Alignment (Alignment)
Alignment
Proses bi ngay def ngir wóoral ne objectifs, outputs, ak comportements système AI bi ñoo ngi dox ak objectifs ak valeurs nit ñi. Lii am na solo ci systèmes yu avancé yi mën a am ay comportements yu ñu bëggul.
Misal: Wóoral ne chatbot bu jappale ci wér gi yaram du wax dara lu bon, lu mu wax wax.
Application Programming Interface (API) (Application Programming Interface (API))
Application Programming Interface (API)
Ay règles ak protocoles yu ñu défini yu may systèmes logiciels yu wuute ñu waxtaan ak ñu jël ak jox données.
Misal: Jëfandikoo OpenAI API ngir yónnee ab prompt ak am ab réponse bu modèle de langue généré ci sa web app.
Artificial General Intelligence (AGI) (Artificial General Intelligence (AGI))
Artificial General Intelligence (AGI)
Ab forme théorique AI bu mën a def lépp liggéey intellectuel bu nit mën a def. Dañuy généraliser apprentissage bi ci ay domaines.
Misal: Ab système AGI mën na jà ng composition musicale, def chirurgie, ak am examen philosophie sans programmation spécifique.
Artificial Intelligence (AI) (Artificial Intelligence (AI))
Artificial Intelligence (AI)
Simulation intelligence humaine ci masin yi ñu programmé ngir xalaat, raisonner, ak dox ci seen bopp.
Misal: AI moo tax ay assistants personnels yu mel ni Siri ak systèmes de conduite autonomes yu mel ni Tesla Autopilot di dox.
AI Ethics (AI Ethics)
AI Ethics
Ab discipline bu jëm ci implications morales développement ak jëfandikoo AI, ci lu ci mel ni équité, confidentialité, responsabilité, ak non-discrimination.
Misal: Sà kk ay directives ngir bañ ay algorithmes de recrutement di discriminer ci base genre walla ethnie.
Augmented Intelligence (Augmented Intelligence)
Augmented Intelligence
Ab modèle collaboratif bu AI di compléte ak di yokk intelligence humaine ci lieu de remplacer ko.
Misal: Ay outils de radiologie AI-powered yu di wone ay anomalies ci ay docteurs, ñoom ñoo def diagnostic final.
Autonomous Agent (Autonomous Agent)
Autonomous Agent
Ab système AI bu mën a jël ay décisions ak def ay actions ngir am ay objectifs sans intervention humaine.
Misal: Ab robot de livraison autonome bu di dox ci ay rues ville ak di bañ ay obstacles ci boppam.
Backpropagation (Backpropagation)
Backpropagation
Ab technique ngir entraîner ay réseaux neuronaux ci yokk ay poids ci sens inverse du output ba ci input layers, di minimiser erreurs de prédiction.
Misal: Jëfandikoo ci entraînement image classifiers ngir wà ññi taux d'erreur ci reconnaître ay chiffres yu ñu bind ak loxo.
Bias (Algorithmic Bias) (Bias (Algorithmic Bias))
Bias (Algorithmic Bias)
Faveur involontaire ak systématique ci ay résultats AI bu ñu am ci ay données d'entraînement yu déséquilibrées walla yu nekkul représentatives.
Misal: Ab système de reconnaissance faciale bu di jaxase ay nit ñu ñuul ak ñu ñuul ñu gën a bari ci entraînement données.
Big Data (Big Data)
Big Data
Ay ensembles de données yu am solo yu laaj ay outils spéciaux ngir stocker, analyser, ak jël valeur, yu ñu jëfandikoo ngir entraîner ay modèles AI.
Misal: Jëfandikoo ay millions d'interactions utilisateurs ngir entraîner ay moteurs de recommandation ngir plateformes e-commerce.
Black Box Model (Black Box Model)
Black Box Model
Ab type modèle AI walla machine learning bu sa logique interne jafe la nit ñi di firi, loolu tax jafe la xam nu ay décisions di am.
Misal: Ab réseau neuronal profond bu ñu jëfandikoo ngir approuver ay prêts mais du jox ab explication bu leer ngir lan la ab demandeur accepté ak beneen rejeté.
Cognitive Computing (Cognitive Computing)
Cognitive Computing
Ay systèmes AI yu ñu sà kk ngir simuler ay processus de pensée humaine, ci lu ci mel ni raisonnement ak apprentissage, ci jëfandikoo ay techniques yu mel ni NLP ak reconnaissance de formes.
Misal: Ab système de cognitive computing bu di jappale ay professionnels du droit ci analyser ay cas ak prédire ay résultats.
Computer Vision (Computer Vision)
Computer Vision
Ab domaine intelligence artificielle bu may ordinateurs yi ñu firi ak traiter ay données visuelles yu mel ni images ak vidéos.
Misal: Ay systèmes de reconnaissance faciale yu di identifié ay nit ci ay images de sécurité ci jëfandikoo computer vision.
Corpus (Corpus)
Corpus
Ab collection bu rëy bu ay textes yu ñu bind walla yu ñu wax yu ñu jëfandikoo ngir entraîner ay modèles de langue.
Misal: Dataset Common Crawl ab corpus web public la bu ñu jëfandikoo ngir entraîner ay modèles de langue yu rëy yu mel ni GPT.
Data Drift (Data Drift)
Data Drift
Phénomène bi données d'entrée di soppi ci jamono, loolu tax performance modèle bi di wà ññi.
Misal: Ab modèle de maintenance prédictive ngir équipements industriels di wà ññi précision bi ci jamono bi ay nouvelles technologies de capteurs di am.
Data Labelling (Data Labelling)
Data Labelling
Proses bi ngay annoter données ak ay tags walla ay labels ngir mu mën a jëfandikoo ci apprentissage supervisé.
Misal: Labelliser ay milliers d'images de tumeurs comme bénignes walla malignes ngir entraîner ab modèle de détection cancer.
Data Mining (Data Mining)
Data Mining
Proses bi ngay gis ay formes yu am solo, ay corrélations, ak ay anomalies ci ay ensembles de données yu rëy.
Misal: Ay détaillants yu di jëfandikoo data mining ngir gis ne ay nit ñi di jënd ay couches souvent di jënd bière itam.
Deep Learning (Deep Learning)
Deep Learning
Ab sous-domaine machine learning bu di jëfandikoo ay réseaux neuronaux multi-couches ngir modéliser ay formes complexes ci données.
Misal: Deep learning moo ngi ci ay modèles de langue yu mel ni GPT-4 ak ay modèles de génération d'images yu mel ni Stable Diffusion.
Diffusion Models (Diffusion Models)
Diffusion Models
Ab classe de modèles génératifs yu di jà ng ngir produire ay données ci soppi ay bët yu random ci ay outputs yu structurés.
Misal: Stable Diffusion di sà kk ay images photoréalistes ci ay prompts texte ci jëfandikoo ay techniques de diffusion.
Embedding (Embedding)
Embedding
Ab représentation numérique vectorielle de données, yu ñu jëfandikoo souvent ngir jël sens sémantique ay mots, images, walla phrases.
Misal: Ci NLP, mot 'bank' mën na am ay embeddings yu niro ak 'money' mais yu wuute ak 'riverbank' ci dépendance contexte.
Epoch (Epoch)
Epoch
Ab itération bu matale ci ensemble de données d'entraînement bi ci proses d'entraînement modèle machine learning.
Misal: Su ab dataset am 1 000 exemples ak ab modèle gis leen ñépp benn yoon ci entraînement, loolu benn epoch la.
Ethical AI (Ethical AI)
Ethical AI
Ab philosophie de conception ak déploiement bu wóoral ne technologies AI di dox ci leer, ci équité, ak ci ligne ak valeurs sociétales.
Misal: Ab outil de recrutement AI bu am ay vérifications de biais ngir bañ discrimination contre ay candidats minoritaires.
Expert System (Expert System)
Expert System
Ab système AI bu di imiter ay capacités de prise de décision ab expert humain ci ab domaine spécifique ci jëfandikoo ay règles ak logique.
Misal: Ab système expert bu ñu jëfandikoo ci agriculture ngir recommander ay traitements de cultures ci base données du sol ak historique de parasites.
Explainable AI (XAI) (Explainable AI (XAI))
Explainable AI (XAI)
Ay systèmes AI yu ñu sà kk ngir def seen processus internes ak décisions yu nit ñi mën a xam, di yokk confiance ak responsabilité.
Misal: Ab AI de diagnostic médical bu du jox ab recommandation rekk mais itam di firi lan ay symptômes taxaw ci conclusion boobu.
Few-shot Learning (Few-shot Learning)
Few-shot Learning
Ab méthode machine learning bu ab modèle di entraîné walla fine-tuned ci jëfandikoo rekk ab petit nombre d'exemples labellisés.
Misal: Personnaliser ab LLM ngir bind ay emails juridiques après mu gis rekk 10 exemples.
Fine-tuning (Fine-tuning)
Fine-tuning
Proses bi ngay jël ab modèle pré-entraîné ak di ko gën a entraîner ci ab nouveau, plus petit dataset ngir spécialiser ko ci ab tâche spécifique.
Misal: Fine-tuning ab LLM général yu mel ni GPT ci ay documents juridiques internes ngir sà kk ab assistant de rédaction juridique.
Foundation Model (Foundation Model)
Foundation Model
Ab modèle bu rëy bu ñu entraîné ci ay données yu wuute ak yu yaatu yu mën a adapté ci ay tâches yu bari.
Misal: GPT-4 ak PaLM 2 ay modèles de fondation lañu yu mën a def résumé, Q&A, traduction, ak yeneen.
Fuzzy Logic (Fuzzy Logic)
Fuzzy Logic
Ab forme logique bu di jëm ci ay valeurs approximatives ci lieu de logique fixe vrai/faux (binaire), bu am solo ngir raisonnement ci incertitude.
Misal: Jëfandikoo ci ay systèmes de contrôle climatique ngir régler température ci base ay inputs fuzzy yu mel ni 'tëdd' walla 'sedd lool'.
Generative Adversarial Network (GAN) (Generative Adversarial Network (GAN))
Generative Adversarial Network (GAN)
Ab architecture de modèle génératif bu ñaari réseaux — ab générateur ak ab discriminateur — di concourir ngir yokk qualité output.
Misal: GANs yu ñu jëfandikoo ngir sà kk ay vidéos deepfake walla générer ay photos de produits réalistes ci ay croquis.
Generative AI (Generative AI)
Generative AI
Ab catégorie intelligence artificielle bu mën a sà kk ay nouveaux contenus — ci lu ci mel ni texte, images, musique, walla vidéo — ci données d'entraînement.
Misal: ChatGPT di générer ay blog posts walla Midjourney di sà kk ay œuvres d'art numériques ci ay prompts textuels.
Generative Pre-trained Transformer (GPT) (Generative Pre-trained Transformer (GPT))
Generative Pre-trained Transformer (GPT)
Ab classe de modèles de langue yu rëy yu ñu développé ci OpenAI bu di jëfandikoo architecture transformer ak di pré-entraîné ci ay quantités yu rëy de données texte ngir def ay tâches de langue yu wuute.
Misal: GPT-4 mën na bind ay essais, traduire ay langues, ak résumer ay documents ak ab prompting bu néew.
Genetic Algorithm (Genetic Algorithm)
Genetic Algorithm
Ab technique d'optimisation bu ñu inspiré ci sélection naturelle bu ay solutions di évoluer ci jamono ci mutation, crossover, ak sélection.
Misal: Jëfandikoo ngir concevoir ay architectures de réseaux neuronaux efficaces ci simuler survie du plus apte.
Hallucination (Hallucination)
Hallucination
Génération de contenu bu am sens mais bu amul dëgg walla bu amul sens ci ab modèle AI.
Misal: Ab modèle de langue bu di sà kk ab citation bu amul walla di jox ay faits historiques yu amul dëgg.
Heuristic (Heuristic)
Heuristic
Ab approche pratique ngir résolu ay problèmes bu du wóoral ab solution bu matale mais bu doy ngir ay objectifs immédiats.
Misal: Jëfandikoo ab règle de base ngir estimer jamono de livraison ci ab système AI de logistique.
Hyperparameter (Hyperparameter)
Hyperparameter
Ab valeur de configuration bu ñu défini avant entraînement ab modèle machine learning, ci lu ci mel ni learning rate walla nombre de couches.
Misal: Régler batch size bi ci 32 ba ci 128 ngir yokk vitesse d'entraînement ak performance modèle.
Inference (Inference)
Inference
Proses bi ngay jëfandikoo ab modèle machine learning bu ñu entraîné ngir def ay prédictions walla générer ay outputs ci ay nouvelles données d'entrée.
Misal: Jëfandikoo ab modèle GPT bu ñu fine-tuned ngir bind ay emails ngir ab équipe de support client.
Intent Detection (Intent Detection)
Intent Detection
Ab tâche ci compréhension du langage naturel bu système bi di identifié objectif walla but utilisateur bi ci ab message.
Misal: Ci ab chatbot, reconnaître 'Bëgg naa réserver ab vol' comme ab intention de réservation de voyage.
Internet of Things (IoT) (Internet of Things (IoT))
Internet of Things (IoT)
Ab réseau d'appareils physiques yu ñu jël ak ay capteurs, logiciels, ak yeneen technologies ngir jël ak jox données.
Misal: Ay thermostats intelligents ak ay réfrigérateurs yu di jox ay données d'utilisation ak di régler ay paramètres ci jëfandikoo AI analytics.
Interpretability (Interpretability)
Interpretability
Mesure bi nit mën a xam mécanismes internes ab modèle machine learning ak proses de prise de décision.
Misal: Ab arbre de décision gën na firi que ab réseau neuronal profond ndax ay décisions mën nañu leen topp.
Jupyter Notebook (Jupyter Notebook)
Jupyter Notebook
Ab environnement de calcul interactif open-source bu may utilisateurs yi ñu bind code, visualiser outputs, ak documenter analyse ci ab interface unique.
Misal: Ay data scientists yu di jëfandikoo Jupyter Notebooks ngir prototyper ay modèles machine learning ak partager ay résultats.
K-Nearest Neighbours (KNN) (K-Nearest Neighbours (KNN))
K-Nearest Neighbours (KNN)
Ab algorithme machine learning bu yomb, non-paramétrique bu ñu jëfandikoo ngir classification ak régression. Di jël ay décisions ci base ay exemples d'entraînement yu gën a jege ci espace de caractéristiques.
Misal: Ngir classer ab nouveau fruit comme ab pomme walla ab poire, KNN di vérifié lan ay fruits labellisés ñoo gën a jege ci forme ak couleur.
Knowledge Graph (Knowledge Graph)
Knowledge Graph
Ab structure de données bu di jëfandikoo ay nœuds ak ay arêtes ngir représenter ak stocker ay descriptions yu ñu jël ak seen relations.
Misal: Panneau de connaissances Google moo ngi dox ci ab knowledge graph bu di jël ay entités yu mel ni nit ñi, ay barab, ak ay événements.
Language Learning Model Optimisation (LLMO) (Language Learning Model Optimisation (LLMO))
Language Learning Model Optimisation (LLMO)
Ay techniques yu ñu jëfandikoo ngir yokk performance, efficacité, walla adaptabilité ay modèles de langue yu rëy ngir ay tâches walla domaines spécifiques.
Misal: Jëfandikoo quantisation ak instruction tuning ngir optimiser ab LLM ngir jëfandikoo ci entreprise.
Large Language Model (LLM) (Large Language Model (LLM))
Large Language Model (LLM)
Ab type modèle deep learning bu ñu entraîné ci ay quantités yu rëy de données textuelles yu mën a générer, comprendre, ak raisonner ak langage humain.
Misal: ChatGPT ak Claude ay LLMs lañu yu ñu entraîné ngir jappale ci bind, coder, ak tontu ay questions.
Latent Space (Latent Space)
Latent Space
Ab représentation abstraite de haute dimension bu ay inputs yu niro di groupé ci jege, yu ñu jëfandikoo ci ay modèles génératifs ak embeddings.
Misal: Ci génération d'images, manipuler latent space mën na soppi ay caractéristiques yu mel ni luminosité walla émotion.
Learning Rate (Learning Rate)
Learning Rate
Ab hyperparamètre bu am solo ci entraînement bu di contrôler nu ay poids modèle di réglé ci rapport gradient de perte.
Misal: Ab learning rate bu rëy mën na tax mu overshoot minima, té ab taux bu néew di wà ññi vitesse d'entraînement.
Machine Learning (ML) (Machine Learning (ML))
Machine Learning (ML)
Ab branche AI bu may systèmes yi ñu jà ng ci données ak yokk performance sans ñu leen programmé explicitement.
Misal: Ay filtres spam yu di jëfandikoo machine learning ngir classer ay emails comme spam walla non ci base ay exemples yu passé.
Model Drift (Model Drift)
Model Drift
Ab phénomène bu précision ab modèle di wà ññi ci jamono ci soppi données walla environnement.
Misal: Ab modèle de détection de fraude di wà ññi précision bi ci jamono bi ay tactiques de fraude di évoluer.
Model Training (Model Training)
Model Training
Proses bi ngay jox données ab modèle machine learning ak di régler ay paramètres ngir minimiser erreur.
Misal: Entraîner ab moteur de recommandation ci historique d'achat client ngir suggérer ay nouveaux produits.
Multimodal AI (Multimodal AI)
Multimodal AI
Ay systèmes AI yu mën a traiter ak intégrer ay types de données yu bari yu mel ni texte, images, audio, ak vidéo.
Misal: Ab modèle yu mel ni GPT-4 Vision bu mën a jà ng texte ak firi images ci même jamono.
Natural Language Processing (NLP) (Natural Language Processing (NLP))
Natural Language Processing (NLP)
Ab sous-domaine AI bu jëm ci interaction entre ordinateurs ak langues humaines (naturelles). Di may masin yi ñu jà ng, comprendre, ak tontu ci langue humaine.
Misal: NLP moo ngi ci ay assistants vocaux, ay apps de traduction de langue, ak ay chatbots.
Neural Network (Neural Network)
Neural Network
Ab modèle machine learning bu ñu inspiré ci structure cerveau humain, bu ñu sà kk ci ay couches de nœuds yu ñu jël (neurones).
Misal: Ay réseaux neuronaux ñoo ngi ci ay modèles deep learning yu ñu jëfandikoo ci reconnaissance d'images ak de parole.
Noise (Noise)
Noise
Ay informations aléatoires walla yu amul solo ci données yu mën a tëgg ay formes yu am solo ak di am impact négatif ci performance modèle.
Misal: Ay erreurs de capteurs walla ay entrées de données yu am ay fautes de frappe mën nañu considéré comme noise.
Ontology (Ontology)
Ontology
Ab cadre structuré bu di classer ak définir ay relations entre ay concepts ci ab domaine, yu ñu jëfandikoo souvent ci ay systèmes AI sémantiques.
Misal: Ab ontologie ci santé mën na défini nu ay symptômes di jël ak ay maladies ak ay traitements.
Overfitting (Overfitting)
Overfitting
Ab erreur de modélisation bu ab modèle machine learning di jël noise ci données d'entraînement ak di am performance bu néew ci ay nouvelles données.
Misal: Ab modèle bu di mémoriser ay réponses d'entraînement mais du mën a gérer ay données de test yu ñu gisul overfitted la.
Predictive Analytics (Predictive Analytics)
Predictive Analytics
Jëfandikoo données, algorithmes, ak AI ngir identifié probabilité ay résultats futurs ci base données historiques.
Misal: Ay détaillants yu di jëfandikoo predictive analytics ngir prévoir demande ay produits spécifiques.
Pre-training (Pre-training)
Pre-training
Proses bi ngay entraîné ab modèle ci ab grand, général dataset avant fine-tuning ko ngir ay tâches spécifiques.
Misal: Ay modèles GPT yu ñu pré-entraîné ci ay grands corpus avant ñu leen personnaliser ngir ay chatbots de service client.
Prompt Engineering (Prompt Engineering)
Prompt Engineering
Art ak science de sà kk ay prompts efficaces ngir diriger output ay modèles de langue yu rëy.
Misal: Yokk ay instructions système yu mel ni 'Tontu comme ab tuteur bu am yërmande' ab exemple la ci prompt engineering.
Quantisation (Quantisation)
Quantisation
Ab technique de compression de modèle bu di wà ññi nombre de bits yu ñu jëfandikoo ngir représenter ay poids ak activations, di yokk efficacité.
Misal: Quantiser ab modèle ci 32-bit ba ci 8-bit di yokk performance ci ay appareils mobiles.
Quantum Computing (Quantum Computing)
Quantum Computing
Ab nouveau paradigme de calcul bu ñu basé ci mécanique quantique, bu am potentiel ngir ay capacités de traitement exponentielles.
Misal: Quantum computing mën na benn bis yokk entraînement AI ci dépasser ay limites classiques.
Reasoning Engine (Reasoning Engine)
Reasoning Engine
Ab système ci AI bu di jël ay conclusions logiques ci ab ensemble de faits walla données ci jëfandikoo ay règles walla algorithmes d'inférence.
Misal: Ab outil de diagnostic AI bu di jëfandikoo ab reasoning engine ngir déduire ay conditions médicales yu mën a am ci base ay symptômes.
Reinforcement Learning (RL) (Reinforcement Learning (RL))
Reinforcement Learning (RL)
Ab domaine machine learning bu ay agents di jà ng ci interagir ak seen environnement ngir maximiser ay récompenses cumulatives.
Misal: Ab robot bu di jà ng dox ci essai ak erreur ci jëfandikoo ay techniques RL.
Reinforcement Learning with Human Feedback (RLHF) (Reinforcement Learning with Human Feedback (RLHF))
Reinforcement Learning with Human Feedback (RLHF)
Ab méthode d'apprentissage bu ay préférences humaines di diriger signal de récompense AI, yu ñu jëfandikoo souvent ci fine-tuning ay modèles de langue.
Misal: ChatGPT ñu entraîné ko ak RLHF ngir produire ay réponses yu gën a am solo ak yu wóor.
Retrieval-Augmented Generation (RAG) (Retrieval-Augmented Generation (RAG))
Retrieval-Augmented Generation (RAG)
Ab méthode bu di jël information ak génération, bu ab LLM di jël ay documents yu am solo ngir yokk réponse.
Misal: Ab assistant AI bu di jël ak di citer ay spécifications de produit ci générer ab réponse ci ab question technique.
Self-Supervised Learning (Self-Supervised Learning)
Self-Supervised Learning
Ab approche d'entraînement bu modèle bi di jà ng ay formes ci générer ay labels ci boppam ci données brutes, di wà ññi dépendance ci données annotées par l'homme.
Misal: BERT ñu entraîné ko ak self-supervised learning ci prédire ay mots yu ñu gisul ci texte.
Semantic Search (Semantic Search)
Semantic Search
Ab technique de recherche bu di comprendre intention utilisateur ak sens contextuel, du rekk keyword matching.
Misal: Recherche 'nu ngay réglé ab robinet bu di génn' di jox ay guides même su mot 'robinet bu di génn' amul ci document bi.
Sentiment Analysis (Sentiment Analysis)
Sentiment Analysis
Proses bi ngay identifié ay émotions, ay opinions, walla ay attitudes ci texte, yu ñu classer souvent comme positif, négatif, walla neutre.
Misal: Analyser ay tweets ngir mesurer réaction publique ci ab nouveau produit.
Stochastic (Stochastic)
Stochastic
Bu am randomness walla comportement probabiliste, yu ñu jëfandikoo souvent ci AI génératif ak algorithmes d'optimisation.
Misal: Output GPT-4 di wuute ngir même input ci cause proses de décodage stochastique.
Strong AI (Strong AI)
Strong AI
Itam ñu xam ko comme Artificial General Intelligence (AGI), di jëm ci ay masin yu am ay capacités cognitives de niveau humain ci lépp domaines.
Misal: Ab AI futur bu mën a bind ay romans ci boppam, planifier ay villes, ak résolu ay dilemmes éthiques ci même façon.
Super Artificial Intelligence (SAI) (Super Artificial Intelligence (SAI))
Super Artificial Intelligence (SAI)
Ab AI théorique bu gën a yokk intelligence humaine ci lépp aspects—raisonnement, créativité, intelligence émotionnelle, etc.
Misal: Ab SAI mën na théoriquement développer ay nouvelles sciences ak philosophies ci boppam.
Supervised Learning (Supervised Learning)
Supervised Learning
Ab technique machine learning bu ay modèles di entraîné ci données labellisées ngir jà ng ay mappings input-output.
Misal: Jà ngal ab modèle ngir classer ay emails comme spam walla non ci jëfandikoo ay exemples historiques.
Synthetic Data (Synthetic Data)
Synthetic Data
Ay données yu ñu générer artificiellement yu di simuler ay données réelles, yu ñu jëfandikoo souvent ngir entraînement su données réelles néew walla sensibles.
Misal: Sà kk ay images médicales synthétiques ngir entraîner ay modèles de diagnostic sans violer confidentialité patient.
Token (Token)
Token
Ab unité de texte bu LLMs di traiter—souvent ab mot walla ab morceau de mot.
Misal: Phrase 'Hello world!' ñu séddale ko ci 3 tokens: 'Hello', 'world', ak '!'.
Tokenisation (Tokenisation)
Tokenisation
Proses bi ngay séddale texte ci ay tokens ngir traitement ci ab modèle.
Misal: Ci NLP, 'ChatGPT is great' di nekk ['Chat', 'G', 'PT', 'is', 'great'].
Transfer Learning (Transfer Learning)
Transfer Learning
Jëfandikoo xam-xam ci benn tâche ngir yokk apprentissage ci beneen tâche bu am relation, di wà ññi jamono d'entraînement ak besoins en données.
Misal: Fine-tuning ab modèle bu ñu entraîné ci texte anglais ngir def sentiment analysis ci beneen langue.
Transformer (Transformer)
Transformer
Ab architecture de réseau neuronal bu di jëfandikoo ay mécanismes d'attention ngir modéliser ay données séquentielles, yu ñu jëfandikoo ci LLMs.
Misal: BERT, GPT, ak T5 ñépp ay modèles basés ci transformer lañu.
Underfitting (Underfitting)
Underfitting
Su ab modèle yomb lool ngir jël ay formes ci données d'entraînement, loolu tax performance bu néew.
Misal: Ab modèle linéaire bu di jéem a prédire ay classifications d'images complexes mën na underfit.
Unsupervised Learning (Unsupervised Learning)
Unsupervised Learning
Ab approche d'apprentissage bu ay modèles di identifié ay formes walla ay clusters ci données yu ñu labelliséwul.
Misal: Grouper ay clients ci base comportement d'achat sans ay labels yu ñu défini.
User Intent (User Intent)
User Intent
Objectif walla but utilisateur bi ci ab requête walla interaction.
Misal: Ab utilisateur bu di bind 'nu ngay def ab gâteau' mën na bëgg gis ab recette.
Validation Set (Validation Set)
Validation Set
Ab sous-ensemble de données bu ñu jëfandikoo ngir évaluer performance modèle ci jamono d'entraînement ak régler ay hyperparamètres.
Misal: Jëfandikoo ngir détecter overfitting avant test final.
Vector Database (Vector Database)
Vector Database
Ab base de données bu ñu sà kk ngir stocker ak rechercher ay embeddings vectoriels yu ñu jëfandikoo ci ay tâches AI yu mel ni recherche de similarité ak RAG.
Misal: Pinecone ak Weaviate ay bases de données vectorielles lañu ngir stocker ay embeddings texte walla image.
Vector Embedding (Vector Embedding)
Vector Embedding
Ab représentation numérique de données bu di wóoral sens sémantique ak relations ci ab espace vectoriel.
Misal: Ay mots 'roi' ak 'reine' am nañu ay embeddings yu niro ak ay différences de genre yu néew.
Virtual Assistant (Virtual Assistant)
Virtual Assistant
Ab agent logiciel AI-powered bu di jappale utilisateurs yi ñu def ay tâches ci waxtaan walla ay commandes vocales.
Misal: Siri, Alexa, ak Google Assistant ay assistants virtuels yu siiw lañu.
Voice Recognition (Voice Recognition)
Voice Recognition
Technologie bu di firi ak soppi langue parlée ci texte walla action.
Misal: Voice typing ak voice commands ñoo ngi dox ci ay systèmes de reconnaissance vocale.
Weak AI (Weak AI)
Weak AI
Ay systèmes AI yu ñu sà kk ngir def ab tâche spécifique, bu amul intelligence générale.
Misal: Ab AI bu di jëfandikoo échecs bu du mën a comprendre langue walla dox ab oto ab exemple la ci weak AI.
Web Scraping (Web Scraping)
Web Scraping
Extraction automatique d'informations ci ay sites web, yu ñu jëfandikoo souvent ngir jël données d'entraînement walla surveiller contenu.
Misal: Scraping ay annonces immobilières ngir entraîner ab modèle d'évaluation de propriété.
Weight (Weight)
Weight
Ab paramètre ci ay réseaux neuronaux bu di déterminé force d'influence ab nœud am ci beneen.
Misal: Ay poids di réglé ci jamono d'entraînement ngir minimiser erreur modèle.
Whisper (Whisper)
Whisper
Ab modèle speech-to-text bu ñu développé ci OpenAI bu mën a transcrire audio ci ay langues yu bari.
Misal: Whisper mën na transcrire ay conférences ak ay podcasts ak ab précision bu rëy.
YAML (YAML)
YAML
Ab format bu nit ñi mën a jà ng ngir sérialisation de données, yu ñu jëfandikoo souvent ngir ay fichiers de configuration ci ay workflows machine learning.
Misal: Définir ay paramètres modèle ci ab fichier YAML ngir entraînement ci PyTorch.
Zero-shot Learning (Zero-shot Learning)
Zero-shot Learning
Capacité ab modèle ngir def ay tâches yu mu entraînéwul explicitement ci jëfandikoo xam-xam général.
Misal: Ab modèle bu di tontu ay questions juridiques même su mu entraînéwul spécifiquement ci données juridiques.
Zettabyte (Zettabyte)
Zettabyte
Ab unité de données numériques bu égal ak benn sextillion (10^21) bytes, yu ñu jëfandikoo souvent ngir firi taille données internet.
Misal: Trafic internet mondial dépassé na 1 zettabyte par an ci 2016.
