IgazÃtás (Alignment)
Alignment
Annak biztosÃtása, hogy egy MI rendszer céljai, kimenetei és viselkedése összhangban legyenek az emberi célokkal és értékekkel. Ez különösen fontos a fejlett rendszereknél, amelyek nem szándékolt viselkedést fejleszthetnek ki.
Példa: Annak biztosÃtása, hogy egy mentális egészséggel foglalkozó chatbot soha ne javasoljon káros cselekvéseket, függetlenül a felszólÃtásoktól.
Alkalmazásprogramozási felület (API) (Application Programming Interface (API))
Application Programming Interface (API)
Meghatározott szabályok és protokollok készlete, amelyek lehetővé teszik a különböző szoftverrendszerek kommunikációját és adatcseréjét.
Példa: Az OpenAI API használata egy felszólÃtás küldésére és egy nyelvi modell által generált válasz fogadására a webalkalmazásban.
Mesterséges Ãltalános Intelligencia (AGI) (Artificial General Intelligence (AGI))
Artificial General Intelligence (AGI)
Az MI elméleti formája, amely képes bármilyen intellektuális feladatot elvégezni, amit egy ember. ÃltalánosÃtja a tanulást különbözÅ‘ területeken.
Példa: Egy AGI rendszer képes lenne zenét szerezni, sebészeti beavatkozásokat végezni és filozófia vizsgát tenni feladatspecifikus programozás nélkül.
Mesterséges Intelligencia (MI) (Artificial Intelligence (AI))
Artificial Intelligence (AI)
Az emberi intelligencia szimulációja gépekben, amelyeket arra programoztak, hogy gondolkodjanak, érveljenek és autonóm módon cselekedjenek.
Példa: Az MI olyan személyi asszisztenseket hajt végre, mint a Siri és az olyan autonóm vezetési rendszerek, mint a Tesla Autopilot.
MI Etika (AI Ethics)
AI Ethics
Egy olyan tudományág, amely az MI fejlesztésének és használatának etikai következményeivel foglalkozik, beleértve a méltányosságot, az adatvédelmet, a felelősségre vonhatóságot és a megkülönböztetésmentességet.
Példa: Irányelvek létrehozása a munkaerő-felvételi algoritmusok számára, hogy ne diszkrimináljanak nem vagy etnikum alapján.
BÅ‘vÃtett Intelligencia (Augmented Intelligence)
Augmented Intelligence
Egy együttműködési modell, ahol az MI kiegészÃti és fokozza az emberi intelligenciát ahelyett, hogy helyettesÃtené azt.
Példa: MI-alapú radiológiai eszközök, amelyek kiemelik az anomáliákat az orvosok számára, akik meghozzák a végső diagnózist.
Autonóm Ügynök (Autonomous Agent)
Autonomous Agent
Egy MI rendszer, amely képes saját döntéseket hozni és emberi beavatkozás nélkül cselekedni céljai elérése érdekében.
Példa: Egy önvezetÅ‘ szállÃtó robot, amely önállóan navigál a városi utcákon és elkerüli az akadályokat.
Visszaterjedés (Backpropagation)
Backpropagation
Egy technika neurális hálózatok képzésére a súlyok fordÃtott frissÃtésével a kimenettÅ‘l a bemeneti rétegekig, minimalizálva a predikciós hibákat.
Példa: KépfelismerÅ‘ modellek képzésére használják a kézÃrásos számjegyek felismerésének hibahatásának csökkentésére.
TorzÃtás (Algoritmikus TorzÃtás) (Bias (Algorithmic Bias))
Bias (Algorithmic Bias)
Az MI kimeneteiben elÅ‘forduló szándékolatlan és szisztematikus elÅ‘nyben részesÃtés, amely az egyensúlytalan vagy nem reprezentatÃv képzési adatokból ered.
Példa: Egy arcfelismerÅ‘ rendszer, amely gyakrabban azonosÃt tévesen szÃnes embereket, mivel alulreprezentáltak a képzési adatokban.
Big Data (Big Data)
Big Data
RendkÃvül nagy adatkészletek, amelyek speciális eszközöket igényelnek a tároláshoz, elemzéshez és az érték kinyeréséhez, gyakran MI modellek képzésére használják.
Példa: Több millió felhasználói interakció használata ajánlórendszerek képzésére e-kereskedelmi platformok számára.
Fekete Doboz Modell (Black Box Model)
Black Box Model
Az MI vagy gépi tanulási modellek olyan tÃpusa, amelynek belsÅ‘ logikája nem könnyen értelmezhetÅ‘ az emberek számára, Ãgy nehéz megérteni, hogyan születnek a döntések.
Példa: Egy mély neurális hálózat, amelyet hitelkérelmek jóváhagyására használnak, de nem ad világos magyarázatot arra, hogy miért fogadtak el egy kérelmezÅ‘t, és miért utasÃtottak el egy másikat.
KognitÃv SzámÃtástechnika (Cognitive Computing)
Cognitive Computing
Olyan MI rendszerek, amelyeket az emberi gondolkodási folyamatok, mint az érvelés és a tanulás szimulálására terveztek, olyan technikák használatával, mint az NLP és a mintázatfelismerés.
Példa: Egy kognitÃv számÃtástechnikai rendszer, amely segÃti a jogi szakembereket az esetjog elemzésében és a kimenetelek elÅ‘rejelzésében.
SzámÃtógépes Látás (Computer Vision)
Computer Vision
A mesterséges intelligencia azon területe, amely lehetÅ‘vé teszi a számÃtógépek számára a vizuális adatok, például képek és videók értelmezését és feldolgozását.
Példa: ArcfelismerÅ‘ rendszerek, amelyek számÃtógépes látás segÃtségével azonosÃtják az embereket a biztonsági felvételeken.
Korpusz (Corpus)
Corpus
Ãrott vagy beszélt szövegek nagy gyűjteménye, amelyet nyelvi modellek képzésére használnak.
Példa: A Common Crawl adatkészlet egy nyilvános webkorpusz, amelyet olyan nagy nyelvi modellek képzésére használnak, mint a GPT.
Adatcsúszás (Data Drift)
Data Drift
Az a jelenség, amikor a bemeneti adatok idÅ‘vel megváltoznak, ami a modell teljesÃtményének romlását okozza.
Példa: Egy ipari berendezések prediktÃv karbantartási modellje kevésbé pontos lesz, ahogy új szenzortechnológiát vezetnek be.
AdatcÃmkézés (Data Labelling)
Data Labelling
Az adatok cÃmkékkel vagy jelölésekkel való annotálásának folyamata, hogy alkalmas legyen a felügyelt tanulásra.
Példa: Több ezer daganatos kép cÃmkézése jóindulatú vagy rosszindulatúként egy rákdiagnosztikai modell képzéséhez.
Adatbányászat (Data Mining)
Data Mining
Értékes mintázatok, korrelációk és anomáliák felfedezésének folyamata nagy adatkészletekben.
Példa: Kiskereskedők adatbányászatot használnak annak felismerésére, hogy a pelenkát vásárlók gyakran sört is vásárolnak.
Mélytanulás (Deep Learning)
Deep Learning
A gépi tanulás egy alága, amely több rétegű neurális hálózatokat használ a komplex mintázatok modellezésére az adatokban.
Példa: A mélytanulást olyan nyelvi modellekben használják, mint a GPT-4 és olyan képgeneráló modellekben, mint a Stable Diffusion.
Diffúziós Modellek (Diffusion Models)
Diffusion Models
GeneratÃv modellek egy osztálya, amelyek véletlenszerű zajt fokozatosan strukturált kimenetekké alakÃtva tanulnak adatokat előállÃtani.
Példa: A Stable Diffusion fotorealisztikus képeket hoz létre szöveges felszólÃtásokból diffúziós technikák használatával.
Beágyazás (Embedding)
Embedding
Adatok numerikus vektoros reprezentációja, amelyet gyakran használnak szavak, képek vagy mondatok szemantikai jelentésének rögzÃtésére.
Példa: Az NLP-ben a 'bank' szó hasonló beágyazásokkal rendelkezhet, mint a 'pénz', de eltérhet a 'folyópart'-tól a kontextustól függően.
Épok (Epoch)
Epoch
A teljes képzési adatkészleten végzett teljes iteráció a gépi tanulási modell képzési folyamata során.
Példa: Ha egy adatkészlet 1000 példányt tartalmaz, és egy modell mindet egyszer látja a képzés során, az egy épok.
Etikus MI (Ethical AI)
Ethical AI
Egy tervezési és bevezetési filozófia, amely biztosÃtja, hogy az MI technológiák átláthatóan, méltányosan és a társadalmi értékekkel összhangban működjenek.
Példa: Egy MI munkaerő-felvételi eszköz, amely tartalmazza az elfogultság ellenőrzését a kisebbségi jelöltekkel szembeni diszkrimináció megelőzése érdekében.
Szakértői Rendszer (Expert System)
Expert System
Egy MI rendszer, amely egy emberi szakértő döntéshozatali képességeit szimulálja egy adott területen szabályok és logika használatával.
Példa: Egy szakértői rendszer, amelyet a mezőgazdaságban használnak, hogy ajánlásokat tegyen a növénykezelésre talajadatok és kártevőtörténet alapján.
Magyarázható MI (XAI) (Explainable AI (XAI))
Explainable AI (XAI)
Olyan MI rendszerek, amelyeket arra terveztek, hogy belső folyamataikat és döntéshozatali folyamataikat érthetővé tegyék az emberek számára, növelve a bizalmat és a felelősségre vonhatóságot.
Példa: Egy orvosi diagnosztikai MI, amely nemcsak ajánlást ad, hanem elmagyarázza, mely tünetek vezettek ehhez a következtetéshez.
Kevésmintás Tanulás (Few-shot Learning)
Few-shot Learning
Egy gépi tanulási módszer, ahol egy modellt csak kevés cÃmkézett példával képeznek vagy finomÃtanak.
Példa: Egy LLM testreszabása jogi e-mailek Ãrására mindössze 10 példa bemutatása után.
Finomhangolás (Fine-tuning)
Fine-tuning
Egy előre képzett modell átvételének és további képzésének folyamata egy új, kisebb adatkészleten, hogy specializálódjon egy adott feladatra.
Példa: Egy általános LLM, mint a GPT finomhangolása belső jogi dokumentumokon, hogy jogi szerkesztő asszisztenst hozzanak létre.
Alapmodell (Foundation Model)
Foundation Model
Egy nagyméretű modell, amelyet sokféle és széles körű adaton képeztek, és amely sok utólagos feladathoz adaptálható.
Példa: A GPT-4 és a PaLM 2 alapmodellek, amelyek képesek összefoglalni, kérdezni, fordÃtani és még sok mást.
Fuzzy logika (Fuzzy Logic)
Fuzzy Logic
A logika olyan formája, amely a rögzÃtett igaz/hamis (bináris) logika helyett közelÃtÅ‘ értékekkel foglalkozik, és hasznos a bizonytalanság alatti érveléshez.
Példa: KlÃmaberendezésekben használják a hÅ‘mérséklet beállÃtására olyan fuzzy bemenetek alapján, mint 'kicsit meleg' vagy 'nagyon hideg'.
GeneratÃv Adverszariális Hálózat (GAN) (Generative Adversarial Network (GAN))
Generative Adversarial Network (GAN)
Egy generatÃv modell architektúra, ahol két hálózat – egy generátor és egy diszkriminátor – versenyez a kimeneti minÅ‘ség javÃtása érdekében.
Példa: A GAN-okat deepfake videók létrehozására vagy valósághű termékfotók generálására használják vázlatokból.
GeneratÃv MI (Generative AI)
Generative AI
Az MI azon kategóriája, amely új tartalmat – például szöveget, képeket, zenét vagy videót – képes létrehozni a képzési adatokból.
Példa: A ChatGPT blogbejegyzéseket generál, vagy a Midjourney digitális műalkotásokat hoz létre szöveges felszólÃtásokból.
GeneratÃv ElÅ‘re Képzett Transzformer (GPT) (Generative Pre-trained Transformer (GPT))
Generative Pre-trained Transformer (GPT)
Az OpenAI által kifejlesztett nagy nyelvi modellek egy osztálya, amely transzformer architektúrát használ, és hatalmas mennyiségű szöveges adaton előre képzett, hogy különféle nyelvi feladatokat végezzen.
Példa: A GPT-4 képes esszéket Ãrni, nyelveket fordÃtani és dokumentumokat összefoglalni minimális felszólÃtással.
Genetikai Algoritmus (Genetic Algorithm)
Genetic Algorithm
Egy optimalizálási technika, amelyet a természetes szelekció ihletett, ahol a megoldások idővel mutáció, kereszteződés és szelekció révén fejlődnek.
Példa: Hatékony neurális hálózati architektúrák tervezésére használják a legerősebb túlélésének szimulálásával.
Hallucináció (Hallucination)
Hallucination
Az MI modell által hitelesnek hangzó, de tényileg helytelen vagy értelmetlen tartalom generálása.
Példa: Egy nyelvi modell nem létező hivatkozást talál ki, vagy hamis történelmi tényeket szolgáltat.
Heurisztika (Heuristic)
Heuristic
Gyakorlati megközelÃtés a problémamegoldáshoz, amely nem garantál tökéletes megoldást, de elegendÅ‘ a azonnali célokhoz.
Példa: Egy lehetséges szabály használata a szállÃtási idÅ‘ becslésére egy logisztikai MI rendszerben.
Hiperparaméter (Hyperparameter)
Hyperparameter
Egy konfigurációs érték, amelyet a gépi tanulási modell képzése elÅ‘tt állÃtanak be, például a tanulási sebesség vagy a rétegek száma.
Példa: A kötegméret 32-rÅ‘l 128-ra állÃtása a képzési sebesség és a modell teljesÃtményének javÃtása érdekében.
Következtetés (Inference)
Inference
Egy képzett gépi tanulási modell használatának folyamata új bemeneti adatokból történÅ‘ predikciók készÃtésére vagy kimenetek generálására.
Példa: Egy finomhangolt GPT modell használata e-mailek szerkesztésére egy ügyfélszolgálati csapat számára.
Szándék Érzékelés (Intent Detection)
Intent Detection
Egy feladat a természetes nyelvi megértésben, ahol a rendszer azonosÃtja a felhasználó célját vagy szándékát egy üzenetben.
Példa: Egy chatbotban felismerni a 'repülőjegyet szeretnék foglalni' kifejezést utazási foglalási szándékként.
Dolgok Internete (IoT) (Internet of Things (IoT))
Internet of Things (IoT)
Összekapcsolt fizikai eszközök hálózata, amely szenzorokkal, szoftverekkel és más technológiákkal van ellátva az adatok gyűjtésére és cseréjére.
Példa: Okos termosztátok és hűtÅ‘szekrények, amelyek használati adatokat jelentenek, és MI analitikát használva állÃtják be a beállÃtásokat.
Értelmezhetőség (Interpretability)
Interpretability
Annak mértéke, hogy egy ember mennyire képes megérteni egy gépi tanulási modell belső mechanizmusait és döntéshozatali folyamatát.
Példa: Egy döntési fa jobban értelmezhető, mint egy mély neurális hálózat, mert a döntései nyomon követhetők.
Jupyter Notebook (Jupyter Notebook)
Jupyter Notebook
Egy nyÃlt forráskódú interaktÃv számÃtástechnikai környezet, amely lehetÅ‘vé teszi a felhasználók számára, hogy kódot Ãrjanak, kimeneteket vizualizáljanak és dokumentálják az elemzést egyetlen felületen.
Példa: Az adatkutatók Jupyter Notebookokat használnak gépi tanulási modellek prototÃpusainak elkészÃtésére és eredményeik megosztására.
K-Legközelebbi Szomszédok (KNN) (K-Nearest Neighbours (KNN))
K-Nearest Neighbours (KNN)
Egy egyszerű, nem-parametrikus gépi tanulási algoritmus, amelyet osztályozásra és regresszióra használnak. Döntéseket hoz a legközelebbi képzési példák alapján a jellemzőtérben.
Példa: Egy új gyümölcs alma vagy körtekénti osztályozásához a KNN ellenÅ‘rzi, hogy mely cÃmkézett gyümölcsök vannak a legközelebb alakban és szÃnben.
Tudásgráf (Knowledge Graph)
Knowledge Graph
Egy adatszerkezet, amely csomópontokat és éleket használ az entitások és kapcsolataik összekapcsolt leÃrásainak reprezentálására és tárolására.
Példa: A Google tudás paneljét egy tudásgráf táplálja, amely összekapcsolja az olyan entitásokat, mint az emberek, helyek és események.
Nyelvi Tanulási Modell Optimalizálás (LLMO) (Language Learning Model Optimisation (LLMO))
Language Learning Model Optimisation (LLMO)
Olyan technikák, amelyeket a nagy nyelvi modellek teljesÃtményének, hatékonyságának vagy adaptálhatóságának javÃtására használnak specifikus feladatokhoz vagy domainokhoz.
Példa: Kvantálás és utasÃtás-hangolás használata egy LLM optimalizálásához vállalati használatra.
Nagy Nyelvi Modell (LLM) (Large Language Model (LLM))
Large Language Model (LLM)
Az MI azon tÃpusú mélytanulási modellje, amelyet hatalmas mennyiségű szöveges adaton képeztek, és képes emberi nyelven generálni, megérteni és érvelni.
Példa: A ChatGPT és a Claude olyan LLM-ek, amelyeket Ãrásban, kódolásban és kérdések megválaszolásában való segÃtségnyújtásra képeztek.
Látens Tér (Latent Space)
Latent Space
Egy magas dimenziós absztrakt reprezentáció, ahol a hasonló bemenetek közel vannak egymáshoz csoportosÃtva, generatÃv modellekben és beágyazásokban használják.
Példa: Képgenerálásban a látens tér manipulálása olyan jellemzőket változtathat meg, mint a fényerő vagy az érzelem.
Tanulási Sebesség (Learning Rate)
Learning Rate
A képzés egyik kulcsfontosságú hiperparamétere, amely szabályozza, hogy a modell súlyait mennyire módosÃtják a veszteség gradienséhez képest.
Példa: Egy magas tanulási sebesség túlléphet a minimumokon, mÃg a túl alacsony sebesség lelassÃthatja a képzési folyamatot.
Gépi Tanulás (ML) (Machine Learning (ML))
Machine Learning (ML)
Az MI azon ága, amely lehetÅ‘vé teszi a rendszerek számára, hogy adatokból tanuljanak és explicit programozás nélkül javÃtsák a teljesÃtményt.
Példa: A spam szűrők gépi tanulást használnak az e-mailek spamként vagy nem spamként való osztályozására korábbi példák alapján.
Modellcsúszás (Model Drift)
Model Drift
Az a jelenség, amikor egy modell pontossága idővel csökken az adatok vagy a környezet változásai miatt.
Példa: Egy csalásérzékelő modell pontossága csökken, ahogy a csalási taktikák fejlődnek.
Modell Képzés (Model Training)
Model Training
Az adatok gépi tanulási modellbe való bevitelének és paramétereinek beállÃtásának folyamata a hiba minimalizálása érdekében.
Példa: Ajánlórendszer képzése ügyfélvásárlási előzmények alapján új termékek javaslatához.
Multimodális MI (Multimodal AI)
Multimodal AI
Olyan MI rendszerek, amelyek képesek több adattÃpus, például szöveg, képek, hang és videó feldolgozására és integrálására.
Példa: Olyan modellek, mint a GPT-4 Vision, amelyek képesek szöveget olvasni és képeket értelmezni egyszerre.
Természetes Nyelvi Feldolgozás (NLP) (Natural Language Processing (NLP))
Natural Language Processing (NLP)
Az MI azon alága, amely a számÃtógépek és az emberi (természetes) nyelvek közötti interakcióra összpontosÃt. LehetÅ‘vé teszi a gépek számára, hogy emberi nyelven olvassanak, értsenek és válaszoljanak.
Példa: Az NLP-t hangasszisztensekben, nyelvi fordÃtó alkalmazásokban és chatbotokban használják.
Neurális Hálózat (Neural Network)
Neural Network
Egy gépi tanulási modell, amelyet az emberi agy szerkezete ihletett, és amely összekapcsolt csomópontok (neuronok) rétegeiből áll.
Példa: A neurális hálózatok állnak a kép- és hangfelismerésben használt mélytanulási modellek mögött.
Zaj (Noise)
Noise
Véletlenszerű vagy irreleváns információ az adatokban, amely elfedheti az értelmes mintázatokat és negatÃvan befolyásolhatja a modell teljesÃtményét.
Példa: Szenzorhibák vagy gépelt szöveggel teli adatbejegyzések zajnak tekinthetők.
Ontológia (Ontology)
Ontology
Egy strukturált keretrendszer, amely egy domainen belüli fogalmakat és kapcsolataikat kategorizálja és definiálja, gyakran szemantikus MI rendszerekben használják.
Példa: Az egészségügyben egy ontológia meghatározhatja, hogyan kapcsolódnak a tünetek a betegségekhez és a kezelésekhez.
Túltanulás (Overfitting)
Overfitting
Egy olyan modellezési hiba, ahol egy gépi tanulási modell megragadja a képzési adatokban lévÅ‘ zajt, és rosszul teljesÃt az új adatokon.
Példa: Egy olyan modell, amely memorizálja a képzési válaszokat, de nem tud kezelni ismeretlen tesztadatokat, túltanult.
PrediktÃv Analitika (Predictive Analytics)
Predictive Analytics
Adatok, algoritmusok és MI használata a jövÅ‘beli kimenetelek valószÃnűségének azonosÃtására a történelmi adatok alapján.
Példa: KiskereskedÅ‘k prediktÃv analitikát használnak bizonyos termékek iránti kereslet elÅ‘rejelzésére.
Előzetes Képzés (Pre-training)
Pre-training
A modell kezdeti képzésének folyamata egy nagy, általános adatkészleten, mielőtt finomhangolnák specifikus feladatokra.
Példa: A GPT modelleket nagy korpuszokon képzik elő, mielőtt ügyfélszolgálati chatbotokhoz testreszabnák őket.
Prompt Mérnökség (Prompt Engineering)
Prompt Engineering
Az effektÃv felszólÃtások készÃtésének művészete és tudománya a nagy nyelvi modellek kimenetének irányÃtására.
Példa: RendszerutasÃtások hozzáadása, mint például 'Válaszolj udvarias oktatóként', a prompt mérnökség példája.
Kvantálás (Quantisation)
Quantisation
Egy modell tömörÃtési technika, amely csökkenti a súlyok és aktiválások reprezentálásához használt bitek számát, javÃtva a hatékonyságot.
Példa: Egy modell 32 bitesrÅ‘l 8 bitesre kvantálása javÃtja a teljesÃtményt mobil eszközökön.
KvantumszámÃtástechnika (Quantum Computing)
Quantum Computing
A kvantummechanikán alapuló számÃtástechnika új paradigmája, amely exponenciális feldolgozási képességek potenciálját hordozza.
Példa: A kvantumszámÃtástechnika egy napon felgyorsÃthatja az MI képzést a klasszikus határokon túl.
Érvelési Motor (Reasoning Engine)
Reasoning Engine
Egy rendszer az MI-ben, amely logikai következtetéseket von le tények vagy adatok halmazából szabályok vagy következtetési algoritmusok használatával.
Példa: Egy MI diagnosztikai eszköz egy érvelési motort használ a lehetséges orvosi állapotok következtetésére tünetek alapján.
MegerÅ‘sÃtéses Tanulás (RL) (Reinforcement Learning (RL))
Reinforcement Learning (RL)
A gépi tanulás azon területe, ahol az ügynökök jutalmak maximalizálása érdekében tanulnak a környezetükkel való interakció révén.
Példa: Egy robot, amely RL technikák használatával tanul meg járni próbálkozás és hiba útján.
MegerÅ‘sÃtéses Tanulás Emberi Visszajelzéssel (RLHF) (Reinforcement Learning with Human Feedback (RLHF))
Reinforcement Learning with Human Feedback (RLHF)
Egy tanulási módszer, ahol az emberi preferenciák irányÃtják az MI jutalmazási jelét, gyakran nyelvi modellek finomhangolásában használják.
Példa: A ChatGPT-t RLHF-fel képezték, hogy hasznosabb és biztonságosabb válaszokat generáljon.
Lekérés-Augmentált Generálás (RAG) (Retrieval-Augmented Generation (RAG))
Retrieval-Augmented Generation (RAG)
Egy módszer, amely kombinálja az információkeresést a generálással, ahol egy LLM releváns dokumentumokat keres a válaszának javÃtása érdekében.
Példa: Egy MI asszisztens termékspecifikációkat keres és idéz, miközben választ generál egy technikai kérdésre.
Önszupervizált Tanulás (Self-Supervised Learning)
Self-Supervised Learning
Egy képzési megközelÃtés, ahol a modell a saját cÃmkéit generálja a nyers adatokból, csökkentve az emberileg annotált adatoktól való függÅ‘séget.
Példa: A BERT önszupervizált tanulással képzett, hiányzó szavakat jósolva meg a szövegben.
Szeantikus Keresés (Semantic Search)
Semantic Search
Egy keresési technika, amely megérti a felhasználó szándékát és a kontextuális jelentést, nem csak a kulcsszavak egyezését.
Példa: A 'hogyan javÃtsunk ki egy csöpögÅ‘ csapot' keresés olyan útmutatókat ad vissza, még akkor is, ha a 'csöpögÅ‘ csap' kifejezés nem szerepel a dokumentumban.
Hangulatelemzés (Sentiment Analysis)
Sentiment Analysis
Az érzelmek, vélemények vagy attitűdök azonosÃtásának folyamata a szövegben, gyakran pozitÃvként, negatÃvként vagy semlegesként osztályozva.
Példa: Tweetek elemzése a közvélemény reakciójának felmérésére egy új termékkel kapcsolatban.
Sztochasztikus (Stochastic)
Stochastic
Véletlenszerűséget vagy valószÃnűségi viselkedést foglal magában, gyakran generatÃv MI-ben és optimalizálási algoritmusokban használják.
Példa: A GPT-4 kimenete azonos bemenet esetén eltérő, mivel sztochasztikus dekódolási folyamata van.
Erős MI (Strong AI)
Strong AI
Más néven Mesterséges Ãltalános Intelligencia (AGI), olyan gépekre utal, amelyek emberi szintű kognitÃv képességekkel rendelkeznek minden területen.
Példa: Egy jövÅ‘beli MI, amely képes önállóan regényeket Ãrni, városokat tervezni és etikai dilemmákat egyformán jól megoldani.
Szuper Mesterséges Intelligencia (SAI) (Super Artificial Intelligence (SAI))
Super Artificial Intelligence (SAI)
Egy elméleti MI, amely minden szempontból messze meghaladja az emberi intelligenciát – érvelés, kreativitás, érzelmi intelligencia stb.
Példa: Egy SAI elméletileg képes lenne új tudományokat és filozófiákat önállóan kifejleszteni.
Felügyelt Tanulás (Supervised Learning)
Supervised Learning
Egy gépi tanulási technika, ahol a modelleket cÃmkézett adatokon képezik az input-output leképezések megtanulására.
Példa: Egy modell tanÃtása e-mailek spamként vagy nem spamként való osztályozására történelmi példák felhasználásával.
Szintetikus Adatok (Synthetic Data)
Synthetic Data
Mesterségesen generált adatok, amelyek szimulálják a valós adatokat, gyakran képzési célokra használják, amikor a valós adatok hiányosak vagy érzékenyek.
Példa: Szintetikus orvosi képek létrehozása diagnosztikai modellek képzéséhez a beteg adatvédelmének megsértése nélkül.
Token (Token)
Token
Az LLM-ek által feldolgozott szöveg egysége – általában egy szó vagy szótag.
Példa: A 'Hello world!' mondat 3 tokenre oszlik: 'Hello', 'world', és '!'.
Tokenizálás (Tokenisation)
Tokenisation
A szöveg tokenekre bontásának folyamata egy modell általi feldolgozáshoz.
Példa: Az NLP-ben a 'ChatGPT nagyszerű' kifejezés ['Chat', 'G', 'PT', 'is', 'great'] lesz.
Ãtviteli Tanulás (Transfer Learning)
Transfer Learning
Egy feladatból származó ismeretek felhasználása egy másik kapcsolódó feladat tanulásának javÃtására, csökkentve a képzési idÅ‘t és az adatigényt.
Példa: Egy angol szövegen képzett modell finomhangolása hangulatelemzés végrehajtására egy másik nyelven.
Transzformer (Transformer)
Transformer
Egy neurális hálózat architektúra, amely figyelemmechanizmusokat használ a szekvenciális adatok modellezésére, széles körben használják az LLM-ekben.
Példa: A BERT, a GPT és a T5 mind transzformer alapú modellek.
Alultanulás (Underfitting)
Underfitting
Amikor egy modell túl egyszerű ahhoz, hogy megragadja a képzési adatokban lévÅ‘ mintázatokat, ami rossz teljesÃtményhez vezet.
Példa: Egy lineáris modell, amely komplex képosztályozásokat próbál prediktálni, alultanÃthat.
Felügyelet Nélküli Tanulás (Unsupervised Learning)
Unsupervised Learning
Egy tanulási megközelÃtés, ahol a modellek mintázatokat vagy klasztereket azonosÃtanak cÃmkézetlen adatokban.
Példa: Ãœgyfelek csoportosÃtása vásárlási viselkedés alapján elÅ‘re meghatározott cÃmkék nélkül.
Felhasználói Szándék (User Intent)
User Intent
A felhasználó lekérdezése vagy interakciója mögött álló cél vagy szándék.
Példa: Egy felhasználó, aki azt Ãrja: 'hogyan süssünk tortát', valószÃnűleg receptet keres.
Validációs Készlet (Validation Set)
Validation Set
Adatok egy részhalmaza, amelyet a modell teljesÃtményének értékelésére használnak a képzés során és a hiperparaméterek hangolására.
Példa: A túltanulás kimutatására használják a végső tesztelés előtt.
Vektorbázis (Vector Database)
Vector Database
Egy adatbázis, amelyet vektoros beágyazások tárolására és keresésére terveztek, amelyeket olyan MI feladatokban használnak, mint a hasonlósági keresés és a RAG.
Példa: A Pinecone és a Weaviate vektorbázisok szöveges vagy képi beágyazások tárolására.
Vektor Beágyazás (Vector Embedding)
Vector Embedding
Adatok numerikus reprezentációja, amely megőrzi a szemantikai jelentést és a kapcsolatokat egy vektortérben.
Példa: A 'király' és a 'királynő' szavak hasonló beágyazásokkal rendelkeznek, finom nemi különbségekkel.
Virtuális Asszisztens (Virtual Assistant)
Virtual Assistant
Egy MI-alapú szoftverügynök, amely segÃt a felhasználóknak feladatokat végrehajtani beszélgetés vagy hangutasÃtások révén.
Példa: A Siri, az Alexa és a Google Assistant népszerű virtuális asszisztensek.
Hangfelismerés (Voice Recognition)
Voice Recognition
Technológia, amely értelmezi és átalakÃtja a beszélt nyelvet szöveggé vagy cselekvésé.
Példa: A hanggépelés és a hangutasÃtások hangfelismerÅ‘ rendszerekre támaszkodnak.
Gyenge MI (Weak AI)
Weak AI
Olyan MI rendszerek, amelyeket egy szűk, specifikus feladat elvégzésére terveztek, általános intelligencia nélkül.
Példa: Egy sakkjátszó MI, amely nem tud nyelvet érteni vagy autót vezetni, a gyenge MI példája.
Web Scraping (Web Scraping)
Web Scraping
Információk automatizált kinyerése webhelyekről, gyakran képzési adatok gyűjtésére vagy tartalom figyelésére használják.
Példa: Ingatlanhirdetések web scraping-je egy ingatlanértékelő modell képzéséhez.
Súly (Weight)
Weight
Egy paraméter a neurális hálózatokban, amely meghatározza az egyik csomópont másikra gyakorolt hatásának erősségét.
Példa: A súlyok a képzés során állÃtódnak be a modell hibájának minimalizálása érdekében.
Suttogás (Whisper)
Whisper
Az OpenAI által kifejlesztett beszédfelismerő modell, amely képes hanganyagot transzkribálni több nyelven.
Példa: A Whisper nagy pontossággal képes előadásokat és podcastokat transzkribálni.
YAML (YAML)
YAML
Ember által olvasható formátum az adatszerializáláshoz, amelyet gyakran használnak konfigurációs fájlokhoz a gépi tanulási munkafolyamatokban.
Példa: Modellparaméterek definiálása egy YAML fájlban a PyTorch-ban történő képzéshez.
Nulla-mintás Tanulás (Zero-shot Learning)
Zero-shot Learning
Az a képesség, hogy egy modell olyan feladatokat végezzen, amelyeken soha nem képezték ki kifejezetten, általános ismeretek felhasználásával.
Példa: Egy modell jogi kérdésekre válaszol, annak ellenére, hogy nem képezték ki kifejezetten jogi adatokon.
Zettabájt (Zettabyte)
Zettabyte
Digitális adat egysége, amely egy szextillió (10^21) bájtnak felel meg, gyakran az internetes adatok méretének leÃrására használják.
Példa: A globális internetes forgalom meghaladta az évi 1 zettabájtot 2016-ra.
