Глоссарий

API в ИИ — это интерфейс для взаимодействия клиентских приложений с ИИ-сервисами, который упрощает работу с моделями машинного обучения.

Уникальный идентификатор для аутентификации и авторизации API запросов к системам ИИ.

AutoML (Automated Machine Learning) — это инструменты и методы для автоматизации задач машинного обучения: выбора моделей, настройки гиперпараметров, обработки данных. Позволяет использовать ML без глубоких знаний в области. Примеры: Google AutoML, H2O.ai.

CFG Scale — параметр, регулирующий влияние условного сигнала в диффузионных моделях.

ControlNet — расширение для нейронных сетей, обеспечивающее точный контроль над генерацией изображений с помощью дополнительных сигналов.

Denoising Strength (DenS) — параметр, определяющий уровень шумоподавления в диффузионных моделях при генерации изображений.

Edge AI — это использование ИИ на периферийных устройствах без передачи данных в облако для повышения скорости и конфиденциальности.

Эмбеддинги — это векторные представления объектов, используемые в машинном обучении для сохранения их взаимосвязей и упрощения обработки данных.

Img2Img - это генеративные модели, преобразующие изображения, сохраняя их структуру и содержание, применяя различные визуальные трансформации.

InPaint — технология для восстановления поврежденных частей изображений с использованием машинного обучения.

LLM (Large Language Model) — это большая языковая модель, основанная на искусственном интеллекте, обученная на огромных объемах текстовых данных. Она способна генерировать, анализировать и предсказывать текст, имитируя человеческое общение. Примеры: GPT, Gemini, Claude.

LoRA — метод адаптации нейронных сетей с добавлением обучаемых слоев для решения специфических задач без полного переобучения.

ML (Machine Learning) — это область искусственного интеллекта, где алгоритмы обучаются на данных для выявления закономерностей, прогнозирования и принятия решений без явного программирования. Примеры: нейросети, случайные леса, SVM.

Архитектура нейронной сети, в которой входные данные обрабатываются несколькими специализированными подсетями ("экспертами"), а маршрутизатор определяет, какие эксперты должны активироваться для конкретного ввода.

OutPaint – технология генеративных нейронных сетей для расширения изображений за счет синтеза новых пикселей.

RAG (Retrieval-Augmented Generation) — это гибридный подход в ИИ, объединяющий поиск информации из внешних источников и генерацию текста. Модель сначала ищет релевантные данные (например, из документов или баз знаний), а затем использует их для формирования точных и контекстно-обоснованных ответов. Примеры: системы с Haystack, OpenAI RAG.

Абстрактное мышление – это когнитивный процесс, позволяющий работать с идеями, не связанными с конкретными объектами, и важный для ИИ.

Абстракция данных — принцип информатики, выделяющий важные характеристики объектов и процессов, игнорируя детали.

Автокодировщик — это нейронная сеть, обучающаяся кодированию и восстановлению данных, используемая для сжатия, предобучения и обнаружения аномалий.

Автономное обучение — подход в машинном обучении, позволяющий системам самостоятельно формировать выборки и оценивать результаты.

Автономные автомобили управляются искусственным интеллектом и сенсорами, обеспечивая безопасное движение без водителя.

Агент ИИ — это автономная система, способная взаимодействовать с окружающей средой для достижения целей.

Адаптивность в ИИ — способность системы изменять параметры и структуру в ответ на изменения условий или данных.

Аддитивная модель — это статистическая модель, где итоговая переменная — сумма независимых компонентов, отражающих влияние входных переменных.

Аккумуляция градиентов – метод оптимизации, собирающий градиенты ошибки для улучшения обучения нейронных сетей при ограниченной памяти.

Активационная функция — это математическая функция, влияющая на выходной сигнал нейрона и позволяющая моделировать сложные зависимости.

Подмножество параметров модели, которые фактически используются при обработке конкретного входного примера в архитектурах с разреженной активацией, таких как Mixture of Experts (MoE).

Активное обучение — это метод машинного обучения, который оптимизирует выбор данных для разметки, повышая точность при ограниченных ресурсах.

Алгоритм — это четкая последовательность правил для решения задач, обладающая детерминированностью, результативностью, массовостью и дискретностью.

Алгоритм ветвей и границ — метод комбинаторной оптимизации, использующий систематическое перечисление решений с исключением неэффективных подмножеств.

Алгоритм имитации отжига — метастратегия оптимизации, основанная на термической обработке металлов.

Алгоритм Монте-Карло — метод решения задач с использованием статистического моделирования и случайных выборок.

Алгоритм оптимизации роя частиц — метод глобальной оптимизации, основанный на коллективном поведении птиц и рыб.

Алгоритм случайного поиска — метод оптимизации, использующий случайный выбор параметров для нахождения решения.

Алгоритмические предвзятости — это ошибки в МЛ, влияющие на справедливость результатов.

Генетическое программирование – это метод создания программ на основе эволюционных принципов с использованием отбора, скрещивания и мутаций.

Эволюционное программирование — метод оптимизации на основе биологической эволюции, использующий мутации для создания новых решений.

Метод анализа главных компонент снижает размерность данных, преобразуя их в независимые переменные, что помогает в визуализации и обработке информации.

Анализ временных рядов — метод исследования хронологически упорядоченных данных, включающий разложение на основные компоненты и использование статистических моделей.

Систематический процесс выявления и оценки ошибок в моделях машинного обучения.

Анализ сетевой топологии изучает структуру и взаимосвязи в сетевых системах, оценивая их надежность и динамику.

Анализ тональности текста — это метод выявления субъективной информации и эмоционального окраса в текстовых данных с использованием различных алгоритмов.

Аналитика данных — процесс изучения информации для принятия обоснованных решений.

Аннотация – это процесс разметки данных метаданными для создания структурированных наборов для обучения моделей машинного обучения.

Аномалия в машинном обучении — это отклонение от ожидаемого поведения данных, классифицируемое на три типа с использованием различных методов обнаружения.

Ансамблевое обучение — метод, сочетающий несколько алгоритмов для повышения точности предсказаний.

Аргумент в ИИ - это информация, передаваемая в функции и методы для обработки, включая гиперпараметры и входные данные.

Архитектура вычислительной системы – это описание структуры и взаимодействия ее компонентов, включая аппаратные и программные уровни.

Архитектура нейронной сети — это структура и организация нейронов, влияющие на обучение и решение задач.

Ассоциативная память — структура хранения данных, позволяющая находить информацию по содержимому с параллельным поиском.

Ассоциация в ИИ — это связь между информационными единицами, позволяющая создавать семантические сети и моделировать отношения между концептами.

Атрибут — это характеристика объекта в базах данных и программировании.

Аугментация данных – это методы изменения исходных данных для увеличения обучающей выборки и улучшения работы моделей ИИ.

База данных — структурированная система взаимосвязанных данных с механизмами управления доступом и защиты информации.

Иерархическая база данных — это модель с древовидной структурой и однонаправленными связями, обеспечивающая высокую производительность и строгую субординацию.

Реляционная база данных — система, организующая данные в таблицы с уникальными записями, обеспечивающая целостность и минимизацию избыточности.

База знаний — это система для хранения и организации информации, поддерживающая различные типы знаний и модели представления.

Замкнутая база знаний – статическая система с фиксированным набором знаний и без механизмов самообучения.

Открытая база знаний — это динамическая система, которая обновляет и расширяет свои данные, используя алгоритмы машинного обучения и логического вывода.

Байесовская оптимизация — метод оптимизации сложных функций с использованием вероятностной модели и последовательного планирования экспериментов.

Байесовские сети — это графические модели для анализа случайных переменных и их вероятностных зависимостей.

Бандлинг признаков — метод объединения коррелирующих признаков для улучшения моделей машинного обучения.

Безусловная оптимизация — это оптимизация без ограничений на переменные, используемая в машинном обучении.

Бенчмарк — это стандартный набор тестов для оценки и сравнения производительности вычислительных систем и алгоритмов.

Бесконтекстные грамматики — это формальные системы для описания синтаксиса языков, используемые в обработке естественного языка и синтаксическом анализе.

Бессмысленный инпут — это данные без полезной информации для машинного обучения.

Бимодальные модели — это архитектуры, обрабатывающие текст и изображения, позволяющие эффективно интегрировать данные из разных источников.

Бинарная классификация — задача машинного обучения, где объект относится к одному из двух классов, например, для оценки платежеспособности или диагностики.

Блокчейн — распределенная база данных с последовательными блоками информации, обеспечивающая безопасность и прозрачность транзакций.

Big Data — это большие массивы данных, характеризующиеся объёмом, скоростью, разнообразием, достоверностью и ценностью, требующие специальных методов обработки.

Бустинг — это метод машинного обучения, который обучает слабые модели на взвешенных данных для повышения точности.

Валидация — это проверка соответствия системы требованиям пользователей.

Ввод-вывод в машинном обучении — это процесс обработки входных данных и получения выходных результатов.

Вектор признаков — это числовое представление объекта, используемое в машинном обучении.

Векторное кодирование — метод преобразования данных в числовые векторы для обработки моделями машинного обучения.

Верификация — это проверка соответствия ПО заданным спецификациям и стандартам в процессе его разработки.

Верификация моделей — оценка точности и надежности моделей машинного обучения перед их развертыванием.

Визуализация данных — это графическое представление информации для анализа и понимания.

Виртуальная память — метод, позволяющий программам использовать больше адресного пространства, чем имеется в оперативной памяти.

Виртуальная реальность — это компьютерная симуляция, позволяющая пользователям взаимодействовать с искусственной трёхмерной средой.

Виртуальный ассистент — это программа, способная взаимодействовать с пользователями и выполнять различные задачи.

Вложенные нейронные сети — это архитектура, в которой несколько нейронных сетей работают вместе для решения сложных задач.

Механизм внимания в нейронных сетях позволяет моделям фокусироваться на ключевых частях данных для улучшения производительности.

Волновой алгоритм — метод поиска кратчайшего пути в графах, основанный на распространении волны от начального узла.

Временные ряды — это последовательности данных, организованные во времени, используемые для прогнозирования и анализа трендов.

Вспомогательные задачи в машинном обучении — это дополнительные подзадачи, которые улучшают производительность модели на основной задаче.

Входные данные — это информация для обработки в ИИ и машинном обучении, включая изображения, текст и аудио.

Выбор признаков — это процесс определения ключевых характеристик данных для улучшения моделей машинного обучения.

Обучающая выборка — набор размеченных данных, используемый для тренировки моделей ИИ и машинного обучения.

Индуктивный вывод — логический процесс формирования общих заключений на основе частных наблюдений, применяемый в машинном обучении.

Метод принятия решений, основанный на формализованных знаниях и логических связях.

Обратный вывод — метод логического вывода, движущийся от гипотезы к посылкам, применяемый в экспертных системах и AI.

Вывод по аналогии — метод умозаключения, основанный на сходстве объектов для выявления общих свойств, используемый в ИИ для распознавания и классификации.

Прямой вывод — метод логического вывода от данных к заключениям, широко применяемый в экспертных системах.

Выгрузка модели — это сохранение обученной модели машинного обучения для её дальнейшего использования без повторного обучения.

Процесс извлечения значимых характеристик из данных для машинного обучения.

Вызов по образцу — метод решения задач ИИ, основанный на адаптации ранее накопленных прецедентов.

Высокая размерность — это ситуация, когда данные имеют множество признаков, что усложняет их анализ.

Галлюцинации ИИ — это ошибки восприятия, когда модели создают несуществующие объекты или события.

Метод машинного обучения, в котором генератор создает данные, а дискриминатор оценивает их подлинность.