na zana, kumbukumbu, maelekezo, na mizunguko ya hatua ili iweze kukamilisha hatua nyingi.
Uendeshaji otomatiki: Kutumia mfumo kutekeleza kazi kwa uingiliaji wa moja kwa moja wa binadamu ulio mdogo.
Uongezaji uwezo: Kutumia AI kusaidia kazi ya binadamu badala ya kuibadilisha.
Binadamu-ndani-ya-mzunguko: Mtu hupitia, huidhinisha, au huingilia mchakato unaosaidiwa na AI.
Binadamu-juu-ya-mzunguko: Mtu husimamia mfumo bila kupitia kila hatua.
Binadamu-nje-ya-mzunguko: Mfumo hutenda bila mtu kupitia kila uamuzi au hatua.
Data za mafunzo: Mifano inayotumiwa kurekebisha vigezo vya model wakati wa mafunzo.
Seti ya data: Mkusanyiko uliopangwa wa data unaotumiwa kwa mafunzo, majaribio, au uchambuzi.
Chanzo cha data: Taarifa kuhusu data ilikotoka na jinsi ilivyokusanywa au kubadilishwa.
Mlolongo wa data: Historia ya jinsi data inavyosonga kupitia mifumo na mageuzi.
Data zenye muundo: Data zilizopangwa katika nyuga, safu, kategoria, au skima zilizofafanuliwa.
Data zisizo na muundo: Nyenzo kama matini, picha, sauti, au video zisizo na muundo thabiti wa jedwali.
Data sanisi: Data zinazozalishwa kwa njia bandia zilizoundwa kufanana na data halisi.
Ukweli rejea: Lebo au matokeo ya rejea yanayochukuliwa kuwa sahihi kwa ajili ya tathmini.
Hifadhidata ya maarifa: Mkusanyiko ulioratibiwa wa taarifa ambazo mfumo unaweza kurejesha.
Maarifa ya vigezo: Taarifa zilizosimbwa katika vigezo vilivyojifunzwa na model.
Maarifa ya ukweli: Taarifa kuhusu ukweli au mahusiano ambazo model inaweza kuwa imejifunza kutoka kwenye data zake za mafunzo.
Retrieval-augmented generation (RAG): Mfumo hurejesha nyaraka au rekodi kabla ya kuzalisha jibu.
Maarifa ya mahali: Maarifa yaliyojikita katika uzoefu wa mahali au jamii fulani.
Maarifa ya Watu wa Asili: Mifumo ya maarifa iliyoendelezwa na kudumishwa na Watu wa Asili na jamii zao.
Mamlaka ya data: Kanuni kwamba data hutawaliwa kulingana na sheria, haki, na mamlaka ya watu au mahali inapohusu.
Upunguzaji wa data: Kukusanya na kuhifadhi data zile tu zinazohitajika kwa madhumuni yaliyotajwa.
Data nyeti: Data ambazo kufichuliwa kwake au matumizi mabaya yake kunaweza kusababisha madhara.
Ingizo / prompt: Maelekezo au nyenzo zinazotolewa kwa model.
Tokeo: Matini, utabiri, uainishaji, picha, au hatua inayozalishwa na mfumo.
Uzalishaji wa tokeo: Kuendesha model iliyofunzwa ili kuzalisha tokeo.
Dirisha la muktadha: Kiasi cha matini au nyenzo nyingine ambacho model inaweza kuzingatia kwa wakati mmoja.
Token: Kipimo cha matini au data nyingine kinachochakatwa na model ya lugha.
Embedding: Uwakilishi wa namba wa matini, picha, au data nyingine unaotumiwa kulinganisha mahusiano.
Uainishaji: Kukiweka kipengee katika kategoria moja au zaidi.
Utabiri: Kukadiria matokeo yanayowezekana kutokana na data zilizopo.
Utabiri wa mbele: Utabiri kuhusu hali au tukio la baadaye.
Pendekezo: Tokeo linalopendekeza mkondo wa hatua.
Uboreshaji: Kutafuta matokeo bora zaidi kulingana na lengo na vikwazo vilivyofafanuliwa.
Dhima ya lengo: Kiasi rasmi ambacho mfumo hujaribu kukikuza au kukipunguza.
Kiashiria mbadala: Kipimo kisicho cha moja kwa moja kinachotumiwa badala ya lengo ambalo ni gumu zaidi kupima.
Kipimo rejea: Jaribio linalotumiwa kulinganisha utendaji wa model.
Tathmini: Kupima model au mfumo dhidi ya vigezo vilivyofafanuliwa.
Kutokuwa na uhakika: Kiwango ambacho tokeo linaweza kuwa si sahihi au si kamili.
Alama ya uhakika: Makadirio ya namba yanayohusishwa na utabiri au uainishaji.
Ukalibishaji: Uhusiano kati ya uhakika uliotabiriwa na usahihi halisi.
Ufafanulike: Uwezo wa kutoa maelezo yanayoeleweka kuhusu jinsi tokeo lilivyozalishwa.
Ufasirike: Kiwango ambacho tabia ya ndani ya mfumo inaweza kueleweka.
Sanduku jeusi: Mfumo ambao utendaji wake wa ndani ni vigumu kuukagua.
Uhalusinishaji: Tokeo la model linalosomeka kwa ufasaha lakini lisiloungwa mkono, la uongo, au lililotungwa.
Upendeleo: Hitilafu ya kimfumo au utendaji usio sawa unaohusishwa na data, usanifu, au matumizi.
Usawa: Mienendo ya kutathmini na kushughulikia utendeaji au matokeo yasiyo sawa.
Ustahimilivu: Uwezo wa kufanya kazi kwa kutegemewa chini ya hali zilizobadilika au zisizo kamili.
Shambulio pinzani: Ingizo lililoundwa kimakusudi kusababisha mfumo kushindwa au kutenda kwa njia isiyotarajiwa.
Mtandao wa neva: Mfumo wa kikokotozi ulioundwa kwa tabaka zilizounganishwa zinazobadilisha maingizo kuwa matokeo.
Perceptron: Model ya awali ya kihisabati ya seli moja ya ubongo, na msingi wa utafiti wa baadaye wa mitandao ya neva.
Transformer: Usanifu wa mtandao wa neva unaotumia umakini kuchakata mahusiano kati ya token.
Uzani: Namba ambazo model ilijifunza wakati wa mafunzo. Katika utekelezaji, uzani ndio model.
Uzani wazi: Uzani uliochapishwa ili mtu yeyote aweze kuendesha, kukagua, au kuhifadhi model mwenyewe.
Uzani funge: Uzani unaowekwa kwenye seva za mtoa huduma na kufikiwa tu kupitia huduma yake.
Mafunzo ya awali: Mafunzo ya mwanzo kwa mkusanyiko mkubwa wa data, kwa kawaida kwa kutabiri maudhui yanayokosekana au yanayofuata.
Urekebishaji mahsusi: Mafunzo zaidi kwa seti ya data au kazi finyu zaidi.
Baada ya mafunzo: Michakato inayotumika baada ya mafunzo ya awali ili kuboresha manufaa, tabia, au upatanishaji.
Reinforcement learning (RL): Mafunzo kupitia mrejesho unaotunuku baadhi ya hatua na kuadhibu nyingine.
Reinforcement learning from human feedback (RLHF): Reinforcement learning inayotumia mapendeleo au tathmini za binadamu.
Model ya kufikiri: Model au mfumo ulioboreshwa kutumia ukokotozi wa ziada kwa matatizo ya hatua nyingi.
Mlolongo wa fikra: Matini ya kufikiri ya kati inayozalishwa wakati wa kutatua tatizo.
Sheria za upanuzi: Mahusiano yaliyoonekana kati ya utendaji wa model, ukubwa wa model, data za mafunzo, na nguvu ya ukokotozi.
Mixture of experts (MoE): Usanifu wenye mitandao midogo mingi ya wataalamu, ambapo ni baadhi tu hutumiwa kwa kila ingizo.
Upatanishaji: Kuunda mfumo ili tabia yake iakisi malengo au maadili yaliyobainishwa.
Usalama wa AI: Utafiti na matendo yanayolenga kupunguza tabia ya mfumo yenye madhara au isiyodhibitiwa.
Utawala wa AI: Kanuni, taasisi, michakato, na matendo yanayounda maendeleo na matumizi ya AI.
AI yenye uwajibikaji: Kuendeleza na kutumia AI kwa kuzingatia athari za kijamii, kimaadili, kisheria, na kimazingira.
Usanifu unaozingatia maadili: Kubuni teknolojia kwa kuzingatia wazi maadili ya binadamu na maslahi yaliyoathiriwa.
AI inayolingana na mamlaka ya jamii: AI iliyoundwa na kutawaliwa ili kuhifadhi uwezo wa kujitenda wa jamii au mahali palipofafanuliwa.
Ruhusa za kina: Vikwazo kuhusu zana, faili, data, au hatua ambazo mfumo unaweza kufikia.
Sandbox: Mazingira yaliyotengwa ambamo mfumo unaweza kufanya kazi kwa ufikiaji uliowekewa mipaka.
Lango la idhini ya binadamu: Idhini ya lazima ya binadamu kabla ya hatua kuendelea.
Kumbukumbu ya ukaguzi: Rekodi ya maingizo, matokeo, hatua, na mabadiliko ya mfumo.
Kadi ya model: Nyaraka zinazoeleza matumizi yaliyokusudiwa ya model, mipaka yake, na tathmini yake.
Kadi ya mfumo: Nyaraka zinazohusu mfumo mpana uliowekwa kazini, ikijumuisha hatari na hatua za kupunguza.
Mkengeuko wa model: Mabadiliko ya utendaji kadiri data, tabia, au hali zinavyobadilika baada ya muda.
Uwekaji matoleo: Kufuatilia mabadiliko ya model, data, prompts, na programu.
Rollback: Kurejesha mfumo au uwekaji kazini kwenye toleo la awali.
Kujihifadhi mwenyewe: Kuendesha model kwenye vifaa unavyovidhibiti wewe au taasisi yako.
Kutohifadhi data kabisa: Ahadi ya kimkataba kwamba mtoa huduma hahifadhi chochote unachomtumia.