Având în vedere că inteligența artificială încă e de puțin timp pe piață, poate mulți dintre voi nu ați avut ocazia să vă familiarizați cu toți termenii folosiți.
De aceea am creat acest glosar cu 54 termeni din lumea AI, disponibil în permanență aici pe blog, ca să te poți reîntoarce oricând atunci când vrei să cauți un termen.
Partea și mai faină e că, de fiecare dată când o să citesc despre un termen nou, o să revin și eu aici să-l adaug pe listă, astfel încât să fie actualizată constant.
A
Agent AI: Un software sau un robot care ia decizii și acționează în mod autonom pentru a-și îndeplini obiectivele.
Ajustare (Tuning): Procesul prin care parametrii unui model AI sunt modificați pentru a-i îmbunătăți performanța și acuratețea
Algoritm: Un set de reguli și pași logici pe care un computer le urmează pentru a rezolva o problemă sau a învăța să facă o sarcină.
Antrenare: Procesul prin care un model AI învață să recunoască tipare și să rezolve sarcini, analizând un set de date, cum ar fi imagini sau text.
B
Bias: O tendință nedorită a unui model AI de a favoriza anumite rezultate din cauza datelor incomplete sau părtinitoare din procesul de antrenare.
Big Data: Seturi masive și variate de date (cum ar fi imagini, texte sau înregistrări video), care sunt atât de mari încât au nevoie de tehnologii avansate pentru a fi procesate.
C
Chatbot: Un program bazat pe inteligență artificială care interacționează cu utilizatorii prin text sau voce, înțelegând și răspunzând la întrebări într-un mod natural.
Clustering: O tehnică prin care AI grupează date similare în funcție de tipare comune, fără să cunoască dinainte categoriile, cum ar fi împărțirea clienților în segmente.
Convergență: Momentul în care un model AI termină procesul de învățare și ajunge la cea mai bună soluție posibilă, bazată pe datele primite.
D
Date de antrenare: Setul de date utilizat pentru a învăța un model AI să recunoască tipare și să își îmbunătățească performanța.
Date de testare: Setul de date folosit pentru a evalua cât de bine funcționează un model AI după antrenare.
Dimensionalitate: Numărul de caracteristici sau variabile care definesc datele utilizate de un model AI.
Distribuție: Modul în care valorile datelor sunt răspândite sau organizate într-un set de date.
E
Eroare de predicție: Diferența dintre rezultatul prezis de un model AI și valoarea reală așteptată, utilizată pentru a evalua acuratețea modelului.
F
Flux de date: Un proces continuu de transfer și procesare a informațiilor între diferite sisteme sau componente, utilizat de AI pentru a analiza date în timp real.
G
Generative Adversarial Networks (GANs): Un tip de rețea neuronală care constă din două modele care concurează între ele: unul generează date false, iar celălalt încearcă să le distingă de datele reale, antrenându-se reciproc.
Gestiunea datelor (Data Management): Procesul de colectare, organizare, stocare și menținere a datelor pentru a fi utilizate eficient în aplicațiile de inteligență artificială.
H
Halucinație: Situație în care un model AI generează informații false sau inexacte, fără nicio bază în datele primite sau realitate.
Heuristică: O regulă sau metodă simplificată folosită de un model AI pentru a găsi soluții eficiente, fără a explora toate posibilitățile.
I
Inferență: Procesul prin care un model antrenat aplică ceea ce a învățat pentru a face predicții sau a lua decizii pe baza unor date noi.
Inițializare: Procesul de setare a valorilor inițiale pentru parametrii unui model AI, cum ar fi ponderile, înainte de începerea antrenării.
Inteligență artificială: Tehnologia care permite programelor să imite modul în care oamenii gândesc, învață sau iau decizii.
Inteligență artificială generală: Un sistem capabil să rezolve orice sarcină intelectuală la nivelul unui om, indiferent de domeniu.
Învățare automată (Machine Learning): Un domeniu al inteligenței artificiale care permite programelor să învețe din date și să își îmbunătățească performanța pe sarcini specifice, fără a fi programate explicit pentru fiecare sarcină.
Învățare profundă (Deep Learning): O tehnologie care ajută programele să înțeleagă date complexe, cum ar fi imagini sau texte, folosind rețele neuronale care imită modul în care funcționează creierul uman.
J
Joint Optimization: Optimizarea simultană a mai multor obiective sau parametri într-un model AI, astfel încât să se obțină cel mai bun rezultat pentru toate.
L
Legături neuronale (Neural Links): Conexiuni între „neuroni” artificiali dintr-o rețea neuronală, care transmit informația de la un strat la altul pentru a face predicții sau a lua decizii.
M
Model AI: Un program antrenat să rezolve o anumită sarcină, cum ar fi recunoașterea imaginilor sau traducerea textului, pe baza datelor primite.
Modele de învățare profundă: Tipuri de modele AI care folosesc rețele neuronale complexe pentru a învăța și înțelege date foarte mari și variate, cum ar fi imagini sau sunete.
Modele generative: Modele AI care creează conținut nou, cum ar fi imagini, text sau sunet, imitând tiparele din datele cu care au fost antrenate.
N
Neuron artificial: O unitate de bază dintr-o rețea neuronală care primește date, le procesează și transmite un rezultat mai departe, imitând modul în care funcționează neuronii din creierul uman.
Nod (Node): Un punct dintr-o rețea neuronală sau un grafic AI, unde se procesează și se transmite informația.
Număr de parametri: Totalul variabilelor pe care un model AI le ajustează în timpul antrenării pentru a învăța și a face predicții.
P
Prelucrare de date: Etapa în care datele brute sunt organizate, curățate și pregătite pentru a fi utilizate de un model AI.
Procesarea limbajului natural (Natural Language Processing): Ramura AI care permite programelor să înțeleagă, să interpreteze și să răspundă la text sau vorbire în limbaj uman
Prompt: O instrucțiune sau o întrebare oferită unui model AI, cum ar fi un chatbot sau un generator de text, pentru a obține un răspuns relevant.
R
Rată de învățare: Un hiperparametru care controlează cât de mult își ajustează un model AI parametrii în fiecare pas de antrenare.
Rețea neuronală: Un model AI inspirat de creierul uman, format din noduri conectate (neuroni), care lucrează împreună pentru a analiza date și a face predicții.
S
Set de date: O colecție organizată de informații utilizate pentru antrenarea, testarea sau validarea unui model AI.
Strat neuronal: Un grup de „neuroni” artificiali dintr-o rețea neuronală, care procesează informațiile și le transmit mai departe către următorul strat.
T
Temperatură: Un parametru care controlează creativitatea unui model AI în generarea de răspunsuri; temperaturi mai mici dau răspunsuri mai precise, iar cele mai mari, răspunsuri mai variate.
Testul Turing: Un test conceput pentru a evalua dacă un sistem AI poate răspunde atât de natural încât să nu fie diferențiat de un om.
Token: O unitate mică de informație, cum ar fi un cuvânt sau o parte de cuvânt, folosită de un model AI pentru a analiza textul.
Tokenizare: Procesul de împărțire a unui text în unități mici (tokeni) pentru ca un model AI să le analizeze mai ușor.
U
Unitate de procesare neuronală: Un cip specializat proiectat să accelereze antrenarea și rularea rețelelor neuronale, utilizat în dispozitive moderne pentru AI.
V
Validare: Etapa în care un model AI este testat pe date noi (dar similare celor de antrenare) pentru a evalua cât de bine generalizează.
Z
Zgomot (Noise): Date sau informații inutile sau eronate care pot afecta performanța unui model AI, îngreunând identificarea tiparelor corecte.