TechCrunch раскрывает всеобъемлющий глоссарий AI

Искусственный интеллект-это сложная и постоянно развивающаяся область. Ученые, погружающиеся в эту область, часто используют специализированную терминологию, которая может сделать так, чтобы остальные из нас не отставали. Вот почему мы создали этот глоссарий, чтобы помочь вам понять ключевые термины и фразы, которые мы используем в нашем освещении индустрии ИИ. Мы будем держать этот список обновлять, когда появляются новые термины и концепции, отражая последние достижения и потенциальные риски в исследованиях искусственного интеллекта.

Агент ИИ Агент ИИ - это инструмент, который использует технологии ИИ для выполнения целого ряда задач для вас - помимо того, что может сделать простой чат -бот ИИ. Подумайте о таких вещах, как подача ваших расходов, бронирование путешествий или бронирования ресторанов или даже управление и написание кода. Тем не менее, термин «агент ИИ» может варьироваться в зависимости от того, кого вы спрашиваете. Инфраструктура для полного реализации их потенциала все еще развивается, но основной идеей является автономная система, которая может использовать несколько систем ИИ для выполнения многоэтапных задач.

Цепочка мысли, когда столкнулась с простым вопросом, таким как «Какое животное выше, жираф или кошка?», Ваш мозг обычно может ответить на него без особых усилий. Но для более сложных проблем - например, выяснить, сколько цыплят и коров у фермера есть, когда вы знаете, что у них 40 голов и 120 ног - вам, возможно, придется записать некоторые уравнения (в данном случае 20 цыплят и 20 коров).

В искусственном интеллекте рассуждения о цепочке мышления включают в себя разрушение проблемы на более мелкие, промежуточные шаги для повышения точности конечного результата. Это может занять больше времени, но это особенно полезно в сценариях логического или кодирования. Эти модели рассуждений основаны на традиционных крупных языковых моделях и уточнены для процессов цепочки мыслей посредством обучения подкреплению.

(См.: Модель большого языка)

Глубокое обучение глубоким обучением-это тип самосовершенствоваемого машинного обучения, которое использует многослойную структуру искусственной нейронной сети (ANN). Эта настройка обеспечивает более сложные корреляции, чем более простые методы машинного обучения, такие как линейные модели или деревья решений. Дизайн алгоритмов глубокого обучения черпает вдохновение в нейронных путях человеческого мозга.

Модели глубокого обучения могут определить ключевые функции в данных самостоятельно, без необходимости определения их. Они также учатся на своих ошибках, улучшаясь с течением времени за счет повторения и корректировок. Тем не менее, они требуют много данных - миллионов баллов - для хорошего успеха, и им требуется больше времени, чем более простые модели, что может повысить затраты на разработку.

(См.: Нейронная сеть)

Точная настройка тонкой настройки включает в себя дальнейшую подготовку модели ИИ для повышения его производительности для конкретной задачи или области, используя новые, специализированные данные. Многие стартапы искусственного интеллекта начинаются с крупных языковых моделей, а затем настраивают их, чтобы лучше служить конкретной отрасли или задаче, используя свои собственные знания, специфичные для домена.

(См.: Модель большого языка [LLM])

Большие языковые модели с большой языком (LLM) , или LLMS, популярные Power Ai Assistants, такие как Chatgpt, Claude, Google Gemini, Meta's Ai Llama, Microsoft Copilot и Le Chat's Mistral. Когда вы общаетесь с этими помощниками, вы взаимодействуете с LLM, который обрабатывает ваш запрос, часто используя такие инструменты, как веб -просмотр или переводчики кода.

Помощники ИИ и LLM могут использовать разные имена. Например, GPT является большой языковой моделью Openai, в то время как CHATGPT является продуктом AIS Assistant, созданным на нем.

LLM - это глубокие нейронные сети с миллиардами параметров (или весов), которые узнают, как слова и фразы связаны друг с другом, создавая многомерную карту языка. Они обучаются на огромном количестве текста из книг, статей и стенограмм. Когда вы даете LLM подсказку, он генерирует ответ, основанный на наиболее вероятной шаблоне, прогнозируя следующее слово, основанное на том, что было раньше.

(См.: Нейронная сеть)

Нейронная сеть Нейронная сеть-это многослойная алгоритмическая структура, которая формирует основу глубокого обучения и всплеск генеративных инструментов искусственного интеллекта, особенно после того, как в игру вступили крупные языковые модели.

Концепция подражания взаимосвязанным путям человеческого мозга для обработки данных датируется 1940 -х годов. Тем не менее, именно рост графических обработчиков (графические процессоры) благодаря индустрии видеоигр действительно воплотил эту идею в жизнь. Эти чипы позволили обучать алгоритмы с большим количеством слоев, что значительно улучшило производительность в таких областях, как распознавание голоса, автономная навигация и обнаружение лекарств.

(См.: Модель большого языка [LLM])

Веса веса имеют решающее значение при обучении ИИ, потому что они определяют, какое значение (или вес) придается различным функциям в учебных данных, формируя выход модели ИИ. По сути, веса являются численными параметрами, которые подчеркивают, что наиболее актуально в наборе данных для поставленной задачи. Они работают, умножая входные данные.

Обучение обычно начинается с случайно назначенных весов, которые затем приспосабливаются с течением времени, когда модель пытается создавать результаты, которые более близко соответствуют цели. Например, модель искусственного интеллекта, прогнозирующая цены на жилье, может назначать веса для таких факторов, как количество спален и ванных комнат, независимо от того, отдельно или полуоткрыта, и есть ли у него парковка или гараж. Эти веса отражают, насколько каждый фактор влияет на значение свойства, основываясь на используемых данных.