模型鲁棒性
模型鲁棒性指的是机器学习（ML）模型在输入数据存在变化和不确定性的情况下，依然能够保持一致且准确性能的能力。鲁棒模型对于可靠的人工智能应用至关重要，能够确保系统对噪声、异常值、分布漂移和对抗性攻击具有抵抗能力，从而保障其稳定性和可靠性。
•
1 分钟阅读
Glossary
浏览 Glossary 分类中的所有内容
模型漂移
模型漂移（或称模型衰减）指的是由于现实环境变化导致机器学习模型预测性能随时间下降的现象。了解 AI 和机器学习中模型漂移的类型、成因、检测方法及解决方案。
•
1 分钟阅读
你想说的是 (DYM)
了解自然语言处理中的“你想说的是”（DYM）如何识别和纠正用户输入中的错误，如拼写或输入错误，并建议替代内容，以提升搜索引擎、聊天机器人等场景下的用户体验。
•
1 分钟阅读
拟人化
拟人化是指将人类的特质、情感或意图赋予非人类实体，如动物、植物或无生命物体。这一概念深植于人类心理与文化之中，体现在故事讲述、宗教、媒体及日常生活中，促进情感联结与理解。
•
1 分钟阅读
年级水平
了解年级水平在可读性中的含义，如何通过如Flesch-Kincaid等公式计算，以及它为何对于根据受众阅读能力调整内容至关重要。
•
1 分钟阅读
欧盟人工智能法案（EU AI Act）
欧盟人工智能法案（EU AI Act）是全球首个旨在管理人工智能（AI）风险并利用其优势的全面监管框架。该法案于2021年4月推出，旨在确保AI系统安全、透明，并符合基本权利和道德原则。
•
1 分钟阅读
判别模型
了解判别式人工智能模型——专注于分类和回归，通过建模类别之间决策边界的机器学习模型。理解其工作原理、优势、挑战及其在自然语言处理、计算机视觉和人工智能自动化中的应用。
•
1 分钟阅读
批量归一化
批量归一化是深度学习中的一项变革性技术，通过解决内部协变量偏移、稳定激活值，并实现更快且更稳定的训练，极大地提升了神经网络的训练过程。
•
1 分钟阅读
偏见
探索人工智能中的偏见：了解其来源、对机器学习的影响、现实案例以及缓解策略，从而构建公平且可靠的AI系统。
•
1 分钟阅读
平均精度均值（mAP）
平均精度均值（mAP）是计算机视觉中用于评估目标检测模型的关键指标，通过一个标量值同时体现检测与定位的准确性。它被广泛用于自动驾驶、安防监控和信息检索等任务中，进行AI模型的基准测试与优化。
•
1 分钟阅读
平均绝对误差（MAE）
平均绝对误差（MAE）是机器学习中用于评估回归模型的基本指标。它衡量预测误差的平均幅度，为评估模型准确性提供了一种直接且易于解释的方法，而不考虑误差的方向。
•
1 分钟阅读
朴素贝叶斯
朴素贝叶斯是一类基于贝叶斯定理的分类算法家族，通过条件概率并简化假设特征之间条件独立。尽管如此，朴素贝叶斯分类器依然高效、可扩展，被广泛应用于垃圾邮件检测和文本分类等场景。
•
1 分钟阅读
奇点
人工智能中的奇点是一个理论上的未来时刻，届时机器智能将超越人类智慧，引发社会的快速且无法预见的变化。探索其起源、关键概念、影响以及持续的争论。
•
1 分钟阅读
歧视
人工智能中的歧视是指基于受保护特征（如种族、性别、年龄或残疾）对个人或群体进行不公平或不平等对待。这通常源于AI系统在数据收集、算法开发或部署过程中嵌入的偏见，并可能对社会和经济平等产生重大影响。
•
1 分钟阅读
启发式方法
启发式方法通过利用经验知识和经验法则，在人工智能中提供快速且令人满意的解决方案，简化复杂的搜索问题，并指导 A* 和爬山算法等算法专注于更有前景的路径，提高效率。
•
1 分钟阅读
迁移学习
迁移学习是一种先进的机器学习技术，使得在一个任务上训练出的模型能够迁移复用到相关任务上，从而提高效率和性能，尤其是在数据稀缺的情况下。
•
1 分钟阅读
迁移学习
迁移学习是一种强大的人工智能/机器学习技术，通过对预训练模型进行适应，能够将其应用于新任务，即使数据有限，也能提升性能，并在图像识别、自然语言处理等多种应用中提高效率。
•
1 分钟阅读
前线部署工程师（FDE）
前线部署工程师（FDE）是专门的技术专业人员，直接与客户合作，根据其独特需求定制、配置和实施软件解决方案，弥合产品能力与实际应用之间的差距。
•
1 分钟阅读
欠拟合
欠拟合是指机器学习模型过于简单，无法捕捉其训练数据的潜在趋势。这导致模型在未见数据和训练数据上的表现都很差，通常是由于模型复杂度不足、训练不充分或特征选择不当造成的。
•
1 分钟阅读
嵌入向量
嵌入向量是在多维空间中对数据进行密集数值表示的方法，能够捕捉语义和上下文关系。了解嵌入向量如何驱动自然语言处理、图像处理和推荐系统等 AI 任务。
•
2 分钟阅读
强化学习
强化学习（RL）是机器学习的一个子领域，专注于训练智能体在环境中进行决策序列，通过奖励或惩罚的反馈学习最优行为。探索强化学习的关键概念、算法、应用和挑战。
•
2 分钟阅读
强化学习（RL）
强化学习（RL）是一种训练机器学习模型的方法，通过让智能体执行动作并接收反馈来学习决策。反馈以奖励或惩罚的形式出现，引导智能体随着时间推移提升表现。RL被广泛应用于游戏、机器人、金融、医疗保健和自动驾驶等领域。
•
1 分钟阅读
情感分析
情感分析，又称为观点挖掘，是人工智能（AI）和自然语言处理（NLP）领域中至关重要的任务，用于将文本的情感倾向分类和解读为正面、负面或中性。了解其重要性、类型、方法以及在企业中的实际应用。
•
1 分钟阅读
曲线下面积（AUC）
曲线下面积（AUC）是机器学习中用于评估二元分类模型性能的基本指标。它通过计算接收者操作特征（ROC）曲线下的面积，量化模型区分正负类别的整体能力。
•
1 分钟阅读
确定性模型
确定性模型是一种数学或计算模型，对于给定的一组输入条件，能够产生唯一、明确的输出，具有可预测性和可靠性，不包含随机性。广泛应用于人工智能、金融、工程和地理信息系统等领域，确定性模型提供精确分析，但在应对现实世界的多变性方面可能缺乏灵活性。
•
1 分钟阅读
人工超级智能（ASI）
人工超级智能（ASI）是一种理论上的人工智能，能够在所有领域超越人类智能，具备自我提升和多模态能力。探索其特征、构建要素、应用、优势及伦理风险。
•
1 分钟阅读
人工神经网络（ANNs）
人工神经网络（ANNs）是受人脑启发的一类机器学习算法。这些计算模型由相互连接的节点或“神经元”组成，共同协作解决复杂问题。ANNs 被广泛应用于图像和语音识别、自然语言处理以及预测分析等领域。
•
1 分钟阅读
人工智能的透明性
人工智能（AI）的透明性指的是 AI 系统在运行过程中的开放性和清晰度，包括其决策过程、算法和数据。这对于 AI 伦理和治理至关重要，能够确保问责、信任和合规。
•
1 分钟阅读
人工智能回报率（ROAI）
人工智能回报率（ROAI）衡量AI投资对企业运营、生产力和盈利能力的影响。了解如何通过策略、真实案例和研究见解评估、衡量并最大化您的AI项目回报。
•
2 分钟阅读
人工智能技术趋势
人工智能技术趋势涵盖了人工智能领域当前和新兴的进展，包括机器学习、大型语言模型、多模态能力和生成式AI，这些进展正在塑造各行各业并影响未来的技术发展。
•
1 分钟阅读
人工智能监管机构
人工智能监管机构是负责监督、评估和规范人工智能（AI）开发与部署的组织，确保AI的使用负责任、合乎伦理并具备透明度，同时降低如歧视、隐私侵犯和责任缺失等风险。
•
1 分钟阅读
人工智能监管框架
人工智能监管框架是为规范人工智能技术的开发、部署和使用而制定的结构化指导方针和法律措施。这些框架旨在确保人工智能系统的运行方式符合伦理、安全，并与社会价值观保持一致。它们涵盖数据隐私、透明度、问责和风险管理等方面，在促进负责任的人工智能创新的同时，降低潜在风险。
•
1 分钟阅读
人工智能伦理
探索人工智能伦理准则：确保人工智能技术在开发、部署和使用过程中遵循伦理原则和框架。了解公平性、透明性、责任制、全球标准以及负责任人工智能的相关策略。
•
1 分钟阅读
人工智能驱动的经济影响
人工智能驱动的经济影响指的是人工智能通过自动化任务、提升决策能力以及创造新市场，从而改变生产力、就业、收入分配和经济增长的方式。这种影响既有积极的一面，比如效率提升，也有消极的一面，比如就业流失或不平等加剧。
•
1 分钟阅读
人工智能融资趋势
探索2024年最新的人工智能（AI）融资趋势，包括投资上升、科技巨头主导、生成式AI的增长以及初创企业的影响。了解重大交易、行业投资和塑造AI投资格局的挑战。
•
1 分钟阅读
人工智能研究资助
人工智能研究资助是由国家科学基金会（NSF）、美国国家人文基金会（NEH）及私营机构等机构提供的资金，用于支持人工智能研究项目。这些资助支持新人工智能技术和方法的发展，推动创新并解决基础性和应用性的挑战。
•
1 分钟阅读
人工智能与人权
探讨人工智能如何影响人权，权衡其在改善服务获取等方面的益处与隐私侵犯、偏见等风险。了解国际框架、监管挑战，以及负责任部署AI以保护基本权利的重要性。
•
1 分钟阅读
人类参与环节（Human in the Loop）
人类参与环节（HITL）是一种人工智能和机器学习的方法，将人类专业知识整合到AI系统的训练、调整和应用中，以提升准确性、减少错误并确保伦理合规。
•
1 分钟阅读
认知地图
认知地图是一种对空间关系和环境的心理表征，使个体能够获取、储存、回忆和解码关于周围环境中位置和属性的信息。它是导航、学习、记忆的基础，并在人工智能和机器人领域日益发挥影响。
•
1 分钟阅读
认知计算
认知计算是一种变革性的技术模型，在复杂场景中模拟人类思维过程。它融合了人工智能和信号处理，以复制人类认知，通过处理大量结构化和非结构化数据，提升决策能力。
•
1 分钟阅读
三维重建
探索三维重建：了解这一先进流程如何利用摄影测量、激光扫描和AI驱动算法等技术，捕捉现实世界中的物体或环境，并将其转化为详细的三维模型。发现关键概念、应用领域、挑战及未来发展趋势。
•
1 分钟阅读
深度估计
深度估计是计算机视觉中的关键任务，旨在预测图像中物体相对于摄像头的距离。它将二维图像数据转换为三维空间信息，是自动驾驶、增强现实、机器人和三维建模等应用的基础。
•
1 分钟阅读
深度伪造
深度伪造是一种合成媒体形式，利用人工智能生成高度逼真的虚假图像、视频或音频录音。术语“深度伪造”是“深度学习”和“伪造”的合成词，反映了该技术对先进机器学习技术的依赖。
•
1 分钟阅读
深度信念网络（DBN）
深度信念网络（DBN）是一种复杂的生成模型，利用深层结构和受限玻尔兹曼机（RBM），能够为监督和无监督任务（如图像和语音识别）学习数据的分层表示。
•
2 分钟阅读
深度学习
深度学习是人工智能（AI）中机器学习的一个子集，其工作方式模仿人脑处理数据和创建用于决策的模式。它受到被称为人工神经网络的大脑结构和功能的启发。深度学习算法能够分析和解释复杂的数据关系，使其能够高精度地完成语音识别、图像分类以及复杂问题解决等任务。
•
1 分钟阅读
什么是 Fastai？
Fastai 是一个建立在 PyTorch 之上的深度学习库，提供高级 API、迁移学习和分层架构，使神经网络开发在视觉、自然语言处理、表格数据等领域变得简单。由 Jeremy Howard 和 Rachel Thomas 开发，Fastai 是开源且由社区驱动，让最前沿的人工智能技术对所有人都可及。
•
3 分钟阅读
生成对抗网络（GAN）
生成对抗网络（GAN）是一种机器学习框架，由生成器和判别器两个神经网络组成，它们相互竞争以生成与真实数据无法区分的数据。该方法由 Ian Goodfellow 于 2014 年提出，现已广泛应用于图像生成、数据增强、异常检测等领域。
•
1 分钟阅读
生成式人工智能（Gen AI）
生成式人工智能指的是一类能够生成新内容（如文本、图像、音乐、代码和视频）的人工智能算法。与传统人工智能不同，生成式人工智能基于其训练过的数据产生原创输出，实现了跨行业的创造力和自动化。
•
1 分钟阅读
生成式预训练变换器（GPT）
生成式预训练变换器（GPT）是一种利用深度学习技术生成接近人类写作文本的人工智能模型。基于变换器架构，GPT采用自注意力机制实现高效文本处理与生成，彻底革新了内容创作、聊天机器人等自然语言处理（NLP）应用。
•
1 分钟阅读
生成引擎优化（GEO）
生成引擎优化（GEO）是一种专为ChatGPT和Bard等AI平台优化内容的策略，确保品牌在AI生成的回答中可见且被准确呈现。
•
1 分钟阅读
实例分割
实例分割是一项计算机视觉任务，能够以像素级精度检测并描绘图像中每一个独立的目标。与目标检测或语义分割相比，它能提供更为细致的理解，对于医学影像、自动驾驶和机器人等领域至关重要。
•
1 分钟阅读
市场进入（GTM）策略
市场进入（GTM）策略是一套全面的计划，企业用以将新产品或服务推向市场。通过深入了解目标市场并优化营销与分销，降低风险。将AI整合进GTM可通过优化市场调研、客户定位和内容开发进一步提升策略成效。
•
1 分钟阅读
试探者（Tire Kicker）
什么是试探者？在销售中，试探者指的是那些看似对产品或服务感兴趣，但实际上没有真实购买意愿或能力的潜在客户。了解如何通过有效的销售策略和AI工具识别、管理并减少试探者带来的影响。
•
1 分钟阅读
收敛性
AI中的收敛性是指通过迭代学习，机器学习和深度学习模型逐步达到稳定状态，确保通过最小化预测值与实际结果之间的差异，实现准确预测。这是AI在各类应用中（从自动驾驶到智慧城市）有效性与可靠性的基础。
•
1 分钟阅读
数据保护法规
数据保护法规是用于保护个人数据、管理其处理并保障个人隐私权的法律框架、政策和标准。这些法规确保合规、防止未经授权的访问，并在数字时代维护数据主体的权利。
•
1 分钟阅读
数据清洗
数据清洗是发现并修复数据中的错误或不一致性以提升数据质量的重要过程，确保分析和决策的准确性、一致性与可靠性。探索关键流程、挑战、工具，以及人工智能和自动化在高效数据清洗中的作用。
•
1 分钟阅读
数据挖掘
数据挖掘是一种复杂的过程，通过分析大量原始数据，发掘其中的模式、关系和洞见，从而为企业战略和决策提供参考。利用先进的分析技术，它帮助组织预测趋势、提升客户体验并提高运营效率。
•
1 分钟阅读
数据稀缺
数据稀缺指的是用于训练机器学习模型或进行全面分析的数据不足，这会阻碍准确 AI 系统的发展。了解 AI 和自动化中数据稀缺的原因、影响及应对技术。
•
1 分钟阅读
数据验证
人工智能中的数据验证是指评估和确保用于训练和测试 AI 模型的数据的质量、准确性和可靠性的过程。它包括识别和纠正数据中的差异、错误或异常，从而提升模型表现和可信度。
•
1 分钟阅读
数据治理
数据治理是由流程、政策、角色和标准组成的框架，确保组织内部数据的有效与高效使用、可用性、完整性和安全性。它推动各行业的合规性、决策制定和数据质量提升。
•
1 分钟阅读