W tym słowniczku znajdziesz definicje terminów związanych ze sztuczną inteligencją.
A
ablacja
Technika oceny ważności cechy lub komponentu przez tymczasowe usunięcie go z modelu. Następnie ponownie trenujesz model bez tej funkcji lub komponentu. Jeśli po ponownym wytrenowaniu model działa znacznie gorzej, usunięta funkcja lub komponent prawdopodobnie były ważne.
Załóżmy na przykład, że trenujesz model klasyfikacji na podstawie 10 cech i uzyskujesz 88% precyzji w zbiorze testowym. Aby sprawdzić ważność pierwszej cechy, możesz ponownie wytrenować model, używając tylko 9 pozostałych cech. Jeśli ponownie wytrenowany model działa znacznie gorzej (np. ma precyzję poniżej 55%), usunięta cecha była prawdopodobnie ważna. Z kolei jeśli po ponownym wytrenowaniu model działa równie dobrze, to prawdopodobnie ta cecha nie była aż tak ważna.
Ablacja może też pomóc określić znaczenie:
- większe komponenty, np. cały podsystem większego systemu uczenia maszynowego;
- procesy lub techniki, takie jak etap wstępnego przetwarzania danych;
W obu przypadkach możesz obserwować, jak zmienia się (lub nie zmienia) skuteczność systemu po usunięciu komponentu.
Testy A/B
Statystyczny sposób porównywania 2 (lub więcej) technik – A i B. Zazwyczaj A to dotychczasowa technika, a B to nowa technika. Testy A/B nie tylko pozwalają określić, która technika jest skuteczniejsza, ale też czy różnica jest istotna statystycznie.
Test A/B zwykle porównuje 1 rodzaj danych w przypadku 2 technik. Na przykład jak dokładność modelu wypada w porównaniu z 2 technikami? Testy A/B mogą jednak porównywać dowolną skończoną liczbę rodzajów danych.
element akceleratora
Kategoria specjalistycznych komponentów sprzętowych przeznaczonych do wykonywania kluczowych obliczeń niezbędnych w przypadku algorytmów deep learning.
Układy akceleratorów (lub w skrócie akceleratory) mogą znacznie zwiększyć szybkość i wydajność zadań związanych z trenowaniem i wnioskowaniem w porównaniu z procesorem do zwykłych obciążeń. Idealnie nadają się do trenowania sieci neuronowych i wykonywania podobnych zadań wymagających dużej mocy obliczeniowej.
Przykłady układów akceleratorów:
- Jednostki Tensor Processing Unit (TPU) Google ze specjalnym sprzętem do deep learningu.
- Procesory graficzne NVIDIA, które choć początkowo zostały zaprojektowane do przetwarzania grafiki, umożliwiają przetwarzanie równoległe, co może znacznie zwiększyć szybkość przetwarzania.
dokładność
Liczba prawidłowych prognoz klasyfikacji podzielona przez łączną liczbę prognoz. Czyli:
Na przykład model, który dokonał 40 prawidłowych i 10 nieprawidłowych prognoz, ma dokładność:
Klasyfikacja binarna podaje konkretne nazwy różnych kategorii prawidłowych prognoz i nieprawidłowych prognoz. Wzór na dokładność w przypadku klasyfikacji binarnej jest więc taki:
gdzie:
- TP to liczba wyników prawdziwie pozytywnych (poprawnych prognoz).
- TN to liczba wyników prawdziwie negatywnych (prawidłowych prognoz).
- FP to liczba fałszywie pozytywnych wyników (nieprawidłowych prognoz).
- FN to liczba wyników fałszywie negatywnych (nieprawidłowych prognoz).
Porównaj i skontrastuj dokładność z precyzją i czułością.
Więcej informacji znajdziesz w sekcji Klasyfikacja: dokładność, czułość, precyzja i powiązane wskaźniki w Szybkim szkoleniu z uczenia maszynowego.
działać
Etap pętli agenta, na którym agent wykonuje działanie wybrane na etapie uzasadnienia. Na przykład etap działania może wysłać żądanie do interfejsu API.
działanie
W uczeniu przez wzmacnianie mechanizm, za pomocą którego agent przechodzi między stanami środowiska. Agent wybiera działanie na podstawie zasad.
przestrzeń działań
Zestaw zasobów, których agent może używać do wykonywania zadania. Przestrzeń działania może obejmować narzędzia i interfejsy API, które agent może wywoływać, oraz uprawnienia, które posiada. Ogólnie przestrzeń działania powinna być wystarczająco duża, aby agent mógł wykonać zadanie. Jeśli przestrzeń działania jest zbyt mała, agent może nie mieć wystarczających zasobów do wykonania zadania. Jeśli przestrzeń działań jest zbyt duża, agent jest bardziej podatny na błędy.
funkcja aktywacji,
Funkcja, która umożliwia sieciom neuronowym uczenie się nieliniowych (złożonych) zależności między cechami a etykietą.
Popularne funkcje aktywacji to:
Wykresy funkcji aktywacji nigdy nie są pojedynczymi liniami prostymi. Na przykład wykres funkcji aktywacji ReLU składa się z 2 linii prostych:
Wykres funkcji aktywacji sigmoid wygląda tak:
Kliknij ikonę, aby zobaczyć przykład.
W sieci neuronowej funkcje aktywacji manipulują ważoną sumą wszystkich danych wejściowych neuronu. Aby obliczyć sumę ważoną, neuron dodaje iloczyny odpowiednich wartości i wag. Załóżmy na przykład, że odpowiednie dane wejściowe do neuronu to:
| wartość wejściowa, | waga wejściowa |
| 2 | -1,3 |
| -1 | 0,6 |
| 3 | 0,4 |
weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0
Więcej informacji znajdziesz w sekcji Sieci neuronowe: funkcje aktywacji w Szybkim szkoleniu z uczenia maszynowego.
uczenie aktywne,
Trenowanie, w którym algorytm wybiera część danych, na których się uczy. Aktywne uczenie się jest szczególnie przydatne, gdy oznaczone przykłady są rzadkie lub drogie w pozyskaniu. Zamiast ślepo szukać różnorodnych oznaczonych przykładów, algorytm aktywnego uczenia się selektywnie wyszukuje konkretny zakres przykładów, których potrzebuje do uczenia się.
AdaGrad
Zaawansowany algorytm spadku gradientowego, który zmienia skalę gradientów każdego parametru, dzięki czemu każdy parametr ma niezależne tempo uczenia się. Pełne wyjaśnienie znajdziesz w artykule Adaptive Subgradient Methods for Online Learning and Stochastic Optimization.
adaptacja
Synonim dostrajania lub dostrajania.
agent
Oprogramowanie, które potrafi analizować dane wejściowe użytkownika, aby planować i wykonywać działania w jego imieniu.
W uczeniu przez wzmacnianie agent to podmiot, który używa strategii, aby zmaksymalizować oczekiwany zysk uzyskany w wyniku przechodzenia między stanami środowiska.
funkcji agentowych
Przymiotnikowa forma słowa agent. Określenie „agentowa” odnosi się do cech, które posiadają agenci (np. autonomii).
pętla agentowa,
Cykl, przez który agent przechodzi iteracyjnie, dopóki nie zostanie spełniony warunek zakończenia. Cykl zwykle składa się z tych 4 etapów:
przepływ pracy oparty na agentach,
Dynamiczny proces, w którym agent autonomicznie planuje i wykonuje działania w celu osiągnięcia celu. Proces ten może obejmować rozumowanie, wywoływanie narzędzi zewnętrznych i samodzielne korygowanie planu.
administracja agentem,
Scentralizowane zarządzanie zadaniami i kierowanie ich do wielu podagentów lub wywołań LLM. Orkiestracja agentów dzieli złożone zadania na mniejsze podzadania i przypisuje je do najbardziej kompetentnych subagentów.
grupowanie aglomeracyjne,
Zobacz klastrowanie hierarchiczne.
bezwartościowe treści wygenerowane przez AI
Dane wyjściowe z systemu generatywnej AI, który stawia na ilość, a nie na jakość. Na przykład strona internetowa z bezwartościowymi treściami wygenerowanymi przez AI jest wypełniona tanimi, wygenerowanymi przez AI treściami o niskiej jakości.
wykrywanie anomalii,
Proces identyfikowania elementów odstających. Jeśli na przykład średnia dla danej cechy wynosi 100, a odchylenie standardowe 10, wykrywanie anomalii powinno oznaczyć wartość 200 jako podejrzaną.
AR
Skrót od rzeczywistości rozszerzonej.
obszar pod krzywą precyzji i czułości,
Zobacz PR AUC (obszar pod krzywą PR).
obszar pod krzywą charakterystyki operacyjnej odbiornika
Patrz AUC (obszar pod krzywą ROC).
ogólna sztuczna inteligencja,
Mechanizm niebędący człowiekiem, który wykazuje szeroki zakres umiejętności rozwiązywania problemów, kreatywności i zdolności adaptacyjnych. Na przykład program demonstrujący sztuczną inteligencję ogólnego przeznaczenia mógłby tłumaczyć tekst, komponować symfonie i osiągać doskonałe wyniki w grach, które nie zostały jeszcze wynalezione.
sztuczna inteligencja
Program lub model niebędący człowiekiem, który potrafi wykonywać złożone zadania. Na przykład program lub model, który tłumaczy tekst, albo program lub model, który identyfikuje choroby na podstawie zdjęć radiologicznych, wykazują cechy sztucznej inteligencji.
Formalnie uczenie maszynowe jest poddziedziną sztucznej inteligencji. W ostatnich latach niektóre organizacje zaczęły jednak używać terminów sztuczna inteligencja i uczenie maszynowe zamiennie.
uwaga
Mechanizm używany w sieci neuronowej, który wskazuje znaczenie konkretnego słowa lub jego części. Mechanizm uwagi kompresuje ilość informacji, których model potrzebuje do przewidzenia kolejnego tokena lub słowa. Typowy mechanizm uwagi może składać się z ważonej sumy zbioru danych wejściowych, gdzie waga każdego z nich jest obliczana przez inną część sieci neuronowej.
Zobacz też mechanizm uwagi i mechanizm uwagi z wieloma głowicami, które są podstawowymi elementami transformatorów.
Więcej informacji o mechanizmie samouważności znajdziesz w artykule LLM: co to jest duży model językowy? w kursie Szybkie szkolenie z uczenia maszynowego.
atrybut
Synonim funkcji.
W kontekście sprawiedliwości w uczeniu maszynowym atrybuty często odnoszą się do cech osób.
próbkowanie atrybutów,
Taktyka trenowania lasu decyzyjnego, w której każde drzewo decyzyjne podczas uczenia się warunku bierze pod uwagę tylko losowy podzbiór możliwych cech. Zwykle w przypadku każdego węzła próbkowany jest inny podzbiór cech. Z kolei podczas trenowania drzewa decyzyjnego bez próbkowania atrybutów w przypadku każdego węzła brane są pod uwagę wszystkie możliwe cechy.
AUC (obszar pod krzywą ROC)
Liczba z zakresu od 0,0 do 1,0 reprezentująca zdolność modelu klasyfikacji binarnej do rozdzielania klas pozytywnych od klas negatywnych. Im bliżej wartości 1,0 jest AUC, tym lepiej model rozróżnia klasy.
Na przykład poniższa ilustracja przedstawia model klasyfikacji, który doskonale rozdziela klasy pozytywne (zielone owale) od klas negatywnych (fioletowe prostokąty). Ten nierealistycznie doskonały model ma wartość AUC równą 1,0:
Z kolei poniższa ilustracja przedstawia wyniki modelu klasyfikacji, który generował losowe wyniki. Ten model ma wartość AUC 0,5:
Tak, poprzedni model ma wartość AUC 0,5, a nie 0,0.
Większość modeli znajduje się gdzieś pomiędzy tymi dwoma skrajnościami. Na przykład poniższy model w pewnym stopniu rozdziela wartości pozytywne od negatywnych, dlatego ma wartość AUC między 0,5 a 1,0:
AUC ignoruje każdą wartość ustawioną dla progu klasyfikacji. Zamiast tego AUC uwzględnia wszystkie możliwe progi klasyfikacji.
Kliknij ikonę, aby dowiedzieć się więcej o zależności między krzywymi AUC i ROC.
AUC to obszar pod krzywą ROC. Na przykład krzywa ROC modelu, który doskonale rozróżnia wyniki pozytywne od negatywnych, wygląda tak:
AUC to obszar szarego regionu na poprzedniej ilustracji. W tym nietypowym przypadku pole jest po prostu długością szarego obszaru (1,0) pomnożoną przez szerokość szarego obszaru (1,0). Iloczyn 1,0 i 1,0 daje wartość AUC równą dokładnie 1,0, czyli najwyższy możliwy wynik AUC.
Z kolei krzywa ROC dla modelu klasyfikacji, który w ogóle nie potrafi rozróżniać klas, wygląda tak: Obszar tego szarego regionu wynosi 0,5.
Bardziej typowa krzywa ROC wygląda mniej więcej tak:
Ręczne obliczenie pola pod tą krzywą byłoby bardzo pracochłonne, dlatego większość wartości AUC jest zwykle obliczana przez program.
Więcej informacji znajdziesz w sekcji Klasyfikacja: ROC i AUC w szybkim szkoleniu z uczenia maszynowego.
rzeczywistość rozszerzona
Technologia, która nakłada obraz wygenerowany komputerowo na widok użytkownika w rzeczywistym świecie, tworząc w ten sposób widok złożony.
autoenkoder
System, który uczy się wyodrębniać najważniejsze informacje z danych wejściowych. Autokodery to połączenie enkodera i dekodera. Autoenkodery działają w 2-etapowym procesie:
- Koder mapuje dane wejściowe na (zwykle) stratny format o mniejszej liczbie wymiarów (pośredni).
- Dekoder tworzy stratną wersję oryginalnych danych wejściowych, mapując format o mniejszej liczbie wymiarów na oryginalny format wejściowy o większej liczbie wymiarów.
Autokodery są trenowane kompleksowo, a dekoder próbuje jak najdokładniej odtworzyć oryginalne dane wejściowe z formatu pośredniego kodera. Format pośredni jest mniejszy (ma mniejszą liczbę wymiarów) niż format oryginalny, więc autokoder musi nauczyć się, które informacje wejściowe są niezbędne, a dane wyjściowe nie będą idealnie identyczne z danymi wejściowymi.
Na przykład:
- Jeśli dane wejściowe to grafika, nie będzie ona dokładną kopią, ale będzie podobna do oryginału, choć nieco zmodyfikowana. Być może niedokładna kopia usuwa szum z oryginalnej grafiki lub wypełnia brakujące piksele.
- Jeśli dane wejściowe to tekst, autokoder wygeneruje nowy tekst, który naśladuje (ale nie jest identyczny z) oryginalny tekst.
Zobacz też wariacyjne autokodery.
automatyczna ocena,
Używanie oprogramowania do oceny jakości danych wyjściowych modelu.
Gdy dane wyjściowe modelu są stosunkowo proste, skrypt lub program może porównać je z odpowiedzią wzorcową. Ten typ automatycznej oceny jest czasami nazywany oceną programową. Do oceny automatycznej często przydają się dane takie jak ROUGE czy BLEU.
Gdy dane wyjściowe modelu są złożone lub nie ma jednej prawidłowej odpowiedzi, automatyczną ocenę przeprowadza czasami oddzielny program ML zwany automatycznym oceniającym.
Porównaj z oceną przez człowieka.
błąd automatyzacji
Gdy osoba podejmująca decyzję faworyzuje rekomendacje systemu automatycznego podejmowania decyzji w stosunku do informacji uzyskanych bez automatyzacji, nawet jeśli system automatycznego podejmowania decyzji popełnia błędy.
Więcej informacji znajdziesz w module Sprawiedliwość: rodzaje odchyleń w Szybkim szkoleniu z uczenia maszynowego.
AutoML
Każdy zautomatyzowany proces tworzenia modeli uczenia maszynowego. AutoML może automatycznie wykonywać takie zadania jak:
- Wyszukaj najbardziej odpowiedni model.
- Dostrajanie