Otani AI Logo AICI Logo
హోమ్ AI ప్రయోజనాలు ఉచిత నివేదిక ధరలు AI వార్తలు తరచుగా అడిగే ప్రశ్నలు సంప్రదించండి పరిభాష

AI పరిభాష బస్టర్

మా సమగ్ర పదకోశంతో కృత్రిమ మేధస్సు పరిభాషను సులభతరం చేయండి. మెషిన్ లెర్నింగ్ నుండి న్యూరల్ నెట్‌వర్క్‌ల వరకు, మేము సంక్లిష్టమైన AI భావనలను సరళమైన పదాలలో వివరిస్తాము.

అలైన్‌మెంట్ (Alignment)

Alignment
AI వ్యవస్థ యొక్క లక్ష్యాలు, అవుట్‌పుట్‌లు మరియు ప్రవర్తనలు మానవ లక్ష్యాలు మరియు విలువలతో సరిపోలుతున్నాయని నిర్ధారించే ప్రక్రియ. ఇది అధునాతన వ్యవస్థలలో ముఖ్యంగా ముఖ్యమైనది, ఇవి ఉద్దేశించని ప్రవర్తనలను అభివృద్ధి చేయగలవు.
ఉదాహరణ: ప్రాంప్ట్‌లతో సంబంధం లేకుండా హానికరమైన చర్యలను ఎప్పుడూ సిఫార్సు చేయని మానసిక ఆరోగ్య మద్దతు కోసం చాట్‌బాట్‌ను నిర్ధారించడం.

అప్లికేషన్ ప్రోగ్రామింగ్ ఇంటర్‌ఫేస్ (API) (Application Programming Interface (API))

Application Programming Interface (API)
వివిధ సాఫ్ట్‌వేర్ సిస్టమ్‌లు కమ్యూనికేట్ చేయడానికి మరియు డేటాను మార్పిడి చేయడానికి అనుమతించే నిర్వచించబడిన నియమాలు మరియు ప్రోటోకాల్‌ల సమితి.
ఉదాహరణ: మీ వెబ్ యాప్‌లో భాషా నమూనా-ఉత్పత్తి ప్రతిస్పందనను స్వీకరించడానికి మరియు ప్రాంప్ట్‌ను పంపడానికి OpenAI APIని ఉపయోగించడం.

ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్ (AGI) (Artificial General Intelligence (AGI))

Artificial General Intelligence (AGI)
మానవుడు చేయగల ఏదైనా మేధోపరమైన పనిని చేయగల AI యొక్క సైద్ధాంతిక రూపం. ఇది డొమైన్‌లలో అభ్యాసాన్ని సాధారణీకరిస్తుంది.
ఉదాహరణ: ఒక AGI వ్యవస్థ సంగీత కూర్పును నేర్చుకోగలదు, శస్త్రచికిత్స చేయగలదు మరియు టాస్క్-నిర్దిష్ట ప్రోగ్రామింగ్ లేకుండా ఫిలాసఫీ పరీక్షలో ఉత్తీర్ణత సాధించగలదు.

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) (Artificial Intelligence (AI))

Artificial Intelligence (AI)
స్వయంప్రతిపత్తితో ఆలోచించడానికి, తార్కికం చేయడానికి మరియు పనిచేయడానికి ప్రోగ్రామ్ చేయబడిన యంత్రాలలో మానవ మేధస్సు యొక్క అనుకరణ.
ఉదాహరణ: AI సిరి వంటి వ్యక్తిగత సహాయకులను మరియు టెస్లా ఆటోపైలట్ వంటి స్వయంప్రతిపత్త డ్రైవింగ్ వ్యవస్థలను నడుపుతుంది.

AI ఎథిక్స్ (AI Ethics)

AI Ethics
న్యాయబద్ధత, గోప్యత, జవాబుదారీతనం మరియు వివక్షత లేకపోవడంతో సహా AI అభివృద్ధి మరియు వినియోగం యొక్క నైతిక చిక్కులకు సంబంధించిన ఒక విభాగం.
ఉదాహరణ: లింగం లేదా జాతి ఆధారంగా వివక్షతను నివారించడానికి నియామక అల్గారిథమ్‌లను నిరోధించడానికి మార్గదర్శకాలను సృష్టించడం.

ఆగ్మెంటెడ్ ఇంటెలిజెన్స్ (Augmented Intelligence)

Augmented Intelligence
AI మానవ మేధస్సును భర్తీ చేయడానికి బదులుగా దాన్ని పూరిస్తుంది మరియు మెరుగుపరుస్తుంది సహకార నమూనా.
ఉదాహరణ: వైద్యులు తుది రోగనిర్ధారణ చేసేందుకు అసాధారణతలను హైలైట్ చేసే AI-ఆధారిత రేడియాలజీ సాధనాలు.

అటానమస్ ఏజెంట్ (Autonomous Agent)

Autonomous Agent
మానవ జోక్యం లేకుండా దాని లక్ష్యాలను సాధించడానికి దాని స్వంత నిర్ణయాలు తీసుకునే మరియు చర్యలు తీసుకునే సామర్థ్యం గల AI వ్యవస్థ.
ఉదాహరణ: నగర వీధులలో నావిగేట్ చేసే మరియు అడ్డంకులను స్వతంత్రంగా నివారించే స్వీయ-డ్రైవింగ్ డెలివరీ రోబోట్.

బ్యాక్‌ప్రొపగేషన్ (Backpropagation)

Backpropagation
అంచనా లోపాలను తగ్గించడం ద్వారా న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడానికి ఒక టెక్నిక్, అవుట్‌పుట్ నుండి ఇన్‌పుట్ లేయర్‌ల వరకు రివర్స్‌లో వెయిట్‌లను అప్‌డేట్ చేయడం.
ఉదాహరణ: చేతితో రాసిన అంకెలను గుర్తించడంలో దోష రేటును తగ్గించడానికి ఇమేజ్ క్లాసిఫైయర్‌లకు శిక్షణ ఇవ్వడంలో ఉపయోగించబడుతుంది.

బయాస్ (అల్గారిథమిక్ బయాస్) (Bias (Algorithmic Bias))

Bias (Algorithmic Bias)
అసమతుల్య లేదా ప్రాతినిధ్యం లేని శిక్షణ డేటా కారణంగా AI ఫలితాలలో అనుకోని మరియు క్రమబద్ధమైన పక్షపాతం.
ఉదాహరణ: శిక్షణ డేటాలో తక్కువ ప్రాతినిధ్యం కారణంగా రంగుల వ్యక్తులను తరచుగా తప్పుగా గుర్తించే ముఖ గుర్తింపు వ్యవస్థ.

బిగ్ డేటా (Big Data)

Big Data
AI మోడళ్లకు శిక్షణ ఇవ్వడానికి తరచుగా ఉపయోగించే, నిల్వ చేయడానికి, విశ్లేషించడానికి మరియు విలువను సంగ్రహించడానికి ప్రత్యేక సాధనాలు అవసరమయ్యే చాలా పెద్ద డేటాసెట్‌లు.
ఉదాహరణ: ఇ-కామర్స్ ప్లాట్‌ఫారమ్‌ల కోసం సిఫార్సు ఇంజిన్‌లకు శిక్షణ ఇవ్వడానికి మిలియన్ల కొద్దీ వినియోగదారు పరస్పర చర్యలను ఉపయోగించడం.

బ్లాక్ బాక్స్ మోడల్ (Black Box Model)

Black Box Model
మానవులకు సులభంగా అర్థం కాని AI లేదా మెషిన్ లెర్నింగ్ మోడల్ యొక్క ఒక రకం, ఇది నిర్ణయాలు ఎలా తీసుకోబడతాయో అర్థం చేసుకోవడం కష్టతరం చేస్తుంది.
ఉదాహరణ: రుణాలు ఆమోదించడానికి ఉపయోగించే డీప్ న్యూరల్ నెట్‌వర్క్ కానీ ఒక దరఖాస్తుదారు ఎందుకు ఆమోదించబడ్డారు మరియు మరొకరు ఎందుకు తిరస్కరించబడ్డారు అనేదానికి స్పష్టమైన వివరణను అందించదు.

కాగ్నిటివ్ కంప్యూటింగ్ (Cognitive Computing)

Cognitive Computing
NLP మరియు నమూనా గుర్తింపు వంటి పద్ధతులను ఉపయోగించి తార్కికం మరియు అభ్యాసం వంటి మానవ ఆలోచనా ప్రక్రియలను అనుకరించడానికి రూపొందించబడిన AI వ్యవస్థలు.
ఉదాహరణ: న్యాయ నిపుణులకు కేస్ లాను విశ్లేషించడానికి మరియు ఫలితాలను అంచనా వేయడానికి సహాయపడే కాగ్నిటివ్ కంప్యూటింగ్ సిస్టమ్.

కంప్యూటర్ విజన్ (Computer Vision)

Computer Vision
చిత్రాలు మరియు వీడియో వంటి దృశ్య డేటాను అర్థం చేసుకోవడానికి మరియు ప్రాసెస్ చేయడానికి కంప్యూటర్‌లను అనుమతించే కృత్రిమ మేధస్సు రంగం.
ఉదాహరణ: కంప్యూటర్ విజన్‌ను ఉపయోగించి భద్రతా ఫుటేజ్‌లో వ్యక్తులను గుర్తించే ముఖ గుర్తింపు వ్యవస్థలు.

కార్పస్ (Corpus)

Corpus
భాషా నమూనాలకు శిక్షణ ఇవ్వడానికి ఉపయోగించే వ్రాతపూర్వక లేదా మాట్లాడే వచనాల పెద్ద సేకరణ.
ఉదాహరణ: కామన్ క్రాల్ డేటాసెట్ GPT వంటి పెద్ద భాషా నమూనాలకు శిక్షణ ఇవ్వడానికి ఉపయోగించే పబ్లిక్ వెబ్ కార్పస్.

డేటా డ్రిఫ్ట్ (Data Drift)

Data Drift
ఇన్‌పుట్ డేటా కాలక్రమేణా మారడం వల్ల మోడల్ పనితీరు క్షీణించే దృగ్విషయం.
ఉదాహరణ: కొత్త సెన్సార్ టెక్నాలజీని ప్రవేశపెట్టినప్పుడు పారిశ్రామిక పరికరాల కోసం ప్రిడిక్టివ్ మెయింటెనెన్స్ మోడల్ తక్కువ ఖచ్చితమైనదిగా మారుతుంది.

డేటా లేబులింగ్ (Data Labelling)

Data Labelling
సూపర్‌వైజ్డ్ లెర్నింగ్ కోసం డేటాను ట్యాగ్‌లు లేదా లేబుల్‌లతో అనుబంధించే ప్రక్రియ.
ఉదాహరణ: క్యాన్సర్ గుర్తింపు మోడల్‌కు శిక్షణ ఇవ్వడానికి వేలాది కణితుల చిత్రాలను బినైన్ లేదా మాలిగ్నెంట్‌గా లేబుల్ చేయడం.

డేటా మైనింగ్ (Data Mining)

Data Mining
పెద్ద డేటాసెట్‌లలో అర్ధవంతమైన నమూనాలు, సహసంబంధాలు మరియు అసాధారణతలను కనుగొనే ప్రక్రియ.
ఉదాహరణ: డైపర్‌లు కొనుగోలు చేసే వ్యక్తులు బీర్ కూడా కొనుగోలు చేస్తారని గుర్తించడానికి రిటైలర్లు డేటా మైనింగ్‌ను ఉపయోగిస్తున్నారు.

డీప్ లెర్నింగ్ (Deep Learning)

Deep Learning
డేటాలో సంక్లిష్ట నమూనాలను మోడల్ చేయడానికి బహుళ-లేయర్డ్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించే మెషిన్ లెర్నింగ్ యొక్క ఉప-క్షేత్రం.
ఉదాహరణ: GPT-4 వంటి భాషా నమూనాలు మరియు స్టేబుల్ డిఫ్యూజన్ వంటి ఇమేజ్ జనరేషన్ మోడళ్లలో డీప్ లెర్నింగ్ ఉపయోగించబడుతుంది.

డిఫ్యూజన్ మోడల్స్ (Diffusion Models)

Diffusion Models
యాదృచ్ఛిక శబ్దాన్ని నిర్మాణాత్మక అవుట్‌పుట్‌లుగా క్రమంగా మార్చడం ద్వారా డేటాను ఉత్పత్తి చేయడానికి నేర్చుకునే జనరేటివ్ మోడళ్ల తరగతి.
ఉదాహరణ: స్టేబుల్ డిఫ్యూజన్ డిఫ్యూజన్ టెక్నిక్‌లను ఉపయోగించి టెక్స్ట్ ప్రాంప్ట్‌ల నుండి ఫోటోరియలిస్టిక్ చిత్రాలను సృష్టిస్తుంది.

ఎంబెడ్డింగ్ (Embedding)

Embedding
డేటా యొక్క సంఖ్యా వెక్టర్ ప్రాతినిధ్యం, తరచుగా పదాలు, చిత్రాలు లేదా వాక్యాల యొక్క అర్థవంతమైన అర్థాన్ని సంగ్రహించడానికి ఉపయోగించబడుతుంది.
ఉదాహరణ: NLPలో, 'బ్యాంక్' అనే పదానికి 'డబ్బు'కి సారూప్య ఎంబెడ్డింగ్‌లు ఉండవచ్చు కానీ సందర్భాన్ని బట్టి 'నది ఒడ్డు'కి భిన్నంగా ఉండవచ్చు.

ఎపోక్ (Epoch)

Epoch
మెషిన్ లెర్నింగ్ మోడల్ యొక్క శిక్షణ ప్రక్రియలో మొత్తం శిక్షణ డేటాసెట్ యొక్క పూర్తి పునరావృతం.
ఉదాహరణ: డేటాసెట్‌లో 1,000 ఉదాహరణలు ఉంటే మరియు మోడల్ శిక్షణ సమయంలో వాటన్నింటినీ ఒకసారి చూస్తే, అది ఒక ఎపోక్.

ఎథికల్ AI (Ethical AI)

Ethical AI
AI సాంకేతికతలు పారదర్శకంగా, సమానంగా మరియు సామాజిక విలువలకు అనుగుణంగా పనిచేస్తాయని నిర్ధారించే డిజైన్ మరియు విస్తరణ తత్వశాస్త్రం.
ఉదాహరణ: మైనారిటీ అభ్యర్థులపై వివక్షతను నివారించడానికి బయాస్ తనిఖీలను కలిగి ఉన్న AI నియామక సాధనం.

ఎక్స్‌పర్ట్ సిస్టమ్ (Expert System)

Expert System
నియమాలు మరియు తర్కాన్ని ఉపయోగించి నిర్దిష్ట డొమైన్‌లో మానవ నిపుణుడి నిర్ణయాత్మక సామర్థ్యాలను అనుకరించే AI వ్యవస్థ.
ఉదాహరణ: నేల డేటా మరియు తెగులు చరిత్ర ఆధారంగా పంట చికిత్సలను సిఫార్సు చేయడానికి వ్యవసాయంలో ఉపయోగించే నిపుణుల వ్యవస్థ.

ఎక్స్‌ప్లెయినబుల్ AI (XAI) (Explainable AI (XAI))

Explainable AI (XAI)
మానవులకు వారి అంతర్గత ప్రక్రియలు మరియు నిర్ణయాత్మక ప్రక్రియలను అర్థం చేసుకునేలా చేసే AI వ్యవస్థలు, విశ్వాసం మరియు జవాబుదారీతనాన్ని పెంచుతాయి.
ఉదాహరణ: వైద్య రోగనిర్ధారణ AI కేవలం సిఫార్సును అందించడమే కాకుండా, ఏ లక్షణాలు ఆ నిర్ధారణకు దారితీశాయో వివరిస్తుంది.

ఫ్యూ-షాట్ లెర్నింగ్ (Few-shot Learning)

Few-shot Learning
కొన్ని లేబుల్ చేయబడిన ఉదాహరణలను మాత్రమే ఉపయోగించి మోడల్ శిక్షణ పొందిన లేదా ఫైన్-ట్యూన్ చేయబడిన మెషిన్ లెర్నింగ్ పద్ధతి.
ఉదాహరణ: 10 ఉదాహరణలను చూపిన తర్వాత న్యాయపరమైన ఇమెయిల్‌లను వ్రాయడానికి LLMని అనుకూలీకరించడం.

ఫైన్-ట్యూనింగ్ (Fine-tuning)

Fine-tuning
ముందుగా శిక్షణ పొందిన మోడల్‌ను తీసుకొని, నిర్దిష్ట పని కోసం దానిని ప్రత్యేకంగా చేయడానికి కొత్త, చిన్న డేటాసెట్‌పై మరింత శిక్షణ ఇచ్చే ప్రక్రియ.
ఉదాహరణ: న్యాయపరమైన డ్రాఫ్టింగ్ అసిస్టెంట్‌ను సృష్టించడానికి అంతర్గత న్యాయపరమైన పత్రాలపై సాధారణ LLM అయిన GPTని ఫైన్-ట్యూన్ చేయడం.

ఫౌండేషన్ మోడల్ (Foundation Model)

Foundation Model
వివిధ మరియు విస్తృత డేటాపై శిక్షణ పొందిన పెద్ద-స్థాయి మోడల్, దీనిని అనేక దిగువ పనులకు అనుగుణంగా మార్చవచ్చు.
ఉదాహరణ: GPT-4 మరియు PaLM 2 ఫౌండేషన్ మోడల్స్, ఇవి సారాంశం, ప్రశ్నోత్తరాలు, అనువాదం మరియు మరిన్ని చేయగలవు.

ఫజ్జీ లాజిక్ (Fuzzy Logic)

Fuzzy Logic
నిశ్చితమైన నిజం/తప్పు (బైనరీ) తర్కం కాకుండా సుమారు విలువలతో వ్యవహరించే తర్కం యొక్క రూపం, అనిశ్చితిలో తార్కికం చేయడానికి ఉపయోగపడుతుంది.
ఉదాహరణ: 'కొంచెం వేడిగా ఉంది' లేదా 'చాలా చల్లగా ఉంది' వంటి ఫజ్జీ ఇన్‌పుట్‌ల ఆధారంగా ఉష్ణోగ్రతను సర్దుబాటు చేయడానికి వాతావరణ నియంత్రణ వ్యవస్థలలో ఉపయోగించబడుతుంది.

జనరేటివ్ అడ్వర్సేరియల్ నెట్‌వర్క్ (GAN) (Generative Adversarial Network (GAN))

Generative Adversarial Network (GAN)
రెండు నెట్‌వర్క్‌లు — ఒక జనరేటర్ మరియు ఒక డిస్క్రిమినేటర్ — అవుట్‌పుట్ నాణ్యతను మెరుగుపరచడానికి పోటీపడే జనరేటివ్ మోడల్ ఆర్కిటెక్చర్.
ఉదాహరణ: GANలు డీప్‌ఫేక్ వీడియోలను సృష్టించడానికి లేదా స్కెచ్‌ల నుండి వాస్తవిక ఉత్పత్తి ఫోటోలను రూపొందించడానికి ఉపయోగించబడతాయి.

జనరేటివ్ AI (Generative AI)

Generative AI
శిక్షణ డేటా నుండి టెక్స్ట్, చిత్రాలు, సంగీతం లేదా వీడియో వంటి కొత్త కంటెంట్‌ను సృష్టించగల కృత్రిమ మేధస్సు వర్గం.
ఉదాహరణ: ChatGPT బ్లాగ్ పోస్ట్‌లను రూపొందించడం లేదా మిడ్‌జర్నీ టెక్స్ట్‌వల్ ప్రాంప్ట్‌ల నుండి డిజిటల్ కళను సృష్టించడం.

జనరేటివ్ ప్రీ-ట్రైన్డ్ ట్రాన్స్‌ఫార్మర్ (GPT) (Generative Pre-trained Transformer (GPT))

Generative Pre-trained Transformer (GPT)
వివిధ భాషా పనులను నిర్వహించడానికి విస్తారమైన టెక్స్ట్ డేటాపై ముందుగా శిక్షణ పొందిన ట్రాన్స్‌ఫార్మర్ ఆర్కిటెక్చర్‌ను ఉపయోగించే OpenAI అభివృద్ధి చేసిన పెద్ద భాషా నమూనాల తరగతి.
ఉదాహరణ: GPT-4 కనీస ప్రాంప్టింగ్‌తో వ్యాసాలు రాయడం, భాషలను అనువదించడం మరియు పత్రాలను సంగ్రహించడం చేయగలదు.

జెనెటిక్ అల్గారిథమ్ (Genetic Algorithm)

Genetic Algorithm
సహజ ఎంపిక నుండి ప్రేరణ పొందిన ఆప్టిమైజేషన్ టెక్నిక్, ఇక్కడ పరిష్కారాలు మ్యుటేషన్, క్రాస్ఓవర్ మరియు ఎంపిక ద్వారా కాలక్రమేణా అభివృద్ధి చెందుతాయి.
ఉదాహరణ: ఫిట్‌నెస్ యొక్క మనుగడను అనుకరించడం ద్వారా సమర్థవంతమైన న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్‌లను రూపొందించడానికి ఉపయోగించబడుతుంది.

హాలూసినేషన్ (Hallucination)

Hallucination
AI మోడల్ ద్వారా విశ్వసనీయంగా ధ్వనించే కానీ వాస్తవంగా తప్పు లేదా అర్ధంలేని కంటెంట్‌ను రూపొందించడం.
ఉదాహరణ: భాషా నమూనా ఉనికిలో లేని ఉల్లేఖనాన్ని కనుగొంటుంది లేదా తప్పుడు చారిత్రక వాస్తవాలను అందిస్తుంది.

హ్యూరిస్టిక్ (Heuristic)

Heuristic
ఖచ్చితమైన పరిష్కారాన్ని హామీ ఇవ్వని ఆచరణాత్మక సమస్య-పరిష్కార విధానం కానీ తక్షణ లక్ష్యాలకు సరిపోతుంది.
ఉదాహరణ: లాజిస్టిక్స్ AI వ్యవస్థలో డెలివరీ సమయాన్ని అంచనా వేయడానికి రూల్ ఆఫ్ థంబ్ ఉపయోగించడం.

హైపర్‌పారామీటర్ (Hyperparameter)

Hyperparameter
లెర్నింగ్ రేట్ లేదా లేయర్‌ల సంఖ్య వంటి మెషిన్ లెర్నింగ్ మోడల్‌కు శిక్షణ ఇవ్వడానికి ముందు సెట్ చేయబడిన కాన్ఫిగరేషన్ విలువ.
ఉదాహరణ: శిక్షణ వేగం మరియు మోడల్ పనితీరును మెరుగుపరచడానికి బ్యాచ్ పరిమాణాన్ని 32 నుండి 128కి సర్దుబాటు చేయడం.

ఇన్ఫరెన్స్ (Inference)

Inference
కొత్త ఇన్‌పుట్ డేటా నుండి అంచనాలు వేయడానికి లేదా అవుట్‌పుట్‌లను రూపొందించడానికి శిక్షణ పొందిన మెషిన్ లెర్నింగ్ మోడల్‌ను ఉపయోగించే ప్రక్రియ.
ఉదాహరణ: కస్టమర్ సపోర్ట్ టీమ్ కోసం ఇమెయిల్‌లను డ్రాఫ్ట్ చేయడానికి ఫైన్-ట్యూన్డ్ GPT మోడల్‌ను ఉపయోగించడం.

ఇంటెంట్ డిటెక్షన్ (Intent Detection)

Intent Detection
సందేశంలో వినియోగదారు యొక్క లక్ష్యం లేదా ఉద్దేశ్యాన్ని సిస్టమ్ గుర్తించే నేచురల్ లాంగ్వేజ్ అండర్‌స్టాండింగ్‌లో ఒక పని.
ఉదాహరణ: చాట్‌బాట్‌లో, 'నేను విమానాన్ని బుక్ చేయాలనుకుంటున్నాను' అని ప్రయాణ బుకింగ్ ఉద్దేశ్యంగా గుర్తించడం.

ఇంటర్నెట్ ఆఫ్ థింగ్స్ (IoT) (Internet of Things (IoT))

Internet of Things (IoT)
డేటాను సేకరించడానికి మరియు మార్పిడి చేయడానికి సెన్సార్లు, సాఫ్ట్‌వేర్ మరియు ఇతర సాంకేతికతలతో పొందుపరిచిన ఇంటర్‌కనెక్టడ్ ఫిజికల్ పరికరాల నెట్‌వర్క్.
ఉదాహరణ: వినియోగ డేటాను నివేదించే మరియు AI విశ్లేషణలను ఉపయోగించి సెట్టింగ్‌లను సర్దుబాటు చేసే స్మార్ట్ థర్మోస్టాట్‌లు మరియు ఫ్రిజ్‌లు.

ఇంటర్‌ప్రెటబిలిటీ (Interpretability)

Interpretability
మెషిన్ లెర్నింగ్ మోడల్ యొక్క అంతర్గత యంత్రాంగాలు మరియు దాని నిర్ణయాత్మక ప్రక్రియను మానవుడు అర్థం చేసుకోగల స్థాయి.
ఉదాహరణ: దాని నిర్ణయాలు గుర్తించదగినవి కాబట్టి డీప్ న్యూరల్ నెట్‌వర్క్ కంటే డెసిషన్ ట్రీ మరింత అర్థమయ్యేది.

జూపిటర్ నోట్‌బుక్ (Jupyter Notebook)

Jupyter Notebook
ఒకే ఇంటర్‌ఫేస్‌లో కోడ్ వ్రాయడానికి, అవుట్‌పుట్‌లను దృశ్యమానం చేయడానికి మరియు విశ్లేషణను డాక్యుమెంట్ చేయడానికి వినియోగదారులను అనుమతించే ఓపెన్-సోర్స్ ఇంటరాక్టివ్ కంప్యూటింగ్ వాతావరణం.
ఉదాహరణ: డేటా శాస్త్రవేత్తలు మెషిన్ లెర్నింగ్ మోడళ్లను ప్రోటోటైప్ చేయడానికి మరియు ఫలితాలను పంచుకోవడానికి జూపిటర్ నోట్‌బుక్‌లను ఉపయోగిస్తారు.

K-నియరెస్ట్ నైబర్స్ (KNN) (K-Nearest Neighbours (KNN))

K-Nearest Neighbours (KNN)
వర్గీకరణ మరియు రిగ్రెషన్ కోసం ఉపయోగించే ఒక సాధారణ, నాన్-పారామెట్రిక్ మెషిన్ లెర్నింగ్ అల్గారిథమ్. ఇది ఫీచర్ స్పేస్‌లో సమీప శిక్షణ ఉదాహరణల ఆధారంగా నిర్ణయాలు తీసుకుంటుంది.
ఉదాహరణ: కొత్త పండును ఆపిల్ లేదా పియర్‌గా వర్గీకరించడానికి, KNN ఆకారం మరియు రంగులో దగ్గరగా ఉన్న లేబుల్ చేయబడిన పండ్లను తనిఖీ చేస్తుంది.

నాలెడ్జ్ గ్రాఫ్ (Knowledge Graph)

Knowledge Graph
ఎంటిటీలు మరియు వాటి సంబంధాల యొక్క ఇంటర్‌లింక్డ్ వివరణలను సూచించడానికి మరియు నిల్వ చేయడానికి నోడ్‌లు మరియు అంచులను ఉపయోగించే డేటా నిర్మాణం.
ఉదాహరణ: గూగుల్ యొక్క నాలెడ్జ్ ప్యానెల్ వ్యక్తులు, స్థలాలు మరియు సంఘటనల వంటి ఎంటిటీలను కనెక్ట్ చేసే నాలెడ్జ్ గ్రాఫ్ ద్వారా శక్తిని పొందుతుంది.

లాంగ్వేజ్ లెర్నింగ్ మోడల్ ఆప్టిమైజేషన్ (LLMO) (Language Learning Model Optimisation (LLMO))

Language Learning Model Optimisation (LLMO)
నిర్దిష్ట పనులు లేదా డొమైన్‌ల కోసం పెద్ద భాషా నమూనాల పనితీరు, సామర్థ్యం లేదా అనుకూలతను మెరుగుపరచడానికి ఉపయోగించే పద్ధతులు.
ఉదాహరణ: ఎంటర్‌ప్రైజ్ ఉపయోగం కోసం LLMని ఆప్టిమైజ్ చేయడానికి క్వాంటైజేషన్ మరియు ఇన్‌స్ట్రక్షన్ ట్యూనింగ్‌ను ఉపయోగించడం.

లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) (Large Language Model (LLM))

Large Language Model (LLM)
విస్తారమైన టెక్స్ట్‌వల్ డేటాపై శిక్షణ పొందిన డీప్ లెర్నింగ్ మోడల్ రకం, ఇది మానవ భాషతో రూపొందించడానికి, అర్థం చేసుకోవడానికి మరియు తార్కికం చేయడానికి సామర్థ్యం కలిగి ఉంటుంది.
ఉదాహరణ: ChatGPT మరియు Claude LLMలు, ఇవి రాయడం, కోడింగ్ మరియు ప్రశ్నలకు సమాధానం ఇవ్వడంలో సహాయపడటానికి శిక్షణ పొందాయి.

లేటెంట్ స్పేస్ (Latent Space)

Latent Space
జనరేటివ్ మోడల్స్ మరియు ఎంబెడ్డింగ్‌లలో ఉపయోగించే, సారూప్య ఇన్‌పుట్‌లు దగ్గరగా సమూహపరచబడిన అధిక-డైమెన్షనల్ సంగ్రహ ప్రాతినిధ్యం.
ఉదాహరణ: ఇమేజ్ జనరేషన్‌లో, లేటెంట్ స్పేస్‌ను మార్చడం వల్ల ప్రకాశం లేదా భావోద్వేగం వంటి లక్షణాలు మారవచ్చు.

లెర్నింగ్ రేట్ (Learning Rate)

Learning Rate
లాస్ గ్రేడియంట్‌కు సంబంధించి మోడల్ వెయిట్‌లు ఎంతవరకు సర్దుబాటు చేయబడతాయో నియంత్రించే శిక్షణలో కీలకమైన హైపర్‌పారామీటర్.
ఉదాహరణ: అధిక లెర్నింగ్ రేట్ కనిష్టాలను అధిగమించడానికి దారితీయవచ్చు, అయితే చాలా తక్కువ రేటు శిక్షణ పురోగతిని నెమ్మదిస్తుంది.

మెషిన్ లెర్నింగ్ (ML) (Machine Learning (ML))

Machine Learning (ML)
AI యొక్క ఒక శాఖ, ఇది సిస్టమ్‌లను డేటా నుండి నేర్చుకోవడానికి మరియు స్పష్టంగా ప్రోగ్రామ్ చేయకుండా పనితీరును మెరుగుపరచడానికి అనుమతిస్తుంది.
ఉదాహరణ: స్పామ్ ఫిల్టర్‌లు గత ఉదాహరణల ఆధారంగా ఇమెయిల్‌లను స్పామ్ లేదా కాదని వర్గీకరించడానికి మెషిన్ లెర్నింగ్‌ను ఉపయోగిస్తాయి.

మోడల్ డ్రిఫ్ట్ (Model Drift)

Model Drift
డేటా లేదా పర్యావరణంలో మార్పుల కారణంగా కాలక్రమేణా మోడల్ యొక్క ఖచ్చితత్వం క్షీణించే దృగ్విషయం.
ఉదాహరణ: మోసం పద్ధతులు అభివృద్ధి చెందుతున్నప్పుడు మోసం గుర్తింపు మోడల్ తక్కువ ఖచ్చితమైనదిగా మారుతుంది.

మోడల్ ట్రైనింగ్ (Model Training)

Model Training
మెషిన్ లెర్నింగ్ మోడల్‌కు డేటాను ఫీడ్ చేసే మరియు లోపాన్ని తగ్గించడానికి దాని పారామితులను సర్దుబాటు చేసే ప్రక్రియ.
ఉదాహరణ: కొత్త ఉత్పత్తులను సూచించడానికి కస్టమర్ కొనుగోలు చరిత్రపై సిఫార్సు ఇంజిన్‌కు శిక్షణ ఇవ్వడం.

మల్టీమోడల్ AI (Multimodal AI)

Multimodal AI
టెక్స్ట్, చిత్రాలు, ఆడియో మరియు వీడియో వంటి బహుళ రకాల డేటాను ప్రాసెస్ చేయడానికి మరియు ఏకీకృతం చేయడానికి సామర్థ్యం గల AI వ్యవస్థలు.
ఉదాహరణ: GPT-4 విజన్ వంటి మోడల్, ఇది ఒకేసారి టెక్స్ట్‌ను చదవగలదు మరియు చిత్రాలను అర్థం చేసుకోగలదు.

నేచురల్ లాంగ్వేజ్ ప్రాసెసింగ్ (NLP) (Natural Language Processing (NLP))

Natural Language Processing (NLP)
కంప్యూటర్‌లు మరియు మానవ (సహజ) భాషల మధ్య పరస్పర చర్యపై దృష్టి సారించే AI యొక్క ఉప-క్షేత్రం. ఇది యంత్రాలను మానవ భాషలో చదవడానికి, అర్థం చేసుకోవడానికి మరియు ప్రతిస్పందించడానికి అనుమతిస్తుంది.
ఉదాహరణ: NLP వాయిస్ అసిస్టెంట్‌లు, భాషా అనువాద యాప్‌లు మరియు చాట్‌బాట్‌లలో ఉపయోగించబడుతుంది.

న్యూరల్ నెట్‌వర్క్ (Neural Network)

Neural Network
మానవ మెదడు యొక్క నిర్మాణం నుండి ప్రేరణ పొందిన మెషిన్ లెర్నింగ్ మోడల్, ఇంటర్‌కనెక్టడ్ నోడ్‌ల (న్యూరాన్లు) లేయర్‌లతో కూడి ఉంటుంది.
ఉదాహరణ: ఇమేజ్ మరియు స్పీచ్ రికగ్నిషన్‌లో ఉపయోగించే డీప్ లెర్నింగ్ మోడళ్ల వెనుక న్యూరల్ నెట్‌వర్క్‌లు ఉన్నాయి.

నాయిస్ (Noise)

Noise
డేటాలో యాదృచ్ఛిక లేదా అసంబద్ధమైన సమాచారం, ఇది అర్ధవంతమైన నమూనాలను అస్పష్టం చేస్తుంది మరియు మోడల్ పనితీరును ప్రతికూలంగా ప్రభావితం చేస్తుంది.
ఉదాహరణ: సెన్సార్ లోపాలు లేదా టైపో-నిండిన డేటా ఎంట్రీలు శబ్దం వలె పరిగణించబడతాయి.

ఆంటాలజీ (Ontology)

Ontology
ఒక డొమైన్‌లోని భావనల మధ్య సంబంధాలను వర్గీకరించే మరియు నిర్వచించే నిర్మాణాత్మక ఫ్రేమ్‌వర్క్, తరచుగా సెమాంటిక్ AI వ్యవస్థలలో ఉపయోగించబడుతుంది.
ఉదాహరణ: ఆరోగ్య సంరక్షణలో ఒక ఆంటాలజీ లక్షణాలు వ్యాధులు మరియు చికిత్సలతో ఎలా సంబంధం కలిగి ఉంటాయో నిర్వచించవచ్చు.

ఓవర్‌ఫిట్టింగ్ (Overfitting)

Overfitting
శిక్షణ డేటాలో శబ్దాన్ని సంగ్రహించే మరియు కొత్త డేటాపై పేలవంగా పనిచేసే మోడలింగ్ లోపం.
ఉదాహరణ: శిక్షణ సమాధానాలను గుర్తుంచుకునే కానీ చూడని పరీక్ష డేటాను నిర్వహించలేని మోడల్ ఓవర్‌ఫిట్ చేయబడింది.

ప్రిడిక్టివ్ అనలిటిక్స్ (Predictive Analytics)

Predictive Analytics
చారిత్రక డేటా ఆధారంగా భవిష్యత్ ఫలితాల సంభావ్యతను గుర్తించడానికి డేటా, అల్గారిథమ్‌లు మరియు AI ఉపయోగం.
ఉదాహరణ: నిర్దిష్ట ఉత్పత్తుల కోసం డిమాండ్‌ను అంచనా వేయడానికి రిటైలర్లు ప్రిడిక్టివ్ అనలిటిక్స్‌ను ఉపయోగిస్తారు.

ప్రీ-ట్రైనింగ్ (Pre-training)

Pre-training
నిర్దిష్ట పనుల కోసం దానిని ఫైన్-ట్యూన్ చేయడానికి ముందు పెద్ద, సాధారణ డేటాసెట్‌పై మోడల్‌కు ప్రారంభ శిక్షణ ఇచ్చే ప్రక్రియ.
ఉదాహరణ: కస్టమర్ సర్వీస్ చాట్‌బాట్‌ల కోసం అనుకూలీకరించడానికి ముందు GPT మోడళ్లకు పెద్ద కార్పోరాపై ప్రీ-ట్రైనింగ్ ఇవ్వబడుతుంది.

ప్రాంప్ట్ ఇంజనీరింగ్ (Prompt Engineering)

Prompt Engineering
పెద్ద భాషా నమూనాల అవుట్‌పుట్‌ను నిర్దేశించడానికి సమర్థవంతమైన ప్రాంప్ట్‌లను రూపొందించే కళ మరియు విజ్ఞానం.
ఉదాహరణ: 'మర్యాదపూర్వక ట్యూటర్‌గా ప్రత్యుత్తరం ఇవ్వండి' వంటి సిస్టమ్ సూచనలను జోడించడం ప్రాంప్ట్ ఇంజనీరింగ్‌కు ఒక ఉదాహరణ.

క్వాంటైజేషన్ (Quantisation)

Quantisation
సామర్థ్యాన్ని పెంచే బరువులు మరియు యాక్టివేషన్‌లను సూచించడానికి ఉపయోగించే బిట్‌ల సంఖ్యను తగ్గించే మోడల్ కంప్రెషన్ టెక్నిక్.
ఉదాహరణ: 32-బిట్ నుండి 8-బిట్‌కు మోడల్‌ను క్వాంటైజ్ చేయడం మొబైల్ పరికరాలలో పనితీరును మెరుగుపరుస్తుంది.

క్వాంటం కంప్యూటింగ్ (Quantum Computing)

Quantum Computing
క్వాంటం మెకానిక్స్ ఆధారంగా కంప్యూటింగ్ యొక్క కొత్త నమూనా, ఇది ఘాతాంక ప్రాసెసింగ్ సామర్థ్యాలకు సంభావ్యతను కలిగి ఉంటుంది.
ఉదాహరణ: క్వాంటం కంప్యూటింగ్ ఒక రోజు క్లాసికల్ పరిమితులను మించి AI శిక్షణను వేగవంతం చేయవచ్చు.

రీజనింగ్ ఇంజిన్ (Reasoning Engine)

Reasoning Engine
నియమాలు లేదా అనుమితి అల్గారిథమ్‌లను ఉపయోగించి వాస్తవాలు లేదా డేటా సెట్ నుండి తార్కిక ముగింపులను పొందే AIలో ఒక వ్యవస్థ.
ఉదాహరణ: AI రోగనిర్ధారణ సాధనం లక్షణాల ఆధారంగా సాధ్యమయ్యే వైద్య పరిస్థితులను ఊహించడానికి రీజనింగ్ ఇంజిన్‌ను ఉపయోగిస్తుంది.

రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ (RL) (Reinforcement Learning (RL))

Reinforcement Learning (RL)
ఏజెంట్లు తమ పర్యావరణంతో సంకర్షణ చెందడం ద్వారా సంచిత రివార్డ్‌లను పెంచుకోవడానికి నేర్చుకునే మెషిన్ లెర్నింగ్ యొక్క ఒక ప్రాంతం.
ఉదాహరణ: RL టెక్నిక్‌లను ఉపయోగించి ట్రయల్ అండ్ ఎర్రర్ ద్వారా నడవడం నేర్చుకునే రోబోట్.

రీఇన్‌ఫోర్స్‌మెంట్ లెర్నింగ్ విత్ హ్యూమన్ ఫీడ్‌బ్యాక్ (RLHF) (Reinforcement Learning with Human Feedback (RLHF))

Reinforcement Learning with Human Feedback (RLHF)
మానవ ప్రాధాన్యతలు AI యొక్క రివార్డ్ సిగ్నల్‌ను మార్గనిర్దేశం చేసే లెర్నింగ్ పద్ధతి, తరచుగా భాషా నమూనాలను ఫైన్-ట్యూన్ చేయడానికి ఉపయోగించబడుతుంది.
ఉదాహరణ: ChatGPT మరింత సహాయకరమైన మరియు సురక్షితమైన ప్రతిస్పందనలను ఉత్పత్తి చేయడానికి RLHFతో శిక్షణ పొందింది.

రిట్రీవల్-ఆగ్మెంటెడ్ జనరేషన్ (RAG) (Retrieval-Augmented Generation (RAG))

Retrieval-Augmented Generation (RAG)
సమాచార పునరుద్ధరణను జనరేషన్‌తో కలిపే పద్ధతి, ఇక్కడ LLM దాని ప్రతిస్పందనను మెరుగుపరచడానికి సంబంధిత పత్రాలను పొందుతుంది.
ఉదాహరణ: AI అసిస్టెంట్ సాంకేతిక ప్రశ్నకు సమాధానం రూపొందించేటప్పుడు ఉత్పత్తి స్పెక్స్‌ను తిరిగి పొందుతుంది మరియు ఉల్లేఖిస్తుంది.

సెల్ఫ్-సూపర్‌వైజ్డ్ లెర్నింగ్ (Self-Supervised Learning)

Self-Supervised Learning
మోడల్ ముడి డేటా నుండి దాని స్వంత లేబుల్‌లను రూపొందించడం ద్వారా నమూనాలను నేర్చుకునే శిక్షణ విధానం, మానవ-అనుబంధిత డేటాపై ఆధారపడటాన్ని తగ్గిస్తుంది.
ఉదాహరణ: BERT టెక్స్ట్‌లో తప్పిపోయిన పదాలను అంచనా వేయడం ద్వారా సెల్ఫ్-సూపర్‌వైజ్డ్ లెర్నింగ్‌తో శిక్షణ పొందింది.

సెమాంటిక్ సెర్చ్ (Semantic Search)

Semantic Search
కీవర్డ్ సరిపోలిక కంటే వినియోగదారు ఉద్దేశ్యం మరియు సందర్భోచిత అర్థాన్ని అర్థం చేసుకునే శోధన టెక్నిక్.
ఉదాహరణ: 'లీక్ అవుతున్న కుళాయిని ఎలా పరిష్కరించాలి' అని శోధించడం వల్ల పత్రంలో 'లీక్ అవుతున్న కుళాయి' అనే పదం లేకపోయినా మార్గదర్శకాలు వస్తాయి.

సెంటిమెంట్ అనాలిసిస్ (Sentiment Analysis)

Sentiment Analysis
టెక్స్ట్‌లోని భావోద్వేగాలు, అభిప్రాయాలు లేదా వైఖరులను గుర్తించే ప్రక్రియ, తరచుగా సానుకూల, ప్రతికూల లేదా తటస్థంగా వర్గీకరిస్తుంది.
ఉదాహరణ: కొత్త ఉత్పత్తికి ప్రజా ప్రతిస్పందనను అంచనా వేయడానికి ట్వీట్‌లను విశ్లేషించడం.

స్టోకాస్టిక్ (Stochastic)

Stochastic
యాదృచ్ఛికత లేదా సంభావ్య ప్రవర్తనతో కూడి ఉంటుంది, తరచుగా జనరేటివ్ AI మరియు ఆప్టిమైజేషన్ అల్గారిథమ్‌లలో ఉపయోగించబడుతుంది.
ఉదాహరణ: GPT-4 యొక్క అవుట్‌పుట్ దాని స్టోకాస్టిక్ డీకోడింగ్ ప్రక్రియ కారణంగా అదే ఇన్‌పుట్ కోసం మారుతుంది.

స్ట్రాంగ్ AI (Strong AI)

Strong AI
ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్ (AGI) అని కూడా పిలుస్తారు, ఇది అన్ని డొమైన్‌లలో మానవ-స్థాయి అభిజ్ఞా సామర్థ్యాలు కలిగిన యంత్రాలను సూచిస్తుంది.
ఉదాహరణ: నవలలు రాయగల, నగరాలను ప్లాన్ చేయగల మరియు నైతిక చిక్కులను సమానంగా పరిష్కరించగల భవిష్యత్ AI.

సూపర్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (SAI) (Super Artificial Intelligence (SAI))

Super Artificial Intelligence (SAI)
అన్ని అంశాలలో మానవ మేధస్సును మించిన సైద్ధాంతిక AI - తార్కికం, సృజనాత్మకత, భావోద్వేగ మేధస్సు, మొదలైనవి.
ఉదాహరణ: ఒక SAI సైద్ధాంతికంగా కొత్త శాస్త్రాలు మరియు తత్వశాస్త్రాలను స్వతంత్రంగా అభివృద్ధి చేయగలదు.

సూపర్‌వైజ్డ్ లెర్నింగ్ (Supervised Learning)

Supervised Learning
ఇన్‌పుట్-అవుట్‌పుట్ మ్యాపింగ్‌లను నేర్చుకోవడానికి లేబుల్ చేయబడిన డేటాపై మోడళ్లకు శిక్షణ ఇచ్చే మెషిన్ లెర్నింగ్ టెక్నిక్.
ఉదాహరణ: చారిత్రక ఉదాహరణలను ఉపయోగించి ఇమెయిల్‌లను స్పామ్ లేదా కాదని వర్గీకరించడానికి మోడల్‌కు శిక్షణ ఇవ్వడం.

సింథటిక్ డేటా (Synthetic Data)

Synthetic Data
నిజ-ప్రపంచ డేటాను అనుకరించే కృత్రిమంగా రూపొందించబడిన డేటా, నిజమైన డేటా కొరతగా లేదా సున్నితంగా ఉన్నప్పుడు శిక్షణ కోసం తరచుగా ఉపయోగించబడుతుంది.
ఉదాహరణ: రోగి గోప్యతను ఉల్లంఘించకుండా రోగనిర్ధారణ మోడళ్లకు శిక్షణ ఇవ్వడానికి సింథటిక్ మెడికల్ చిత్రాలను సృష్టించడం.

టోకెన్ (Token)

Token
LLMల ద్వారా ప్రాసెస్ చేయబడిన టెక్స్ట్ యొక్క యూనిట్ - సాధారణంగా ఒక పదం లేదా పద భాగం.
ఉదాహరణ: 'హలో వరల్డ్!' అనే వాక్యం 3 టోకెన్‌లుగా విభజించబడింది: 'హలో', 'వరల్డ్', మరియు '!'.

టోకెనైజేషన్ (Tokenisation)

Tokenisation
మోడల్ ద్వారా ప్రాసెసింగ్ కోసం టెక్స్ట్‌ను టోకెన్‌లుగా విభజించే ప్రక్రియ.
ఉదాహరణ: NLPలో, 'ChatGPT గొప్పది' ['Chat', 'G', 'PT', 'is', 'great']గా మారుతుంది.

ట్రాన్స్‌ఫర్ లెర్నింగ్ (Transfer Learning)

Transfer Learning
మరొక సంబంధిత పనిపై అభ్యాసాన్ని మెరుగుపరచడానికి ఒక పని నుండి జ్ఞానాన్ని ఉపయోగించడం, శిక్షణ సమయం మరియు డేటా అవసరాలను తగ్గించడం.
ఉదాహరణ: మరొక భాషలో సెంటిమెంట్ విశ్లేషణను నిర్వహించడానికి ఇంగ్లీష్ టెక్స్ట్‌పై శిక్షణ పొందిన మోడల్‌ను ఫైన్-ట్యూన్ చేయడం.

ట్రాన్స్‌ఫార్మర్ (Transformer)

Transformer
సీక్వెన్షియల్ డేటాను మోడల్ చేయడానికి అటెన్షన్ మెకానిజమ్‌లను ఉపయోగించే న్యూరల్ నెట్‌వర్క్ ఆర్కిటెక్చర్, LLMలలో విస్తృతంగా ఉపయోగించబడుతుంది.
ఉదాహరణ: BERT, GPT మరియు T5 అన్నీ ట్రాన్స్‌ఫార్మర్-ఆధారిత నమూనాలు.

అండర్‌ఫిట్టింగ్ (Underfitting)

Underfitting
శిక్షణ డేటాలో నమూనాలను సంగ్రహించడానికి మోడల్ చాలా సరళంగా ఉన్నప్పుడు, పేలవమైన పనితీరుకు దారితీస్తుంది.
ఉదాహరణ: సంక్లిష్ట చిత్ర వర్గీకరణలను అంచనా వేయడానికి ప్రయత్నించే లీనియర్ మోడల్ అండర్‌ఫిట్ కావచ్చు.

అన్‌సూపర్‌వైజ్డ్ లెర్నింగ్ (Unsupervised Learning)

Unsupervised Learning
లేబుల్ చేయని డేటాలో నమూనాలు లేదా క్లస్టర్‌లను గుర్తించే మోడళ్ల అభ్యాస విధానం.
ఉదాహరణ: ముందుగా నిర్వచించబడిన లేబుల్‌లు లేకుండా కొనుగోలు ప్రవర్తన ఆధారంగా కస్టమర్‌లను సమూహపరచడం.

యూజర్ ఇంటెంట్ (User Intent)

User Intent
వినియోగదారు యొక్క ప్రశ్న లేదా పరస్పర చర్య వెనుక ఉన్న లక్ష్యం లేదా ఉద్దేశ్యం.
ఉదాహరణ: 'కేక్ ఎలా కాల్చాలి' అని టైప్ చేసే వినియోగదారు రెసిపీని కనుగొనాలని ఉద్దేశించాడు.

వాలిడేషన్ సెట్ (Validation Set)

Validation Set
శిక్షణ సమయంలో మోడల్ పనితీరును మూల్యాంకనం చేయడానికి మరియు హైపర్‌పారామీటర్‌లను ట్యూన్ చేయడానికి ఉపయోగించే డేటా యొక్క ఉపసమితి.
ఉదాహరణ: తుది పరీక్షకు ముందు ఓవర్‌ఫిట్టింగ్‌ను గుర్తించడానికి ఉపయోగించబడుతుంది.

వెక్టర్ డేటాబేస్ (Vector Database)

Vector Database
AI పనులలో ఉపయోగించే వెక్టర్ ఎంబెడ్డింగ్‌లను నిల్వ చేయడానికి మరియు శోధించడానికి రూపొందించబడిన డేటాబేస్, సారూప్యత శోధన మరియు RAG వంటివి.
ఉదాహరణ: పైన్‌కోన్ మరియు వీవియేట్ టెక్స్ట్ లేదా ఇమేజ్ ఎంబెడ్డింగ్‌లను నిల్వ చేయడానికి వెక్టర్ డేటాబేస్‌లు.

వెక్టర్ ఎంబెడ్డింగ్ (Vector Embedding)

Vector Embedding
డేటా యొక్క సంఖ్యా ప్రాతినిధ్యం, ఇది వెక్టర్ స్పేస్‌లో అర్థవంతమైన అర్థం మరియు సంబంధాలను సంరక్షిస్తుంది.
ఉదాహరణ: 'రాజు' మరియు 'రాణి' అనే పదాలకు సారూప్య ఎంబెడ్డింగ్‌లు ఉన్నాయి, లింగ భేదాలు సూక్ష్మంగా ఉంటాయి.

వర్చువల్ అసిస్టెంట్ (Virtual Assistant)

Virtual Assistant
సంభాషణ లేదా వాయిస్ ఆదేశాల ద్వారా వినియోగదారులకు పనులను పూర్తి చేయడంలో సహాయపడే AI-ఆధారిత సాఫ్ట్‌వేర్ ఏజెంట్.
ఉదాహరణ: సిరి, అలెక్సా మరియు గూగుల్ అసిస్టెంట్ ప్రసిద్ధ వర్చువల్ అసిస్టెంట్‌లు.

వాయిస్ రికగ్నిషన్ (Voice Recognition)

Voice Recognition
మాట్లాడే భాషను టెక్స్ట్ లేదా చర్యగా అర్థం చేసుకునే మరియు మార్చే సాంకేతికత.
ఉదాహరణ: వాయిస్ టైపింగ్ మరియు వాయిస్ ఆదేశాలు వాయిస్ రికగ్నిషన్ సిస్టమ్‌లపై ఆధారపడతాయి.

వీక్ AI (Weak AI)

Weak AI
సాధారణ మేధస్సు లేకుండా నిర్దిష్ట, ఇరుకైన పనిని నిర్వహించడానికి రూపొందించబడిన AI వ్యవస్థలు.
ఉదాహరణ: భాషను అర్థం చేసుకోలేని లేదా కారును నడపలేని చదరంగం ఆడే AI బలహీనమైన AIకి ఉదాహరణ.

వెబ్ స్క్రాపింగ్ (Web Scraping)

Web Scraping
వెబ్‌సైట్‌ల నుండి సమాచారాన్ని స్వయంచాలకంగా సంగ్రహించడం, తరచుగా శిక్షణ డేటాను సేకరించడానికి లేదా కంటెంట్‌ను పర్యవేక్షించడానికి ఉపయోగించబడుతుంది.
ఉదాహరణ: ఆస్తి విలువ మోడల్‌కు శిక్షణ ఇవ్వడానికి రియల్ ఎస్టేట్ జాబితాలను స్క్రాప్ చేయడం.

వెయిట్ (Weight)

Weight
న్యూరల్ నెట్‌వర్క్‌లలో ఒక పారామీటర్, ఇది ఒక నోడ్ మరొకదానిపై ఎంత ప్రభావం చూపుతుందో నిర్ణయిస్తుంది.
ఉదాహరణ: మోడల్ లోపాన్ని తగ్గించడానికి శిక్షణ సమయంలో వెయిట్‌లు సర్దుబాటు చేయబడతాయి.

విస్పర్‌ (Whisper)

Whisper
OpenAI అభివృద్ధి చేసిన స్పీచ్-టు-టెక్స్ట్ మోడల్, ఇది బహుళ భాషలలో ఆడియోను ట్రాన్స్‌క్రైబ్ చేయగలదు.
ఉదాహరణ: విస్పర్‌ ఉపన్యాసాలు మరియు పాడ్‌కాస్ట్‌లను అధిక ఖచ్చితత్వంతో ట్రాన్స్‌క్రైబ్ చేయగలదు.

YAML (YAML)

YAML
డేటా సీరియలైజేషన్ కోసం మానవ-చదవగలిగే ఫార్మాట్, తరచుగా మెషిన్ లెర్నింగ్ వర్క్‌ఫ్లోలలో కాన్ఫిగరేషన్ ఫైల్‌ల కోసం ఉపయోగించబడుతుంది.
ఉదాహరణ: పైటార్చ్‌లో శిక్షణ కోసం YAML ఫైల్‌లో మోడల్ పారామితులను నిర్వచించడం.

జీరో-షాట్ లెర్నింగ్ (Zero-shot Learning)

Zero-shot Learning
సాధారణ జ్ఞానాన్ని ఉపయోగించడం ద్వారా ఇది ఎప్పుడూ స్పష్టంగా శిక్షణ పొందనటువంటి పనులను నిర్వహించగల మోడల్ యొక్క సామర్థ్యం.
ఉదాహరణ: న్యాయపరమైన డేటాపై ప్రత్యేకంగా శిక్షణ పొందనప్పటికీ, న్యాయపరమైన ప్రశ్నలకు సమాధానం ఇచ్చే మోడల్.

జెట్టాబైట్ (Zettabyte)

Zettabyte
ఒక సెక్సిలియన్ (10^21) బైట్‌లకు సమానమైన డిజిటల్ డేటా యొక్క యూనిట్, తరచుగా ఇంటర్నెట్ డేటా యొక్క స్థాయిని వివరించడానికి ఉపయోగించబడుతుంది.
ఉదాహరణ: 2016 నాటికి ప్రపంచ ఇంటర్నెట్ ట్రాఫిక్ సంవత్సరానికి 1 జెట్టాబైట్‌ను అధిగమించింది.