Otani AI Logo AICI Logo
ទំព័រដើម អត្ថប្រយោជន៍ AI របាយការណ៍ឥតគិតថ្លៃ តម្លៃ ព័ត៌មាន AI សំណួរគេសួរញឹកញាប់ ទំនាក់ទំនង ពាក្យបច្ចេកទេស

AI Jargon Buster

បកស្រាយពាក្យបច្ចេកទេសបញ្ញាសិប្បនិម្មិតជាមួយនឹងវចនានុក្រមដ៏ទូលំទូលាយរបស់យើង។ ពីការរៀនម៉ាស៊ីនរហូតដល់បណ្តាញសរសៃប្រសាទ យើងបំបែកគំនិត AI ស្មុគស្មាញទៅជាពាក្យសាមញ្ញ។

ការតម្រឹម (Alignment)

Alignment
ដំណើរការនៃការធានាថាគោលបំណង លទ្ធផល និងអាកប្បកិរិយារបស់ប្រព័ន្ធ AI ស្របតាមគោលដៅ និងតម្លៃរបស់មនុស្ស។ នេះមានសារៈសំខាន់ជាពិសេសនៅក្នុងប្រព័ន្ធកម្រិតខ្ពស់ដែលអាចបង្កើតអាកប្បកិរិយាដែលមិនមានបំណងច្បាស់លាស់។
ឧទាហរណ៍៖ ការធានាថា chatbot សម្រាប់ការគាំទ្រសុខភាពផ្លូវចិត្តមិនដែលណែនាំសកម្មភាពដែលបង្កគ្រោះថ្នាក់ដោយមិនគិតពីការណែនាំឡើយ។

ចំណុចប្រទាក់កម្មវិធីកម្មវិធី (API) (Application Programming Interface (API))

Application Programming Interface (API)
សំណុំនៃច្បាប់ និងពិធីការដែលបានកំណត់ដែលអនុញ្ញាតឱ្យប្រព័ន្ធកម្មវិធីផ្សេងៗគ្នាទំនាក់ទំនង និងផ្លាស់ប្តូរទិន្នន័យ។
ឧទាហរណ៍៖ ការប្រើប្រាស់ OpenAI API ដើម្បីផ្ញើការណែនាំ និងទទួលការឆ្លើយតបដែលបង្កើតដោយគំរូភាសានៅក្នុងកម្មវិធីគេហទំព័ររបស់អ្នក។

បញ្ញាសិប្បនិម្មិតទូទៅ (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
ទម្រង់ទ្រឹស្តីនៃ AI ដែលអាចអនុវត្តកិច្ចការបញ្ញាណាមួយដែលមនុស្សអាចធ្វើបាន។ វាធ្វើឱ្យការរៀនសូត្រទូទៅនៅទូទាំងដែន។
ឧទាហរណ៍៖ ប្រព័ន្ធ AGI អាចរៀនតែងតន្ត្រី អនុវត្តការវះកាត់ និងប្រឡងទស្សនវិជ្ជាដោយគ្មានកម្មវិធីជាក់លាក់សម្រាប់កិច្ចការ។

បញ្ញាសិប្បនិម្មិត (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
ការក្លែងធ្វើបញ្ញារបស់មនុស្សនៅក្នុងម៉ាស៊ីនដែលត្រូវបានកម្មវិធីឱ្យគិត វែកញែក និងធ្វើសកម្មភាពដោយស្វ័យប្រវត្តិ។
ឧទាហរណ៍៖ AI ផ្តល់ថាមពលដល់ជំនួយការផ្ទាល់ខ្លួនដូចជា Siri និងប្រព័ន្ធបើកបរដោយស្វ័យប្រវត្តិដូចជា Tesla Autopilot។

ក្រមសីលធម៌ AI (AI Ethics)

AI Ethics
វិន័យដែលទាក់ទងនឹងផលប៉ះពាល់ខាងសីលធម៌នៃការអភិវឌ្ឍន៍ និងការប្រើប្រាស់ AI រួមទាំងយុត្តិធម៌ ឯកជនភាព គណនេយ្យភាព និងការមិនរើសអើង។
ឧទាហរណ៍៖ ការបង្កើតគោលការណ៍ណែនាំដើម្បីការពារក្បួនដោះស្រាយការជួលពីការរើសអើងដោយផ្អែកលើភេទ ឬជនជាតិ។

បញ្ញាពង្រីក (Augmented Intelligence)

Augmented Intelligence
គំរូសហការដែល AI បំពេញបន្ថែម និងបង្កើនបញ្ញារបស់មនុស្សជាជាងការជំនួសវា។
ឧទាហរណ៍៖ ឧបករណ៍វិទ្យុសកម្មដែលដំណើរការដោយ AI ដែលគូសបញ្ជាក់ពីភាពមិនប្រក្រតីសម្រាប់វេជ្ជបណ្ឌិត ដែលធ្វើការវិនិច្ឆ័យចុងក្រោយ។

ភ្នាក់ងារស្វយ័ត (Autonomous Agent)

Autonomous Agent
ប្រព័ន្ធ AI ដែលមានសមត្ថភាពធ្វើការសម្រេចចិត្តដោយខ្លួនឯង និងធ្វើសកម្មភាពដើម្បីសម្រេចគោលដៅរបស់ខ្លួនដោយគ្មានការអន្តរាគមន៍ពីមនុស្ស។
ឧទាហរណ៍៖ រ៉ូបូតដឹកជញ្ជូនដែលបើកបរដោយខ្លួនឯងរុករកផ្លូវក្នុងទីក្រុង និងជៀសវាងឧបសគ្គដោយឯករាជ្យ។

Backpropagation (Backpropagation)

Backpropagation
បច្ចេកទេសសម្រាប់បណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទដោយធ្វើបច្ចុប្បន្នភាពទម្ងន់បញ្ច្រាសពីលទ្ធផលទៅស្រទាប់បញ្ចូល កាត់បន្ថយកំហុសការព្យាករណ៍។
ឧទាហរណ៍៖ ប្រើក្នុងការបណ្តុះបណ្តាលឧបករណ៍ចាត់ថ្នាក់រូបភាពដើម្បីកាត់បន្ថយអត្រាកំហុសក្នុងការសម្គាល់លេខសរសេរដោយដៃ។

ភាពលំអៀង (Algorithmic Bias) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
ការពេញចិត្តដោយអចេតនា និងជាប្រព័ន្ធនៅក្នុងលទ្ធផល AI ដោយសារតែទិន្នន័យបណ្តុះបណ្តាលមិនមានតុល្យភាព ឬមិនតំណាង។
ឧទាហរណ៍៖ ប្រព័ន្ធសម្គាល់មុខដែលសម្គាល់មនុស្សស្បែកខ្មៅខុសញឹកញាប់ជាងដោយសារតែការតំណាងមិនគ្រប់គ្រាន់នៅក្នុងទិន្នន័យបណ្តុះបណ្តាល។

ទិន្នន័យធំ (Big Data)

Big Data
សំណុំទិន្នន័យធំខ្លាំងដែលទាមទារឧបករណ៍ពិសេសដើម្បីរក្សាទុក វិភាគ និងទាញយកតម្លៃ ដែលជារឿយៗត្រូវបានប្រើដើម្បីបណ្តុះបណ្តាលគំរូ AI។
ឧទាហរណ៍៖ ការប្រើប្រាស់អន្តរកម្មអ្នកប្រើប្រាស់រាប់លានដើម្បីបណ្តុះបណ្តាលម៉ាស៊ីនណែនាំសម្រាប់វេទិកាពាណិជ្ជកម្មអេឡិចត្រូនិក។

គំរូប្រអប់ខ្មៅ (Black Box Model)

Black Box Model
ប្រភេទនៃគំរូ AI ឬការរៀនម៉ាស៊ីនដែលតក្កវិជ្ជាខាងក្នុងរបស់វាមិនងាយស្រួលបកស្រាយដោយមនុស្ស ដែលធ្វើឱ្យវាពិបាកក្នុងការយល់ពីរបៀបដែលការសម្រេចចិត្តត្រូវបានធ្វើឡើង។
ឧទាហរណ៍៖ បណ្តាញសរសៃប្រសាទជ្រៅដែលប្រើដើម្បីអនុម័តប្រាក់កម្ចី ប៉ុន្តែមិនផ្តល់ការពន្យល់ច្បាស់លាស់ថាហេតុអ្វីបានជាអ្នកដាក់ពាក្យម្នាក់ត្រូវបានទទួលយក ហើយម្នាក់ទៀតត្រូវបានបដិសេធ។

ការគណនាការយល់ដឹង (Cognitive Computing)

Cognitive Computing
ប្រព័ន្ធ AI ដែលត្រូវបានរចនាឡើងដើម្បីក្លែងធ្វើដំណើរការគិតរបស់មនុស្ស ដូចជាការវែកញែក និងការរៀនសូត្រ ដោយប្រើបច្ចេកទេសដូចជា NLP និងការសម្គាល់លំនាំ។
ឧទាហរណ៍៖ ប្រព័ន្ធគណនាការយល់ដឹងដែលជួយអ្នកជំនាញផ្នែកច្បាប់វិភាគច្បាប់ករណី និងព្យាករណ៍លទ្ធផល។

ចក្ខុវិស័យកុំព្យូទ័រ (Computer Vision)

Computer Vision
វិស័យនៃបញ្ញាសិប្បនិម្មិតដែលអនុញ្ញាតឱ្យកុំព្យូទ័របកស្រាយ និងដំណើរការទិន្នន័យដែលមើលឃើញដូចជារូបភាព និងវីដេអូ។
ឧទាហរណ៍៖ ប្រព័ន្ធសម្គាល់មុខដែលកំណត់អត្តសញ្ញាណមនុស្សនៅក្នុងវីដេអូសុវត្ថិភាពដោយប្រើចក្ខុវិស័យកុំព្យូទ័រ។

Corpus (Corpus)

Corpus
ការប្រមូលផ្ដុំដ៏ធំនៃអត្ថបទដែលបានសរសេរ ឬនិយាយដែលប្រើដើម្បីបណ្តុះបណ្តាលគំរូភាសា។
ឧទាហរណ៍៖ សំណុំទិន្នន័យ Common Crawl គឺជា corpus គេហទំព័រសាធារណៈដែលប្រើដើម្បីបណ្តុះបណ្តាលគំរូភាសាធំៗដូចជា GPT។

ការផ្លាស់ប្តូរទិន្នន័យ (Data Drift)

Data Drift
បាតុភូតដែលទិន្នន័យបញ្ចូលផ្លាស់ប្តូរតាមពេលវេលា ដែលបណ្តាលឱ្យដំណើរការគំរូថយចុះ។
ឧទាហរណ៍៖ គំរូថែទាំព្យាករណ៍សម្រាប់ឧបករណ៍ឧស្សាហកម្មក្លាយជាមិនសូវត្រឹមត្រូវនៅពេលដែលបច្ចេកវិទ្យាឧបករណ៍ចាប់សញ្ញាថ្មីត្រូវបានណែនាំ។

ការដាក់ស្លាកទិន្នន័យ (Data Labelling)

Data Labelling
ដំណើរការនៃការដាក់ចំណារពន្យល់ទិន្នន័យជាមួយនឹងស្លាក ឬស្លាកដើម្បីធ្វើឱ្យវាសមរម្យសម្រាប់ការរៀនសូត្រដែលមានការត្រួតពិនិត្យ។
ឧទាហរណ៍៖ ការដាក់ស្លាករូបភាពដុំសាច់រាប់ពាន់ថាជាស្លូត ឬសាហាវដើម្បីបណ្តុះបណ្តាលគំរូរកឃើញមហារីក។

ការជីកយករ៉ែទិន្នន័យ (Data Mining)

Data Mining
ដំណើរការនៃការស្វែងរកលំនាំ សមាមាត្រ និងភាពមិនប្រក្រតីដែលមានអត្ថន័យនៅក្នុងសំណុំទិន្នន័យធំ។
ឧទាហរណ៍៖ អ្នកលក់រាយប្រើការជីកយករ៉ែទិន្នន័យដើម្បីកំណត់ថាអ្នកដែលទិញកន្ទបជារឿយៗទិញស្រាបៀរផងដែរ។

ការរៀនជ្រៅ (Deep Learning)

Deep Learning
ផ្នែករងនៃការរៀនម៉ាស៊ីនដែលប្រើបណ្តាញសរសៃប្រសាទច្រើនស្រទាប់ដើម្បីបង្កើតលំនាំស្មុគស្មាញនៅក្នុងទិន្នន័យ។
ឧទាហរណ៍៖ ការរៀនជ្រៅត្រូវបានប្រើនៅក្នុងគំរូភាសាដូចជា GPT-4 និងគំរូបង្កើតរូបភាពដូចជា Stable Diffusion។

គំរូ Diffusion (Diffusion Models)

Diffusion Models
ប្រភេទនៃគំរូបង្កើតដែលរៀនបង្កើតទិន្នន័យដោយបំប្លែងសំឡេងរំខានចៃដន្យបន្តិចម្តងៗទៅជាលទ្ធផលដែលមានរចនាសម្ព័ន្ធ។
ឧទាហរណ៍៖ Stable Diffusion បង្កើតរូបភាព photorealistic ពីការណែនាំអត្ថបទដោយប្រើបច្ចេកទេស diffusion។

ការបង្កប់ (Embedding)

Embedding
ការតំណាងវ៉ិចទ័រលេខនៃទិន្នន័យ ដែលជារឿយៗត្រូវបានប្រើដើម្បីចាប់យកអត្ថន័យន័យធៀបនៃពាក្យ រូបភាព ឬប្រយោគ។
ឧទាហរណ៍៖ នៅក្នុង NLP ពាក្យ 'bank' អាចមានការបង្កប់ស្រដៀងគ្នាទៅនឹង 'money' ប៉ុន្តែខុសពី 'riverbank' អាស្រ័យលើបរិបទ។

Epoch (Epoch)

Epoch
ការធ្វើម្តងទៀតពេញលេញលើសំណុំទិន្នន័យបណ្តុះបណ្តាលទាំងមូលក្នុងអំឡុងពេលដំណើរការបណ្តុះបណ្តាលនៃគំរូរៀនម៉ាស៊ីន។
ឧទាហរណ៍៖ ប្រសិនបើសំណុំទិន្នន័យមានឧទាហរណ៍ 1,000 ហើយគំរូឃើញពួកវាទាំងអស់ម្តងក្នុងអំឡុងពេលបណ្តុះបណ្តាល នោះគឺជា epoch មួយ។

AI ប្រកបដោយក្រមសីលធម៌ (Ethical AI)

Ethical AI
ទស្សនវិជ្ជាការរចនា និងការដាក់ពង្រាយដែលធានាថាបច្ចេកវិទ្យា AI ដំណើរការដោយតម្លាភាព ស្មើភាព និងស្របតាមតម្លៃសង្គម។
ឧទាហរណ៍៖ ឧបករណ៍ជួល AI ដែលរួមបញ្ចូលការត្រួតពិនិត្យភាពលំអៀងដើម្បីការពារការរើសអើងប្រឆាំងនឹងបេក្ខជនជនជាតិភាគតិច។

ប្រព័ន្ធអ្នកជំនាញ (Expert System)

Expert System
ប្រព័ន្ធ AI ដែលធ្វើត្រាប់តាមសមត្ថភាពធ្វើការសម្រេចចិត្តរបស់អ្នកជំនាញមនុស្សនៅក្នុងដែនជាក់លាក់មួយដោយប្រើច្បាប់ និងតក្កវិជ្ជា។
ឧទាហរណ៍៖ ប្រព័ន្ធអ្នកជំនាញដែលប្រើក្នុងវិស័យកសិកម្មដើម្បីណែនាំការព្យាបាលដំណាំដោយផ្អែកលើទិន្នន័យដី និងប្រវត្តិសត្វល្អិត។

AI ដែលអាចពន្យល់បាន (XAI) (Explainable AI (XAI))

Explainable AI (XAI)
ប្រព័ន្ធ AI ដែលត្រូវបានរចនាឡើងដើម្បីធ្វើឱ្យដំណើរការ និងការសម្រេចចិត្តខាងក្នុងរបស់ពួកគេអាចយល់បានចំពោះមនុស្ស បង្កើនទំនុកចិត្ត និងគណនេយ្យភាព។
ឧទាហរណ៍៖ AI វិនិច្ឆ័យវេជ្ជសាស្ត្រដែលមិនត្រឹមតែផ្តល់អនុសាសន៍ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងពន្យល់ពីអ្វីដែលរោគសញ្ញាបាននាំឱ្យមានការសន្និដ្ឋាននោះ។

ការរៀនសូត្រតិចតួច (Few-shot Learning)

Few-shot Learning
វិធីសាស្ត្ររៀនម៉ាស៊ីនដែលគំរូត្រូវបានបណ្តុះបណ្តាល ឬកែសម្រួលដោយប្រើឧទាហរណ៍ដែលបានដាក់ស្លាកតិចតួចប៉ុណ្ណោះ។
ឧទាហរណ៍៖ ការប្ដូរ LLM តាមបំណងដើម្បីសរសេរអ៊ីមែលផ្លូវច្បាប់បន្ទាប់ពីបង្ហាញវាត្រឹមតែ 10 ឧទាហរណ៍ប៉ុណ្ណោះ។

ការកែសម្រួល (Fine-tuning)

Fine-tuning
ដំណើរការនៃការយកគំរូដែលបានបណ្តុះបណ្តាលជាមុន ហើយបណ្តុះបណ្តាលវាបន្ថែមទៀតលើសំណុំទិន្នន័យថ្មី តូចជាងដើម្បីឯកទេសវាសម្រាប់កិច្ចការជាក់លាក់មួយ។
ឧទាហរណ៍៖ ការកែសម្រួល LLM ទូទៅដូចជា GPT លើឯកសារផ្លូវច្បាប់ផ្ទៃក្នុងដើម្បីបង្កើតជំនួយការព្រាងច្បាប់។

គំរូគ្រឹះ (Foundation Model)

Foundation Model
គំរូខ្នាតធំដែលបានបណ្តុះបណ្តាលលើទិន្នន័យចម្រុះ និងទូលំទូលាយដែលអាចត្រូវបានកែសម្រួលទៅកិច្ចការជាច្រើន។
ឧទាហរណ៍៖ GPT-4 និង PaLM 2 គឺជាគំរូគ្រឹះដែលមានសមត្ថភាពសង្ខេប សំណួរ & ចម្លើយ ការបកប្រែ និងច្រើនទៀត។

តក្កវិជ្ជា Fuzzy (Fuzzy Logic)

Fuzzy Logic
ទម្រង់នៃតក្កវិជ្ជាដែលទាក់ទងនឹងតម្លៃប្រហាក់ប្រហែលជំនួសឱ្យតក្កវិជ្ជាពិត/មិនពិត (binary) ដែលមានប្រយោជន៍សម្រាប់ការវែកញែកក្រោមភាពមិនប្រាកដប្រជា។
ឧទាហរណ៍៖ ប្រើក្នុងប្រព័ន្ធគ្រប់គ្រងអាកាសធាតុដើម្បីកែតម្រូវសីតុណ្ហភាពដោយផ្អែកលើការបញ្ចូល fuzzy ដូចជា 'ក្តៅបន្តិច' ឬ 'ត្រជាក់ខ្លាំង'។

បណ្តាញប្រឆាំងបង្កើត (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
ស្ថាបត្យកម្មគំរូបង្កើតដែលបណ្តាញពីរ — ម៉ាស៊ីនបង្កើត និងម៉ាស៊ីនបែងចែក — ប្រកួតប្រជែងដើម្បីកែលម្អគុណភាពលទ្ធផល។
ឧទាហរណ៍៖ GANs ត្រូវបានប្រើដើម្បីបង្កើតវីដេអូ deepfake ឬបង្កើតរូបថតផលិតផលជាក់ស្តែងពីគំនូរព្រាង។

AI បង្កើត (Generative AI)

Generative AI
ប្រភេទនៃបញ្ញាសិប្បនិម្មិតដែលអាចបង្កើតមាតិកាថ្មី — ដូចជាអត្ថបទ រូបភាព តន្ត្រី ឬវីដេអូ — ពីទិន្នន័យបណ្តុះបណ្តាល។
ឧទាហរណ៍៖ ChatGPT បង្កើតអត្ថបទប្លក់ ឬ Midjourney បង្កើតស្នាដៃសិល្បៈឌីជីថលពីការណែនាំអត្ថបទ។

Transformer ដែលបានបណ្តុះបណ្តាលជាមុន (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
ប្រភេទនៃគំរូភាសាធំដែលត្រូវបានបង្កើតឡើងដោយ OpenAI ដែលប្រើស្ថាបត្យកម្ម transformer និងត្រូវបានបណ្តុះបណ្តាលជាមុនលើទិន្នន័យអត្ថបទដ៏ច្រើនដើម្បីអនុវត្តកិច្ចការភាសាជាច្រើន។
ឧទាហរណ៍៖ GPT-4 មានសមត្ថភាពសរសេរអត្ថបទ បកប្រែភាសា និងសង្ខេបឯកសារដោយមានការណែនាំតិចតួចបំផុត។

ក្បួនដោះស្រាយហ្សែន (Genetic Algorithm)

Genetic Algorithm
បច្ចេកទេសបង្កើនប្រសិទ្ធភាពដែលបំផុសគំនិតដោយការជ្រើសរើសធម្មជាតិដែលដំណោះស្រាយវិវត្តតាមពេលវេលាដោយការផ្លាស់ប្តូរ ការឆ្លងកាត់ និងការជ្រើសរើស។
ឧទាហរណ៍៖ ប្រើដើម្បីរចនាស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទប្រកបដោយប្រសិទ្ធភាពដោយការក្លែងធ្វើការរស់រានមានជីវិតរបស់អ្នកដែលសមបំផុត។

ការយល់ច្រឡំ (Hallucination)

Hallucination
ការបង្កើតមាតិកាដែលស្តាប់ទៅសមហេតុផល ប៉ុន្តែមិនត្រឹមត្រូវតាមការពិត ឬគ្មានន័យដោយគំរូ AI។
ឧទាហរណ៍៖ គំរូភាសាបង្កើតឯកសារយោងដែលមិនមាន ឬផ្តល់ការពិតប្រវត្តិសាស្ត្រមិនពិត។

Heuristic (Heuristic)

Heuristic
វិធីសាស្រ្តជាក់ស្តែងក្នុងការដោះស្រាយបញ្ហាដែលមិនធានានូវដំណោះស្រាយដ៏ល្អឥតខ្ចោះ ប៉ុន្តែគ្រប់គ្រាន់សម្រាប់គោលដៅភ្លាមៗ។
ឧទាហរណ៍៖ ការប្រើប្រាស់ច្បាប់មេដៃដើម្បីប៉ាន់ប្រមាណពេលវេលាដឹកជញ្ជូននៅក្នុងប្រព័ន្ធ AI ភស្តុភារ។

Hyperparameter (Hyperparameter)

Hyperparameter
តម្លៃកំណត់រចនាសម្ព័ន្ធដែលបានកំណត់មុនពេលបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន ដូចជាអត្រារៀន ឬចំនួនស្រទាប់។
ឧទាហរណ៍៖ ការកែតម្រូវទំហំ batch ពី 32 ទៅ 128 ដើម្បីបង្កើនល្បឿនបណ្តុះបណ្តាល និងដំណើរការគំរូ។

ការសន្និដ្ឋាន (Inference)

Inference
ដំណើរការនៃការប្រើប្រាស់គំរូរៀនម៉ាស៊ីនដែលបានបណ្តុះបណ្តាលដើម្បីធ្វើការព្យាករណ៍ ឬបង្កើតលទ្ធផលពីទិន្នន័យបញ្ចូលថ្មី។
ឧទាហរណ៍៖ ការប្រើប្រាស់គំរូ GPT ដែលបានកែសម្រួលដើម្បីព្រាងអ៊ីមែលសម្រាប់ក្រុមគាំទ្រអតិថិជន។

ការរកឃើញចេតនា (Intent Detection)

Intent Detection
កិច្ចការមួយនៅក្នុងការយល់ដឹងភាសាធម្មជាតិដែលប្រព័ន្ធកំណត់គោលដៅ ឬគោលបំណងរបស់អ្នកប្រើប្រាស់នៅក្នុងសារមួយ។
ឧទាហរណ៍៖ នៅក្នុង chatbot ការសម្គាល់ 'ខ្ញុំចង់កក់ជើងហោះហើរ' ជាចេតនាកក់ការធ្វើដំណើរ។

អ៊ីនធឺណិតនៃវត្ថុ (IoT) (Internet of Things (IoT))

Internet of Things (IoT)
បណ្តាញឧបករណ៍រូបវន្តដែលភ្ជាប់គ្នាទៅវិញទៅមកដែលបានបង្កប់ជាមួយឧបករណ៍ចាប់សញ្ញា កម្មវិធី និងបច្ចេកវិទ្យាផ្សេងទៀតដើម្បីប្រមូល និងផ្លាស់ប្តូរទិន្នន័យ។
ឧទាហរណ៍៖ ទែម៉ូស្ដាតឆ្លាតវៃ និងទូទឹកកកដែលរាយការណ៍ទិន្នន័យប្រើប្រាស់ និងកែតម្រូវការកំណត់ដោយប្រើការវិភាគ AI។

ភាពអាចបកស្រាយបាន (Interpretability)

Interpretability
កម្រិតដែលមនុស្សអាចយល់ពីយន្តការខាងក្នុងនៃគំរូរៀនម៉ាស៊ីន និងដំណើរការធ្វើការសម្រេចចិត្តរបស់វា។
ឧទាហរណ៍៖ ដើមឈើសម្រេចចិត្តអាចបកស្រាយបានច្រើនជាងបណ្តាញសរសៃប្រសាទជ្រៅព្រោះការសម្រេចចិត្តរបស់វាអាចតាមដានបាន។

Jupyter Notebook (Jupyter Notebook)

Jupyter Notebook
បរិយាកាសគណនាអន្តរកម្មប្រភពបើកចំហដែលអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់សរសេរកូដ មើលឃើញលទ្ធផល និងឯកសារវិភាគនៅក្នុងចំណុចប្រទាក់តែមួយ។
ឧទាហរណ៍៖ អ្នកវិទ្យាសាស្ត្រទិន្នន័យប្រើ Jupyter Notebooks ដើម្បីបង្កើតគំរូរៀនម៉ាស៊ីន និងចែករំលែកលទ្ធផល។

K-Nearest Neighbours (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនសាមញ្ញ មិនមែនប៉ារ៉ាម៉ែត្រដែលប្រើសម្រាប់ការចាត់ថ្នាក់ និងការតំរែតំរង់។ វាធ្វើការសម្រេចចិត្តដោយផ្អែកលើឧទាហរណ៍បណ្តុះបណ្តាលដែលនៅជិតបំផុតនៅក្នុងលំហលក្ខណៈ។
ឧទាហរណ៍៖ ដើម្បីចាត់ថ្នាក់ផ្លែឈើថ្មីជាផ្លែប៉ោម ឬផ្លែពែរ KNN ពិនិត្យមើលផ្លែឈើដែលបានដាក់ស្លាកណាដែលនៅជិតបំផុតក្នុងរូបរាង និងពណ៌។

ក្រាហ្វចំណេះដឹង (Knowledge Graph)

Knowledge Graph
រចនាសម្ព័ន្ធទិន្នន័យដែលប្រើថ្នាំង និងគែមដើម្បីតំណាង និងរក្សាទុកការពិពណ៌នាដែលភ្ជាប់គ្នាទៅវិញទៅមកនៃអង្គភាព និងទំនាក់ទំនងរបស់ពួកគេ។
ឧទាហរណ៍៖ ផ្ទាំងចំណេះដឹងរបស់ Google ត្រូវបានដំណើរការដោយក្រាហ្វចំណេះដឹងដែលភ្ជាប់អង្គភាពដូចជាមនុស្ស ទីកន្លែង និងព្រឹត្តិការណ៍។

ការបង្កើនប្រសិទ្ធភាពគំរូរៀនភាសា (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
បច្ចេកទេសដែលប្រើដើម្បីកែលម្អដំណើរការ ប្រសិទ្ធភាព ឬភាពបត់បែននៃគំរូភាសាធំសម្រាប់កិច្ចការ ឬដែនជាក់លាក់។
ឧទាហរណ៍៖ ការប្រើប្រាស់ quantisation និងការកែតម្រូវការណែនាំដើម្បីបង្កើនប្រសិទ្ធភាព LLM សម្រាប់ការប្រើប្រាស់សហគ្រាស។

គំរូភាសាធំ (LLM) (Large Language Model (LLM))

Large Language Model (LLM)
ប្រភេទនៃគំរូរៀនជ្រៅដែលបានបណ្តុះបណ្តាលលើទិន្នន័យអត្ថបទដ៏ច្រើនដែលមានសមត្ថភាពបង្កើត យល់ និងវែកញែកជាមួយភាសាមនុស្ស។
ឧទាហរណ៍៖ ChatGPT និង Claude គឺជា LLM ដែលបានបណ្តុះបណ្តាលដើម្បីជួយក្នុងការសរសេរ កូដ និងឆ្លើយសំណួរ។

លំហលាក់ (Latent Space)

Latent Space
ការតំណាងអរូបីដែលមានវិមាត្រខ្ពស់ដែលការបញ្ចូលស្រដៀងគ្នាត្រូវបានដាក់ជាក្រុមនៅជិតគ្នា ដែលប្រើក្នុងគំរូបង្កើត និងការបង្កប់។
ឧទាហរណ៍៖ ក្នុងការបង្កើតរូបភាព ការរៀបចំលំហលាក់អាចផ្លាស់ប្តូរលក្ខណៈពិសេសដូចជាពន្លឺ ឬអារម្មណ៍។

អត្រារៀន (Learning Rate)

Learning Rate
hyperparameter សំខាន់ក្នុងការបណ្តុះបណ្តាលដែលគ្រប់គ្រងថាតើទម្ងន់គំរូត្រូវបានកែតម្រូវប៉ុន្មានទាក់ទងនឹងជម្រាលការបាត់បង់។
ឧទាហរណ៍៖ អត្រារៀនខ្ពស់អាចនាំឱ្យមានការបាញ់លើស minima ខណៈពេលដែលអត្រាទាបពេកធ្វើឱ្យដំណើរការបណ្តុះបណ្តាលយឺត។

ការរៀនម៉ាស៊ីន (ML) (Machine Learning (ML))

Machine Learning (ML)
សាខានៃ AI ដែលអនុញ្ញាតឱ្យប្រព័ន្ធរៀនពីទិន្នន័យ និងកែលម្អដំណើរការដោយមិនចាំបាច់ត្រូវបានកម្មវិធីច្បាស់លាស់។
ឧទាហរណ៍៖ តម្រងសារឥតបានការប្រើការរៀនម៉ាស៊ីនដើម្បីចាត់ថ្នាក់អ៊ីមែលថាជាសារឥតបានការ ឬមិនមែនដោយផ្អែកលើឧទាហរណ៍កន្លងមក។

ការផ្លាស់ប្តូរគំរូ (Model Drift)

Model Drift
បាតុភូតដែលភាពត្រឹមត្រូវនៃគំរូថយចុះតាមពេលវេលាដោយសារតែការផ្លាស់ប្តូរទិន្នន័យ ឬបរិស្ថាន។
ឧទាហរណ៍៖ គំរូរាវរកការក្លែងបន្លំក្លាយជាមិនសូវត្រឹមត្រូវនៅពេលដែលយុទ្ធសាស្ត្រក្លែងបន្លំវិវត្ត។

ការបណ្តុះបណ្តាលគំរូ (Model Training)

Model Training
ដំណើរការនៃការបញ្ចូលទិន្នន័យទៅក្នុងគំរូរៀនម៉ាស៊ីន និងការកែតម្រូវប៉ារ៉ាម៉ែត្ររបស់វាដើម្បីកាត់បន្ថយកំហុស។
ឧទាហរណ៍៖ ការបណ្តុះបណ្តាលម៉ាស៊ីនណែនាំលើប្រវត្តិការទិញរបស់អតិថិជនដើម្បីណែនាំផលិតផលថ្មី។

AI ពហុម៉ូឌែល (Multimodal AI)

Multimodal AI
ប្រព័ន្ធ AI ដែលមានសមត្ថភាពដំណើរការ និងបញ្ចូលទិន្នន័យច្រើនប្រភេទដូចជាអត្ថបទ រូបភាព សំឡេង និងវីដេអូ។
ឧទាហរណ៍៖ គំរូដូចជា GPT-4 Vision ដែលអាចអានអត្ថបទ និងបកស្រាយរូបភាពក្នុងពេលតែមួយ។

ដំណើរការភាសាធម្មជាតិ (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)
ផ្នែករងនៃ AI ដែលផ្តោតលើអន្តរកម្មរវាងកុំព្យូទ័រ និងភាសាមនុស្ស (ធម្មជាតិ)។ វាអនុញ្ញាតឱ្យម៉ាស៊ីនអាន យល់ និងឆ្លើយតបជាភាសាមនុស្ស។
ឧទាហរណ៍៖ NLP ត្រូវបានប្រើនៅក្នុងជំនួយការសំឡេង កម្មវិធីបកប្រែភាសា និង chatbots។

បណ្តាញសរសៃប្រសាទ (Neural Network)

Neural Network
គំរូរៀនម៉ាស៊ីនដែលបំផុសគំនិតដោយរចនាសម្ព័ន្ធខួរក្បាលរបស់មនុស្ស ដែលផ្សំឡើងពីស្រទាប់នៃថ្នាំងដែលភ្ជាប់គ្នា (ណឺរ៉ូន)។
ឧទាហរណ៍៖ បណ្តាញសរសៃប្រសាទស្ថិតនៅពីក្រោយគំរូរៀនជ្រៅដែលប្រើក្នុងការសម្គាល់រូបភាព និងការនិយាយ។

សំឡេងរំខាន (Noise)

Noise
ព័ត៌មានចៃដន្យ ឬមិនពាក់ព័ន្ធនៅក្នុងទិន្នន័យដែលអាចបិទបាំងលំនាំដែលមានអត្ថន័យ និងប៉ះពាល់អវិជ្ជមានដល់ដំណើរការគំរូ។
ឧទាហរណ៍៖ កំហុសឧបករណ៍ចាប់សញ្ញា ឬធាតុទិន្នន័យដែលពោរពេញដោយកំហុសអាចត្រូវបានចាត់ទុកថាជាសំឡេងរំខាន។

Ontology (Ontology)

Ontology
ក្របខ័ណ្ឌដែលមានរចនាសម្ព័ន្ធដែលចាត់ថ្នាក់ និងកំណត់ទំនាក់ទំនងរវាងគំនិតនៅក្នុងដែនមួយ ដែលជារឿយៗត្រូវបានប្រើនៅក្នុងប្រព័ន្ធ AI ន័យធៀប។
ឧទាហរណ៍៖ ontology នៅក្នុងការថែទាំសុខភាពអាចកំណត់ពីរបៀបដែលរោគសញ្ញាទាក់ទងនឹងជំងឺ និងការព្យាបាល។

Overfitting (Overfitting)

Overfitting
កំហុសក្នុងការបង្កើតគំរូដែលគំរូរៀនម៉ាស៊ីនចាប់យកសំឡេងរំខាននៅក្នុងទិន្នន័យបណ្តុះបណ្តាល និងដំណើរការមិនល្អលើទិន្នន័យថ្មី។
ឧទាហរណ៍៖ គំរូដែលទន្ទេញចម្លើយបណ្តុះបណ្តាល ប៉ុន្តែមិនអាចដោះស្រាយទិន្នន័យសាកល្បងដែលមិនធ្លាប់ឃើញត្រូវបាន overfitted។

ការវិភាគព្យាករណ៍ (Predictive Analytics)

Predictive Analytics
ការប្រើប្រាស់ទិន្នន័យ ក្បួនដោះស្រាយ និង AI ដើម្បីកំណត់លទ្ធភាពនៃលទ្ធផលនាពេលអនាគតដោយផ្អែកលើទិន្នន័យប្រវត្តិសាស្ត្រ។
ឧទាហរណ៍៖ អ្នកលក់រាយប្រើការវិភាគព្យាករណ៍ដើម្បីព្យាករណ៍តម្រូវការសម្រាប់ផលិតផលជាក់លាក់។

ការបណ្តុះបណ្តាលជាមុន (Pre-training)

Pre-training
ដំណើរការនៃការបណ្តុះបណ្តាលគំរូដំបូងលើសំណុំទិន្នន័យទូទៅធំមួយ មុនពេលកែសម្រួលវាសម្រាប់កិច្ចការជាក់លាក់។
ឧទាហរណ៍៖ គំរូ GPT ត្រូវបានបណ្តុះបណ្តាលជាមុនលើ corpora ធំៗ មុនពេលត្រូវបានប្ដូរតាមបំណងសម្រាប់ chatbots សេវាកម្មអតិថិជន។

វិស្វកម្មការណែនាំ (Prompt Engineering)

Prompt Engineering
សិល្បៈ និងវិទ្យាសាស្ត្រនៃការបង្កើតការណែនាំប្រកបដោយប្រសិទ្ធភាពដើម្បីដឹកនាំលទ្ធផលនៃគំរូភាសាធំ។
ឧទាហរណ៍៖ ការបន្ថែមការណែនាំប្រព័ន្ធដូចជា 'ឆ្លើយតបជាគ្រូបង្រៀនដែលមានសុជីវធម៌' គឺជាឧទាហរណ៍នៃវិស្វកម្មការណែនាំ។

Quantisation (Quantisation)

Quantisation
បច្ចេកទេសបង្ហាប់គំរូដែលកាត់បន្ថយចំនួនប៊ីតដែលប្រើដើម្បីតំណាងទម្ងន់ និងការធ្វើឱ្យសកម្ម បង្កើនប្រសិទ្ធភាព។
ឧទាហរណ៍៖ ការ quantising គំរូពី 32-bit ទៅ 8-bit ធ្វើឱ្យប្រសើរឡើងនូវដំណើរការលើឧបករណ៍ចល័ត។

ការគណនាកង់ទុំ (Quantum Computing)

Quantum Computing
គំរូថ្មីនៃការគណនាដោយផ្អែកលើមេកានិចកង់ទុំ ដែលមានសក្តានុពលសម្រាប់សមត្ថភាពដំណើរការអិចស្ប៉ូណង់ស្យែល។
ឧទាហរណ៍៖ ការគណនាកង់ទុំអាចបង្កើនល្បឿនការបណ្តុះបណ្តាល AI លើសពីដែនកំណត់បុរាណ។

ម៉ាស៊ីនវែកញែក (Reasoning Engine)

Reasoning Engine
ប្រព័ន្ធនៅក្នុង AI ដែលទាញយកការសន្និដ្ឋានឡូជីខលពីសំណុំនៃការពិត ឬទិន្នន័យដោយប្រើច្បាប់ ឬក្បួនដោះស្រាយការសន្និដ្ឋាន។
ឧទាហរណ៍៖ ឧបករណ៍វិនិច្ឆ័យ AI ប្រើម៉ាស៊ីនវែកញែកដើម្បីទាញយកលក្ខខណ្ឌវេជ្ជសាស្ត្រដែលអាចកើតមានដោយផ្អែកលើរោគសញ្ញា។

ការរៀនពង្រឹង (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
ផ្នែកមួយនៃការរៀនម៉ាស៊ីនដែលភ្នាក់ងាររៀនដោយអន្តរកម្មជាមួយបរិស្ថានរបស់ពួកគេដើម្បីបង្កើនរង្វាន់បង្គរ។
ឧទាហរណ៍៖ រ៉ូបូតរៀនដើរដោយការសាកល្បង និងកំហុសដោយប្រើបច្ចេកទេស RL។

ការរៀនពង្រឹងជាមួយនឹងមតិកែលម្អរបស់មនុស្ស (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
វិធីសាស្ត្ររៀនដែលចំណូលចិត្តរបស់មនុស្សណែនាំសញ្ញារង្វាន់របស់ AI ដែលជារឿយៗត្រូវបានប្រើក្នុងការកែសម្រួលគំរូភាសា។
ឧទាហរណ៍៖ ChatGPT ត្រូវបានបណ្តុះបណ្តាលជាមួយ RLHF ដើម្បីបង្កើតការឆ្លើយតបដែលមានប្រយោជន៍ និងសុវត្ថិភាពជាងមុន។

ការបង្កើតដែលបានពង្រីកដោយការទាញយក (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
វិធីសាស្ត្ររួមបញ្ចូលគ្នានូវការទាញយកព័ត៌មានជាមួយនឹងការបង្កើត ដែល LLM ទាញយកឯកសារដែលពាក់ព័ន្ធដើម្បីកែលម្អការឆ្លើយតបរបស់វា។
ឧទាហរណ៍៖ ជំនួយការ AI ទាញយក និងដកស្រង់លក្ខណៈបច្ចេកទេសផលិតផលខណៈពេលដែលបង្កើតចម្លើយចំពោះសំណួរបច្ចេកទេស។

ការរៀនសូត្រដោយខ្លួនឯង (Self-Supervised Learning)

Self-Supervised Learning
វិធីសាស្រ្តបណ្តុះបណ្តាលដែលគំរូរៀនលំនាំដោយបង្កើតស្លាកផ្ទាល់ខ្លួនពីទិន្នន័យឆៅ កាត់បន្ថយការពឹងផ្អែកលើទិន្នន័យដែលបានដាក់ចំណារពន្យល់ដោយមនុស្ស។
ឧទាហរណ៍៖ BERT ត្រូវបានបណ្តុះបណ្តាលជាមួយនឹងការរៀនសូត្រដោយខ្លួនឯងដោយការទស្សន៍ទាយពាក្យដែលបាត់នៅក្នុងអត្ថបទ។

ការស្វែងរកន័យធៀប (Semantic Search)

Semantic Search
បច្ចេកទេសស្វែងរកដែលយល់ពីចេតនារបស់អ្នកប្រើប្រាស់ និងអត្ថន័យបរិបទ មិនមែនត្រឹមតែការផ្គូផ្គងពាក្យគន្លឹះប៉ុណ្ណោះទេ។
ឧទាហរណ៍៖ ការស្វែងរក 'របៀបជួសជុលក្បាលម៉ាស៊ីនទឹកដែលលេចធ្លាយ' ផ្តល់លទ្ធផលការណែនាំ ទោះបីជាពាក្យ 'ក្បាលម៉ាស៊ីនទឹកដែលលេចធ្លាយ' មិនមាននៅក្នុងឯកសារក៏ដោយ។

ការវិភាគអារម្មណ៍ (Sentiment Analysis)

Sentiment Analysis
ដំណើរការនៃការកំណត់អត្តសញ្ញាណអារម្មណ៍ មតិ ឬអាកប្បកិរិយានៅក្នុងអត្ថបទ ដែលជារឿយៗចាត់ថ្នាក់ជាវិជ្ជមាន អវិជ្ជមាន ឬអព្យាក្រឹត។
ឧទាហរណ៍៖ ការវិភាគ tweets ដើម្បីវាស់ស្ទង់ប្រតិកម្មសាធារណៈចំពោះផលិតផលថ្មី។

Stochastic (Stochastic)

Stochastic
ពាក់ព័ន្ធនឹងភាពចៃដន្យ ឬអាកប្បកិរិយាប្រូបាប៊ីលីតេ ដែលជារឿយៗត្រូវបានប្រើនៅក្នុង AI បង្កើត និងក្បួនដោះស្រាយបង្កើនប្រសិទ្ធភាព។
ឧទាហរណ៍៖ លទ្ធផលនៃ GPT-4 ប្រែប្រួលសម្រាប់ការបញ្ចូលដូចគ្នាដោយសារតែដំណើរការឌិកូដ stochastic របស់វា។

AI ខ្លាំង (Strong AI)

Strong AI
ត្រូវបានគេស្គាល់ផងដែរថាជាបញ្ញាសិប្បនិម្មិតទូទៅ (AGI) សំដៅលើម៉ាស៊ីនដែលមានសមត្ថភាពយល់ដឹងកម្រិតមនុស្សនៅទូទាំងដែនទាំងអស់។
ឧទាហរណ៍៖ AI នាពេលអនាគតដែលអាចសរសេរប្រលោមលោកដោយស្វ័យប្រវត្តិ រៀបចំផែនការទីក្រុង និងដោះស្រាយបញ្ហាប្រឈមខាងសីលធម៌បានល្អស្មើគ្នា។

បញ្ញាសិប្បនិម្មិតខ្ពស់ (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
AI ទ្រឹស្តីដែលលើសពីបញ្ញារបស់មនុស្សក្នុងគ្រប់ទិដ្ឋភាពទាំងអស់—ការវែកញែក ភាពច្នៃប្រឌិត បញ្ញាអារម្មណ៍។ល។
ឧទាហរណ៍៖ SAI អាចបង្កើតវិទ្យាសាស្ត្រ និងទស្សនវិជ្ជាថ្មីៗដោយឯករាជ្យ។

ការរៀនសូត្រដែលមានការត្រួតពិនិត្យ (Supervised Learning)

Supervised Learning
បច្ចេកទេសរៀនម៉ាស៊ីនដែលគំរូត្រូវបានបណ្តុះបណ្តាលលើទិន្នន័យដែលបានដាក់ស្លាកដើម្បីរៀនការគូសផែនទីបញ្ចូល-លទ្ធផល។
ឧទាហរណ៍៖ ការបង្រៀនគំរូដើម្បីចាត់ថ្នាក់អ៊ីមែលថាជាសារឥតបានការ ឬមិនមែនដោយប្រើឧទាហរណ៍ប្រវត្តិសាស្ត្រ។

ទិន្នន័យសំយោគ (Synthetic Data)

Synthetic Data
ទិន្នន័យដែលបានបង្កើតដោយសិប្បនិម្មិតដែលក្លែងធ្វើទិន្នន័យពិភពពិត ដែលជារឿយៗត្រូវបានប្រើសម្រាប់ការបណ្តុះបណ្តាលនៅពេលដែលទិន្នន័យពិតមានតិចតួច ឬរសើប។
ឧទាហរណ៍៖ ការបង្កើតរូបភាពវេជ្ជសាស្ត្រសំយោគដើម្បីបណ្តុះបណ្តាលគំរូវិនិច្ឆ័យដោយមិនបំពានឯកជនភាពអ្នកជំងឺ។

Token (Token)

Token
ឯកតានៃអត្ថបទដែលដំណើរការដោយ LLM—ជាធម្មតាជាពាក្យ ឬផ្នែកពាក្យ។
ឧទាហរណ៍៖ ប្រយោគ 'Hello world!' ត្រូវបានបំបែកជា 3 tokens: 'Hello', 'world', និង '!'។

Tokenisation (Tokenisation)

Tokenisation
ដំណើរការនៃការបំបែកអត្ថបទទៅជា tokens សម្រាប់ការដំណើរការដោយគំរូ។
ឧទាហរណ៍៖ នៅក្នុង NLP 'ChatGPT is great' ក្លាយជា ['Chat', 'G', 'PT', 'is', 'great']។

ការរៀនផ្ទេរ (Transfer Learning)

Transfer Learning
ការប្រើប្រាស់ចំណេះដឹងពីកិច្ចការមួយដើម្បីបង្កើនការរៀនសូត្រលើកិច្ចការដែលពាក់ព័ន្ធមួយទៀត កាត់បន្ថយពេលវេលាបណ្តុះបណ្តាល និងតម្រូវការទិន្នន័យ។
ឧទាហរណ៍៖ ការកែសម្រួលគំរូដែលបានបណ្តុះបណ្តាលលើអត្ថបទភាសាអង់គ្លេសដើម្បីអនុវត្តការវិភាគអារម្មណ៍ជាភាសាផ្សេង។

Transformer (Transformer)

Transformer
ស្ថាបត្យកម្មបណ្តាញសរសៃប្រសាទដែលប្រើយន្តការយកចិត្តទុកដាក់ដើម្បីបង្កើតទិន្នន័យតាមលំដាប់លំដោយ ដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុង LLM។
ឧទាហរណ៍៖ BERT, GPT, និង T5 គឺជាគំរូដែលផ្អែកលើ transformer ទាំងអស់។

Underfitting (Underfitting)

Underfitting
នៅពេលដែលគំរូសាមញ្ញពេកក្នុងការចាប់យកលំនាំនៅក្នុងទិន្នន័យបណ្តុះបណ្តាល ដែលបណ្តាលឱ្យដំណើរការមិនល្អ។
ឧទាហរណ៍៖ គំរូលីនេអ៊ែរដែលព្យាយាមទស្សន៍ទាយការចាត់ថ្នាក់រូបភាពស្មុគស្មាញអាច underfit។

ការរៀនសូត្រដែលមិនមានការត្រួតពិនិត្យ (Unsupervised Learning)

Unsupervised Learning
វិធីសាស្រ្តរៀនដែលគំរូកំណត់អត្តសញ្ញាណលំនាំ ឬក្រុមនៅក្នុងទិន្នន័យដែលមិនបានដាក់ស្លាក។
ឧទាហរណ៍៖ ការដាក់ជាក្រុមអតិថិជនដោយផ្អែកលើអាកប្បកិរិយាទិញដោយគ្មានស្លាកដែលបានកំណត់ជាមុន។

ចេតនារបស់អ្នកប្រើប្រាស់ (User Intent)

User Intent
គោលដៅ ឬគោលបំណងនៅពីក្រោយសំណួរ ឬអន្តរកម្មរបស់អ្នកប្រើប្រាស់។
ឧទាហរណ៍៖ អ្នកប្រើប្រាស់វាយ 'របៀបដុតនំខេក' ទំនងជាមានបំណងស្វែងរកមុខម្ហូប។

សំណុំផ្ទៀងផ្ទាត់ (Validation Set)

Validation Set
សំណុំរងនៃទិន្នន័យដែលប្រើដើម្បីវាយតម្លៃដំណើរការគំរូក្នុងអំឡុងពេលបណ្តុះបណ្តាល និងកែតម្រូវ hyperparameters។
ឧទាហរណ៍៖ ប្រើដើម្បីរកឃើញ overfitting មុនពេលធ្វើតេស្តចុងក្រោយ។

មូលដ្ឋានទិន្នន័យវ៉ិចទ័រ (Vector Database)

Vector Database
មូលដ្ឋានទិន្នន័យដែលត្រូវបានរចនាឡើងដើម្បីរក្សាទុក និងស្វែងរកការបង្កប់វ៉ិចទ័រដែលប្រើក្នុងកិច្ចការ AI ដូចជាការស្វែងរកភាពស្រដៀងគ្នា និង RAG។
ឧទាហរណ៍៖ Pinecone និង Weaviate គឺជាមូលដ្ឋានទិន្នន័យវ៉ិចទ័រសម្រាប់រក្សាទុកការបង្កប់អត្ថបទ ឬរូបភាព។

ការបង្កប់វ៉ិចទ័រ (Vector Embedding)

Vector Embedding
ការតំណាងលេខនៃទិន្នន័យដែលរក្សាអត្ថន័យន័យធៀប និងទំនាក់ទំនងនៅក្នុងលំហវ៉ិចទ័រ។
ឧទាហរណ៍៖ ពាក្យ 'king' និង 'queen' មានការបង្កប់ស្រដៀងគ្នាជាមួយនឹងភាពខុសគ្នានៃភេទបន្តិចបន្តួច។

ជំនួយការនិម្មិត (Virtual Assistant)

Virtual Assistant
ភ្នាក់ងារកម្មវិធីដែលដំណើរការដោយ AI ដែលជួយអ្នកប្រើប្រាស់បំពេញកិច្ចការតាមរយៈការសន្ទនា ឬពាក្យបញ្ជាសំឡេង។
ឧទាហរណ៍៖ Siri, Alexa, និង Google Assistant គឺជាជំនួយការនិម្មិតដ៏ពេញនិយម។

ការសម្គាល់សំឡេង (Voice Recognition)

Voice Recognition
បច្ចេកវិទ្យាដែលបកស្រាយ និងបំប្លែងភាសាដែលនិយាយទៅជាអត្ថបទ ឬសកម្មភាព។
ឧទាហរណ៍៖ ការវាយអក្សរដោយសំឡេង និងពាក្យបញ្ជាសំឡេងពឹងផ្អែកលើប្រព័ន្ធសម្គាល់សំឡេង។

AI ខ្សោយ (Weak AI)

Weak AI
ប្រព័ន្ធ AI ដែលត្រូវបានរចនាឡើងដើម្បីអនុវត្តកិច្ចការជាក់លាក់ តូចចង្អៀតដោយគ្មានបញ្ញាទូទៅ។
ឧទាហរណ៍៖ AI លេងអុកដែលមិនអាចយល់ភាសា ឬបើកបររថយន្តគឺជាឧទាហរណ៍នៃ AI ខ្សោយ។

Web Scraping (Web Scraping)

Web Scraping
ការទាញយកព័ត៌មានដោយស្វ័យប្រវត្តិពីគេហទំព័រ ដែលជារឿយៗត្រូវបានប្រើដើម្បីប្រមូលទិន្នន័យបណ្តុះបណ្តាល ឬត្រួតពិនិត្យមាតិកា។
ឧទាហរណ៍៖ ការ scraping បញ្ជីអចលនទ្រព្យដើម្បីបណ្តុះបណ្តាលគំរូវាយតម្លៃអចលនទ្រព្យ។

ទម្ងន់ (Weight)

Weight
ប៉ារ៉ាម៉ែត្រនៅក្នុងបណ្តាញសរសៃប្រសាទដែលកំណត់កម្លាំងនៃឥទ្ធិពលដែលថ្នាំងមួយមានលើថ្នាំងមួយទៀត។
ឧទាហរណ៍៖ ទម្ងន់កែតម្រូវក្នុងអំឡុងពេលបណ្តុះបណ្តាលដើម្បីកាត់បន្ថយកំហុសរបស់គំរូ។

Whisper (Whisper)

Whisper
គំរូសំឡេងទៅអត្ថបទដែលត្រូវបានបង្កើតឡើងដោយ OpenAI ដែលមានសមត្ថភាពបំប្លែងសំឡេងជាច្រើនភាសា។
ឧទាហរណ៍៖ Whisper អាចបំប្លែងការបង្រៀន និងផតខាសជាមួយនឹងភាពត្រឹមត្រូវខ្ពស់។

YAML (YAML)

YAML
ទម្រង់ដែលអាចអានបានដោយមនុស្សសម្រាប់ការធ្វើស៊េរីទិន្នន័យ ដែលត្រូវបានប្រើជាទូទៅសម្រាប់ឯកសារកំណត់រចនាសម្ព័ន្ធនៅក្នុងលំហូរការងាររៀនម៉ាស៊ីន។
ឧទាហរណ៍៖ ការកំណត់ប៉ារ៉ាម៉ែត្រគំរូនៅក្នុងឯកសារ YAML សម្រាប់ការបណ្តុះបណ្តាលនៅក្នុង PyTorch។

ការរៀនសូត្រ Zero-shot (Zero-shot Learning)

Zero-shot Learning
សមត្ថភាពរបស់គំរូក្នុងការអនុវត្តកិច្ចការដែលវាមិនធ្លាប់ត្រូវបានបណ្តុះបណ្តាលច្បាស់លាស់ដោយការប្រើប្រាស់ចំណេះដឹងទូទៅ។
ឧទាហរណ៍៖ គំរូឆ្លើយសំណួរផ្លូវច្បាប់ទោះបីជាមិនត្រូវបានបណ្តុះបណ្តាលជាពិសេសលើទិន្នន័យផ្លូវច្បាប់ក៏ដោយ។

Zettabyte (Zettabyte)

Zettabyte
ឯកតានៃទិន្នន័យឌីជីថលស្មើនឹងមួយ sextillion (10^21) bytes ដែលជារឿយៗត្រូវបានប្រើដើម្បីពិពណ៌នាអំពីទំហំនៃទិន្នន័យអ៊ីនធឺណិត។
ឧទាហរណ៍៖ ចរាចរណ៍អ៊ីនធឺណិតសកលបានលើសពី 1 zettabyte ក្នុងមួយឆ្នាំនៅឆ្នាំ 2016។