Słownik AI
Najważniejsze pojęcia sztucznej inteligencji — wyjaśnione prosto, rzetelnie i po polsku. Obecnie 108 haseł, lista stale rośnie.
A
Agent AI
Agent AI to autonomiczny system sztucznej inteligencji, który potrafi planować i wykonywać złożone zadania. Wykorzystuje do tego celu dostępne narzędzia i zasoby, dążąc do osiągnięcia określonego celu bez ciągłej interwencji człowieka.
Agent przeglądarki
Agent przeglądarki to system sztucznej inteligencji zdolny do interakcji ze stronami internetowymi w sposób zbliżony do człowieka, wykonując zadania poprzez nawigację, klikanie elementów i wprowadzanie danych. Działa w oparciu o zrozumienie wizualne i strukturalne stron WWW.
AGI (ogólna sztuczna inteligencja)
AGI, czyli ogólna sztuczna inteligencja, to hipotetyczny rodzaj sztucznej inteligencji, która posiada zdolność rozumienia, uczenia się i stosowania inteligencji do rozwiązywania dowolnych problemów poznawczych, podobnie jak człowiek. Oznacza to, że byłaby w stanie wykonywać każdą intelektualną czynność, którą potrafi wykonać człowiek.
AI Act
AI Act to projekt rozporządzenia Unii Europejskiej, którego celem jest ustanowienie zharmonizowanych zasad dotyczących sztucznej inteligencji. Ma on zapewnić bezpieczeństwo i zgodność systemów AI z prawami podstawowymi, klasyfikując je według poziomu ryzyka.
AI generatywna
AI generatywna to rodzaj sztucznej inteligencji zdolnej do tworzenia nowych, oryginalnych danych, które nie istniały wcześniej. Obejmuje to generowanie tekstu, obrazów, dźwięku, wideo oraz innych form treści, na podstawie nauczonych wzorców i stylów.
Alignment (zgodność)
Alignment (zgodność) w kontekście sztucznej inteligencji odnosi się do problemu zapewnienia, że systemy AI działają zgodnie z ludzkimi wartościami, celami i intencjami. Ma to na celu zapobieganie niepożądanym lub szkodliwym zachowaniom AI, które mogłyby wyniknąć z błędnego zrozumienia lub interpretacji zadań.
Anonimizacja danych
Anonimizacja danych to proces przekształcania informacji w taki sposób, aby niemożliwe było zidentyfikowanie konkretnej osoby fizycznej, nawet pośrednio. Jest to kluczowa technika ochrony prywatności, szczególnie przed analizą przez systemy sztucznej inteligencji.
API modelu AI
API modelu AI to interfejs programistyczny umożliwiający aplikacjom i deweloperom interakcję z modelem sztucznej inteligencji. Pozwala na wysyłanie danych wejściowych do modelu i odbieranie od niego wyników, bez konieczności hostowania czy zarządzania samym modelem.
Asystent AI
Asystent AI to program komputerowy wykorzystujący sztuczną inteligencję, zwłaszcza duże modele językowe (LLM), do prowadzenia konwersacji z użytkownikiem. Jego celem jest rozumienie zapytań i generowanie spójnych, kontekstowo trafnych odpowiedzi, symulując ludzkie interakcje.
B
Baza wektorowa
Baza wektorowa to wyspecjalizowany system do przechowywania i efektywnego wyszukiwania wektorów numerycznych, zwanych embeddingami. Umożliwia szybkie znajdowanie wektorów podobnych do zadanego zapytania, co jest kluczowe w zastosowaniach opartych na podobieństwie semantycznym.
Benchmark
Benchmark w kontekście sztucznej inteligencji to standaryzowany zestaw danych i metryk służący do obiektywnej oceny wydajności, możliwości i ograniczeń modeli AI. Umożliwia porównywanie różnych algorytmów i architektur w odniesieniu do konkretnych zadań.
Bias (stronniczość)
Stronniczość (bias) w kontekście sztucznej inteligencji odnosi się do systematycznych błędów lub preferencji w wynikach modelu, wynikających z niedoskonałości lub nierówności w danych treningowych. Może prowadzić do niesprawiedliwych lub niedokładnych decyzji, szczególnie w odniesieniu do określonych grup ludzi.
C
Cache promptów
Cache promptów to mechanizm przechowywania i ponownego wykorzystywania wyników przetwarzania początkowej części promptu (kontekstu) przez model językowy. Pozwala to na uniknięcie redundantnych obliczeń, gdy ten sam kontekst jest używany wielokrotnie z różnymi uzupełnieniami.
Chain-of-thought (łańcuch myślenia)
Chain-of-Thought (CoT), czyli łańcuch myślenia, to technika podpowiadania modelom językowym, która polega na instruowaniu ich, aby przed udzieleniem ostatecznej odpowiedzi generowały serię pośrednich kroków rozumowania. Umożliwia to modelowi rozłożenie złożonego problemu na mniejsze, łatwiejsze do rozwiązania etapy.
Chatbot
Chatbot to program komputerowy zaprojektowany do prowadzenia konwersacji z użytkownikiem, symulujący ludzką rozmowę. Może odpowiadać na pytania, wykonywać zadania lub dostarczać informacji, wykorzystując tekst lub głos.
Checkpoint
Checkpoint to zapisany stan wag i konfiguracji modelu uczenia maszynowego w określonym momencie treningu. Umożliwia wznowienie procesu trenowania od tego punktu lub wykorzystanie już wytrenowanego modelu.
Chunking
Chunking to proces dzielenia długich dokumentów tekstowych na mniejsze, zarządzalne fragmenty, zwane "chunkami". Jest to kluczowy etap w systemach Retrieval-Augmented Generation (RAG), umożliwiający efektywne wyszukiwanie i dostarczanie kontekstu dla modeli językowych.
Computer vision (wizja komputerowa)
Wizja komputerowa to dziedzina sztucznej inteligencji, która umożliwia komputerom interpretowanie i rozumienie informacji wizualnych ze świata rzeczywistego, takich jak obrazy i filmy. Jej celem jest replikowanie ludzkiej zdolności widzenia i przetwarzania danych wizualnych.
Context engineering
Context engineering to proces projektowania i optymalizacji całego zestawu danych wejściowych, narzędzi i interakcji dostarczanych modelowi językowemu, aby osiągnąć pożądane rezultaty. Obejmuje nie tylko samą treść zapytania, ale także szerszy kontekst, w którym model ma działać.
Copilot (asystent kodowania)
Copilot to asystent kodowania oparty na sztucznej inteligencji, który pomaga programistom poprzez sugerowanie fragmentów kodu, autouzupełnianie oraz generowanie całych funkcji w czasie rzeczywistym. Wykorzystuje modele językowe przeszkolone na ogromnych zbiorach kodu źródłowego.
D
Dane syntetyczne
Dane syntetyczne to informacje generowane sztucznie, które naśladują właściwości statystyczne i wzorce danych rzeczywistych, ale nie pochodzą z faktycznych obserwacji. Służą głównie do treningu modeli sztucznej inteligencji, testowania systemów oraz w sytuacjach, gdy dostęp do prawdziwych danych jest ograniczony lub wiąże się z ryzykiem naruszenia prywatności.
Dane treningowe
Dane treningowe to zbiór informacji używany do uczenia modeli sztucznej inteligencji, aby mogły one rozpoznawać wzorce, podejmować decyzje lub generować nowe treści. Ich jakość i reprezentatywność mają kluczowe znaczenie dla wydajności i bezstronności wytrenowanego modelu.
Deepfake
Deepfake to syntetyczny materiał multimedialny, najczęściej wideo lub audio, stworzony przy użyciu technik sztucznej inteligencji, który realistycznie przedstawia osoby mówiące lub wykonujące czynności, których w rzeczywistości nie robiły. Wykorzystuje zaawansowane algorytmy uczenia maszynowego, aby nałożyć istniejący obraz lub dźwięk na inny, tworząc przekonujące, lecz fałszywe treści.
Deep learning (uczenie głębokie)
Deep learning, czyli uczenie głębokie, to poddziedzina uczenia maszynowego, która wykorzystuje wielowarstwowe sieci neuronowe (zwane głębokimi sieciami neuronowymi) do modelowania złożonych zależności w danych. Umożliwia automatyczne uczenie się reprezentacji danych na wielu poziomach abstrakcji.
Deep research
Deep research to tryb pracy asystentów AI, w którym system samodzielnie wyszukuje, analizuje i syntetyzuje informacje z wielu źródeł w celu udzielenia kompleksowej odpowiedzi na złożone zapytanie. Proces ten obejmuje iteracyjne zbieranie danych i ich przetwarzanie.
Destylacja wiedzy
Destylacja wiedzy to technika kompresji modeli uczenia maszynowego, w której mniejszy, prostszy model (uczeń) jest trenowany tak, aby naśladować zachowanie większego, bardziej złożonego modelu (nauczyciela). Celem jest przeniesienie istotnej wiedzy z modelu nauczyciela do ucznia, zachowując wysoką wydajność przy znacznie mniejszych zasobach obliczeniowych i pamięciowych.
Detektor treści AI
Detektor treści AI to narzędzie programowe, którego celem jest identyfikacja, czy dany tekst, obraz lub inny rodzaj danych został wygenerowany przez sztuczną inteligencję, czy też stworzony przez człowieka. Analizuje on wzorce i cechy charakterystyczne dla danych syntetycznych.
E
Edge AI
Edge AI to przetwarzanie danych i uruchamianie modeli sztucznej inteligencji bezpośrednio na urządzeniach końcowych, takich jak smartfony, kamery czy sensory, zamiast w scentralizowanej chmurze obliczeniowej. Umożliwia to analizę w czasie rzeczywistym i podejmowanie decyzji bez konieczności przesyłania danych do zewnętrznych serwerów.
Embedding
Embedding to numeryczna reprezentacja obiektów, takich jak słowa, zdania czy całe dokumenty, w postaci wektora liczb rzeczywistych. Jego celem jest uchwycenie semantycznego znaczenia i relacji między danymi w przestrzeni wektorowej.
Emergencja (zdolności emergentne)
Emergencja (zdolności emergentne) to zjawisko, w którym systemy sztucznej inteligencji, zwłaszcza duże modele językowe, wykazują nowe, nieprzewidziane wcześniej zdolności, które nie były jawnie programowane ani nie występowały w mniejszych wersjach tych modeli. Pojawiają się one spontanicznie po osiągnięciu pewnego progu skali, złożoności lub ilości danych treningowych.
Etykietowanie danych
Etykietowanie danych to proces przypisywania znaczących etykiet lub tagów do surowych danych, takich jak obrazy, tekst czy dźwięk. Jest to kluczowy krok w przygotowaniu zestawów danych do uczenia nadzorowanego, umożliwiający modelom AI naukę na podstawie przykładów.
Ewaluacja (evals)
Ewaluacja (evals) to systematyczny proces oceny jakości, wydajności i niezawodności modeli lub systemów sztucznej inteligencji. Ma na celu określenie, w jakim stopniu dany system spełnia założone cele i wymagania.
F
Few-shot prompting
Few-shot prompting to technika, w której modelowi językowemu dostarcza się kilka przykładów wejść i oczekiwanych wyjść, aby nauczył się wzorca i wykonał podobne zadanie. Model wykorzystuje te przykłady do kondycjonowania swojej odpowiedzi na nowe zapytanie.
Fine-tuning (dostrajanie)
Fine-tuning to proces dalszego trenowania wstępnie wytrenowanego modelu sztucznej inteligencji na mniejszym, specyficznym zbiorze danych. Celem jest adaptacja modelu do nowego zadania lub domeny, poprawiając jego wydajność w konkretnym zastosowaniu.
Function calling (tool use)
Function calling, znane również jako tool use, to zdolność modelu językowego do identyfikowania, kiedy i jakie zewnętrzne narzędzia lub funkcje API należy wywołać, aby zrealizować intencję użytkownika. Model generuje odpowiednie argumenty dla tych funkcji, ale nie wykonuje ich samodzielnie, lecz przekazuje je do zewnętrznego systemu.
G
GAN
GAN (Generative Adversarial Network) to rodzaj architektury sieci neuronowych składającej się z dwóch konkurujących ze sobą komponentów: generatora i dyskryminatora. Umożliwia ona generowanie nowych danych, które są statystycznie podobne do danych treningowych, najczęściej obrazów.
GPU
GPU (Graphics Processing Unit) to wyspecjalizowany procesor elektroniczny, zaprojektowany do szybkiego przetwarzania obrazu. Jego architektura, składająca się z tysięcy rdzeni, umożliwia równoległe wykonywanie wielu obliczeń jednocześnie, co czyni go idealnym do zadań wymagających masowych operacji na danych.
Grounding (ugruntowanie)
Ugruntowanie (grounding) w kontekście sztucznej inteligencji oznacza proces zakotwiczania generowanych odpowiedzi w konkretnych, dostarczonych źródłach informacji. Ma to na celu zapewnienie, że wygenerowane treści są faktycznie poprawne i weryfikowalne, a nie jedynie wygenerowane na podstawie wewnętrznej wiedzy modelu.
Guardrails (zabezpieczenia)
Guardrails (zabezpieczenia) to mechanizmy i polityki implementowane w systemach sztucznej inteligencji, mające na celu kontrolowanie i ograniczanie ich zachowania. Ich głównym zadaniem jest zapobieganie generowaniu szkodliwych, nieodpowiednich lub niezgodnych z etyką treści, a także ochrona przed niepożądanym użyciem.
H
I
Inferencja
Inferencja w kontekście sztucznej inteligencji to proces wykorzystania wcześniej wytrenowanego modelu do przewidywania, klasyfikacji lub generowania wyników na podstawie nowych, niewidzianych danych. Jest to faza, w której model stosuje nabytą wiedzę do rozwiązywania konkretnych zadań.
Inpainting
Inpainting to technika sztucznej inteligencji służąca do rekonstrukcji brakujących lub uszkodzonych fragmentów obrazu. Algorytmy analizują otaczający kontekst, aby wygenerować realistyczne i spójne uzupełnienie.
Interpretowalność
Interpretowalność w sztucznej inteligencji to zdolność do zrozumienia, w jaki sposób i dlaczego model AI podjął określoną decyzję lub wygenerował dany wynik. Pozwala na wgląd w wewnętrzne działanie algorytmu, który często jest postrzegany jako „czarna skrzynka”.
J
K
Klonowanie głosu
Klonowanie głosu to technika sztucznej inteligencji, która pozwala na cyfrowe odtworzenie unikalnych cech głosu konkretnej osoby. System analizuje próbki audio, a następnie generuje nowe wypowiedzi brzmiące jak oryginalny mówca.
Kwantyzacja
Kwantyzacja w kontekście sztucznej inteligencji to proces redukcji precyzji numerycznej wag i aktywacji w sieciach neuronowych. Ma na celu zmniejszenie rozmiaru modelu oraz przyspieszenie jego działania, przy zachowaniu akceptowalnego poziomu dokładności.
L
Latencja
Latencja w kontekście modeli AI to czas, jaki upływa od momentu wysłania zapytania do modelu do otrzymania pierwszej części odpowiedzi. Jest to kluczowy parametr mierzący szybkość reakcji systemu.
LLM (duży model językowy)
LLM (Large Language Model) to typ modelu sztucznej inteligencji, który przetwarza i generuje tekst. Jest trenowany na ogromnych zbiorach danych tekstowych, co pozwala mu rozumieć kontekst, gramatykę i semantykę języka naturalnego.
LoRA
LoRA (Low-Rank Adaptation) to technika optymalizacji, która umożliwia efektywne dostrajanie dużych modeli AI przy użyciu znacznie mniejszych zasobów obliczeniowych. Polega na dodawaniu małych, niskorangowych macierzy do istniejących wag modelu, zamiast modyfikowania wszystkich jego parametrów.
M
MCP (Model Context Protocol)
MCP (Model Context Protocol) to otwarty standard, który umożliwia modelom sztucznej inteligencji dynamiczne i bezpieczne łączenie się z zewnętrznymi narzędziami oraz źródłami danych. Jego celem jest ułatwienie integracji i rozszerzenie możliwości modeli poprzez ustandaryzowany interfejs.
Mechanizm uwagi (attention)
Mechanizm uwagi (attention) to technika stosowana w sieciach neuronowych, która pozwala modelowi dynamicznie ważyć znaczenie różnych części danych wejściowych podczas przetwarzania. Umożliwia skupienie się na najbardziej istotnych fragmentach informacji w danym kontekście.
Mixture of Experts (MoE)
Mixture of Experts (MoE) to architektura sieci neuronowych, która dzieli zadanie na podzadania i przypisuje je wyspecjalizowanym podsieciom (ekspertom). Dla każdego zapytania aktywowana jest tylko niewielka część ekspertów, co pozwala na efektywniejsze przetwarzanie informacji przy zachowaniu dużej liczby parametrów.
Model AI
Model AI to wytrenowany artefakt cyfrowy, który po przetworzeniu danych wejściowych generuje przewidywania, klasyfikacje lub inne formy danych wyjściowych. Składa się z architektury algorytmicznej i zestawu parametrów (wag) nauczonych na podstawie danych treningowych.
Model bazowy (foundation model)
Model bazowy to duży model sztucznej inteligencji, zazwyczaj trenowany na ogromnych zbiorach danych, który służy jako podstawa do adaptacji i fine-tuningu dla szerokiego zakresu zadań. Dzięki swojej ogólnej wiedzy i zdolnościom, może być wykorzystany do tworzenia wielu wyspecjalizowanych aplikacji AI.
Model collapse
Model collapse to zjawisko, w którym modele sztucznej inteligencji, trenowane na danych generowanych przez inne modele AI, stopniowo tracą jakość i różnorodność. Prowadzi to do obniżenia ich zdolności do generalizacji i tworzenia nowych, oryginalnych treści.
Model dyfuzyjny
Model dyfuzyjny to rodzaj generatywnego modelu sztucznej inteligencji, który uczy się tworzyć nowe dane poprzez odwracanie procesu stopniowego dodawania szumu do danych treningowych. Generuje obrazy wysokiej jakości, stopniowo usuwając szum z losowego punktu początkowego, aż do uzyskania spójnego i realistycznego obrazu.
Model lokalny
Model lokalny to model sztucznej inteligencji, który jest uruchamiany bezpośrednio na urządzeniu użytkownika, takim jak komputer osobisty czy smartfon, zamiast na zdalnych serwerach dostawcy usługi. Umożliwia to przetwarzanie danych bez wysyłania ich poza lokalne środowisko.
Model multimodalny
Model multimodalny to system sztucznej inteligencji zdolny do przetwarzania i rozumienia informacji pochodzących z wielu różnych typów danych, takich jak tekst, obrazy, dźwięk czy wideo. Pozwala to na bardziej kompleksową analizę i interakcję, naśladując sposób, w jaki ludzie postrzegają świat.
Model rozumujący (reasoning model)
Model rozumujący to typ modelu sztucznej inteligencji, który przed wygenerowaniem ostatecznej odpowiedzi przeprowadza wewnętrzny proces wnioskowania lub planowania. Ma to na celu poprawę jakości i trafności wyników, szczególnie w złożonych zadaniach.
Moderacja treści AI
Moderacja treści AI to proces zarządzania i kontrolowania treści generowanych przez sztuczną inteligencję, aby zapewnić ich zgodność z określonymi zasadami, normami prawnymi i etycznymi. Obejmuje zarówno automatyczne systemy wykrywające niepożądane treści, jak i interwencje ludzkie.
N
Negative prompt
Negative prompt to instrukcja tekstowa używana w modelach generatywnych, zwłaszcza tych tworzących obrazy, która określa elementy lub cechy, których model ma unikać w generowanej treści. Służy do precyzowania wyników poprzez eliminowanie niepożądanych atrybutów.
NLP (przetwarzanie języka naturalnego)
NLP, czyli przetwarzanie języka naturalnego, to dziedzina sztucznej inteligencji zajmująca się interakcją komputerów z ludzkim językiem. Jej celem jest umożliwienie maszynom rozumienia, interpretowania i generowania języka w sposób użyteczny i sensowny.
O
OCR
OCR (Optical Character Recognition) to technologia umożliwiająca konwersję różnych typów dokumentów, takich jak zeskanowane pliki PDF, zdjęcia czy obrazy, na dane tekstowe, które można edytować i przeszukiwać. Systemy OCR analizują wizualne reprezentacje znaków i przypisują im odpowiadające im znaki tekstowe.
Okno kontekstowe
Okno kontekstowe to maksymalna liczba tokenów (słów, znaków, fragmentów kodu), które model sztucznej inteligencji może przetworzyć jednocześnie. Określa ono zakres informacji, które model bierze pod uwagę podczas generowania odpowiedzi lub analizy danych.
Open source AI
Open Source AI odnosi się do modeli sztucznej inteligencji, których kod źródłowy, architektura, wagi (parametry) oraz często dane treningowe są publicznie dostępne i mogą być swobodnie używane, modyfikowane i dystrybuowane. Umożliwia to transparentność, współpracę i innowacje w społeczności AI.
Orkiestracja agentów
Orkiestracja agentów to proces zarządzania i koordynowania działań wielu niezależnych agentów AI, aby wspólnie realizowały złożone zadanie. Obejmuje definiowanie ról, sekwencjonowanie operacji oraz zapewnianie komunikacji i wymiany informacji między agentami.
Outpainting
Outpainting to technika generatywnej sztucznej inteligencji, która rozszerza obraz poza jego oryginalne granice, tworząc spójne i kontekstowo dopasowane otoczenie. Algorytm analizuje istniejące piksele i przewiduje, jak scena mogłaby wyglądać poza kadrem.
Overfitting (przeuczenie)
Overfitting, czyli przeuczenie, to zjawisko w uczeniu maszynowym, gdzie model zbyt dokładnie uczy się danych treningowych, włączając w to szum i przypadkowe zależności. Skutkuje to bardzo dobrą wydajnością na danych, na których był trenowany, ale słabą zdolnością do generalizacji i przewidywania na nowych, niewidzianych danych.
P
Parametry modelu
Parametry modelu to wewnętrzne zmienne, które model uczenia maszynowego uczy się podczas procesu treningu. W sieciach neuronowych są to głównie wagi i biasy, które określają siłę połączeń między neuronami i są kluczowe dla zdolności modelu do wykonywania zadań.
Prawa skalowania
Prawa skalowania to empiryczne zależności opisujące, jak wydajność modeli uczenia maszynowego zmienia się wraz ze wzrostem zasobów, takich jak liczba parametrów modelu, ilość danych treningowych czy moc obliczeniowa. Pozwalają przewidywać, jak duży model lub ile danych będzie potrzebnych do osiągnięcia określonego poziomu wydajności.
Pre-trening
Pre-trening to wstępny etap uczenia maszynowego, w którym model AI jest trenowany na bardzo dużym zbiorze danych w celu nauczenia się ogólnych wzorców i reprezentacji. Ma to na celu przygotowanie modelu do bardziej specyficznych zadań.
Prompt
Prompt to instrukcja, zapytanie lub dane wejściowe przekazywane modelowi sztucznej inteligencji, aby wygenerował określoną odpowiedź lub wykonał zadanie. Jego jakość ma bezpośredni wpływ na trafność i użyteczność generowanych rezultatów.
Prompt engineering
Prompt engineering to dziedzina zajmująca się projektowaniem, optymalizacją i udoskonalaniem instrukcji (promptów) dla modeli językowych i innych systemów AI. Celem jest uzyskanie pożądanych, precyzyjnych i wysokiej jakości odpowiedzi od sztucznej inteligencji.
Prompt injection
Prompt injection to technika ataku, w której złośliwe instrukcje są wprowadzane do modelu językowego poprzez dane wejściowe, takie jak tekst strony internetowej, co może prowadzić do nieoczekiwanych lub niepożądanych działań modelu. Atakujący manipuluje modelem, aby ten wykonał zadania niezgodne z jego pierwotnym przeznaczeniem lub ujawnił wrażliwe informacje.
R
RAG (Retrieval-Augmented Generation)
RAG (Retrieval-Augmented Generation) to technika usprawniająca działanie dużych modeli językowych (LLM) poprzez umożliwienie im dostępu do zewnętrznych źródeł informacji. Zanim model wygeneruje odpowiedź, wyszukuje i pobiera istotne dane z określonej bazy wiedzy, a następnie wykorzystuje je do sformułowania precyzyjnej i opartej na faktach odpowiedzi.
Red teaming
Red teaming w kontekście sztucznej inteligencji to proces systematycznego i celowego testowania modelu AI przez zespół ekspertów, którzy symulują działania złośliwych użytkowników. Jego celem jest identyfikacja luk w zabezpieczeniach, stronniczości, podatności na manipulacje oraz innych słabości, zanim model zostanie wdrożony.
RLHF
RLHF (Reinforcement Learning from Human Feedback) to technika uczenia maszynowego, która wykorzystuje ludzkie oceny do optymalizacji modeli AI, zwłaszcza językowych. Pozwala to na dostosowanie zachowania modelu do preferencji i wartości ludzkich, poprawiając jego użyteczność i bezpieczeństwo.
S
Seed (ziarno)
W kontekście sztucznej inteligencji i generowania danych, 'seed' (ziarno) to początkowa wartość numeryczna używana do inicjalizacji generatora liczb pseudolosowych. Zapewnia ona powtarzalność wyników generacji, co oznacza, że użycie tego samego ziarna zawsze doprowadzi do identycznej sekwencji liczb pseudolosowych i, w konsekwencji, identycznego wyjścia modelu.
Sieć neuronowa
Sieć neuronowa to model obliczeniowy inspirowany budową ludzkiego mózgu, składający się z połączonych ze sobą warstw sztucznych neuronów. Przetwarza dane wejściowe poprzez serię transformacji, ucząc się rozpoznawania wzorców i zależności.
SLM (mały model językowy)
SLM (Small Language Model) to kompaktowy model językowy, charakteryzujący się mniejszą liczbą parametrów w porównaniu do dużych modeli (LLM). Dzięki temu wymaga mniej zasobów obliczeniowych i pamięci, co umożliwia jego efektywne wdrażanie na urządzeniach brzegowych lub w środowiskach o ograniczonych zasobach.
Speech-to-text (ASR)
Speech-to-text (STT), znane również jako automatyczne rozpoznawanie mowy (ASR), to technologia umożliwiająca konwersję języka mówionego na tekst pisany. Systemy te analizują sygnały dźwiękowe, identyfikują fonemy i słowa, a następnie przekształcają je w cyfrowy zapis tekstowy.
Streaming odpowiedzi
Streaming odpowiedzi to technika, w której system AI generuje i przesyła fragmenty swojej odpowiedzi użytkownikowi na bieżąco, zamiast czekać na ukończenie całej wypowiedzi. Pozwala to na szybsze dostarczanie informacji i poprawia interaktywność.
Superinteligencja (ASI)
Superinteligencja (ASI) to hipotetyczny system sztucznej inteligencji, który znacząco przewyższa ludzką inteligencję we wszystkich istotnych dziedzinach, włączając w to kreatywność naukową, ogólną mądrość i umiejętności społeczne. Jest to poziom inteligencji wykraczający poza możliwości poznawcze człowieka.
System prompt
System prompt to zestaw instrukcji i wytycznych konfiguracyjnych przekazywanych modelowi językowemu, które określają jego rolę, zachowanie oraz ogólne zasady interakcji. Służy do ustalenia kontekstu i ograniczeń dla generowanych odpowiedzi, zanim użytkownik wprowadzi swoje zapytanie.
Sztuczna inteligencja (AI)
Sztuczna inteligencja (AI) to dziedzina informatyki zajmująca się tworzeniem systemów zdolnych do wykonywania zadań, które tradycyjnie wymagają ludzkiej inteligencji. Obejmuje to uczenie się, rozumowanie, rozwiązywanie problemów, percepcję i rozumienie języka naturalnego.
T
Temperatura
Temperatura w kontekście modeli generatywnych to parametr kontrolujący losowość i kreatywność generowanych wyników. Niższa temperatura prowadzi do bardziej przewidywalnych i spójnych odpowiedzi, podczas gdy wyższa zwiększa różnorodność i oryginalność.
Test Turinga
Test Turinga to eksperyment myślowy zaproponowany przez Alana Turinga, mający na celu ocenę zdolności maszyny do wykazywania inteligentnego zachowania nieodróżnialnego od ludzkiego. Polega na konwersacji tekstowej między człowiekiem a maszyną, ocenianej przez niezależnego sędziego.
Text-to-image
Text-to-image to technika sztucznej inteligencji, która generuje obrazy cyfrowe na podstawie opisów tekstowych. Umożliwia tworzenie unikalnych wizualizacji bez konieczności posiadania umiejętności graficznych.
Text-to-speech (TTS)
Text-to-speech (TTS) to technologia przetwarzania języka naturalnego, która konwertuje tekst pisany na mowę syntetyczną. Umożliwia komputerom i innym urządzeniom odczytywanie treści tekstowych na głos, naśladując ludzki głos i intonację.
Text-to-video
Text-to-video to technologia sztucznej inteligencji, która generuje sekwencje wideo na podstawie tekstowego opisu. Umożliwia tworzenie ruchomych obrazów, scen i animacji bez konieczności użycia tradycyjnych narzędzi do edycji wideo.
Token
Token to podstawowa jednostka przetwarzania tekstu przez modele sztucznej inteligencji, reprezentująca fragment słowa, całe słowo, znak interpunkcyjny lub spację. Służy do kwantyfikacji danych wejściowych i wyjściowych, co ma bezpośrednie przełożenie na koszty użytkowania modeli.
Tokenizacja
Tokenizacja to proces dzielenia ciągów tekstowych na mniejsze, znaczące jednostki zwane tokenami. Jest to fundamentalny krok w przetwarzaniu języka naturalnego (NLP), umożliwiający maszynom analizę i zrozumienie ludzkiego języka.
Top-p (nucleus sampling)
Top-p (nucleus sampling) to technika próbkowania używana w generatywnych modelach językowych, która wybiera następny token z najmniejszego zestawu tokenów, których skumulowane prawdopodobieństwo przekracza określoną wartość progową 'p'. Ma na celu zwiększenie różnorodności generowanego tekstu, jednocześnie zapobiegając wyborowi bardzo mało prawdopodobnych tokenów.
TPU
TPU (Tensor Processing Unit) to specjalizowany akcelerator sprzętowy, zaprojektowany przez Google, przeznaczony do efektywnego wykonywania obliczeń związanych z uczeniem maszynowym, w szczególności z sieciami neuronowymi. Jego architektura jest zoptymalizowana pod kątem operacji macierzowych, kluczowych dla algorytmów AI.
Transfer learning
Transfer learning to technika uczenia maszynowego, która polega na ponownym wykorzystaniu modelu wytrenowanego do rozwiązania jednego zadania jako punktu wyjścia do rozwiązania innego, pokrewnego problemu. Umożliwia to efektywne wykorzystanie już nabytej wiedzy i przyspiesza proces uczenia dla nowych zadań.
Transformer
Transformer to architektura sieci neuronowej, która zrewolucjonizowała przetwarzanie języka naturalnego (NLP), wprowadzając mechanizm uwagi (attention mechanism). Umożliwia efektywne modelowanie długoterminowych zależności w sekwencjach danych, takich jak tekst, bez potrzeby rekurencyjnych połączeń.
U
Uczenie federacyjne
Uczenie federacyjne to rozproszona metoda uczenia maszynowego, która umożliwia trenowanie modeli na zdecentralizowanych zbiorach danych, bez konieczności ich fizycznego gromadzenia w jednej lokalizacji. Modele są trenowane lokalnie na urządzeniach końcowych, a jedynie ich zaktualizowane parametry są agregowane na serwerze centralnym.
Uczenie maszynowe (ML)
Uczenie maszynowe to dziedzina sztucznej inteligencji, która umożliwia systemom komputerowym automatyczne uczenie się i doskonalenie na podstawie danych, bez potrzeby jawnego programowania dla każdego zadania. Polega na identyfikowaniu wzorców i zależności w zbiorach danych, aby na ich podstawie podejmować decyzje lub przewidywać wyniki.
Uczenie nadzorowane
Uczenie nadzorowane to paradygmat uczenia maszynowego, w którym model jest trenowany na zbiorze danych zawierającym zarówno dane wejściowe, jak i odpowiadające im prawidłowe dane wyjściowe (etykiety). Celem jest nauczenie modelu mapowania danych wejściowych na wyjściowe, aby mógł przewidywać etykiety dla nowych, nieznanych danych.
Uczenie nienadzorowane
Uczenie nienadzorowane to typ uczenia maszynowego, w którym algorytm analizuje dane bez wcześniej przypisanych etykiet. Jego celem jest odkrywanie ukrytych wzorców, struktur lub relacji w zbiorze danych, takich jak grupowanie podobnych punktów danych.
Uczenie ze wzmocnieniem (RL)
Uczenie ze wzmocnieniem (Reinforcement Learning, RL) to gałąź uczenia maszynowego, w której agent uczy się optymalnego zachowania w środowisku poprzez interakcję. Jego celem jest maksymalizacja skumulowanej nagrody otrzymywanej za podejmowane działania.
Upscaling (superrozdzielczość)
Upscaling, czyli superrozdzielczość, to proces cyfrowego zwiększania rozdzielczości obrazu lub wideo. Jego celem jest nie tylko powiększenie, ale także odtworzenie lub ulepszenie detali, które nie istniały w oryginalnym materiale o niższej rozdzielczości.
V
W
Wagi modelu
Wagi modelu to numeryczne wartości, które model uczenia maszynowego dostosowuje podczas procesu treningu. Reprezentują one siłę i kierunek połączeń między neuronami w sieci neuronowej lub znaczenie cech w innych algorytmach.
Watermarking treści AI
Watermarking treści AI to technika osadzania niewidocznych sygnatur w danych wygenerowanych przez sztuczną inteligencję, takich jak tekst, obrazy czy dźwięk. Sygnatury te pozwalają na późniejsze wykrycie, czy dana treść pochodzi od modelu AI, czy została stworzona przez człowieka.
Wyszukiwanie AI
Wyszukiwanie AI to technologia, która wykorzystuje sztuczną inteligencję do generowania bezpośrednich odpowiedzi na zapytania użytkowników, syntezując informacje z wielu źródeł zamiast prezentować jedynie listę linków. Ma na celu dostarczenie kompleksowych i spójnych podsumowań.
Wyszukiwanie semantyczne
Wyszukiwanie semantyczne to metoda wyszukiwania informacji, która interpretuje znaczenie zapytania użytkownika, a nie tylko dopasowuje słowa kluczowe. Pozwala to na zwracanie bardziej trafnych wyników, nawet jeśli użyte sformułowania różnią się od tych w indeksowanych dokumentach.
Z
Bądź na bieżąco ze światem AI
Najważniejsze newsy, recenzje i poradniki — raz w tygodniu, prosto na maila. Bez spamu.