MI vārdnīca
Galvenie mākslīgā intelekta un uzņēmumu tehnoloģiju termini — praktiski, bez žargona skaidroti.
135 terms
A
A/B testēšana AI modeļiem
A/B testēšana AI modeļiem salīdzina vairākas modeļu versijas produkcijas vidē, lai ar statistisko ticamību noteiktu, kura nodrošina labākus biznesa rezultātus.
Lasīt vairāk →A2A (Agent-to-Agent Protocol)
Protokols komunikācijai starp dažādu piegādātāju MI aģentiem — nodrošina sadarbību starp Google, Microsoft un Salesforce aģentiem.
Lasīt vairāk →Aģenta MI
MI sistēmas, kas spēj autonomi plānot, pieņemt lēmumus un izpildīt daudzsoļu uzdevumus bez pastāvīgas cilvēka uzraudzības.
Lasīt vairāk →AI attēlu ģenerēšana
AI attēlu ģenerēšana rada jaunus vizuālus attēlus no teksta aprakstiem, skicēm vai citiem attēliem, izmantojot difūzijas modeļus un ģeneratīvos pretvērstos tīklus.
Lasīt vairāk →AI brieduma modelis
AI brieduma modelis novērtē organizācijas gatavību un spēju efektīvi ieviest, pārvaldīt un mērogot AI iniciatīvas, identificējot attīstības jomas un nākamos soļus.
Lasīt vairāk →AI cilvēkresursos un personāla atlasē
AI cilvēkresursu jomā automatizē kandidātu meklēšanu, atlasi, darbinieku iesaistīšanu un darbaspēka plānošanu, vienlaikus risinot taisnīguma un aizspriedumu jautājumus.
Lasīt vairāk →AI etalontesti
AI etalontesti ir standartizēti novērtēšanas ietvari, kas mēra un salīdzina AI modeļu veiktspēju dažādos uzdevumos, nodrošinot objektīvu pamatu modeļu izvēlei.
Lasīt vairāk →AI ētika
AI ētika aptver principus un prakses, kas nodrošina taisnīgu, pārskatāmu, drošu un atbildīgu mākslīgā intelekta izstrādi un lietošanu, ņemot vērā ietekmi uz indivīdiem un sabiedrību.
Lasīt vairāk →AI finansēs
Mākslīgais intelekts finansu nozarē automatizē riska novērtēšanu, krāpšanas atklāšanu, algoritmisko tirdzniecību un klientu apkalpošanu, vienlaikus nodrošinot regulatīvo atbilstību.
Lasīt vairāk →AI iepirkumos
AI iepirkumu procesā automatizē piegādātāju novērtēšanu, līgumu pārvaldību, izdevumu analīzi un riska identificēšanu, uzlabojot lēmumu pieņemšanu un samazinot izmaksas.
Lasīt vairāk →AI izcilības centrs
AI izcilības centrs (AI CoE) ir centralizēta organizatoriska struktūra, kas nosaka AI stratēģiju, standartus, labāko praksi un nodrošina resursus AI iniciatīvu veiksmīgai ieviešanai visā uzņēmumā.
Lasīt vairāk →AI juridiskajā nozarē
AI juridiskajā nozarē automatizē dokumentu analīzi, līgumu pārskatīšanu, juridisko izpēti un atbilstības pārbaudi, palielinot juristu produktivitāti un precizitāti.
Lasīt vairāk →AI kā pakalpojums (AIaaS)
AI kā pakalpojums (AIaaS) nodrošina piekļuvi AI iespējām caur mākoņpakalpojumiem, ļaujot organizācijām ieviest AI bez ievērojamām sākotnējām investīcijām infrastruktūrā un ekspertīzē.
Lasīt vairāk →AI klientu apkalpošanā
AI klientu apkalpošanā automatizē pieprasījumu apstrādi, personalizē atbalstu un uzlabo klientu pieredzi, izmantojot sarunvalodas AI, sentimenta analīzi un prognozējošo analītiku.
Lasīt vairāk →AI koda ģenerēšana
AI koda ģenerēšana izmanto valodas modeļus, lai automātiski rakstītu, papildinātu un pārveidotu programmatūras kodu, paātrinot izstrādi un samazinot rutīnas darbu.
Lasīt vairāk →AI konveijers
AI konveijers ir strukturēta darbplūsma, kas automatizē datu apstrādi, modeļu apmācību, validāciju un izvietošanu, nodrošinot atkārtojamu un uzticamu AI sistēmu piegādi.
Lasīt vairāk →AI loģistikā
Mākslīgais intelekts loģistikā optimizē piegādes ķēdes, maršrutu plānošanu, krājumu pārvaldību un pieprasījuma prognozēšanu, samazinot izmaksas un uzlabojot piegādes ātrumu.
Lasīt vairāk →AI mārketingā
AI mārketingā personalizē klientu pieredzi, optimizē kampaņas, automatizē satura veidošanu un nodrošina precīzu mērķauditorijas segmentāciju ar datu vadītu pieeju.
Lasīt vairāk →AI modeļu novērtēšana
AI modeļu novērtēšana ir sistemātisks process, kas mēra modeļa veiktspēju, uzticamību, taisnīgumu un drošību, izmantojot metrikas, etalontestus un reālās pasaules scenārijus.
Lasīt vairāk →AI procesu automatizācija
AI procesu automatizācija apvieno mākslīgo intelektu ar procesu automatizāciju, lai automatizētu sarežģītas biznesa darbplūsmas, kas prasa lēmumu pieņemšanu, nestrukturētu datu apstrādi un pielāgošanos.
Lasīt vairāk →AI programmatūras testēšanā
AI programmatūras testēšanā automatizē testu ģenerēšanu, defektu prognozēšanu, regresijas analīzi un testēšanas optimizāciju, uzlabojot kvalitāti un samazinot laiku līdz piegādei.
Lasīt vairāk →AI ražošanā
AI ražošanā optimizē kvalitātes kontroli, prognozējošo apkopi, ražošanas plānošanu un piegādes ķēdes pārvaldību, palielinot efektivitāti un samazinot dīkstāves.
Lasīt vairāk →AI Red Teaming
MI sistēmas drošības testēšana ar simulētiem uzbrukumiem — ievainojamību, barjeru apiešanas un modeļa manipulācijas metožu atrašana.
Lasīt vairāk →AI saskaņošana
AI saskaņošana nodrošina, ka mākslīgā intelekta sistēmas darbojas saskaņā ar cilvēku nodomiem, vērtībām un mērķiem, novēršot neparedzētu vai kaitīgu uzvedību.
Lasīt vairāk →AI smilšu kaste
AI smilšu kaste ir izolēta vide AI modeļu eksperimentēšanai, testēšanai un validācijai bez riska ietekmēt produkcijas sistēmas vai sensitīvus datus.
Lasīt vairāk →AI un GDPR
AI un GDPR krustojas datu aizsardzības, pārskatāmības, automatizētu lēmumu un datu subjektu tiesību jomā, radot sarežģītus atbilstības izaicinājumus organizācijām.
Lasīt vairāk →AI veselības aprūpē
AI veselības aprūpē uzlabo diagnostiku, atbalsta klīniskos lēmumus, paātrina zāļu izstrādi un personalizē ārstēšanu, vienlaikus ievērojot stingrus drošības un privātuma standartus.
Lasīt vairāk →AI video ģenerēšana
AI video ģenerēšana rada un rediģē video saturu no teksta aprakstiem, attēliem vai esošiem video, izmantojot ģeneratīvos modeļus ar laika dimensijas sapratni.
Lasīt vairāk →Ar MI darbināta zināšanu pārvaldība
MI izmantošana organizatorisko zināšanu uztveršanai, organizēšanai, izgūšanai un ģenerēšanai, pārveidojot to, kā uzņēmumi glabā un dalās ar informāciju.
Lasīt vairāk →Atbildīgais MI
Atbildīgais MI ir organizatoriskā pieeja, kas nodrošina, ka MI sistēmas tiek izstrādātas un izvietotas ētiski, taisnīgi, pārredzami un atskaitāmi.
Lasīt vairāk →Atvērtā koda MI
MI modeļi, ietvari un rīki, kas izlaisti ar atvērtām licencēm, nodrošinot pārredzamību, pielāgošanas iespējas un kopienas virzītu inovāciju.
Lasīt vairāk →Autonomie AI aģenti
AI sistēmas, kas neatkarīgi plāno, izpilda un pielāgo darbību secības, lai sasniegtu sarežģītus mērķus ar minimālu cilvēka uzraudzību.
Lasīt vairāk →C
Chain of Thought
Uzvedņu tehnika, kurā MI modelis "domā skaļi" — argumentē soli pa solim, uzlabojot precizitāti sarežģītos jautājumos.
Lasīt vairāk →CI/CD AI sistēmām
CI/CD AI sistēmām paplašina tradicionālo nepārtrauktās integrācijas un piegādes praksi ar modeļu validāciju, datu kvalitātes pārbaudēm un automatizētu AI konveijeru orķestrēšanu.
Lasīt vairāk →Computer Use (MI)
MI modeļu spēja tieši vadīt datoru — klikšķināt, rakstīt, navigēt saskarnēs kā cilvēks.
Lasīt vairāk →D
Datorredze
Datorredze ļauj AI sistēmām analizēt un saprast vizuālo informāciju — attēlus un video — automatizējot vizuālo uzdevumu izpildi no kvalitātes kontroles līdz autonomai navigācijai.
Lasīt vairāk →Datu anotācija (datu marķēšana)
Datu anotācija ir process, kurā neapstrādātiem datiem pievieno etiķetes un metadatus, lai izveidotu augstas kvalitātes apmācības datu kopas AI modeļu mācīšanai.
Lasīt vairāk →Datu novirze
Datu novirze notiek, kad produkcijas datu sadalījums mainās salīdzinājumā ar apmācības datiem, degradējot AI modeļa veiktspēju un prasot nepārtrauktu uzraudzību un pārapmācību.
Lasīt vairāk →Datu saindēšana
Datu saindēšana ir uzbrukums, kurā ļaunprātīgi dati tiek ievietoti AI modeļa apmācības kopā, lai manipulētu tā uzvedību, apdraudot modeļa integritāti un drošību.
Lasīt vairāk →Daudzu aģentu sistēmas
MI arhitektūra, kurā desmitiem specializētu aģentu sadarbojas uzdevumos — katram ar unikālām kompetencēm un lomām.
Lasīt vairāk →Deepfake atklāšana
Deepfake tehnoloģija izmanto AI, lai radītu reālistiskus viltotus attēlus, video un audio, bet Deepfake atklāšanas sistēmas identificē šos viltojumus, aizsargājot pret dezinformāciju.
Lasīt vairāk →Diferenciālais privātums
Diferenciālais privātums ir matemātisks ietvars, kas garantē, ka datu analīzes vai AI modeļa rezultāti neatklāj informāciju par konkrētām personām datu kopā.
Lasīt vairāk →Digitālais dvīnis
Digitālais dvīnis ir fiziska objekta, procesa vai sistēmas virtuāla kopija, ko papildina AI analītika un reāllaika dati prognozēšanai, optimizācijai un simulācijai.
Lasīt vairāk →Dokumentu sadalīšana segmentos (Chunking)
Chunking sadala lielus dokumentus mazākos, semantiski jēgpilnos segmentos, ko AI sistēmas var efektīvi apstrādāt, meklēt un izmantot RAG konveijeros.
Lasīt vairāk →E
Edge AI
MI modeļu darbināšana tieši gala ierīcēs — nesūtot datus uz mākoni, ar minimālu latentumu.
Lasīt vairāk →Ekspertu maisījums (MoE)
Arhitektūra, kurā vairāki specializēti apakštīkli apstrādā dažādas ievades, aktivizējot tikai atbilstošos ekspertus katram pieprasījumam, lai nodrošinātu efektivitāti lielā mērogā.
Lasīt vairāk →Embedding (vektora attēlojums)
Teksta, attēlu vai audio attēlošana kā skaitļu vektori — semantiskās meklēšanas un RAG sistēmu pamats.
Lasīt vairāk →ES AI akta ceļvedis
ES AI akts ir visaptverošs regulējums, kas klasificē AI sistēmas pēc riska līmeņa un nosaka atbilstības prasības organizācijām, kas izstrādā vai ievieš AI Eiropas Savienībā.
Lasīt vairāk →F
Federatīvā mācīšanās
Federatīvā mācīšanās ļauj apmācīt AI modeļus uz decentralizētiem datiem bez to centralizēšanas, aizsargājot privātumu un ievērojot datu regulatīvās prasības.
Lasīt vairāk →Fine-tuning
MI modeļa pārmācīšana uz specializētiem datiem — vispārēja pamata modeļa pielāgošana konkrētai nozarei vai uzdevumam.
Lasīt vairāk →Funkciju izsaukšana (Function Calling)
Function Calling ļauj AI valodas modeļiem strukturēti izsaukt ārējas funkcijas un API, pārveidojot dabiskās valodas pieprasījumus precīzos darbības izsaukumos.
Lasīt vairāk →G
GPU un TPU mākslīgajam intelektam
GPU (grafikas procesori) un TPU (tensoru procesori) ir specializēta aparatūra, kas paātrina AI modeļu apmācību un inferrenci, nodrošinot paralēlo skaitļošanu milzīgiem datu apjomiem.
Lasīt vairāk →Grounding AI
Tehnika MI modeļa atbilžu nostiprināšanai faktiskos datos — halucināciju novēršana, nodrošinot kontekstu no uzticamiem avotiem.
Lasīt vairāk →H
Hiperautomatizācija
Hiperautomatizācija orķestrē vairākas tehnoloģijas — AI, RPA, procesu izrokņošanu, analītiku — lai automatizētu pēc iespējas vairāk biznesa procesu pilnā to kompleksitātē.
Lasīt vairāk →Human-in-the-Loop
Dizaina modelis, kurā cilvēks pārbauda un apstiprina MI lēmumus — kvalitātes un drošības kontrole.
Lasīt vairāk →I
Informācijas izgūšana MI vajadzībām
Zinātne un prakse, kā atrast atbilstošu informāciju no lielām kolekcijām, lai nodrošinātu MI sistēmām kontekstu — pamats RAG un uzņēmuma zināšanu sistēmām.
Lasīt vairāk →Intelektuālā dokumentu apstrāde (IDP)
Ar MI darbināmas sistēmas, kas automātiski izgūst, klasificē un apstrādā informāciju no nestrukturētiem dokumentiem lielā apjomā.
Lasīt vairāk →Izskaidrojams MI (XAI)
Tehnikas, kas ļauj saprast, kāpēc MI modelis pieņēma konkrētu lēmumu — izšķiroši svarīgi uzticēšanās, auditēšanas un AI Act atbilstības nodrošināšanai.
Lasīt vairāk →K
Konfidenciālā skaitļošana
Konfidenciālā skaitļošana aizsargā datus to apstrādes laikā, izmantojot aparatūras izolāciju, ļaujot organizācijām droši apstrādāt sensitīvus datus neuzticamā vidē.
Lasīt vairāk →Konteksta logs
Maksimālais teksta (žetonu) apjoms, ko MI modelis var apstrādāt vienā pieprasījumā — galvenais LLM veiktspējas ierobežojums.
Lasīt vairāk →Korporatīvā MI stratēģija
Visaptverošs plāns, kas saskaņo MI iniciatīvas ar biznesa mērķiem, aptverot tehnoloģiju, talantus, pārvaldību, ētiku un ieviešanas ceļvedi.
Lasīt vairāk →M
Mašīntulkošana ar MI
Ar MI darbinātas tulkošanas sistēmas, kas pārvērš tekstu starp valodām ar arvien pieaugošu precizitāti, nianšu izpratni un domēna specifiku.
Lasīt vairāk →Mākoņa AI pret lokālo AI
Mākoņa un lokālā AI izvietošanas salīdzinājums aptver izmaksas, veiktspēju, drošību, mērogojamību un kontroli — katrai pieejai ir priekšrocības atkarībā no uzņēmuma prasībām.
Lasīt vairāk →MCP (Model Context Protocol)
Atvērtais standarts komunikācijai starp MI modeļiem un ārējiem datu avotiem un rīkiem — "USB-C mākslīgajam intelektam."
Lasīt vairāk →MI aizsardzības barjeras
Aizsardzības mehānismi, kas ierobežo MI modeļa uzvedību — satura filtri, izvades validācija, atļauju ierobežojumi un drošības kontroles.
Lasīt vairāk →MI akta riska klasifikācija
ES MI akts klasificē MI sistēmas četros riska līmeņos — nepieņemams, augsts, ierobežots un minimāls — ar atbilstošām atbilstības prasībām katram līmenim.
Lasīt vairāk →MI atbilstības testēšana
MI atbilstības testēšana sistemātiski pārbauda, vai MI sistēmas atbilst regulējuma, ētiskajām un organizatoriskajām prasībām pirms un pēc izvietošanas.
Lasīt vairāk →MI atbilžu straumēšana
Tehnika MI modeļu izvades pakāpeniskai piegādei, kamēr tā tiek ģenerēta, nodrošinot ātrāku uztverto reakcijas laiku un labāku lietotāja pieredzi.
Lasīt vairāk →MI atdeve no ieguldījumiem
Ietvari un metodes MI projektu ieguldījumu atdeves mērīšanai, ietverot gan tiešos finansiālos ieguvumus, gan grūtāk izmērāmus stratēģiskos ieguvumus.
Lasīt vairāk →MI audits
Sistemātisks MI sistēmu novērtējums drošības, normatīvās atbilstības, rezultātu kvalitātes un biznesa risku ziņā.
Lasīt vairāk →MI datu anonimizācija
Automātiska personas datu (PII) noņemšana vai maskēšana apmācību datos un MI modeļu pieprasījumos, atbilstoši GDPR.
Lasīt vairāk →MI dokumentu kopsavilkumu veidošana
MI izmantošana, lai automātiski kondensētu garus dokumentus kodolīgos kopsavilkumos, saglabājot galvenās atziņas un būtisko informāciju.
Lasīt vairāk →MI ieviešanas ceļvedis
Posmos dalīts plāns MI izvietošanai organizācijā, aptverot novērtēšanu, izmēģinājuma projektus, mērogošanu un nepārtrauktu optimizāciju.
Lasīt vairāk →MI inference
Apmācīta MI modeļa atbilžu ģenerēšanas process — ražošanas posms, kurā modelis apstrādā ievades un atgriež rezultātus.
Lasīt vairāk →MI integrācija ar IT sistēmām
MI iespēju savienošana ar esošo uzņēmuma IT infrastruktūru, no ERP sistēmām un datubāzēm līdz mākoņpakalpojumiem un mantotajām sistēmām.
Lasīt vairāk →MI kopējās īpašumtiesību izmaksas
Pilnas MI iniciatīvu finansiālās ainas izpratne — no infrastruktūras un licenču izmaksām līdz apmācībai, uzturēšanai un slēptajām izmaksām.
Lasīt vairāk →MI mērogošana organizācijās
MI pāreja no izolētiem izmēģinājuma projektiem uz uzņēmuma mēroga ieviešanu, risinot tehniskos, organizatoriskos un kultūras izaicinājumus.
Lasīt vairāk →MI modeļu monitorings
MI modeļu monitorings nepārtraukti izseko modeļa veiktspēju, datu kvalitāti un sistēmas veselību, lai nodrošinātu uzticamu darbību ražošanā.
Lasīt vairāk →MI neobjektivitāte
Sistemātiski aizspriedumi MI modeļa izvadēs, kas rodas no nevienlīdzīgiem apmācības datiem — diskriminācijas un normatīvas neatbilstības risks.
Lasīt vairāk →MI novērojamība
MI sistēmu uzraudzība reāllaikā — veiktspējas, izmaksu, atbilžu kvalitātes un anomāliju monitorings ražošanas vidēs.
Lasīt vairāk →MI orķestrācija
Vairāku MI modeļu un aģentu koordinēšana, kas kopā strādā pie sarežģītiem uzdevumiem — no resursu piešķiršanas līdz datu plūsmas pārvaldībai.
Lasīt vairāk →MI pāru programmēšana
Sadarbība ar MI asistentu programmatūras izstrādes laikā reāllaika koda ieteikumiem, kļūdu atklāšanai, refaktorēšanai un dokumentēšanai.
Lasīt vairāk →MI pārvaldība
Organizatoriskais ietvars MI pārvaldībai uzņēmumā — politikas, procesi, atbildība un normatīvā atbilstība.
Lasīt vairāk →MI piegādes ķēdes drošība
MI piegādes ķēdes drošība risina riskus no trešo pušu modeļiem, datu kopām, bibliotēkām un rīkiem, kas tiek izmantoti MI sistēmu veidošanā un izvietošanā.
Lasīt vairāk →MI pratība
Obligāta no 2025. gada februāra — spēja saprast un atbildīgi izmantot MI, ko prasa AI Act 4. pants.
Lasīt vairāk →MI spriešana
MI sistēmu spēja veikt loģisko domāšanu, daudzsoļu problēmu risināšanu un sarežģītu secinājumu izdarīšanu ārpus vienkāršas modeļu atpazīšanas.
Lasīt vairāk →MI tokenizācija
Teksta pārveidošanas process žetonos (vārdu/rakstzīmju fragmentos), ko MI modelis saprot — tieši ietekmē izmaksas un kvalitāti.
Lasīt vairāk →MI uzlabotais OCR
Uzlabota optiskā rakstzīmju atpazīšana, ko papildina MI, lai precīzi izgūtu tekstu no sarežģītiem dokumentiem, rokraksta, skenētiem attēliem un strukturētām formām.
Lasīt vairāk →MI ūdenszīmju ievietošana
MI ūdenszīmju ievietošana iegulst noteiktos signālus MI ģenerētajā saturā, lai nodrošinātu izcelsmes pierādījumu, autentiskuma verifikāciju un dezinformācijas novēršanu.
Lasīt vairāk →MLOps
MLOps apvieno mašīnmācīšanās un DevOps prakses, lai automatizētu un racionalizētu MI modeļu izstrādi, izvietošanu un uzturēšanu ražošanā.
Lasīt vairāk →Modeļa karte
Modeļa karte ir standartizēts dokumentācijas ietvars, kas apraksta MI modeļa mērķi, veiktspēju, ierobežojumus un ētiskos apsvērumus.
Lasīt vairāk →Modeļa kvantizācija
Tehnika MI modeļa izmēra un skaitļošanas prasību samazināšanai, izmantojot zemākas precizitātes skaitļu attēlojumus, ļaujot izvietot lielus modeļus ierobežotā aparatūrā.
Lasīt vairāk →Modeļa saindēšana
Modeļa saindēšanas uzbrukumi kompromitē MI sistēmas, manipulējot ar modeļa parametriem, apmācības datiem vai piegādes ķēdi, lai ieviestu slēptus aizmugures durvju vai novirzes.
Lasīt vairāk →Modeļu apkalpošana
Infrastruktūra un prakses apmācītu MI modeļu izvietošanai ražošanas vidēs, kur tie var apstrādāt reāllaika pieprasījumus ar uzticamību un mērogojamību.
Lasīt vairāk →Modeļu reģistrs
Modeļu reģistrs ir centralizēta krātuve MI modeļu versiju pārvaldībai, glabāšanai un pārvaldīšanai visā to dzīves ciklā no izstrādes līdz ražošanai.
Lasīt vairāk →Modeļu versiju pārvaldība
Modeļu versiju pārvaldība izseko izmaiņas MI modeļos, to apmācības datos un konfigurācijā, nodrošinot reproducējamību, auditējamību un drošu atkāpšanos.
Lasīt vairāk →Multimodālais RAG
Iegūšanas papildinātā ģenerēšana, kas darbojas ar tekstu, attēliem, tabulām un citām modalitātēm, ļaujot MI sistēmām spriest par dažādiem satura veidiem vienlaicīgi.
Lasīt vairāk →Multimodāls MI
MI modeļi, kas vienlaicīgi apstrādā tekstu, attēlus, audio un video — konteksta izpratne no vairākiem informācijas avotiem.
Lasīt vairāk →N
Neironu mērogošanas likumi
Empīriskas sakarības, kas parāda, kā MI modeļu veiktspēja prognozējami uzlabojas, palielinot aprēķinu, datu un modeļa parametru apjomu.
Lasīt vairāk →NIS2 un mākslīgais intelekts
NIS2 direktīva MI kontekstā — kiberdrošības prasības uzņēmumiem, kas izmanto MI sistēmas kritiskajā infrastruktūrā.
Lasīt vairāk →NLP (dabiskās valodas apstrāde)
MI disciplīna, kas fokusējas uz mašīnu spēju saprast, interpretēt, ģenerēt un jēgpilni mijiedarboties ar cilvēku valodu.
Lasīt vairāk →Nulles piemēru un dažu piemēru mācīšanās
MI spējas, kas ļauj modeļiem veikt uzdevumus bez piemēriem (nulles piemēru) vai ar dažiem demonstrācijas piemēriem (dažu piemēru) — samazinot vajadzību pēc plašām uzdevumam specifiskām apmācības datu kopām.
Lasīt vairāk →P
Pamata modelis
Liels, iepriekš apmācīts MI modelis, kas kalpo kā pamats — tiek pielāgots ar fine-tuningu konkrētiem pielietojumiem.
Lasīt vairāk →Pazīmju inženierija
Pazīmju inženierija ir process, kurā neapstrādāti dati tiek pārveidoti informatīvās pazīmēs, kas uzlabo mašīnmācīšanās modeļu veiktspēju un prognozēšanas precizitāti.
Lasīt vairāk →Pārneses mācīšanās
Mašīnmācīšanās pieeja, kurā no viena uzdevuma iegūtās zināšanas tiek piemērotas citam, saistītam uzdevumam — ievērojami samazinot apmācības datu un laika vajadzības.
Lasīt vairāk →Pārranžēšana
Otrās pakāpes izgūšanas process, kas pārkārto meklēšanas rezultātus, izmantojot sarežģītāku modeli, lai uzlabotu atbilstību — kritisks komponents RAG un uzņēmuma meklēšanā.
Lasīt vairāk →Piegādātāja atkarība MI jomā
Risks kļūt pārmērīgi atkarīgam no viena MI piegādātāja patentētās tehnoloģijas, datiem vai platformas — ierobežojot elastību un palielinot ilgtermiņa izmaksas.
Lasīt vairāk →Prediktīvā apkope
Ar MI darbināma pieeja iekārtu apkopei, kas prognozē bojājumus pirms to rašanās, optimizējot apkopes grafikus un samazinot neplānotas dīkstāves.
Lasīt vairāk →Pretvērstie uzbrukumi AI sistēmām
Pretvērstie uzbrukumi manipulē AI modeļu ievades datus, lai izraisītu nepareizus rezultātus, apdraudot AI sistēmu drošību un uzticamību kritiskos pielietojumos.
Lasīt vairāk →Prompt Engineering
Prakse, kā izstrādāt un optimizēt ievades instrukcijas, lai no MI modeļiem iegūtu precīzas, atbilstošas un uzticamas atbildes dažādos lietojumos.
Lasīt vairāk →Prompt Injection
Uzbrukums, kas ievada ļaunprātīgas instrukcijas MI modeļa ievades datos — lai pārņemtu kontroli pār tā uzvedību.
Lasīt vairāk →R
RAG (Retrieval-Augmented Generation)
Tehnika, kas apvieno informācijas izgūšanu ar ģenerēšanu — MI atbild, balstoties uz aktuāliem dokumentiem, ne tikai savu "atmiņu."
Lasīt vairāk →Rekomendāciju sistēmas
MI sistēmas, kas prognozē un iesaka atbilstošus vienumus, saturu vai darbības, pamatojoties uz lietotāju uzvedību, preferencēm un kontekstuālo informāciju.
Lasīt vairāk →RLHF (pastiprinātā mācīšanās no cilvēku atgriezeniskās saites)
Apmācības metodoloģija, kas saskaņo MI modeļus ar cilvēku preferencēm, izmantojot atgriezeniskās saites balstītu pastiprinātās mācīšanās ciklu.
Lasīt vairāk →RPA pret MI
Robotizētās procesu automatizācijas un MI virzītas automatizācijas salīdzinājums — to stiprās puses, ierobežojumi, integrācijas iespējas un piemērotība dažādiem biznesa procesiem.
Lasīt vairāk →Runas pārvēršana tekstā un teksta pārvēršana runā
MI tehnoloģijas, kas pārvērš runāto valodu rakstītā tekstā un otrādi, nodrošinot balss saskarnes, transkripciju un daudzvalodu komunikāciju.
Lasīt vairāk →S
Sarunvalodas AI
Sarunvalodas AI sistēmas nodrošina dabisku, kontekstuālu dialogu starp cilvēkiem un mašīnām, izmantojot dabiskās valodas sapratni, ģenerēšanu un dialoga pārvaldību.
Lasīt vairāk →Semantiskā kešošana
Inteliģenta kešošanas stratēģija, kas glabā un izgūst MI atbildes, pamatojoties uz vaicājuma nozīmi, nevis precīzu atbilstību — samazinot latentumu un izmaksas.
Lasīt vairāk →Semantiskā meklēšana
Meklēšanas tehnoloģija, kas saprot vaicājumu nozīmi un nolūku, nevis tikai salīdzina atslēgvārdus — nodrošinot atbilstošākus rezultātus uzņēmuma zināšanu sistēmās.
Lasīt vairāk →Sentimenta analīze
Sentimenta analīze izmanto dabiskās valodas apstrādi, lai noteiktu emocionālo toni tekstā — pozitīvu, negatīvu vai neitrālu — sniedzot ieskatus klientu attieksmē un tirgus noskaņojumā.
Lasīt vairāk →Shadow AI
Darbinieku nesankcionēta MI rīku izmantošana — bez IT nodaļas zināšanām vai kontroles, ar datu noplūdes risku.
Lasīt vairāk →Sintētiskie dati
Mākslīgi ģenerētas datu kopas, kas saglabā oriģinālu statistiskās īpašības — MI apmācībai bez privātuma pārkāpumiem.
Lasīt vairāk →SLM (Small Language Models)
Kompakti MI modeļi (1–7B parametru), kas darbojas lokāli, ātri un lēti — ideāli specializētiem uzdevumiem bez mākoņa izmaksām.
Lasīt vairāk →Strukturēta izvade
Tehnikas MI modeļu atbilžu ierobežošanai noteiktos formātos, piemēram, JSON, XML vai shēmās, nodrošinot uzticamu integrāciju ar programmatūras sistēmām.
Lasīt vairāk →T
Temperature un Top-P izlase
Galvenie parametri, kas kontrolē MI modeļu teksta ģenerēšanas nejaušību un radošumu, ietekmējot izvades daudzveidību un prognozējamību.
Lasīt vairāk →Tērzēšanas robots pret AI aģentu
Tērzēšanas roboti apstrādā vienkāršas sarunas, kamēr AI aģenti patstāvīgi plāno, pieņem lēmumus un veic darbības, izmantojot rīkus — izpratne par atšķirībām palīdz izvēlēties piemēroto risinājumu.
Lasīt vairāk →Transformer arhitektūra
Pamata neironu tīklu arhitektūra, kas ir aiz mūsdienu lielajiem valodas modeļiem, kas izmanto pašuzmanības mehānismu, lai apstrādātu secīgus datus ar nepārspētu efektivitāti.
Lasīt vairāk →V
Z
Zināšanu destilācija
Zināšanu destilācija pārnes liela, sarežģīta AI modeļa (skolotāja) zināšanas mazākā, efektīvākā modelī (skolēnā), saglabājot veiktspēju ar zemākām skaitļošanas izmaksām.
Lasīt vairāk →Zināšanu grafs
Strukturēts entītiju un to attiecību attēlojums, kas ļauj MI sistēmām spriest par sarežģītām konceptuālām saiknēm un sniegt kontekstā bagātas atbildes.
Lasīt vairāk →