TheVerge сделал краткий
Референс по основным понятиям в ИИ для людей
Искусственный интеллект (ИИ) - Artificial Intelligence (AI). Область компьютерных наук, направленная на создание систем, способных выполнять задачи, требующие человеческого интеллекта. Это включает обучение, решение проблем, распознавание образов и принятие решений.
Машинное обучение - Machine Learning. Подраздел ИИ, фокусирующийся на разработке алгоритмов и статистических моделей, позволяющих компьютерным системам улучшать свою производительность на конкретной задаче с опытом, без явного программирования.
Искусственный интеллект общего назначения - Artificial General Intelligence (AGI). Гипотетическая форма ИИ с интеллектом человеческого уровня, способная выполнять любую интеллектуальную задачу, которую может выполнить человек. AGI должен иметь способность передавать знания между доменами.
Генеративный ИИ - Generative AI. Тип ИИ, способный создавать новый контент, такой как текст, изображения, музыка или даже код, основываясь на обучении на больших наборах данных. Примеры включают ChatGPT и DALL-E.
Галлюцинации - Hallucinations. Феномен в генеративном ИИ, когда модель производит информацию, которая кажется правдоподобной, но фактически неверна или не имеет смысла. Это происходит из-за ограничений в обучающих данных или самой модели.
Предвзятость - Bias. Систематическая ошибка в результатах ИИ, часто отражающая предубеждения, присутствующие в обучающих данных или алгоритме. Может приводить к несправедливым или дискриминационным результатам.
Модель ИИ - AI Model. Математическое представление системы или процесса, обученное на данных для выполнения конкретной задачи. Модели ИИ могут варьироваться от простых линейных регрессий до сложных нейронных сетей.
Большие языковые модели - Large Language Models (LLMs). Модели глубокого обучения, обученные на огромных объемах текстовых данных, способные понимать и генерировать человекоподобный текст. Примеры включают GPT (Generative Pre-trained Transformer) и BERT.
Диффузионные модели - Diffusion Models. Класс генеративных моделей, которые обучаются постепенно удалять шум из данных. Особенно эффективны для генерации изображений высокого качества из текстовых описаний.
Фундаментальные модели - Foundation Models. Большие модели ИИ, обученные на разнообразных неразмеченных данных, которые могут быть адаптированы для широкого спектра задач с минимальной дополнительной подготовкой.
Пограничные модели - Frontier Models. Передовые модели ИИ, находящиеся на границе технологических возможностей. Они представляют собой следующее поколение моделей, потенциально более мощных и способных, чем существующие.
Обучение - Training. Процесс, в котором модель ИИ улучшает свою производительность на заданной задаче путем многократного воздействия на данные и корректировки своих внутренних параметров.
Обучающие данные - Training Data. Набор данных, используемый для обучения модели ИИ. Качество и разнообразие этих данных критически важны для производительности и обобщающей способности модели.
Параметры - Parameters. Внутренние переменные модели ИИ, которые она учится оптимизировать во время обучения. Количество параметров часто используется как мера сложности модели.
Обработка естественного языка - Natural Language Processing (NLP). Область ИИ, фокусирующаяся на взаимодействии между компьютерами и человеческим языком. Включает задачи, такие как понимание текста, генерация текста, перевод и анализ настроений.
Выдача - Inference. Процесс использования обученной модели ИИ для получения предсказаний или генерации выходных данных на основе новых входных данных.
Токены - Tokens. Базовые единицы текста, используемые языковыми моделями. Могут быть словами, частями слов или символами. Токенизация - это процесс разбиения текста на эти единицы для обработки.
Нейронная сеть - Neural Network. Вычислительная модель, вдохновленная структурой человеческого мозга. Состоит из взаимосвязанных узлов ("нейронов"), организованных в слои, которые обрабатывают информацию.
Сергей Булаев AI 🤖 - об AI и не только
Референс по основным понятиям в ИИ для людей
Искусственный интеллект (ИИ) - Artificial Intelligence (AI). Область компьютерных наук, направленная на создание систем, способных выполнять задачи, требующие человеческого интеллекта. Это включает обучение, решение проблем, распознавание образов и принятие решений.
Машинное обучение - Machine Learning. Подраздел ИИ, фокусирующийся на разработке алгоритмов и статистических моделей, позволяющих компьютерным системам улучшать свою производительность на конкретной задаче с опытом, без явного программирования.
Искусственный интеллект общего назначения - Artificial General Intelligence (AGI). Гипотетическая форма ИИ с интеллектом человеческого уровня, способная выполнять любую интеллектуальную задачу, которую может выполнить человек. AGI должен иметь способность передавать знания между доменами.
Генеративный ИИ - Generative AI. Тип ИИ, способный создавать новый контент, такой как текст, изображения, музыка или даже код, основываясь на обучении на больших наборах данных. Примеры включают ChatGPT и DALL-E.
Галлюцинации - Hallucinations. Феномен в генеративном ИИ, когда модель производит информацию, которая кажется правдоподобной, но фактически неверна или не имеет смысла. Это происходит из-за ограничений в обучающих данных или самой модели.
Предвзятость - Bias. Систематическая ошибка в результатах ИИ, часто отражающая предубеждения, присутствующие в обучающих данных или алгоритме. Может приводить к несправедливым или дискриминационным результатам.
Модель ИИ - AI Model. Математическое представление системы или процесса, обученное на данных для выполнения конкретной задачи. Модели ИИ могут варьироваться от простых линейных регрессий до сложных нейронных сетей.
Большие языковые модели - Large Language Models (LLMs). Модели глубокого обучения, обученные на огромных объемах текстовых данных, способные понимать и генерировать человекоподобный текст. Примеры включают GPT (Generative Pre-trained Transformer) и BERT.
Диффузионные модели - Diffusion Models. Класс генеративных моделей, которые обучаются постепенно удалять шум из данных. Особенно эффективны для генерации изображений высокого качества из текстовых описаний.
Фундаментальные модели - Foundation Models. Большие модели ИИ, обученные на разнообразных неразмеченных данных, которые могут быть адаптированы для широкого спектра задач с минимальной дополнительной подготовкой.
Пограничные модели - Frontier Models. Передовые модели ИИ, находящиеся на границе технологических возможностей. Они представляют собой следующее поколение моделей, потенциально более мощных и способных, чем существующие.
Обучение - Training. Процесс, в котором модель ИИ улучшает свою производительность на заданной задаче путем многократного воздействия на данные и корректировки своих внутренних параметров.
Обучающие данные - Training Data. Набор данных, используемый для обучения модели ИИ. Качество и разнообразие этих данных критически важны для производительности и обобщающей способности модели.
Параметры - Parameters. Внутренние переменные модели ИИ, которые она учится оптимизировать во время обучения. Количество параметров часто используется как мера сложности модели.
Обработка естественного языка - Natural Language Processing (NLP). Область ИИ, фокусирующаяся на взаимодействии между компьютерами и человеческим языком. Включает задачи, такие как понимание текста, генерация текста, перевод и анализ настроений.
Выдача - Inference. Процесс использования обученной модели ИИ для получения предсказаний или генерации выходных данных на основе новых входных данных.
Токены - Tokens. Базовые единицы текста, используемые языковыми моделями. Могут быть словами, частями слов или символами. Токенизация - это процесс разбиения текста на эти единицы для обработки.
Нейронная сеть - Neural Network. Вычислительная модель, вдохновленная структурой человеческого мозга. Состоит из взаимосвязанных узлов ("нейронов"), организованных в слои, которые обрабатывают информацию.
Сергей Булаев AI 🤖 - об AI и не только