Procházet veškerý obsah v kategorii Glossary
Kognitivní výpočetní technika představuje transformační technologický model, který simuluje lidské myšlenkové procesy ve složitých situacích. Integruje AI a zpracování signálů, aby napodobila lidskou kognici a zlepšila rozhodování díky zpracování velkého množství strukturovaných i nestrukturovaných dat.
Objevte kolaborativní roboty (koboty): jejich původ, bezpečnostní prvky, integraci AI, využití napříč průmysly, výhody a omezení. Zjistěte, jak koboti umožňují bezpečnou lidsko-robotickou spolupráci a podporují inovace.
Kolaps modelu je jev v oblasti umělé inteligence, kdy trénovaný model postupně degraduje, zejména při spoléhání na syntetická nebo AI-generovaná data. To vede ke snížení rozmanitosti výstupů, bezpečným odpovědím a omezené schopnosti vytvářet kreativní či originální obsah.
Konec čtvrtletí označuje uzavření fiskálního čtvrtletí společnosti, což je klíčové pro finanční výkaznictví, hodnocení výkonnosti a strategické plánování. Zjistěte, jak AI a automatizace zjednodušují tyto procesy, zvyšují přesnost a podporují lepší rozhodování.
Konstituční AI znamená sladění AI systémů s konstitučními principy a právními rámci, což zajišťuje, že provoz AI zachovává práva, výsady a hodnoty zakotvené v ústavách nebo základních právních dokumentech pro etickou a právní shodu.
Kontaktní osoba (POC) označuje osobu nebo oddělení, které koordinuje komunikaci a informace ohledně konkrétní aktivity, projektu nebo organizace, vyřizuje dotazy a usnadňuje interakce.
Konvergence v AI označuje proces, při kterém modely strojového a hlubokého učení dosahují stabilního stavu skrze iterativní učení, což zajišťuje přesné predikce minimalizací rozdílu mezi předpovězenými a skutečnými výsledky. Je zásadní pro efektivitu a spolehlivost AI napříč různými aplikacemi, od autonomních vozidel po chytrá města.
Konverzační AI označuje technologie, které umožňují počítačům simulovat lidskou konverzaci pomocí NLP, strojového učení a dalších jazykových technologií. Pohání chatboty, virtuální asistenty a hlasové asistenty v oblasti zákaznické podpory, zdravotnictví, maloobchodu a dalších, čímž zvyšuje efektivitu a personalizaci.
Konvoluční neuronová síť (CNN) je specializovaný typ umělé neuronové sítě navržený pro zpracování strukturovaných dat v mřížce, jako jsou například obrázky. CNN jsou obzvláště efektivní pro úlohy zahrnující vizuální data, včetně klasifikace obrázků, detekce objektů a segmentace obrázků. Napodobují vizuální zpracování v lidském mozku a jsou základním kamenem v oblasti počítačového vidění.
Korektura textu je proces kontroly a opravy psaného materiálu za účelem zlepšení jeho přesnosti, čitelnosti a soudržnosti. Zahrnuje kontrolu gramatických chyb, překlepů, interpunkčních chyb a zajištění konzistence stylu a tónu v celém dokumentu. Nástroje s umělou inteligencí, jako je Grammarly, pomáhají s rutinními kontrolami, ale lidský úsudek zůstává klíčový.
Korpus (plurál: korpusy) v AI označuje rozsáhlou, strukturovanou sadu textových nebo zvukových dat používaných k trénování a vyhodnocování AI modelů. Korpusy jsou nezbytné pro výuku AI systémů, jak rozumět, interpretovat a generovat lidský jazyk.
Křivka učení v umělé inteligenci je grafické znázornění, které ilustruje vztah mezi výkonností modelu a proměnnými, jako je velikost datové sady nebo počet trénovacích iterací. Pomáhá diagnostikovat kompromisy mezi chybou a rozptylem, výběr modelu a optimalizaci trénovacích procesů.
Křížová entropie je klíčovým pojmem v informační teorii i strojovém učení a slouží jako metrika pro měření rozdílu mezi dvěma pravděpodobnostními rozděleními. Ve strojovém učení se používá jako ztrátová funkce k vyčíslení rozdílu mezi předpovězenými výstupy a skutečnými štítky, optimalizuje výkon modelu, zejména v klasifikačních úlohách.
Křížová validace je statistická metoda používaná k hodnocení a porovnávání modelů strojového učení rozdělením dat na trénovací a validační sady opakovaně, což zajišťuje, že modely dobře zobecňují na neznámá data a pomáhá předcházet přeučení.
Získejte rychlý a jednoduchý přehled o tom, co jsou kvantové počítače. Zjistěte, jak je lze využít, jaké jsou výzvy a jaké jsou budoucí naděje.
Ladění hyperparametrů je základní proces ve strojovém učení pro optimalizaci výkonu modelu úpravou parametrů jako jsou rychlost učení a regularizace. Prozkoumejte metody jako grid search, náhodné hledání, bayesovská optimalizace a další.
Ladění podle instrukcí je technika v AI, která dolaďuje velké jazykové modely (LLM) na párech instrukce-odpověď, což zvyšuje jejich schopnost řídit se lidskými pokyny a vykonávat specifické úkoly.
LangGraph je pokročilá knihovna pro tvorbu stavových, víceaktérových aplikací využívajících velké jazykové modely (LLM). Vyvinutá společností LangChain Inc, rozšiřuje LangChain o cyklické výpočetní schopnosti, což umožňuje komplexní, agentní chování a zapojení člověka do workflow.
LangChain je open-source rámec pro vývoj aplikací poháněných velkými jazykovými modely (LLM), který zjednodušuje integraci výkonných LLM, jako jsou GPT-3.5 a GPT-4 od OpenAI, s externími datovými zdroji pro pokročilé NLP aplikace.
LazyGraphRAG je inovativní přístup k Retrieval-Augmented Generation (RAG), který optimalizuje efektivitu a snižuje náklady při AI-driven vyhledávání dat kombinací grafové teorie a zpracování přirozeného jazyka pro dynamické a kvalitní výsledky dotazů.
Lead scraping automatizuje získávání cenných kontaktních údajů z online zdrojů, což firmám umožňuje efektivně budovat kvalitní databáze leadů pro cílený marketing a prodej při zajištění souladu s ochranou osobních údajů.
Lexilový rámec pro čtení je vědecká metoda měření čtenářské úrovně a složitosti textu na stejné vývojové škále, která pomáhá spojit čtenáře s adekvátně náročnými texty a podporuje rozvoj čtenářských dovedností.
LightGBM, nebo Light Gradient Boosting Machine, je pokročilý framework pro gradientní boosting vyvinutý společností Microsoft. Je navržen pro vysoce výkonné úlohy strojového učení jako je klasifikace, řazení a regrese. LightGBM vyniká efektivním zpracováním velkých datových sad při minimální spotřebě paměti a vysoké přesnosti.
Lineární regrese je základní analytická technika ve statistice a strojovém učení, která modeluje vztah mezi závislými a nezávislými proměnnými. Díky své jednoduchosti a srozumitelnosti je klíčová pro prediktivní analytiku a modelování dat.
Zjistěte více o LIX míře čitelnosti—vzorec vyvinutý pro hodnocení složitosti textu na základě délky vět a dlouhých slov. Pochopte jeho využití ve vzdělávání, vydavatelství, žurnalistice, AI a dalších oblastech.
Soubor llms.txt je standardizovaný Markdown soubor navržený k optimalizaci způsobu, jakým velké jazykové modely (LLM) přistupují k obsahu webů a zpracovávají jej. Umístěný v kořenovém adresáři webu poskytuje kurátorovaný, strojově čitelný index pro zlepšení AI interakcí.
Logaritmická ztráta, nebo také křížová entropie (cross-entropy loss), je klíčová metrika pro hodnocení výkonu modelů strojového učení—zejména pro binární klasifikaci—měří odchylku mezi předpokládanými pravděpodobnostmi a skutečnými výsledky a penalizuje nesprávné či příliš sebevědomé predikce.
Logistická regrese je statistická a strojově-učící metoda používaná k predikci binárních výsledků z dat. Odhaduje pravděpodobnost, že k události dojde na základě jedné nebo více nezávislých proměnných a je široce využívána ve zdravotnictví, financích, marketingu a AI.
Long Short-Term Memory (LSTM) je specializovaný typ architektury rekurentních neuronových sítí (RNN) navržený pro učení dlouhodobých závislostí v sekvenčních datech. LSTM sítě využívají paměťové buňky a řídicí mechanismy (brány) k řešení problému mizejícího gradientu, což je činí klíčovými pro úlohy jako modelování jazyka, rozpoznávání řeči a predikce časových řad.
Maticová matice je nástroj strojového učení pro hodnocení výkonnosti klasifikačních modelů, podrobně rozlišuje pravdivě/nesprávně pozitivní i negativní případy, což poskytuje vhled nad rámec přesnosti – zvláště užitečné při nevyvážených datech.
Model Context Protocol (MCP) je otevřené standardizované rozhraní, které umožňuje velkým jazykovým modelům (LLM) bezpečně a konzistentně přistupovat k externím datovým zdrojům, nástrojům a funkcím, čímž slouží jako „USB-C“ pro AI systémy.
Metaprompt v umělé inteligenci je pokročilý pokyn navržený k vytváření nebo vylepšování dalších promptů pro velké jazykové modely (LLM), čímž zvyšuje výstupy AI, automatizuje úlohy a zlepšuje více-krokové uvažování v chatbotech a automatizačních pracovních postupech.
Míry adopce AI udávají procento organizací, které začlenily umělou inteligenci do svých operací. Tyto míry se liší napříč odvětvími, regiony a velikostí společností, což odráží různorodé využití a dopady AI technologií. Podle průzkumu McKinsey z roku 2024 dosáhla adopce AI 72 %, přičemž významný podíl tvoří generativní AI.
Zjistěte více o Mistral AI a modelech LLM, které nabízí. Objevte, jak se tyto modely používají a čím se odlišují od ostatních.
Objevte modelování sekvencí v AI a strojovém učení—predikujte a generujte sekvence v datech jako text, audio a DNA pomocí RNN, LSTM, GRU a Transformerů. Prozkoumejte klíčové koncepty, aplikace, výzvy a nejnovější výzkum.
Monte Carlo metody jsou výpočetní algoritmy využívající opakované náhodné vzorkování k řešení složitých, často deterministických problémů. Široce se používají ve financích, inženýrství, AI a dalších oblastech, umožňují modelování nejistoty, optimalizaci a hodnocení rizik simulací mnoha scénářů a analýzou pravděpodobnostních výsledků.
Apache MXNet je open-source framework pro hluboké učení navržený pro efektivní a flexibilní trénování a nasazování hlubokých neuronových sítí. Je známý svou škálovatelností, hybridním programovacím modelem a podporou více jazyků, což umožňuje výzkumníkům a vývojářům vytvářet pokročilá AI řešení.
Naivní Bayes je rodina klasifikačních algoritmů založených na Bayesově teorému, využívající podmíněnou pravděpodobnost se zjednodušujícím předpokladem, že příznaky jsou podmíněně nezávislé. Přesto jsou klasifikátory Naivního Bayese efektivní, škálovatelné a používané v aplikacích jako detekce spamu a klasifikace textu.
Objevte náklady spojené s trénováním a nasazováním velkých jazykových modelů (LLM), jako jsou GPT-3 a GPT-4, včetně nákladů na výpočetní techniku, energii a hardware, a prozkoumejte strategie pro správu a snižování těchto nákladů.
Návratnost investic do umělé inteligence (ROAI) měří dopad investic do AI na provoz, produktivitu a ziskovost firmy. Naučte se hodnotit, měřit a maximalizovat výnosy z vašich AI iniciativ pomocí strategií, reálných příkladů a poznatků z výzkumu.
Nedostatek dat označuje nedostatečné množství dat pro trénování modelů strojového učení nebo pro komplexní analýzu, což brání rozvoji přesných AI systémů. Objevte příčiny, dopady a techniky, jak překonat nedostatek dat v AI a automatizaci.
Negativní prompt v AI je instrukce, která modelům určuje, co nemají do svého výstupu zahrnovat. Na rozdíl od běžných promptů, které směřují tvorbu obsahu, negativní prompt specifikuje prvky, styly nebo vlastnosti, kterým je třeba se vyhnout. Výsledky jsou tak přesnější a lépe odpovídají preferencím uživatele, což je zvlášť důležité u generativních modelů jako Stable Diffusion a Midjourney.
Zjistěte, co jsou nestrukturovaná data a jak se liší od strukturovaných dat. Poznejte výzvy a nástroje používané pro nestrukturovaná data.
Net New Business označuje příjmy generované z nově získaných zákazníků nebo reaktivovaných účtů v určitém období, obvykle s vyloučením jakýchkoli příjmů z upsellingu či cross-sellingu stávajícím aktivním zákazníkům. Je to klíčová metrika pro firmy, které chtějí měřit růst poháněný rozšiřováním své zákaznické základny, nikoli jen spoléháním na další prodeje stávajícím zákazníkům.
Neuromorfní výpočetní technika je špičkový přístup k počítačovému inženýrství, který modeluje jak hardwarové, tak softwarové prvky podle lidského mozku a nervové soustavy. Toto interdisciplinární pole, známé také jako neuromorfní inženýrství, čerpá z informatiky, biologie, matematiky, elektronického inženýrství a fyziky za účelem tvorby počítačových systémů a hardwaru inspirovaných biologií.
Natural Language Toolkit (NLTK) je komplexní sada knihoven a programů v Pythonu pro symbolické a statistické zpracování přirozeného jazyka (NLP). Široce využívaný v akademické i průmyslové sféře, nabízí nástroje pro tokenizaci, stemming, lemmatizaci, označování slovních druhů (POS tagging) a další.
No-code AI platformy umožňují uživatelům vytvářet, nasazovat a spravovat AI a machine learning modely bez psaní kódu. Tyto platformy nabízejí vizuální rozhraní a předpřipravené komponenty, čímž demokratizují AI pro byznys uživatele, analytiky a oborové experty.
NSFW, což je zkratka pro Not Safe For Work (nevhodné pro práci), je internetový slangový termín používaný k označení obsahu, který může být nevhodný nebo urážlivý pro zobrazení na veřejnosti nebo v pracovním prostředí. Toto označení slouží jako varování, že materiál může obsahovat prvky jako je nahota, sexuální obsah, explicitní násilí, vulgarismy nebo jiná citlivá témata nevhodná v pracovních prostředích nebo školách.
NumPy je open-source Python knihovna klíčová pro numerické výpočty, která poskytuje efektivní operace s poli a matematické funkce. Je základem vědeckých výpočtů, datové vědy a workflow strojového učení tím, že umožňuje rychlé zpracování velkých objemů dat.
Obousměrná dlouhodobá paměť (BiLSTM) je pokročilý typ architektury rekurentní neuronové sítě (RNN), která zpracovává sekvenční data v obou směrech – vpřed i vzad – a zlepšuje tak kontextové porozumění pro aplikace v NLP, rozpoznávání řeči a bioinformatice.
Odhad hloubky je klíčovým úkolem v počítačovém vidění, který se zaměřuje na predikci vzdálenosti objektů na obrázku vzhledem ke kameře. Převádí 2D obrazová data na 3D prostorové informace a je základem pro aplikace jako autonomní vozidla, rozšířená realita, robotika a 3D modelování.
Odhad pozice je technika počítačového vidění, která předpovídá polohu a orientaci osoby nebo objektu na obrázcích či ve videích identifikací a sledováním klíčových bodů. Je zásadní pro aplikace jako sportovní analytika, robotika, hraní her a autonomní řízení.
Odklon modelu, nebo také degradace modelu, označuje pokles prediktivní výkonnosti modelu strojového učení v čase v důsledku změn v reálném světě. Zjistěte, jaké jsou typy, příčiny, metody detekce a řešení odklonu modelu v AI a strojovém učení.
Open Neural Network Exchange (ONNX) je open-source formát pro bezproblémovou výměnu modelů strojového učení napříč různými frameworky, což zvyšuje flexibilitu nasazení, standardizaci a optimalizaci pro hardware.
OpenAI je přední výzkumná organizace v oblasti umělé inteligence, známá vývojem GPT, DALL-E a ChatGPT, která si klade za cíl vytvořit bezpečnou a prospěšnou obecnou umělou inteligenci (AGI) pro lidstvo.
OpenCV je pokročilá open-source knihovna pro počítačové vidění a strojové učení, která nabízí přes 2500 algoritmů pro zpracování obrazu, detekci objektů a aplikace v reálném čase napříč mnoha jazyky a platformami.
Optické rozpoznávání znaků (OCR) je transformační technologie, která převádí dokumenty, jako jsou skeny, PDF nebo obrázky, na editovatelná a vyhledávatelná data. Zjistěte, jak OCR funguje, jaké má typy, využití, výhody, omezení a nejnovější pokroky v systémech OCR řízených umělou inteligencí.
Objevte rozsah a strategie optimalizace pro odpovědní vyhledávače (AEO), zaměřené na poskytování přímých odpovědí na dotazy uživatelů prostřednictvím hlasového vyhledávání, integrace AI a strukturovaných dat. Zjistěte, jak se AEO liší od tradičního SEO a jakou roli hraje při zvyšování zapojení uživatelů a viditelnosti.
Orgány dohledu nad AI jsou organizace pověřené monitorováním, vyhodnocováním a regulací vývoje a nasazení AI, zajišťující odpovědné, etické a transparentní využívání a zároveň minimalizující rizika, jako je diskriminace, narušení soukromí a nedostatek odpovědnosti.
Pandas je open-source knihovna pro manipulaci a analýzu dat v Pythonu, proslulá svou univerzálností, robustními datovými strukturami a snadným použitím při práci se složitými datovými sadami. Je základním kamenem pro datové analytiky a datové vědce, podporuje efektivní čištění, transformaci a analýzu dat.
