TechCrunch enthüllt umfassende KI -Glossar

Künstliche Intelligenz ist ein komplexes und sich ständig weiterentwickelnder Bereich. Die Wissenschaftler, die in diesen Bereich eintauchen, verwenden häufig eine spezielle Terminologie, die es für den Rest von uns schwierig machen kann, Schritt zu halten. Aus diesem Grund haben wir dieses Glossar geschaffen - um Ihnen zu helfen, die wichtigsten Begriffe und Phrasen zu verstehen, die wir in unserer Berichterstattung über die KI -Branche verwenden. Wir werden diese Liste auf dem Laufenden halten, wenn neue Begriffe und Konzepte auftauchen und die neuesten Fortschritte und potenziellen Risiken in der KI -Forschung widerspiegeln.

AI Agent Ein AI -Agent ist ein Tool, das KI -Technologien nutzt, um eine Reihe von Aufgaben für Sie zu erledigen - über das hinausgeht, was ein einfacher AI -Chatbot kann. Denken Sie an Dinge wie die Einreichung Ihrer Ausgaben, die Buchung von Reise- oder Restaurantreservierungen oder sogar das Verwalten und Schreiben von Code. Der Begriff "AI -Agent" kann jedoch je nachdem, wen Sie fragen, variieren. Die Infrastruktur, um ihr Potenzial vollständig zu erkennen, wird immer noch entwickelt, aber die Kernidee ist ein autonomes System, das mehrere KI-Systeme zur Ausführung mehrstufiger Aufgaben nutzen kann.

Denkkette, wenn sie mit einer einfachen Frage wie "Welches Tier ist größer, eine Giraffe oder eine Katze?" Aber für schwierigere Probleme - wie herauszufinden, wie viele Hühner und Kühe ein Landwirt hat, wenn Sie wissen, dass er 40 Köpfe und 120 Beine hat - müssen Sie möglicherweise einige Gleichungen abschreiben (in diesem Fall 20 Hühner und 20 Kühe).

In der KI beinhaltet das Denken der Kette, ein Problem in kleinere, mittlere Schritte aufzubrechen, um die Genauigkeit des Endergebnisses zu verbessern. Es mag länger dauern, aber es ist besonders nützlich in logischen oder codierenden Szenarien. Diese Argumentationsmodelle basieren auf traditionellen Großsprachmodellen und raffiniert für Prozesse der Kette der Gedanken durch Verstärkungslernen.

(Siehe: Großsprachmodell)

Deep Learning Deep Learning ist eine Art selbstverbessertes maschinelles Lernen, das eine mehrschichtige Struktur für künstliche Neural Network (ANN) verwendet. Dieses Setup ermöglicht komplexere Korrelationen als einfachere Methoden für maschinelles Lernen wie lineare Modelle oder Entscheidungsbäume. Das Design von tiefen Lernalgorithmen lässt sich von den neuronalen Wegen im menschlichen Gehirn inspirieren.

Deep Learning -Modelle können wichtige Merkmale in Daten selbst identifizieren, ohne dass Menschen sie definieren müssen. Sie lernen auch aus ihren Fehlern und verbessern sich im Laufe der Zeit durch Wiederholung und Anpassungen. Sie erfordern jedoch viele Daten - Millionen von Punkten -, um eine gute Leistung zu erzielen, und sie dauern länger, um zu trainieren als einfachere Modelle, die die Entwicklungskosten steigern können.

(Siehe: Neurales Netzwerk)

Feinabstimmung umfasst eine Weiterbildung eines KI-Modells, um seine Leistung für eine bestimmte Aufgabe oder einen bestimmten Bereich mit neuen, speziellen Daten zu steigern. Viele AI-Startups beginnen mit großartigen Modellen und feinst du sie optimal, um eine bestimmte Branche oder Aufgabe besser zu dienen, wobei ihr eigenes domänenspezifisches Wissen verwendet wird.

(Siehe: Großsprachmodell [LLM])

Großsprachige Modelle mit großer Sprachmodell (LLM) Großsprachige Modelle oder LLMs, Power Populär AI -Assistenten wie Chatgpt, Claude, Googles Gemini, Metas AI Lama, Microsoft Copilot und Mistal's Le Chat. Wenn Sie mit diesen Assistenten chatten, interagieren Sie mit einem LLM, das Ihre Anfrage verarbeitet, und verwenden häufig Tools wie Webbrowser oder Code -Dolmetscher.

AI -Assistenten und LLMs können unterschiedliche Namen verfolgen. Zum Beispiel ist GPT das große Sprachmodell von OpenAI, während ChatGPT das darauf aufgebaute KI -Assistant ist.

LLMs sind tiefe neuronale Netze mit Milliarden von Parametern (oder Gewichten), die lernen, wie Wörter und Phrasen miteinander in Verbindung stehen und eine mehrdimensionale Karte der Sprache erstellen. Sie werden nach riesigen Textmengen aus Büchern, Artikeln und Transkripten geschult. Wenn Sie einem LLM eine Eingabeaufforderung angeben, erzeugt sie eine Antwort, die auf dem wahrscheinlichsten Muster basiert und das nächste Wort basierend auf dem vorhersagt, was zuvor gekommen ist.

(Siehe: Neurales Netzwerk)

Neurales Netzwerk Ein neuronales Netzwerk ist die vielschichtige algorithmische Struktur, die das Rückgrat des Deep-Lernens und den Anstieg der generativen KI-Tools bildet, insbesondere nachdem große Sprachmodelle ins Spiel gekommen sind.

Das Konzept, die miteinander verbundenen Wege des menschlichen Gehirns für die Datenverarbeitung nachzuahmen, stammt aus den 1940er Jahren. Dank der Videospielbranche war es jedoch der Aufstieg grafischer Verarbeitungseinheiten (GPUs), der diese Idee wirklich zum Leben erweckte. Diese Chips ermöglichten Trainingsalgorithmen mit viel mehr Schichten und verbesserten die Leistung in Bereichen wie Spracherkennung, autonome Navigation und Drogenentdeckung erheblich.

(Siehe: Großsprachmodell [LLM])

Gewichte Gewichte sind im KI -Training von entscheidender Bedeutung, da sie bestimmen, wie viel Bedeutung (oder Gewicht) unterschiedliche Merkmale in den Trainingsdaten angegeben sind und die Ausgabe des KI -Modells formen. Im Wesentlichen sind Gewichte numerische Parameter, die hervorheben, was in einem Datensatz für die jeweilige Aufgabe am relevantesten ist. Sie arbeiten, indem sie Eingaben multiplizieren.

Das Training beginnt in der Regel mit zufällig zugewiesenen Gewichten, die sich dann im Laufe der Zeit anpassen, wenn das Modell versucht, Ausgänge zu erzeugen, die dem Ziel besser übereinstimmen. Beispielsweise kann ein KI-Modell, das die Immobilienpreise vorhersagt, Faktoren wie die Anzahl der Schlafzimmer und Badezimmer, unabhängig davon, ob eine Immobilie abgelöst oder halbdachbar ist, Gewichte zuweisen und ob es über Parkplätze oder eine Garage verfügt. Diese Gewichte spiegeln wider, wie sehr jeder Faktor den Wert einer Eigenschaft basierend auf den verwendeten Daten beeinflusst.