Otani AI Logo AICI Logo
خانه مزایای هوش مصنوعی گزارش رایگان قیمت‌ها اخبار هوش مصنوعی سوالات متداول تماس با ما اصطلاحات

AI Jargon Buster

اصطلاحات هوش مصنوعی را با واژه‌نامه جامع ما رمزگشایی کنید. از یادگیری ماشین تا شبکه‌های عصبی، مفاهیم پیچیده هوش مصنوعی را به زبان ساده توضیح می‌دهیم.

هم‌راستایی (Alignment)

Alignment
فرآیند اطمینان از اینکه اهداف، خروجی‌ها و رفتارهای یک سیستم هوش مصنوعی با اهداف و ارزش‌های انسانی همسو است. این امر به ویژه در سیستم‌های پیشرفته که ممکن است رفتارهایی را توسعه دهند که به صراحت در نظر گرفته نشده‌اند، اهمیت دارد.
مثال: اطمینان از اینکه یک چت‌بات برای سلامت روان، صرف نظر از درخواست‌ها، هرگز اقدامات مضر را توصیه نمی‌کند.

رابط برنامه‌نویسی کاربردی (API) (Application Programming Interface (API))

Application Programming Interface (API)
مجموعه‌ای از قوانین و پروتکل‌های تعریف شده که به سیستم‌های نرم‌افزاری مختلف اجازه می‌دهد تا با یکدیگر ارتباط برقرار کرده و داده‌ها را تبادل کنند.
مثال: استفاده از API OpenAI برای ارسال یک درخواست و دریافت پاسخ تولید شده توسط مدل زبان در برنامه وب شما.

هوش مصنوعی عمومی (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
یک شکل نظری از هوش مصنوعی که می‌تواند هر کار فکری را که یک انسان قادر به انجام آن است، انجام دهد. این سیستم یادگیری را در حوزه‌های مختلف تعمیم می‌دهد.
مثال: یک سیستم AGI می‌تواند آهنگسازی، جراحی و آزمون فلسفه را بدون برنامه‌نویسی خاص هر کار، یاد بگیرد.

هوش مصنوعی (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
شبیه‌سازی هوش انسانی در ماشین‌هایی که برای تفکر، استدلال و عمل مستقل برنامه‌ریزی شده‌اند.
مثال: هوش مصنوعی دستیارهای شخصی مانند سیری و سیستم‌های رانندگی خودکار مانند تسلا اتوپایلوت را نیرو می‌بخشد.

اخلاق هوش مصنوعی (AI Ethics)

AI Ethics
رشته‌ای که به پیامدهای اخلاقی توسعه و استفاده از هوش مصنوعی، از جمله انصاف، حریم خصوصی، پاسخگویی و عدم تبعیض می‌پردازد.
مثال: ایجاد دستورالعمل‌هایی برای جلوگیری از تبعیض الگوریتم‌های استخدام بر اساس جنسیت یا قومیت.

هوش افزوده (Augmented Intelligence)

Augmented Intelligence
مدلی مشارکتی که در آن هوش مصنوعی به جای جایگزینی، هوش انسانی را تکمیل و تقویت می‌کند.
مثال: ابزارهای رادیولوژی مبتنی بر هوش مصنوعی که ناهنجاری‌ها را برای پزشکان برجسته می‌کنند و پزشکان تشخیص نهایی را انجام می‌دهند.

عامل خودکار (Autonomous Agent)

Autonomous Agent
یک سیستم هوش مصنوعی که قادر به تصمیم‌گیری و انجام اقدامات برای دستیابی به اهداف خود بدون دخالت انسان است.
مثال: یک ربات تحویل خودکار که خیابان‌های شهر را پیمایش کرده و به طور مستقل از موانع اجتناب می‌کند.

پس‌انتشار (Backpropagation)

Backpropagation
تکنیکی برای آموزش شبکه‌های عصبی با به‌روزرسانی وزن‌ها به صورت معکوس از لایه‌های خروجی به ورودی، با حداقل کردن خطاهای پیش‌بینی.
مثال: در آموزش طبقه‌بندی‌کننده‌های تصویر برای کاهش نرخ خطا در تشخیص ارقام دست‌نویس استفاده می‌شود.

سوگیری (سوگیری الگوریتمی) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
جانبداری ناخواسته و سیستماتیک در خروجی‌های هوش مصنوعی به دلیل داده‌های آموزشی نامتعادل یا غیرنماینده.
مثال: یک سیستم تشخیص چهره که به دلیل کمبود نمایندگی در داده‌های آموزشی، افراد رنگین‌پوست را بیشتر اشتباه تشخیص می‌دهد.

داده‌های کلان (Big Data)

Big Data
مجموعه‌های داده بسیار بزرگ که برای ذخیره، تجزیه و تحلیل و استخراج ارزش به ابزارهای خاصی نیاز دارند و اغلب برای آموزش مدل‌های هوش مصنوعی استفاده می‌شوند.
مثال: استفاده از میلیون‌ها تعامل کاربر برای آموزش موتورهای توصیه برای پلتفرم‌های تجارت الکترونیک.

مدل جعبه سیاه (Black Box Model)

Black Box Model
نوعی مدل هوش مصنوعی یا یادگیری ماشین که منطق داخلی آن به راحتی توسط انسان قابل تفسیر نیست و درک نحوه تصمیم‌گیری را دشوار می‌کند.
مثال: یک شبکه عصبی عمیق که برای تأیید وام استفاده می‌شود اما هیچ توضیح روشنی برای دلیل پذیرش یک متقاضی و رد دیگری ارائه نمی‌دهد.

محاسبات شناختی (Cognitive Computing)

Cognitive Computing
سیستم‌های هوش مصنوعی که برای شبیه‌سازی فرآیندهای فکری انسان، مانند استدلال و یادگیری، با استفاده از تکنیک‌هایی مانند NLP و تشخیص الگو طراحی شده‌اند.
مثال: یک سیستم محاسبات شناختی که به متخصصان حقوقی در تجزیه و تحلیل قوانین پرونده و پیش‌بینی نتایج کمک می‌کند.

بینایی کامپیوتر (Computer Vision)

Computer Vision
حوزه‌ای از هوش مصنوعی که به کامپیوترها امکان تفسیر و پردازش داده‌های بصری مانند تصاویر و ویدئو را می‌دهد.
مثال: سیستم‌های تشخیص چهره که با استفاده از بینایی کامپیوتر، افراد را در فیلم‌های امنیتی شناسایی می‌کنند.

پیکره (Corpus)

Corpus
مجموعه بزرگی از متون نوشتاری یا گفتاری که برای آموزش مدل‌های زبان استفاده می‌شود.
مثال: مجموعه داده Common Crawl یک پیکره وب عمومی است که برای آموزش مدل‌های زبان بزرگ مانند GPT استفاده می‌شود.

رانش داده (Data Drift)

Data Drift
پدیده‌ای که در آن داده‌های ورودی در طول زمان تغییر می‌کنند و باعث کاهش عملکرد مدل می‌شوند.
مثال: یک مدل نگهداری پیش‌بینانه برای تجهیزات صنعتی با معرفی فناوری سنسور جدید، دقت کمتری پیدا می‌کند.

برچسب‌گذاری داده (Data Labelling)

Data Labelling
فرآیند حاشیه‌نویسی داده‌ها با برچسب‌ها یا برچسب‌ها برای مناسب‌سازی آن‌ها برای یادگیری نظارت‌شده.
مثال: برچسب‌گذاری هزاران تصویر تومور به عنوان خوش‌خیم یا بدخیم برای آموزش مدل تشخیص سرطان.

کاوش داده (Data Mining)

Data Mining
فرآیند کشف الگوهای معنی‌دار، همبستگی‌ها و ناهنجاری‌ها در مجموعه داده‌های بزرگ.
مثال: خرده‌فروشان از کاوش داده برای شناسایی اینکه افرادی که پوشک می‌خرند، اغلب آبجو نیز می‌خرند، استفاده می‌کنند.

یادگیری عمیق (Deep Learning)

Deep Learning
زیرمجموعه‌ای از یادگیری ماشین که از شبکه‌های عصبی چند لایه برای مدل‌سازی الگوهای پیچیده در داده‌ها استفاده می‌کند.
مثال: یادگیری عمیق در مدل‌های زبان مانند GPT-4 و مدل‌های تولید تصویر مانند Stable Diffusion استفاده می‌شود.

مدل‌های انتشار (Diffusion Models)

Diffusion Models
کلاسی از مدل‌های مولد که با تبدیل تدریجی نویز تصادفی به خروجی‌های ساختاریافته، تولید داده را یاد می‌گیرند.
مثال: Stable Diffusion با استفاده از تکنیک‌های انتشار، تصاویر واقع‌گرایانه را از درخواست‌های متنی ایجاد می‌کند.

جاسازی (Embedding)

Embedding
نمایش برداری عددی داده‌ها، که اغلب برای ثبت معنای معنایی کلمات، تصاویر یا جملات استفاده می‌شود.
مثال: در NLP، کلمه 'بانک' ممکن است جاسازی‌های مشابهی با 'پول' داشته باشد اما بسته به زمینه با 'کنار رودخانه' متفاوت باشد.

دوره (Epoch)

Epoch
یک تکرار کامل بر روی کل مجموعه داده آموزشی در طول فرآیند آموزش یک مدل یادگیری ماشین.
مثال: اگر یک مجموعه داده دارای 1000 مثال باشد و یک مدل در طول آموزش همه آنها را یک بار ببیند، این یک دوره است.

هوش مصنوعی اخلاقی (Ethical AI)

Ethical AI
فلسفه طراحی و استقرار که تضمین می‌کند فناوری‌های هوش مصنوعی به صورت شفاف، منصفانه و مطابق با ارزش‌های اجتماعی عمل کنند.
مثال: یک ابزار استخدام هوش مصنوعی که شامل بررسی سوگیری برای جلوگیری از تبعیض علیه نامزدهای اقلیت است.

سیستم خبره (Expert System)

Expert System
یک سیستم هوش مصنوعی که توانایی‌های تصمیم‌گیری یک متخصص انسانی را در یک حوزه خاص با استفاده از قوانین و منطق تقلید می‌کند.
مثال: یک سیستم خبره که در کشاورزی برای توصیه درمان محصولات بر اساس داده‌های خاک و تاریخچه آفات استفاده می‌شود.

هوش مصنوعی قابل توضیح (XAI) (Explainable AI (XAI))

Explainable AI (XAI)
سیستم‌های هوش مصنوعی که برای قابل فهم کردن فرآیندهای داخلی و تصمیم‌گیری‌هایشان برای انسان‌ها طراحی شده‌اند و اعتماد و پاسخگویی را افزایش می‌دهند.
مثال: یک هوش مصنوعی تشخیصی پزشکی که نه تنها یک توصیه ارائه می‌دهد، بلکه توضیح می‌دهد که کدام علائم منجر به آن نتیجه شده‌اند.

یادگیری چند نمونه‌ای (Few-shot Learning)

Few-shot Learning
یک روش یادگیری ماشین که در آن یک مدل با استفاده از تنها تعداد کمی مثال برچسب‌دار آموزش داده یا تنظیم دقیق می‌شود.
مثال: سفارشی‌سازی یک LLM برای نوشتن ایمیل‌های حقوقی پس از نمایش تنها 10 مثال به آن.

تنظیم دقیق (Fine-tuning)

Fine-tuning
فرآیند گرفتن یک مدل از پیش آموزش‌دیده و آموزش بیشتر آن بر روی یک مجموعه داده جدید و کوچکتر برای تخصصی کردن آن برای یک کار خاص.
مثال: تنظیم دقیق یک LLM عمومی مانند GPT بر روی اسناد داخلی حقوقی برای ایجاد یک دستیار پیش‌نویس حقوقی.

مدل پایه (Foundation Model)

Foundation Model
یک مدل در مقیاس بزرگ که بر روی داده‌های متنوع و گسترده آموزش دیده است و می‌تواند برای بسیاری از وظایف پایین‌دستی تطبیق داده شود.
مثال: GPT-4 و PaLM 2 مدل‌های پایه‌ای هستند که قادر به خلاصه‌سازی، پرسش و پاسخ، ترجمه و موارد دیگر هستند.

منطق فازی (Fuzzy Logic)

Fuzzy Logic
شکلی از منطق که با مقادیر تقریبی به جای منطق باینری درست/نادرست سروکار دارد و برای استدلال تحت عدم قطعیت مفید است.
مثال: در سیستم‌های کنترل آب و هوا برای تنظیم دما بر اساس ورودی‌های فازی مانند 'کمی گرم' یا 'خیلی سرد' استفاده می‌شود.

شبکه مولد تخاصمی (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
معماری مدل مولد که در آن دو شبکه - یک مولد و یک ممیز - برای بهبود کیفیت خروجی رقابت می‌کنند.
مثال: GANها برای ایجاد ویدئوهای دیپ‌فیک یا تولید عکس‌های محصول واقعی از طرح‌ها استفاده می‌شوند.

هوش مصنوعی مولد (Generative AI)

Generative AI
دسته‌ای از هوش مصنوعی که می‌تواند محتوای جدیدی - مانند متن، تصاویر، موسیقی یا ویدئو - از داده‌های آموزشی ایجاد کند.
مثال: ChatGPT پست‌های وبلاگ را تولید می‌کند یا Midjourney آثار هنری دیجیتال را از درخواست‌های متنی ایجاد می‌کند.

ترانسفورمر از پیش آموزش‌دیده مولد (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
کلاسی از مدل‌های زبان بزرگ که توسط OpenAI توسعه یافته و از معماری ترانسفورمر استفاده می‌کند و بر روی مقادیر عظیمی از داده‌های متنی از پیش آموزش دیده است تا وظایف مختلف زبان را انجام دهد.
مثال: GPT-4 قادر به نوشتن مقالات، ترجمه زبان‌ها و خلاصه‌سازی اسناد با حداقل درخواست است.

الگوریتم ژنتیک (Genetic Algorithm)

Genetic Algorithm
تکنیک بهینه‌سازی الهام گرفته از انتخاب طبیعی که در آن راه‌حل‌ها از طریق جهش، تقاطع و انتخاب در طول زمان تکامل می‌یابند.
مثال: برای طراحی معماری‌های شبکه عصبی کارآمد با شبیه‌سازی بقای اصلح استفاده می‌شود.

توهم (Hallucination)

Hallucination
تولید محتوای به ظاهر معتبر اما نادرست از نظر واقعی یا بی‌معنی توسط یک مدل هوش مصنوعی.
مثال: یک مدل زبان یک استناد ناموجود اختراع می‌کند یا حقایق تاریخی نادرست ارائه می‌دهد.

اکتشافی (Heuristic)

Heuristic
رویکرد عملی برای حل مسئله که راه‌حل کامل را تضمین نمی‌کند اما برای اهداف فوری کافی است.
مثال: استفاده از یک قاعده سرانگشتی برای تخمین زمان تحویل در یک سیستم هوش مصنوعی لجستیک.

فراپارامتر (Hyperparameter)

Hyperparameter
یک مقدار پیکربندی که قبل از آموزش یک مدل یادگیری ماشین تنظیم می‌شود، مانند نرخ یادگیری یا تعداد لایه‌ها.
مثال: تنظیم اندازه دسته از 32 به 128 برای بهبود سرعت آموزش و عملکرد مدل.

استنتاج (Inference)

Inference
فرآیند استفاده از یک مدل یادگیری ماشین آموزش‌دیده برای انجام پیش‌بینی‌ها یا تولید خروجی از داده‌های ورودی جدید.
مثال: استفاده از یک مدل GPT تنظیم دقیق شده برای پیش‌نویس ایمیل‌ها برای تیم پشتیبانی مشتری.

تشخیص قصد (Intent Detection)

Intent Detection
وظیفه‌ای در درک زبان طبیعی که در آن سیستم هدف یا منظور کاربر را در یک پیام شناسایی می‌کند.
مثال: در یک چت‌بات، تشخیص 'من می‌خواهم پرواز رزرو کنم' به عنوان قصد رزرو سفر.

اینترنت اشیا (IoT) (Internet of Things (IoT))

Internet of Things (IoT)
شبکه‌ای از دستگاه‌های فیزیکی متصل که با سنسورها، نرم‌افزار و سایر فناوری‌ها تعبیه شده‌اند تا داده‌ها را جمع‌آوری و تبادل کنند.
مثال: ترموستات‌ها و یخچال‌های هوشمند که داده‌های استفاده را گزارش می‌دهند و تنظیمات را با استفاده از تحلیل‌های هوش مصنوعی تنظیم می‌کنند.

تفسیرپذیری (Interpretability)

Interpretability
میزان درک انسان از مکانیسم‌های داخلی یک مدل یادگیری ماشین و فرآیند تصمیم‌گیری آن.
مثال: یک درخت تصمیم نسبت به یک شبکه عصبی عمیق قابل تفسیرتر است زیرا تصمیمات آن قابل ردیابی هستند.

نوت‌بوک ژوپیتر (Jupyter Notebook)

Jupyter Notebook
محیط محاسباتی تعاملی منبع باز که به کاربران اجازه می‌دهد کد بنویسند، خروجی‌ها را تجسم کنند و تجزیه و تحلیل را در یک رابط واحد مستند کنند.
مثال: دانشمندان داده از نوت‌بوک‌های ژوپیتر برای نمونه‌سازی مدل‌های یادگیری ماشین و اشتراک‌گذاری نتایج استفاده می‌کنند.

K-نزدیک‌ترین همسایه (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
یک الگوریتم ساده و غیرپارامتری یادگیری ماشین که برای طبقه‌بندی و رگرسیون استفاده می‌شود. این الگوریتم بر اساس نزدیک‌ترین مثال‌های آموزشی در فضای ویژگی، تصمیم می‌گیرد.
مثال: برای طبقه‌بندی یک میوه جدید به عنوان سیب یا گلابی، KNN بررسی می‌کند که کدام میوه‌های برچسب‌دار از نظر شکل و رنگ نزدیک‌تر هستند.

گراف دانش (Knowledge Graph)

Knowledge Graph
ساختار داده‌ای که از گره‌ها و یال‌ها برای نمایش و ذخیره توضیحات مرتبط از موجودیت‌ها و روابط آن‌ها استفاده می‌کند.
مثال: پنل دانش گوگل توسط یک گراف دانش که موجودیت‌هایی مانند افراد، مکان‌ها و رویدادها را به هم متصل می‌کند، نیرو می‌گیرد.

بهینه‌سازی مدل یادگیری زبان (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
تکنیک‌هایی که برای بهبود عملکرد، کارایی یا سازگاری مدل‌های زبان بزرگ برای وظایف یا حوزه‌های خاص استفاده می‌شوند.
مثال: استفاده از کوانتیزاسیون و تنظیم دقیق دستورالعمل برای بهینه‌سازی یک LLM برای استفاده سازمانی.

مدل زبان بزرگ (LLM) (Large Language Model (LLM))

Large Language Model (LLM)
نوعی مدل یادگیری عمیق که بر روی مقادیر عظیمی از داده‌های متنی آموزش دیده و قادر به تولید، درک و استدلال با زبان انسان است.
مثال: ChatGPT و Claude LLMهایی هستند که برای کمک در نوشتن، کدنویسی و پاسخ به سوالات آموزش دیده‌اند.

فضای نهفته (Latent Space)

Latent Space
نمایش انتزاعی با ابعاد بالا که در آن ورودی‌های مشابه نزدیک به هم گروه‌بندی می‌شوند و در مدل‌های مولد و جاسازی‌ها استفاده می‌شوند.
مثال: در تولید تصویر، دستکاری فضای نهفته می‌تواند ویژگی‌هایی مانند روشنایی یا احساسات را تغییر دهد.

نرخ یادگیری (Learning Rate)

Learning Rate
یک فراپارامتر کلیدی در آموزش که میزان تنظیم وزن‌های مدل را نسبت به گرادیان خطا کنترل می‌کند.
مثال: نرخ یادگیری بالا ممکن است منجر به عبور از حداقل‌ها شود، در حالی که نرخ بسیار پایین پیشرفت آموزش را کند می‌کند.

یادگیری ماشین (ML) (Machine Learning (ML))

Machine Learning (ML)
شاخه‌ای از هوش مصنوعی که به سیستم‌ها امکان می‌دهد از داده‌ها یاد بگیرند و عملکرد را بدون برنامه‌ریزی صریح بهبود بخشند.
مثال: فیلترهای هرزنامه از یادگیری ماشین برای طبقه‌بندی ایمیل‌ها به عنوان هرزنامه یا غیر هرزنامه بر اساس مثال‌های گذشته استفاده می‌کنند.

رانش مدل (Model Drift)

Model Drift
پدیده‌ای که در آن دقت یک مدل به دلیل تغییرات در داده‌ها یا محیط در طول زمان کاهش می‌یابد.
مثال: یک مدل تشخیص تقلب با تکامل تاکتیک‌های تقلب، دقت کمتری پیدا می‌کند.

آموزش مدل (Model Training)

Model Training
فرآیند تغذیه داده‌ها به یک مدل یادگیری ماشین و تنظیم پارامترهای آن برای حداقل کردن خطا.
مثال: آموزش یک موتور توصیه بر روی تاریخچه خرید مشتری برای پیشنهاد محصولات جدید.

هوش مصنوعی چندوجهی (Multimodal AI)

Multimodal AI
سیستم‌های هوش مصنوعی که قادر به پردازش و ادغام چندین نوع داده مانند متن، تصاویر، صدا و ویدئو هستند.
مثال: مدلی مانند GPT-4 Vision که می‌تواند متن را بخواند و تصاویر را همزمان تفسیر کند.

پردازش زبان طبیعی (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)
زیرمجموعه‌ای از هوش مصنوعی که بر تعامل بین کامپیوترها و زبان‌های انسانی (طبیعی) تمرکز دارد. این امر به ماشین‌ها امکان می‌دهد به زبان انسان بخوانند، درک کنند و پاسخ دهند.
مثال: NLP در دستیارهای صوتی، برنامه‌های ترجمه زبان و چت‌بات‌ها استفاده می‌شود.

شبکه عصبی (Neural Network)

Neural Network
مدل یادگیری ماشین الهام گرفته از ساختار مغز انسان، متشکل از لایه‌هایی از گره‌های متصل (نورون‌ها).
مثال: شبکه‌های عصبی پشت مدل‌های یادگیری عمیق مورد استفاده در تشخیص تصویر و صدا هستند.

نویز (Noise)

Noise
اطلاعات تصادفی یا نامربوط در داده‌ها که می‌تواند الگوهای معنی‌دار را مبهم کرده و بر عملکرد مدل تأثیر منفی بگذارد.
مثال: خطاهای سنسور یا ورودی‌های داده پر از غلط املایی را می‌توان نویز در نظر گرفت.

هستی‌شناسی (Ontology)

Ontology
چارچوب ساختاریافته‌ای که مفاهیم را در یک حوزه دسته‌بندی و تعریف می‌کند و روابط بین آن‌ها را مشخص می‌سازد، که اغلب در سیستم‌های هوش مصنوعی معنایی استفاده می‌شود.
مثال: یک هستی‌شناسی در مراقبت‌های بهداشتی ممکن است نحوه ارتباط علائم با بیماری‌ها و درمان‌ها را تعریف کند.

بیش‌برازش (Overfitting)

Overfitting
خطای مدل‌سازی که در آن یک مدل یادگیری ماشین نویز را در داده‌های آموزشی ثبت می‌کند و عملکرد ضعیفی در داده‌های جدید دارد.
مثال: مدلی که پاسخ‌های آموزشی را حفظ می‌کند اما نمی‌تواند داده‌های تست دیده نشده را مدیریت کند، بیش‌برازش شده است.

تحلیل پیش‌بینانه (Predictive Analytics)

Predictive Analytics
استفاده از داده‌ها، الگوریتم‌ها و هوش مصنوعی برای شناسایی احتمال نتایج آینده بر اساس داده‌های تاریخی.
مثال: خرده‌فروشان از تحلیل پیش‌بینانه برای پیش‌بینی تقاضا برای محصولات خاص استفاده می‌کنند.

پیش‌آموزش (Pre-training)

Pre-training
فرآیند آموزش اولیه یک مدل بر روی یک مجموعه داده بزرگ و عمومی قبل از تنظیم دقیق آن برای وظایف خاص.
مثال: مدل‌های GPT قبل از سفارشی‌سازی برای چت‌بات‌های خدمات مشتری، بر روی پیکره‌های بزرگ پیش‌آموزش داده می‌شوند.

مهندسی پرامپت (Prompt Engineering)

Prompt Engineering
هنر و علم ساخت درخواست‌های مؤثر برای هدایت خروجی مدل‌های زبان بزرگ.
مثال: افزودن دستورالعمل‌های سیستمی مانند 'به عنوان یک معلم مودب پاسخ دهید' نمونه‌ای از مهندسی پرامپت است.

کوانتیزاسیون (Quantisation)

Quantisation
تکنیک فشرده‌سازی مدل که تعداد بیت‌های مورد استفاده برای نمایش وزن‌ها و فعال‌سازی‌ها را کاهش می‌دهد و کارایی را افزایش می‌دهد.
مثال: کوانتیزاسیون یک مدل از 32 بیت به 8 بیت، عملکرد را در دستگاه‌های تلفن همراه بهبود می‌بخشد.

محاسبات کوانتومی (Quantum Computing)

Quantum Computing
پارادایم جدیدی از محاسبات مبتنی بر مکانیک کوانتومی که پتانسیل قابلیت‌های پردازش نمایی را دارد.
مثال: محاسبات کوانتومی ممکن است در نهایت آموزش هوش مصنوعی را فراتر از محدودیت‌های کلاسیک تسریع کند.

موتور استنتاج (Reasoning Engine)

Reasoning Engine
سیستمی در هوش مصنوعی که با استفاده از قوانین یا الگوریتم‌های استنتاج، نتایج منطقی را از مجموعه‌ای از حقایق یا داده‌ها استخراج می‌کند.
مثال: یک ابزار تشخیص هوش مصنوعی از یک موتور استنتاج برای استنباط شرایط پزشکی احتمالی بر اساس علائم استفاده می‌کند.

یادگیری تقویتی (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
حوزه‌ای از یادگیری ماشین که در آن عامل‌ها با تعامل با محیط خود برای به حداکثر رساندن پاداش تجمعی یاد می‌گیرند.
مثال: رباتی که با استفاده از تکنیک‌های RL با آزمون و خطا راه رفتن را یاد می‌گیرد.

یادگیری تقویتی با بازخورد انسانی (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
روش یادگیری که در آن ترجیحات انسانی سیگنال پاداش هوش مصنوعی را هدایت می‌کند و اغلب در تنظیم دقیق مدل‌های زبان استفاده می‌شود.
مثال: ChatGPT با RLHF آموزش داده شد تا پاسخ‌های مفیدتر و ایمن‌تری تولید کند.

تولید افزوده بازیابی (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
روشی که بازیابی اطلاعات را با تولید ترکیب می‌کند، که در آن یک LLM اسناد مرتبط را برای بهبود پاسخ خود بازیابی می‌کند.
مثال: یک دستیار هوش مصنوعی مشخصات محصول را بازیابی و استناد می‌کند در حالی که پاسخی به یک سوال فنی تولید می‌کند.

یادگیری خودنظارتی (Self-Supervised Learning)

Self-Supervised Learning
رویکرد آموزشی که در آن مدل با تولید برچسب‌های خود از داده‌های خام، الگوها را یاد می‌گیرد و وابستگی به داده‌های حاشیه‌نویسی شده توسط انسان را کاهش می‌دهد.
مثال: BERT با یادگیری خودنظارتی با پیش‌بینی کلمات گمشده در متن آموزش داده می‌شود.

جستجوی معنایی (Semantic Search)

Semantic Search
تکنیک جستجو که قصد کاربر و معنای متنی را درک می‌کند، نه فقط تطابق کلمات کلیدی.
مثال: جستجوی 'چگونه شیر آب نشتی را تعمیر کنیم' حتی اگر عبارت 'شیر آب نشتی' در سند وجود نداشته باشد، راهنماهایی را برمی‌گرداند.

تحلیل احساسات (Sentiment Analysis)

Sentiment Analysis
فرآیند شناسایی احساسات، نظرات یا نگرش‌ها در متن، که اغلب به عنوان مثبت، منفی یا خنثی طبقه‌بندی می‌شود.
مثال: تجزیه و تحلیل توییت‌ها برای سنجش واکنش عمومی به یک محصول جدید.

تصادفی (Stochastic)

Stochastic
شامل رفتار تصادفی یا احتمالی، که اغلب در هوش مصنوعی مولد و الگوریتم‌های بهینه‌سازی استفاده می‌شود.
مثال: خروجی GPT-4 به دلیل فرآیند رمزگشایی تصادفی آن برای ورودی یکسان متفاوت است.

هوش مصنوعی قوی (Strong AI)

Strong AI
همچنین به عنوان هوش مصنوعی عمومی (AGI) شناخته می‌شود، به ماشین‌هایی با قابلیت‌های شناختی در سطح انسان در تمام حوزه‌ها اشاره دارد.
مثال: یک هوش مصنوعی آینده که می‌تواند به طور مستقل رمان بنویسد، شهرها را برنامه‌ریزی کند و معضلات اخلاقی را به یک اندازه خوب حل کند.

هوش مصنوعی فوق‌العاده (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
یک هوش مصنوعی نظری که هوش انسانی را در تمام جنبه‌ها - استدلال، خلاقیت، هوش عاطفی و غیره - به شدت برتری می‌دهد.
مثال: یک SAI به طور نظری می‌تواند علوم و فلسفه‌های جدید را به طور مستقل توسعه دهد.

یادگیری نظارت‌شده (Supervised Learning)

Supervised Learning
تکنیک یادگیری ماشین که در آن مدل‌ها بر روی داده‌های برچسب‌دار آموزش داده می‌شوند تا نگاشت‌های ورودی-خروجی را یاد بگیرند.
مثال: آموزش یک مدل برای طبقه‌بندی ایمیل‌ها به عنوان هرزنامه یا غیر هرزنامه با استفاده از مثال‌های تاریخی.

داده‌های مصنوعی (Synthetic Data)

Synthetic Data
داده‌های تولید شده مصنوعی که داده‌های دنیای واقعی را شبیه‌سازی می‌کنند و اغلب برای آموزش زمانی که داده‌های واقعی کمیاب یا حساس هستند استفاده می‌شوند.
مثال: ایجاد تصاویر پزشکی مصنوعی برای آموزش مدل‌های تشخیصی بدون نقض حریم خصوصی بیمار.

توکن (Token)

Token
واحدی از متن که توسط LLMها پردازش می‌شود - معمولاً یک کلمه یا قطعه کلمه.
مثال: جمله 'Hello world!' به 3 توکن تقسیم می‌شود: 'Hello'، 'world' و '!'.

توکن‌سازی (Tokenisation)

Tokenisation
فرآیند شکستن متن به توکن‌ها برای پردازش توسط یک مدل.
مثال: در NLP، 'ChatGPT is great' به ['Chat', 'G', 'PT', 'is', 'great'] تبدیل می‌شود.

یادگیری انتقالی (Transfer Learning)

Transfer Learning
استفاده از دانش از یک کار برای بهبود یادگیری در یک کار مرتبط دیگر، کاهش زمان آموزش و نیاز به داده.
مثال: تنظیم دقیق مدلی که بر روی متن انگلیسی آموزش دیده است برای انجام تحلیل احساسات در زبان دیگر.

ترانسفورمر (Transformer)

Transformer
معماری شبکه عصبی که از مکانیزم‌های توجه برای مدل‌سازی داده‌های متوالی استفاده می‌کند و به طور گسترده در LLMها استفاده می‌شود.
مثال: BERT، GPT و T5 همگی مدل‌های مبتنی بر ترانسفورمر هستند.

کم‌برازش (Underfitting)

Underfitting
زمانی که یک مدل بیش از حد ساده است تا الگوهای داده‌های آموزشی را ثبت کند و منجر به عملکرد ضعیف می‌شود.
مثال: یک مدل خطی که سعی در پیش‌بینی طبقه‌بندی‌های پیچیده تصویر دارد ممکن است کم‌برازش شود.

یادگیری بدون نظارت (Unsupervised Learning)

Unsupervised Learning
رویکرد یادگیری که در آن مدل‌ها الگوها یا خوشه‌ها را در داده‌های بدون برچسب شناسایی می‌کنند.
مثال: گروه‌بندی مشتریان بر اساس رفتار خرید بدون برچسب‌های از پیش تعریف شده.

قصد کاربر (User Intent)

User Intent
هدف یا منظور پشت درخواست یا تعامل کاربر.
مثال: کاربری که 'چگونه کیک بپزد' را تایپ می‌کند، احتمالاً قصد دارد دستور پخت را پیدا کند.

مجموعه اعتبارسنجی (Validation Set)

Validation Set
زیرمجموعه‌ای از داده‌ها که برای ارزیابی عملکرد مدل در طول آموزش و تنظیم فراپارامترها استفاده می‌شود.
مثال: برای تشخیص بیش‌برازش قبل از تست نهایی استفاده می‌شود.

پایگاه داده برداری (Vector Database)

Vector Database
پایگاه داده‌ای که برای ذخیره و جستجوی جاسازی‌های برداری مورد استفاده در وظایف هوش مصنوعی مانند جستجوی شباهت و RAG طراحی شده است.
مثال: Pinecone و Weaviate پایگاه‌های داده برداری برای ذخیره جاسازی‌های متن یا تصویر هستند.

جاسازی برداری (Vector Embedding)

Vector Embedding
نمایش عددی داده‌ها که معنای معنایی و روابط را در یک فضای برداری حفظ می‌کند.
مثال: کلمات 'پادشاه' و 'ملکه' جاسازی‌های مشابهی با تفاوت‌های ظریف جنسیتی دارند.

دستیار مجازی (Virtual Assistant)

Virtual Assistant
یک عامل نرم‌افزاری با قدرت هوش مصنوعی که به کاربران در تکمیل وظایف از طریق مکالمه یا دستورات صوتی کمک می‌کند.
مثال: سیری، الکسا و دستیار گوگل دستیارهای مجازی محبوب هستند.

تشخیص صدا (Voice Recognition)

Voice Recognition
فناوری که زبان گفتاری را تفسیر و به متن یا عمل تبدیل می‌کند.
مثال: تایپ صوتی و دستورات صوتی به سیستم‌های تشخیص صدا متکی هستند.

هوش مصنوعی ضعیف (Weak AI)

Weak AI
سیستم‌های هوش مصنوعی که برای انجام یک کار خاص و محدود بدون هوش عمومی طراحی شده‌اند.
مثال: یک هوش مصنوعی شطرنج‌باز که نمی‌تواند زبان را درک کند یا رانندگی کند، نمونه‌ای از هوش مصنوعی ضعیف است.

خراش وب (Web Scraping)

Web Scraping
استخراج خودکار اطلاعات از وب‌سایت‌ها، که اغلب برای جمع‌آوری داده‌های آموزشی یا نظارت بر محتوا استفاده می‌شود.
مثال: خراشیدن لیست‌های املاک برای آموزش مدل ارزش‌گذاری املاک.

وزن (Weight)

Weight
پارامتری در شبکه‌های عصبی که قدرت تأثیر یک گره بر گره دیگر را تعیین می‌کند.
مثال: وزن‌ها در طول آموزش برای حداقل کردن خطای مدل تنظیم می‌شوند.

نجوا (Whisper)

Whisper
مدل تبدیل گفتار به متن توسعه یافته توسط OpenAI که قادر به رونویسی صدا به زبان‌های مختلف است.
مثال: نجوا می‌تواند سخنرانی‌ها و پادکست‌ها را با دقت بالا رونویسی کند.

YAML (YAML)

YAML
قالب قابل خواندن توسط انسان برای سریال‌سازی داده‌ها، که معمولاً برای فایل‌های پیکربندی در گردش کار یادگیری ماشین استفاده می‌شود.
مثال: تعریف پارامترهای مدل در یک فایل YAML برای آموزش در PyTorch.

یادگیری بدون نمونه (Zero-shot Learning)

Zero-shot Learning
توانایی مدلی برای انجام وظایفی که هرگز به طور صریح بر روی آن‌ها آموزش ندیده است با استفاده از دانش عمومی.
مثال: مدلی که به سوالات حقوقی پاسخ می‌دهد، حتی اگر به طور خاص بر روی داده‌های حقوقی آموزش ندیده باشد.

زتابایت (Zettabyte)

Zettabyte
واحدی از داده‌های دیجیتال برابر با یک سکستیلیون (10^21) بایت، که اغلب برای توصیف مقیاس داده‌های اینترنت استفاده می‌شود.
مثال: ترافیک جهانی اینترنت در سال 2016 از 1 زتابایت در سال فراتر رفت.