Otani AI Logo AICI Logo
መነሻ የAI ጥቅሞች ነጻ ሪፖርት ዋጋዎች AI ዜና ተደጋግመው የሚጠየቁ ጥያቄዎች እውቂያ መዝገበ ቃላት

የAI መዝገበ ቃላት

የአርቴፊሻል ኢንተለጀንስ ቃላትን በአጠቃላይ መዝገበ ቃላት ያብራሩ። ከማሽን መማር እስከ የነርቭ ኔትወርኮች ድረስ፣ ውስብስብ የAI ፅንሰ-ሀሳቦችን በቀላል ቃላት እንከፋፍላለን።

አሰላለፍ (Alignment)

Alignment
የአርቴፊሻል ኢንተለጀንስ ስርዓት ዓላማዎች፣ ውጤቶች እና ባህሪዎች ከሰው ግቦች እና እሴቶች ጋር መጣጣማቸውን የማረጋገጥ ሂደት ነው። ይህ በተለይ በግልጽ ባልተፈለጉ ባህሪዎች ሊዳብሩ በሚችሉ የላቁ ስርዓቶች ውስጥ አስፈላጊ ነው።
ምሳሌ: የድጋፍ የውይይት ቦት ምንም አይነት ማነቃቂያ ቢቀርብ የጎጂ ድርጊቶችን እንዳይመክር ማረጋገጥ።

የመተግበሪያ ፕሮግራሚንግ በይነገጽ (API) (Application Programming Interface (API))

Application Programming Interface (API)
የተለያዩ የሶፍትዌር ስርዓቶች እንዲገናኙ እና መረጃ እንዲለዋወጡ የሚያስችሉ የተገለጹ ህጎች እና ፕሮቶኮሎች ስብስብ።
ምሳሌ: የቋንቋ ሞዴል-የተፈጠረ ምላሽን ለመላክ እና ለመቀበል የOpenAI APIን መጠቀም።

አርቴፊሻል ጀነራል ኢንተለጀንስ (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
የሰው ልጅ ሊያደርገው የሚችለውን ማንኛውንም የማሰብ ችሎታ ተግባር ማከናወን የሚችል የንድፈ ሃሳብ አይነት AI። በተለያዩ ዘርፎች መማርን ያጠቃልላል።
ምሳሌ: AGI ስርዓት የሙዚቃ ቅንብርን መማር፣ ቀዶ ጥገና ማድረግ እና ያለ ተልዕኮ-ተኮር ፕሮግራሚንግ የፍልስፍና ፈተና ማለፍ ይችላል።

አርቴፊሻል ኢንተለጀንስ (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
በማሰብ፣ በማመዛዘን እና በራስ-ገዝ የመንቀሳቀስ ችሎታ ባላቸው ማሽኖች ውስጥ የሰው ልጅ የማሰብ ችሎታ መኮረጅ።
ምሳሌ: AI እንደ Siri ያሉ የግል ረዳቶችን እና እንደ Tesla Autopilot ያሉ ራስ-ገዝ የመንዳት ስርዓቶችን ያንቀሳቅሳል።

AI ሥነ ምግባር (AI Ethics)

AI Ethics
ፍትሃዊነትን፣ ግላዊነትን፣ ተጠያቂነትን እና መድልዎ አለማድረግን ጨምሮ የAI ልማት እና አጠቃቀምን የሞራል አንድምታዎች የሚመለከት የትምህርት ዘርፍ።
ምሳሌ: የቅጥር አልጎሪዝሞች በጾታ ወይም በጎሳ ላይ መድልዎ እንዳይፈጥሩ ለመከላከል መመሪያዎችን መፍጠር።

የተሻሻለ ኢንተለጀንስ (Augmented Intelligence)

Augmented Intelligence
AI ሰውን ከመተካት ይልቅ የሰው ልጅን የማሰብ ችሎታ የሚያሟላ እና የሚያሻሽል የትብብር ሞዴል።
ምሳሌ: የራዲዮሎጂ AI መሳሪያዎች ዶክተሮች ለማንኛውም የፓቶሎጂ ለውጦች ትኩረት እንዲሰጡ የሚያደርጉ ሲሆን ዶክተሮቹ የመጨረሻውን ምርመራ ያደርጋሉ።

ራስ-ገዝ ወኪል (Autonomous Agent)

Autonomous Agent
የራሱን ውሳኔ ማድረግ እና የሰው ጣልቃ ገብነት ሳይኖር ግቦቹን ለማሳካት እርምጃዎችን መውሰድ የሚችል የAI ስርዓት።
ምሳሌ: የከተማ ጎዳናዎችን በራስ-ገዝ የሚጓዝ እና መሰናክሎችን በራስ-ገዝ የሚቀርፍ የመላኪያ ሮቦት።

የኋላ ስርጭት (Backpropagation)

Backpropagation
የማሽን መማር ሞዴሎችን በማሰልጠን የክብደት ማስተካከያዎችን ከውጤት ወደ ግብዓት ንብርብሮች በተቃራኒ አቅጣጫ በማድረግ የትንበያ ስህተቶችን የሚቀንስ ዘዴ።
ምሳሌ: በእጅ የተጻፉ አሃዞችን በማወቅ ላይ ያለውን የስህተት መጠን ለመቀነስ በምስል መለያዎች ስልጠና ላይ ጥቅም ላይ ይውላል።

አድልዎ (አልጎሪትም አድልዎ) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
በሚዛን ያልተመጣጠነ ወይም ተወካይ ያልሆነ የሥልጠና ውሂብ ምክንያት በAI ውጤቶች ውስጥ ያልተፈለገ እና ስልታዊ ተወዳጅነት።
ምሳሌ: በሥልጠና ውሂብ ውስጥ በቂ ውክልና ባለመኖሩ ምክንያት በቀለም ሰዎች ላይ በተደጋጋሚ የሚሳሳት የፊት ለይቶ የማወቅ ስርዓት።

ትልቅ ዳታ (Big Data)

Big Data
ማከማቸት፣ መተንተን እና እሴት ማውጣት ልዩ መሳሪያዎች የሚያስፈልጋቸው እጅግ በጣም ብዙ የውሂብ ስብስቦች፣ ብዙ ጊዜ የAI ሞዴሎችን ለማሰልጠን ያገለግላሉ።
ምሳሌ: ለኢ-ኮሜርስ መድረኮች የውሳኔ ሰጪ ሞተሮችን ለማሰልጠን በሚሊዮን የሚቆጠሩ የተጠቃሚ መስተጋብሮችን መጠቀም።

ጥቁር ሣጥን ሞዴል (Black Box Model)

Black Box Model
የውስጣዊ አመክንዮው በሰዎች በቀላሉ ሊረዳ የማይችል የAI ወይም የማሽን መማር ሞዴል አይነት፣ ውሳኔዎች እንዴት እንደሚደረጉ ለመረዳ ያስቸግራል።
ምሳሌ: ብድርን ለማጽደቅ የሚያገለግል ነገር ግን አንድ አመልካች ለምን እንደተቀበለ እና ሌላው ለምን እንደተቀበለ ግልጽ ማብራሪያ የማይሰጥ የጥልቅ የነርቭ ኔትወርክ።

የእውቀት (ኮግኒቲቭ) ኮምፒውቲንግ (Cognitive Computing)

Cognitive Computing
እንደ NLP እና የጥለት እውቅና ያሉ ቴክኒኮችን በመጠቀም የሰው ልጅን አስተሳሰብ ሂደቶች፣ እንደ ማመዛዘን እና መማርን የሚኮርጁ የAI ስርዓቶች።
ምሳሌ: የህግ ባለሙያዎችን የጉዳይ ህግን እንዲተነትኑ እና ውጤቶችን እንዲተነብዩ የሚረዳ የእውቀት (ኮግኒቲቭ) ኮምፒውቲንግ ስርዓት።

የኮምፒውተር እይታ (Computer Vision)

Computer Vision
ኮምፒውተሮች እንደ ምስሎች እና ቪዲዮ ያሉ የእይታ መረጃዎችን እንዲተረጉሙ እና እንዲያካሂዱ የሚያስችል የአርቴፊሻል ኢንተለጀንስ መስክ።
ምሳሌ: የኮምፒውተር እይታን በመጠቀም በደህንነት ቀረጻ ውስጥ ሰዎችን የሚለዩ የፊት ለይቶ የማወቅ ስርዓቶች።

ኮርፐስ (Corpus)

Corpus
የቋንቋ ሞዴሎችን ለማሰልጠን የሚያገለግል የጽሑፍ ወይም የንግግር ጽሑፎች ትልቅ ስብስብ።
ምሳሌ: የCommon Crawl ዳታሴት እንደ GPT ያሉ ትላልቅ የቋንቋ ሞዴሎችን ለማሰልጠን የሚያገለግል የህዝብ ድር ኮርፐስ ነው።

የውሂብ መንሸራተት (Data Drift)

Data Drift
የግብዓት ውሂብ በጊዜ ሂደት ሲቀየር፣ የሞዴል አፈጻጸም እንዲቀንስ የሚያደርግ ክስተት።
ምሳሌ: አዲስ ዳሳሽ ቴክኖሎጂ ሲገባ የኢንዱስትሪ መሳሪያዎች የትንበያ ጥገና ሞዴል ያነሰ ትክክለኛ ይሆናል።

የውሂብ መለያ መስጠት (Data Labelling)

Data Labelling
ለበላይነት ያለው መማር ተስማሚ እንዲሆን ውሂብን መለያዎች ወይም መለያዎች የመስጠት ሂደት።
ምሳሌ: የካንሰርን የልዩነት ሞዴል ለማሰልጠን በሺዎች የሚቆጠሩ የዕጢ ምስሎችን እንደ ጤናማ ወይም አደገኛ መለያ መስጠት።

የውሂብ ማዕድን (Data Mining)

Data Mining
በትልቅ የውሂብ ስብስቦች ውስጥ ትርጉም ያላቸውን ቅጦች፣ ግንኙነቶች እና ልዩነቶች የማግኘት ሂደት።
ምሳሌ: የህፃናት ዳይፐር የሚገዙ ሰዎች ቢራንም እንደሚገዙ ለማወቅ የውሂብ ማዕድን የሚጠቀሙ ቸርቻሪዎች።

ጥልቅ መማር (Deep Learning)

Deep Learning
በውሂብ ውስጥ ውስብስብ ቅጦችን ለመቅረጽ ብዙ-የተደረደሩ የነርቭ ኔትወርኮችን የሚጠቀም የማሽን መማር ንዑስ መስክ።
ምሳሌ: ጥልቅ መማር እንደ GPT-4 ያሉ የቋንቋ ሞዴሎች እና እንደ Stable Diffusion ያሉ የምስል ትውልድ ሞዴሎች ላይ ጥቅም ላይ ይውላል።

የዲፊዩዥን ሞዴሎች (Diffusion Models)

Diffusion Models
የዘፈቀደ ጫጫታን ወደ መዋቅር ውጤቶች ቀስ በቀስ በመለወጥ ውሂብን ለማምረት የሚማሩ የጄነሬቲቭ ሞዴሎች ክፍል ።
ምሳሌ: Stable Diffusion የዲፊዩዥን ቴክኒኮችን በመጠቀም ከጽሑፍ ጥያቄዎች እውነታዊ ምስሎችን ይፈጥራል።

መክተቻ (Embedding) (Embedding)

Embedding
የቃላት፣ ምስሎች ወይም ዓረፍተ ነገሮች የትርጉም ትርጉም ለመያዝ የሚያገለግል የውሂብ የቁጥር ውክልና።
ምሳሌ: በNLP ውስጥ፣ 'ባንክ' የሚለው ቃል እንደ 'ገንዘብ' ካሉ ቃላት ጋር ተመሳሳይ መክተቻዎች ሊኖሩት ይችላል ነገር ግን እንደ አውድ ላይ በመመስረት ከ'የወንዝ ዳር' ይለያል።

ዘመን (Epoch) (Epoch)

Epoch
የማሽን መማር ሞዴል የሥልጠና ሂደት ወቅት ሙሉውን የሥልጠና የውሂብ ስብስብ አንድ ጊዜ ማለፍ።
ምሳሌ: አንድ የውሂብ ስብስብ 1,000 ምሳሌዎች ካሉት እና አንድ ሞዴል በስልጠና ወቅት ሁሉንም አንድ ጊዜ ካየ፣ ያ አንድ ዘመን ነው።

ሥነ ምግባራዊ AI (Ethical AI)

Ethical AI
AI ቴክኖሎጂዎች ግልጽነትን፣ ፍትሃዊነትን እና ከህብረተሰብ እሴቶች ጋር በሚስማማ መልኩ እንዲሰሩ የሚያረጋግጥ የንድፍ እና የትግበራ ፍልስፍና።
ምሳሌ: አናሳ እጩዎችን መድልዎ ለመከላከል የአድልዎ ምርመራዎችን የሚያካትት የAI የቅጥር መሳሪያ።

የባለሙያ ስርዓት (Expert System)

Expert System
በአንድ የተወሰነ ዘርፍ የሰው ባለሙያ ውሳኔ ሰጪ ችሎታዎችን በህጎች እና አመክንዮ በመኮረጅ የAI ስርዓት።
ምሳሌ: የግብርና ባለሙያ ስርዓት የውሂብ እና የተባይ ታሪክን መሰረት በማድረግ የሰብል ህክምናዎችን ለመመከር የሚያገለግል ነው።

ሊገለጽ የሚችል AI (XAI) (Explainable AI (XAI))

Explainable AI (XAI)
የውስጣዊ ሂደቶቻቸውን እና ውሳኔዎቻቸውን ለሰዎች ለመረዳት የሚያስችሉ የAI ስርዓቶች፣ እምነትን እና ተጠያቂነትን ይጨምራል።
ምሳሌ: የህክምና ምርመራ AI ይህም ምክር ከመስጠት በተጨማሪ የትኞቹ ምልክቶች ወደዚያ መደምደሚያ እንደመሩ ያብራራል።

ጥቂት-ሾት መማር (Few-shot Learning)

Few-shot Learning
ሞዴል በትንሽ ቁጥር በተሰየሙ ምሳሌዎች ብቻ የሚሰለጥንበት ወይም የሚስተካከልበት የማሽን መማር ዘዴ።
ምሳሌ: የህግ ኢሜይሎችን ለመጻፍ LLMን ከ10 ምሳሌዎች ብቻ በማሳየት ማበጀት።

ጥሩ ማስተካከያ (Fine-tuning)

Fine-tuning
ቅድመ-የሰለጠነ ሞዴል ወስዶ ለተወሰነ ተግባር ልዩ ለማድረግ በአዲስ፣ በትንሽ የውሂብ ስብስብ ላይ ተጨማሪ ስልጠና የመስጠት ሂደት።
ምሳሌ: የህግ ረቂቅ ረዳት ለመፍጠር የህግ ሰነዶችን በመጠቀም አጠቃላይ LLMን ማስተካከል ።

የመሠረት ሞዴል (Foundation Model)

Foundation Model
በተለያዩ እና ሰፊ ውሂብ ላይ የሰለጠነ ትልቅ-መጠን ሞዴል ለብዙ ተከታይ ተግባራት ሊስተካከል የሚችል ነው።
ምሳሌ: GPT-4 እና PaLM 2 የመሠረት ሞዴሎች ናቸው ይህም ማጠቃለያ፣ ጥያቄና መልስ፣ ትርጉም እና ሌሎችንም ማድረግ ይችላል።

የደበዘዘ አመክንዮ (Fuzzy Logic)

Fuzzy Logic
በእርግጠኝነት እውነት/ሐሰት (ባይነሪ) አመክንዮ ፋንታ ግምታዊ እሴቶችን የሚይዝ የአመክንዮ አይነት፣ በእርግጠኝነት በሌለበት ሁኔታ ለመመዘን ጠቃሚ ነው።
ምሳሌ: እንደ 'ትንሽ ሞቃት' ወይም 'በጣም ቀዝቃዛ' ባሉ ግልጽ ባልሆኑ ግብዓቶች ላይ በመመስረት የሙቀት መጠንን ለማስተካከል የአየር ንብረት ቁጥጥር ስርዓቶች ላይ ጥቅም ላይ ይውላል።

ጄነሬቲቭ ተቃዋሚ አውታረ መረብ (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
ሁለት አውታረ መረቦች - ጄነሬተር እና ተላላፊ - የውጤት ጥራትን ለማሻሻል የሚወዳደሩበት የጄነሬቲቭ ሞዴል አርክቴክቸር።
ምሳሌ: GANs የድብቅ የውሸት ቪዲዮዎችን ለመፍጠር ወይም ከስዕሎች እውነታዊ የምርት ፎቶዎችን ለመፍጠር ያገለግላሉ።

ጄነሬቲቭ AI (Generative AI)

Generative AI
ከሥልጠና ውሂብ አዲስ ይዘት - እንደ ጽሑፍ፣ ምስሎች፣ ሙዚቃ ወይም ቪዲዮ - መፍጠር የሚችል የአርቴፊሻል ኢንተለጀንስ ምድብ።
ምሳሌ: ChatGPT የብሎግ ልጥፎችን መፍጠር ወይም Midjourney ከጽሑፍ ጥያቄዎች ዲጂታል ጥበብን መፍጠር።

ጄነሬቲቭ ቅድመ-የሰለጠነ ትራንስፎርመር (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
የOpenAI ያዳበረው የትራንስፎርመር አርክቴክቸርን የሚጠቀም እና የተለያዩ የቋንቋ ተግባራትን ለማከናወን በከፍተኛ መጠን በጽሑፍ ውሂብ ላይ ቅድመ-የሰለጠነ የትልቅ የቋንቋ ሞዴሎች ክፍል ነው።
ምሳሌ: GPT-4 አነስተኛ ጥያቄዎችን በመጠቀም ድርሰቶችን መጻፍ፣ ቋንቋዎችን መተርጎም እና ሰነዶችን ማጠቃለል ይችላል።

የዘረመል አልጎሪዝም (Genetic Algorithm)

Genetic Algorithm
በተፈጥሮ ምርጫ ተመስጦ የነበረ የኦፕቲማይዜሽን ቴክኒክ ሲሆን መፍትሄዎች በዘረመል ለውጥ፣ በመስቀል እና ምርጫ በኩል በጊዜ ይሻሻላሉ።
ምሳሌ: በ"የተሳካላቸው" የነርቭ ኔትወርክ አርክቴክቸሮችን በመኮረጅ ለማሻሻል ያገለግላል።

ቅዠት (Hallucination)

Hallucination
በAI ሞዴል የሚፈጠር እውነታዊ ድምጽ ያላቸው ነገር ግን ከእውነታው የራቁ ወይም ትርጉም የሌላቸው ይዘቶች።
ምሳሌ: የቋንቋ ሞዴል የሌለበትን ጥቅስ ይፈጥራል ወይም የውሸት ታሪካዊ እውነቶችን ይሰጣል።

ሂዩሪስቲክ (Heuristic)

Heuristic
ፍጹም መፍትሄን ባያረጋግጥም ለቀጣይ ግቦች በቂ የሆነ የችግር አፈታት ተግባራዊ አቀራረብ።
ምሳሌ: በሎጂስቲክስ AI ስርዓት ውስጥ የመላኪያ ጊዜን ለመገመት የቃል ህግን መጠቀም።

ሃይፐርፓራሜትር (Hyperparameter)

Hyperparameter
እንደ የመማሪያ መጠን ወይም የንብርብሮች ብዛት ያሉ የማሽን መማር ሞዴልን ከማሰልጠኑ በፊት የሚዘጋጅ የውቅር እሴት።
ምሳሌ: የሥልጠና ፍጥነት እና የሞዴል አፈጻጸምን ለማሻሻል የቡድን መጠኑን ከ32 ወደ 128 ማስተካከል ።

ማጠቃለያ (Inference) (Inference)

Inference
ከአዲስ ግብዓት ውሂብ ትንበያዎችን ለማድረግ ወይም ውጤቶችን ለማመንጨት የሰለጠነ የማሽን መማር ሞዴልን የመጠቀም ሂደት።
ምሳሌ: ለደንበኛ ድጋፍ ቡድን ኢሜይሎችን ለመጻፍ የተስተካከለ GPT ሞዴልን መጠቀም።

ዓላማ ማወቅ (Intent Detection)

Intent Detection
በአንድ መልእክት ውስጥ የተጠቃሚውን ግብ ወይም ዓላማ ስርዓቱ የመለየት የተፈጥሮ ቋንቋ ግንዛቤ ተግባር።
ምሳሌ: በውይይት ቦት ውስጥ፣ 'በረራ ማስያዝ እፈልጋለሁ' የሚለውን የጉዞ ማስያዣ ዓላማ መለየት።

የነገሮች ኢንተርኔት (IoT) (Internet of Things (IoT))

Internet of Things (IoT)
ውሂብ ለመሰብሰብ እና ለመለዋወጥ ዳሳሾች፣ ሶፍትዌር እና ሌሎች ቴክኖሎጂዎች የተገጠሙ የተገናኙ አካላዊ መሳሪያዎች አውታረ መረብ።
ምሳሌ: የአጠቃቀም መረጃን ሪፖርት የሚያደርጉ እና የAI ትንታኔዎችን በመጠቀም ቅንብሮችን የሚያስተካክሉ ዘመናዊ ቴርሞስታቶች እና ማቀዝቀዣዎች።

ተርጓሚነት (Interpretability)

Interpretability
የማሽን መማር ሞዴልን የውስጣዊ ዘዴዎች እና የውሳኔ አሰጣጥ ሂደት የሰው ልጅ ሊረዳ የሚችልበት ደረጃ።
ምሳሌ: የውሳኔ ዛፍ ከጥልቅ የነርቭ ኔትወርክ ይልቅ የበለጠ ተርጓሚ ነው ምክንያቱም ውሳኔዎቹ ሊከታተሉ የሚችሉ ናቸው።

የጁፒተር ማስታወሻ ደብተር (Jupyter Notebook)

Jupyter Notebook
ተጠቃሚዎች ኮድ እንዲጽፉ፣ ውጤቶችን እንዲያሳዩ እና ትንታኔን በአንድ በይነገጽ ውስጥ እንዲመዘግቡ የሚያስችል ክፍት ምንጭ የሆነ የኢንተራክቲቭ ኮምፒውቲንግ አካባቢ።
ምሳሌ: የውሂብ ሳይንቲስቶች የማሽን መማር ሞዴሎችን ለመሞከር እና ውጤቶችን ለማጋራት የጁፒተር ማስታወሻ ደብተሮችን ይጠቀማሉ።

የK-ቅርብ ጎረቤቶች (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
ለክፍል እና ለግንኙነት የሚያገለግል ቀላል፣ የጎደለው የማሽን መማር አልጎሪዝም። በባህሪ ቦታ ውስጥ በጣም ቅርብ የሆኑ የሥልጠና ምሳሌዎችን መሰረት በማድረግ ውሳኔዎችን ያደርጋል።
ምሳሌ: አዲስ ፍሬን ፖም ወይም ፒር ብሎ ለመመደብ፣ KNN ቅርፅ እና ቀለም ቅርብ የሆኑ የተሰየሙ ፍሬዎችን ይፈትሻል።

የእውቀት ግራፍ (Knowledge Graph)

Knowledge Graph
የነገሮች እና ግንኙነቶቻቸው የተገናኙ መግለጫዎችን የሚወክል እና የሚያከማች የውሂብ መዋቅር።
ምሳሌ: የጎግል የእውቀት ፓነል እንደ ሰዎች፣ ቦታዎች እና ክስተቶች ያሉ ነገሮችን የሚያገናኝ የእውቀት ግራፍን ያንቀሳቅሳል።

የቋንቋ መማሪያ ሞዴል ማሻሻያ (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
ለተወሰኑ ተግባራት ወይም ዘርፎች የትልቅ የቋንቋ ሞዴሎችን አፈጻጸም፣ ቅልጥፍና ወይም መላመድ ለማሻሻል የሚያገለግሉ ቴክኒኮች።
ምሳሌ: ለድርጅት አገልግሎት LLMን ለማሻሻል መጠነ-መጠን እና መመሪያ ማስተካከያ መጠቀም።

ትልቅ የቋንቋ ሞዴል (LLM) (Large Language Model (LLM))

Large Language Model (LLM)
በከፍተኛ መጠን በጽሑፍ ውሂብ ላይ የሰለጠነ የጥልቅ መማር ሞዴል አይነት ሲሆን ይህም የሰውን ቋንቋ ማመንጨት፣ መረዳት እና ማመዛዘን ይችላል።
ምሳሌ: ChatGPT እና Claude የጽሑፍ፣ የኮድ እና የጥያቄ መልስ ለመርዳት የሰለጠኑ LLMs ናቸው።

የደበዘዘ ቦታ (Latent Space) (Latent Space)

Latent Space
በጄነሬቲቭ ሞዴሎች እና መክተቻዎች ላይ ጥቅም ላይ የሚውል፣ ተመሳሳይ ግብዓቶች እርስ በርሳቸው በቅርበት የሚሰባሰቡበት ከፍተኛ-ልኬት ያለው ረቂቅ ውክልና።
ምሳሌ: በምስል ትውልድ ውስጥ፣ የደበዘዘውን ቦታ መቆጣጠር እንደ ብሩህነት ወይም ስሜት ያሉ ባህሪያትን ሊቀይር ይችላል።

የመማሪያ መጠን (Learning Rate)

Learning Rate
የሞዴል ክብደቶች ከኪሳራ ግሬዲየንት ጋር በተያያዘ ምን ያህል እንደሚስተካከሉ የሚቆጣጠር በስልጠና ውስጥ ቁልፍ ሃይፐርፓራሜትር።
ምሳሌ: ከፍተኛ የመማሪያ መጠን ዝቅተኛ ነጥቦችን ሊያልፍ ይችላል፣ በጣም ዝቅተኛ መጠን ደግሞ የሥልጠና እድገትን ይቀንሳል።

የማሽን መማር (ML) (Machine Learning (ML))

Machine Learning (ML)
ስርዓቶች ከውሂብ እንዲማሩ እና በግልጽ ሳይሰለጥኑ አፈጻጸምን እንዲያሻሽሉ የሚያስችል የAI ቅርንጫፍ።
ምሳሌ: የስፓም ማጣሪያዎች የኢሜይሎችን እንደ ስፓም ወይም አለመሆኑን ከቀድሞ ምሳሌዎች በመነሳት ለመመደብ የማሽን መማርን ይጠቀማሉ።

የሞዴል መንሸራተት (Model Drift)

Model Drift
በውሂብ ወይም በአካባቢ ለውጦች ምክንያት የሞዴል ትክክለኛነት በጊዜ ሂደት የሚቀንስበት ክስተት።
ምሳሌ: የማጭበርበር የትንበያ ሞዴል የማጭበርበር ዘዴዎች ሲሻሻሉ ያነሰ ትክክለኛ ይሆናል።

የሞዴል ስልጠና (Model Training)

Model Training
ውሂብን ለማሽን መማር ሞዴል የመስጠት እና ስህተትን ለመቀነስ መለኪያዎቹን የማስተካከል ሂደት።
ምሳሌ: አዲስ ምርቶችን ለመጠቆም የደንበኛ ግዢ ታሪክ ላይ የውሳኔ ሰጪ ሞተርን ማሰልጠን።

ባለብዙ-ሞዳል AI (Multimodal AI)

Multimodal AI
ጽሑፍ፣ ምስሎች፣ ድምጽ እና ቪዲዮ ያሉ በርካታ የውሂብ አይነቶችን ማካሄድ እና ማዋሃድ የሚችሉ የAI ስርዓቶች።
ምሳሌ: GPT-4 Vision ያለ ሞዴል ጽሑፍ ማንበብ እና ምስሎችን በተመሳሳይ ጊዜ መተርጎም ይችላል።

የተፈጥሮ ቋንቋ ሂደት (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)
በኮምፒውተሮች እና በሰው (ተፈጥሯዊ) ቋንቋዎች መካከል ያለውን መስተጋብር የሚያተኩር የAI ንዑስ መስክ። ማሽኖች የሰውን ቋንቋ እንዲያነቡ፣ እንዲረዱ እና ምላሽ እንዲሰጡ ያስችላል።
ምሳሌ: NLP በድምጽ ረዳቶች፣ የቋንቋ ትርጉም መተግበሪያዎች እና የውይይት ቦቶች ላይ ጥቅም ላይ ይውላል።

የነርቭ ኔትወርክ (Neural Network)

Neural Network
በሰው ልጅ አእምሮ አወቃቀር ተመስጦ የተሰራ የማሽን መማር ሞዴል፣ እርስ በርስ በተገናኙ ኖዶች (ነርቭ) ንብርብሮች የተዋቀረ።
ምሳሌ: የነርቭ ኔትወርኮች በምስል እና በንግግር እውቅና ላይ ጥቅም ላይ በሚውሉ የጥልቅ መማር ሞዴሎች በስተጀርባ ናቸው።

ጫጫታ (Noise)

Noise
በውሂብ ውስጥ የዘፈቀደ ወይም አላስፈላጊ መረጃ ሲሆን ይህም ትርጉም ያላቸውን ቅጦች ሊያደበዝዝ እና የሞዴል አፈጻጸምን አሉታዊ በሆነ መልኩ ሊጎዳ ይችላል።
ምሳሌ: የዳሳሽ ስህተቶች ወይም በፊደል ስህተት የተሞሉ የውሂብ ግቤቶች ጫጫታ ሊቆጠሩ ይችላሉ።

ኦንቶሎጂ (Ontology)

Ontology
በአንድ ዘርፍ ውስጥ ባሉ ፅንሰ-ሀሳቦች መካከል ግንኙነቶችን የሚመድብ እና የሚገልጽ የተዋቀረ ማዕቀፍ፣ ብዙ ጊዜ በትርጉም AI ስርዓቶች ላይ ጥቅም ላይ ይውላል።
ምሳሌ: በጤና እንክብካቤ ውስጥ ያለ ኦንቶሎጂ ምልክቶች ከበሽታዎች እና ህክምናዎች ጋር እንዴት እንደሚዛመዱ ሊገልጽ ይችላል።

ከመጠን በላይ መገጣጠም (Overfitting)

Overfitting
የማሽን መማር ሞዴል በሥልጠና ውሂብ ውስጥ ያለውን ጫጫታ የሚይዝበት እና በአዲስ ውሂብ ላይ በደንብ የማይሰራበት የሞዴሊንግ ስህተት።
ምሳሌ: የሥልጠና መልሶችን የሚያስታውስ ነገር ግን ያልታዩ የሙከራ ውሂቦችን መቋቋም የማይችል ሞዴል ከመጠን በላይ የተገጠመ ነው።

ተንታኝ ትንበያ (Predictive Analytics)

Predictive Analytics
የወደፊት ውጤቶችን ከታሪካዊ ውሂብ በመነሳት የመሆን እድልን ለመለየት የውሂብ፣ አልጎሪዝም እና AI አጠቃቀም።
ምሳሌ: ቸርቻሪዎች ለተወሰኑ ምርቶች ፍላጎትን ለመተንበይ ተንታኝ ትንበያ ይጠቀማሉ።

ቅድመ-ስልጠና (Pre-training)

Pre-training
ሞዴልን ለተወሰኑ ተግባራት ከማስተካከሉ በፊት በሰፊ፣ አጠቃላይ የውሂብ ስብስብ ላይ መጀመሪያ የማሰልጠን ሂደት።
ምሳሌ: የGPT ሞዴሎች ለደንበኛ ድጋፍ የውይይት ቦቶች ከመስተካከላቸው በፊት በትላልቅ ኮርፖራዎች ላይ ቅድመ-የሰለጠኑ ናቸው።

የጥያቄ ምህንድስና (Prompt Engineering)

Prompt Engineering
የቋንቋ ሞዴሎችን ውጤት ለመምራት ውጤታማ ጥያቄዎችን የመፍጠር ጥበብ እና ሳይንስ።
ምሳሌ: 'እንደ ደግ አስተማሪ ምላሽ ስጥ' ያሉ የስርዓት መመሪያዎችን ማከል የጥያቄ ምህንድስና ምሳሌ ነው።

መጠነ-መጠን (Quantisation) (Quantisation)

Quantisation
የክብደት እና የነቃነት ውክልናን የሚጠቀሙ የቢት ብዛት የሚቀንስ የሞዴል መጭመቂያ ቴክኒክ፣ ቅልጥፍናን ያሻሽላል።
ምሳሌ: ሞዴልን ከ32-ቢት ወደ 8-ቢት መጠነ-መጠን ማድረግ በሞባይል መሳሪያዎች ላይ አፈጻጸምን ያሻሽላል።

የኳንተም ኮምፒውቲንግ (Quantum Computing)

Quantum Computing
በኳንተም ሜካኒክስ ላይ የተመሰረተ የኮምፒውቲንግ አዲስ ምሳሌ፣ ይህም ከክላሲካል አቅም በላይ የሆነ የሂሳብ አቅም ያለው ነው።
ምሳሌ: የኳንተም ኮምፒውቲንግ የAI ስልጠናን ከክላሲካል ገደቦች በላይ ሊያፋጥን ይችላል።

የማመዛዘኛ ሞተር (Reasoning Engine)

Reasoning Engine
በህጎች ወይም በማጠቃለያ አልጎሪዝም በመጠቀም ከእውነታዎች ወይም ከውሂብ ስብስብ አመክንዮአዊ መደምደሚያዎችን የሚያገኝ የAI ስርዓት።
ምሳሌ: የAI ምርመራ መሳሪያ ምልክቶችን መሰረት በማድረግ ሊሆኑ የሚችሉ የህክምና ሁኔታዎችን ለማወቅ የማመዛዘኛ ሞተርን ይጠቀማል።

የቅጣት መማር (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
ወኪሎች የድምር ሽልማቶችን ለማሳደግ ከ entorno ጋር በመስተጋብር የሚማሩበት የማሽን መማር አካባቢ።
ምሳሌ: ሮቦት በRL ቴክኒኮች በመሞከር እና በማረም መራመድን ይማራል።

የቅጣት መማር በሰው ግብረመልስ (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
የሰውን ምርጫዎች የAIን የሽልማት ምልክት በሚመሩበት ጊዜ፣ ብዙ ጊዜ የቋንቋ ሞዴሎችን በማስተካከል ላይ ጥቅም ላይ የሚውል የመማሪያ ዘዴ።
ምሳሌ: ChatGPT ይበልጥ ጠቃሚ እና ደህንነቱ የተጠበቀ ምላሾችን ለማምረት በRLHF የሰለጠነ ነበር።

የማግኛ-የተሻሻለ ትውልድ (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
የመረጃ ማግኛን ከትውልድ ጋር የሚያዋህድ ዘዴ፣ የት LLM ምላሹን ለማሻሻል ተዛማጅ ሰነዶችን ያገኛል።
ምሳሌ: የAI ረዳት የቴክኒክ ጥያቄን መልስ በሚፈጥርበት ጊዜ የምርት ዝርዝሮችን ያገኛል እና ይጠቅሳል።

ራስን-የበላይነት መማር (Self-Supervised Learning)

Self-Supervised Learning
ሞዴል ከጥሬ ውሂብ የራሱን መለያዎች በመፍጠር ቅጦችን የሚማርበት የሥልጠና አቀራረብ፣ የሰው ልጅ ከተሰየመ ውሂብ ላይ ያለውን ጥገኝነት ይቀንሳል።
ምሳሌ: BERT የጎደሉ ቃላትን በጽሑፍ በመተንበይ በራስ-የበላይነት መማር የሰለጠነ ነው።

የትርጉም ፍለጋ (Semantic Search)

Semantic Search
የተጠቃሚውን ዓላማ እና የዐውደ-ጽሑፍ ትርጉም የሚረዳ የፍለጋ ቴክኒክ፣ ከቁልፍ ቃል ግጥሚያ በላይ።
ምሳሌ: 'የፈሰሰን ቧንቧ እንዴት እንደሚስተካከል' መፈለግ ሰነዱ ላይ 'የፈሰሰ ቧንቧ' የሚለው ቃል ባይኖርም መመሪያዎችን ይመልሳል።

የስሜት ትንተና (Sentiment Analysis)

Sentiment Analysis
በጽሑፍ ውስጥ ስሜቶችን፣ አስተያየቶችን ወይም አመለካከቶችን የመለየት ሂደት፣ ብዙ ጊዜ እንደ አዎንታዊ፣ አሉታዊ ወይም ገለልተኛ መመደብ።
ምሳሌ: ለአዲስ ምርት የህዝብ ምላሽን ለመገምገም ትዊቶችን መተንተን።

ተለዋዋጭ (Stochastic) (Stochastic)

Stochastic
የዘፈቀደ ወይም የፕሮባቢሊቲ ባህሪን የሚያካትት፣ ብዙ ጊዜ በጄነሬቲቭ AI እና በኦፕቲማይዜሽን አልጎሪዝም ላይ ጥቅም ላይ ይውላል።
ምሳሌ: የGPT-4 ውጤት በዘፈቀደ የትርጉም ሂደት ምክንያት ለተመሳሳይ ግብዓት ይለያያል።

ጠንካራ AI (Strong AI)

Strong AI
እንዲሁም አርቴፊሻል ጀነራል ኢንተለጀንስ (AGI) በመባል የሚታወቅ፣ በሁሉም ዘርፎች የሰው ልጅን የማሰብ ችሎታ የሚበልጥ ማሽኖችን ያመለክታል።
ምሳሌ: ልብ ወለዶችን በራስ-ገዝ መጻፍ፣ ከተሞችን ማቀድ እና የሞራል ችግሮችን በእኩልነት መፍታት የሚችል የወደፊት AI።

እጅግ የላቀ አርቴፊሻል ኢንተለጀንስ (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
በሁሉም ገጽታዎች - ማመዛዘን፣ ፈጠራ፣ ስሜታዊ ብልህነት፣ ወዘተ - የሰው ልጅን የማሰብ ችሎታ በከፍተኛ ሁኔታ የሚበልጥ የንድፈ ሃሳብ AI።
ምሳሌ: SAI በንድፈ ሃሳብ አዲስ ሳይንሶችን እና ፍልስፍናዎችን በራስ-ገዝ ሊያዳብር ይችላል።

የበላይነት ያለው መማር (Supervised Learning)

Supervised Learning
ሞዴሎች በተሰየመ ውሂብ ላይ የሰለጠኑበት የማሽን መማር ቴክኒክ የግብዓት-ውጤት ግጥሚያዎችን ለመማር።
ምሳሌ: ኢሜይሎችን እንደ ስፓም ወይም አለመሆኑን ከታሪካዊ ምሳሌዎች በመጠቀም ለመመደብ ሞዴልን ማስተማር።

ሰው ሰራሽ ዳታ (Synthetic Data)

Synthetic Data
እውነተኛውን ዓለም ውሂብ የሚመስል ሰው ሰራሽ በሆነ መንገድ የተፈጠረ ውሂብ፣ ብዙ ጊዜ እውነተኛ ውሂብ እምብዛም ወይም ስሜታዊ በሆነበት ጊዜ ለማሰልጠን ያገለግላል።
ምሳሌ: የህክምና ምስሎችን የውሂብ ግላዊነት ሳይጥስ የምርመራ ሞዴሎችን ለማሰልጠን ሰው ሰራሽ የህክምና ምስሎችን መፍጠር።

ቶከን (Token)

Token
በLLMs የሚሰራ የጽሑፍ ክፍል - በተለምዶ ቃል ወይም የቃል ቁራጭ።
ምሳሌ: 'ሰላም አለም!' የሚለው ዓረፍተ ነገር ወደ 3 ቶከኖች ይከፈላል፡ 'ሰላም'፣ 'አለም' እና '!'።

ቶከን ማድረግ (Tokenisation)

Tokenisation
ጽሑፍን ለሞዴል ሂደት ወደ ቶከኖች የመከፋፈል ሂደት።
ምሳሌ: በNLP ውስጥ፣ 'ChatGPT ምርጥ ነው' ወደ ['Chat', 'G', 'PT', 'is', 'great'] ይለወጣል።

የዝውውር መማር (Transfer Learning)

Transfer Learning
ከአንድ ተግባር የተገኘ እውቀትን በሌላ ተዛማጅ ተግባር ላይ መማርን ለማሻሻል መጠቀም፣ የሥልጠና ጊዜ እና የውሂብ ፍላጎቶችን መቀነስ።
ምሳሌ: በእንግሊዝኛ ጽሑፍ ላይ የሰለጠነ ሞዴልን በሌላ ቋንቋ የስሜት ትንተና ለማከናወን ማስተካከል ።

ትራንስፎርመር (Transformer)

Transformer
ተከታታይ ውሂብን ለመቅረጽ የትኩረት ዘዴዎችን የሚጠቀም የነርቭ ኔትወርክ አርክቴክቸር፣ በLLMs ላይ በስፋት ጥቅም ላይ ይውላል።
ምሳሌ: BERT, GPT, እና T5 ሁሉም ትራንስፎርመር-ተኮር ሞዴሎች ናቸው።

ዝቅተኛ መገጣጠም (Underfitting)

Underfitting
ሞዴል በሥልጠና ውሂብ ውስጥ ያሉትን ቅጦች ለመያዝ በጣም ቀላል በሚሆንበት ጊዜ፣ ይህም ደካማ አፈጻጸምን ያስከትላል።
ምሳሌ: ውስብስብ የምስል ምደባዎችን ለመተንበይ የሚሞክር የሊኒየር ሞዴል ዝቅተኛ ሊሆን ይችላል።

ያለበላይነት መማር (Unsupervised Learning)

Unsupervised Learning
ሞዴሎች በተሰየመ ውሂብ ውስጥ ቅጦችን ወይም ክላስተሮችን የሚለዩበት የመማሪያ አቀራረብ።
ምሳሌ: የቅድሚያ መለያዎች ሳይኖሩ በግዢ ባህሪ ላይ በመመስረት ደንበኞችን መቧደን።

የተጠቃሚ ዓላማ (User Intent)

User Intent
በተጠቃሚው ጥያቄ ወይም መስተጋብር በስተጀርባ ያለው ግብ ወይም ዓላማ።
ምሳሌ: 'ኬክ እንዴት እንደሚጋገር' ብሎ የጻፈ ተጠቃሚ ምናልባት የምግብ አሰራርን የመፈለግ ዓላማ አለው።

የማረጋገጫ ስብስብ (Validation Set)

Validation Set
በስልጠና ወቅት የሞዴል አፈጻጸምን ለመገምገም እና ሃይፐርፓራሜትርን ለማስተካከል የሚያገለግል የውሂብ ንዑስ ስብስብ።
ምሳሌ: የመጨረሻ ምርመራ ከመደረጉ በፊት ከመጠን በላይ መገጣጠምን ለመለየት ያገለግላል።

የቬክተር ዳታቤዝ (Vector Database)

Vector Database
እንደ የትርጉም ፍለጋ እና RAG ያሉ የAI ተግባራት ላይ ጥቅም ላይ የሚውሉ የቬክተር መክተቻዎችን ለማከማቸት እና ለመፈለግ የተነደፈ ዳታቤዝ።
ምሳሌ: Pinecone እና Weaviate የጽሑፍ ወይም የምስል መክተቻዎችን ለማከማቸት የቬክተር ዳታቤዞች ናቸው።

የቬክተር መክተቻ (Vector Embedding)

Vector Embedding
በቬክተር ቦታ ውስጥ የትርጉም ትርጉም እና ግንኙነቶችን የሚጠብቅ የውሂብ የቁጥር ውክልና።
ምሳሌ: 'ንጉስ' እና 'ንግስት' የሚሉት ቃላት ተመሳሳይ መክተቻዎች አሏቸው ይህም የጾታ ልዩነቶች አሉት።

ምናባዊ ረዳት (Virtual Assistant)

Virtual Assistant
በውይይት ወይም በድምጽ ትዕዛዞች አማካኝነት ተጠቃሚዎች ተግባራትን እንዲያጠናቅቁ የሚረዳ በAI የነቃ የሶፍትዌር ወኪል።
ምሳሌ: Siri, Alexa, እና Google Assistant ታዋቂ ምናባዊ ረዳቶች ናቸው።

የድምጽ እውቅና (Voice Recognition)

Voice Recognition
የተነገረውን ቋንቋ ወደ ጽሑፍ ወይም እርምጃ የሚተረጉም እና የሚቀይር ቴክኖሎጂ።
ምሳሌ: የድምጽ መተየብ እና የድምጽ ትዕዛዞች በድምጽ እውቅና ስርዓቶች ላይ ይተማመናሉ።

ደካማ AI (Weak AI)

Weak AI
አጠቃላይ የማሰብ ችሎታ ሳይኖር የተወሰነ፣ የተለየ ተግባር ለማከናወን የተነደፉ የAI ስርዓቶች።
ምሳሌ: የቋንቋ መረዳት ወይም መኪና መንዳት የማይችል የቼዝ ተጫዋች AI የደካማ AI ምሳሌ ነው።

የድር መቧጨር (Web Scraping)

Web Scraping
የድር ጣቢያዎችን መረጃ በራስ-ሰር ማውጣት፣ ብዙ ጊዜ የሥልጠና ውሂብ ለመሰብሰብ ወይም ይዘትን ለመከታተል ያገለግላል።
ምሳሌ: የንብረት ግምገማ ሞዴልን ለማሰልጠን የሪል እስቴት ዝርዝሮችን መቧጨር።

ክብደት (Weight)

Weight
በነርቭ ኔትወርኮች ውስጥ አንድ ኖድ በሌላው ላይ የሚያሳድረውን የጥንካሬ ተጽእኖ የሚወስን መለኪያ።
ምሳሌ: ክብደቶች የሞዴሉን ስህተት ለመቀነስ በስልጠና ወቅት ይስተካከላሉ።

ሹክሹክታ (Whisper)

Whisper
የOpenAI ያዳበረው የንግግር-ወደ-ጽሑፍ ሞዴል በበርካታ ቋንቋዎች ድምጽን የመቅዳት ችሎታ ያለው።
ምሳሌ: ሹክሹክታ ንግግሮችን እና ፖድካስቶችን በከፍተኛ ትክክለኛነት መቅዳት ይችላል።

YAML (YAML)

YAML
የውሂብ ተከታታይነት የሰው-ነባይ ቅርጸት፣ ብዙ ጊዜ በማሽን መማር የስራ ፍሰቶች ውስጥ ለውቅር ፋይሎች ያገለግላል።
ምሳሌ: በPyTorch ስልጠና ለማግኘት የYAML ፋይልን በመጠቀም የሞዴል መለኪያዎችን መግለጽ።

ዜሮ-ሾት መማር (Zero-shot Learning)

Zero-shot Learning
ሞዴል በጭራሽ በልዩ ሁኔታ ባልሰለጠነባቸው ተግባራት ላይ አጠቃላይ እውቀትን በመጠቀም የማከናወን ችሎታ።
ምሳሌ: የህግ ውሂብ ላይ በልዩ ሁኔታ ባልሰለጠነም የህግ ጥያቄዎችን የሚመልስ ሞዴል።

ዜታባይት (Zettabyte)

Zettabyte
አንድ ሴክስቲሊዮን (10^21) ባይት ጋር እኩል የሆነ የዲጂታል ዳታ ክፍል፣ ብዙ ጊዜ የኢንተርኔት ዳታን መጠን ለመግለጽ ያገለግላል።
ምሳሌ: የዓለም አቀፍ የኢንተርኔት ትራፊክ በ2016 በዓመት 1 ዜታባይት አልፏል።