Otani AI ଲୋଗୋ AICI ଲୋଗୋ
ମୁଖ୍ୟ ପୃଷ୍ଠା AI ଲାଭ ମାଗଣା ରିପୋର୍ଟ ମୂଲ୍ୟ AI ଖବର FAQ ଯୋଗାଯୋଗ ଜାର୍ଗନ୍

AI ଜାର୍ଗନ୍ ବଷ୍ଟର୍

ଆମର ବ୍ୟାପକ ଶବ୍ଦକୋଷ ସହିତ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପରିଭାଷାକୁ ସରଳ କରନ୍ତୁ। ମେସିନ୍ ଲର୍ଣ୍ଣିଂରୁ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ପର୍ଯ୍ୟନ୍ତ, ଆମେ ଜଟିଳ AI ଧାରଣାଗୁଡ଼ିକୁ ସରଳ ଶବ୍ଦରେ ବ୍ୟାଖ୍ୟା କରୁଛୁ।

ସମନ୍ୱୟ (Alignment)

Alignment
ଏକ AI ସିଷ୍ଟମର ଉଦ୍ଦେଶ୍ୟ, ଆଉଟପୁଟ୍, ଏବଂ ଆଚରଣ ମାନବ ଲକ୍ଷ୍ୟ ଏବଂ ମୂଲ୍ୟ ସହିତ ସମନ୍ୱିତ ହେଉଛି ତାହା ନିଶ୍ଚିତ କରିବାର ପ୍ରକ୍ରିୟା। ଏହା ବିଶେଷ ଭାବରେ ଉନ୍ନତ ପ୍ରଣାଳୀରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଯାହା ସ୍ପଷ୍ଟ ଭାବରେ ଉଦ୍ଦିଷ୍ଟ ନଥିବା ଆଚରଣ ବିକଶିତ କରିପାରେ।
ଉଦାହରଣ: ମାନସିକ ସ୍ୱାସ୍ଥ୍ୟ ସହାୟତା ପାଇଁ ଏକ ଚାଟବଟ୍ ପ୍ରମ୍ପ୍ଟ ନିର୍ବିଶେଷରେ କ୍ଷତିକାରକ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ କେବେହେଲେ ସୁପାରିଶ କରେ ନାହିଁ ତାହା ନିଶ୍ଚିତ କରିବା।

ଆପ୍ଲିକେସନ୍ ପ୍ରୋଗ୍ରାମିଂ ଇଣ୍ଟରଫେସ୍ (API) (Application Programming Interface (API))

Application Programming Interface (API)
ନିର୍ଦ୍ଦିଷ୍ଟ ନିୟମ ଏବଂ ପ୍ରୋଟୋକଲ୍‌ର ଏକ ସେଟ୍ ଯାହା ବିଭିନ୍ନ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକୁ ଯୋଗାଯୋଗ କରିବା ଏବଂ ଡାଟା ବିନିମୟ କରିବାକୁ ଅନୁମତି ଦିଏ।
ଉଦାହରଣ: ଆପଣଙ୍କ ୱେବ୍ ଆପ୍‌ରେ ଏକ ପ୍ରମ୍ପ୍ଟ ପଠାଇବା ଏବଂ ଏକ ଭାଷା ମଡେଲ୍-ଜେନେରେଟେଡ୍ ପ୍ରତିକ୍ରିୟା ଗ୍ରହଣ କରିବା ପାଇଁ OpenAI API ବ୍ୟବହାର କରିବା।

କୃତ୍ରିମ ସାଧାରଣ ବୁଦ୍ଧିମତ୍ତା (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
AI ର ଏକ ସିଦ୍ଧାନ୍ତଗତ ରୂପ ଯାହା ମାନବ କରିପାରୁଥିବା କୌଣସି ବୌଦ୍ଧିକ କାର୍ଯ୍ୟ କରିପାରିବ। ଏହା ଡୋମେନ୍‌ଗୁଡ଼ିକରେ ଶିକ୍ଷାକୁ ସାଧାରଣୀକରଣ କରେ।
ଉଦାହରଣ: ଏକ AGI ସିଷ୍ଟମ୍ କାର୍ଯ୍ୟ-ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରୋଗ୍ରାମିଂ ବିନା ସଙ୍ଗୀତ ରଚନା ଶିଖିପାରିବ, ଅସ୍ତ୍ରୋପଚାର କରିପାରିବ, ଏବଂ ଏକ ଦର୍ଶନ ପରୀକ୍ଷାରେ ଉତ୍ତୀର୍ଣ୍ଣ ହୋଇପାରିବ।

କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
ମାନବ ବୁଦ୍ଧିମତ୍ତାର ଅନୁକରଣ ଯାହା ମେସିନ୍‌ଗୁଡ଼ିକରେ ଚିନ୍ତା କରିବା, ଯୁକ୍ତି କରିବା, ଏବଂ ସ୍ୱୟଂଶାସିତ ଭାବରେ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ପ୍ରୋଗ୍ରାମ୍ କରାଯାଇଛି।
ଉଦାହରଣ: AI ସିରି ଭଳି ବ୍ୟକ୍ତିଗତ ସହାୟକ ଏବଂ ଟେସଲା ଅଟୋପାଇଲଟ୍ ଭଳି ସ୍ୱୟଂଶାସିତ ଡ୍ରାଇଭିଂ ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକୁ ଶକ୍ତି ପ୍ରଦାନ କରେ।

AI ନୈତିକତା (AI Ethics)

AI Ethics
AI ବିକାଶ ଏବଂ ବ୍ୟବହାରର ନୈତିକ ପ୍ରଭାବ ସହିତ ଜଡିତ ଏକ ଅନୁଶାସନ, ଯେଉଁଥିରେ ନିରପେକ୍ଷତା, ଗୋପନୀୟତା, ଉତ୍ତରଦାୟିତ୍ୱ, ଏବଂ ଅଣ-ଭେଦଭାବ ଅନ୍ତର୍ଭୁକ୍ତ।
ଉଦାହରଣ: ଲିଙ୍ଗ କିମ୍ବା ଜାତି ଆଧାରରେ ଭେଦଭାବ କରିବାରୁ ନିଯୁକ୍ତି ଆଲଗୋରିଦମ୍‌ଗୁଡ଼ିକୁ ରୋକିବା ପାଇଁ ନିର୍ଦ୍ଦେଶାବଳୀ ସୃଷ୍ଟି କରିବା।

ବର୍ଦ୍ଧିତ ବୁଦ୍ଧିମତ୍ତା (Augmented Intelligence)

Augmented Intelligence
ଏକ ସହଯୋଗୀ ମଡେଲ୍ ଯେଉଁଠାରେ AI ମାନବ ବୁଦ୍ଧିମତ୍ତାକୁ ବଦଳାଇବା ପରିବର୍ତ୍ତେ ପୂରକ ଏବଂ ବୃଦ୍ଧି କରେ।
ଉଦାହରଣ: AI-ଶକ୍ତିପ୍ରାପ୍ତ ରେଡିଓଲୋଜି ଉପକରଣ ଯାହା ଡାକ୍ତରମାନଙ୍କ ପାଇଁ ଅସଙ୍ଗତିଗୁଡ଼ିକୁ ହାଇଲାଇଟ୍ କରେ, ଯେଉଁମାନେ ଅନ୍ତିମ ନିଦାନ କରନ୍ତି।

ସ୍ୱୟଂଶାସିତ ଏଜେଣ୍ଟ (Autonomous Agent)

Autonomous Agent
ଏକ AI ସିଷ୍ଟମ୍ ଯାହା ମାନବ ହସ୍ତକ୍ଷେପ ବିନା ନିଜର ଲକ୍ଷ୍ୟ ହାସଲ କରିବା ପାଇଁ ନିଜର ନିଷ୍ପତ୍ତି ନେବା ଏବଂ କାର୍ଯ୍ୟ କରିବାକୁ ସକ୍ଷମ।
ଉଦାହରଣ: ଏକ ସ୍ୱୟଂ-ଡ୍ରାଇଭିଂ ଡେଲିଭରୀ ରୋବଟ୍ ସହରର ରାସ୍ତାରେ ନେଭିଗେଟ୍ କରିବା ଏବଂ ସ୍ୱାଧୀନ ଭାବରେ ବାଧାବିଘ୍ନକୁ ଏଡ଼ାଇବା।

ବ୍ୟାକପ୍ରୋପାଗେସନ୍ (Backpropagation)

Backpropagation
ଆଉଟପୁଟ୍‌ରୁ ଇନପୁଟ୍ ସ୍ତରକୁ ଓଲଟା ଭାବରେ ଓଜନ ଅପଡେଟ୍ କରି ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କକୁ ତାଲିମ ଦେବା ପାଇଁ ଏକ କୌଶଳ, ଯାହା ପୂର୍ବାନୁମାନ ତ୍ରୁଟିକୁ କମ୍ କରେ।
ଉଦାହରଣ: ହାତଲେଖା ଅଙ୍କଗୁଡ଼ିକୁ ଚିହ୍ନିବାରେ ତ୍ରୁଟି ହାରକୁ କମ୍ କରିବା ପାଇଁ ଇମେଜ୍ କ୍ଲାସିଫାୟର୍‌ଗୁଡ଼ିକୁ ତାଲିମ ଦେବାରେ ବ୍ୟବହୃତ।

ପକ୍ଷପାତିତା (ଆଲଗୋରିଦମିକ୍ ପକ୍ଷପାତିତା) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
ଅସନ୍ତୁଳିତ କିମ୍ବା ଅଣ-ପ୍ରତିନିଧିତ୍ୱମୂଳକ ତାଲିମ ଡାଟା ହେତୁ AI ଫଳାଫଳରେ ଅନିଚ୍ଛାକୃତ ଏବଂ ବ୍ୟବସ୍ଥିତ ପକ୍ଷପାତିତା।
ଉଦାହରଣ: ଏକ ଫେସିଆଲ୍ ରେକଗ୍ନିସନ୍ ସିଷ୍ଟମ୍ ଯାହା ତାଲିମ ଡାଟାରେ ଅଳ୍ପ ପ୍ରତିନିଧିତ୍ୱ ହେତୁ ଅଧିକ ଥର ରଙ୍ଗୀନ ଲୋକଙ୍କୁ ଭୁଲ୍ ଭାବରେ ଚିହ୍ନଟ କରେ।

ବିଗ୍ ଡାଟା (Big Data)

Big Data
ଅତ୍ୟନ୍ତ ବୃହତ୍ ଡାଟାସେଟ୍ ଯାହାକୁ ସଂରକ୍ଷଣ, ବିଶ୍ଳେଷଣ, ଏବଂ ମୂଲ୍ୟ ବାହାର କରିବା ପାଇଁ ବିଶେଷ ଉପକରଣ ଆବଶ୍ୟକ, ପ୍ରାୟତଃ AI ମଡେଲ୍‌ଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ବ୍ୟବହୃତ।
ଉଦାହରଣ: ଇ-କମର୍ସ ପ୍ଲାଟଫର୍ମ ପାଇଁ ସୁପାରିଶ ଇଞ୍ଜିନ୍‌ଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ଲକ୍ଷ ଲକ୍ଷ ଉପଭୋକ୍ତା ପାରସ୍ପରିକ କ୍ରିୟା ବ୍ୟବହାର କରିବା।

ବ୍ଲାକ୍ ବକ୍ସ ମଡେଲ୍ (Black Box Model)

Black Box Model
AI କିମ୍ବା ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌ର ଏକ ପ୍ରକାର ଯାହାର ଆଭ୍ୟନ୍ତରୀଣ ତର୍କ ମାନବ ଦ୍ୱାରା ସହଜରେ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ ନୁହେଁ, ଯାହା ନିଷ୍ପତ୍ତି କିପରି ନିଆଯାଏ ତାହା ବୁଝିବା କଷ୍ଟକର କରିଥାଏ।
ଉଦାହରଣ: ଋଣ ଅନୁମୋଦନ କରିବା ପାଇଁ ବ୍ୟବହୃତ ଏକ ଡିପ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ କିନ୍ତୁ ଜଣେ ଆବେଦନକାରୀ କାହିଁକି ଗ୍ରହଣ କରାଗଲା ଏବଂ ଅନ୍ୟ ଜଣେ କାହିଁକି ପ୍ରତ୍ୟାଖ୍ୟାନ କରାଗଲା ତାହାର କୌଣସି ସ୍ପଷ୍ଟ ବ୍ୟାଖ୍ୟା ପ୍ରଦାନ କରେ ନାହିଁ।

କଗ୍ନିଟିଭ୍ କମ୍ପ୍ୟୁଟିଂ (Cognitive Computing)

Cognitive Computing
AI ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକ NLP ଏବଂ ପାଟର୍ନ ରେକଗ୍ନିସନ୍ ଭଳି କୌଶଳ ବ୍ୟବହାର କରି ଯୁକ୍ତି ଏବଂ ଶିକ୍ଷା ଭଳି ମାନବ ଚିନ୍ତା ପ୍ରକ୍ରିୟାକୁ ଅନୁକରଣ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି।
ଉଦାହରଣ: ଏକ କଗ୍ନିଟିଭ୍ କମ୍ପ୍ୟୁଟିଂ ସିଷ୍ଟମ୍ ଯାହା ଆଇନଗତ ବୃତ୍ତିଧାରୀମାନଙ୍କୁ କେସ୍ ଆଇନ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଫଳାଫଳ ପୂର୍ବାନୁମାନ କରିବାରେ ସାହାଯ୍ୟ କରେ।

କମ୍ପ୍ୟୁଟର ଭିଜନ୍ (Computer Vision)

Computer Vision
କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ଏକ କ୍ଷେତ୍ର ଯାହା କମ୍ପ୍ୟୁଟରଗୁଡ଼ିକୁ ଇମେଜ୍ ଏବଂ ଭିଡିଓ ଭଳି ଭିଜୁଆଲ୍ ଡାଟାକୁ ବ୍ୟାଖ୍ୟା କରିବା ଏବଂ ପ୍ରକ୍ରିୟାକରଣ କରିବାକୁ ସକ୍ଷମ କରେ।
ଉଦାହରଣ: କମ୍ପ୍ୟୁଟର ଭିଜନ୍ ବ୍ୟବହାର କରି ସୁରକ୍ଷା ଫୁଟେଜ୍‌ରେ ଲୋକଙ୍କୁ ଚିହ୍ନଟ କରୁଥିବା ଫେସିଆଲ୍ ରେକଗ୍ନିସନ୍ ସିଷ୍ଟମ୍।

କର୍ପସ୍ (Corpus)

Corpus
ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ବ୍ୟବହୃତ ଲିଖିତ କିମ୍ବା କଥିତ ପାଠ୍ୟର ଏକ ବୃହତ୍ ସଂଗ୍ରହ।
ଉଦାହରଣ: କମନ୍ କ୍ରଲ୍ ଡାଟାସେଟ୍ ହେଉଛି ଏକ ସାର୍ବଜନୀନ ୱେବ୍ କର୍ପସ୍ ଯାହା GPT ଭଳି ବୃହତ୍ ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ବ୍ୟବହୃତ।

ଡାଟା ଡ୍ରିଫ୍ଟ (Data Drift)

Data Drift
ସମୟ ସହିତ ଇନପୁଟ୍ ଡାଟା ପରିବର୍ତ୍ତନ ହେବା ଘଟଣା, ଯାହା ମଡେଲ୍ ପ୍ରଦର୍ଶନକୁ ହ୍ରାସ କରିଥାଏ।
ଉଦାହରଣ: ଶିଳ୍ପ ଉପକରଣ ପାଇଁ ଏକ ପୂର୍ବାନୁମାନକ ରକ୍ଷଣାବେକ୍ଷଣ ମଡେଲ୍ ନୂତନ ସେନ୍ସର ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ପ୍ରବର୍ତ୍ତନ ହେବା ସହିତ କମ୍ ସଠିକ୍ ହୁଏ।

ଡାଟା ଲେବଲିଂ (Data Labelling)

Data Labelling
ସୁପରଭାଇଜଡ୍ ଲର୍ଣ୍ଣିଂ ପାଇଁ ଉପଯୁକ୍ତ କରିବା ପାଇଁ ଟ୍ୟାଗ୍ କିମ୍ବା ଲେବଲ୍ ସହିତ ଡାଟାକୁ ଟିପ୍ପଣୀ କରିବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: କର୍କଟ ଚିହ୍ନଟ ମଡେଲ୍‌କୁ ତାଲିମ ଦେବା ପାଇଁ ହଜାର ହଜାର ଟ୍ୟୁମର୍ ଇମେଜ୍‌କୁ ସୌମ୍ୟ କିମ୍ବା ଦୁର୍ବଳ ଭାବରେ ଲେବଲ୍ କରିବା।

ଡାଟା ମାଇନିଂ (Data Mining)

Data Mining
ବୃହତ୍ ଡାଟାସେଟ୍‌ରେ ଅର୍ଥପୂର୍ଣ୍ଣ ପାଟର୍ନ, ସମ୍ବନ୍ଧ, ଏବଂ ଅସଙ୍ଗତିଗୁଡ଼ିକୁ ଆବିଷ୍କାର କରିବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: ଖୁଚୁରା ବ୍ୟବସାୟୀମାନେ ଡାଟା ମାଇନିଂ ବ୍ୟବହାର କରି ଚିହ୍ନଟ କରନ୍ତି ଯେ ଯେଉଁମାନେ ଡାଇପର୍ କିଣନ୍ତି ସେମାନେ ପ୍ରାୟତଃ ବିୟର ମଧ୍ୟ କିଣନ୍ତି।

ଡିପ୍ ଲର୍ଣ୍ଣିଂ (Deep Learning)

Deep Learning
ମେସିନ୍ ଲର୍ଣ୍ଣିଂର ଏକ ଉପକ୍ଷେତ୍ର ଯାହା ଡାଟାରେ ଜଟିଳ ପାଟର୍ନକୁ ମଡେଲ୍ କରିବା ପାଇଁ ବହୁ-ସ୍ତରୀୟ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ବ୍ୟବହାର କରେ।
ଉଦାହରଣ: ଡିପ୍ ଲର୍ଣ୍ଣିଂ GPT-4 ଭଳି ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକରେ ଏବଂ ଷ୍ଟେବଲ୍ ଡିଫ୍ୟୁଜନ୍ ଭଳି ଇମେଜ୍ ଜେନେରେସନ୍ ମଡେଲ୍‌ଗୁଡ଼ିକରେ ବ୍ୟବହୃତ ହୁଏ।

ଡିଫ୍ୟୁଜନ୍ ମଡେଲ୍ (Diffusion Models)

Diffusion Models
ଜେନେରେଟିଭ୍ ମଡେଲ୍‌ଗୁଡ଼ିକର ଏକ ଶ୍ରେଣୀ ଯାହା ଧୀରେ ଧୀରେ ରାଣ୍ଡମ୍ ନଏଜ୍‌କୁ ସଂରଚିତ ଆଉଟପୁଟ୍‌ରେ ପରିଣତ କରି ଡାଟା ଉତ୍ପାଦନ କରିବାକୁ ଶିଖେ।
ଉଦାହରଣ: ଷ୍ଟେବଲ୍ ଡିଫ୍ୟୁଜନ୍ ଡିଫ୍ୟୁଜନ୍ କୌଶଳ ବ୍ୟବହାର କରି ଟେକ୍ସଟ୍ ପ୍ରମ୍ପ୍ଟରୁ ଫଟୋରିଆଲିଷ୍ଟିକ୍ ଇମେଜ୍ ସୃଷ୍ଟି କରେ।

ଏମ୍ବେଡିଂ (Embedding)

Embedding
ଡାଟାର ଏକ ସଂଖ୍ୟାତ୍ମକ ଭେକ୍ଟର ପ୍ରତିନିଧିତ୍ୱ, ପ୍ରାୟତଃ ଶବ୍ଦ, ଇମେଜ୍, କିମ୍ବା ବାକ୍ୟର ଅର୍ଥପୂର୍ଣ୍ଣ ଅର୍ଥକୁ ଧରିବା ପାଇଁ ବ୍ୟବହୃତ।
ଉଦାହରଣ: NLP ରେ, 'ବ୍ୟାଙ୍କ' ଶବ୍ଦର 'ଟଙ୍କା' ସହିତ ସମାନ ଏମ୍ବେଡିଂ ଥାଇପାରେ କିନ୍ତୁ ପ୍ରସଙ୍ଗ ଉପରେ ନିର୍ଭର କରି 'ନଦୀକୂଳ' ଠାରୁ ଭିନ୍ନ ହୋଇପାରେ।

ଇପୋକ୍ (Epoch)

Epoch
ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌ର ତାଲିମ ପ୍ରକ୍ରିୟା ସମୟରେ ସମଗ୍ର ତାଲିମ ଡାଟାସେଟ୍ ଉପରେ ଏକ ସମ୍ପୂର୍ଣ୍ଣ ଇଟେରେସନ୍।
ଉଦାହରଣ: ଯଦି ଏକ ଡାଟାସେଟ୍‌ରେ 1,000 ଉଦାହରଣ ଅଛି ଏବଂ ଏକ ମଡେଲ୍ ତାଲିମ ସମୟରେ ସେଗୁଡ଼ିକୁ ଥରେ ଦେଖେ, ତାହା ହେଉଛି ଗୋଟିଏ ଇପୋକ୍।

ନୈତିକ AI (Ethical AI)

Ethical AI
ଏକ ଡିଜାଇନ୍ ଏବଂ ଡିପ୍ଲୋୟମେଣ୍ଟ୍ ଦର୍ଶନ ଯାହା AI ପ୍ରଯୁକ୍ତିବିଦ୍ୟାଗୁଡ଼ିକ ସ୍ୱଚ୍ଛ, ସମାନ, ଏବଂ ସାମାଜିକ ମୂଲ୍ୟବୋଧ ଅନୁଯାୟୀ କାର୍ଯ୍ୟ କରୁଛି ତାହା ନିଶ୍ଚିତ କରେ।
ଉଦାହରଣ: ଏକ AI ନିଯୁକ୍ତି ଉପକରଣ ଯାହା ସଂଖ୍ୟାଲଘୁ ପ୍ରାର୍ଥୀଙ୍କ ବିରୁଦ୍ଧରେ ଭେଦଭାବକୁ ରୋକିବା ପାଇଁ ପକ୍ଷପାତିତା ଯାଞ୍ଚ ଅନ୍ତର୍ଭୁକ୍ତ କରେ।

ବିଶେଷଜ୍ଞ ପ୍ରଣାଳୀ (Expert System)

Expert System
ଏକ AI ସିଷ୍ଟମ୍ ଯାହା ନିୟମ ଏବଂ ତର୍କ ବ୍ୟବହାର କରି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଡୋମେନ୍‌ରେ ମାନବ ବିଶେଷଜ୍ଞଙ୍କ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ କ୍ଷମତାକୁ ଅନୁକରଣ କରେ।
ଉଦାହରଣ: ମୃତ୍ତିକା ଡାଟା ଏବଂ କୀଟ ଇତିହାସ ଆଧାରରେ ଫସଲ ଚିକିତ୍ସା ସୁପାରିଶ କରିବା ପାଇଁ କୃଷିରେ ବ୍ୟବହୃତ ଏକ ବିଶେଷଜ୍ଞ ପ୍ରଣାଳୀ।

ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ AI (XAI) (Explainable AI (XAI))

Explainable AI (XAI)
AI ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକ ସେମାନଙ୍କର ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରକ୍ରିୟା ଏବଂ ନିଷ୍ପତ୍ତିଗୁଡ଼ିକୁ ମାନବମାନଙ୍କ ପାଇଁ ବୁଝିବା ଯୋଗ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି, ଯାହା ବିଶ୍ୱାସ ଏବଂ ଉତ୍ତରଦାୟିତ୍ୱକୁ ବୃଦ୍ଧି କରେ।
ଉଦାହରଣ: ଏକ ମେଡିକାଲ୍ ଡାଇଗ୍ନୋଷ୍ଟିକ୍ AI ଯାହା କେବଳ ଏକ ସୁପାରିଶ ପ୍ରଦାନ କରେ ନାହିଁ ବରଂ କେଉଁ ଲକ୍ଷଣଗୁଡ଼ିକ ସେହି ସିଦ୍ଧାନ୍ତକୁ ନେଇଗଲା ତାହା ମଧ୍ୟ ବ୍ୟାଖ୍ୟା କରେ।

ଫ୍ୟୁ-ସଟ୍ ଲର୍ଣ୍ଣିଂ (Few-shot Learning)

Few-shot Learning
ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପଦ୍ଧତି ଯେଉଁଠାରେ ଏକ ମଡେଲ୍ କେବଳ ଅଳ୍ପ ସଂଖ୍ୟକ ଲେବଲ୍ ହୋଇଥିବା ଉଦାହରଣ ବ୍ୟବହାର କରି ତାଲିମପ୍ରାପ୍ତ କିମ୍ବା ଫାଇନ୍-ଟ୍ୟୁନ୍ ହୋଇଥାଏ।
ଉଦାହରଣ: କେବଳ 10 ଟି ଉଦାହରଣ ଦେଖାଇବା ପରେ ଆଇନଗତ ଇମେଲ୍ ଲେଖିବା ପାଇଁ ଏକ LLM କୁ କଷ୍ଟମାଇଜ୍ କରିବା।

ଫାଇନ୍-ଟ୍ୟୁନିଂ (Fine-tuning)

Fine-tuning
ଏକ ପ୍ରି-ଟ୍ରେନ୍ଡ ମଡେଲ୍ ନେବା ଏବଂ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ ପାଇଁ ଏହାକୁ ବିଶେଷଜ୍ଞ କରିବା ପାଇଁ ଏକ ନୂତନ, ଛୋଟ ଡାଟାସେଟ୍ ଉପରେ ଏହାକୁ ଅଧିକ ତାଲିମ ଦେବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: ଏକ ଆଇନଗତ ଡ୍ରାଫ୍ଟିଂ ସହାୟକ ସୃଷ୍ଟି କରିବା ପାଇଁ ଆଭ୍ୟନ୍ତରୀଣ ଆଇନଗତ ଦସ୍ତାବିଜ୍ ଉପରେ GPT ଭଳି ଏକ ସାଧାରଣ LLM କୁ ଫାଇନ୍-ଟ୍ୟୁନ୍ କରିବା।

ଫାଉଣ୍ଡେସନ୍ ମଡେଲ୍ (Foundation Model)

Foundation Model
ବିଭିନ୍ନ ଏବଂ ବ୍ୟାପକ ଡାଟା ଉପରେ ତାଲିମପ୍ରାପ୍ତ ଏକ ବୃହତ୍-ସ୍ତରୀୟ ମଡେଲ୍ ଯାହା ଅନେକ ଡାଉନ୍‌ଷ୍ଟ୍ରିମ୍ କାର୍ଯ୍ୟ ପାଇଁ ଅନୁକୂଳ ହୋଇପାରିବ।
ଉଦାହରଣ: GPT-4 ଏବଂ PaLM 2 ହେଉଛି ଫାଉଣ୍ଡେସନ୍ ମଡେଲ୍ ଯାହା ସାରାଂଶ, Q&A, ଅନୁବାଦ, ଏବଂ ଅନେକ କିଛି କରିବାକୁ ସକ୍ଷମ।

ଫଜି ଲଜିକ୍ (Fuzzy Logic)

Fuzzy Logic
ଲଜିକ୍‌ର ଏକ ରୂପ ଯାହା ନିର୍ଦ୍ଦିଷ୍ଟ ସତ୍ୟ/ମିଥ୍ୟା (ବାଇନାରୀ) ଲଜିକ୍ ପରିବର୍ତ୍ତେ ଆନୁମାନିକ ମୂଲ୍ୟ ସହିତ କାରବାର କରେ, ଅନିଶ୍ଚିତତା ଅଧୀନରେ ଯୁକ୍ତି କରିବା ପାଇଁ ଉପଯୋଗୀ।
ଉଦାହରଣ: 'ଟିକେ ଗରମ' କିମ୍ବା 'ବହୁତ ଥଣ୍ଡା' ଭଳି ଫଜି ଇନପୁଟ୍ ଆଧାରରେ ତାପମାତ୍ରା ସଜାଡିବା ପାଇଁ ଜଳବାୟୁ ନିୟନ୍ତ୍ରଣ ପ୍ରଣାଳୀରେ ବ୍ୟବହୃତ।

ଜେନେରେଟିଭ୍ ଆଡଭର୍ସେରିଆଲ୍ ନେଟୱାର୍କ (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
ଏକ ଜେନେରେଟିଭ୍ ମଡେଲ୍ ଆର୍କିଟେକ୍ଚର୍ ଯେଉଁଠାରେ ଦୁଇଟି ନେଟୱାର୍କ — ଏକ ଜେନେରେଟର ଏବଂ ଏକ ଡିସ୍କ୍ରିମିନେଟର — ଆଉଟପୁଟ୍ ଗୁଣବତ୍ତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପ୍ରତିଯୋଗିତା କରନ୍ତି।
ଉଦାହରଣ: GANs ଡିପ୍‌ଫେକ୍ ଭିଡିଓ ସୃଷ୍ଟି କରିବା କିମ୍ବା ସ୍କେଚ୍‌ରୁ ବାସ୍ତବବାଦୀ ଉତ୍ପାଦ ଫଟୋ ଉତ୍ପାଦନ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ।

ଜେନେରେଟିଭ୍ AI (Generative AI)

Generative AI
କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତାର ଏକ ଶ୍ରେଣୀ ଯାହା ତାଲିମ ଡାଟାରୁ ନୂତନ ବିଷୟବସ୍ତୁ — ଯେପରିକି ଟେକ୍ସଟ୍, ଇମେଜ୍, ସଙ୍ଗୀତ, କିମ୍ବା ଭିଡିଓ — ସୃଷ୍ଟି କରିପାରିବ।
ଉଦାହରଣ: ChatGPT ବ୍ଲଗ୍ ପୋଷ୍ଟ ଉତ୍ପାଦନ କରିବା କିମ୍ବା ମିଡ୍‌ଜର୍ନି ଟେକ୍ସଟ୍ ପ୍ରମ୍ପ୍ଟରୁ ଡିଜିଟାଲ୍ ଆର୍ଟୱାର୍କ ସୃଷ୍ଟି କରିବା।

ଜେନେରେଟିଭ୍ ପ୍ରି-ଟ୍ରେନ୍ଡ ଟ୍ରାନ୍ସଫର୍ମର୍ (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
OpenAI ଦ୍ୱାରା ବିକଶିତ ବୃହତ୍ ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକର ଏକ ଶ୍ରେଣୀ ଯାହା ଟ୍ରାନ୍ସଫର୍ମର୍ ଆର୍କିଟେକ୍ଚର୍ ବ୍ୟବହାର କରେ ଏବଂ ବିଭିନ୍ନ ଭାଷା କାର୍ଯ୍ୟ କରିବା ପାଇଁ ବିପୁଳ ପରିମାଣର ଟେକ୍ସଟ୍ ଡାଟା ଉପରେ ପ୍ରି-ଟ୍ରେନ୍ଡ ହୋଇଥାଏ।
ଉଦାହରଣ: GPT-4 ସର୍ବନିମ୍ନ ପ୍ରମ୍ପ୍ଟିଂ ସହିତ ପ୍ରବନ୍ଧ ଲେଖିବା, ଭାଷା ଅନୁବାଦ କରିବା, ଏବଂ ଦସ୍ତାବିଜ୍ ସାରାଂଶ କରିବାକୁ ସକ୍ଷମ।

ଜେନେଟିକ୍ ଆଲଗୋରିଦମ୍ (Genetic Algorithm)

Genetic Algorithm
ପ୍ରାକୃତିକ ଚୟନ ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ଏକ ଅପ୍ଟିମାଇଜେସନ୍ କୌଶଳ ଯେଉଁଠାରେ ମ୍ୟୁଟେସନ୍, କ୍ରସଓଭର, ଏବଂ ଚୟନ ମାଧ୍ୟମରେ ସମାଧାନଗୁଡ଼ିକ ସମୟ ସହିତ ବିକଶିତ ହୁଏ।
ଉଦାହରଣ: ସର୍ବୋତ୍ତମର ବଞ୍ଚିବାକୁ ଅନୁକରଣ କରି ଦକ୍ଷ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଆର୍କିଟେକ୍ଚର୍ ଡିଜାଇନ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ।

ହାଲୁସିନେସନ୍ (Hallucination)

Hallucination
ଏକ AI ମଡେଲ୍ ଦ୍ୱାରା ବିଶ୍ୱାସଯୋଗ୍ୟ ଶୁଣାଯାଉଥିବା କିନ୍ତୁ ବାସ୍ତବରେ ଭୁଲ୍ କିମ୍ବା ଅର୍ଥହୀନ ବିଷୟବସ୍ତୁର ଉତ୍ପାଦନ।
ଉଦାହରଣ: ଏକ ଭାଷା ମଡେଲ୍ ଏକ ଅବିଦ୍ୟମାନ ଉଦ୍ଧୃତି ଉଦ୍ଭାବନ କରେ କିମ୍ବା ମିଥ୍ୟା ଐତିହାସିକ ତଥ୍ୟ ପ୍ରଦାନ କରେ।

ହ୍ୟୁରିଷ୍ଟିକ୍ (Heuristic)

Heuristic
ସମସ୍ୟା ସମାଧାନ ପାଇଁ ଏକ ବ୍ୟବହାରିକ ପଦ୍ଧତି ଯାହା ଏକ ସିଦ୍ଧ ସମାଧାନର ଗ୍ୟାରେଣ୍ଟି ଦିଏ ନାହିଁ କିନ୍ତୁ ତତ୍କ୍ଷଣାତ୍ ଲକ୍ଷ୍ୟ ପାଇଁ ଯଥେଷ୍ଟ।
ଉଦାହରଣ: ଏକ ଲଜିଷ୍ଟିକ୍ସ AI ସିଷ୍ଟମ୍‌ରେ ବିତରଣ ସମୟ ଆକଳନ କରିବା ପାଇଁ ଏକ ନିୟମ ବ୍ୟବହାର କରିବା।

ହାଇପରପାରାମିଟର (Hyperparameter)

Hyperparameter
ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌କୁ ତାଲିମ ଦେବା ପୂର୍ବରୁ ସେଟ୍ ହୋଇଥିବା ଏକ କନଫିଗରେସନ୍ ମୂଲ୍ୟ, ଯେପରିକି ଲର୍ଣ୍ଣିଂ ରେଟ୍ କିମ୍ବା ସ୍ତର ସଂଖ୍ୟା।
ଉଦାହରଣ: ତାଲିମ ଗତି ଏବଂ ମଡେଲ୍ ପ୍ରଦର୍ଶନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ବ୍ୟାଚ୍ ଆକାରକୁ 32 ରୁ 128 କୁ ସଜାଡିବା।

ଇନଫରେନ୍ସ (Inference)

Inference
ନୂତନ ଇନପୁଟ୍ ଡାଟାରୁ ପୂର୍ବାନୁମାନ କରିବା କିମ୍ବା ଆଉଟପୁଟ୍ ଉତ୍ପାଦନ କରିବା ପାଇଁ ଏକ ତାଲିମପ୍ରାପ୍ତ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍ ବ୍ୟବହାର କରିବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: ଗ୍ରାହକ ସହାୟତା ଦଳ ପାଇଁ ଇମେଲ୍ ଡ୍ରାଫ୍ଟ କରିବା ପାଇଁ ଏକ ଫାଇନ୍-ଟ୍ୟୁନ୍ଡ GPT ମଡେଲ୍ ବ୍ୟବହାର କରିବା।

ଇଣ୍ଟେଣ୍ଟ୍ ଡିଟେକ୍ସନ୍ (Intent Detection)

Intent Detection
ପ୍ରାକୃତିକ ଭାଷା ବୁଝିବାରେ ଏକ କାର୍ଯ୍ୟ ଯେଉଁଠାରେ ସିଷ୍ଟମ୍ ଏକ ବାର୍ତ୍ତାରେ ଉପଭୋକ୍ତାଙ୍କ ଲକ୍ଷ୍ୟ କିମ୍ବା ଉଦ୍ଦେଶ୍ୟକୁ ଚିହ୍ନଟ କରେ।
ଉଦାହରଣ: ଏକ ଚାଟବଟ୍‌ରେ, 'ମୁଁ ଏକ ଫ୍ଲାଇଟ୍ ବୁକ୍ କରିବାକୁ ଚାହେଁ' କୁ ଏକ ଯାତ୍ରା ବୁକିଂ ଉଦ୍ଦେଶ୍ୟ ଭାବରେ ଚିହ୍ନଟ କରିବା।

ଇଣ୍ଟରନେଟ୍ ଅଫ୍ ଥିଙ୍ଗ୍ସ (IoT) (Internet of Things (IoT))

Internet of Things (IoT)
ସେନ୍ସର, ସଫ୍ଟୱେର୍, ଏବଂ ଅନ୍ୟାନ୍ୟ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ସହିତ ଏମ୍ବେଡ୍ ହୋଇଥିବା ପରସ୍ପର ସହିତ ସଂଯୁକ୍ତ ଭୌତିକ ଉପକରଣଗୁଡ଼ିକର ଏକ ନେଟୱାର୍କ ଯାହା ଡାଟା ସଂଗ୍ରହ ଏବଂ ବିନିମୟ କରିବା ପାଇଁ।
ଉଦାହରଣ: ସ୍ମାର୍ଟ ଥର୍ମୋଷ୍ଟାଟ୍ ଏବଂ ଫ୍ରିଜ୍ ଯାହା ବ୍ୟବହାର ଡାଟା ରିପୋର୍ଟ କରେ ଏବଂ AI ବିଶ୍ଳେଷଣ ବ୍ୟବହାର କରି ସେଟିଂସମୂହକୁ ସଜାଡିଥାଏ।

ଇଣ୍ଟରପ୍ରିଟେବିଲିଟି (Interpretability)

Interpretability
ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌ର ଆଭ୍ୟନ୍ତରୀଣ ମେକାନିକ୍ସ ଏବଂ ଏହାର ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟାକୁ ମାନବ କେତେ ମାତ୍ରାରେ ବୁଝିପାରିବ।
ଉଦାହରଣ: ଏକ ଡିସିଜନ୍ ଟ୍ରି ଏକ ଡିପ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଠାରୁ ଅଧିକ ବ୍ୟାଖ୍ୟାଯୋଗ୍ୟ କାରଣ ଏହାର ନିଷ୍ପତ୍ତିଗୁଡ଼ିକ ଟ୍ରେସେବଲ୍।

ଜୁପିଟର୍ ନୋଟବୁକ୍ (Jupyter Notebook)

Jupyter Notebook
ଏକ ଓପନ୍-ସୋର୍ସ ଇଣ୍ଟରାକ୍ଟିଭ୍ କମ୍ପ୍ୟୁଟିଂ ପରିବେଶ ଯାହା ଉପଭୋକ୍ତାମାନଙ୍କୁ ଏକକ ଇଣ୍ଟରଫେସ୍‌ରେ କୋଡ୍ ଲେଖିବା, ଆଉଟପୁଟ୍ ଭିଜୁଆଲାଇଜ୍ କରିବା, ଏବଂ ବିଶ୍ଳେଷଣ ଡକ୍ୟୁମେଣ୍ଟ୍ କରିବାକୁ ଅନୁମତି ଦିଏ।
ଉଦାହରଣ: ଡାଟା ବୈଜ୍ଞାନିକମାନେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌ଗୁଡ଼ିକୁ ପ୍ରୋଟୋଟାଇପ୍ କରିବା ଏବଂ ଫଳାଫଳ ବାଣ୍ଟିବା ପାଇଁ ଜୁପିଟର୍ ନୋଟବୁକ୍ ବ୍ୟବହାର କରନ୍ତି।

K-ନିଅରେଷ୍ଟ ନେବର୍ସ (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
କ୍ଲାସିଫିକେସନ୍ ଏବଂ ରିଗ୍ରେସନ୍ ପାଇଁ ବ୍ୟବହୃତ ଏକ ସରଳ, ଅଣ-ପାରାମେଟ୍ରିକ୍ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ୍। ଏହା ଫିଚର୍ ସ୍ପେସ୍‌ରେ ନିକଟତମ ତାଲିମ ଉଦାହରଣ ଆଧାରରେ ନିଷ୍ପତ୍ତି ନିଏ।
ଉଦାହରଣ: ଏକ ନୂତନ ଫଳକୁ ସେଓ କିମ୍ବା ନାସପାତି ଭାବରେ ବର୍ଗୀକରଣ କରିବା ପାଇଁ, KNN ଯାଞ୍ଚ କରେ ଯେ କେଉଁ ଲେବଲ୍ ହୋଇଥିବା ଫଳଗୁଡ଼ିକ ଆକୃତି ଏବଂ ରଙ୍ଗରେ ନିକଟତମ।

ନଲେଜ୍ ଗ୍ରାଫ୍ (Knowledge Graph)

Knowledge Graph
ଏକ ଡାଟା ସଂରଚନା ଯାହା ସଂସ୍ଥାଗୁଡ଼ିକର ପରସ୍ପର ସହିତ ସଂଯୁକ୍ତ ବର୍ଣ୍ଣନା ଏବଂ ସେମାନଙ୍କର ସମ୍ବନ୍ଧକୁ ପ୍ରତିନିଧିତ୍ୱ କରିବା ଏବଂ ସଂରକ୍ଷଣ କରିବା ପାଇଁ ନୋଡ୍ ଏବଂ ଏଜ୍ ବ୍ୟବହାର କରେ।
ଉଦାହରଣ: ଗୁଗୁଲ୍‌ର ନଲେଜ୍ ପ୍ୟାନେଲ୍ ଏକ ନଲେଜ୍ ଗ୍ରାଫ୍ ଦ୍ୱାରା ଶକ୍ତିପ୍ରାପ୍ତ ଯାହା ଲୋକ, ସ୍ଥାନ, ଏବଂ ଘଟଣା ଭଳି ସଂସ୍ଥାଗୁଡ଼ିକୁ ସଂଯୋଗ କରେ।

ଭାଷା ଶିକ୍ଷା ମଡେଲ୍ ଅପ୍ଟିମାଇଜେସନ୍ (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ କିମ୍ବା ଡୋମେନ୍ ପାଇଁ ବୃହତ୍ ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକର ପ୍ରଦର୍ଶନ, ଦକ୍ଷତା, କିମ୍ବା ଅନୁକୂଳତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ବ୍ୟବହୃତ କୌଶଳ।
ଉଦାହରଣ: ଏଣ୍ଟରପ୍ରାଇଜ୍ ବ୍ୟବହାର ପାଇଁ ଏକ LLM କୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ କ୍ୱାଣ୍ଟାଇଜେସନ୍ ଏବଂ ଇନଷ୍ଟ୍ରକ୍ସନ୍ ଟ୍ୟୁନିଂ ବ୍ୟବହାର କରିବା।

ବୃହତ୍ ଭାଷା ମଡେଲ୍ (LLM) (Large Language Model (LLM))

Large Language Model (LLM)
ବିପୁଳ ପରିମାଣର ଟେକ୍ସଟ୍ ଡାଟା ଉପରେ ତାଲିମପ୍ରାପ୍ତ ଏକ ପ୍ରକାର ଡିପ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍ ଯାହା ମାନବ ଭାଷା ସହିତ ଉତ୍ପାଦନ, ବୁଝିବା, ଏବଂ ଯୁକ୍ତି କରିବାକୁ ସକ୍ଷମ।
ଉଦାହରଣ: ChatGPT ଏବଂ Claude ହେଉଛି LLM ଯାହା ଲେଖିବା, କୋଡିଂ, ଏବଂ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାରେ ସାହାଯ୍ୟ କରିବା ପାଇଁ ତାଲିମପ୍ରାପ୍ତ।

ଲାଟେଣ୍ଟ୍ ସ୍ପେସ୍ (Latent Space)

Latent Space
ଏକ ଉଚ୍ଚ-ଆୟାମୀ ଅମୂର୍ତ୍ତ ପ୍ରତିନିଧିତ୍ୱ ଯେଉଁଠାରେ ସମାନ ଇନପୁଟ୍‌ଗୁଡ଼ିକ ଏକାଠି ଗ୍ରୁପ୍ ହୋଇଥାଏ, ଯାହା ଜେନେରେଟିଭ୍ ମଡେଲ୍ ଏବଂ ଏମ୍ବେଡିଂରେ ବ୍ୟବହୃତ ହୁଏ।
ଉଦାହରଣ: ଇମେଜ୍ ଜେନେରେସନ୍‌ରେ, ଲାଟେଣ୍ଟ୍ ସ୍ପେସ୍‌କୁ ମାନିପୁଲେଟ୍ କରିବା ଦ୍ୱାରା ଉଜ୍ଜ୍ୱଳତା କିମ୍ବା ଭାବନା ଭଳି ଫିଚର୍ ପରିବର୍ତ୍ତନ ହୋଇପାରେ।

ଲର୍ଣ୍ଣିଂ ରେଟ୍ (Learning Rate)

Learning Rate
ତାଲିମରେ ଏକ ମୁଖ୍ୟ ହାଇପରପାରାମିଟର ଯାହା ଲସ୍ ଗ୍ରାଡିଏଣ୍ଟ୍ ସମ୍ବନ୍ଧରେ ମଡେଲ୍ ଓଜନ କେତେ ସଜାଡି ହୁଏ ତାହା ନିୟନ୍ତ୍ରଣ କରେ।
ଉଦାହରଣ: ଏକ ଉଚ୍ଚ ଲର୍ଣ୍ଣିଂ ରେଟ୍ ମିନିମାକୁ ଅତିକ୍ରମ କରିପାରେ, ଯେତେବେଳେ ଏକ ଅତି କମ୍ ରେଟ୍ ତାଲିମ ପ୍ରଗତିକୁ ମନ୍ଥର କରେ।

ମେସିନ୍ ଲର୍ଣ୍ଣିଂ (ML) (Machine Learning (ML))

Machine Learning (ML)
AI ର ଏକ ଶାଖା ଯାହା ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକୁ ଡାଟାରୁ ଶିଖିବା ଏବଂ ସ୍ପଷ୍ଟ ଭାବରେ ପ୍ରୋଗ୍ରାମ୍ ନହୋଇ ପ୍ରଦର୍ଶନକୁ ଉନ୍ନତ କରିବାକୁ ସକ୍ଷମ କରେ।
ଉଦାହରଣ: ସ୍ପାମ୍ ଫିଲ୍ଟରଗୁଡ଼ିକ ପୂର୍ବ ଉଦାହରଣ ଆଧାରରେ ଇମେଲ୍‌ଗୁଡ଼ିକୁ ସ୍ପାମ୍ କିମ୍ବା ନୁହେଁ ଭାବରେ ବର୍ଗୀକରଣ କରିବା ପାଇଁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ବ୍ୟବହାର କରନ୍ତି।

ମଡେଲ୍ ଡ୍ରିଫ୍ଟ (Model Drift)

Model Drift
ଏକ ଘଟଣା ଯେଉଁଠାରେ ଡାଟା କିମ୍ବା ପରିବେଶରେ ପରିବର୍ତ୍ତନ ହେତୁ ଏକ ମଡେଲ୍‌ର ସଠିକତା ସମୟ ସହିତ ହ୍ରାସ ପାଏ।
ଉଦାହରଣ: ଠକେଇ ଚିହ୍ନଟ ମଡେଲ୍ ଠକେଇ କୌଶଳ ବିକଶିତ ହେବା ସହିତ କମ୍ ସଠିକ୍ ହୁଏ।

ମଡେଲ୍ ଟ୍ରେନିଂ (Model Training)

Model Training
ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌କୁ ଡାଟା ଖୁଆଇବା ଏବଂ ତ୍ରୁଟିକୁ କମ୍ କରିବା ପାଇଁ ଏହାର ପାରାମିଟରଗୁଡ଼ିକୁ ସଜାଡିବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: ନୂତନ ଉତ୍ପାଦ ସୁପାରିଶ କରିବା ପାଇଁ ଗ୍ରାହକ କ୍ରୟ ଇତିହାସ ଉପରେ ଏକ ସୁପାରିଶ ଇଞ୍ଜିନ୍‌କୁ ତାଲିମ ଦେବା।

ମଲ୍ଟିମୋଡାଲ୍ AI (Multimodal AI)

Multimodal AI
AI ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକ ଯାହା ଟେକ୍ସଟ୍, ଇମେଜ୍, ଅଡିଓ, ଏବଂ ଭିଡିଓ ଭଳି ଅନେକ ପ୍ରକାରର ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଏକୀକରଣ କରିବାକୁ ସକ୍ଷମ।
ଉଦାହରଣ: GPT-4 ଭିଜନ୍ ଭଳି ଏକ ମଡେଲ୍ ଯାହା ଏକାସାଙ୍ଗରେ ଟେକ୍ସଟ୍ ପଢିପାରିବ ଏବଂ ଇମେଜ୍ ବ୍ୟାଖ୍ୟା କରିପାରିବ।

ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)
AI ର ଏକ ଉପକ୍ଷେତ୍ର ଯାହା କମ୍ପ୍ୟୁଟର ଏବଂ ମାନବ (ପ୍ରାକୃତିକ) ଭାଷା ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ। ଏହା ମେସିନ୍‌ଗୁଡ଼ିକୁ ମାନବ ଭାଷାରେ ପଢିବା, ବୁଝିବା, ଏବଂ ପ୍ରତିକ୍ରିୟା କରିବାକୁ ସକ୍ଷମ କରେ।
ଉଦାହରଣ: NLP ଭଏସ୍ ଆସିଷ୍ଟାଣ୍ଟ, ଭାଷା ଅନୁବାଦ ଆପ୍, ଏବଂ ଚାଟବଟ୍‌ରେ ବ୍ୟବହୃତ ହୁଏ।

ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ (Neural Network)

Neural Network
ମାନବ ମସ୍ତିଷ୍କର ସଂରଚନା ଦ୍ୱାରା ଅନୁପ୍ରାଣିତ ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍, ଯାହା ପରସ୍ପର ସହିତ ସଂଯୁକ୍ତ ନୋଡ୍ (ନ୍ୟୁରନ୍) ର ସ୍ତରଗୁଡ଼ିକରେ ଗଠିତ।
ଉଦାହରଣ: ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଇମେଜ୍ ଏବଂ ସ୍ପିଚ୍ ରେକଗ୍ନିସନ୍‌ରେ ବ୍ୟବହୃତ ଡିପ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍‌ଗୁଡ଼ିକ ପଛରେ ଅଛନ୍ତି।

ନଏଜ୍ (Noise)

Noise
ଡାଟାରେ ରାଣ୍ଡମ୍ କିମ୍ବା ଅପ୍ରାସଙ୍ଗିକ ସୂଚନା ଯାହା ଅର୍ଥପୂର୍ଣ୍ଣ ପାଟର୍ନକୁ ଲୁଚାଇପାରେ ଏବଂ ମଡେଲ୍ ପ୍ରଦର୍ଶନକୁ ନକାରାତ୍ମକ ଭାବରେ ପ୍ରଭାବିତ କରିପାରେ।
ଉଦାହରଣ: ସେନ୍ସର ତ୍ରୁଟି କିମ୍ବା ଟାଇପୋ-ଭରା ଡାଟା ଏଣ୍ଟ୍ରିକୁ ନଏଜ୍ ଭାବରେ ବିବେଚନା କରାଯାଇପାରେ।

ଅଣ୍ଟୋଲୋଜି (Ontology)

Ontology
ଏକ ସଂରଚିତ ଢାଞ୍ଚା ଯାହା ଏକ ଡୋମେନ୍ ମଧ୍ୟରେ ଧାରଣାଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ବନ୍ଧକୁ ବର୍ଗୀକରଣ ଏବଂ ସଂଜ୍ଞାୟିତ କରେ, ପ୍ରାୟତଃ ସେମାଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍‌ରେ ବ୍ୟବହୃତ।
ଉଦାହରଣ: ସ୍ୱାସ୍ଥ୍ୟସେବାରେ ଏକ ଅଣ୍ଟୋଲୋଜି ଲକ୍ଷଣଗୁଡ଼ିକ ରୋଗ ଏବଂ ଚିକିତ୍ସା ସହିତ କିପରି ସମ୍ବନ୍ଧିତ ତାହା ସଂଜ୍ଞାୟିତ କରିପାରେ।

ଓଭରଫିଟିଂ (Overfitting)

Overfitting
ଏକ ମଡେଲିଂ ତ୍ରୁଟି ଯେଉଁଠାରେ ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲ୍ ତାଲିମ ଡାଟାରେ ନଏଜ୍ ଧରିଥାଏ ଏବଂ ନୂତନ ଡାଟା ଉପରେ ଖରାପ ପ୍ରଦର୍ଶନ କରେ।
ଉଦାହରଣ: ଏକ ମଡେଲ୍ ଯାହା ତାଲିମ ଉତ୍ତରଗୁଡ଼ିକୁ ମନେ ରଖେ କିନ୍ତୁ ଅଦୃଶ୍ୟ ପରୀକ୍ଷା ଡାଟାକୁ ହ୍ୟାଣ୍ଡେଲ୍ କରିପାରେ ନାହିଁ ତାହା ଓଭରଫିଟ୍ ହୋଇଥାଏ।

ପୂର୍ବାନୁମାନକ ବିଶ୍ଳେଷଣ (Predictive Analytics)

Predictive Analytics
ଐତିହାସିକ ଡାଟା ଆଧାରରେ ଭବିଷ୍ୟତର ଫଳାଫଳର ସମ୍ଭାବନା ଚିହ୍ନଟ କରିବା ପାଇଁ ଡାଟା, ଆଲଗୋରିଦମ୍, ଏବଂ AI ର ବ୍ୟବହାର।
ଉଦାହରଣ: ଖୁଚୁରା ବ୍ୟବସାୟୀମାନେ କିଛି ଉତ୍ପାଦ ପାଇଁ ଚାହିଦା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ପୂର୍ବାନୁମାନକ ବିଶ୍ଳେଷଣ ବ୍ୟବହାର କରନ୍ତି।

ପ୍ରି-ଟ୍ରେନିଂ (Pre-training)

Pre-training
ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ ପାଇଁ ଫାଇନ୍-ଟ୍ୟୁନ୍ କରିବା ପୂର୍ବରୁ ଏକ ବୃହତ୍, ସାଧାରଣ ଡାଟାସେଟ୍ ଉପରେ ଏକ ମଡେଲ୍‌କୁ ପ୍ରାରମ୍ଭିକ ଭାବରେ ତାଲିମ ଦେବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: GPT ମଡେଲ୍‌ଗୁଡ଼ିକ ଗ୍ରାହକ ସେବା ଚାଟବଟ୍ ପାଇଁ କଷ୍ଟମାଇଜ୍ ହେବା ପୂର୍ବରୁ ବୃହତ୍ କର୍ପୋରା ଉପରେ ପ୍ରି-ଟ୍ରେନ୍ଡ ହୋଇଥାନ୍ତି।

ପ୍ରମ୍ପ୍ଟ ଇଞ୍ଜିନିୟରିଂ (Prompt Engineering)

Prompt Engineering
ବୃହତ୍ ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକର ଆଉଟପୁଟ୍‌କୁ ନିୟନ୍ତ୍ରଣ କରିବା ପାଇଁ ପ୍ରଭାବଶାଳୀ ପ୍ରମ୍ପ୍ଟ ତିଆରି କରିବାର କଳା ଏବଂ ବିଜ୍ଞାନ।
ଉଦାହରଣ: 'ଏକ ଭଦ୍ର ଶିକ୍ଷକ ଭାବରେ ଉତ୍ତର ଦିଅନ୍ତୁ' ଭଳି ସିଷ୍ଟମ୍ ନିର୍ଦ୍ଦେଶ ଯୋଡିବା ପ୍ରମ୍ପ୍ଟ ଇଞ୍ଜିନିୟରିଂର ଏକ ଉଦାହରଣ।

କ୍ୱାଣ୍ଟାଇଜେସନ୍ (Quantisation)

Quantisation
ଏକ ମଡେଲ୍ କମ୍ପ୍ରେସନ୍ କୌଶଳ ଯାହା ଓଜନ ଏବଂ ଆକ୍ଟିଭେସନ୍ ପ୍ରତିନିଧିତ୍ୱ କରିବା ପାଇଁ ବ୍ୟବହୃତ ବିଟ୍ ସଂଖ୍ୟାକୁ ହ୍ରାସ କରେ, ଯାହା ଦକ୍ଷତାକୁ ବୃଦ୍ଧି କରେ।
ଉଦାହରଣ: ଏକ ମଡେଲ୍‌କୁ 32-ବିଟ୍‌ରୁ 8-ବିଟ୍‌କୁ କ୍ୱାଣ୍ଟାଇଜ୍ କରିବା ମୋବାଇଲ୍ ଡିଭାଇସ୍‌ରେ ପ୍ରଦର୍ଶନକୁ ଉନ୍ନତ କରେ।

କ୍ୱାଣ୍ଟମ୍ କମ୍ପ୍ୟୁଟିଂ (Quantum Computing)

Quantum Computing
କ୍ୱାଣ୍ଟମ୍ ମେକାନିକ୍ସ ଉପରେ ଆଧାରିତ କମ୍ପ୍ୟୁଟିଂର ଏକ ନୂତନ ପାରାଡାଇମ୍, ଯାହା ଘାତକ ପ୍ରକ୍ରିୟାକରଣ କ୍ଷମତା ପାଇଁ ସମ୍ଭାବନା ରଖେ।
ଉଦାହରଣ: କ୍ୱାଣ୍ଟମ୍ କମ୍ପ୍ୟୁଟିଂ ଦିନେ କ୍ଲାସିକାଲ୍ ସୀମା ବାହାରେ AI ତାଲିମକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରେ।

ରିଜନିଂ ଇଞ୍ଜିନ୍ (Reasoning Engine)

Reasoning Engine
AI ରେ ଏକ ସିଷ୍ଟମ୍ ଯାହା ନିୟମ କିମ୍ବା ଇନଫରେନ୍ସ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରି ତଥ୍ୟ କିମ୍ବା ଡାଟାର ଏକ ସେଟ୍‌ରୁ ତାର୍କିକ ସିଦ୍ଧାନ୍ତ ବାହାର କରେ।
ଉଦାହରଣ: ଏକ AI ନିଦାନ ଉପକରଣ ଲକ୍ଷଣ ଆଧାରରେ ସମ୍ଭାବ୍ୟ ଚିକିତ୍ସା ଅବସ୍ଥାକୁ ଅନୁମାନ କରିବା ପାଇଁ ଏକ ରିଜନିଂ ଇଞ୍ଜିନ୍ ବ୍ୟବହାର କରେ।

ରିଇନଫୋର୍ସମେଣ୍ଟ୍ ଲର୍ଣ୍ଣିଂ (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
ମେସିନ୍ ଲର୍ଣ୍ଣିଂର ଏକ କ୍ଷେତ୍ର ଯେଉଁଠାରେ ଏଜେଣ୍ଟମାନେ ସେମାନଙ୍କର ପରିବେଶ ସହିତ ପାରସ୍ପରିକ କ୍ରିୟା କରି ସଞ୍ଚିତ ପୁରସ୍କାରକୁ ସର୍ବାଧିକ କରିବାକୁ ଶିଖନ୍ତି।
ଉଦାହରଣ: RL କୌଶଳ ବ୍ୟବହାର କରି ପରୀକ୍ଷା ଏବଂ ତ୍ରୁଟି ମାଧ୍ୟମରେ ଚାଲିବାକୁ ଶିଖୁଥିବା ଏକ ରୋବଟ୍।

ମାନବ ଫିଡବ୍ୟାକ୍ ସହିତ ରିଇନଫୋର୍ସମେଣ୍ଟ୍ ଲର୍ଣ୍ଣିଂ (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
ଏକ ଶିକ୍ଷା ପଦ୍ଧତି ଯେଉଁଠାରେ ମାନବ ପସନ୍ଦ AI ର ପୁରସ୍କାର ସିଗ୍ନାଲ୍‌କୁ ମାର୍ଗଦର୍ଶନ କରେ, ପ୍ରାୟତଃ ଭାଷା ମଡେଲ୍‌ଗୁଡ଼ିକୁ ଫାଇନ୍-ଟ୍ୟୁନ୍ କରିବାରେ ବ୍ୟବହୃତ।
ଉଦାହରଣ: ChatGPT ଅଧିକ ସହାୟକ ଏବଂ ନିରାପଦ ପ୍ରତିକ୍ରିୟା ଉତ୍ପାଦନ କରିବା ପାଇଁ RLHF ସହିତ ତାଲିମପ୍ରାପ୍ତ ହୋଇଥିଲା।

ରିଟ୍ରିଭାଲ୍-ଅଗମେଣ୍ଟେଡ୍ ଜେନେରେସନ୍ (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
ସୂଚନା ରିଟ୍ରିଭାଲ୍‌କୁ ଜେନେରେସନ୍ ସହିତ ମିଶାଇବାର ଏକ ପଦ୍ଧତି, ଯେଉଁଠାରେ ଏକ LLM ଏହାର ପ୍ରତିକ୍ରିୟାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ପ୍ରାସଙ୍ଗିକ ଦସ୍ତାବିଜ୍ ଫେଚ୍ କରେ।
ଉଦାହରଣ: ଏକ AI ସହାୟକ ଏକ ବୈଷୟିକ ପ୍ରଶ୍ନର ଉତ୍ତର ଉତ୍ପାଦନ କରିବା ସମୟରେ ଉତ୍ପାଦ ନିର୍ଦ୍ଦିଷ୍ଟତାକୁ ରିଟ୍ରିଭ୍ ଏବଂ ଉଦ୍ଧୃତ କରେ।

ସେଲ୍ଫ-ସୁପରଭାଇଜଡ୍ ଲର୍ଣ୍ଣିଂ (Self-Supervised Learning)

Self-Supervised Learning
ଏକ ତାଲିମ ପଦ୍ଧତି ଯେଉଁଠାରେ ମଡେଲ୍ କଞ୍ଚା ଡାଟାରୁ ନିଜର ଲେବଲ୍ ଉତ୍ପାଦନ କରି ପାଟର୍ନ ଶିଖେ, ଯାହା ମାନବ-ଟିପ୍ପଣୀ ହୋଇଥିବା ଡାଟା ଉପରେ ନିର୍ଭରଶୀଳତାକୁ ହ୍ରାସ କରେ।
ଉଦାହରଣ: BERT ଟେକ୍ସଟ୍‌ରେ ହଜିଯାଇଥିବା ଶବ୍ଦଗୁଡ଼ିକୁ ପୂର୍ବାନୁମାନ କରି ସେଲ୍ଫ-ସୁପରଭାଇଜଡ୍ ଲର୍ଣ୍ଣିଂ ସହିତ ତାଲିମପ୍ରାପ୍ତ।

ସେମାଣ୍ଟିକ୍ ସର୍ଚ୍ଚ (Semantic Search)

Semantic Search
ଏକ ସର୍ଚ୍ଚ କୌଶଳ ଯାହା ଉପଭୋକ୍ତା ଉଦ୍ଦେଶ୍ୟ ଏବଂ ପ୍ରସଙ୍ଗଗତ ଅର୍ଥକୁ ବୁଝେ, କେବଳ କିୱାର୍ଡ ମେଳ ଖାଏ ନାହିଁ।
ଉଦାହରଣ: 'ଲିକିଂ ଟ୍ୟାପ୍ କିପରି ଠିକ୍ କରିବେ' ଖୋଜିବା ଦ୍ୱାରା ଗାଇଡ୍ ଫେରସ୍ତ ହୁଏ ଯଦିଓ 'ଲିକିଂ ଟ୍ୟାପ୍' ଶବ୍ଦ ଦସ୍ତାବିଜ୍‌ରେ ଉପସ୍ଥିତ ନଥାଏ।

ସେଣ୍ଟିମେଣ୍ଟ୍ ଆନାଲିସିସ୍ (Sentiment Analysis)

Sentiment Analysis
ଟେକ୍ସଟ୍‌ରେ ଭାବନା, ମତାମତ, କିମ୍ବା ମନୋଭାବ ଚିହ୍ନଟ କରିବାର ପ୍ରକ୍ରିୟା, ପ୍ରାୟତଃ ସକାରାତ୍ମକ, ନକାରାତ୍ମକ, କିମ୍ବା ନିରପେକ୍ଷ ଭାବରେ ବର୍ଗୀକରଣ କରେ।
ଉଦାହରଣ: ଏକ ନୂତନ ଉତ୍ପାଦ ପ୍ରତି ସାର୍ବଜନୀନ ପ୍ରତିକ୍ରିୟା ମାପିବା ପାଇଁ ଟ୍ୱିଟ୍ ବିଶ୍ଳେଷଣ କରିବା।

ଷ୍ଟୋକାଷ୍ଟିକ୍ (Stochastic)

Stochastic
ରାଣ୍ଡମ୍ କିମ୍ବା ପ୍ରୋବାବିଲିଷ୍ଟିକ୍ ଆଚରଣକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିବା, ପ୍ରାୟତଃ ଜେନେରେଟିଭ୍ AI ଏବଂ ଅପ୍ଟିମାଇଜେସନ୍ ଆଲଗୋରିଦମ୍‌ରେ ବ୍ୟବହୃତ।
ଉଦାହରଣ: GPT-4 ର ଆଉଟପୁଟ୍ ଏହାର ଷ୍ଟୋକାଷ୍ଟିକ୍ ଡିକୋଡିଂ ପ୍ରକ୍ରିୟା ହେତୁ ସମାନ ଇନପୁଟ୍ ପାଇଁ ଭିନ୍ନ ହୁଏ।

ଷ୍ଟ୍ରଙ୍ଗ୍ AI (Strong AI)

Strong AI
ଆର୍ଟିଫିସିଆଲ୍ ଜେନେରାଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AGI) ଭାବରେ ମଧ୍ୟ ଜଣାଶୁଣା, ସମସ୍ତ ଡୋମେନ୍‌ରେ ମାନବ-ସ୍ତରୀୟ ବୌଦ୍ଧିକ କ୍ଷମତା ଥିବା ମେସିନ୍‌ଗୁଡ଼ିକୁ ବୁଝାଏ।
ଉଦାହରଣ: ଏକ ଭବିଷ୍ୟତର AI ଯାହା ସ୍ୱୟଂଶାସିତ ଭାବରେ ଉପନ୍ୟାସ ଲେଖିପାରିବ, ସହର ଯୋଜନା କରିପାରିବ, ଏବଂ ନୈତିକ ଦ୍ୱନ୍ଦ୍ୱକୁ ସମାନ ଭାବରେ ସମାଧାନ କରିପାରିବ।

ସୁପର ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
ଏକ ସିଦ୍ଧାନ୍ତଗତ AI ଯାହା ମାନବ ବୁଦ୍ଧିମତ୍ତାକୁ ସମସ୍ତ ଦିଗରେ ଅତିକ୍ରମ କରେ — ଯୁକ୍ତି, ସୃଜନଶୀଳତା, ଭାବନାତ୍ମକ ବୁଦ୍ଧିମତ୍ତା, ଇତ୍ୟାଦି।
ଉଦାହରଣ: ଏକ SAI ସିଦ୍ଧାନ୍ତଗତ ଭାବରେ ସ୍ୱାଧୀନ ଭାବରେ ନୂତନ ବିଜ୍ଞାନ ଏବଂ ଦର୍ଶନ ବିକଶିତ କରିପାରିବ।

ସୁପରଭାଇଜଡ୍ ଲର୍ଣ୍ଣିଂ (Supervised Learning)

Supervised Learning
ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ କୌଶଳ ଯେଉଁଠାରେ ମଡେଲ୍‌ଗୁଡ଼ିକ ଇନପୁଟ୍-ଆଉଟପୁଟ୍ ମ୍ୟାପିଂ ଶିଖିବା ପାଇଁ ଲେବଲ୍ ହୋଇଥିବା ଡାଟା ଉପରେ ତାଲିମପ୍ରାପ୍ତ।
ଉଦାହରଣ: ଐତିହାସିକ ଉଦାହରଣ ବ୍ୟବହାର କରି ଇମେଲ୍‌ଗୁଡ଼ିକୁ ସ୍ପାମ୍ କିମ୍ବା ନୁହେଁ ଭାବରେ ବର୍ଗୀକରଣ କରିବା ପାଇଁ ଏକ ମଡେଲ୍‌କୁ ଶିଖାଇବା।

ସିନ୍ଥେଟିକ୍ ଡାଟା (Synthetic Data)

Synthetic Data
କୃତ୍ରିମ ଭାବରେ ଉତ୍ପାଦିତ ଡାଟା ଯାହା ବାସ୍ତବ-ଜଗତର ଡାଟାକୁ ଅନୁକରଣ କରେ, ପ୍ରାୟତଃ ତାଲିମ ପାଇଁ ବ୍ୟବହୃତ ହୁଏ ଯେତେବେଳେ ବାସ୍ତବ ଡାଟା ବିରଳ କିମ୍ବା ସମ୍ବେଦନଶୀଳ ହୁଏ।
ଉଦାହରଣ: ରୋଗୀଙ୍କ ଗୋପନୀୟତା ଉଲ୍ଲଂଘନ ନକରି ନିଦାନ ମଡେଲ୍‌ଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ସିନ୍ଥେଟିକ୍ ମେଡିକାଲ୍ ଇମେଜ୍ ସୃଷ୍ଟି କରିବା।

ଟୋକେନ୍ (Token)

Token
LLM ଦ୍ୱାରା ପ୍ରକ୍ରିୟାକୃତ ଟେକ୍ସଟ୍‌ର ଏକ ୟୁନିଟ୍ — ସାଧାରଣତଃ ଏକ ଶବ୍ଦ କିମ୍ବା ଶବ୍ଦ ଅଂଶ।
ଉଦାହରଣ: 'Hello world!' ବାକ୍ୟଟି 3 ଟି ଟୋକେନ୍‌ରେ ବିଭକ୍ତ ହୋଇଛି: 'Hello', 'world', ଏବଂ '!'।

ଟୋକେନାଇଜେସନ୍ (Tokenisation)

Tokenisation
ଏକ ମଡେଲ୍ ଦ୍ୱାରା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଟେକ୍ସଟ୍‌କୁ ଟୋକେନ୍‌ରେ ଭାଙ୍ଗିବାର ପ୍ରକ୍ରିୟା।
ଉଦାହରଣ: NLP ରେ, 'ChatGPT is great' ହୁଏ ['Chat', 'G', 'PT', 'is', 'great']।

ଟ୍ରାନ୍ସଫର୍ ଲର୍ଣ୍ଣିଂ (Transfer Learning)

Transfer Learning
ଅନ୍ୟ ଏକ ସମ୍ବନ୍ଧିତ କାର୍ଯ୍ୟ ଉପରେ ଶିକ୍ଷାକୁ ବୃଦ୍ଧି କରିବା ପାଇଁ ଏକ କାର୍ଯ୍ୟରୁ ଜ୍ଞାନ ବ୍ୟବହାର କରିବା, ଯାହା ତାଲିମ ସମୟ ଏବଂ ଡାଟା ଆବଶ୍ୟକତାକୁ ହ୍ରାସ କରେ।
ଉଦାହରଣ: ଅନ୍ୟ ଏକ ଭାଷାରେ ସେଣ୍ଟିମେଣ୍ଟ୍ ଆନାଲିସିସ୍ କରିବା ପାଇଁ ଇଂରାଜୀ ଟେକ୍ସଟ୍ ଉପରେ ତାଲିମପ୍ରାପ୍ତ ଏକ ମଡେଲ୍‌କୁ ଫାଇନ୍-ଟ୍ୟୁନ୍ କରିବା।

ଟ୍ରାନ୍ସଫର୍ମର୍ (Transformer)

Transformer
ଏକ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ଆର୍କିଟେକ୍ଚର୍ ଯାହା କ୍ରମିକ ଡାଟାକୁ ମଡେଲ୍ କରିବା ପାଇଁ ଆଟେନସନ୍ ମେକାନିଜମ୍ ବ୍ୟବହାର କରେ, LLM ରେ ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହୃତ।
ଉଦାହରଣ: BERT, GPT, ଏବଂ T5 ସମସ୍ତେ ଟ୍ରାନ୍ସଫର୍ମର୍-ଆଧାରିତ ମଡେଲ୍।

ଅଣ୍ଡରଫିଟିଂ (Underfitting)

Underfitting
ଯେତେବେଳେ ଏକ ମଡେଲ୍ ତାଲିମ ଡାଟାରେ ପାଟର୍ନକୁ ଧରିବା ପାଇଁ ଅତ୍ୟଧିକ ସରଳ ହୁଏ, ଯାହା ଖରାପ ପ୍ରଦର୍ଶନରେ ପରିଣତ ହୁଏ।
ଉଦାହରଣ: ଜଟିଳ ଇମେଜ୍ କ୍ଲାସିଫିକେସନ୍ ପୂର୍ବାନୁମାନ କରିବାକୁ ଚେଷ୍ଟା କରୁଥିବା ଏକ ଲିନିୟର୍ ମଡେଲ୍ ଅଣ୍ଡରଫିଟ୍ ହୋଇପାରେ।

ଅନସୁପରଭାଇଜଡ୍ ଲର୍ଣ୍ଣିଂ (Unsupervised Learning)

Unsupervised Learning
ଏକ ଶିକ୍ଷା ପଦ୍ଧତି ଯେଉଁଠାରେ ମଡେଲ୍‌ଗୁଡ଼ିକ ଅଲେବଲ୍ ହୋଇଥିବା ଡାଟାରେ ପାଟର୍ନ କିମ୍ବା କ୍ଲଷ୍ଟର ଚିହ୍ନଟ କରନ୍ତି।
ଉଦାହରଣ: ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଲେବଲ୍ ବିନା କ୍ରୟ ଆଚରଣ ଆଧାରରେ ଗ୍ରାହକମାନଙ୍କୁ ଗ୍ରୁପ୍ କରିବା।

ଉପଭୋକ୍ତା ଉଦ୍ଦେଶ୍ୟ (User Intent)

User Intent
ଏକ ଉପଭୋକ୍ତାଙ୍କ ପ୍ରଶ୍ନ କିମ୍ବା ପାରସ୍ପରିକ କ୍ରିୟା ପଛରେ ଥିବା ଲକ୍ଷ୍ୟ କିମ୍ବା ଉଦ୍ଦେଶ୍ୟ।
ଉଦାହରଣ: 'କେକ୍ କିପରି ବେକ୍ କରିବେ' ଟାଇପ୍ କରୁଥିବା ଜଣେ ଉପଭୋକ୍ତା ସମ୍ଭବତଃ ଏକ ରେସିପି ଖୋଜିବାକୁ ଉଦ୍ଦେଶ୍ୟ କରନ୍ତି।

ଭାଲିଡେସନ୍ ସେଟ୍ (Validation Set)

Validation Set
ତାଲିମ ସମୟରେ ମଡେଲ୍ ପ୍ରଦର୍ଶନ ମୂଲ୍ୟାଙ୍କନ କରିବା ଏବଂ ହାଇପରପାରାମିଟର ଟ୍ୟୁନ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ ଡାଟାର ଏକ ଉପସେଟ୍।
ଉଦାହରଣ: ଅନ୍ତିମ ପରୀକ୍ଷା ପୂର୍ବରୁ ଓଭରଫିଟିଂ ଚିହ୍ନଟ କରିବା ପାଇଁ ବ୍ୟବହୃତ।

ଭେକ୍ଟର୍ ଡାଟାବେସ୍ (Vector Database)

Vector Database
ସମାନତା ସର୍ଚ୍ଚ ଏବଂ RAG ଭଳି AI କାର୍ଯ୍ୟରେ ବ୍ୟବହୃତ ଭେକ୍ଟର ଏମ୍ବେଡିଂ ସଂରକ୍ଷଣ ଏବଂ ଖୋଜିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଥିବା ଏକ ଡାଟାବେସ୍।
ଉଦାହରଣ: Pinecone ଏବଂ Weaviate ହେଉଛି ଟେକ୍ସଟ୍ କିମ୍ବା ଇମେଜ୍ ଏମ୍ବେଡିଂ ସଂରକ୍ଷଣ ପାଇଁ ଭେକ୍ଟର ଡାଟାବେସ୍।

ଭେକ୍ଟର୍ ଏମ୍ବେଡିଂ (Vector Embedding)

Vector Embedding
ଡାଟାର ଏକ ସଂଖ୍ୟାତ୍ମକ ପ୍ରତିନିଧିତ୍ୱ ଯାହା ଏକ ଭେକ୍ଟର ସ୍ପେସ୍‌ରେ ଅର୍ଥପୂର୍ଣ୍ଣ ଅର୍ଥ ଏବଂ ସମ୍ବନ୍ଧକୁ ସଂରକ୍ଷଣ କରେ।
ଉଦାହରଣ: 'ରାଜା' ଏବଂ 'ରାଣୀ' ଶବ୍ଦଗୁଡ଼ିକର ସୂକ୍ଷ୍ମ ଲିଙ୍ଗଗତ ପାର୍ଥକ୍ୟ ସହିତ ସମାନ ଏମ୍ବେଡିଂ ଅଛି।

ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ (Virtual Assistant)

Virtual Assistant
ଏକ AI-ଶକ୍ତିପ୍ରାପ୍ତ ସଫ୍ଟୱେର୍ ଏଜେଣ୍ଟ ଯାହା ବାର୍ତ୍ତାଳାପ କିମ୍ବା ଭଏସ୍ କମାଣ୍ଡ ମାଧ୍ୟମରେ ଉପଭୋକ୍ତାମାନଙ୍କୁ କାର୍ଯ୍ୟ ସମ୍ପୂର୍ଣ୍ଣ କରିବାରେ ସାହାଯ୍ୟ କରେ।
ଉଦାହରଣ: ସିରି, ଆଲେକ୍ସା, ଏବଂ ଗୁଗୁଲ୍ ଆସିଷ୍ଟାଣ୍ଟ ହେଉଛି ଲୋକପ୍ରିୟ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ।

ଭଏସ୍ ରେକଗ୍ନିସନ୍ (Voice Recognition)

Voice Recognition
ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଯାହା କଥିତ ଭାଷାକୁ ଟେକ୍ସଟ୍ କିମ୍ବା କାର୍ଯ୍ୟରେ ବ୍ୟାଖ୍ୟା ଏବଂ ରୂପାନ୍ତର କରେ।
ଉଦାହରଣ: ଭଏସ୍ ଟାଇପିଂ ଏବଂ ଭଏସ୍ କମାଣ୍ଡ ଭଏସ୍ ରେକଗ୍ନିସନ୍ ସିଷ୍ଟମ୍ ଉପରେ ନିର୍ଭର କରେ।

ୱିକ୍ AI (Weak AI)

Weak AI
AI ସିଷ୍ଟମ୍‌ଗୁଡ଼ିକ ଯାହା ସାଧାରଣ ବୁଦ୍ଧିମତ୍ତା ବିନା ଏକ ସଂକୀର୍ଣ୍ଣ, ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି।
ଉଦାହରଣ: ଏକ ଚେସ୍-ଖେଳୁଥିବା AI ଯାହା ଭାଷା ବୁଝିପାରେ ନାହିଁ କିମ୍ବା କାର୍ ଚଳାଇପାରେ ନାହିଁ ତାହା ୱିକ୍ AI ର ଏକ ଉଦାହରଣ।

ୱେବ୍ ସ୍କ୍ରାପିଂ (Web Scraping)

Web Scraping
ୱେବସାଇଟ୍‌ରୁ ସୂଚନାର ସ୍ୱୟଂଚାଳିତ ନିଷ୍କାସନ, ପ୍ରାୟତଃ ତାଲିମ ଡାଟା ସଂଗ୍ରହ କରିବା କିମ୍ବା ବିଷୟବସ୍ତୁ ନିରୀକ୍ଷଣ କରିବା ପାଇଁ ବ୍ୟବହୃତ।
ଉଦାହରଣ: ଏକ ସମ୍ପତ୍ତି ମୂଲ୍ୟାଙ୍କନ ମଡେଲ୍‌କୁ ତାଲିମ ଦେବା ପାଇଁ ରିଅଲ୍ ଇଷ୍ଟେଟ୍ ତାଲିକା ସ୍କ୍ରାପ୍ କରିବା।

ଓଜନ (Weight)

Weight
ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କରେ ଏକ ପାରାମିଟର ଯାହା ଏକ ନୋଡ୍‌ର ଅନ୍ୟ ଏକ ନୋଡ୍ ଉପରେ ପ୍ରଭାବର ଶକ୍ତି ନିର୍ଦ୍ଧାରଣ କରେ।
ଉଦାହରଣ: ମଡେଲ୍‌ର ତ୍ରୁଟିକୁ କମ୍ କରିବା ପାଇଁ ତାଲିମ ସମୟରେ ଓଜନ ସଜାଡି ହୁଏ।

ହ୍ୱିସ୍ପର୍ (Whisper)

Whisper
OpenAI ଦ୍ୱାରା ବିକଶିତ ଏକ ସ୍ପିଚ୍-ଟୁ-ଟେକ୍ସଟ୍ ମଡେଲ୍ ଯାହା ବହୁଭାଷାରେ ଅଡିଓ ଟ୍ରାନ୍ସକ୍ରାଇବ୍ କରିବାକୁ ସକ୍ଷମ।
ଉଦାହରଣ: ହ୍ୱିସ୍ପର୍ ଉଚ୍ଚ ସଠିକତା ସହିତ ବକ୍ତୃତା ଏବଂ ପୋଡକାଷ୍ଟ ଟ୍ରାନ୍ସକ୍ରାଇବ୍ କରିପାରିବ।

YAML (YAML)

YAML
ଡାଟା ସିରିଆଲାଇଜେସନ୍ ପାଇଁ ଏକ ମାନବ-ପଠନୀୟ ଫର୍ମାଟ୍, ପ୍ରାୟତଃ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ୱାର୍କଫ୍ଲୋରେ କନଫିଗରେସନ୍ ଫାଇଲ୍ ପାଇଁ ବ୍ୟବହୃତ।
ଉଦାହରଣ: PyTorch ରେ ତାଲିମ ପାଇଁ ଏକ YAML ଫାଇଲ୍‌ରେ ମଡେଲ୍ ପାରାମିଟର ସଂଜ୍ଞାୟିତ କରିବା।

ଜିରୋ-ସଟ୍ ଲର୍ଣ୍ଣିଂ (Zero-shot Learning)

Zero-shot Learning
ଏକ ମଡେଲ୍‌ର କାର୍ଯ୍ୟ କରିବାର କ୍ଷମତା ଯାହାକୁ ଏହା ସାଧାରଣ ଜ୍ଞାନର ଲାଭ ଉଠାଇ ସ୍ପଷ୍ଟ ଭାବରେ ତାଲିମପ୍ରାପ୍ତ ହୋଇନାହିଁ।
ଉଦାହରଣ: ଏକ ମଡେଲ୍ ଆଇନଗତ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବା ଯଦିଓ ଏହା ଆଇନଗତ ଡାଟା ଉପରେ ବିଶେଷ ଭାବରେ ତାଲିମପ୍ରାପ୍ତ ନୁହେଁ।

ଜେଟାବାଇଟ୍ (Zettabyte)

Zettabyte
ଡିଜିଟାଲ୍ ଡାଟାର ଏକ ୟୁନିଟ୍ ଯାହା ଏକ ସେକ୍ସଟିଲିଅନ୍ (10^21) ବାଇଟ୍ ସହିତ ସମାନ, ପ୍ରାୟତଃ ଇଣ୍ଟରନେଟ୍ ଡାଟାର ସ୍କେଲ୍ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ବ୍ୟବହୃତ।
ଉଦାହରଣ: 2016 ସୁଦ୍ଧା ବିଶ୍ୱ ଇଣ୍ଟରନେଟ୍ ଟ୍ରାଫିକ୍ ପ୍ରତିବର୍ଷ 1 ଜେଟାବାଇଟ୍ ଅତିକ୍ରମ କରିଥିଲା।