Nevyznáte se v pojmech spojených s umělou inteligencí?
Nejste v tom sami. Připravili jsme pro vás glosář AI pojmů a hesel, na které můžete často narazit během studia, čtení odborných textů, sledování prezentací či v rámci zpráv o umělé inteligenci. Pokud narazíte na nesrovnalost, neváhejte nás kontaktovat.
- Anglický název i český ekvivalent
- Srozumitelný popis 200+ pojmů
- Pravidelná aktualizace slovníku
A
Akcelerátor je hardware nebo software navržený tak, aby zrychloval výpočetní výkon při zpracování algoritmů umělé inteligence. Často se používá pro urychlení trénování neuronových sítí a jiných složitých výpočetních úkolů v oblasti AI.
Adversarialní útok je snaha záměrně vytvořit malé změny v datech (obrázcích, textu atd.), aby se algoritmy umělé inteligence staly nespolehlivými nebo poskytovaly nežádoucí výsledky. Tento jev je zkoumán v oblasti bezpečnosti umělé inteligence.
V oblasti umělé inteligence se agentem rozumí entita, která je schopna vnímat své okolí a podnikat akce s cílem dosáhnout určitých cílů. Agenti mohou být fyzičtí (například robot) nebo virtuální (například softwarový agent). Agenti jsou často používáni v kontextu autonomních systémů a umělých inteligentních entit, které jsou schopny učení a interakce s prostředím.
Umělá inteligence označuje schopnost počítačových systémů imitovat lidskou inteligenci a provádět úkoly, které obvykle vyžadují lidskou inteligenci, jako je rozpoznávání obrazu, řeči nebo rozhodování.
V EU bude regulace využívání umělé inteligence řízena prvním celkovým zákonem o umělé inteligenci na světě, známým jako „AI Act“. Parlament má za cíl zajistit, aby systémy umělé inteligence využívané v EU splňovaly kritéria bezpečnosti, transparentnosti, sledovatelnosti, nediskriminace a ohleduplnosti k životnímu prostředí. Do konce roku 2024 je stanovena priorita dosáhnout dohody.
AI Alignment se zabývá designem umělých inteligencí tak, aby jednaly v souladu s lidskými hodnotami a cíli. Cílem je zajistit, aby akce AI byly v souladu s tím, co lidé považují za správné a etické.
Etika umělé inteligence se zabývá otázkami spravedlnosti, transparentnosti, bezpečnosti a odpovědnosti při vytváření a používání umělé inteligence. Cílem je zajistit etické chování a důvěru veřejnosti v AI.
Správa umělé inteligence se věnuje otázkám regulace, dohledu a řízení v oblasti umělé inteligence. Zahrnuje vytváření pravidel a standardů pro spravedlivé a bezpečné používání AI.
Tato metrika měří procento odmítnutých projektů v oblasti Governance, Risk Management, and Compliance (GRC) spojených s umělou inteligencí. Vyšší odmítnutí může signalizovat složitosti v implementaci správy, rizik a dodržování předpisů v prostředí AI.
Interpretovatelnost umělé inteligence se týká schopnosti vysvětlit, jak a proč AI systém dospěl k určitému rozhodnutí. Je klíčová pro důvěru a pochopení toho, jak AI funguje.
Právo umělé inteligence se zabývá právními a etickými otázkami spojenými s vývojem a používáním umělé inteligence. Zahrnuje otázky odpovědnosti, vlastnictví dat a další právní aspekty.
Životní cyklus umělé inteligence zahrnuje všechny fáze vývoje a implementace umělých inteligencí, včetně sběru dat, trénování modelů, nasazení, monitorování a údržbu. Správné řízení životního cyklu je klíčové pro úspěch projektu AI.
AI Ops, zkratka pro AI Operations, se týká praxe správy a řízení operací spojených s nasazením a provozem umělé inteligence a strojového učení. Jedná se o oblast, která se zabývá monitorováním, diagnostikou, laděním a správou AI modelů a aplikací v produkčním prostředí. Cílem AI Ops je zajistit spolehlivost a výkonnost AI systémů.
Politika umělé inteligence se týká formulace a implementace pravidel, zásad a směrnic pro používání, vývoj a regulaci umělé inteligence. Zabývá se otázkami jako etika, bezpečnost a právní záležitosti AI.
Riziko umělé inteligence odkazuje na možné nežádoucí důsledky nebo nepředvídané problémy spojené s nasazením umělé inteligence. Tato rizika mohou zahrnovat etické problémy, nedostatečnou bezpečnost nebo nežádoucí dopady na společnost.
Řízení rizika umělé inteligence zahrnuje proces identifikace, hodnocení a řízení rizik spojených s používáním umělé inteligence. Cílem je minimalizovat negativní dopady a zajistit bezpečnost a spolehlivost AI systémů.
Robustnost umělé inteligence odkazuje na schopnost AI systému fungovat spolehlivě i v přítomnosti nepředvídatelných podmínek, chyb nebo nečekaných datových vzorů.
Bezpečnost umělé inteligence se týká opatření a technik navržených k minimalizaci rizik a prevenci nebezpečných chování AI systémů, zejména v situacích, kdy AI interaguje s lidmi.
Použití umělé inteligence se odkazuje na konkrétní aplikaci nebo scénář, ve kterém je umělá inteligence využívána k řešení určitého úkolu nebo problému, například v oblasti zdravotnictví, průmyslu nebo financí.
Koncept AI-in-the-loop znamená, že umělá inteligence je aktivním součástí rozhodovacího procesu a spolupracuje s lidskými operátory nebo systémy. Jedná se o způsob, jak využít sílu umělé inteligence v reálném čase.
Algoritmus je matematický návod, kterým počítač provádí určité operace nebo výpočty. Algoritmy jsou základním stavebním kamenem umělé inteligence a používají se k tréninku modelů a provádění úloh.
Algoritmický zkreslení odkazuje na neobjektivní nebo diskriminační výsledky, které mohou vzniknout v důsledku použití algoritmů, které nespravedlivě preferují určité skupiny lidí nebo vytvářejí nerovnováhu ve výsledcích.
Etika algoritmů se zabývá otázkami morálních a etických aspektů spojených s vývojem, používáním a výsledky algoritmů. Zahrnuje otázky spravedlnosti, transparentnosti a odpovědnosti v algoritmickém rozhodování.
Algoritmická transparentnost znamená, že fungování a rozhodování algoritmů jsou jasné a srozumitelné. Transparentní algoritmy jsou schopny vysvětlit své kroky a rozhodnutí, což je důležité pro etiku a důvěru veřejnosti.
AGI odkazuje na umělou inteligenci, která má schopnost provádět širokou škálu úloh a rozumět konceptům podobně jako lidský mozek. AGI by byla schopna učit se novým věcem a flexibilně se adaptovat.
Umělá neuronová síť je model inspirovaný biologickým mozkom, který se používá pro různé úkoly v umělé inteligenci, včetně strojového učení. Sestává z umělých neuronů propojených váhami.
Umělý neuron je základní stavební jednotkou umělých neuronových sítí. Jedná se o matematický model, který provádí vážený součet vstupů a aplikuje na ně aktivační funkci.
Umělá superinteligence je hypotetický stav umělé inteligence, který by byl mnohem inteligentnější než nejlepší lidská inteligence ve všech aspektech. Jedná se o teoretický koncept s potenciálně revolučními důsledky.
Hodnocení se v umělé inteligenci týká procesu posuzování kvality, účinnosti a výkonu AI modelů nebo systémů, často s cílem určit, jak dobře plní určité úkoly.
Atestace se týká procesu ověření a potvrzení, že AI systém nebo model splňuje určité normy, standardy nebo požadavky. Slouží k zajištění kvality a důvěryhodnosti AI systémů.
Srozumitelnost AI systémů se týká schopnosti lidí porozumět a vysvětlit, jak AI systém funguje a jak dospěl k určitým rozhodnutím nebo výstupům.
Rozšířená realita je technologie, která umožňuje uživatelům vnímat reálný svět doplněný virtuálními objekty nebo informacemi. AI může být využita pro rozpoznávání a interakci s okolním prostředím.
Automatizované uvažování se týká schopnosti AI systémů provádět logické úvahy a dedukce pomocí algoritmů. Je důležité pro rozhodování a problémové řešení.
Automatizace zahrnuje nahrazení lidských úkolů a procesů stroji nebo AI systémy. Cílem je zvýšit efektivitu, rychlost a přesnost v různých oblastech.
Autonomní systém je systém nebo zařízení, které je schopno provádět úkoly a rozhodovat samostatně bez lidského dohledu. To může zahrnovat autonomní vozidla, roboty či jiné stroje.
B
Zpětná propagace je algoritmus používaný při tréninku umělých neuronových sítí. Slouží k aktualizaci vah neuronů na základě chybových signálů, které jsou zpětně propagovány sítí, aby se minimalizovala chyba při predikci.
Bayesovské sítě jsou grafický model, který používá pravděpodobnostní metody pro modelování a analýzu vztahů mezi různými událostmi nebo proměnnými. Jsou používány pro pravděpodobnostní inferenci a rozhodování v nejistých situacích.
Modelování chování se týká vytváření modelů, které popisují, jak se lidé nebo jiné entity chovají v určitých situacích. Toto modelování může být využito pro predikci budoucího chování nebo analýzu vzorců chování.
Zaujatost se může objevit v umělých inteligentních modelech ve dvou hlavních formách: sociální a statistické. Sociální zaujatost se týká nespravedlivého zacházení s určitými skupinami lidí na základě jejich rasového, etnického, genderového nebo jiného sociálního identifikátoru. Statistická zaujatost může vzniknout, když modely nejsou vyvážené nebo spravedlivě vyškoleny na základě dostupných dat.
Velká data odkazují na velké, komplexní a rychle se měnící soubory dat, které nelze efektivně zpracovat tradičními metodami. Umělá inteligence a strojové učení jsou často využívány k analýze a extrakci informací z velkých datových souborů.
Bioinformatika je interdisciplinární oblast, která kombinuje biologii a informatiku. Využívá umělou inteligenci a algoritmické metody k analýze biologických dat, jako jsou sekvence DNA, proteinů a genetické informace, s cílem získat pochopení biologických procesů a vývoje.
C
Cloud Computing je model poskytování a přístupu k počítačovým zdrojům (jako jsou servery, úložiště, databáze, síťové zdroje) přes internet. V kontextu umělé inteligence může být cloud využíván pro ukládání a sdílení dat, provádění výpočtů a škálování výpočetních prostředků pro potřeby AI.
Klastrová analýza je statistická metoda, která seskupuje podobné objekty do tzv. klastrů. V umělé inteligenci se často využívá pro identifikaci vzorů v datech, které mohou být důležité pro strojové učení nebo další analýzy.
Kognitivní výpočty se zabývají vytvářením systémů, které napodobují lidský proces uvažování. Tyto systémy mohou zahrnovat schopnost učení, adaptace, rozpoznávání vzorů a řešení problémů podobně jako lidský mozek.
Kognitivní věda zkoumá mentální procesy, jako je vnímání, myšlení, učení, paměť a rozpoznávání, s cílem lépe porozumět fungování mysli. V oblasti umělé inteligence může být využívána k navrhování systémů, které imitují nebo spolupracují s lidským myšlením.
Házení mincí je model, který se používá k ilustraci náhodnosti. V umělé inteligenci se koncept náhodnosti často využívá v generování náhodných čísel, která mohou být důležitá pro různé algoritmy a simulace.
Riziko souladu se týká nebezpečí, že organizace nebo projekt nesplní předpisy, normy, nebo etická pravidla v oblasti používání umělé inteligence. Zahrnuje dodržování právních a etických standardů.
Výpočetní inteligence zahrnuje techniky a metody, které umožňují počítačům modelovat a imitovat schopnosti lidského myšlení. Patří sem například strojové učení, evoluční algoritmy a fuzzy logika.
Výpočetní zdroje zahrnují všechny počítačové zdroje, jako jsou procesory, paměť, úložiště a síťové zdroje, které jsou používány pro provádění výpočtů a algoritmů v umělé inteligenci.
Počítačové vidění se zabývá schopností počítačových systémů rozumět vizuálním informacím z obrazů nebo videí. Využívá se například pro rozpoznávání obrazu, sledování objektů a analýzu scén.
Intervaly spolehlivosti jsou statistickým nástrojem, kterým se odhaduje spolehlivost odhadu neznámého parametru. V umělé inteligenci se mohou používat například k vyhodnocení spolehlivosti predikcí modelů.
Hodnocení shody se týká procesu ověřování, zda daný produkt, systém nebo služba splňuje stanovené normy a předpisy v oblasti umělé inteligence. Jedná se o klíčový prvek zajištění kvality a bezpečnosti AI systémů.
CLIP je přístup k předtrénování modelů, který kombinuje jazykové a vizuální informace. Model je trénován tak, aby porozuměl vzájemným vztahům mezi jazykem a obrazy, což může vést k lepšímu porozumění kontextu v rámci úloh, jako je například rozpoznávání obrazu.
Konverzační umělá inteligence se specializuje na schopnost systémů komunikovat s lidmi v přirozeném jazyce. Toto zahrnuje chatboty, virtuální asistenty a další technologie, které umožňují plynulou interakci v textové nebo hlasové podobě.
Konvoluční neuronová síť (CNN) je typ neuronové sítě speciálně navržený pro zpracování vizuálních dat, jako jsou obrázky. CNN využívá konvoluční vrstvy k detekci vzorů a hierarchické vrstvy pro postupné extrakci složitějších funkcí. Je běžně používána v úlohách rozpoznávání obrazu.
D
Anotace dat zahrnuje proces přidávání popisů, štítků nebo kategorií k datům, což pomáhá strojovým učebním modelům porozumět a správně interpretovat tato data. Anotace je často používána pro trénink a dohledání modelů v úlohách jako je rozpoznávání obrazu nebo zpracování přirozeného jazyka.
Rozšiřování dat je technika, která se používá při tréninku strojových učebních modelů. Zahrnuje různé transformace a úpravy dat, jako je rotace, změna velikosti nebo šum, aby se zvýšila rozmanitost tréninkových dat a model byl robustnější.
Klasifikace dat je úloha strojového učení, při níž se model snaží přiřadit vstupní data do určitých kategorií nebo tříd na základě jejich vlastností nebo charakteristik.
Změna dat odkazuje na situaci, kdy se statistické vlastnosti tréninkových dat mění v čase nebo v různých prostředích. To může ovlivnit výkon strojových učebních modelů a vyžaduje sledování a adaptaci modelů na nové data.
Dolování dat je proces objevování vzorů, informací a znalostí v datech. To může zahrnovat analýzu velkých datových sad, identifikaci trendů a odhalení skrytých vzorů.
Normalizace dat je proces upravování dat tak, aby měla konzistentní měřítko a rozsah. To pomáhá zajistit, že data jsou porovnatelná a nevytvářejí zkreslení ve strojových modelech.
Otrávení dat je technika, kde útočník záměrně vkládá nebo upravuje data, aby zaváděl strojové učební modely a ovlivňoval jejich rozhodnutí. To může ohrozit bezpečnost a spolehlivost modelů.
Kvalita dat odkazuje na míru, do jaké jsou data přesná, relevantní, aktuální a vhodná pro konkrétní účely. Vysoká kvalita dat je klíčová pro úspěšné aplikace umělé inteligence.
Kontrola kvality dat je proces, který zahrnuje ověřování, opravu a zlepšování kvality dat v rámci organizace. Cílem je zajistit, že data jsou přesná, spolehlivá a vhodná pro použití v analytických a strojových učebních úlohách.
Datová věda je interdisciplinární obor, který kombinuje statistiku, strojové učení, analýzu dat a další metody s cílem získat znalosti a informace z dat. Data scientists pracují na analýze a interpretaci dat za účelem rozhodování a predikce v různých oblastech.
Databáze je strukturovaný soubor dat, který je organizován a uložen tak, aby umožňoval efektivní vyhledávání, přístup a správu informací. V kontextu umělé inteligence může databáze sloužit k uchovávání dat používaných pro trénink modelů, jako jsou textová data, obrazy nebo časové řady.
Modelování rozhodovacího procesu se týká vytváření matematických nebo algoritmických modelů, které reprezentují způsob, jakým lidé nebo stroje provádějí rozhodnutí. Tyto modely mohou být využity k analýze a optimalizaci rozhodovacích procesů.
Deep fake je technika, která využívá strojové učení a hluboké neuronové sítě k vytváření realistických podvrhů, zejména v oblasti videa a audia. Tato technologie může být zneužita k vytváření falešných videí nebo hlasových záznamů.
Hluboké učení je podobor strojového učení, který se zaměřuje na trénink hlubokých neuronových sítí, které mají několik vrstev. Tyto sítě jsou schopny automaticky extrahovat složité funkce a vzory z dat a jsou používány v mnoha úlohách, jako je rozpoznávání obrazu, zpracování přirozeného jazyka a další.
Hluboká neuronová síť je typ neuronové sítě, která má několik vrstev mezi vstupy a výstupy. Tyto sítě se používají v hlubokém učení a jsou schopny extrahovat složité a abstraktní funkce z dat.
Difúzní model, známý také jako pravděpodobnostní difúzní model, je Markovův řetězec s parametry, který je trénován pomocí variační inferenční metody, aby generoval vzorky dat po určitém časovém úseku. Jinak řečeno, modely umožňují generovat data, která mají podobné vlastnosti jako data, na kterých byly vyškoleny. Například pokud byl model vyškolen na obrázcích koček, dokáže vytvářet realistické obrázky koček s podobnými vlastnostmi.
Digitální dvojče je digitální model nebo replika fyzického objektu, systému nebo procesu. Tento digitální model je vytvářen na základě dat a senzorů z reálného světa a umožňuje simulovat, monitorovat a optimalizovat provoz reálného objektu. Digitální dvojče je často využíváno v průmyslu, strojírenství a řadě dalších odvětví k optimalizaci výrobních procesů a údržbě.
Digitalizace se týká procesu převodu fyzických dat a informací do digitální formy, která je snadno zpracovatelná a uchovatelná na počítačích. To je důležité pro zpracování dat a analýzu v oblasti umělé inteligence.
Redukce dimenzionality je proces snižování počtu proměnných nebo atributů v datech, čímž se snižuje složitost dat a zlepšuje efektivita analýzy a modelování.
Dvojí pokles je jev v strojovém učení, kde chyba modelu nejprve klesne, poté stoupne a následně opět klesne s rostoucím počtem parametrů nebo dat. Tento jev má významné důsledky pro trénink a regularizaci modelů.
E
Edge Computing se týká provádění výpočtů a analýzy dat blízko místa, kde jsou data generována, namísto vzdálených datových center. V kontextu umělé inteligence může být výpočetní výkon umístěn přímo v zařízení nebo v blízkosti zařízení, což umožňuje rychlejší a efektivnější zpracování dat.
Učení od konce k konci je přístup, kde je model trénován přímo na vstupních a výstupních datech bez explicitních mezikroků nebo reprezentací. To umožňuje modelu automaticky odhadovat nejlepší způsob zpracování dat a vytvářet komplexní vztahy mezi vstupy a výstupy.
Souborové učení zahrnuje kombinaci několika individuálních modelů do jednoho výkonnějšího modelu. Tímto způsobem lze zvýšit robustnost a přesnost predikcí, zejména v případech, kdy jednotlivé modely mohou mít různé slabiny.
Etická umělá inteligence se zabývá otázkami morálky a hodnot v rámci vývoje, nasazení a používání umělých inteligentních systémů. Zahrnuje otázky transparentnosti, spravedlnosti, zodpovědnosti a další, které mají zajistit, že umělá inteligence je v souladu s etickými normami.
ETL je zkratka pro procesy Extrahování, Transformace a Nahrání dat z jednoho systému do druhého. Tento proces se často používá v rámci datového zpracování a analýzy dat. Extrahování znamená získání dat z různých zdrojů, transformace zahrnuje úpravu dat do vhodného formátu nebo struktury a nahrání přesune data do cílového systému nebo úložiště. ETL procesy jsou často používány k přípravě dat pro strojové učení a analýzu dat.
Vysvětlitelná umělá inteligence se zaměřuje na vytváření modelů, které jsou schopny vysvětlit svá rozhodnutí a predikce. To je důležité pro zajištění transparentnosti a důvěry u uživatelů a zajištění, že rozhodnutí modelu jsou srozumitelná a interpretovatelná.
F
Extrakce příznaků zahrnuje identifikaci a izolaci důležitých charakteristik nebo vlastností v datech, které jsou důležité pro strojové učení a modelování. Tyto příznaky jsou poté použity pro trénink modelů nebo pro analýzu dat.
Federované učení je decentralizovaný přístup k trénování strojových učebních modelů, kde je model trénován na lokálních zařízeních nebo na okrajových zařízeních a pouze aktualizace modelu jsou sdíleny centrálně. To je užitečné pro ochranu citlivých dat a zajištění privacy při tréninku modelů.
Jemné ladění se týká dalšího tréninku strojového učebního modelu na specifických datech nebo úlohách po jeho původním tréninku. Cílem je zdokonalit výkon modelu na konkrétních podmínkách nebo úlohách.
Dopředné šíření je proces, při kterém jsou vstupní data přivedena do neuronové sítě a projdou sítí od vstupu k výstupu. Během tohoto procesu jsou váhy aktualizovány a model produkuje predikce.
Základní model je rozsáhlý umělý inteligentní systém, který byl vyškolen na velkém objemu dat a lze ho následně upravit pro řešení různých úkolů. Tyto modely často vznikají prostřednictvím samoučení nebo částečného učení s učitelem. Základní modely představují revoluci v způsobu, jakým se budují umělé inteligentní systémy.
Detekce podvodů využívá strojové učení k identifikaci neobvyklých nebo podvodných vzorů v datech. Tato technologie je často používána k prevenci finančního podvodu nebo k detekci podezřelých aktivit.
Fuzzy logika je logický přístup, který umožňuje zpracovávat nejisté nebo mnohoznačné informace. Používá se především v řídicích systémech a rozhodování, kde není jasné omezení mezi pravděpodobnými stavy.
G
Umělá inteligence obecného určení se odkazuje na AI systémy, které jsou schopny vykonávat širokou škálu úkolů a adaptovat se na různé oblasti a úkoly podobně jako lidská inteligence. To je také známé jako silná umělá inteligence.
Generativní nepřátelské sítě jsou typem neuronové sítě, která se skládá z dvou částí: generátoru a diskriminátoru. Tyto sítě jsou trénovány současně, kde generátor se snaží vytvořit autentické data, zatímco diskriminátor se snaží rozlišit autentická data od falešných. Tento proces vede k tvorbě realistických dat, což má aplikace v generativním umění, zpracování obrazů a dalších oblastech.
Generativní umělá inteligence se týká AI systémů, které jsou schopny vytvářet nová data nebo obsah, často na základě vzorů a znalostí z tréninkových dat. Tento přístup má aplikace v generování textu, obrazů, hudby a dalších uměleckých nebo kreativních úlohách.
Genetické algoritmy jsou optimalizační techniky, které se inspirovaly principy evoluce a genetiky. Tyto algoritmy používají procesy křížení, mutace a výběru k nalezení nejlepšího řešení problému.
Správní artefakt odkazuje na dokument, pravidlo nebo nástroj, který slouží k definici, správě a monitorování politik a pravidel pro používání umělé inteligence v organizaci. Tyto artefakty jsou důležité pro zajištění transparentnosti, odpovědnosti a etického používání AI.
GPT je model strojového učení, který se specializuje na generování textu na základě tréninkových dat. Příkladem je GPT-4, jeden z největších a nejsilnějších textových generátorů vyvinutých společností OpenAI.
Grafický procesor (GPU) je hardware, který je často využíván pro rychlé a paralelní zpracování dat v strojovém učení a umělé inteligenci. GPU jsou schopny provádět mnoho výpočtů současně, což je vhodné pro trénink hlubokých neuronových sítí a jiných výpočetně náročných úloh.
Gradientní sestup je optimalizační algoritmus, který se používá k tréninku strojových učebních modelů. Tento algoritmus minimalizuje chybu modelu tím, že upravuje váhy modelu v souladu s gradientem chybové funkce.
Grafické modelování se týká použití grafických struktur, jako jsou grafy nebo bayesovské sítě, k reprezentaci závislostí mezi proměnnými v modelu. Tyto modely jsou často používány pro odhadování pravděpodobností a inferenci v datových analytických úlohách.
Ochranné zábrany se odvolávají na pravidla, politiky nebo mechanismy, které jsou nastaveny k zajištění bezpečnosti, spolehlivosti a etického používání umělé inteligence. Tyto zábrany mají zabránit nežádoucím nebo nebezpečným chováním AI systémů.
H
Halucinace se v tomto kontextu týká situace, kdy strojový učební model vytváří nebo generuje data, která neexistují nebo jsou nesprávná. To může nastat v případě, kdy model má omezenou schopnost rozpoznat reálná data od falešných.
Heuristika je strategie nebo pravidlo, které se používá k řešení problémů nebo k dosažení cílů, které nemusí být vždy založeny na exaktním nebo optimálním řešení. Heuristiky jsou často používány v algoritmických rozhodovacích procesech.
Skrytá vrstva je vrstva neuronů v neuronové síti, která není součástí vstupních ani výstupních vrstev. Skryté vrstvy slouží k extrakci abstraktních funkcí z dat a umožňují modelu zpracovávat složité vzory.
Design zaměřený na člověka se týká přístupu k návrhu umělých inteligentních systémů, který klade důraz na potřeby a zkušenosti uživatelů. Cílem je vytvářet AI systémy, které jsou uživatelsky přívětivé a přizpůsobené lidským potřebám.
Interakce člověka s počítačem je obor zkoumající způsoby, jak lidé a počítače komunikují a spolupracují. V kontextu umělé inteligence se HCI zabývá návrhem uživatelských rozhraní pro AI systémy a optimalizací interakce mezi lidmi a stroji.
Člověk ve smyčce je koncept, kde lidský operátor nebo dozorčí je aktivně zapojen do procesu strojového učení nebo rozhodování strojových modelů. Tímto způsobem se zajišťuje kontrola, dohled a korekce výstupů modelů.
Hybridní inteligence spojuje lidskou inteligenci a umělou inteligenci do synergického systému. To může zahrnovat spolupráci lidí a strojů v úlohách, kde se vzájemně doplňují a zlepšují výkon.
Nastavení hyperparametrů se týká procesu volby optimálních hodnot pro hyperparametry strojových učebních modelů. Tyto hodnoty nejsou trénovatelné a musí být ručně upraveny pro dosažení optimálního výkonu modelu.
CH
Řetěz myšlenek se obvykle nevztahuje přímo k umělé inteligenci, ale spíše k procesu myšlení a spojování myšlenek u lidí. Jedná se o koncept, který se používá k popisu toho, jak se myšlenky nebo myšlenkové procesy mohou vzájemně spojovat a přenášet se od jednoho tématu k jinému.
Chatbot je program nebo aplikace, která provádí konverzaci nebo komunikaci s uživateli prostřednictvím textových nebo hlasových zpráv. Chatboty jsou schopny odpovídat na otázky, provádět úkoly nebo simulovat konverzaci s lidskými uživateli. Jsou často využívány pro zlepšení zákaznické podpory, automatizaci úloh a interakci s uživateli online.
I
Zpracování obrazu je obor, který se zabývá analýzou, úpravou a interpretací digitálních obrazů. V kontextu umělé inteligence zahrnuje techniky, které umožňují počítačům rozumět a pracovat s vizuálními daty, například detekci objektů, segmentaci obrazu a zpracování obrazových dat.
Rozpoznávání obrazu se týká schopnosti počítačových systémů identifikovat a klasifikovat objekty, vzory nebo znaky na digitálních obrázcích nebo fotografiích. Tato technologie je využívána v aplikacích jako rozpoznávání obličejů, rozpoznávání písma a automatické třídění obrazů.
Převod obrazu na video se týká procesu vytváření videa z jednotlivých snímků nebo obrázků. Tento proces může být automatizován a využíván pro tvorbu animací nebo videí z obrázkových dat.
Posouzení dopadu se zabývá analýzou a hodnocením dopadu určitého opatření, politiky nebo technologie na prostředí, společnost nebo ekonomiku. V kontextu umělé inteligence se tímto způsobem hodnotí, jaké důsledky může mít nasazení AI systémů.
Inkluzivnost znamená, že technologie, včetně umělé inteligence, by měly být navrhovány tak, aby byly přístupné a použitelné pro všechny lidi, včetně těch s různými schopnostmi, rasami, pohlavími a dalšími faktory. Tímto způsobem se usiluje o zajištění rovnosti a spravedlnosti.
Průmysl 4.0 odkazuje na koncept digitalizace a automatizace průmyslových procesů s využitím moderních technologií, včetně umělé inteligence, internetu věcí (IoT) a dalších. Cílem je zvýšit efektivitu, produktivitu a inovaci v průmyslovém sektoru.
Inference se týká procesu odvozování nových informací nebo závěrů na základě dostupných dat a znalostí. V kontextu umělé inteligence zahrnuje proces rozhodování na základě dat a modelů.
Nastavení instrukcí odkazuje na proces optimalizace a ladění instrukcí pro strojový učební model. To může zahrnovat úpravu pravidel nebo pokynů, které řídí chování modelu.
Internet věcí je síť fyzických zařízení a objektů, které jsou propojeny s internetem a mohou vzájemně komunikovat a sbírat data. V kontextu umělé inteligence se data z IoT zařízení často používají k tréninku a analýze modelů pro automatizaci a predikci.
Vysvětlitelnost se týká schopnosti umělých inteligentních systémů vysvětlit svá rozhodnutí a závěry. Je to důležité pro zajištění transparentnosti a důvěry uživatelů v AI systémy.
K
K-means shlukování je metoda v analýze dat, která slouží k rozdělení datového souboru do skupin (shluků) na základě podobnosti mezi daty. Algoritmus se snaží minimalizovat vzdálenosti mezi daty ve stejném shluku a maximalizovat vzdálenosti mezi shluky. Tato technika má aplikace v segmentaci obrazů, klasifikaci dat a dalších úlohách.
K-nejbližších sousedů je algoritmus pro klasifikaci nebo regresi, který využívá blízkost mezi datovými body. Pokud máme nový bod, který chceme klasifikovat, algoritmus najde K nejbližších sousedů z tréninkových dat a rozhodne na základě většinového hlasování těchto sousedů, do jaké třídy nový bod patří. Tento algoritmus je jednoduchý a používá se pro různé typy úloh strojového učení.
L
Jazykové modely jsou strojové učební modely, které jsou trénovány na analýzu, generování a porozumění lidskému textu. Tyto modely jsou schopny rozpoznávat vzory v textu, což umožňuje provádět úkoly jako automatické překlady, generování textu, analýzu sentimentu a další.
Velký jazykový model se odkazuje na pokročilý jazykový model, který má velký počet parametrů a je schopen generovat a porozumět textu s vysokou přesností. Tyto modely, jako například GPT-4, mají miliony až miliardy parametrů a jsou využívány v různých aplikacích, včetně chatbotů, strojového překladu a generování obsahu.
Skrytý prostor je abstraktní prostor, který se používá k reprezentaci dat v kompaktní formě. V kontextu strojového učení, zejména ve variacionálních autoenkodérech (VAE) a generativních modelech, latent space představuje nízkoměřený prostor, kde jsou data kódována tak, aby bylo možné provádět operace jako generování nových datových vzorů nebo komprese dat. Latent space je obvykle tvořen několika dimenzemi, které reprezentují různé aspekty dat.
M
Strojové učení je obor umělé inteligence, který se zabývá vývojem algoritmů a modelů, které umožňují počítačům učit se a provádět úkoly bez explicitního programování. Tato technologie se využívá pro klasifikaci, predikci, klastrování a další úkoly na základě dat.
Strojové vidění se týká schopnosti počítačů rozumět a interpretovat vizuální informace z digitálních obrázků nebo videí. Tento obor zahrnuje techniky pro rozpoznávání objektů, segmentaci obrazu, detekci obličejů a další úkoly spojené s vizuálním vnímáním.
Meta-učení se zabývá vývojem modelů, které mají schopnost učit se a adaptovat se k novým úkolům nebo prostředím s minimálním tréninkem. Tyto modely se učí, jak se učit, a jsou schopny rychle přizpůsobit své dovednosti novým úkolům.
Karta modelu je dokument, který obsahuje informace o umělém inteligentním modelu, včetně jeho tréninkových dat, vlastností, metrik výkonnosti a potenciálních rizik a omezení. Karty modelu jsou vytvářeny pro zlepšení transparentnosti a vysvětlitelnosti modelů.
Drift modelu se týká situace, kdy výkonnost umělého inteligentního modelu postupně klesá, protože se jeho tréninková data nebo prostředí mění. To může vyžadovat pravidelnou aktualizaci a znovutrénink modelu.
Mooreův zákon je pozorování a hypotéza, kterou formuloval Gordon Moore, spoluzakladatel společnosti Intel. Zákon tvrdí, že počet tranzistorů na integrovaném obvodu se zdvojnásobí každé dva roky, což vede k exponenciálnímu zvyšování výpočetního výkonu a zmenšování velikosti čipů. Mooreův zákon měl významný vliv na vývoj počítačů a technologií včetně umělé inteligence.
Klouzavý průměr je statistická technika, která se používá k vyhlazení časových řad nebo dat. Pomocí tohoto postupu se vytváří nová řada, kde každý bod je průměrem několika předchozích bodů. To může pomoci identifikovat vzory a tendence v datech.
Systémy s více agenty jsou soubory autonomních agentů nebo entit, které interagují a spolupracují při řešení úkolů nebo problémů. Tyto systémy se používají například v robotice, analýze trhu a řízení provozu.
Spolupráce s více zúčastněnými stranami se týká situace, kdy více zúčastněných stran nebo zainteresovaných stran spolupracuje na vývoji, implementaci nebo hodnocení umělého inteligentního systému. Tato spolupráce může zahrnovat podniky, vládu, akademickou sféru a další. Je důležitá pro zajištění transparentnosti, etiky a různých perspektiv ve vývoji AI.
Multimodální se týká systémů nebo dat, která obsahují více různých modalit nebo typů informací. Například multimodální systémy mohou pracovat s textem, obrazy, zvukem a dalšími datovými zdroji současně. Tímto způsobem se zvyšuje schopnost modelů analyzovat a interpretovat různé druhy dat.
N
Omezená umělá inteligence se týká AI systémů, které jsou specializované na konkrétní úkoly nebo oblasti a nemají obecnou inteligenci nebo schopnost provádět různé úkoly mimo svou specializaci. Tyto systémy jsou navrženy pro konkrétní úkoly, jako je rozpoznávání obrazů, automatické řízení auta nebo chatboty.
Zpracování přirozeného jazyka je obor umělé inteligence, který se zabývá analýzou, porozuměním a generováním textu ve formě lidského jazyka. NLP se používá pro různé úkoly, včetně strojového překladu, analýzy sentimentu, chatbotů, extrakce informací a dalších aplikací spojených s textem.
Neurální radiační pole je nový přístup k rekonstrukci 3D scén z fotografií nebo videí. Tento model kombinuje neuronové sítě s radiačními poli pro přesnou rekonstrukci a vizualizaci prostředí. Je to inovativní technologie, která má potenciál změnit způsob, jakým se pracuje s 3D daty ve vizuálním zpracování.
O
Cílová funkce je matematická funkce, která se používá při optimalizaci strojových učebních modelů. Cílem je najít hodnoty parametrů modelu, které minimalizují nebo maximalizují tuto funkci. Cílová funkce definuje, co je považováno za optimální výkon modelu a je základem pro trénink a ladění modelů.
Ontologie je strukturovaný model nebo popis, který definuje vztahy mezi různými entitami, koncepty nebo objekty v určitém doménovém prostředí. V kontextu umělé inteligence se ontologie používá k organizaci znalostí a dat, což umožňuje počítačům lépe porozumět a zpracovávat informace.
Optimalizace se týká procesu hledání nejlepšího řešení nebo hodnoty pro daný problém nebo úkol. V umělé inteligenci se optimalizace často používá k naladění parametrů modelů, výběru funkcí nebo hledání optimálních hyperparametrů pro dosažení nejlepšího výkonu.
Přeučení je situace, kdy strojový učební model dosahuje vysoké přesnosti na tréninkových datech, ale nízké přesnosti na nových, nepoužitých datech. To naznačuje, že model se příliš přizpůsobil tréninkovým datům a není schopen generalizovat na nové situace. Přeučení je jedním z hlavních problémů ve strojovém učení a vyžaduje opatření, jako je regularizace a validace modelu.
P
Rozpoznávání vzorů je obor, který se zabývá identifikací a analýzou opakujících se vzorů nebo struktur v datech. V kontextu umělé inteligence se používá k rozpoznávání vzorů v oblastech jako je rozpoznávání obrazů, zpracování řeči, a klasifikace dat.
Perceptron je jednoduchý model umělé neuronové sítě, který slouží k binární klasifikaci dat. Jedná se o základní stavební blok pro vytváření vícevrstvých neuronových sítí. Perceptron může provádět jednoduché rozhodování na základě vah vstupních dat a aktivační funkce.
Personalizace se týká upravování obsahu, produktů nebo služeb tak, aby lépe vyhovovaly individuálním preferencím a potřebám uživatelů. V umělé inteligenci se personalizace často využívá v doporučovacích systémech a marketingových strategiích.
Předtrénink je proces, kdy je strojový učební model trénován na velkém množství dat před jeho finálním laděním na konkrétní úkol. Předtrénink pomáhá modelu získat obecné znalosti a schopnosti, které může později využít pro specifické úkoly.
Prediktivní analytika je proces využívající datové analýzy a strojového učení k predikci budoucích událostí nebo trendů. Tato technika se používá pro vytváření modelů, které mohou předpovědět například chování zákazníků, poptávku po produktech nebo rizika v obchodním prostředí.
Reskriptivní analýza je pokročilá forma datové analýzy, která nejen předpovídá budoucí události, ale také poskytuje doporučení nebo reskriptivní opatření pro dosažení optimálního výsledku. Tímto způsobem se analyzují data, aby bylo možné formulovat doporučení pro konkrétní rozhodnutí.
Zásada minimálního zásahu se týká přístupu k řešení problémů, kde se snažíme minimalizovat zásah nebo intervenci do systému nebo procesu. V umělé inteligenci zahrnuje tento princip minimalizaci ručního zásahu do tréninku a chování modelů.
AI chránící soukromí se zabývá technikami a strategiemi pro zachování soukromí a bezpečnosti dat při používání umělé inteligence. Tato oblast se snaží minimalizovat rizika spojená se zneužitím osobních dat a porušením soukromí uživatelů.
Profiling se týká procesu sběru a analýzy informací o jednotlivcích nebo skupinách na základě jejich chování, preferencí, demografických údajů a dalších dat. V kontextu umělé inteligence se profiling často využívá pro cílení reklamy, personalizaci obsahu a doporučování produktů nebo služeb na základě chování uživatelů.
V kontextu umělé inteligence je „prompt“ (návod) textový nebo hlasový vstup, který uživatel poskytuje AI systému, aby zahájil konkrétní úkol nebo generoval odpovídající výstup. Návod může být klíčový pro instruování AI modelů, jak provádět různé úkoly.
Inženýrství návodů se týká procesu návrhu a vytváření vhodných textových nebo hlasových vstupů (návodů), které by měly generovat požadované odpovědi nebo akce od umělých inteligentních modelů. Tento proces je důležitý pro dosažení požadovaných výsledků od AI systémů.
Pseudonymizace je proces nahrazování identifikačních údajů nebo osobních dat fiktivními identifikátory (pseudonymy) tak, aby bylo obtížnější identifikovat jednotlivce. Tímto způsobem se zvyšuje ochrana soukromí dat, aniž by byla data zcela anonymizována. Pseudonymizace je důležitá pro dodržení zásad ochrany osobních údajů a regulací jako GDPR.
Q
Kvantové počítačování je obor výpočetní techniky, který využívá principy kvantové mechaniky k provádění výpočtů. Klasické počítače používají bity jako základní jednotku informace, která může nabývat hodnoty 0 nebo 1. Kvantové počítače místo bitů využívají kvantové bity nebo qubity, které mohou existovat v superpozici 0 a 1 současně díky jevu nazývanému kvantová superpozice.
Kvantové počítače mají potenciál řešit složité problémy včetně těch, které jsou pro klasické počítače příliš obtížné, jako je faktorizace velkých čísel, optimalizace a simulace kvantových systémů. To má významné dopady na oblasti umělé inteligence a strojového učení, protože kvantové počítače mohou rychleji provádět určité operace, což může zlepšit výkonnost algoritmů a modelů.
R
Náhodný les je ensemble metoda v oblasti strojového učení, která kombinuje několik rozhodovacích stromů. Každý strom v náhodném lese je trénován na jiném podmnožině tréninkových dat a výsledné rozhodnutí je založeno na hlasování. Tato technika zvyšuje robustnost a přesnost modelu.
Regularizace je technika používaná ve strojovém učení k omezení přetrvávajícího přeučení modelu. Toho dosáhneme přidáním dodatečných podmínek nebo sankcí na parametry modelu během tréninku. Regularizace pomáhá modelu generalizovat lépe na nová data a zabránit přílišnému přizpůsobení tréninkovým datům.
Regulace v tomto kontextu se odkazuje na proces a pravidla stanovená vládou nebo regulačními orgány pro dohled nad vývojem, používáním a etikou umělé inteligence. Regulace může zahrnovat předpisy pro ochranu soukromí, transparentnost, bezpečnost a etiku v oblasti AI.
Učení zpětnou vazbou je paradigma strojového učení, kde agent (např. robot nebo program) se snaží naučit optimální akce, které mají být podniknuty v daném prostředí, tak, aby bylo dosaženo maximální odměny. Agent se učí na základě interakcí s prostředím a zpětnou vazbou na své akce.
Licence pro odpovědnou AI se týká právního rámce pro používání a provozování umělých inteligentních systémů s ohledem na etické a společenské záležitosti. Tyto licence mohou obsahovat pravidla a podmínky pro vývoj, nasazení a dohled nad AI systémy s cílem zajistit odpovědné a etické používání této technologie.
Tolerance k riziku se odkazuje na míru, do jaké je organizace nebo jednotlivec ochoten přijmout rizika spojená s nasazením nebo používáním umělé inteligence. Tato tolerance může ovlivnit rozhodnutí o tom, jaký typ AI systému je přijatelný a jak jsou spravována rizika spojená s jeho provozem.
Učení zpětnou vazbou od lidí je technika v oblasti reinforcement learning, kde agent se učí na základě zpětné vazby od lidí, jako jsou instrukce nebo hodnocení. Tato metoda se používá k vylepšení výkonu agenta a zajištění bezpečnosti a spolehlivosti v různých aplikacích AI.
Robotika je interdisciplinární obor, který se zabývá návrhem, vývojem a provozem robotů. V rámci umělé inteligence se robotika často využívá k vývoji autonomních robotů, kteří jsou schopni provádět různé úkoly a interagovat s fyzickým prostředím.
Odolnost se odkazuje na schopnost umělého inteligentního systému udržet výkonnost a přesnost v různých situacích nebo vůči odchylkám od tréninkových dat. Robustní systémy jsou schopny pracovat efektivně i v nepředvídatelných podmínkách nebo při změnách prostředí.
Proces tvorby pravidel se týká postupů a metod, které se používají k vytváření pravidel a směrnic pro používání a regulaci umělé inteligence. Tyto pravidla mohou být stanovena vládou, regulačními orgány nebo organizacemi s cílem řídit etické, právní a bezpečnostní aspekty AI.
S
Učení sebeobslužným způsobem je technika v oblasti strojového učení, kde model se učí z dat, která nejsou explicitně označena nebo anotována. Model se snaží vytvořit úkoly nebo predikce, které mohou být z dat odvozeny, což umožňuje učení na velkém množství nepřevedených dat.
Analýza nálady je proces identifikace a analýzy emocionálního tónu nebo hodnocení obsahu, obvykle textu nebo komentářů. Cílem je určit, zda je nálada pozitivní, negativní nebo neutrální. Sentiment analysis se často používá pro monitorování zpětné vazby zákazníků, analýzu sociálních médií a další aplikace spojené s hodnocením obsahu.
Simulace je proces modelování a replikace reálných situací nebo systémů na základě matematických modelů nebo počítačových programů. V umělé inteligenci se simulace používá pro testování a ladění algoritmů a modelů v různých prostředích a podmínkách.
Singularita se odkazuje na hypotetický bod v budoucnosti, kdy umělá inteligence dosáhne úrovně, kde bude schopna samoorganizace a zlepšování, což může mít nepředvídatelné důsledky pro lidskou společnost. Toto je často diskutované téma v oblasti futurologie a filozofie umělé inteligence.
Analýza sociálních sítí je proces studia interakcí mezi jednotlivci nebo entitami v sociálních sítích. Tento proces zahrnuje analýzu vztahů, komunikačních vzorů, influencí a dalších aspektů sociálních sítí za účelem získání vhledu do sociálních struktur a chování.
Sociálně-technické systémy se týkají komplexních systémů, které zahrnují jak technické, tak sociální komponenty. To zahrnuje interakci mezi technologií, lidmi a organizacemi. V umělé inteligenci může tento koncept odkazovat na systémy, které zahrnují jak technické algoritmy, tak i interakci s lidmi nebo společností.
Rozpoznávání řeči je technologie umožňující strojům rozumět a interpretovat lidskou řeč. Tato technologie se používá v různých aplikacích, včetně hlasových asistentů, rozpoznávání hlasu a transkripce.
Stochastické modelování zahrnuje použití stochastických procesů nebo náhodných proměnných k modelování náhodných jevů nebo událostí. Tato technika se používá pro analýzu a predikci událostí, které mají prvek náhody, a může být použita v různých oblastech, včetně pravděpodobnostního programování a simulace.
Metoda podpůrných vektorů je algoritmus strojového učení používaný pro klasifikaci a regresi. Tento algoritmus hledá hyperrovinu v prostoru dat, která nejlépe odděluje různé třídy nebo hodnoty. SVM je efektivní pro problémy s lineární i nelineární separací dat.
Inteligence hejna je inspirací z chování hejn a skupin v přírodě, které se používá v algoritmech pro řešení složitých problémů. Tato technika využívá kolektivního chování malých jednotek (agentů), kteří spolupracují na řešení úkolu. Swarm inteligence má aplikace například v optimalizaci a routování.
Symbolická umělá inteligence se zaměřuje na zpracování a manipulaci symbolických dat a znalostí za účelem řešení problémů. Tato metoda zahrnuje symbolickou reprezentaci znalostí a používá logické operace k získávání výsledků.
Syntetická data jsou uměle vytvořená data, která simulují reálná data, ale nejsou získávána z reálných zdrojů. Tato data jsou často používána pro účely tréninku a testování modelů strojového učení a umělé inteligence, kdy je obtížné nebo nemožné získat dostatečné množství reálných dat. Syntetická data mohou být generována pomocí různých metod, včetně generativních modelů.
Systémová zkreslenost se odkazuje na opakující se a systematické chyby nebo zkreslení v datech, modelech nebo algoritmech, které mohou vést k nespravedlivým nebo nesprávným rozhodnutím. Tato zkreslenost může vzniknout z různých důvodů, včetně nepřesných dat, nevyváženého tréninkového souboru nebo algoritmických chyb.
T
Technický důkaz se týká empirických nebo experimentálních důkazů, které podporují technické tvrzení nebo hypotézu. V kontextu umělé inteligence může technický důkaz zahrnovat výsledky experimentů, výkonové metriky nebo důkazy o funkčnosti algoritmů a modelů.
Technologická singularita je hypotetický bod v budoucnosti, kdy umělá inteligence a technologický rozvoj dosáhnou úrovně, kdy se stávají samo-zlepšujícími a mohou dramaticky překročit lidskou inteligenci a kontrolu. To může mít významné důsledky pro společnost a kulturu.
TensorFlow je open-source knihovna pro strojové učení a hluboké učení vyvinutá společností Google. Její hlavní funkcí je podpora pro tvorbu a trénink neuronových sítí a modelů strojového učení. TensorFlow je jednou z nejpopulárnějších knihoven v oblasti strojového učení a umožňuje vytváření složitých modelů a experimentování s nimi.
Textové dolování je proces analýzy a extrakce informací z textových dat. Tato technika zahrnuje identifikaci vzorů, klíčových slov, entit a dalších informací ve velkém množství textu. Textové dolování má široké aplikace, včetně analýzy sentimentu, klasifikace textu a extrakce informací.
Převod textu na obrázek je technologie, která umožňuje generovat vizuální obsah na základě textového popisu. Tato technika může být využita k tvorbě obrázků, ilustrací a grafiky na základě textových instrukcí.
Převod textu na video je technologie, která umožňuje generovat videa na základě textového popisu nebo scénáře. Tato technika může být využita k tvorbě animací, videoklipů a dalšího videového obsahu.
TinyML je termín používaný pro implementaci strojového učení na velmi malých a energeticky efektivních zařízeních, jako jsou mikrokontroléry, mikroprocesory a zařízení IoT (Internet of Things). Cílem TinyML je umožnit provádění strojového učení na těchto zařízeních s omezenými zdroji, což umožňuje lokální analýzu dat a rychlou reakci bez nutnosti spojení s cloudem. TinyML má široké využití v různých aplikacích, včetně senzorického zpracování dat a rozpoznávání vzorů na zařízeních s omezenými výpočetními možnostmi.
Token je základní jednotka textu nebo kódu v analýze textu. V kontextu umělé inteligence může token představovat jedno slovo, číslo nebo jiný textový prvek. Tokenizace je proces rozdělení textu na tyto jednotky pro další zpracování.
Tensorová procesní jednotka (TPU) je speciální hardwarová akcelerace vyvinutá společností Google pro rychlé provádění operací s tenzory v modelu strojového učení. TPU je navržena pro vysoký výkon a efektivitu pro trénink a inference modelů strojového učení.
Tréninková data jsou soubor dat použitý pro trénink a ladění modelů strojového učení. Tato data obsahují vzory, na základě kterých se model učí a zlepšuje své výkonnosti. Tréninková data jsou klíčovým prvkem ve vývoji a tréninku umělých inteligentních systémů.
Přenos učení je technika ve strojovém učení, kde model, který byl vyškolen na jednom úkolu, je použit nebo přizpůsoben pro řešení jiného úkolu. Tato technika umožňuje modelům využívat znalosti a dovednosti nabyté při tréninku na jednom úkolu pro zlepšení výkonu na jiném úkolu.
Transformační umělá inteligence se odkazuje na AI systémy, které mají potenciál dramaticky změnit nebo transformovat různé odvětví a aspekty lidského života. Tyto systémy mohou zahrnovat pokročilé technologie, které revolučně ovlivňují způsob, jakým provádíme práci, komunikujeme nebo žijeme.
Transformer je architektura neuronové sítě, která byla poprvé představena v kontextu zpracování přirozeného jazyka. Tato architektura je známá svou schopností paralelního zpracování a dosáhla vynikajících výsledků v různých úkolech, jako je strojový překlad, analýza sentimentu a generování textu.
Transparentnost se týká schopnosti porozumět a vysledovat rozhodnutí a fungování umělé inteligence. Transparentní systémy umožňují uživatelům a odborníkům sledovat, jak modely AI provádějí své rozhodnutí a jak jsou trénovány. Transparentnost je důležitá pro etické a odpovědné používání umělé inteligence.
Riziko důvěry se týká možných nebezpečí nebo problémů spojených s důvěrou v umělou inteligenci. To může zahrnovat riziko nesprávných rozhodnutí AI, narušení soukromí, zneužití technologie nebo další faktory, které mohou snižovat důvěru v AI systémy.
Turingův test je test navržený Alanem Turingem, který slouží k posouzení schopnosti stroje (nejčastěji počítače) imitovat lidskou inteligenci. V testu komunikuje člověk s počítačem a snaží se určit, zda interakce je tak přirozená, že by mohla být považována za lidskou. Pokud počítač přesvědčí člověka, že je člověkem, je považován za úspěšný v Turingově testu. Tento test byl klíčovým prvkem v rozvoji teorie umělé inteligence.
U
Model nechápe dobře souvislost mezi daty, začne je predikovat špatně a tím pádem má zbytečně velkou ztrátu a malou přesnost
Paradigma strojového učení, kde model je trénován na základě nepozorovaných dat, což znamená, že data nejsou explicitně označena ani anotována. Cílem je odhalit strukturu, vzory nebo skryté informace v datech. To může zahrnovat úkoly, jako je shlukování (clustering) nebo snížení dimenzionality dat (dimensionality reduction). V nepozorovaném učení není modelu předávána žádná výsledná hodnota, na rozdíl od učení s učitelem (supervised learning), kde jsou data označena pro tréninkový účel.
V
Virtuální asistent je program nebo aplikace, která je navržena k tomu, aby pomáhala lidem s různými úkoly nebo účely. Tito asistenti mohou být hlasoví (hlasoví asistenti), textoví nebo kombinace obou. Mohou provádět různé úkoly, jako je odpovídání na otázky, plánování událostí, hledání informací a další.
Virtuální realita (VR) je technologie, která vytváří počítačem generovaný prostor nebo prostředí, které může uživatel prozkoumávat a interagovat s ním pomocí speciálního hardwaru, jako jsou VR brýle nebo headsety. Tato technologie umožňuje uživatelům ponořit se do simulovaného světa, kde mohou provádět různé činnosti, jako je hraní her, prohlížení virtuálních prostor nebo trénink v simulovaném prostředí. Umělá inteligence může být použita v rámci VR pro vytváření realističtějšího a interaktivnějšího virtuálního prostoru.
W
Forma umělé inteligence, která je omezena na řešení konkrétních úkolů nebo úkolových domén. Tato forma AI nemá schopnost myšlení, rozumování nebo vědomí, ačkoliv může být velmi schopná v konkrétním omezeném prostředí.
Slabá umělá inteligence je navržena tak, aby prováděla úkoly na základě předem definovaných pravidel a algoritmů. Tato AI nemá schopnost učit se z nových dat nebo adaptovat se na nové situace mimo svou původní doménu. Slabá umělá inteligence je často využívána v konkrétních aplikacích, jako jsou hlasoví asistenti, chatboti, systémy pro rozpoznávání obrazů a další.
Y
Jotabajt (YB) je jednotka datového objemu, která je ještě větší než zetabajt. Jeden jotabajt odpovídá 1 024 zetabajtům nebo 1 208 925 819 614 629 174 706 176 bajtům. Jotabajt se obvykle používá k měření velmi velkých datových objemů, jako jsou objemy dat v globálních datových sítích, datových centrech nebo velmi rozsáhlých datových souborech.
Jotabajt (YB) je jednotka datového objemu, která je ještě větší než zetabajt. Jeden jotabajt odpovídá 1 024 zetabajtům nebo 1 208 925 819 614 629 174 706 176 bajtům. Jotabajt se obvykle používá k měření velmi velkých datových objemů, jako jsou objemy dat v globálních datových sítích, datových centrech nebo velmi rozsáhlých datových souborech.
Z
Exploit nulového dne (zero-day exploit) je druh počítačového útoku, který zneužívá bezpečnostní chybu nebo zranitelnost v software, přičemž útočník již ví o této chybě předtím, než byla zveřejněna nebo opravena (tj. „nulový den“ je den, kdy vývojáři software o zranitelnosti ještě neví). To umožňuje útočníkovi zaútočit na systémy nebo aplikace, než byly implementovány bezpečnostní opravy. Zero-day exploity jsou obvykle velmi nebezpečné a vyžadují rychlou reakci k zajištění bezpečnosti systémů.
Učení bez vzoru je technika ve strojovém učení, kde model je trénován na rozpoznávání tříd nebo kategorií, pro které nebyl předem trénován nebo nemá dostatek tréninkových příkladů. To znamená, že model může generalizovat a rozpoznávat nové třídy, které nejsou součástí jeho tréninkového souboru. Tato technika je užitečná tam, kde je obtížné nebo nemožné získat velké množství tréninkových dat pro všechny možné třídy nebo kategorie.
Zetabajt (ZB) je jednotka datového objemu, která je velmi velká. Jeden zetabajt odpovídá 1 024 exabajtům nebo 1 180 591 620 717 411 303 424 bajtům. Zetabajt se používá k měření obrovských datových objemů, jako jsou objemy dat uložených na globálních serverech, datových centrech, nebo objemy dat generovaných a ukládaných v rámci digitálního světa.
