Przeglądaj całą zawartość w kategorii Glossary
Drzewo decyzyjne to algorytm uczenia nadzorowanego używany do podejmowania decyzji lub przewidywań na podstawie danych wejściowych. Przedstawia się je jako strukturę przypominającą drzewo, gdzie węzły wewnętrzne to testy, gałęzie to wyniki, a liście reprezentują etykiety klas lub wartości.
Duży model językowy (LLM) to rodzaj sztucznej inteligencji, trenowany na ogromnych zbiorach tekstowych, aby rozumieć, generować i przetwarzać ludzki język. LLM-y wykorzystują głębokie uczenie i sieci neuronowe o architekturze transformerów do realizacji zadań takich jak generowanie tekstu, streszczenia, tłumaczenia i wiele innych w różnych branżach.
Dwukierunkowa długa pamięć krótkoterminowa (BiLSTM) to zaawansowany typ architektury rekurencyjnych sieci neuronowych (RNN), która przetwarza dane sekwencyjne zarówno w kierunku do przodu, jak i do tyłu, zwiększając zrozumienie kontekstu w aplikacjach z zakresu NLP, rozpoznawania mowy i bioinformatyki.
Dyskryminacja w AI odnosi się do niesprawiedliwego lub nierównego traktowania osób lub grup na podstawie cech chronionych, takich jak rasa, płeć, wiek czy niepełnosprawność. Często wynika to z uprzedzeń zakorzenionych w systemach AI podczas zbierania danych, tworzenia algorytmów lub wdrażania, co może znacząco wpływać na równość społeczną i ekonomiczną.
Efektywne strojenie parametrów (PEFT) to innowacyjne podejście w AI i NLP, które umożliwia adaptację dużych, wstępnie wytrenowanych modeli do konkretnych zadań poprzez aktualizację jedynie niewielkiej części ich parametrów, co obniża koszty obliczeniowe i czas treningu, umożliwiając efektywne wdrażanie.
Eksploracyjna Analiza Danych (EDA) to proces, który podsumowuje cechy zbioru danych za pomocą metod wizualnych w celu odkrycia wzorców, wykrywania anomalii oraz wspiera czyszczenie danych, wybór modeli i analizę z użyciem narzędzi takich jak Python, R i Tableau.
Ekstrakcja cech przekształca surowe dane w zredukowany zbiór informatywnych cech, usprawniając uczenie maszynowe poprzez uproszczenie danych, poprawę wydajności modeli i zmniejszenie kosztów obliczeniowych. Poznaj techniki, zastosowania, narzędzia i naukowe spostrzeżenia w tym kompleksowym przewodniku.
Ekstrakcyjna AI to wyspecjalizowana gałąź sztucznej inteligencji skupiająca się na identyfikacji i pozyskiwaniu konkretnych informacji z istniejących źródeł danych. W przeciwieństwie do generatywnej AI, ekstrakcyjna AI lokalizuje dokładne fragmenty danych w uporządkowanych lub nieuporządkowanych zbiorach danych, wykorzystując zaawansowane techniki NLP, co zapewnia precyzję i niezawodność w ekstrakcji i wyszukiwaniu informacji.
Emergencja w AI odnosi się do zaawansowanych, systemowych wzorców i zachowań, które nie zostały jawnie zaprogramowane, a pojawiają się w wyniku interakcji pomiędzy komponentami systemu. Te emergentne zachowania powodują wyzwania w zakresie przewidywalności i etyki, wymagając zabezpieczeń i wytycznych w celu zarządzania ich wpływem.
Entropia krzyżowa to kluczowe pojęcie zarówno w teorii informacji, jak i w uczeniu maszynowym, służące jako miara rozbieżności między dwoma rozkładami prawdopodobieństwa. W uczeniu maszynowym wykorzystywana jest jako funkcja straty do ilościowego określania rozbieżności między przewidywaniami modelu a prawdziwymi etykietami, optymalizując skuteczność modelu, zwłaszcza w zadaniach klasyfikacji.
Estymacja pozycji to technika wizji komputerowej, która przewiduje położenie i orientację osoby lub obiektu na obrazach lub wideo poprzez identyfikację i śledzenie kluczowych punktów. Jest niezbędna w zastosowaniach takich jak analiza sportowa, robotyka, gry i autonomiczna jazda.
Poznaj wytyczne etyczne dotyczące SI: zasady i ramy zapewniające etyczny rozwój, wdrażanie i wykorzystanie technologii sztucznej inteligencji. Dowiedz się o sprawiedliwości, transparentności, odpowiedzialności, światowych standardach i strategiach odpowiedzialnego rozwoju SI.
Europejskie Rozporządzenie o Sztucznej Inteligencji (EU AI Act) to pierwsze na świecie kompleksowe ramy regulacyjne zaprojektowane w celu zarządzania ryzykiem i wykorzystania korzyści płynących ze sztucznej inteligencji (AI). Wprowadzone w kwietniu 2021 roku, Rozporządzenie AI ma na celu zapewnienie, że systemy AI są bezpieczne, przejrzyste i zgodne z podstawowymi prawami oraz zasadami etycznymi.
Few-Shot Learning to podejście w uczeniu maszynowym, które umożliwia modelom dokonywanie trafnych predykcji na podstawie jedynie niewielkiej liczby oznaczonych przykładów. W przeciwieństwie do tradycyjnych metod nadzorowanych, koncentruje się na uogólnianiu z ograniczonej ilości danych, wykorzystując techniki takie jak meta-learning, transfer learning oraz augmentację danych.
Flesch Reading Ease to formuła mierząca łatwość czytania tekstu. Opracowana przez Rudolfa Flescha w latach 40., przydziela wynik na podstawie długości zdań i liczby sylab, wskazując złożoność tekstu. Szeroko stosowana w edukacji, wydawnictwach i AI dla zapewnienia dostępności treści.
W AI 'fosa' to trwała przewaga konkurencyjna — taka jak efekt skali, efekty sieciowe, technologia zastrzeżona, wysokie koszty zmiany dostawcy oraz fosy danych — która pomaga firmom utrzymać pozycję lidera na rynku i odstraszać konkurencję.
Poznaj podstawowe informacje o Frase, narzędziu AI do tworzenia treści zoptymalizowanych pod SEO. Odkryj jego kluczowe funkcje, zalety i wady oraz alternatywy.
Fréchet Inception Distance (FID) to miara używana do oceny jakości obrazów generowanych przez modele generatywne, szczególnie GAN-y. FID porównuje rozkład obrazów wygenerowanych do rzeczywistych, zapewniając bardziej całościową ocenę jakości i różnorodności obrazów.
Funkcje aktywacji są fundamentalne dla sztucznych sieci neuronowych, wprowadzając nieliniowość i umożliwiając uczenie się złożonych wzorców. W tym artykule omówiono ich cele, rodzaje, wyzwania oraz kluczowe zastosowania w AI, deep learningu i sieciach neuronowych.
Fuzzy matching to technika wyszukiwania używana do znajdowania przybliżonych dopasowań do zapytania, umożliwiając występowanie wariacji, błędów lub niespójności w danych. Powszechnie stosowana w czyszczeniu danych, łączeniu rekordów i wyszukiwaniu tekstu, wykorzystuje algorytmy takie jak odległość Levenshteina i Soundex, aby identyfikować wpisy podobne, ale nieidentyczne.
Generative Engine Optimization (GEO) to strategia optymalizowania treści pod kątem platform AI, takich jak ChatGPT i Bard, zapewniająca widoczność i prawidłową reprezentację w odpowiedziach generowanych przez AI.
Generator stron internetowych oparty na AI z eksportem kodu to narzędzie programowe, które wykorzystuje sztuczną inteligencję do automatyzacji tworzenia stron internetowych, umożliwiając jednocześnie eksport i dostosowywanie kodu źródłowego w HTML, CSS, JavaScript lub popularnych frameworkach.
Generatywna AI odnosi się do kategorii algorytmów sztucznej inteligencji, które potrafią generować nową treść, taką jak tekst, obrazy, muzyka, kod czy wideo. W przeciwieństwie do tradycyjnej AI, generatywna AI tworzy oryginalne wyniki na podstawie danych, na których została wytrenowana, umożliwiając kreatywność i automatyzację w różnych branżach.
Generatywna Sieć Konkurencyjna (GAN) to struktura uczenia maszynowego złożona z dwóch sieci neuronowych — generatora i dyskryminatora — które rywalizują ze sobą, aby generować dane nieodróżnialne od prawdziwych. Wprowadzona przez Iana Goodfellowa w 2014 roku, GAN-y są szeroko stosowane do generowania obrazów, augmentacji danych, wykrywania anomalii i innych zastosowań.
Generatywny wstępnie wytrenowany transformator (GPT) to model AI wykorzystujący techniki głębokiego uczenia do generowania tekstu, który blisko przypomina ludzkie pisanie. Bazując na architekturze transformera, GPT stosuje mechanizmy samo-uwagi dla efektywnego przetwarzania i generowania tekstu, rewolucjonizując zastosowania NLP, takie jak tworzenie treści i chatboty.
Generowanie języka naturalnego (NLG) to dziedzina sztucznej inteligencji skupiająca się na przekształcaniu danych strukturalnych w tekst przypominający ludzki. NLG napędza takie zastosowania jak chatboty, asystenci głosowi, tworzenie treści i wiele innych, generując spójne, kontekstowo odpowiednie i gramatycznie poprawne narracje.
Generowanie tekstu za pomocą dużych modeli językowych (LLM) odnosi się do zaawansowanego wykorzystania modeli uczenia maszynowego do tworzenia tekstu podobnego do ludzkiego na podstawie podpowiedzi. Poznaj, jak LLM-y, napędzane architekturami transformerów, rewolucjonizują tworzenie treści, chatboty, tłumaczenia i wiele więcej.
Gensim to popularna, otwartoźródłowa biblioteka Pythona do przetwarzania języka naturalnego (NLP), specjalizująca się w niesuperwizyjnym modelowaniu tematów, indeksowaniu dokumentów i wyszukiwaniu podobieństw. Efektywnie obsługując duże zbiory danych, wspiera analizę semantyczną i jest szeroko wykorzystywana w badaniach i przemyśle do eksploracji tekstu, klasyfikacji i chatbotów.
Strategia Go-To-Market (GTM) to kompleksowy plan wykorzystywany przez firmy do wprowadzenia i sprzedaży nowego produktu lub usługi na rynek, minimalizujący ryzyko poprzez zrozumienie rynku docelowego oraz optymalizację działań marketingowych i dystrybucyjnych. Integracja AI usprawnia GTM poprzez udoskonalenie badań rynkowych, targetowania klientów i tworzenia treści.
Google Colaboratory (Google Colab) to oparta na chmurze platforma notatników Jupyter od Google, umożliwiająca użytkownikom pisanie i wykonywanie kodu Python w przeglądarce z bezpłatnym dostępem do GPU/TPU, idealna do uczenia maszynowego i analizy danych.
Granty badawcze AI to nagrody finansowe przyznawane przez instytucje takie jak NSF, NEH oraz organizacje prywatne na finansowanie projektów badawczych z zakresu sztucznej inteligencji. Granty te wspierają rozwój nowych technologii i metodologii AI, napędzają innowacje i odpowiadają na wyzwania fundamentalne oraz praktyczne.
Dowiedz się więcej o modelu Grok firmy xAI, zaawansowanym chatbotcie AI prowadzonym przez Elona Muska. Poznaj dostęp do danych w czasie rzeczywistym, kluczowe funkcje, wyniki testów, zastosowania oraz porównanie z innymi modelami AI.
Halucynacja w modelach językowych występuje, gdy AI generuje tekst, który wydaje się prawdopodobny, ale w rzeczywistości jest nieprawidłowy lub zmyślony. Dowiedz się o przyczynach, metodach wykrywania i strategiach ograniczania halucynacji w odpowiedziach AI.
Czym jest heteronim? Heteronim to wyjątkowe zjawisko językowe, w którym dwa lub więcej wyrazów mają taką samą pisownię, ale różnią się wymową i znaczeniem. Są to homografy, które nie są homofonami. Mówiąc prościej, heteronimy wyglądają identycznie w piśmie, ale brzmią inaczej w mowie i przekazują różne znaczenia w zależności od kontekstu.
Heurystyki zapewniają szybkie, satysfakcjonujące rozwiązania w AI, wykorzystując wiedzę doświadczenia i reguły kciuka, upraszczając złożone problemy wyszukiwania i prowadząc algorytmy takie jak A* oraz Wspinaczka ku bardziej obiecującym ścieżkom dla większej efektywności.
Horovod to solidne, otwarte oprogramowanie do rozproszonego uczenia głębokiego, stworzone w celu umożliwienia wydajnego skalowania na wielu GPU lub maszynach. Wspiera TensorFlow, Keras, PyTorch i MXNet, optymalizując szybkość i skalowalność treningu modeli uczenia maszynowego.
Hugging Face Transformers to wiodąca otwarta biblioteka Pythona, która ułatwia wdrażanie modeli Transformer do zadań uczenia maszynowego w NLP, wizji komputerowej i przetwarzaniu dźwięku. Umożliwia dostęp do tysięcy wytrenowanych modeli i obsługuje popularne frameworki, takie jak PyTorch, TensorFlow i JAX.
Ideogram AI to innowacyjna platforma do generowania obrazów, która wykorzystuje sztuczną inteligencję do przekształcania tekstowych poleceń w wysokiej jakości obrazy. Dzięki zastosowaniu głębokich sieci neuronowych, Ideogram rozumie zależność między tekstem a wizualizacjami, umożliwiając użytkownikom tworzenie obrazów ściśle odpowiadających ich opisom.
Dowiedz się, czym jest Insight Engine — zaawansowana platforma oparta na AI, która usprawnia wyszukiwanie i analizę danych dzięki zrozumieniu kontekstu i intencji. Poznaj, jak Insight Engine integruje NLP, uczenie maszynowe i deep learning, aby dostarczać praktyczne wnioski z danych strukturalnych i niestrukturalnych.
Inteligentny agent to autonomiczna jednostka zaprojektowana do postrzegania swojego otoczenia za pomocą sensorów i działania w tym środowisku przy użyciu aktuatorów, wyposażona w możliwości sztucznej inteligencji do podejmowania decyzji i rozwiązywania problemów.
Interpretowalność modelu odnosi się do zdolności zrozumienia, wyjaśnienia i zaufania predykcjom oraz decyzjom podejmowanym przez modele uczenia maszynowego. Jest to kluczowe w AI, zwłaszcza dla podejmowania decyzji w opiece zdrowotnej, finansach i systemach autonomicznych, łącząc złożone modele z ludzkim zrozumieniem.
Poznaj, jak inżynieria i ekstrakcja cech zwiększają wydajność modeli AI poprzez przekształcanie surowych danych w wartościowe informacje. Odkryj kluczowe techniki, takie jak tworzenie cech, transformacje, PCA i autoenkodery, by poprawić dokładność i efektywność modeli ML.
Inżynieria promptów to praktyka projektowania i udoskonalania poleceń dla generatywnych modeli AI w celu uzyskania optymalnych wyników. Obejmuje to tworzenie precyzyjnych i skutecznych promptów, które prowadzą AI do generowania tekstów, obrazów lub innych treści zgodnych z określonymi wymaganiami.
Inżynieria wiedzy w AI to proces budowania inteligentnych systemów, które wykorzystują wiedzę do rozwiązywania złożonych problemów, naśladując ludzką ekspertyzę w takich dziedzinach jak diagnostyka medyczna, analiza finansowa czy rozwiązywanie problemów technicznych.
Inżynierowie Wdrażani u Klienta (FDE) to wyspecjalizowani specjaliści techniczni, którzy pracują bezpośrednio z klientami, aby dostosowywać, konfigurować i wdrażać rozwiązania programistyczne dopasowane do ich indywidualnych potrzeb, łącząc możliwości produktu z realnymi zastosowaniami.
Jasper.ai to narzędzie do generowania treści wspierane przez AI, stworzone dla marketerów i twórców, umożliwiające wydajną produkcję wysokiej jakości tekstów przy użyciu zaawansowanych modeli językowych.
Jupyter Notebook to otwartoźródłowa aplikacja internetowa umożliwiająca użytkownikom tworzenie i udostępnianie dokumentów z żywym kodem, równaniami, wizualizacjami i narracyjnym tekstem. Szeroko wykorzystywana w data science, uczeniu maszynowym, edukacji i badaniach, obsługuje ponad 40 języków programowania oraz płynną integrację z narzędziami AI.
Algorytm k-najbliższych sąsiadów (KNN) to nieparametryczny, nadzorowany algorytm uczenia maszynowego wykorzystywany do zadań klasyfikacji i regresji. Przewiduje wyniki, znajdując 'k' najbliższych punktów danych, wykorzystując metryki odległości i głosowanie większościowe, i jest znany ze swojej prostoty oraz wszechstronności.
Keras to potężne i przyjazne dla użytkownika, otwartoźródłowe API wysokopoziomowych sieci neuronowych, napisane w Pythonie i mogące działać na TensorFlow, CNTK lub Theano. Umożliwia szybkie eksperymentowanie oraz wspiera zarówno produkcyjne, jak i badawcze zastosowania dzięki modułowości i prostocie.
Klastrowanie metodą K-średnich to popularny algorytm uczenia maszynowego bez nadzoru, służący do podziału zbiorów danych na z góry określoną liczbę odrębnych, niepokrywających się klastrów poprzez minimalizowanie sumy kwadratów odległości pomiędzy punktami danych a centroidami ich klastrów.
Klasyfikacja tekstu, znana również jako kategoryzacja lub tagowanie tekstu, to podstawowe zadanie NLP polegające na przypisywaniu z góry ustalonych kategorii do dokumentów tekstowych. Organizuje i strukturyzuje nieustrukturyzowane dane do analizy, wykorzystując modele uczenia maszynowego do automatyzacji procesów takich jak analiza sentymentu, wykrywanie spamu i kategoryzacja tematów.
Klasyfikator AI to algorytm uczenia maszynowego, który przypisuje etykiety klas do danych wejściowych, kategoryzując informacje do zdefiniowanych wcześniej klas na podstawie wzorców wyuczonych z danych historycznych. Klasyfikatory są podstawowymi narzędziami w AI i data science, wspierając podejmowanie decyzji w różnych branżach.
Koniec kwartału oznacza zamknięcie okresu rozliczeniowego firmy, kluczowego dla sprawozdawczości finansowej, oceny wyników i planowania strategicznego. Dowiedz się, jak AI i automatyzacja usprawniają te procesy, poprawiają dokładność i wspierają lepsze decyzje biznesowe.
Konwergencja w sztucznej inteligencji odnosi się do procesu, w którym modele uczenia maszynowego i głębokiego uczenia osiągają stabilny stan poprzez iteracyjne uczenie się, zapewniając trafne prognozy poprzez minimalizację różnicy między przewidywanymi a rzeczywistymi wynikami. Jest to fundament skuteczności i niezawodności AI w różnych zastosowaniach, od pojazdów autonomicznych po inteligentne miasta.
Konwersacyjna AI to technologie umożliwiające komputerom symulowanie ludzkich rozmów przy użyciu NLP, uczenia maszynowego i innych technologii językowych. Stanowi podstawę chatbotów, wirtualnych asystentów i asystentów głosowych w obsłudze klienta, opiece zdrowotnej, handlu detalicznym i innych branżach, zwiększając efektywność i personalizację.
Konwolucyjna sieć neuronowa (CNN) to specjalistyczny rodzaj sztucznej sieci neuronowej zaprojektowany do przetwarzania uporządkowanych danych siatkowych, takich jak obrazy. CNN są szczególnie skuteczne w zadaniach związanych z danymi wizualnymi, w tym w klasyfikacji obrazów, detekcji obiektów i segmentacji obrazów. Naśladują mechanizm przetwarzania wizualnego ludzkiego mózgu, co czyni je fundamentem w dziedzinie wizji komputerowej.
Korpus (liczba mnoga: korpusy) w AI odnosi się do dużego, uporządkowanego zbioru tekstów lub danych audio wykorzystywanych do trenowania i oceny modeli AI. Korpusy są niezbędne, aby nauczyć systemy AI rozumienia, interpretacji i generowania ludzkiego języka.
Poznaj koszty związane z trenowaniem i wdrażaniem dużych modeli językowych (LLM), takich jak GPT-3 i GPT-4, w tym wydatki na sprzęt, energię, infrastrukturę oraz strategie zarządzania i redukcji tych kosztów.
Krzywa ROC (Receiver Operating Characteristic) to graficzna reprezentacja służąca do oceny wydajności systemu klasyfikatora binarnego w zależności od zmiany progu decyzyjnego. Wywodząca się z teorii detekcji sygnałów podczas II wojny światowej, krzywa ROC jest dziś niezbędna w uczeniu maszynowym, medycynie i AI do ewaluacji modeli.
Krzywa uczenia się w sztucznej inteligencji to graficzne przedstawienie ilustrujące związek między wydajnością uczenia się modelu a zmiennymi, takimi jak rozmiar zbioru danych czy liczba iteracji treningowych, co pomaga w diagnozowaniu kompromisów pomiędzy błędem a wariancją, wyborze modelu oraz optymalizacji procesów treningowych.
Pokazywanie 2 z 6
