Strona główna » Ai e-book o sztucznej inteligencji » Słownik Ai – podstawowe pojęcia sztucznej inteligencji

Słownik Ai – podstawowe pojęcia sztucznej inteligencji

by kapdes
slownik-ai-podstawowe-pojecia-sztucznej-inteligencji

Przygotowaliśmy listę zwrotów i pojęć przydatnych do zrozumienia sztucznej inteligencji, w szczególności nowej rasy chatbotów obsługujących sztuczną inteligencję, takich jak ChatGPT, Bing i Bard.

Podajemy w niektórych przypadkach terminy przetłumaczone na język polski oraz w nawiasie w języku angielskim. W wielu publikacjach używane są terminy wyłącznie po angielsku dlatego warto znać te słowa w obu językach.

Adnotacja językowa (Linguistic annotation)

Oznaczanie zbioru danych zdań za pomocą podmiotu każdego zdania, gotowego do jakiejś formy analizy lub oceny. Typowe zastosowania danych z adnotacjami językowymi obejmują analizę nastrojów i przetwarzanie języka naturalnego.

Algorytm

Zestaw reguł, których maszyna może przestrzegać, aby dowiedzieć się, jak wykonać zadanie.

Antropomorfizm (Anthropomorphism)

Tendencja ludzi do przypisywania chatbotowi Ai cech podobnych do ludzkich. Na przykład, można założyć, że jest on uprzejmy lub okrutny na podstawie jego odpowiedzi, nawet jeśli nie jest zdolny do posiadania emocji, lub można wierzyć, że sztuczna inteligencja jest czująca, ponieważ bardzo dobrze naśladuje ludzki język.

Bias

Rodzaj błędu, który może wystąpić w dużym modelu językowym, jeśli jego wynik jest wypaczony przez dane treningowe modelu. Na przykład model może kojarzyć określone cechy lub zawody z określoną rasą lub płcią, co prowadzi do niedokładnych prognoz i obraźliwych odpowiedzi.

Duży model językowy (Large language model – LLM)

Rodzaj sieci neuronowej, która uczy się umiejętności – w tym generowania prozy, prowadzenia rozmów i pisania kodu komputerowego – analizując ogromne ilości tekstu z całego Internetu. Podstawową funkcją jest przewidywanie następnego słowa w sekwencji, ale modele te zaskoczyły ekspertów, ucząc się nowych umiejętności.

Etykieta (Label)

Część danych szkoleniowych, która identyfikuje pożądane dane wyjściowe dla tego konkretnego fragmentu danych.

Generatywna sztuczna inteligencja (Generative Ai)

Technologia, która tworzy treści – w tym tekst, obrazy, wideo i kod komputerowy – poprzez identyfikowanie wzorców w dużych ilościach danych szkoleniowych, a następnie tworzenie oryginalnego materiału o podobnych cechach. Przykłady obejmują ChatGPT dla tekstu oraz DALL-E i Midjourney dla obrazów.

Halucynacja

Dobrze znane zjawisko w dużych modelach językowych, w którym system udziela odpowiedzi, która jest niepoprawna, nieistotna lub bezsensowna, z powodu ograniczeń w danych szkoleniowych i architekturze.

Inteligencja maszynowa (Machine intelligence)

Termin obejmujący różne rodzaje algorytmów uczenia się, w tym uczenie maszynowe i głębokie uczenie się.

Intencja (Intent)

Powszechnie stosowany w danych szkoleniowych dla chatbotów i innych zadań przetwarzania języka naturalnego, jest to rodzaj etykiety, która określa cel wypowiedzi. Na przykład intencją wyrażenia „zmniejsz głośność” może być „zmniejsz głośność”.

Model transformatorowy (Transformer model)

Architektura sieci neuronowej przydatna do zrozumienia języka, która nie musi analizować słów pojedynczo, ale może spojrzeć na całe zdanie naraz. Był to przełom w dziedzinie sztucznej inteligencji, ponieważ umożliwił modelom zrozumienie kontekstu i długoterminowych zależności w języku. Transformery wykorzystują technikę zwaną self-attention, która pozwala modelowi skupić się na konkretnych słowach, które są ważne dla zrozumienia znaczenia zdania.

Parametry

Wartości liczbowe, które definiują strukturę i zachowanie dużego modelu językowego, takie jak wskazówki, które pomagają mu odgadnąć, jakie słowa będą następne. Uważa się, że systemy takie jak GPT-4 mają setki miliardów parametrów.

Prompt

Forma tekstu, pytania, informacji lub kodowania, które komunikują sztucznej inteligencji, jakiej odpowiedzi szukasz.

Przetwarzanie języka naturalnego (Natural language processing)

Techniki wykorzystywane przez duże modele językowe do rozumienia i generowania ludzkiego języka, w tym klasyfikacji tekstu i analizy nastrojów. Metody te często wykorzystują kombinację algorytmów uczenia maszynowego, modeli statystycznych i reguł językowych.

Sieć neuronowa (Neural network)

System matematyczny wzorowany na ludzkim mózgu, który uczy się umiejętności poprzez znajdowanie wzorców statystycznych w danych. Składa się z warstw sztucznych neuronów: Pierwsza warstwa odbiera dane wejściowe, a ostatnia wyprowadza wyniki. Nawet eksperci tworzący sieci neuronowe nie zawsze rozumieją, co dzieje się pomiędzy nimi.

Sztuczna inteligencja (Artificial intelligence)

Odnosi się do ogólnej koncepcji maszyn działających w sposób symulujący lub naśladujący ludzką inteligencję. Sztuczna inteligencja może mieć różne cechy, takie jak komunikacja podobna do ludzkiej lub podejmowanie decyzji.

Test Turinga

Nazwany na cześć Alana Turinga, słynnego matematyka, informatyka i logika, testuje zdolność maszyny do udawania człowieka, szczególnie w dziedzinie języka i zachowania. Po ocenieniu przez człowieka, maszyna przechodzi test, jeśli jej wyniki są nie do odróżnienia od wyników człowieka.

Uczenie ze wzmocnieniem (Reinforcement learning)

Technika, która uczy model sztucznej inteligencji znajdowania najlepszych wyników metodą prób i błędów, otrzymując nagrody lub kary od algorytmu na podstawie jego wyników. System ten może zostać ulepszony przez ludzi przekazujących informacje zwrotne na temat jego wydajności, w formie ocen, poprawek i sugestii.

Uczenie głębokie (Deep learning)

Funkcja sztucznej inteligencji, która naśladuje ludzki mózg, ucząc się na podstawie struktury danych, a nie algorytmu zaprogramowanego do wykonywania jednej konkretnej czynności.

Uczenie maszynowe (Machine learning)

Ten podzbiór sztucznej inteligencji koncentruje się w szczególności na opracowywaniu algorytmów, które pomogą maszynom uczyć się i zmieniać w odpowiedzi na nowe dane, bez pomocy człowieka.

Zachowanie emergentne (Emergent behavior:)

Nieoczekiwane lub niezamierzone zdolności w dużym modelu językowym, możliwe dzięki wzorcom uczenia się i regułom modelu na podstawie danych szkoleniowych. Na przykład modele, które są szkolone na stronach poświęconych programowaniu i kodowaniu, mogą pisać nowy kod. Inne przykłady obejmują zdolności twórcze, takie jak komponowanie poezji, muzyki i fikcyjnych historii.

Pozostałe artykuły