AI GbeÅ‹utinunya ÃeÉ–efia

NÉ”nÉ”meÉ–oÉ–o (Alignment)

Alignment

MÉ”nu si dzi wotona kpÉ”a egbÉ” be AI mÉ”ÌƒÉ–aÅ‹ununya aÉ–e Æ’e taÉ–odzinuwo, nu siwo dona tso eme, kple nuwÉ”nawo sÉ” kple amegbetÉ” Æ’e taÉ–odzinuwo kple agbenÉ”nÉ” Æ’e gÉ”meÉ–osewo. Esia le vevie koÅ‹ le mÉ”ÌƒÉ–aÅ‹ununya deÅ‹gÉ”wo me siwo ate Å‹u atu nuwÉ”na siwo womenÉ” mÉ” kpÉ”m na le gÉ”medzedzea me o.

KpÉ”É–eÅ‹u: WokpÉ”a egbÉ” be dzeÉ–oÉ–omÉ”Ìƒ si wotsÉ” kpena É–e ame Å‹u le susu me lÃ©le me la meÉ–oa aÉ–aÅ‹u gbegbláº½ aÉ–eke o, eÉ–anye biabia ka kee woÉ–o o.

DÉ”wÉ”nuwo Æ’e MÉ”ÌƒÉ–aÅ‹ununya Æ’e GbeÉ–iÉ–i (API) (Application Programming Interface (API))

Application Programming Interface (API)

Se kple mÉ”nu siwo woÉ–o siwo É–ea mÉ” na software mÉ”ÌƒÉ–aÅ‹ununya vovovowo be woaÉ–o dze ahado nyatakakawo É–a.

KpÉ”É–eÅ‹u: OpenAI API zazÃ£ atsÉ” aÉ–o biaÉ–aÅ‹u aÉ–o ahaxÉ” gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’e Å‹uÉ–oÉ–o le wÃ² web dÉ”wÉ”nua me.

AmegbetÉ” Æ’e Nunya Gbogbo (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)

AI Æ’e nÉ”nÉ”me aÉ–e si wosusui be ate Å‹u awÉ” susuÅ‹utinunya dÉ” aÉ–e sia aÉ–e si amegbetÉ” ate Å‹u awÉ”. EtsÉ”a nusÉ”srÉ”Ìƒ wÉ”a dÉ” le dÉ”wÉ”Æ’e vovovowo.

KpÉ”É–eÅ‹u: AGI mÉ”ÌƒÉ–aÅ‹ununya aÉ–e ate Å‹u asrÉ”Ìƒ hadzidzi Å‹lÉ”Ìƒ, awÉ” amekoko, eye wÃ²ado filozofi dodokpÉ” aÉ–e to mÉ”ÌƒÉ–aÅ‹ununya tÉ”xÉ› aÉ–eke manÉ”mee.

AmegbetÉ” Æ’e Nunya (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)

AmegbetÉ” Æ’e nunya sÉ”srÉ”Ìƒ le mÉ”Ìƒwo me siwo woÉ–o be woabu susu, woalÃ© Å‹ku É–e nu Å‹u, eye woawÉ” nu le wo É–okui si.

KpÉ”É–eÅ‹u: AI doa Å‹usáº½ kpeÉ–eÅ‹utÉ”wo abe Siri kple Ê‹ukuku mÉ”ÌƒÉ–aÅ‹ununyawo abe Tesla Autopilot ene.

AI Æ’e AgbenÉ”nÉ” Æ’e GÉ”meÉ–osewo (AI Ethics)

AI Ethics

NusrÉ”ÌƒÆ’e si lÃ©a Å‹ku É–e AI Æ’e Å‹gÉ”yiyi kple zazÃ£ Æ’e agbenÉ”nÉ”Å‹utinya Å‹u, siwo dometÉ” aÉ–ewoe nye dzÉ”dzÉ”enyenye, amegbetÉ” Æ’e gomenÉ”amesiwo, akÉ”ntabubu, kple ameÅ‹kumemakpÉ”makpÉ”.

KpÉ”É–eÅ‹u: MÉ”fiamewo wÉ”wÉ” be woaxe mÉ” na dÉ”xÉ”lawo Æ’e algorithm-wo be woagaÉ–e ame aÉ–eke É–a le Å‹utsu alo nyÉ”nu nyenye alo to nyenye ta o.

Nunya si Wodo Ãe Dzi (Augmented Intelligence)

Augmented Intelligence

SubÉ”subÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununya si me AI dea amegbetÉ” Æ’e nunya dzi eye wÃ²doa Å‹usáº½e tsÉ” wu be wÃ²aÉ–É” li nÉ›.

KpÉ”É–eÅ‹u: AI-Å‹usáº½tÉ” radiology dÉ”wÉ”nuwo siwo fiaa nu siwo mesÉ” o na É–É”ktawo, amesiwo wÉ”a nyametsotso mamlÉ›a.

DÉ”wÉ”la si le EÉ–okui si (Autonomous Agent)

Autonomous Agent

AI mÉ”ÌƒÉ–aÅ‹ununya si ate Å‹u awÉ” eya Å‹utÉ” Æ’e nyametsotsowo ahawÉ” nu be yeaÉ–o eÆ’e taÉ–odzinuwo gbÉ” amegbetÉ” Æ’e kpekpeÉ–eÅ‹u manÉ”mee.

KpÉ”É–eÅ‹u: AgbatsÉ”Ê‹u si kua eÉ–okui si le du me mÉ”wo dzi eye wÃ²Æ’oa asa na mÉ”xenuwo le eÉ–okui si.

MegbeÉ–oÉ–o (Backpropagation)

Backpropagation

MÉ”nu aÉ–e si wotsÉ” hea aÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹unuwo to kpekpeme yeyewo É–oÉ–o me tso nu siwo dona tso eme va se É–e nu siwo wodea eme me, si É–ea nyagbÉ”gblÉ”ÌƒÉ–i Æ’e vodadawo dzi kpÉ”tÉ”na.

KpÉ”É–eÅ‹u: WozÃ£nÉ› le nÉ”nÉ”metatawo Æ’e klasifayerwo hehe me be woaÉ–e vodada Æ’e agbÉ”sÉ”sÉ”me dzi kpÉ”tÉ” le asiÅ‹É”Å‹lÉ”dzesiwo dzeside me.

MakÉ”makÉ”nyenye (Algorithim Æ’e MakÉ”makÉ”nyenye) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)

AmeÅ‹kumakpÉ”makpÉ” si womenÉ” mÉ” kpÉ”m na o eye wÃ²le É–oÉ–o nu le AI Æ’e nu siwo dona tso eme me le hehe Æ’e nyatakaka siwo mesÉ” o alo siwo menÉ” teÆ’e na ame o ta.

KpÉ”É–eÅ‹u: Mo dzeside Æ’e mÉ”ÌƒÉ–aÅ‹ununya si daa vo le ameyibÉ”wo dzeside me edziedzi le esi womenÉ” teÆ’e na wo le hehe Æ’e nyatakakawo me o ta.

Nyatakaka GÃ£wo (Big Data)

Big Data

Nyatakaka gÃ£wo Å‹utÉ” siwo bia dÉ”wÉ”nu tÉ”xÉ›wo be woatsÉ” adzra wo É–o, adzro wo me, eye woaÉ–e viÉ–e tso wo me, eye wowÉ”nÉ› zÄ© geÉ–e be woatsÉ” ahe AI mÉ”ÌƒÉ–aÅ‹ununyawo.

KpÉ”É–eÅ‹u: ZÃ£la miliÉ”n geÉ–e Æ’e nuwÉ”nawo zazÃ£ atsÉ” ahe aÉ–aÅ‹uÉ–oÉ–o mÉ”Ìƒwo na e-commerce platformwo.

AÉ–aka YibÉ” Æ’e MÉ”ÌƒÉ–aÅ‹ununya (Black Box Model)

Black Box Model

AI alo mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’omevi aÉ–e si Æ’e ememeÅ‹utinunya gÉ”me sese menÉ”a bÉ”bÉ”e na amegbetÉ”wo o, si wÉ”nÉ› be wÃ²sesáº½na be woase alesi wowÉ”a nyametsotsowo gÉ”me.

KpÉ”É–eÅ‹u: AÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya goglo aÉ–e si wozÃ£na tsÉ” lÉ”Ìƒa É–e nyÉ”nyrÉ”Ìƒwo dzi gake meÉ–ea nu si tae wolÉ”Ìƒ É–e dÉ”biala É–eka dzi eye wogbe bubu la me kÉ” nyuie o.

SusuÅ‹utinunya Æ’e KÉ”mpiutaÅ‹utinunya (Cognitive Computing)

Cognitive Computing

AI mÉ”ÌƒÉ–aÅ‹ununya siwo woÉ–o be woasrÉ”Ìƒ amegbetÉ” Æ’e susuÅ‹utinunya Æ’e nuwÉ”nawo, abe susuÅ‹utinunya kple nusÉ”srÉ”Ìƒ ene, to mÉ”nuwo abe NLP kple nÉ”nÉ”mewo dzeside zazÃ£ me.

KpÉ”É–eÅ‹u: SusuÅ‹utinunya Æ’e kÉ”mpiutaÅ‹utinunya mÉ”ÌƒÉ–aÅ‹ununya si kpena É–e seÅ‹utinunya dÉ”wÉ”lawo Å‹u be woadzro nyagbugbÉ”gblÉ”Ìƒwo me ahagblÉ” nu siwo adzÉ” É–i.

KÉ”mpiuta Æ’e NukpÉ”kpÉ” (Computer Vision)

Computer Vision

AmegbetÉ” Æ’e nunya Æ’e akpa aÉ–e si na kÉ”mpiutawo te Å‹u É–ea nukpÉ”kpÉ” Æ’e nyatakakawo abe nÉ”nÉ”metatawo kple video ene gÉ”me eye wowÉ”a dÉ” le wo Å‹u.

KpÉ”É–eÅ‹u: Mo dzeside Æ’e mÉ”ÌƒÉ–aÅ‹ununya siwo dea dzesi amewo le dedienÉ”nÉ” Æ’e video me to kÉ”mpiuta Æ’e nukpÉ”kpÉ” zazÃ£ me.

GbeÅ‹utinunya Æ’e NuÆ’oÆ’oÆ’u (Corpus)

Corpus

NyaÅ‹lÉ”Ìƒdzesi alo nyagbÉ”gblÉ”Ìƒ gÃ£ aÉ–e si wotsÉ” hea gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo.

KpÉ”É–eÅ‹u: Common Crawl nyatakakadzraÉ–oÆ’e nye web corpus si le gaglÃ£gbe si wozÃ£na tsÉ” hea gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununya gÃ£wo abe GPT ene.

Nyatakaka Æ’e TÉ”tÉ” (Data Drift)

Data Drift

NudzÉ”dzÉ” si me nyatakaka siwo wodea eme trÉ”na le É£eyiÉ£i aÉ–e megbe, si wÉ”nÉ› be mÉ”ÌƒÉ–aÅ‹ununya Æ’e dÉ”wÉ”wÉ” gbláº½na.

KpÉ”É–eÅ‹u: NyagbÉ”gblÉ”ÌƒÉ–i Æ’e dzadzraÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya na dÉ”wÉ”nuwo Æ’e dÉ”wÉ”nuwo Æ’e dÉ”wÉ”wÉ” meÉ–ea kÉ” nyuie o esime wodea sensor mÉ”ÌƒÉ–aÅ‹ununya yeye.

Nyatakaka DzesiÉ–oÉ–o (Data Labelling)

Data Labelling

DÉ”wÉ”wÉ” si me wodea dzesi nyatakakawo kple dzesiwo be wÃ²asÉ” na nusÉ”srÉ”Ìƒ si le kpÉ”kplÉ” te.

KpÉ”É–eÅ‹u: Kansa Æ’e nÉ”nÉ”metata akpe geÉ–e dzesiÉ–oÉ–o be wonye nu nyui alo vÉ”ÌƒÉ–i be woatsÉ” ahe kansa dzeside Æ’e mÉ”ÌƒÉ–aÅ‹ununya.

Nyatakaka Kuku (Data Mining)

Data Mining

DÉ”wÉ”wÉ” si me wokpÉ”a nÉ”nÉ”me siwo gÉ”me le, Æ’omedodo, kple nu siwo mesÉ” o le nyatakaka gÃ£wo me.

KpÉ”É–eÅ‹u: Asitsalawo zÃ£a nyatakaka kuku be woakpÉ” be amesiwo Æ’lea aÉ–iba la Æ’lea beer hÃ£.

NusÉ”srÉ”Ìƒ GÃ£ (Deep Learning)

Deep Learning

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e akpa aÉ–e si zÃ£a aÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya siwo le teÆ’e geÉ–e be woatsÉ” awÉ” nÉ”nÉ”me sesáº½wo le nyatakakawo me.

KpÉ”É–eÅ‹u: WozÃ£a nusÉ”srÉ”Ìƒ gÃ£ le gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo abe GPT-4 kple nÉ”nÉ”metata wÉ”wÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo abe Stable Diffusion ene me.

Kakaka Æ’e MÉ”ÌƒÉ–aÅ‹ununyawo (Diffusion Models)

Diffusion Models

NuwÉ”wÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’omevi aÉ–e si srÉ”Ìƒa alesi woawÉ” nyatakakawo to hoowÉ”wÉ” si woÉ–o É–e É–oÉ–o nu trÉ”trÉ” vivivi me.

KpÉ”É–eÅ‹u: Stable Diffusion wÉ”a nÉ”nÉ”metata siwo sÉ” kple nu Å‹utÉ”Å‹utÉ” tso nyaÅ‹lÉ”Ìƒdzesiwo me to kakaka mÉ”nuwo zazÃ£ me.

TenÉ”nÉ”me (Embedding)

Embedding

Nyatakaka Æ’e xexláº½dzesi Æ’e vector teÆ’enÉ”nÉ”, si wozÃ£na zÄ© geÉ–e be woatsÉ” alÃ© nyawo, nÉ”nÉ”metatawo, alo nyagbÉ”gblÉ”Ìƒwo Æ’e gÉ”mesese me É–e asi.

KpÉ”É–eÅ‹u: Le NLP me la, nya 'gadÉ”' ate Å‹u anÉ” abe 'ga' ene gake wÃ²ato vovo na 'tÉ”Ê‹u' le nÉ”nÉ”mea nu.

Æ”eyiÉ£i aÉ–e (Epoch)

Epoch

DÉ”wÉ”wÉ” blibo le hehe Æ’e nyatakakadzraÉ–oÆ’e bliboa dzi le mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’e hehe Æ’e dÉ”wÉ”wÉ” me.

KpÉ”É–eÅ‹u: Ne nyatakakadzraÉ–oÆ’e aÉ–e me kpÉ”É–eÅ‹u 1,000 le eye mÉ”ÌƒÉ–aÅ‹ununya aÉ–e kpÉ” wo katÃ£ zi É–eka le hehe me la, eyae nye É£eyiÉ£i É–eka.

AI si sÉ” le AgbenÉ”nÉ” me (Ethical AI)

Ethical AI

AÉ–aÅ‹uÉ–oÉ–o kple dÉ”wÉ”wÉ” Æ’e filozofi si kpÉ”a egbÉ” be AI mÉ”ÌƒÉ–aÅ‹ununyawo wÉ”a dÉ” le gaglÃ£gbe, le dzÉ”dzÉ”enyenye me, eye wosÉ” kple hadome Æ’e agbenÉ”nÉ” Æ’e gÉ”meÉ–osewo.

KpÉ”É–eÅ‹u: AI dÉ”xÉ”la dÉ”wÉ”nu si me makÉ”makÉ”nyenye Æ’e dodokpÉ”wo le be woaxe mÉ” na ameÅ‹kumakpÉ”makpÉ” le ame sue aÉ–ewo Æ’e dÉ”bialawo Å‹u.

AÉ–aÅ‹uÉ–ola Æ’e MÉ”ÌƒÉ–aÅ‹ununya (Expert System)

Expert System

AI mÉ”ÌƒÉ–aÅ‹ununya si srÉ”Ìƒa amegbetÉ” aÉ–aÅ‹uÉ–ola Æ’e nyametsotso wÉ”wÉ” Æ’e Å‹utete le dÉ”wÉ”Æ’e aÉ–e me to se kple susuÅ‹utinunya zazÃ£ me.

KpÉ”É–eÅ‹u: AÉ–aÅ‹uÉ–ola Æ’e mÉ”ÌƒÉ–aÅ‹ununya si wozÃ£na le agbledede me be woaÉ–o aÉ–aÅ‹u le nukuwo Æ’e dÉ”yÉ”yÉ” Å‹u le anyigba Æ’e nyatakakawo kple dÉ”lÃ©kuiwo Æ’e Å‹utinya nu.

AI si GÉ”me WÉ”ate Å‹u Ase (XAI) (Explainable AI (XAI))

Explainable AI (XAI)

AI mÉ”ÌƒÉ–aÅ‹ununya siwo woÉ–o be woana woÆ’e ememe dÉ”wÉ”nawo kple nyametsotsowo nase egÉ”me na amegbetÉ”wo, si doa dzideÆ’o kple akÉ”ntabubu dzi.

KpÉ”É–eÅ‹u: DÉ”lÃ©le dzeside Æ’e AI si menaa aÉ–aÅ‹uÉ–oÉ–o ko o, ke boÅ‹ É–ea nu siwo Æ’e dzesiwo he nyametsotso ma vÉ› hÃ£ me.

NusÉ”srÉ”Ìƒ Vi aÉ–ewo Ko (Few-shot Learning)

Few-shot Learning

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”nu si me wohea mÉ”ÌƒÉ–aÅ‹ununya aÉ–e alo woÉ–oa eÉ–o nyuie to kpÉ”É–eÅ‹u vi aÉ–ewo siwo wode dzesii ko zazÃ£ me.

KpÉ”É–eÅ‹u: LLM aÉ–e É–oÉ–o be wÃ²aÅ‹lÉ” seÅ‹utinunya Æ’e emailwo ne wofiae kpÉ”É–eÅ‹u 10 pÉ› ko vÉ”.

ÃoÉ–oÉ–o NyuietÉ” (Fine-tuning)

Fine-tuning

DÉ”wÉ”wÉ” si me woxÉ”a mÉ”ÌƒÉ–aÅ‹ununya si wohe do Å‹gÉ” eye wogatrÉ”a hehe nÉ› le nyatakakadzraÉ–oÆ’e yeye, sue aÉ–e dzi be wÃ²awÉ” dÉ” tÉ”xÉ› aÉ–e.

KpÉ”É–eÅ‹u: LLM gÃ£ aÉ–e abe GPT ene É–oÉ–o nyuie le ememe seÅ‹utinunya Æ’e agbaláº½wo dzi be woawÉ” seÅ‹utinunya Æ’e agbaláº½Å‹lÉ”Ìƒla kpeÉ–eÅ‹utÉ”.

GÉ”meÉ–oÉ–o Æ’e MÉ”ÌƒÉ–aÅ‹ununya (Foundation Model)

Foundation Model

MÉ”ÌƒÉ–aÅ‹ununya gÃ£ aÉ–e si wohe le nyatakaka vovovowo kple nyatakaka gÃ£wo dzi si woate Å‹u atrÉ” É–e dÉ” geÉ–e siwo le megbe Å‹u.

KpÉ”É–eÅ‹u: GPT-4 kple PaLM 2 nye gÉ”meÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya siwo ate Å‹u awÉ” nuwo Æ’e tanyawo, Q&A, gÉ”meÉ–eÉ–e, kple bubuwo.

Susu si me mekÉ” o (Fuzzy Logic)

Fuzzy Logic

SusuÅ‹utinunya Æ’omevi aÉ–e si wÉ”a dÉ” kple asixÉ”sÉ” siwo te É–e nu Å‹u tsÉ” wu nyateÆ’e/alakpa (binary) susuÅ‹utinunya siwo li ke, si sÉ” na susuÅ‹utinunya le mÉ”kpÉ”kpÉ”manÉ”manÉ” me.

KpÉ”É–eÅ‹u: WozÃ£nÉ› le yame Æ’e nÉ”nÉ”me dzikpÉ”kpÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo me be woaÉ–o dzoxÉ”xÉ”me É–e nu siwo wodea eme siwo me mekÉ” o abe 'dzoxÉ”xÉ” vie' alo 'vuvÉ”Å‹utÉ”' ene nu.

NuwÉ”wÉ” Æ’e TsitretsiÉ–oÉ–o Æ’e MÉ”ÌƒÉ–aÅ‹ununya (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)

NuwÉ”wÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’e aÉ–aÅ‹uÉ–oÉ–o si me mÉ”ÌƒÉ–aÅ‹ununya eve â€” nuwÉ”la kple vovototodedeamela â€” hoa Ê‹li be yewoadzi nu siwo dona tso eme Æ’e nyonyome É–e edzi.

KpÉ”É–eÅ‹u: WozÃ£a GAN-wo be woatsÉ” awÉ” video alakpawo alo awÉ” nuhiahiÃ£wo Æ’e fotowo siwo sÉ” kple nu Å‹utÉ”Å‹utÉ” tso aÉ–aÅ‹uÉ–oÉ–owo me.

NuwÉ”wÉ” Æ’e AI (Generative AI)

Generative AI

AmegbetÉ” Æ’e nunya Æ’omevi aÉ–e si ate Å‹u awÉ” nu yeyewo â€” abe nyaÅ‹lÉ”Ìƒdzesiwo, nÉ”nÉ”metatawo, hadzidzi, alo video ene â€” tso hehe Æ’e nyatakakawo me.

KpÉ”É–eÅ‹u: ChatGPT si le blog-Å‹lÉ”Ìƒmewo wÉ”m alo Midjourney si le dijitaal aÉ–aÅ‹udÉ”wo wÉ”m tso nyaÅ‹lÉ”Ìƒdzesiwo me.

NuwÉ”wÉ” Æ’e GÉ”meÉ–oÉ–o Æ’e MÉ”ÌƒÉ–aÅ‹ununya (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)

GbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununya gÃ£wo Æ’e Æ’uÆ’oÆ’o aÉ–e si OpenAI wÉ” si zÃ£a transformer aÉ–aÅ‹uÉ–oÉ–o eye wohe do Å‹gÉ” le nyaÅ‹lÉ”Ìƒdzesi gÃ£wo dzi be wÃ²awÉ” gbeÅ‹utinunya dÉ” vovovowo.

KpÉ”É–eÅ‹u: GPT-4 ate Å‹u aÅ‹lÉ” nyatakakawo, aÉ–e gbegbÉ”gblÉ”Ìƒwo gÉ”me, eye wÃ²aÆ’o nu tso agbaláº½wo Å‹u kple biaÉ–aÅ‹u vi aÉ–ewo ko.

DzÉ”dzÉ”meÅ‹utinunya Æ’e Algorithim (Genetic Algorithm)

Genetic Algorithm

ÃoÉ–oÉ–o nyuietÉ” Æ’e mÉ”nu aÉ–e si wotu É–e dzÉ”dzÉ”me Æ’e tiatia dzi si me kÉ”kÉ”É–oÉ–owo tua wo É–okui É–o le É£eyiÉ£i aÉ–e megbe to tÉ”trÉ”, tÉ”tÉ”, kple tiatia me.

KpÉ”É–eÅ‹u: WozÃ£nÉ› be woatsÉ” aÉ–o aÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya siwo wÉ”a dÉ” nyuie to agbetsitsi Æ’e sÉ”srÉ”Ìƒ me.

DrÉ”Ìƒekuku (Hallucination)

Hallucination

AI mÉ”ÌƒÉ–aÅ‹ununya aÉ–e Æ’e nu siwo gÉ”me sese le bÉ”bÉ”e gake nyateÆ’ee mele eme o alo nu siwo gÉ”me mele o wÉ”wÉ”.

KpÉ”É–eÅ‹u: GbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununya aÉ–e to nya aÉ–e si meli o É–a alo naa Å‹utinya me nyateÆ’e alakpawo.

MÉ”kpÉ”kpÉ” (Heuristic)

Heuristic

MÉ”nu si sÉ” na kuxiwo gbÉ” kpÉ”kpÉ” si meka É–e edzi be kÉ”kÉ”É–oÉ–o deblibo anÉ” anyi o gake esÉ” gbÉ” na taÉ–odzinu siwo li enumake.

KpÉ”É–eÅ‹u: AsibidÉ› zazÃ£ be woatsÉ” abu agbatsÉ”É£i akÉ”nta le agbatsÉ”mÉ”Ìƒ Æ’e AI mÉ”ÌƒÉ–aÅ‹ununya me.

Hyperparameter (Hyperparameter)

Hyperparameter

ÃoÉ–oÉ–o Æ’e asixÉ”sÉ” si woÉ–o hafi he mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya, abe nusÉ”srÉ”Ìƒ Æ’e abÉ”bÉ” alo teÆ’e geÉ–e Æ’e xexláº½me ene.

KpÉ”É–eÅ‹u: Æ’uÆ’oÆ’o Æ’e lolome É–oÉ–o tso 32 va É–o 128 be woado hehe Æ’e ablaÉ–eÉ–e kple mÉ”ÌƒÉ–aÅ‹ununya Æ’e dÉ”wÉ”wÉ” dzi.

TefeÉ–oÉ–o (Inference)

Inference

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya si wohe zazÃ£ be woatsÉ” agblÉ” nyagbÉ”gblÉ”ÌƒÉ–iwo alo awÉ” nu siwo dona tso eme tso nyatakaka yeye siwo wodea eme me.

KpÉ”É–eÅ‹u: GPT mÉ”ÌƒÉ–aÅ‹ununya si woÉ–o nyuie zazÃ£ be woatsÉ” aÅ‹lÉ” emailwo na asisiwo Æ’e kpekpeÉ–eÅ‹uha aÉ–e.

TaÉ–odzinu Didi (Intent Detection)

Intent Detection

DÉ” aÉ–e le dzÉ”dzÉ”me gbegbÉ”gblÉ”Ìƒ gÉ”mesese me si me mÉ”ÌƒÉ–aÅ‹ununya dea dzesi zÃ£la Æ’e taÉ–odzinu alo tameÉ–oÉ–o le gbedasi aÉ–e me.

KpÉ”É–eÅ‹u: Le dzeÉ–oÉ–omÉ”Ìƒ aÉ–e me la, wodea dzesii be 'medi be maÉ–o mÉ”ÌƒÉ–aÅ‹ununya' nye mÉ”zÉ”zÉ” Æ’e taÉ–odzinu.

Nuwo Æ’e Internet (IoT) (Internet of Things (IoT))

Internet of Things (IoT)

ÅŠutilÃ£ me dÉ”wÉ”nu siwo do ka kple wo nÉ”ewo Æ’e mÉ”ÌƒÉ–aÅ‹ununya si me sensor, software, kple mÉ”ÌƒÉ–aÅ‹ununya bubuwo le be woaÆ’o nyatakakawo nu Æ’u ahado wo É–a.

KpÉ”É–eÅ‹u: DzoxÉ”xÉ”meÅ‹lÉ”ÌƒmÉ”Ìƒ kple aÉ–iba siwo gblÉ”a zazÃ£ Æ’e nyatakakawo eye woÉ–oa É–oÉ–owo É–e AI Æ’e numekukuwo nu.

GÉ”meÉ–eÉ–e Æ’e ÅŠutete (Interpretability)

Interpretability

AgbÉ”sÉ”sÉ”me si nu amegbetÉ” ate Å‹u ase mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’e ememe dÉ”wÉ”nawo kple eÆ’e nyametsotso wÉ”wÉ” Æ’e dÉ”wÉ”wÉ” gÉ”me.

KpÉ”É–eÅ‹u: Nyametsotso Æ’e ati gÉ”me sese le bÉ”bÉ”e wu aÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya goglo elabena woate Å‹u akpÉ” eÆ’e nyametsotsowo yome.

Jupyter Æ’e Agbaláº½ (Jupyter Notebook)

Jupyter Notebook

GbeÅ‹lÉ”Ìƒla si le gaglÃ£gbe si É–ea mÉ” na zÃ£lawo be woaÅ‹lÉ” kÉ”É”du, akpÉ” nu siwo dona tso eme, eye woaÅ‹lÉ” numekukuwo É–i le gbeÉ–iÉ–i É–eka me.

KpÉ”É–eÅ‹u: NyatakakaÅ‹utinunyaÅ‹utinunyalawo zÃ£a Jupyter Notebooks be woatsÉ” awÉ” mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo Æ’e kpÉ”É–eÅ‹uwo ahama nu siwo dona tso eme.

K-TeÆ’enÉ”lawo (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e algorithm bÉ”bÉ”e, si menye parametric o si wozÃ£na na klasifikeÆ’e kple regression. EwÉ”a nyametsotsowo le hehe Æ’e kpÉ”É–eÅ‹u siwo te É–e eÅ‹u wu le nÉ”nÉ”mea Æ’e teÆ’ea nu.

KpÉ”É–eÅ‹u: Be woatsÉ” abu atikutsetse yeye aÉ–e be enye apulo alo pear la, KNN kpÉ”a atikutsetse siwo wode dzesii siwo te É–e eÅ‹u wu le nÉ”nÉ”me kple amadede me la É–a.

Nunya Æ’e GbeÉ–iÉ–i (Knowledge Graph)

Knowledge Graph

Nyatakaka Æ’e aÉ–aÅ‹uÉ–oÉ–o si zÃ£a nuwo kple liÆ’owo be wÃ²anÉ” teÆ’e na nuwo kple woÆ’e Æ’omedodowo Æ’e gÉ”meÉ–eÉ–e siwo do ka kple wo nÉ”ewo ahadzra wo É–o.

KpÉ”É–eÅ‹u: Google Æ’e nunyaÅ‹utinunya Æ’e panel la do Å‹usáº½ tso nunyaÅ‹utinunya Æ’e gbeÉ–iÉ–i si doa ka kple nuwo abe amewo, teÆ’ewo, kple nudzÉ”dzÉ”wo ene me.

GbeÅ‹utinunya Æ’e MÉ”ÌƒÉ–aÅ‹ununya Æ’e ÃoÉ–oÉ–o NyuietÉ” (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)

MÉ”nu siwo wozÃ£na be woado gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununya gÃ£wo Æ’e dÉ”wÉ”wÉ”, dÉ”wÉ”wÉ” nyuie, alo alesi woate Å‹u atrÉ” É–e nu Å‹u na dÉ” tÉ”xÉ›wo alo dÉ”wÉ”Æ’ewo dzi.

KpÉ”É–eÅ‹u: Quantisation kple mÉ”fiamewo Æ’e É–oÉ–oÉ–o zazÃ£ be woatsÉ” aÉ–o LLM aÉ–e É–o nyuie na dÉ”wÉ”Æ’ewo zazÃ£.

GbeÅ‹utinunya Æ’e MÉ”ÌƒÉ–aÅ‹ununya GÃ£ (LLM) (Large Language Model (LLM))

Large Language Model (LLM)

NusÉ”srÉ”Ìƒ gÃ£ Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’omevi aÉ–e si wohe le nyaÅ‹lÉ”Ìƒdzesi gÃ£wo dzi si ate Å‹u awÉ”, ase egÉ”me, eye wÃ²abu susu kple amegbetÉ” Æ’e gbe.

KpÉ”É–eÅ‹u: ChatGPT kple Claude nye LLM siwo wohe be woakpe É–e ame Å‹u le nuÅ‹lÉ”Ìƒ, kÉ”É”duÅ‹lÉ”Ìƒ, kple biabiawo Å‹uÉ–oÉ–o me.

NÉ”nÉ”me si le Æ”aÉ£la (Latent Space)

Latent Space

TeÆ’enÉ”nÉ”me gÃ£ aÉ–e si me wofea nu siwo wodea eme siwo sÉ” la nu Æ’u le teÆ’e É–eka, si wozÃ£na le nuwÉ”wÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo kple tenÉ”nÉ”mewo me.

KpÉ”É–eÅ‹u: Le nÉ”nÉ”metata wÉ”wÉ” me la, nÉ”nÉ”me si le É£aÉ£la la trÉ”trÉ” ate Å‹u atrÉ” nÉ”nÉ”mewo abe kekláº½ alo seselelÃ£me ene.

NusÉ”srÉ”Ìƒ Æ’e AbÉ”bÉ” (Learning Rate)

Learning Rate

Hyperparameter vevi aÉ–e le hehe me si kpÉ”a alesi woÉ–oa mÉ”ÌƒÉ–aÅ‹ununya Æ’e kpekpemewo É–e vodada Æ’e gradient nu dzi.

KpÉ”É–eÅ‹u: NusÉ”srÉ”Ìƒ Æ’e abÉ”bÉ” kÉ”kÉ” ate Å‹u ahe nu suetÉ”wo Æ’uÆ’u vÉ›, evÉ” abÉ”bÉ” si le tsÉ› akpa la É–ea hehe Æ’e Å‹gÉ”yiyi dzi kpÉ”tÉ”na.

MÉ”Ìƒwo Æ’e NusÉ”srÉ”Ìƒ (ML) (Machine Learning (ML))

Machine Learning (ML)

AI Æ’e alÉ”dzedÉ”wÉ”Æ’e aÉ–e si na mÉ”ÌƒÉ–aÅ‹ununyawo te Å‹u srÉ”Ìƒa nu tso nyatakakawo me eye wÃ²doa dÉ”wÉ”wÉ” dzi É–e edzi mÉ”ÌƒÉ–aÅ‹ununya tÉ”xÉ› aÉ–eke manÉ”mee.

KpÉ”É–eÅ‹u: Spam-filterwo zÃ£a mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ be woatsÉ” abu emailwo be wonye spam alo menye o le kpÉ”É–eÅ‹u siwo va yi nu.

MÉ”ÌƒÉ–aÅ‹ununya Æ’e TÉ”tÉ” (Model Drift)

Model Drift

NudzÉ”dzÉ” si me mÉ”ÌƒÉ–aÅ‹ununya aÉ–e Æ’e dÉ”wÉ”wÉ” meÉ–ea kÉ” nyuie o le É£eyiÉ£i aÉ–e megbe le nyatakaka alo nutome Æ’e tÉ”trÉ”wo ta.

KpÉ”É–eÅ‹u: BlemakpÉ”mÉ”Ìƒ aÉ–e Æ’e dÉ”wÉ”wÉ” meÉ–ea kÉ” nyuie o esime blemakpÉ”mÉ”Ìƒwo le Å‹gÉ” yim.

MÉ”ÌƒÉ–aÅ‹ununya Æ’e Hehenana (Model Training)

Model Training

DÉ”wÉ”wÉ” si me wodea nyatakakawo mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya me eye woÉ–oa eÆ’e parameterwo É–e É–oÉ–o nu be woaÉ–e vodada dzi kpÉ”tÉ”.

KpÉ”É–eÅ‹u: AÉ–aÅ‹uÉ–oÉ–o mÉ”Ìƒ aÉ–e hehe le asisiwo Æ’e nuÆ’leÆ’le Æ’e Å‹utinya dzi be wÃ²aÉ–o aÉ–aÅ‹u le nuhiahiÃ£ yeyewo Å‹u.

AI si wÉ”a dÉ” kple nu vovovowo (Multimodal AI)

Multimodal AI

AI mÉ”ÌƒÉ–aÅ‹ununya siwo ate Å‹u awÉ” dÉ” le nyatakaka Æ’omevi geÉ–e abe nyaÅ‹lÉ”Ìƒdzesiwo, nÉ”nÉ”metatawo, gbeÉ–iÉ–i, kple video ene Å‹u ahawÉ” dÉ” kpli wo.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya aÉ–e abe GPT-4 Vision ene si ate Å‹u axláº½ nyaÅ‹lÉ”Ìƒdzesiwo ahagÉ”me nÉ”nÉ”metatawo le É£eyiÉ£i É–eka me.

DzÉ”dzÉ”me GbegbÉ”gblÉ”wo Æ’e DÉ”wÉ”wÉ” (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)

AI Æ’e akpa aÉ–e si lÃ©a fÉ” É–e kÉ”mpiutawo kple amegbetÉ” Æ’e (dzÉ”dzÉ”me) gbegbÉ”gblÉ”Ìƒwo dome Æ’omedodo Å‹u. Enaa mÉ”Ìƒwo te Å‹u xláº½a nu, sea egÉ”me, eye woÉ–oa Å‹u le amegbetÉ” Æ’e gbe me.

KpÉ”É–eÅ‹u: WozÃ£a NLP le gbeÉ–iÉ–i kpeÉ–eÅ‹utÉ”wo, gbegbÉ”gblÉ”Ìƒ gÉ”meÉ–eÉ–e dÉ”wÉ”nuwo, kple dzeÉ–oÉ–omÉ”Ìƒwo me.

AÉ–É”Å‹uÉ–oÉ–o Æ’e MÉ”ÌƒÉ–aÅ‹ununya (Neural Network)

Neural Network

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya si wotu É–e amegbetÉ” Æ’e aÉ–É”Å‹uÉ–oÉ–o Æ’e aÉ–aÅ‹uÉ–oÉ–o dzi, si me nu siwo do ka kple wo nÉ”ewo (neurons) Æ’e teÆ’e geÉ–e le.

KpÉ”É–eÅ‹u: AÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹unuwo le nusÉ”srÉ”Ìƒ gÃ£ Æ’e mÉ”ÌƒÉ–aÅ‹ununya siwo wozÃ£na le nÉ”nÉ”metata kple gbeÉ–iÉ–i dzeside me la megbe.

HoowÉ”wÉ” (Noise)

Noise

Nyatakaka siwo woÉ–o É–e É–oÉ–o nu alo siwo mehiÃ£ o le nyatakakawo me siwo ate Å‹u aÉ£la nÉ”nÉ”me siwo gÉ”me le eye wÃ²agbláº½ mÉ”ÌƒÉ–aÅ‹ununya Æ’e dÉ”wÉ”wÉ”.

KpÉ”É–eÅ‹u: Sensor Æ’e vodadawo alo nyatakaka siwo me typo le la ate Å‹u anye hoowÉ”wÉ”.

NunyaÅ‹utinunya (Ontology)

Ontology

AÉ–aÅ‹uÉ–oÉ–o si woÉ–o si dea gÉ”meÉ–osewo Æ’uÆ’oÆ’o eye wÃ²É–ea Æ’omedodowo me le dÉ”wÉ”Æ’e aÉ–e me, si wozÃ£na zÄ© geÉ–e le gÉ”mesese Æ’e AI mÉ”ÌƒÉ–aÅ‹ununyawo me.

KpÉ”É–eÅ‹u: NunyaÅ‹utinunya le lÃ£mesáº½nyawo me ate Å‹u aÉ–e alesi dzesiwo do Æ’ome kple dÉ”lÃ©lewo kple dÉ”yÉ”yÉ”wo me.

NusÉ”srÉ”Ìƒ si gbÉ” agbÉ” (Overfitting)

Overfitting

MÉ”ÌƒÉ–aÅ‹ununya Æ’e vodada si me mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”ÌƒÉ–aÅ‹ununya lÃ©a hoowÉ”wÉ” le hehe Æ’e nyatakakawo me eye wÃ²wÉ”a dÉ” nyuie le nyatakaka yeyewo dzi.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya si Å‹lÉ”a hehe Æ’e Å‹uÉ–oÉ–owo É–i gake mate Å‹u awÉ” dÉ” le dodokpÉ” Æ’e nyatakaka siwo womekpÉ” o Å‹u la gbÉ” agbÉ”.

NudzÉ”dzÉ”wo Æ’e NyagbÉ”gblÉ”ÌƒÉ–i (Predictive Analytics)

Predictive Analytics

Nyatakakawo, algorithm-wo, kple AI zazÃ£ be woade dzesi alesi nu siwo adzÉ” le etsÉ” me la anÉ” le Å‹utinya me nyatakakawo nu.

KpÉ”É–eÅ‹u: Asitsalawo zÃ£a nyagbÉ”gblÉ”ÌƒÉ–i Æ’e numekukuwo be woatsÉ” agblÉ” nuhiahiÃ£ aÉ–ewo Æ’e didi É–i.

GÉ”meÉ–oÉ–o Æ’e Hehenana (Pre-training)

Pre-training

DÉ”wÉ”wÉ” si me wohea mÉ”ÌƒÉ–aÅ‹ununya aÉ–e le gÉ”medzedzea me le nyatakakadzraÉ–oÆ’e gÃ£ aÉ–e dzi hafi woÉ–oa eÉ–o nyuie na dÉ” tÉ”xÉ›wo.

KpÉ”É–eÅ‹u: Wohe GPT mÉ”ÌƒÉ–aÅ‹ununyawo do Å‹gÉ” le gbeÅ‹utinunya gÃ£wo dzi hafi woÉ–oa wo É–e asisiwo Æ’e dzeÉ–oÉ–omÉ”Ìƒwo Å‹u.

BiaÉ–aÅ‹uÉ–oÉ–o Æ’e MÉ”ÌƒÉ–aÅ‹ununya (Prompt Engineering)

Prompt Engineering

AÉ–aÅ‹udÉ” kple dzÉ”dzÉ”meÅ‹utinunya si ku É–e biaÉ–aÅ‹u siwo wÉ”a dÉ” nyuie wÉ”wÉ” Å‹u be woatsÉ” akplÉ” gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununya gÃ£wo Æ’e nu siwo dona tso eme.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya Æ’e mÉ”fiamewo tsÉ”tsÉ” kpe É–e eÅ‹u abe 'Ão Å‹u abe nufiala dÉ”menyotÉ” ene' nye biaÉ–aÅ‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’e kpÉ”É–eÅ‹u.

AgbÉ”sÉ”sÉ”me Didi (Quantisation)

Quantisation

MÉ”ÌƒÉ–aÅ‹ununya Æ’e babla Æ’e mÉ”nu aÉ–e si É–ea bit siwo wozÃ£na be wÃ²anÉ” teÆ’e na kpekpemewo kple dÉ”wÉ”nawo dzi kpÉ”tÉ”, si doa dÉ”wÉ”wÉ” nyuie dzi.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya aÉ–e Æ’e agbÉ”sÉ”sÉ”me didi tso 32-bit va É–o 8-bit doa dÉ”wÉ”wÉ” dzi le asitelefonwo dzi.

Quantum KÉ”mpiutaÅ‹utinunya (Quantum Computing)

Quantum Computing

KÉ”mpiutaÅ‹utinunya Æ’e gÉ”meÉ–ose yeye si wotu É–e quantum mÉ”ÌƒÉ–aÅ‹ununya dzi, si me mÉ”nukpÉ”kpÉ” le na dÉ”wÉ”wÉ” Æ’e Å‹utete siwo le exponential.

KpÉ”É–eÅ‹u: Quantum kÉ”mpiutaÅ‹utinunya ate Å‹u aÉ–e AI hehe dzi akÉ” wu klasik Æ’e liÆ’owo gbeÉ–eka.

SusuÅ‹utinunya Æ’e MÉ”Ìƒ (Reasoning Engine)

Reasoning Engine

MÉ”ÌƒÉ–aÅ‹ununya aÉ–e le AI me si É–ea susuÅ‹utinunya Æ’e nyametsotsowo tso nyateÆ’e alo nyatakaka aÉ–ewo me to se alo tefeÉ–oÉ–o Æ’e algorithm-wo zazÃ£ me.

KpÉ”É–eÅ‹u: AI dÉ”lÃ©le dzeside dÉ”wÉ”nu zÃ£a susuÅ‹utinunya Æ’e mÉ”Ìƒ be wÃ²atsÉ” aÉ–e dÉ”lÃ©le siwo ate Å‹u adzÉ” la É–a le dzesiwo nu.

NusÉ”srÉ”Ìƒ si me wodoa Å‹usáº½ ame le (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e akpa aÉ–e si me dÉ”wÉ”lawo srÉ”Ìƒa nu to dÉ”wÉ”wÉ” kple woÆ’e nutome me be woado fetu siwo woÆ’o Æ’u la dzi.

KpÉ”É–eÅ‹u: Robot aÉ–e si le zÉ”zÉ” srÉ”Ìƒm to tetekpÉ” kple vodada me to RL mÉ”nuwo zazÃ£ me.

NusÉ”srÉ”Ìƒ si me wodoa Å‹usáº½ ame le kple AmegbetÉ” Æ’e NyaÉ–oÉ–o (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)

NusÉ”srÉ”Ìƒ Æ’e mÉ”nu si me amegbetÉ” Æ’e didiwo fiaa mÉ” AI Æ’e fetu dzesi, si wozÃ£na zÄ© geÉ–e le gbeÅ‹utinunya Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo É–oÉ–o nyuie me.

KpÉ”É–eÅ‹u: Wohe ChatGPT kple RLHF be wÃ²awÉ” Å‹uÉ–oÉ–o siwo kpena É–e ame Å‹u wu eye wÃ²anÉ” dedie.

NuwÉ”wÉ” si wodo É–e dzi kple NyaÉ–eÉ–e (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)

MÉ”nu si tsakaa nyatakaka É–eÉ–e kple nuwÉ”wÉ”, si me LLM aÉ–e É–ea agbaláº½ siwo sÉ” la be wÃ²ado eÆ’e Å‹uÉ–oÉ–o dzi.

KpÉ”É–eÅ‹u: AI kpeÉ–eÅ‹utÉ” aÉ–e É–ea nuhiahiÃ£wo Æ’e dÉ”wÉ”wÉ”Å‹utinunyawo eye wÃ²yÉ”a wo esime wÃ²le Å‹uÉ–oÉ–o na mÉ”ÌƒÉ–aÅ‹ununyaÅ‹utinunya biabia aÉ–e wÉ”m.

ÃokuitsÉ”srÉ”Ìƒ (Self-Supervised Learning)

Self-Supervised Learning

Hehe Æ’e mÉ”nu si me mÉ”ÌƒÉ–aÅ‹ununya srÉ”Ìƒa nÉ”nÉ”mewo to eya Å‹utÉ” Æ’e dzesiwo wÉ”wÉ” tso nyatakaka siwo mele nuÅ‹lÉ”Ìƒdzesi me o me, si É–ea alesi wotu É–e amegbetÉ” Æ’e nyatakaka siwo wode dzesii Å‹u dzi kpÉ”tÉ”.

KpÉ”É–eÅ‹u: Wohe BERT kple É–okuitsÉ”srÉ”Ìƒ to nya siwo bu le nyaÅ‹lÉ”Ìƒdzesi me gbÉ”gblÉ”Ìƒ É–i me.

GÉ”mesese Æ’e Didi (Semantic Search)

Semantic Search

Didi Æ’e mÉ”nu aÉ–e si sea zÃ£la Æ’e taÉ–odzinu kple gÉ”mesese si le nyawo me gÉ”me, menye nya veviwo sÉ”sÉ” ko o.

KpÉ”É–eÅ‹u: 'Alesi woaÉ–É” tÉ” si le sisim É–o' didi naa mÉ”fiamewo ne nya 'tÉ” si le sisim' mele agbaláº½a me gÉ”Ìƒ hÃ£ o.

SeselelÃ£me Æ’e Numekuku (Sentiment Analysis)

Sentiment Analysis

DÉ”wÉ”wÉ” si me wodea dzesi seselelÃ£mewo, susuwo, alo nÉ”nÉ”mewo le nyaÅ‹lÉ”Ìƒdzesi me, si wowÉ”na zÄ© geÉ–e be enye nyui, vÉ”ÌƒÉ–i, alo yame.

KpÉ”É–eÅ‹u: Twitter-Å‹lÉ”Ìƒmewo dzodzro be woakpÉ” alesi amewo wÉ”a nu É–e nuhiahiÃ£ yeye aÉ–e Å‹ui.

AkÉ”dada (Stochastic)

Stochastic

Eku É–e akÉ”dada alo nu siwo ate Å‹u adzÉ” Æ’e nuwÉ”na Å‹u, si wozÃ£na zÄ© geÉ–e le nuwÉ”wÉ” Æ’e AI kple É–oÉ–oÉ–o nyuietÉ” Æ’e algorithm-wo me.

KpÉ”É–eÅ‹u: GPT-4 Æ’e nu si dona tso eme la to vovo na nu si wodea eme É–eka tÉ”gbe le eÆ’e akÉ”dada Æ’e gÉ”meÉ–eÉ–e Æ’e dÉ”wÉ”wÉ” ta.

AI ÅŠusáº½tÉ” (Strong AI)

Strong AI

WoyÉ”nÉ› hÃ£ be AmegbetÉ” Æ’e Nunya Gbogbo (AGI), efia mÉ”Ìƒ siwo si amegbetÉ” Æ’e susuÅ‹utinunya Æ’e Å‹utete le le dÉ”wÉ”Æ’e katÃ£.

KpÉ”É–eÅ‹u: EtsÉ”me AI si ate Å‹u aÅ‹lÉ” agbaláº½wo le eÉ–okui si, aÉ–o duwo Æ’e É–oÉ–o, eye wÃ²akpÉ” agbenÉ”nÉ”Å‹utinya kuxiwo gbÉ” nyuie.

AI GÃ£tÉ” Kekeake (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)

AI aÉ–e si wosusui be eÆ’o amegbetÉ” Æ’e nunya ta le akpa sia akpaâ€”susuÅ‹utinunya, nu yeye wÉ”wÉ” Æ’e Å‹utete, seselelÃ£meÅ‹utinunya, kple bubuwo.

KpÉ”É–eÅ‹u: SAI aÉ–e ate Å‹u atu dzÉ”dzÉ”meÅ‹utinunya kple filozofi yeyewo le eÉ–okui si.

NusÉ”srÉ”Ìƒ si le KpÉ”kplÉ” te (Supervised Learning)

Supervised Learning

MÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e mÉ”nu si me wohea mÉ”ÌƒÉ–aÅ‹ununyawo le nyatakaka siwo wode dzesii dzi be woasrÉ”Ìƒ nu siwo wodea eme kple nu siwo dona tso eme Æ’e nuÅ‹lÉ”Ìƒdzesiwo.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya aÉ–e fiafia be wÃ²abu emailwo be wonye spam alo menye o to Å‹utinya me kpÉ”É–eÅ‹uwo zazÃ£ me.

Nyatakaka siwo wotsÉ” asi wÉ” (Synthetic Data)

Synthetic Data

Nyatakaka siwo wotsÉ” asi wÉ” siwo srÉ”Ìƒa xexeame Å‹utÉ”Å‹utÉ” Æ’e nyatakakawo, si wozÃ£na zÄ© geÉ–e na hehe ne xexeame Å‹utÉ”Å‹utÉ” Æ’e nyatakakawo mesÉ” gbÉ” o alo enye nu vevi aÉ–e.

KpÉ”É–eÅ‹u: LÃ£mesáº½nyawo Å‹uti nÉ”nÉ”metata siwo wotsÉ” asi wÉ” wÉ”wÉ” be woatsÉ” ahe dÉ”lÃ©le dzeside Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo dÉ”lÃ©la Æ’e gomenÉ”amesiwo madamadÃ£e.

Dzesi (Token)

Token

NyaÅ‹lÉ”Ìƒdzesi Æ’e akpa aÉ–e si LLM-wo wÉ”a dÉ” leâ€”zi geÉ–e la, enye nya alo nya Æ’e akpa aÉ–e.

KpÉ”É–eÅ‹u: NyagbÉ”gblÉ”Ìƒ 'Hello world!' la ma É–e dzesi 3 me: 'Hello', 'world', kple '!'.

DzesiÉ–oÉ–o (Tokenisation)

Tokenisation

DÉ”wÉ”wÉ” si me womÃ£a nyaÅ‹lÉ”Ìƒdzesiwo me É–e dzesiwo me be mÉ”ÌƒÉ–aÅ‹ununya aÉ–e nawÉ” dÉ” le wo Å‹u.

KpÉ”É–eÅ‹u: Le NLP me la, 'ChatGPT nyo' zu ['Chat', 'G', 'PT', 'is', 'great'].

NusÉ”srÉ”Ìƒ Æ’e TsÉ”tsÉ” (Transfer Learning)

Transfer Learning

Nunya si tso dÉ” É–eka me zazÃ£ be woado nusÉ”srÉ”Ìƒ dzi le dÉ” bubu si do Æ’ome kplii dzi, si É–ea heheÉ£i kple nyatakaka Æ’e hiahiÃ£wo dzi kpÉ”tÉ”.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya si wohe le EÅ‹lisigbe me nyaÅ‹lÉ”Ìƒdzesi dzi É–oÉ–o nyuie be wÃ²awÉ” seselelÃ£me Æ’e numekuku le gbe bubu me.

TÉ”trÉ”la (Transformer)

Transformer

AÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya Æ’e aÉ–aÅ‹uÉ–oÉ–o si zÃ£a Å‹kuÉ–oÉ–o mÉ”ÌƒÉ–aÅ‹ununyawo be wÃ²awÉ” nyatakaka siwo kplÉ” wo nÉ”ewo É–o Æ’e mÉ”ÌƒÉ–aÅ‹ununya, si wozÃ£na le LLM-wo me.

KpÉ”É–eÅ‹u: BERT, GPT, kple T5 katÃ£ nye mÉ”ÌƒÉ–aÅ‹ununya siwo wotu É–e transformer dzi.

NusÉ”srÉ”Ìƒ si mesÉ” gbÉ” o (Underfitting)

Underfitting

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya si le mÉ”ÌƒÉ–aÅ‹ununya dzi si le agbagba dzem be yeagblÉ” nÉ”nÉ”metata Æ’e klasifikeÆ’e sesáº½wo É–i la ate Å‹u anÉ” sue.

NusÉ”srÉ”Ìƒ si mele KpÉ”kplÉ” te o (Unsupervised Learning)

Unsupervised Learning

NusÉ”srÉ”Ìƒ Æ’e mÉ”nu si me mÉ”ÌƒÉ–aÅ‹ununyawo dea dzesi nÉ”nÉ”mewo alo Æ’uÆ’oÆ’owo le nyatakaka siwo womeÅ‹lÉ” É–i o me.

KpÉ”É–eÅ‹u: Asisiwo Æ’oÆ’o Æ’u le nuÆ’leÆ’le Æ’e nuwÉ”na nu dzesi siwo woÉ–o do Å‹gÉ” manÉ”mee.

ZÃ£la Æ’e TaÉ–odzinu (User Intent)

User Intent

TaÉ–odzinu alo tameÉ–oÉ–o si le zÃ£la Æ’e biabia alo dÉ”wÉ”wÉ” megbe.

KpÉ”É–eÅ‹u: ZÃ£la si Å‹lÉ” 'alesi woaÉ–a cake' la anya di be yeakpÉ” nuÉ–aÉ–a Æ’e mÉ”nu.

KpÉ”É–oÉ–o Æ’e NuÆ’oÆ’oÆ’u (Validation Set)

Validation Set

Nyatakaka Æ’e akpa aÉ–e si wozÃ£na be woatsÉ” abu mÉ”ÌƒÉ–aÅ‹ununya Æ’e dÉ”wÉ”wÉ” akÉ”nta le hehe me ahado hyperparameterwo.

KpÉ”É–eÅ‹u: WozÃ£nÉ› be woade dzesi nusÉ”srÉ”Ìƒ si gbÉ” agbÉ” hafi woawÉ” dodokpÉ” mamlÉ›a.

Vector NyatakakadzraÉ–oÆ’e (Vector Database)

Vector Database

NyatakakadzraÉ–oÆ’e si woÉ–o be wÃ²adzra vector tenÉ”nÉ”mewo É–o ahadi wo le AI dÉ”wo me abe sÉ”sÉ” didi kple RAG ene.

KpÉ”É–eÅ‹u: Pinecone kple Weaviate nye vector nyatakakadzraÉ–oÆ’ewo na nyaÅ‹lÉ”Ìƒdzesi alo nÉ”nÉ”metata tenÉ”nÉ”mewo dzraÉ–o.

Vector TenÉ”nÉ”me (Vector Embedding)

Vector Embedding

KpÉ”É–eÅ‹u: Nya 'fia' kple 'fianyÉ”nu' siwo sÉ” kple wo nÉ”ewo kple vovototo suesuesue siwo le Å‹utsu kple nyÉ”nu dome.

KpeÉ–eÅ‹utÉ” si le Yame (Virtual Assistant)

Virtual Assistant

AI-Å‹usáº½tÉ” software dÉ”wÉ”la si kpena É–e zÃ£lawo Å‹u be woawÉ” dÉ”wo nu to dzeÉ–oÉ–o alo gbeÉ–iÉ–i seÉ–oÉ–owo me.

KpÉ”É–eÅ‹u: Siri, Alexa, kple Google Assistant nye kpeÉ–eÅ‹utÉ” siwo le yame siwo xÉ” Å‹kÉ”.

GbeÉ–iÉ–i Dzeside (Voice Recognition)

Voice Recognition

MÉ”ÌƒÉ–aÅ‹ununya si É–ea gbe si wogblÉ”na gÉ”me eye wÃ²trÉ”nÉ› wÃ²zua nyaÅ‹lÉ”Ìƒdzesi alo nuwÉ”na.

KpÉ”É–eÅ‹u: GbeÉ–iÉ–i Å‹lÉ”Ìƒ kple gbeÉ–iÉ–i seÉ–oÉ–owo tu É–e gbeÉ–iÉ–i dzeside Æ’e mÉ”ÌƒÉ–aÅ‹ununyawo dzi.

AI si me Å‹usáº½ mele o (Weak AI)

Weak AI

AI mÉ”ÌƒÉ–aÅ‹ununya siwo woÉ–o be woawÉ” dÉ” sue, tÉ”xÉ› aÉ–e nunya gÃ£ aÉ–eke manÉ”mee.

KpÉ”É–eÅ‹u: Chess-Æ’oÆ’o AI si mate Å‹u ase gbe gÉ”me alo aku Ê‹u o la nye AI si me Å‹usáº½ mele o Æ’e kpÉ”É–eÅ‹u.

Web Nyatakaka Kuku (Web Scraping)

Web Scraping

Nyatakakawo É–eÉ–e le website-wo dzi le mÉ”ÌƒÉ–aÅ‹ununya nu, si wozÃ£na zÄ© geÉ–e be woaÆ’o hehe Æ’e nyatakakawo nu Æ’u alo alÃ© Å‹ku É–e nu siwo le eme Å‹u.

KpÉ”É–eÅ‹u: AÆ’ewo Æ’e nyatakakawo kuku be woatsÉ” ahe aÆ’ewo Æ’e asixÉ”sÉ” Æ’e mÉ”ÌƒÉ–aÅ‹ununya.

Kpekpeme (Weight)

Weight

Parameter aÉ–e le aÉ–É”Å‹uÉ–oÉ–o Æ’e mÉ”ÌƒÉ–aÅ‹unuwo me si É–oa Å‹usáº½kpÉ”É–eamedzi Æ’e Å‹usáº½ si le nu É–eka si dzi le bubu dzi.

KpÉ”É–eÅ‹u: Kpekpemewo trÉ”na le hehe me be woaÉ–e mÉ”ÌƒÉ–aÅ‹ununya Æ’e vodada dzi kpÉ”tÉ”.

GbeÉ–iÉ–i (Whisper)

Whisper

Gbe-to-text mÉ”ÌƒÉ–aÅ‹ununya si OpenAI wÉ” si ate Å‹u aÅ‹lÉ” gbeÉ–iÉ–i le gbegbÉ”gblÉ”Ìƒ geÉ–e me.

KpÉ”É–eÅ‹u: Whisper ate Å‹u aÅ‹lÉ” nufiamewo kple podcastwo kple dÉ”wÉ”wÉ” kÉ”kÉ”.

YAML (YAML)

YAML

AmegbetÉ” Æ’e nuÅ‹lÉ”ÌƒmÉ”nu si wotsÉ” wÉ”a nyatakakawo Æ’e serialisation, si wozÃ£na le mÉ”Ìƒwo Æ’e nusÉ”srÉ”Ìƒ Æ’e dÉ”wÉ”nawo me na É–oÉ–oÉ–o Æ’e faÉ›lwo.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya Æ’e parameterwo É–eÉ–e fia le YAML faÉ›l aÉ–e me na hehe le PyTorch me.

NusÉ”srÉ”Ìƒ si me gÉ”meÉ–oÉ–o mele o (Zero-shot Learning)

Zero-shot Learning

MÉ”ÌƒÉ–aÅ‹ununya aÉ–e Æ’e Å‹utete be wÃ²awÉ” dÉ” siwo womehe tÉ”xÉ› le o to nunya gÃ£ zazÃ£ me.

KpÉ”É–eÅ‹u: MÉ”ÌƒÉ–aÅ‹ununya aÉ–e si É–oa Å‹u na seÅ‹utinunya biabiawo togbÉ” be womehe le seÅ‹utinunya nyatakakawo dzi tÉ”xÉ› o hÃ£.

Zettabyte (Zettabyte)

Zettabyte

Dijitaal nyatakaka Æ’e akpa aÉ–e si sÉ” kple byte sextillion É–eka (10^21), si wozÃ£na zÄ© geÉ–e be woatsÉ” aÉ–É” internet nyatakakawo Æ’e lolome.

KpÉ”É–eÅ‹u: Xexeame katÃ£ Æ’e internet zÉ”zÉ” Æ’o zettabyte É–eka Æ’e sia Æ’e Æ’e 2016 me.

AI GbeÅ‹utinunya ÃeÉ–efia