Интегрируя генеративный ИИ в наши задачи, мы можем повысить креативность, оптимизировать рабочие процессы и разрабатывать решения, которые одновременно являются инновационными и эффективными, но надо понимать используемые термины
Generative Models / Генеративные модели: это движущая сила генеративного ИИ, где модели генерируют новый контент после обучения на определенных наборах данных.
Training / Обучение: это включает в себя обучение моделей ИИ понимать и создавать выходные данные.
Supervised Learning / Контролируемое обучение: ИИ учится на наборе данных с предопределенными метками.
Unsupervised Learning / Неконтролируемое обучение: ИИ выявляет закономерности и взаимосвязи в данных без предопределенных меток.
Reinforcement learning / Обучение с подкреплением Тип машинного обучения, где модели учатся принимать решения методом проб и ошибок, получая вознаграждения. Пример: робот-пылесос, который со временем становится лучше в навигации по комнатам.
LLM (Large Language Models) / LLM (большие языковые модели): очень большие нейронные сети, обученные понимать и генерировать текст, похожий на человеческий. Пример: GPT-3: написание статьи на основе подсказки.
Embeddings / Встраивания: представления элементов или слов в непрерывном векторном пространстве, которые сохраняют контекст. Пример: векторы слов используются для анализа настроений в обзорах.
Vector Search / Векторный поиск: поиск элементов, похожих на запрос, в наборе данных, представленном в виде векторов. Пример: Поиск похожих изображений в базе данных на основе контента.
Tokenization / Токенизация: Разбиение текста на более мелкие части, такие как слова или фразы, что облегчает обработку. Пример: Разбиение предложения на отдельные слова для лингвистического анализа.
Transformer / Трансформер: Архитектура модели, которая обрабатывает последовательности данных, что важно для таких задач, как перевод языков. Пример: Перевод французского текста на английский.
Fine-tuning / Тонкая настройка: Небольшая корректировка предварительно обученной модели для эффективного выполнения определенной задачи. Пример: Корректировка общей языковой модели для выполнения анализа юридических документов.
Prompting / Промпт: Предоставление входных данных для модели ИИ для управления генерацией выходных данных. Пример: Задайте чат-боту конкретный вопрос, и он сгенерирует ответ.
RAG (Retrieval-Augmented Generation) / RAG (Retrieval-Augmented Generation): Улучшение ответов модели путем интеграции поиска информации во время генерации. Пример: Система обеспечения качества ищет в базе данных, чтобы ответить на запрос более точно.
Parameter / Параметр: Элементы модели, которые корректируются во время обучения. Пример: Веса в нейронной сети, которые изменяются для улучшения производительности модели.
Token / Токен: Наименьшая единица обработки в NLP, часто слово или часть слова. Пример: Слово «ИИ» является токеном в текстовом анализе.
Training / Обучение: Общий процесс, в котором модель обучается на данных. Пример: Обучение модели глубокого обучения с изображениями для распознавания животных
Источник:
https://datasciencedojo.com/blog/top-generative-ai-terms/
