TechCrunch는 포괄적 인 AI 용어집을 공개합니다

인공 지능은 복잡하고 진화하는 분야입니다. 이 분야로 뛰어 들어가는 과학자들은 종종 특수 용어를 사용하여 나머지 사람들이 유지하기가 어려울 수 있습니다. 그렇기 때문에 우리는이 용어집을 만들었습니다. AI 연구의 최신 발전과 잠재적 위험을 반영하여 새로운 용어와 개념이 등장함에 따라이 목록을 업데이트 할 것입니다.

AI 에이전트 AI 에이전트는 AI 기술을 활용하여 간단한 AI 챗봇이 수행 할 수있는 것 이상으로 다양한 작업을 처리하는 도구입니다. 경비를 제출하거나 여행 예약 또는 식당 예약 또는 코드를 관리하고 쓰는 것과 같은 사항을 생각해보십시오. 그러나 "AI 에이전트"라는 용어는 귀하가 요청 한 사람에 따라 의미에 따라 다를 수 있습니다. 잠재력을 완전히 인식하는 인프라는 여전히 개발되고 있지만 핵심 아이디어는 다중 단계 작업을 실행하기 위해 여러 AI 시스템을 활용할 수있는 자율 시스템입니다.

"어떤 동물이 키가 큰 동물, 기린 또는 고양이"와 같은 간단한 질문에 직면했을 때 의 사슬 , 뇌는 일반적으로 많은 노력없이 대답 할 수 있습니다. 그러나 농부가 40 개의 머리와 120 개의 다리를 가지고 있다는 것을 알 때 농부가 얼마나 많은 닭과 소가 있는지 알아내는 것과 같은 까다로운 문제의 경우, 일부 방정식 (이 경우 닭 20 개, 소 20 마리의 소)를 적어야 할 수도 있습니다.

AI에서, 생각의 사슬 추론은 최종 결과의 정확성을 향상시키기 위해 더 작은 중간 단계로 문제를 분해하는 것을 포함합니다. 더 오래 걸릴 수 있지만 논리적 또는 코딩 시나리오에서 특히 유용합니다. 이러한 추론 모델은 전통적인 대형 언어 모델을 기반으로하며 강화 학습을 통해 생각한 과정을 위해 세련되었습니다.

(참조 : 큰 언어 모델)

딥 러닝 딥 러닝은 다층 인공 신경망 (ANN) 구조를 사용하는 자체 개선 기계 학습 유형입니다. 이 설정은 선형 모델이나 의사 결정 트리와 같은 더 간단한 기계 학습 방법보다 더 복잡한 상관 관계를 허용합니다. 딥 러닝 알고리즘의 설계는 인간 뇌의 신경 경로에서 영감을 얻습니다.

딥 러닝 모델은 인간을 정의 할 필요없이 자체 데이터의 주요 기능을 식별 할 수 있습니다. 그들은 또한 실수로부터 배우고 반복과 조정을 통해 시간이 지남에 따라 향상됩니다. 그러나 잘 수행하기 위해서는 수백만 포인트 (수백만 포인트)가 필요하며, 더 간단한 모델보다 훈련하는 데 시간이 오래 걸리므로 개발 비용을 증가시킬 수 있습니다.

(참조 : 신경망)

미세 조정 미세 조정에는 새로운 전문 데이터를 사용하여 특정 작업 또는 영역에 대한 성능을 향상시키기위한 AI 모델을 추가로 교육하는 것이 포함됩니다. 많은 AI 신생 기업은 대형 언어 모델로 시작한 다음 자체 도메인 별 지식을 사용하여 특정 산업이나 작업에 더 나은 서비스를 제공하도록 미세 조정합니다.

(참조 : 대형 언어 모델 [LLM])

대형 언어 모델 (LLM) 대형 언어 모델 또는 LLM, Chatgpt, Claude, Google의 Gemini, Meta 's AI Llama, Microsoft Copilot 및 Mistral의 LE Chat과 같은 Power Power Popular AI Assistant. 이 어시스턴트와 채팅하면 웹 브라우징 또는 코드 통역사와 같은 도구를 사용하여 요청을 처리하는 LLM과 상호 작용하고 있습니다.

AI 비서와 LLM은 다른 이름으로 갈 수 있습니다. 예를 들어, GPT는 OpenAI의 대형 언어 모델이며 ChatGpt는 AI 보조 제품으로 제작되었습니다.

LLM은 단어와 문구가 서로 관련되는 방식을 배우는 수십억 개의 매개 변수 (또는 가중치)를 가진 깊은 신경망으로, 다차원 언어 맵을 만듭니다. 그들은 책, 기사 및 성적표에서 방대한 양의 문자를 훈련했습니다. LLM에 프롬프트를 제공하면 가장 가능성이 높은 패턴을 기반으로 응답을 생성하여 이전의 내용에 따라 다음 단어를 예측합니다.

(참조 : 신경망)

신경망 신경망은 딥 러닝의 중추와 생성 AI 도구의 급증을 형성하는 다층 알고리즘 구조입니다. 특히 큰 언어 모델이 수행 된 후.

데이터 처리를위한 인간 뇌의 상호 연결된 경로를 모방하는 개념은 1940 년대로 거슬러 올라갑니다. 그러나 비디오 게임 산업 덕분에 그래픽 처리 장치 (GPU)의 부상으로 인해이 아이디어가 실제로 생겨났습니다. 이 칩은 더 많은 계층을 갖는 훈련 알고리즘을 허용하여 음성 인식, 자율 내비게이션 및 약물 발견과 같은 영역의 성능을 크게 향상 시켰습니다.

(참조 : 대형 언어 모델 [LLM])

가중치 가중치는 AI 모델의 출력을 형성하여 교육 데이터의 다른 기능에 얼마나 중요성 (또는 중량)이 제공되는 양을 결정하기 때문에 AI 교육에 중요합니다. 기본적으로 가중치는 당면한 작업을 위해 데이터 세트에서 가장 관련성이 가장 높은 수치 매개 변수입니다. 입력을 곱하여 작동합니다.

훈련은 일반적으로 무작위로 할당 된 가중치로 시작하여 모델이 대상과 더 밀접하게 일치하는 출력을 생성하려고 할 때 시간이 지남에 따라 조정됩니다. 예를 들어, 주택 가격을 예측하는 AI 모델은 침실 및 욕실 수와 같은 요소, 부동산이 분리되었거나 반 분리되어 있는지, 주차 또는 차고가 있는지 여부에 무게를 할당 할 수 있습니다. 이러한 가중치는 사용 된 데이터에 따라 각 요소가 속성의 가치에 얼마나 많은 영향을 미치는지 반영합니다.