AI tagad ir mūsu ikdienas sastāvdaļa. Sākot ar milzīgo Chatgpt popularitāti līdz Google, kas krampjos AI kopsavilkumos, savu meklēšanas rezultātu augšgalā, AI pilnībā pārņem internetu. Izmantojot AI, jūs varat saņemt tūlītējas atbildes uz gandrīz jebkuru jautājumu. Var justies kā sarunāties ar kādu, kam ir doktora grāds. visā.
Wager šis AI tērzēšanas robotu aspekts ir tikai viena AI ainavas sastāvdaļa. Protams, kam ir Chatgpt palīdz veikt mājas darbus vai ar MidJourney izveidošanu Aizraujoši mechs attēli, kuru pamatā ir izcelsmes valsts ir foršs, guess ģeneratīvās AI potenciāls varētu pilnībā pārveidot ekonomiku. Tas varētu būt vērts Gadā pasaules ekonomikai 4,4 triljoni USDsaskaņā ar McKinsey World Institute teikto, tāpēc jums vajadzētu gaidīt, ka arvien vairāk un vairāk dzirdēsit par mākslīgo intelektu.
Tas tiek parādīts reibinošā produktu klāstā-īsā, īsā sarakstā ir Google Dvīņi, Microsoft’s Copilot, Anthropic’s Claude, apjukums Jūs varat izlasīt mūsu atsauksmes un praktiskus šo un citu produktu novērtējumus, kā arī ziņas, paskaidrojumus un kā ierakstus, mūsu AI Atlas centrā.
Kad cilvēki vairāk pierod pie pasaules, kas savstarpēji saistīti ar AI, visur parādās jauni termini. Tātad, vai jūs mēģināt izklausīties gudri pār dzērieniem vai iespaidu uz darba interviju, šeit ir daži svarīgi AI termini, kas jums jāzina.
Šis glosārijs tiek regulāri atjaunināts.
Mākslīgais vispārējais intelekts jeb AGI: Koncepcija, kas liecina par progresīvāku AI versiju, nekā mēs šodien zinām, tā var veikt uzdevumus daudz labāk nekā cilvēki, arī mācot un attīstot savas spējas.
aģentūra: Sistēmas vai modeļi, kas eksponē aģentūru ar spēju autonomi veikt darbības, lai sasniegtu mērķi. AI kontekstā aģentūras modelis var darboties bez pastāvīgas uzraudzības, piemēram, augsta līmeņa autonoma automašīna. Atšķirībā no “aģentu” ietvara, kas atrodas fonā, aģentūras ietvari ir priekšā, koncentrējoties uz lietotāja pieredzi.
AI ētika: Principi, kuru mērķis ir novērst AI nodarīt kaitējumu cilvēkiem, kas sasniegti ar līdzekļiem, piemēram, noteikt, kā AI sistēmām vajadzētu vākt datus vai rīkoties ar aizspriedumiem.
AI drošība: Starpdisciplinārs lauks, kas attiecas uz AI ilgtermiņa ietekmi un to, kā tas pēkšņi varētu progresēt līdz tremendous inteliģencei, kas cilvēkiem varētu būt naidīga.
algoritms: Instrukciju virkne, kas ļauj datorprogrammai noteiktā veidā apgūt un analizēt datus, piemēram, modeļu atpazīšanu, pēc tam mācīties no tā un veic uzdevumus pats par sevi.
Izlīdzināšana: AI pielāgošana, lai labāk iegūtu vēlamo iznākumu. Tas var attiekties uz jebko, sākot no mērenas satura līdz pozitīvas mijiedarbības uzturēšanai pret cilvēkiem.
Antropomorfisms: Kad cilvēki mēdz dot necaurlaidīgus objektus cilvēciskas īpašības. AI tas var ietvert ticību tērzēšanas robotam ir cilvēciskāks un apzinīgāks, nekā tas patiesībā ir, tāpat kā ticēt, ka tas ir laimīgs, skumjš vai pat jūtams pavisam.
mākslīgais intelekts vai AI: Tehnoloģiju izmantošana cilvēka intelekta modelēšanai vai nu datorprogrammās, vai robotikā. Datorzinātnes joma, kuras mērķis ir veidot sistēmas, kas var veikt cilvēku uzdevumus.
autonomi aģenti: AI modelis, kam ir iespējas, programmēšana un citi rīki, lai veiktu konkrētu uzdevumu. Pašpiedziņas automašīna ir autonoms aģents, piemēram, tāpēc, ka tai ir maņu ieejas, GPS un braukšanas algoritmi, lai pārvietotos pa ceļu pati. Stenfordas pētnieki ir parādījuši, ka autonomi aģenti var attīstīt savu kultūru, tradīcijas un kopīgu valodu.
aizspriedumi: Attiecībā uz lielo valodu modeļiem kļūdas, kas izriet no apmācības datiem. Tas var izraisīt nepatiesu noteiktu īpašību attiecināšanu uz noteiktām rasēm vai grupām, pamatojoties uz stereotipiem.
Chatbot: Programma, kas sazinās ar cilvēkiem, izmantojot tekstu, kas imitē cilvēku valodu.
Chatgpt: Openai izstrādātais AI tērzētava, kas izmanto lielu valodu modeļa tehnoloģiju.
Kognitīvā skaitļošana: Vēl viens mākslīgā intelekta termins.
datu palielināšana: Esošo datu remiksēšana vai daudzveidīgāka datu kopas pievienošana AI apmācībai.
datu kopa: Digitālās informācijas kolekcija, ko izmanto, lai apmācītu, pārbaudītu un apstiprinātu AI modeli.
Dziļā mācīšanās: AI metode un mašīnmācīšanās apakšlauks, kas izmanto vairākus parametrus, lai atpazītu sarežģītus modeļus attēlos, skaņā un tekstā. Course of ir iedvesmots no cilvēka smadzenēm, un modeļu izveidošanai izmanto mākslīgos neironu tīklus.
difūzija: Mašīnmācīšanās metode, kas uzņem esošu datu gabalu, piemēram, fotoattēlu, un pievieno nejaušu troksni. Difūzijas modeļi apmāca savus tīklus pārveidot vai atgūt šo fotoattēlu.
parādīšanās uzvedība: Kad AI modelim ir neparedzētas spējas.
mācīšanās no vienas puses vai E2E: Dziļa mācību course of, kurā modelim tiek uzdots veikt uzdevumu no sākuma līdz beigām. Tas nav apmācīts veikt uzdevumu secīgi, guess tā vietā mācās no ieejām un atrisina to visu uzreiz.
ētiski apsvērumi: AI ētiskās sekas un jautājumi, kas saistīti ar privātumu, datu izmantošanu, taisnīgumu, nepareizu izmantošanu un citām drošības jautājumiem.
Foom: Pazīstams arī kā ātra pacelšanās vai smaga pacelšanās. Koncepcija, ka, ja kāds veido AGI, varētu būt par vēlu glābt cilvēci.
Ģeneratīvie pretinieku tīkli vai Gans: Ģeneratīvs AI modelis, kas sastāv no diviem neironu tīkliem, lai ģenerētu jaunus datus: ģeneratoru un diskriminatoru. Ģenerators izveido jaunu saturu, un diskriminētājs pārbauda, vai tas ir autentisks.
Ģeneratīvā AI: Satura ģenerējoša tehnoloģija, kas izmanto AI, lai izveidotu tekstu, video, datora kodu vai attēlus. AI tiek barots ar lielu daudzumu apmācības datu, atrod modeļus, lai ģenerētu savas jaunās atbildes, kas dažreiz var būt līdzīga izejmateriālam.
Google Dvīņi: Google AI Chatbot, kas darbojas līdzīgi kā ChatGpt, guess izvelk informāciju no pašreizējā tīmekļa, turpretī ChatGpt ir ierobežots ar datiem līdz 2021. gadam un nav savienots ar internetu.
Aizsargi: Politikas un ierobežojumi, kas ievietoti AI modeļiem, lai nodrošinātu, ka dati tiek apstrādāti atbildīgi un ka modelis nerada satraucošu saturu.
halucinācija: Nepareiza AI atbilde. Var ietvert ģeneratīvas AI radīšanas atbildes, kas ir nepareizas, guess ar pārliecību, it kā pareizas. Iemesli tam nav pilnībā zināmi. Piemēram, jautājot AI tērzētavai: “Kad Leonardo da Vinci gleznoja Mona Lisa?” tas var atbildēt ar nepareizu paziņojumu sakot: “Leonardo da Vinci 1815. gadā gleznoja Mona Lizu”, kas ir 300 gadus pēc tam, kad tā faktiski tika krāsota.
secinājums: Course of AI modeļi izmanto, lai ģenerētu tekstu, attēlus un citu saturu par jauniem datiem secinājums no viņu apmācības datiem.
lielas valodas modelis jeb LLM: AI modelis, kas apmācīts ar masveida teksta datu daudzumu, lai izprastu valodu un ģenerētu jaunu saturu cilvēkam līdzīgā valodā.
latentums: Laika kavēšanās no brīža, kad AI sistēma saņem ievadi vai uzvedni un rada izvadi.
mašīnmācīšanās jeb ML: Komponents AI, kas ļauj datoriem mācīties un padarīt labākus paredzamus rezultātus bez skaidras programmēšanas. Var savienot ar apmācības komplektiem, lai ģenerētu jaunu saturu.
Microsoft Bing: Microsoft meklētājprogramma, kas tagad var izmantot Expertise Powering ChatGpt, lai sniegtu AI darbināmus meklēšanas rezultātus. Tas ir līdzīgs Google Gemini, jo tas ir savienots ar internetu.
Multimodāls AI: AI veids, kas var apstrādāt vairāku veidu ievadus, ieskaitot tekstu, attēlus, video un runu.
Dabiskās valodas apstrāde: AI filiāle, kas izmanto mašīnmācību un dziļu mācīšanos, lai datoriem dotu iespēju izprast cilvēku valodu, bieži izmantojot mācību algoritmus, statistiskos modeļus un lingvistiskos noteikumus.
Neironu tīkls: Skaitļošanas modelis, kas atgādina cilvēka smadzeņu struktūru un ir paredzēts, lai atpazītu datu modeļus. Sastāv no savstarpēji savienotiem mezgliem vai neironiem, kas laika gaitā var atpazīt modeļus un mācīties.
Pārmērīga: Kļūda mašīnu apguvē, kur tā darbojas pārāk cieši pret apmācības datiem, un, iespējams, var noteikt tikai noteiktus piemērus minētajos datos, guess ne jaunos datos.
Papīra pārklājumi: Papīra izlikšanas maksimizes teorija, ko izveidojis filozofs Niks Boströms Oksfordas Universitātes ir hipotētisks scenārijs, kurā AI sistēma radīs pēc iespējas vairāk burtisku papīra skaitļu. Savā mērķa iegūšanā maksimāli daudzu papīra daudzumu AI sistēma hipotētiski patērētu vai pārveidotu visus materiālus, lai sasniegtu savu mērķi. Tas varētu ietvert citu mašīnu demontāžas demontāžu, lai iegūtu vairāk papīra klipu, mašīnas, kas varētu būt noderīgas cilvēkiem. Šīs AI sistēmas neparedzētās sekas ir tādas, ka tā var iznīcināt cilvēci tā mērķa sasniegšanā.
parametri: Skaitliskās vērtības, kas dod LLMS struktūru un uzvedību, ļaujot tai veikt prognozes.
Apjukums: Ar AI darbināma tērzēšanas robota un meklētājprogrammas nosaukums, kas pieder apspiešanai AI. Tas izmanto lielu valodas modeli, piemēram, tos, kas atrodami citos AI tērzēšanas robotos, lai atbildētu uz jautājumiem ar jaunām atbildēm. Tā savienojums ar atvērto internetu arī ļauj tai atteikties no informācijas un iegūt rezultātus no visa tīmekļa. Ir pieejams arī apmaksāts pakalpojuma līmenis apspiests un izmanto citus modeļus, ieskaitot GPT-4O, Claude 3 opus, mistral lielo, atvērtā pirmkoda lamu 3 un tā paša Sonar 32K. Professional lietotāji var papildus augšupielādēt dokumentus analīzei, ģenerēt attēlus un interpretēt kodu.
uzvedne: Ieteikums vai jautājums, kuru jūs ievadāt AI tērzētavā, lai saņemtu atbildi.
Ātra ķēde: AI spēja izmantot informāciju no iepriekšējās mijiedarbības uz krāsu turpmāko atbildi.
kvantēšana: Course of, kurā AI liels mācību modelis tiek padarīts mazāks un efektīvāks (kaut arī nedaudz mazāk precīzs), samazinot tā precizitāti no augstāka formāta līdz zemākam formātam. Labs veids, kā domāt par to, ir salīdzināt 16 megapikseļu attēlu ar 8 megapikseļu attēlu. Abas joprojām ir skaidras un redzamas, taču augstākas izšķirtspējas attēlam būs sīkāka informācija, kad esat tuvinājis.
Stohastiskais papagailis: LLM analoģija, kas parāda, ka programmatūrai nav lielāka izpratne par valodas vai apkārtējās pasaules nozīmi neatkarīgi no tā, cik pārliecinoši izklausās izvade. Frāze attiecas uz to, kā papagailis var atdarināt cilvēku vārdus, nesaprotot to nozīmi.
stila pārsūtīšana: Spēja pielāgot viena attēla stilu cita saturam, ļaujot AI interpretēt viena attēla vizuālos atribūtus un izmantot to citā. Piemēram, ņemot Rembranta pašportretu un atkārtoti izveidojot to Pikaso stilā.
temperatūra: Parametri ir iestatīti, lai kontrolētu, cik nejauša ir valodas modeļa izvade. Augstāka temperatūra nozīmē, ka modelim ir vairāk risku.
Teksta-attēla paaudze: Attēlu izveidošana, pamatojoties uz tekstuāliem aprakstiem.
marķieri: Nelieli rakstiska teksta biti, kurus AI valodas modeļi apstrādā, lai formulētu atbildes uz jūsu uzvednēm. Marķieris ir līdzvērtīgs četriem rakstzīmēm angļu valodā vai apmēram trīs ceturtdaļas vārda.
apmācības dati: Datu kopas, ko izmanto, lai palīdzētu AI modeļiem mācīties, ieskaitot tekstu, attēlus, kodu vai datus.
Transformatora modelis: Neironu tīkla arhitektūra un dziļas mācīšanās modelis, kas apgūst kontekstu, izsekojot datos, piemēram, teikumos vai attēlu daļās. Tātad, tā vietā, lai analizētu teikumu vienu vārdu vienlaikus, tas var aplūkot visu teikumu un saprast kontekstu.
Tjūringa checks: Tas, kas nosaukts pēc slavenā matemātiķa un datorzinātnieka Alana Tjūringa, tas pārbauda mašīnas spēju izturēties kā cilvēks. Mašīna iet garām, ja cilvēks nevar atšķirt mašīnas reakciju no cita cilvēka.
bez uzraudzības mācīšanās: Mašīnmācīšanās forma, kurā marķētie apmācības dati netiek sniegti modelim, un tā vietā modelim ir jāidentificē dati pati par sevi.
Vāja Ai, aka šaura ai: AI, kas koncentrējas uz noteiktu uzdevumu un nevar mācīties ārpus tā prasmju kopas. Lielākā daļa mūsdienu AI ir vāja AI.
nulles šāviena mācīšanās: Pārbaude, kurā modelim jāpabeidz uzdevums, nesniedzot nepieciešamos apmācības datus. Piemērs būtu lauvas atpazīšana, kamēr viņš tiek apmācīts tikai uz tīģeriem.
