Trí tuệ nhân tạo (AI) bao gồm một loạt các thuật ngữ xác định các khái niệm, kỹ thuật và thách thức cốt lõi của nó. Bảng thuật ngữ toàn diện thường liệt kê khoảng 85-100 thuật ngữ chính để giúp người dùng điều hướng lĩnh vực này. Dưới đây là tuyển tập 85 thuật ngữ AI thiết yếu với các giải thích rõ ràng, ngắn gọn được rút ra từ các nguồn đã được thiết lập.
Khái niệm cơ bản
Trí tuệ nhân tạo (AI) đề cập đến công nghệ cho phép máy móc mô phỏng trí thông minh của con người cho các nhiệm vụ như suy luận và nhận thức.
Machine Learning (ML) là một tập hợp con của AI, nơi các hệ thống cải thiện từ dữ liệu mà không cần lập trình rõ ràng.
Deep Learning (DL) sử dụng mạng nơ-ron nhiều lớp để xử lý các mẫu dữ liệu phức tạp.
Kỹ thuật học tập
Học có giám sát đào tạo các mô hình trên dữ liệu được gắn nhãn để dự đoán kết quả.
Học không giám sát xác định các mẫu trong dữ liệu không được gắn nhãn, chẳng hạn như phân cụm.
Học tăng cường tối ưu hóa hành động thông qua phần thưởng và hình phạt.
Mạng nơ-ron
Mạng thần kinh bắt chước các tế bào thần kinh não với các nút được kết nối với nhau để xử lý đầu vào.
Tế bào thần kinh là đơn vị cơ bản áp dụng trọng số và chức năng kích hoạt cho dữ liệu.
Chức năng kích hoạt quyết định xem một tế bào thần kinh có kích hoạt hay không, như ReLU hoặc Sigmoid.
Mô hình chính
Kiến trúc Transformer đã cách mạng hóa việc xử lý ngôn ngữ với các cơ chế chú ý.
GPT (Generative Pre-trained Transformer) tạo văn bản giống con người từ dữ liệu đào tạo khổng lồ.
BERT (Biểu diễn bộ mã hóa hai chiều từ Transformers) hiểu ngữ cảnh hai chiều.
Xử lý dữ liệu
Tokenization chia văn bản thành các đơn vị nhỏ hơn để nhập mô hình.
Nhúng chuyển đổi từ thành vectơ số nắm bắt ý nghĩa.
Kỹ thuật tính năng tạo ra các biến đầu vào để tăng hiệu suất của mô hình.
Kiến thức cơ bản về đào tạo
Epoch hoàn thành một lần vượt qua bộ dữ liệu đào tạo.
Chức năng mất mát định lượng các lỗi dự đoán trong quá trình đào tạo.
Trình tối ưu hóa như Adam điều chỉnh trọng số để giảm thiểu tổn thất.
Thử thách mô hình
Quá khớp xảy ra khi các mô hình ghi nhớ dữ liệu đào tạo nhưng không thành công khi nhập mới.
Underfitting xảy ra với các mô hình quá đơn giản thiếu các mẫu dữ liệu.
Bias đưa ra các lỗi có hệ thống từ dữ liệu đào tạo sai lệch.
Chỉ số đánh giá
Độ chính xác đo lường dự đoán chính xác về tổng thể.
Độ chính xác tập trung vào những điều tích cực thực sự trong số các dự đoán tích cực.
Nhớ lại nắm bắt những điểm tích cực thực sự trong số những mặt tích cực thực tế.
AI tổng quát
Ảo giác tạo ra thông tin hợp lý nhưng sai lệch.
Prompt Engineering tạo đầu vào để gợi ra đầu ra mong muốn.
Tinh chỉnh điều chỉnh các mô hình được đào tạo trước cho các nhiệm vụ cụ thể.
Tác nhân và tự động hóa
AI Agent hoạt động tự động để đạt được mục tiêu thông qua quan sát.
RPA (Tự động hóa quy trình bằng robot) tự động hóa các tác vụ dựa trên quy tắc lặp đi lặp lại.
Hệ thống đa tác nhân điều phối nhiều tác nhân cho các vấn đề phức tạp.
NLP nâng cao
NLP (Xử lý ngôn ngữ tự nhiên) cho phép hiểu và tạo ra ngôn ngữ của con người.
Phân tích cảm xúc phát hiện cảm xúc trong văn bản.
Semantic Search truy xuất theo ý nghĩa, không chỉ từ khóa.
Thị giác máy tính
Thị giác máy tính diễn giải dữ liệu trực quan như hình ảnh.
Phát hiện đối tượng định vị và phân loại các mục trong hình ảnh.
Phân đoạn hình ảnh chia hình ảnh thành các vùng có ý nghĩa.
Phần cứng và hiệu quả
GPU tăng tốc tính toán song song để đào tạo.
TPU là chip được tối ưu hóa của Google cho các hoạt động của tensor.
Nén mô hình thu nhỏ các mô hình để triển khai nhanh hơn.
Đạo đức và An toàn
Sự liên kết đảm bảo AI tuân theo các giá trị của con người.
AI có thể giải thích được (XAI) đưa ra các quyết định có thể giải thích được đối với con người.
Độ bền duy trì hiệu suất trong các điều kiện khác nhau.
Thuật ngữ mới
AGI (Trí tuệ nhân tạo tổng quát) hướng đến tính linh hoạt ở cấp độ con người.
Học liên kết đào tạo trên các thiết bị mà không chia sẻ dữ liệu thô.
RAG (Retrieval-Augmented Generation) kết hợp AI với kiến thức bên ngoài.
(St.)
Ý kiến bạn đọc (0)