AI Szójegyzék
Válaszd ki, mit szeretnél megtanulni, megérteni vagy elérni az AI segítségével, és fedezd fel a hozzá kapcsolódó tanulási lehetőségeket, útmutatókat és eszközöket.
120 / 120 megjelenítve
A
Adatkészlet
Az adatkészlet egy kurált információgyűjtemény, amelyet AI-modellek tanítására használnak. Elsődleges tudásforrásként szolgál, lehetővé téve az algoritmusok számára a minták azonosítását, előrejelzések készítését vagy új tartalom generálását a megadott példák alapján.
Agent2Agent protokoll (A2A)
Az A2A protokollok biztosítják azt a közös nyelvet és szabályokat, amelyek lehetővé teszik a független AI-ügynökök számára, hogy interakcióba lépjenek, erőforrásokat osszanak meg, és összetett feladatokat hajtsanak végre cselekvéseik autonóm összehangolásával.
Agentic AI
Az ágensalapú AI olyan tervezési paradigma, amelyben az AI-rendszerek tervezéssel, következtetéssel, eszközhasználattal és többlépéses műveletekkel haladnak a célok felé, nem csupán egyetlen választ állítanak elő.
AI automatizáció
Az AI automatizáció gépi tanulást és intelligens szoftvereket használ ismétlődő vagy komplex feladatok elvégzésére, lehetővé téve a rendszerek számára a döntéshozatalt, az adatfeldolgozást és a munkafolyamatok autonóm végrehajtását.
AI kockázatkezelés
Strukturált megközelítés az AI rendszerek telepítésével járó technikai, etikai és operatív kockázatok azonosítására és minimalizálására, biztosítva azok összhangját a biztonsági szabványokkal és a szervezeti célokkal.
AI-ágens
Az AI-ágens egy önálló szoftverrendszer, amely egy AI-modell segítségével értelmezi a környezetet, kiválasztja a következő lépéseket, és egy cél érdekében műveleteket hajt végre, gyakran külső eszközökön vagy API-kon keresztül.
AI-hallucináció
Az AI-hallucináció egy olyan jelenség, amely során egy mesterségesintelligencia-modell teljes magabiztossággal generál hamis vagy félrevezető információkat, gyakran úgy mutatva be a kitalált tényeket, mintha azok ellenőrzött igazságok lennének.
AI-modell
Az AI-modell egy nagy adatkészleteken kiképzett digitális rendszer, amely konkrét feladatok elvégzésére képes, például objektumok azonosítása képeken, nyelvek fordítása vagy jövőbeli trendek előrejelzése a megtanult minták alapján.
Alapmodell
Az alapmodell egy hatalmas, széles körű adatokon betanított AI-rendszer, amely sokoldalú alapként szolgál számos különböző speciális alkalmazás felépítéséhez, ahelyett, hogy egyetlen konkrét feladatra korlátozódna.
API (Alkalmazásprogramozási felület)
Az API olyan meghatározott protokollok és eszközök összessége, amely lehetővé teszi a különböző szoftveralkalmazások számára, hogy kommunikáljanak és adatokat cseréljenek egymással.
API kulcs
Az API kulcs digitális jelszóként működik, amely azonosítja az alkalmazását a szolgáltató felé, lehetővé téve az adatok vagy AI modellek biztonságos elérését, miközben nyomon követi a használatot és érvényesíti a sebességkorlátozásokat.
Autonóm ágens
Az autonóm ágens olyan AI-ágens, amelynek végrehajtási ciklusa viszonylag nagyobb önállósággal működik, és kevesebb emberi ellenőrzési pont mellett igazítja a műveleteit.
B
Batch következtetés
A batch következtetés az a folyamat, amely során egy gépi tanulási modellt egy nagy adatgyűjteményen futtatnak egyszerre, ahelyett, hogy az egyes kéréseket valós időben dolgoznák fel.
Beágyazás (Embedding)
A beágyazás diszkrét adatok – például szöveg vagy képek – alacsony dimenziós, folytonos vektoros reprezentációja, ahol a vektorok közötti geometriai távolság megfelel az alapul szolgáló adatok szemantikai hasonlóságának.
Benchmark
A benchmark egy szabványosított teszt, amellyel mérhető és összehasonlítható, hogy a különböző AI-modellek hogyan teljesítenek bizonyos feladatokban, például nyelvi megértésben, kódolásban vagy képfelismerésben.
Beszédfelismerés (Speech-to-Text)
A beszédfelismerés egy AI-technológia, amely automatikusan átírja a beszélt hangot írott szöveggé, lehetővé téve a számítógépek számára az emberi beszéd megértését és feldolgozását különféle alkalmazásokhoz, például akadálymentesítéshez, kereséshez és dokumentációhoz.
C
Chain-of-Thought
A Chain-of-Thought (CoT) egy olyan prompting technika, amely arra ösztönzi a nagy nyelvi modelleket, hogy a végső válasz megadása előtt köztes érvelési lépések sorozatát generálják. A logikai folyamat kifejezett megfogalmazásával a modell pontosabban képes megoldani komplex számtani, józan észen alapuló és szimbolikus érvelési feladatokat.
Chunking
A chunking hosszú dokumentumokat bont kisebb, kezelhető darabokra, hogy az AI-modellek hatékonyabban dolgozhassák fel azokat, biztosítva, hogy a lekért információ releváns maradjon és beleférjen a modell kontextusablakába.
Címke (Label)
A címke a felügyelt tanulásban az adatokhoz csatolt 'válaszkulcs'. Megmondja az AI-nak, hogy mi legyen a helyes kimenet egy adott bemenethez, lehetővé téve a modell számára a minták megtanulását a betanítás során.
Computer Vision
A Computer Vision az az AI-technológia, amely lehetővé teszi a gépek számára, hogy „lássák” és megértsék a vizuális világot, lehetővé téve számukra az objektumok azonosítását, a mozgás követését és a komplex jelenetek értelmezését képekből vagy videófolyamokból.
Context Engineering
A context engineering az AI-modellbe táplált adatok kurálásának és rendszerezésének gyakorlata annak biztosítása érdekében, hogy rendelkezzen a szükséges információkkal a pontos, releváns és kiváló minőségű válaszok generálásához.
D
Dekóder
A dekóder az AI-modell azon része, amely a tömörített információk átvételével és értelmes kimenetté való kibővítésével foglalkozik, például szövegfordítás vagy képek generálása egy prompt alapján.
Diffúziós modell
Olyan generatív modellek osztálya, amelyek úgy tanulnak meg adatokat létrehozni, hogy iteratívan megfordítják a Gauss-zaj mintához való hozzáadásának folyamatát, amíg az eredeti adateloszlás helyre nem áll.
E
Elfogultság
Az elfogultság akkor fordul elő, amikor az AI-modellek előítéletes vagy tisztességtelen eredményeket produkálnak a hibás betanítási adatok vagy tervezési döntések miatt. Gyakran tükrözi és felerősíti a meglévő társadalmi egyenlőtlenségeket, ami diszkriminatív eredményekhez vezet az automatizált döntéshozatali folyamatokban.
Előképzés (Pretraining)
Az előképzés az AI-fejlesztés alapvető szakasza, ahol a modell hatalmas mennyiségű adatból tanul, hogy megértse az általános fogalmakat, a nyelvet és a mintákat, mielőtt konkrét alkalmazásokra finomhangolnák.
Előrecsatolt hálózat (Feed-Forward Network)
Egy alapvető neurális hálózati architektúra, ahol az adatok egyetlen irányban haladnak át a neuronrétegeken, visszacsatolási hurkok vagy ciklusok nélkül, így ideális a bemenetek konkrét kimenetekhez való rendelésére.
Emberi visszajelzésen alapuló megerősítéses tanulás (RLHF)
Az RLHF egy olyan képzési technika, amely az AI által generált válaszok emberi rangsorolását használja fel arra, hogy megtanítsa a modellnek, mely kimenetek hasznosabbak, pontosabbak és biztonságosabbak, hatékonyan igazítva az AI viselkedését az emberi elvárásokhoz.
Endpoint
Az endpoint egy specifikus URL, amely átjáróként szolgál a szoftveralkalmazások számára az AI-modellel vagy szolgáltatással való kommunikációhoz, lehetővé téve számukra adatok küldését és a feldolgozott eredmények fogadását.
Enkóder
Az enkóder egy olyan neurális hálózati komponens, amely a bemeneti adatokat tömörített, nagy dimenziós látens reprezentációvá alakítja, amelyet gyakran kontextusvektornak vagy beágyazásnak (embedding) neveznek.
Enkóder-dekóder
Az enkóder-dekóder egy olyan neurális hálózati architektúra, amely két fő komponensből áll: egy enkóderből, amely a bemeneti adatokat látens reprezentációvá tömöríti, és egy dekóderből, amely ezt a reprezentációt rekonstruálja vagy átalakítja egy célkimenetté.
Eszközhasználat
Az eszközhasználat lehetővé teszi az MI-modellek számára, hogy kapcsolatba lépjenek a külvilággal kód futtatásával, adatbázisok lekérdezésével vagy szoftveralkalmazások vezérlésével olyan feladatok elvégzéséhez, amelyek valós idejű adatokat vagy konkrét funkcionális végrehajtást igényelnek.
Evals
Az Evals azok a szabványosított tesztek és metrikák, amelyeket annak ellenőrzésére használnak, hogy egy AI-modell a várakozásoknak megfelelően viselkedik-e, biztonságos marad-e, és pontosan teljesít-e a valós alkalmazásokban történő telepítés előtt és után.
F
F1 Score
Az F1 Score a precizitás és a felidézés harmonikus közepe, amely egyetlen metrikát biztosít a téves pozitív és téves negatív eredmények közötti egyensúly kiegyensúlyozására az osztályozási modellekben.
Felhasználói prompt
A felhasználói prompt az a szöveges, képi vagy adatbemenet, amelyet egy AI-modellnek adsz a válasz irányítására, és amely az AI viselkedésének és kimenetének vezérlésére szolgáló elsődleges interfészként működik.
Felügyelet nélküli tanulás
A felügyelet nélküli tanulás a gépi tanulás egy típusa, ahol a modellek címkézetlen adatokat fedeznek fel, hogy rejtett struktúrákat, mintákat vagy csoportosításokat fedezzenek fel anélkül, hogy megmondanák nekik, mit keressenek, vagy mik a helyes válaszok.
Felügyelt finomhangolás (SFT)
A felügyelt finomhangolás az a folyamat, amely során egy általános célú AI-modellt egy kisebb, kiváló minőségű bemeneti-kimeneti párokat tartalmazó adatkészleten képeznek ki, hogy javítsák annak pontosságát és viselkedését konkrét alkalmazásokhoz.
Felügyelt tanulás
A felügyelt tanulás egy olyan gépi tanulási módszer, ahol az AI-modellt címkézett adatokkal képzik ki, ami azt jelenti, hogy a bemeneti példák párosítva vannak a helyes válaszokkal, lehetővé téve a modell számára a minták felismerését és az előrejelzések készítését új, nem látott adatokon.
Few-Shot Prompting (Példákkal történő promptolás)
A few-shot prompting javítja az AI pontosságát azáltal, hogy a modellnek néhány konkrét példát ad a kívánt feladatról, segítve a válasz generálása előtt a várt formátum, hangnem és logika megértését.
Figyelemmechanizmus
Egy AI technika, amely lehetővé teszi a modellek számára, hogy szelektíven a bemenet legrelevánsabb részeire összpontosítsanak, például egy mondat konkrét szavaira, a kontextus megértésének és a kimenet pontosságának javítása érdekében.
Finomhangolás
A finomhangolás egy előre betanított AI-modell finomítása egy kisebb, speciális adatkészleten, amely lehetővé teszi, hogy általános tudását konkrét feladatokhoz, iparágakhoz vagy egyedi márkahanghoz igazítsa.
Függvényhívás (Function Calling)
A függvényhívás lehetővé teszi az AI-modellek számára, hogy áthidalják a szakadékot a szöveggenerálás és a valós cselekvés között azáltal, hogy a felhasználói kérések alapján külső szoftvereszközöket, API-kat vagy adatbázisokat indítanak el.
G
Generalizáció (Generalization)
A generalizáció az AI-modell azon képessége, hogy a képzés során tanultakat alkalmazza új, ismeretlen adatokra, biztosítva, hogy megbízhatóan működjön valós forgatókönyvekben, ahelyett, hogy csak a memorizált információkat ismételné.
Generatív AI
A generatív AI olyan gépi tanulási modellekre utal, amelyek új tartalmat hoznak létre, ahelyett, hogy csak elemeznék vagy osztályoznák a meglévő adatokat. A hatalmas adatkészletek mintázatainak azonosításával ezek a rendszerek emberihez hasonló szöveget, valósághű képeket vagy funkcionális kódot képesek előállítani a felhasználói promptok alapján.
Generatív modell
A generatív modell egy olyan AI-rendszer, amely a meglévő adatokból származó minták megtanulásával teljesen új, eredeti tartalmat – például szöveget, képet, hangot vagy kódot – hoz létre, ahelyett, hogy csak osztályozná vagy elemezné a meglévő információkat.
Gépi tanulás
A gépi tanulás a mesterséges intelligencia egy részterülete, amely olyan algoritmusok fejlesztésére összpontosít, amelyek lehetővé teszik a számítógépek számára, hogy mintákat tanuljanak az adatokból, és előrejelzéseket vagy döntéseket hozzanak anélkül, hogy minden egyes feladatra kifejezetten be lennének programozva.
Grounding
A grounding az a folyamat, amely során a generatív AI-modell kimenetét konkrét, ellenőrizhető külső adatforrásokhoz kapcsolják, hogy biztosítsák a tényszerű pontosságot és csökkentsék a modell belső betanítási paramétereire való támaszkodást.
Guardrail
Az AI-korlátok olyan automatizált biztonsági mechanizmusok, amelyek figyelik és szűrik a felhasználók és az AI-modellek közötti interakciókat, hogy megakadályozzák a káros, torzított vagy témán kívüli tartalmak generálását vagy feldolgozását.
H
Hiperparaméter
A hiperparaméterek azok a „gombok” vagy beállítások, amelyek szabályozzák az AI-modell tanulási folyamatát. Ellentétben az adatokból tanult belső modellparaméterekkel, ezeket a fejlesztőknek manuálisan kell konfigurálniuk a képzés megkezdése előtt.
Hőmérséklet (Temperature)
A hőmérséklet egy beállítás, amely módosítja az AI kimenetének véletlenszerűségét. Az alacsony hőmérséklet kiszámíthatóbbá és fókuszáltabbá teszi a modellt, míg a magas hőmérséklet növeli a változatosságot és a kreativitást.
Human-in-the-Loop
A mesterséges intelligencia egy olyan tervezési paradigmája, amelyben a rendszer döntéshozatali vagy tanulási folyamatának meghatározott szakaszaiban emberi beavatkozás szükséges a kimenetek érvényesítéséhez, javításához vagy irányításához.
Hybrid Search
Olyan lekérési technika, amely ötvözi a hagyományos kulcsszóalapú keresést (lexikális) a vektor alapú szemantikai kereséssel, hogy kihasználja mind a pontos kifejezésegyezést, mind a fogalmi megértést.
I
J
Jellemző (Feature)
A jellemző egy olyan konkrét információ vagy adatattribútum, amelyet az MI-modell használ a jóslatokhoz vagy minták azonosításához, például egy ház alapterülete vagy egy kép képpontjának színe.
JSON Schema
A JSON Schema egy deklaratív nyelv, amely lehetővé teszi JSON-dokumentumok annotálását és érvényesítését azáltal, hogy meghatározza az adatok elvárt szerkezetét, adattípusait és korlátozásait.
K
Képgenerálás
A képgenerálás a generatív AI egyik ága, amely gépi tanulási modelleket – jellemzően diffúziós modelleket vagy generatív ellenséges hálózatokat (GAN) – használ új vizuális képek szintetizálására szöveges leírásokból vagy más bemeneti adatokból.
Képzési adat
A képzési adat az MI-modell betanítására használt információgyűjtemény. E példák elemzésével a modell megtanul mintákat felismerni és konkrét feladatokat elvégezni, például képeket osztályozni vagy szöveget generálni.
Kontextusablak
A kontextusablak az AI-modell „munkamemóriája”. Meghatározza a szöveg, kód vagy adatok teljes mennyiségét, amelyet a modell egyszerre „láthat” és elemezhet, mielőtt elkezdené elfelejteni a korábbi információkat.
Konvolúciós neurális hálózat (CNN)
A neurális hálózati architektúra egy speciális típusa, amelyet vizuális adatok feldolgozására terveztek, és matematikai szűrők sorozatán keresztül azonosítja az olyan mintákat, mint az élek, textúrák és formák.
Koszinusz-hasonlóság
Egy matematikai metrika, amelyet két nem nulla vektor közötti szög koszinuszának mérésére használnak egy többdimenziós térben, meghatározva, mennyire hasonló az orientációjuk, függetlenül a nagyságuktól.
Következő token előrejelzése
A következő token előrejelzése az az alapvető folyamat, amelyet a nagy nyelvi modellek használnak szöveg generálására azáltal, hogy iteratívan kiszámítják a következő szó vagy karaktertöredék valószínűségét a korábbi tokenek által biztosított kontextus alapján.
Közvetlen preferencia-optimalizálás (DPO)
A közvetlen preferencia-optimalizálás egy egyszerűsített technika az AI-modellek emberi preferenciák követésére való betanítására. Egyszerűsíti az igazítási folyamatot azáltal, hogy eltávolítja a komplex megerősítéses tanulás szükségességét, így gyorsabb és stabilabb, mint a hagyományos módszerek.
Kvantálás
A kvantálás csökkenti az AI modellek memórialenyomatát és számítási igényeit azáltal, hogy a nagy pontosságú számokat alacsonyabb pontosságú formátumokká alakítja, lehetővé téve a gyorsabb következtetést az erőforrás-korlátozott hardvereken, például mobileszközökön és edge processzorokon.
L
Látens tér
A látens tér egy rejtett, tömörített matematikai tér, ahol az MI-modellek rendszerezik az adatokat. Az összetett bemenetek ebbe a térbe való leképezésével a modellek képesek azonosítani a kapcsolatokat, interpolálni a fogalmak között, és új, értelmes kimeneteket generálni.
Lekérdezés
A lekérdezés az a számítási folyamat, amely során egy nagy, külső tudásbázisból azonosítják és kinyerik a legrelevánsabb információkat, hogy kontextust biztosítsanak egy AI-modell válaszához. Jellemzően egy adatbázis szemantikai hasonlóságon alapuló lekérdezését foglalja magában, hogy megtalálják azokat az adatokat, amelyek egy adott felhasználói promptra vonatkoznak.
Low-Rank Adaptation (LoRA)
A LoRA egy olyan technika, amely lehetővé teszi a hatalmas MI-modellek finomhangolását azáltal, hogy csak a paramétereik töredékét képezzük ki, így lehetővé válik a modellek testreszabása fogyasztói kategóriájú hardveren.
M
Megerősítéses tanulás
A megerősítéses tanulás egy módszer az AI-ágensek célok elérésére való betanítására próba-hiba alapon, ahol az ágens a környezetével való folyamatos interakció révén megtanulja, mely cselekvések hozzák a legmagasabb hosszú távú jutalmat.
Mélytanulás (Deep Learning)
A mélytanulás a gépi tanulás egy speciális részterülete, amely többrétegű mesterséges neurális hálózatokat használ a nagy adathalmazokban rejlő összetett minták és reprezentációk modellezésére.
Mesterséges intelligencia
A mesterséges intelligencia olyan számítógépes rendszerekre utal, amelyeket az emberi kognitív funkciók szimulálására terveztek, lehetővé téve a gépek számára az információfeldolgozást, az összetett problémák megoldását és az új bemenetekhez való alkalmazkodást adatvezérelt tanulás révén.
Mintavételezés
A mintavételezés az a módszer, amelyet az AI-modellek a mondat következő szavának kiválasztására használnak. A paraméterek beállításával a felhasználók szabályozhatják, hogy az AI kimenete kiszámítható és tényszerű, vagy kreatív és változatos legyen.
Mixture of Experts (MoE)
A Mixture of Experts egy olyan AI-architektúra, amely a hatékonyságot egy „kapuzási” rendszerrel javítja, amely az egész hálózat futtatása helyett csak a modell összes paraméterének egy kis, speciális részét aktiválja az adott bemenethez.
Model Context Protocol (MCP)
Az MCP egy nyílt szabvány, amely lehetővé teszi az AI-modellek számára, hogy egyszerűen és biztonságosan kapcsolódjanak külső rendszerekhez, adatbázisokhoz és eszközökhöz, lehetővé téve számukra a valós idejű adatok elérését és műveletek végrehajtását anélkül, hogy minden egyes kapcsolathoz egyedi integrációra lenne szükség.
Modellértékelés
A modellértékelés az AI-rendszerek tesztelésének alapvető gyakorlata annak biztosítására, hogy azok pontosan, megbízhatóan és biztonságosan működjenek, mielőtt valós alkalmazásokban használnák őket.
Modellkiszolgálás
A modellkiszolgálás az az infrastruktúra és szoftveres folyamat, amely lehetővé teszi a betanított AI-modellek számára, hogy bemeneti adatokat fogadjanak, és valós időben vagy kötegelt módban előrejelzéseket vagy kimeneteket küldjenek vissza a felhasználóknak és alkalmazásoknak.
Multi-ágens Rendszer
Olyan számítási keretrendszer, amely több autonóm, intelligens ágensből áll, amelyek egy közös környezetben lépnek kapcsolatba egymással feladatok elvégzése, tárgyalás vagy koordináció céljából, egyéni vagy kollektív célok elérése érdekében.
Multimodális AI
A multimodális AI olyan gépi tanulási rendszerekre utal, amelyeket úgy terveztek, hogy egyszerre dolgozzanak fel, értelmezzenek és szintetizáljanak információkat több különböző adatmodalitásból – például szövegből, képekből, hangból és videóból – az összetett feladatok elvégzése érdekében.
Munkafolyamat-vezérlés
Komplex, többlépcsős folyamatok automatizált koordinációja, kezelése és szekvenálása különböző szoftverrendszerek, szolgáltatások és AI-ágensek között.
N
Nagy nyelvi modell (LLM)
A nagy nyelvi modell egy kifinomult AI-rendszer, amely képes emberihez hasonló szöveget feldolgozni és generálni azáltal, hogy a hatalmas mennyiségű adatból tanult minták alapján megjósolja a sorozat következő legvalószínűbb szavát.
Neurális hálózat
A biológiai agy szerkezete és működése által inspirált számítási modell, amely csomópontok összekapcsolt rétegeiből áll, amelyek súlyozott kapcsolatokon keresztül dolgozzák fel az adatokat az összetett minták azonosítása érdekében.
Nyelvi modell
A nyelvi modell egy olyan AI-rendszer, amelyet az emberi nyelv megértésére, generálására és manipulálására terveztek azáltal, hogy hatalmas mennyiségű szöveges adatból megtanult minták alapján megjósolja a soron következő szót vagy karaktert.
P
Paraméter
A paraméterek az AI-modell belső értékei, amelyek automatikusan módosulnak a betanítási folyamat során a hiba minimalizálása és a modell pontos előrejelzési képességének javítása érdekében.
Paraméter-hatékony finomhangolás (PEFT)
A PEFT egy módszer a nagy AI-modellek testreszabására azáltal, hogy csak a paramétereik töredékét tanítják be, ami jelentősen csökkenti a teljes finomhangoláshoz képest szükséges számítási költséget és memóriát.
Pontosság (Accuracy)
A pontosság azt méri, hogy egy AI-modell milyen gyakran ad helyes előrejelzést egy teljes adatkészleten. Bár intuitív, félrevezető lehet, ha az osztályok kiegyensúlyozatlanok, vagy ha a különböző típusú hibák eltérő kockázatokkal járnak.
Pozicionális kódolás (Positional Encoding)
A pozicionális kódolás egy olyan módszer, amely sorrenddel kapcsolatos információkat ad a bemeneti adatokhoz, lehetővé téve az olyan modellek számára, mint a transzformátorok, a szavak sorrendjének és szerkezetének megértését, mivel azok az összes tokent egyszerre, nem pedig egyenként dolgozzák fel.
Precízió
A precizitás a modell pozitív előrejelzéseinek megbízhatóságát méri azáltal, hogy meghatározza, a pozitívként azonosított elemek mekkora hányada volt ténylegesen helyes.
Prompt Engineering
A prompt engineering precíz utasítások megfogalmazásának művészete és tudománya az AI-modellek számára, annak biztosítása érdekében, hogy a generált tartalom megfeleljen a konkrét követelményeknek, hangnemnek és strukturális céloknak.
Prompt Injection (Prompt-injekció)
A prompt injection egy olyan technika, amellyel a felhasználók manipulálják az AI bemenetét, hogy megkerüljék annak biztonsági szűrőit vagy rendszerutasításait, rávezetve a modellt jogosulatlan feladatok elvégzésére vagy érzékeny adatok felfedésére.
Prompt Sablon
A prompt sablon egy előre meghatározott struktúra az AI utasításokhoz, amely helyőrzőket használ a változó adatok beillesztésére, biztosítva a konzisztens és kiszámítható kimeneteket a különböző feladatok vagy felhasználói bemenetek során.
R
Rate Limit
A rate limit egy biztonsági és stabilitási intézkedés, amely korlátozza, hogy egy felhasználó hányszor férhet hozzá egy API-hoz vagy szolgáltatáshoz egy adott időszak alatt, megelőzve a rendszer túlterhelését és visszaéléseit.
Reasoning Model
A reasoning model egy olyan AI-rendszer, amelyet arra képeztek ki, hogy a komplex problémákat logikai lépésekre bontsa, gyakran belső 'gondolkodási' folyamatokat használva a saját logika ellenőrzésére a válasz megadása előtt.
Recall
A recall méri az AI modell azon képességét, hogy megtalálja az összes releváns elemet egy adatkészletben. A kérdésre válaszol: 'Az összes tényleges pozitív esetből mennyit sikerült sikeresen észlelnie a modellnek?'
Red Teaming
A red teaming egy szigorú biztonsági gyakorlat, ahol a tesztelők ellenfélként lépnek fel, hogy feltérképezzék az AI-modellek gyengeségeit, például a mérgező tartalom generálását, a privát adatok felfedését vagy a biztonsági korlátok megkerülését.
Rekurrens neurális hálózat (RNN)
Szekvenciális adatok, például szöveg vagy idősorok feldolgozására tervezett neurális hálózattípus, amely visszacsatolási hurkokat használ az információk megőrzésére a szekvencia korábbi lépéseiből.
Rendszerszintű utasítás (System Prompt)
A rendszerszintű utasítás az AI „használati útmutatójaként” szolgál, meghatározva, hogyan viselkedjen, milyen hangnemet használjon, és milyen szabályokat kövessen a beszélgetés során.
Reranking
A reranking egy utólagos lekérdezési technika, amely egy speciális modellt használ a keresési eredmények egy kis részhalmazának újraértékelésére és rendezésére, biztosítva, hogy a legrelevánsabb információk élvezzenek elsőbbséget a felhasználó számára.
Retrieval-Augmented Generation (RAG)
A RAG egy olyan technika, amely összekapcsolja az AI-modelleket külső adatforrásokkal, lehetővé téve számukra, hogy pontos, naprakész válaszokat adjanak azáltal, hogy „utánanéznek” az információknak, ahelyett, hogy kizárólag a belső képzési adataikra hagyatkoznának.
S
Self-Attention
A self-attention egy olyan technika, amely lehetővé teszi az AI-modellek számára a kontextus megértését azáltal, hogy meghatározza, mekkora figyelmet kell fordítani a bemeneti szekvencia különböző részeire egy adott elem feldolgozásakor.
Strukturált kimenet
A strukturált kimenet arra kényszeríti az AI-modelleket, hogy konzisztens, géppel olvasható formátumban adjanak vissza adatokat, lehetővé téve a zökkenőmentes integrációt szoftveralkalmazásokkal, adatbázisokkal és automatizált munkafolyamatokkal.
Strukturált promptolás
Egy prompt engineering módszertan, amely a bemeneti utasításokat különálló, címkézett szakaszokba rendezi, hogy javítsa a modell azon képességét, hogy értelmezze az összetett követelményeket és megőrizze a konzisztenciát.
Szemantikus keresés
Olyan keresési technika, amely vektorbeágyazásokat és természetes nyelvfeldolgozást használ az információk lekérésére a lekérdezés fogalmi jelentése és szándéka alapján, nem pedig pontos kulcsszó-egyeztetések alapján.
Szerep-promptolás
A szerep-promptolás az az eljárás, amikor arra utasítjuk az AI-t, hogy vegyen fel egy konkrét személyiséget vagy szakmai szerepet, ami segít irányítani a modell hangnemét, szakértelmét és perspektíváját a relevánsabb és testreszabottabb válaszok érdekében.
Szoftverfejlesztői készlet (SDK)
Az SDK egy átfogó eszköztár, amely biztosítja a fejlesztők számára a szükséges erőforrásokat, például kódkönyvtárakat és API-kat, hogy hatékonyan építhessenek szoftveralkalmazásokat egy adott platformhoz vagy szolgáltatáshoz.
T
Tervezés (Planning)
A tervezés az AI-ágens azon kognitív képessége, hogy egy magas szintű célt logikus, lépésről lépésre haladó cselekvéssorozatra bontson, lehetővé téve számára az összetett környezetekben való navigálást és a többlépcsős problémák hatékony megoldását.
Text-to-Image
A text-to-image egy generatív AI-technológia, amely írott utasítások alapján hoz létre eredeti, kiváló minőségű képeket, lehetővé téve a felhasználók számára, hogy természetes nyelvi utasításokkal vizualizálják a koncepciókat, művészeti alkotásokat és terveket.
Text-to-Speech
A Text-to-Speech egy AI-technológia, amely az írott szöveget természetes hangzású beszéddé alakítja át, lehetővé téve a gépek számára, hogy szintetizált hangokon keresztül szóban kommunikáljanak a felhasználókkal.
Text-to-Video
A text-to-video egy AI-technológia, amely írott utasítások alapján hoz létre eredeti videoklipeket. Értelmezi a leíró szöveget, hogy vizuális jeleneteket, mozgást és időbeli konzisztenciát generáljon, lehetővé téve a gyors videógyártást hagyományos forgatás vagy animáció nélkül.
Token
A tokenek az AI-modellek által használt szöveg alapvető építőkövei. Ahelyett, hogy egész szavakat olvasnának, a modellek kisebb darabokra – például szótagokra vagy karaktercsoportokra – bontják a szöveget, hogy hatékonyabban dolgozzák fel és jósolják meg a nyelvet.
Tokenizer
A tokenizáló egy számítási összetevő, amely a nyers szöveget kisebb egységekre, úgynevezett tokenekre bontja, amelyeket aztán numerikus azonosítókká képeznek le a gépi tanulási modellek általi feldolgozáshoz.
Transformer
Egy mélytanulási architektúra, amely az öntanuló figyelem (self-attention) mechanizmusán alapul, és lehetővé teszi a szekvenciális adatok párhuzamos feldolgozását, hatékonyan megragadva a hosszú távú függőségeket rekurzió nélkül.
Transzfer tanulás
A transzfer tanulás egy olyan MI-módszer, amely újrahasznosítja az előre betanított modell megtanult jellemzőit egy új, kapcsolódó probléma megoldására, jelentős időt és számítási erőforrást takarítva meg a nulláról történő képzéshez képest.
Tudásbázis
A tudásbázis adatok, dokumentumok és tények kurált gyűjteménye, amelyhez az AI-rendszer hozzáfér a releváns információk lekérése érdekében, biztosítva, hogy válaszai konkrét, megbízható és naprakész szervezeti vagy tartományi tudáson alapuljanak.
Tudásdesztilláció
Egy gépi tanulási technika, ahol egy kompakt 'diák' modellt képeznek ki egy nagyobb, előre betanított 'tanár' modell viselkedésének és kimeneti eloszlásának reprodukálására.
Tútanítás (Overfitting)
A tútanítás egy modellezési hiba, amely során az AI-rendszer túlságosan specializálódik a betanítási adataira, és ahelyett, hogy általánosítható mintákat tanulna meg, ténylegesen memorizálja az egyes példákat, ami kudarchoz vezet az új, valós információkkal való találkozáskor.
U
Ü
Ügynök-ciklus (Agent Loop)
Az ügynök-ciklus az az alapvető ciklus, amely lehetővé teszi az AI-ügynök számára, hogy autonóm módon működjön: megfigyeli a környezetét, dönt egy cselekvésről, végrehajtja azt, és értékeli az eredményt a következő lépés meghatározásához.
Ügynök-memória (Agent Memory)
Az ügynök-memória azokra az építészeti összetevőkre utal, amelyek lehetővé teszik az AI-ügynök számára az információk tárolását, kezelését és lekérését az interakciók során, lehetővé téve számára a kontextus fenntartását és a múltbeli tapasztalatokból való tanulást.
V
Vektoradatbázis
A vektoradatbázis egy speciális tárolórendszer, amely az adatokat matematikai vektorokként rendszerezi, lehetővé téve az AI-modellek számára a gyors szemantikus keresést és a releváns információk lekérését a jelentés, nem pedig a pontos kulcsszavas egyezés alapján.
Vektorkeresés
A vektorkeresés egy AI-vezérelt lekérési módszer, amely fogalmi jelentés és kontextus alapján talál információkat, lehetővé téve a rendszerek számára, hogy megértsék a lekérdezés mögötti szándékot, ahelyett, hogy csak konkrét szavakat egyeztetnének.
Víziónyelvi modell (VLM)
A víziónyelvi modell egy olyan AI-rendszer, amely képes „látni” és értelmezni a képeket, miközben természetes nyelvet használ a feldolgozott vizuális tartalom leírására, elemzésére vagy a vele kapcsolatos kérdések megválaszolására.