Глоссарий ИИ-терминов

Метод, который восстанавливает объёмную модель объекта или сцены по фотографиям, видео, сканам или данным датчиков.

Передача повторяющихся действий системе, которая выполняет их по правилам, данным или решениям ИИ без постоянного ручного участия.

Использование ИИ для выполнения повторяющихся задач, передачи данных между сервисами и поддержки многошаговых рабочих сценариев.

Подход, при котором система помогает автоматически подбирать модели, признаки, параметры и этапы обучения.

Технология, которая превращает устную речь в текст с помощью обработки звука и моделей языка.

Область ИИ, где системы пытаются делать логические выводы, доказывать утверждения и решать задачи по формальным правилам.

Способность робота, дрона, автомобиля или другой системы самостоятельно ориентироваться и двигаться в пространстве.

Модели, которые предсказывают следующий элемент последовательности, опираясь на предыдущие элементы.

Проверка того, какие данные и действия разрешены уже аутентифицированному пользователю или сервису.

Нейросетевые модели, которые учатся сжимать данные в компактное представление и восстанавливать их обратно.

Метод моделирования, где поведение системы описывается через множество отдельных агентов с собственными правилами.

ИИ-системы, которые могут планировать действия, использовать инструменты и выполнять задачу в несколько шагов с ограниченным участием человека.

Метод группировки данных, который постепенно объединяет похожие объекты в кластеры.

Метод машинного обучения, при котором модель сама выбирает самые полезные примеры для разметки человеком.

Подход в распознавании речи, который связывает звуковой сигнал с вероятными звуками, слогами или словами.

Британский математик и один из ключевых учёных, чьи идеи стали основой информатики и размышлений об искусственном интеллекте.

Итерационная процедура, чередующая оценку скрытых переменных и обновление параметров

метод обучения с подкреплением, который обновляет оценку действия на основе состояния, действия, награды, следующего состояния и следующего действия

Ситуация, когда автоматическая система несправедливо ухудшает положение людей из-за признаков, данных или правил принятия решений.

Подход, при котором решения алгоритмов должны быть управляемыми, проверяемыми и связанными с ответственными людьми или организациями.

Способность объяснить, как работает алгоритм, какие данные он использует и почему принимает те или иные решения.

Набор методов, которые автоматически группируют похожие объекты по признакам.

методы перебора, выбора и навигации по возможным состояниям, решениям или путям к цели

изучение данных, упорядоченных во времени, чтобы находить тренды, сезонность, выбросы и прогнозы

Исследование связного текста или диалога, где важны контекст, структура и смысловые переходы

изучение звука через визуальное представление частот, амплитуды и времени

задача определения эмоциональной окраски текста, например положительной, отрицательной, нейтральной или смешанной

Подходы, где несколько моделей объединяются для более устойчивого и точного результата

Метод поиска часто встречающихся связей и правил в наборах данных, особенно в корзинах покупок и транзакциях.

Мысленный эксперимент о том, означает ли правильный ответ системы настоящее понимание смысла.

подход к кибербезопасности, где доступ не считается надёжным по умолчанию и постоянно проверяется для пользователей, устройств и ресурсов

Метод обучения с подкреплением, где несколько агентов параллельно учатся и обновляют общую модель.

Проверка ИИ-системы на качество, риски, безопасность, справедливость, соответствие требованиям и пригодность к реальному использованию.

Процесс регулярной проверки ИИ-системы, её данных, поведения, документации и последствий использования.

Проверка личности пользователя, сервиса или устройства перед доступом к системе.

Системы хранения, которые помогают моделям быстро получать, искать и обновлять нужную информацию

нереляционные базы данных для гибких структур, больших объемов, документов, графов, ключ-значений или распределенного хранения.

Метод поиска хороших параметров, когда каждая проверка дорогая или долгая.

Графическая модель, которая показывает вероятностные связи между событиями или признаками.

Способ обновлять оценку вероятности по мере появления новых данных.

Защита данных от несанкционированного доступа, изменения, уничтожения и утечки.

Область, которая занимается снижением рисков от ошибок, злоупотреблений, непредсказуемого поведения и вредных последствий ИИ-систем.

Защита ИИ-систем от атак, утечек, злоупотреблений, несанкционированного доступа и опасного поведения.

криптографический подход, при котором несколько сторон совместно вычисляют результат, не раскрывая друг другу исходные данные

транспортные системы, которые используют датчики, карты, компьютерное зрение, планирование и управление для движения без постоянного водителя

летательные устройства без пилота на борту, которые могут управляться удаленно или частично автономно с помощью датчиков и алгоритмов

наземные роботы или транспортные платформы без водителя, которые перемещаются по среде с помощью датчиков и алгоритмов управления

модель запуска кода, где разработчик не управляет серверами напрямую, а платит за выполнение функций или задач

облачный формат доступа к графическим ускорителям без постоянного управления собственной серверной инфраструктурой

Политическая рамка США о защите людей при использовании автоматизированных систем и искусственного интеллекта.

Защита доступа с помощью биометрических признаков: лица, голоса, отпечатка, радужки или поведения.

Использование распределенного реестра для учета данных, прав, происхождения моделей или операций ИИ-систем.

Очень крупные, быстрые или разнообразные наборы данных, которые требуют специальных подходов к хранению и обработке.

модели, которые работают сразу с несколькими типами данных: текстом, изображениями, звуком, видео или документами

крупные модели, обученные на больших корпусах текста и других данных для работы с языком и инструкциями

Метод ансамблевого обучения, где модели строятся последовательно и каждая новая исправляет ошибки предыдущих.

Метод ансамблевого обучения, где несколько моделей обучаются на разных подвыборках данных, а затем их ответы объединяются.

Оценка того, какие признаки сильнее всего влияют на предсказания модели

хранилище для эмбеддингов, которое позволяет быстро искать объекты по смысловой близости, а не только по точному совпадению слов

Числовые описания объектов, позволяющие сравнивать смысл, похожесть и связи

числовые векторы, которые кодируют смысловые и контекстные свойства слов для машинной обработки языка

Учет версий наборов данных, чтобы понимать, на каких данных обучалась или проверялась модель.

Числовые параметры нейросети, которые определяют, как модель преобразует входные данные в ответ.

раздел математики, изучающий действительные числа, пределы, непрерывность, производные, интегралы и последовательности

область, изучающая, как люди и роботы общаются, совместно работают и безопасно делят пространство

Способ показать, как модель разделяет пространство признаков между разными классами

Представление данных в виде графиков, диаграмм, карт и панелей, чтобы быстрее увидеть закономерности

изменения в работе, профессиях и навыках, которые возникают из-за автоматизации и ИИ-инструментов

Метки или сигналы, которые помогают определить, что контент был создан или изменён с помощью искусственного интеллекта.

ИИ, который действует в физической или симулированной среде через тело, робота или агента

способность ИИ-системы получать сигналы из мира и превращать их в пригодные для решения признаки и представления.

способность повторить эксперимент, обучение модели или аналитический результат при тех же данных, коде и настройках

этап, когда обученная модель применяет свои параметры к новому запросу и выдает результат

подход к решению тяжелых задач с помощью мощных серверов, ускорителей и параллельных вычислений

Моделирование движения жидкостей и газов с помощью численных методов и вычислений.

Оценка того, сколько времени, памяти или операций требуется алгоритму при росте размера задачи.

Идея описывать убеждения, намерения и поведение агента через вычислимые модели.

Ошибки, при которых ИИ уверенно выдаёт выдуманную, неточную или неподтверждённую информацию.

вероятностная модель, которая описывает данные как сочетание нескольких нормальных распределений

архитектура нейросетей, где генератор создает данные, а дискриминатор учится отличать их от настоящих

модели, которые изучают распределение данных и создают новые примеры, похожие на обучающие

системы искусственного интеллекта, которые создают новый текст, изображения, звук, видео, код или другие материалы

создание звука, музыки, эффектов или речи на основе текстового описания и настроек пользователя

создание коротких видеороликов или сцен по текстовому описанию, раскадровке или набору параметров

создание связного текста по данным, инструкции, структуре или контексту пользователя.

Создание картинок, иллюстраций, концептов и визуальных материалов с помощью нейросетей по тексту, референсу или настройкам.

создание изображения по текстовому описанию, где пользователь задаёт объект, стиль, композицию и детали сцены

Создание мелодий, аранжировок, битов, фоновой музыки или вокальных фрагментов с помощью нейросетей.

создание искусственных данных, похожих на реальные, для обучения, тестирования, демонстраций или защиты конфиденциальности

методы оптимизации, вдохновленные отбором, мутациями и скрещиванием решений

философская идея о том, что воспринимаемая реальность может быть созданной вычислительной симуляцией

график, который показывает распределение числовых значений по интервалам

признак компьютерного зрения, который описывает формы через направления границ и перепады яркости

совместная работа стран, компаний, исследователей и организаций над правилами, безопасностью и доступностью ИИ

Многослойные вероятностные нейросети для поиска скрытых представлений в данных

Метод обучения с подкреплением, где нейросеть оценивает ценность действий в разных состояниях

Подход, где многослойные нейросети сами находят полезные представления в больших данных

Подход, где агент учится действовать через награды, используя нейросети для сложных состояний

распознавание или проверка человека по особенностям голоса, речи и акустических признаков

базовый метод оптимизации, который постепенно изменяет параметры модели в сторону меньшей ошибки

методы обучения с подкреплением, которые напрямую оптимизируют стратегию агента по ожидаемой награде.

визуализации, показывающие, как изменение одного признака связано с прогнозом модели при усреднении остальных факторов.

вычислительные устройства, которые хорошо подходят для параллельных операций с матрицами и тензорами

нейросети, которые работают с данными в виде узлов и связей между ними

структуры, которые хранят сущности и связи между ними в виде графа

данные, которые заметно отличаются от примеров, на которых модель обучалась и проверялась.

устройства, которые измеряют свойства физического мира и передают роботу или ИИ-системе данные о среде

системы, которые применяют правила, логику, знания или модели для вывода новых утверждений и решений

Намеренное распространение ложной или вводящей в заблуждение информации для влияния на людей

Исследователь и предприниматель в сфере ИИ, связанный с созданием и руководством Google DeepMind

Расширение доступа к ИИ-технологиям для людей, малого бизнеса, разработчиков, образования и организаций без больших ресурсов.

Модели, которые принимают решение через последовательность вопросов, ветвлений и конечных ответов

ученый, один из ключевых исследователей нейронных сетей и глубокого обучения

ученый-информатик, связанный с ранним развитием искусственного интеллекта и языком Lisp

График, который показывает распределение данных через медиану, квартильные границы и выбросы.

график, где каждая точка показывает пару значений и помогает увидеть связь, кластеры, выбросы или нелинейную структуру данных

Программы, которые ведут разговор с пользователем через текст, голос или смешанный интерфейс

Системы, состояние которых меняется во времени по правилам, уравнениям или обратной связи

Синтетические фото, видео или аудио, где человек выглядит или звучит так, будто сделал то, чего не делал

Раздел математики о конечных и счетных объектах, включая графы, множества, логику и комбинаторику

метод, при котором меньшая модель учится повторять поведение более крупной или сложной модели

Подход к защите данных, при котором итоговая статистика не раскрывает участие конкретного человека

Эволюционный алгоритм оптимизации, который улучшает решения через различия между кандидатами

Математический способ описывать процессы, где изменение величины зависит от состояния системы и времени

Генеративные модели, которые учатся превращать шум в осмысленные изображения, звук или другие данные

Дополнительное обучение готовой модели на данных конкретной задачи, домена или стиля

настройка модели на наборах запросов и правильных ответов, чтобы она лучше следовала человеческим инструкциям

Технология, которая накладывает цифровые объекты, подсказки или данные на изображение реального мира.

Изменение распределения входных данных после запуска модели.

Изменение связи между входными данными и правильным ответом со временем.

ухудшение поведения модели со временем из-за изменений данных, пользователей, среды или бизнес-процесса.

Беспилотные устройства, которые могут использовать ИИ для навигации, съемки и распознавания объектов

Получение данных из источников и передача их в хранилище, конвейер или систему обработки.

гипотетическая идея переноса или копирования человеческого сознания в цифровую систему.

задача выбора между вариантами, где нужно балансировать исследование новых действий и использование уже успешных.

Класс задач, где нужно найти решение, одновременно соблюдающее набор правил и условий.

статистический принцип, по которому среднее значение по большой выборке приближается к ожидаемому значению

Европейский регламент, который вводит риск-ориентированные правила для разработки, продажи и использования ИИ-систем.

Закон штата Калифорния о правах потребителей в отношении персональной информации, собираемой бизнесом.

Законы и правовые нормы, которые регулируют создание, продажу, внедрение и использование систем искусственного интеллекта.

эмпирические зависимости, которые связывают качество моделей с размером модели, объёмом данных и вычислениями

Правовые нормы, регулирующие сбор, хранение, обработку, передачу и удаление персональных данных.

Технические и организационные меры, которые предотвращают потерю, утечку, злоупотребление или незаконную обработку данных.

Правила, фильтры и технические барьеры, которые помогают удерживать ИИ-систему в безопасных и допустимых рамках.

аппаратные механизмы и устройства, которые помогают изолировать вычисления, хранить ключи и снижать риск физического или программного взлома

правила обмена данными, которые используют шифрование, проверку подлинности и контроль целостности

Период спада интереса, финансирования и ожиданий к искусственному интеллекту после завышенных обещаний и слабых результатов.

метод объяснения предсказаний модели через оценку вклада каждого признака в конкретный результат

подход, где сложная задача разбивается на уровни, подцели и более простые действия агента

Получение полезных числовых описаний из текста, изображений, звука или других сырых данных

Использование искусственного интеллекта в оборонных, разведывательных, кибернетических и автономных военных системах.

Системы, которые играют в настольные, компьютерные или симуляционные игры, выбирая стратегии и действия

Применение искусственного интеллекта для анализа, прогнозирования и снижения климатических рисков.

Направление, где ИИ используют для экологических, социальных и экономических задач, а также оценивают его собственное влияние на ресурсы.

Модель доступа, при которой функции искусственного интеллекта предоставляются через облачный сервис, API или готовый веб-интерфейс.

Запуск моделей ИИ прямо на устройстве рядом с источником данных, а не только в облаке

Программы на базе ИИ, которые могут выполнять задачи через планирование, память, инструменты и последовательность действий.

Цифровые помощники на базе ИИ, которые отвечают на вопросы, помогают с задачами, текстами, поиском, кодом или организацией работы.

Способность понимать возможности, ограничения, риски и правила безопасного использования искусственного интеллекта.

Тексты, изображения, аудио, видео, код или другие материалы, созданные полностью или частично с помощью искусственного интеллекта.

Предприниматель, связанный с публичными инициативами и компаниями в сфере ИИ и технологий

исследователь в области глубокого обучения и один из известных участников развития современных языковых моделей

Моделирование процесса как последовательности отдельных событий, меняющих состояние системы

метод оптимизации, который иногда принимает ухудшающие шаги, чтобы не застрять в локальном минимуме

Метрика качества кластеризации, сравнивающая компактность групп и расстояния между ними

сервисы и методы, которые помогают понять, какие признаки и факторы повлияли на решение модели.

Объединение данных из разных источников в согласованную структуру для анализа или обучения моделей.

системы, которые воспринимают среду, принимают решения и выполняют действия для достижения цели

Поиск закономерностей, групп, связей и полезных сигналов в больших наборах данных.

способность понять, почему модель дала конкретный результат или какие факторы на него повлияли

раздел статистики, который делает выводы о генеральной совокупности по выборке данных

согласие человека на обработку данных или участие в процессе после понятного объяснения целей, рисков и прав

подход, при котором серверы, сети, контейнеры и окружения описываются конфигурационными файлами

атака на ИИ-приложение, при которой вредоносный текст заставляет модель игнорировать исходные правила или раскрывать лишнюю информацию

Модели машинного обучения, вдохновлённые сетью взаимосвязанных узлов, которые учатся преобразовывать данные в нужный результат.

Общее название технологий, которые позволяют компьютерам выполнять задачи, обычно требующие человеческого интеллекта.

Гипотетический ИИ, который значительно превосходит человека почти во всех интеллектуальных задачах.

Физические компоненты робота или системы, которые превращают команду алгоритма в действие: движение, нажатие, поворот или захват.

способность языковой модели обращаться к внешним функциям, поиску, API, базам данных или действиям вместо простого текстового ответа

Выбор между пробой новых действий и применением уже известного хорошего варианта

исследователь глубокого обучения, известный вкладом в нейронные сети, представления данных и развитие современной школы ИИ

исследователь, предприниматель и инвестор, связанный с развитием ИИ в США и Китае

Согласование уверенности модели с реальной вероятностью правильного ответа.

Постепенный запуск новой версии системы на небольшой доле пользователей перед полным выкатыванием.

Архитектура нейросетей, которая пытается лучше учитывать части объекта и их взаимное положение.

визуализации, которые показывают, какие области изображения или признаки сильнее повлияли на ответ модели

структурированные документы о модели: назначении, данных, метриках, ограничениях, рисках и условиях применения.

Система учета наборов данных, их владельцев, описаний, источников, качества и прав доступа.

Проблема, когда модель после обучения новой задаче резко теряет качество на старых задачах.

Степень полноты, точности, актуальности, согласованности и пригодности данных для задачи.

сжатие чисел внутри модели до менее точного формата, чтобы уменьшить размер, ускорить вычисления и снизить требования к памяти

исследовательское направление на стыке квантовых вычислений и методов машинного обучения

вычислительный подход, использующий свойства квантовых систем для представления и обработки информации

Сбор и анализ сведений о киберугрозах, злоумышленниках, уязвимостях и признаках атак.

описание движения робота через положения, углы, скорости и связи между его звеньями без учёта сил

Задача машинного обучения, где объект нужно отнести к одному или нескольким классам.

Задача, в которой ИИ определяет тип звука, событие, речь, музыку, шум или другое аудио-состояние.

задача компьютерного зрения, где изображению присваивается один или несколько классов

Метод поиска групп похожих объектов без заранее заданных классов.

алгоритм, который делит данные на заданное число групп по близости к центрам кластеров

создание искусственного голоса, похожего на голос конкретного человека, по образцам записи или описанию

Модели устройства интеллектуальной системы, которые описывают память, цели, восприятие и принятие решений.

Подход к созданию систем, которые имитируют отдельные элементы человеческого анализа и принятия решений.

число обучаемых весов и других настраиваемых элементов модели, влияющее на размер, стоимость и возможности.

Метод рекомендаций, который опирается на сходство пользователей, товаров и их прошлых действий.

Соответствие продукта, данных и процессов внутренним правилам, законам, стандартам и требованиям отрасли.

Раздел математики о функциях комплексной переменной, который встречается в сигналах, моделировании и некоторых численных методах.

Баланс между слишком простой моделью и моделью, которая переучилась на случайные детали данных.

Последовательность шагов, которая собирает, очищает, преобразует и передает данные в аналитику или модель.

последовательности шагов обработки данных, обучения модели, проверки, развертывания или генерации результата.

Адреса или маршруты API, через которые приложение обращается к конкретной функции сервиса.

Метод обучения ИИ, где поведение модели направляют через набор принципов и правил.

Создание полезных признаков из исходных данных, чтобы модель лучше решала задачу

Упаковка приложения и его зависимостей в изолированную среду, которую проще переносить и запускать.

Объем текста, изображений или других данных, который модель может учитывать в одном запросе.

учёт изменений моделей, весов, датасетов, настроек и метрик, чтобы можно было понимать, какая версия где работает

право и набор практик, которые защищают личную информацию человека от лишнего сбора, раскрытия и использования

Защита личной и чувствительной информации от лишнего сбора, раскрытия и несанкционированного использования.

Представление знаний в виде узлов и связей между понятиями.

Статистическая связь между двумя величинами, показывающая, как они меняются вместе.

метрика регрессии, которая показывает, какую долю изменчивости целевой величины объясняет модель

метрика кластеризации, которая оценивает, насколько объект похож на свой кластер и отличается от соседних кластеров

атака, при которой злоумышленник пытается восстановить поведение или параметры модели по запросам, ответам или утечкам.

график, который показывает, как качество модели меняется при разных значениях параметра или сложности модели

график, который показывает, как качество модели меняется по мере обучения или роста объема данных

Проверка модели на нескольких разбиениях данных, чтобы устойчивее оценить качество.

внутреннее пространство признаков, где модель представляет объекты в более компактной и смысловой форме

вероятностный метод тематического моделирования, который ищет скрытые темы в коллекции документов

приведение слов к базовой словарной форме с учетом языка и грамматики

ограничение на количество текстовых единиц, которые модель может принять, удержать в контексте или выдать в ответе

раздел математики о векторах, матрицах, пространствах и линейных преобразованиях

модель, которая описывает связь между признаками и числовой целью через линейную функцию

метрика и функция потерь, которая оценивает качество вероятностных предсказаний классификации

формальная логика, где утверждения принимают значения истинно или ложно и соединяются операторами «и», «или», «не», «если»

Формальная система для описания объектов, свойств, отношений и правил вывода

модель классификации, которая оценивает вероятность принадлежности объекта к классу

подход, где программу описывают через факты и правила, а система выводит ответы логическим способом

американский ученый и один из ранних лидеров исследований искусственного интеллекта, связанных с когнитивными моделями и робототехникой.

Площадки, где можно находить, сравнивать, покупать или подключать ИИ-инструменты, модели, агентов и готовые решения.

Присвоение данным меток, классов или аннотаций для обучения и проверки моделей.

модели, которые описывают систему через состояния и вероятности перехода между ними, часто для последовательностей и решений.

формальная модель выбора действий, где агент получает состояние, выбирает действие и получает награду при вероятностном переходе.

языковые модели, которые учатся восстанавливать скрытые фрагменты текста по окружающему контексту.

подходы к контролю сложных ИИ-систем, когда человеку трудно вручную проверить каждый ответ, действие или шаг рассуждения

Раздел математики о производных, интегралах и изменениях величин, лежащий в основе обучения нейросетей.

Таблица взаимных корреляций между несколькими признаками.

Таблица, которая показывает, какие классы модель распознала правильно, а где перепутала ответы.

способность робота воспринимать окружающую среду через камеры и модели компьютерного зрения

область ИИ, где системы учатся находить закономерности в данных и делать прогнозы или решения без ручного описания всех правил

подходы к обучению и применению моделей, при которых чувствительные данные остаются защищёнными или не покидают контролируемую среду

гипотетическая и спорная идея о том, может ли машина обладать субъективным опытом или сознанием

автоматический перевод текста или речи с одного языка на другой с помощью языковых моделей и статистических методов.

ансамблевый метод, который строит последовательность моделей и каждая следующая исправляет ошибки предыдущих

числовые признаки звука, которые приближенно отражают восприятие частот человеком и часто применяются в анализе речи.

подход, при котором модель учится быстрее осваивать новые задачи на основе опыта обучения на предыдущих задачах.

метод снижения размерности, который преобразует признаки в новые оси, сохраняющие как можно больше вариативности данных.

Численный метод инженерного анализа, где сложный объект разбивается на множество маленьких элементов

семейство методов, которые строят цепочку случайных состояний, чтобы приближенно оценивать сложные вероятностные распределения.

алгоритм машинного обучения, который строит границу между классами, опираясь на самые важные обучающие примеры

алгоритм, который делает прогноз по самым похожим примерам из обучающей выборки

Класс методов обучения с подкреплением, где один компонент выбирает действия, а другой оценивает их пользу.

Приемы выбора подходящих графиков для сравнения, распределений, связей, времени и состава данных

методы приближенных расчетов через множество случайных испытаний, когда точное решение слишком сложное или дорогое.

Компоненты нейросетей, которые помогают модели выделять важные части входных данных и учитывать связи между ними.

программные компоненты, которые запускают обученные модели и обслуживают запросы к ним

направление анализа нейросетей, которое пытается понять внутренние механизмы модели, а не только объяснить отдельный ответ.

архитектурный подход, где продукт состоит из небольших самостоятельных сервисов, каждый из которых отвечает за отдельную функцию.

вариант градиентного спуска, где параметры модели обновляются по небольшим группам примеров, а не по всей выборке сразу.

роботы, которые перемещаются в пространстве и используют датчики, планирование и управление для выполнения задач.

генеративные модели, которые создают или редактируют видеоряд по тексту, изображению, сценарию или другому условию

ИИ-модели, которые создают, дополняют, объясняют или исправляют программный код по запросу.

вероятностные модели последовательностей, где следующее состояние зависит прежде всего от текущего состояния, а не от всей истории.

внутренние модели среды, которые помогают агенту предсказывать последствия действий и планировать поведение

модели, которые могут учитывать большой объем текста, документов или истории диалога внутри одного запроса

Класс генеративных моделей, которые стремятся получать качественный результат за меньшее число шагов.

семейство языковых моделей на архитектуре трансформеров, которые генерируют и понимают текст на основе контекста

описание бизнес-, производственного или вычислительного процесса в виде шагов, состояний, правил и зависимостей

Простой способ представить текст как набор слов и их частот без учёта порядка и грамматики.

сбор метрик, событий и логов, чтобы понимать состояние системы, расследовать ошибки и контролировать качество.

постоянное отслеживание качества, задержки, ошибок, дрейфа данных и поведения модели после запуска.

концепция ИИ-систем, которые принимают решения с этическими последствиями и требуют правил ответственности.

ИИ, который работает сразу с несколькими типами данных: текстом, изображениями, звуком, видео или действиями.

использование камер, микрофонов, датчиков и моделей анализа данных для автоматического мониторинга людей, объектов или событий

подход к созданию ИИ-систем, которые должны быть безопасными, надёжными, справедливыми, прозрачными и управляемыми

оценка не только финального ответа модели, но и промежуточных шагов, рассуждений или действий, которые привели к результату

вероятностный алгоритм классификации, который использует теорему Байеса и упрощающее предположение о независимости признаков.

классификатор на основе наивного байесовского подхода, популярный для быстрых текстовых и табличных задач.

процесс выбора параметров обучения и архитектуры, которые не подбираются моделью напрямую

обучение или донастройка модели с учетом человеческих или пользовательских предпочтений к качеству ответов.

ситуация, когда модель слишком проста или плохо настроена и не улавливает важные закономерности даже в обучающих данных

подход к вычислениям, вдохновленный работой нервной системы и использующий специализированные схемы или событийные модели.

модели машинного обучения из связанных слоев и параметров, которые учатся находить закономерности в данных.

специализированный процессор или блок ускорения, рассчитанный на эффективный запуск задач ИИ, особенно на устройстве пользователя.

Практика автоматической проверки, сборки и развертывания изменений в коде, данных или моделях.

Подход, при котором модель постепенно учится на новых данных, не забывая прежние знания.

Ситуация, когда одних примеров в данных намного больше, чем других.

ситуация, когда одних классов или случаев в выборке намного больше, чем других

философ, известный работами о рисках искусственного интеллекта, сверхинтеллекте и долгосрочном будущем человечества.

Метод в глубоких нейросетях, который стабилизирует распределение значений внутри слоя и помогает ускорить обучение.

метод стабилизации обучения нейросетей за счет нормализации активаций внутри слоя

Онлайн-среда для запуска кода, экспериментов с данными и обучения моделей в интерактивных блокнотах.

Использование удаленных серверов и сервисов для хранения, обработки данных и запуска приложений.

Сервисы, которые дают доступ к моделям, вычислениям, хранилищам, API и инструментам развертывания через облако.

Методы поиска необычных событий, объектов или паттернов, которые заметно отличаются от нормального поведения данных.

Поиск необычных действий, событий или сетевой активности, которые могут указывать на атаку, утечку или компрометацию.

Метод компьютерного зрения, который находит контуры и резкие переходы на изображении

метод компьютерного зрения, который определяет изменение положения объектов или пикселей между кадрами.

задача компьютерного зрения, где модель находит объекты на изображении или видео и обычно выделяет их рамками.

Методы анализа, улучшения, преобразования и извлечения информации из звуковых данных.

область ИИ, которая помогает компьютерам анализировать, понимать, искать, переводить и создавать человеческий язык.

набор методов для работы с текстом и речью: классификации, поиска, извлечения сущностей, перевода и генерации ответов.

подход, где система пытается восстановить цель или награду по наблюдаемому поведению эксперта

Алгоритм обучения нейросетей, который рассчитывает, как изменить веса модели, чтобы уменьшить ошибку.

Методы машинного обучения, которые ищут устойчивые связи между элементами, событиями или признаками в данных.

обучение на данных без заранее заданных правильных ответов, где модель сама ищет структуру, группы или представления

Подход в робототехнике, при котором система учится понимать, какие действия возможны с объектами и окружающей средой.

Способность модели выполнять задачу, увидев всего несколько примеров или подсказок

подход машинного обучения, где часть примеров имеет ручные метки, а большая часть данных используется без полной разметки.

способность модели решать задачу по примерам и инструкции внутри запроса без отдельного дообучения

Подход, где модель обучают от более простых примеров к более сложным.

метод обучения с подкреплением, который обновляет оценку ценности по разнице между текущим прогнозом и будущим результатом

способность модели выполнять новую задачу или распознавать новый класс без специальных обучающих примеров именно для него

подход машинного обучения, где агент учится выбирать действия, получая награды или штрафы от среды

применение обучения с подкреплением к роботам, которые учатся двигаться, хватать предметы или выполнять задачи через взаимодействие со средой

метод настройки модели, при котором человеческие оценки помогают сделать ответы более полезными, безопасными и предпочтительными

приём обучения последовательных моделей, где на следующем шаге модель получает правильный предыдущий ответ, а не собственный прошлый прогноз

Подход, где разные ошибки модели имеют разную цену и учитываются при обучении или оценке.

обучение модели на примерах, где для каждого входа заранее известен правильный ответ или метка

степень готовности людей, организаций и общества доверять ИИ-системам и использовать их в реальных процессах

Гипотетический ИИ, который сможет решать широкий круг задач на уровне человека или выше, а не только узкую специализированную задачу.

Способность показать, почему модель дала конкретный ответ и какие факторы повлияли на решение

Направление методов, которые делают решения ИИ более понятными для людей

задача, где робот одновременно строит карту неизвестной среды и определяет своё положение на этой карте

Метрика, показывающая, насколько уверенность модели совпадает с фактической точностью

Подход к оценке скрытых параметров модели, когда часть структуры данных неизвестна

Архитектурный подход к хранению больших объемов разнородных данных для аналитики и ИИ.

Хранилище, где разные данные могут лежать в сыром или слабо обработанном виде для последующего анализа.

обновление модели по мере поступления новых данных, а не только в редких полных циклах переобучения.

формальные описания понятий, свойств и связей в предметной области, которые помогают системам работать со знаниями.

задача, в которой модель автоматически создает текстовое описание изображения

Набор показателей вроде среднего, медианы, разброса, частот и распределений

Модели, у которых размер, данные и вычислительный бюджет сбалансированы для лучшего результата за доступную цену.

Один из самых популярных алгоритмов обучения нейросетей, который адаптивно настраивает обновления параметров.

набор приемов, которые ускоряют работу модели и снижают стоимость ответа без сильной потери качества

автоматический или полуавтоматический поиск настроек модели, которые задаются до обучения

настройка правила выбора действий агентом, чтобы увеличить ожидаемую награду в среде.

алгоритм обучения с подкреплением, который ограничивает размер обновления политики, чтобы обучение было устойчивее

Метод донастройки языковых моделей по парам ответов, где один ответ предпочтительнее другого

прием градиентной оптимизации, который учитывает накопленное направление движения и помогает быстрее сходиться.

распознавание текста на изображениях, сканах, документах, чеках, табличках и других визуальных источниках.

Координация моделей, инструментов, данных и шагов процесса, чтобы ИИ-система выполняла сложную задачу управляемо.

Выбор наиболее полезных признаков и удаление лишних, шумных или вредных

Принцип, по которому за решения, ошибки и последствия ИИ-системы должны отвечать понятные люди, команды или организации.

подход к разработке и внедрению ИИ, который учитывает безопасность, справедливость, прозрачность, приватность и ответственность людей

задача обработки языка, где система находит или генерирует ответ на вопрос пользователя по тексту, базе знаний или памяти модели

Атака или ошибка, при которой вредные данные попадают в обучение и ухудшают поведение модели.

прием обучения нейросетей, который ограничивает слишком большие значения градиентов

дата или граница, после которой модель может не знать новые события, данные или изменения

задача компьютерного зрения, где система следит за объектом во времени между кадрами видео.

Документ, в котором организация раскрывает сведения о работе, рисках, данных, ограничениях и мерах контроля ИИ-систем.

Задача компьютерного зрения, где система определяет расстояние до объектов на изображении или видео

задача компьютерного зрения, где модель определяет положение ключевых точек тела, объекта или скелета в кадре.

Метрика, которая сравнивает машинный перевод или сгенерированный текст с эталонными вариантами.

Удаление, исправление или нормализация ошибок, пропусков, дублей и странных значений в данных.

выполнение множества вычислительных операций одновременно для ускорения обработки данных и обучения моделей.

подход к дообучению, при котором меняют лишь небольшую часть параметров или добавляют компактные адаптеры.

Способ разбивать текст на токены, постепенно объединяя часто встречающиеся фрагменты символов.

записи в обучении с подкреплением, которые показывают, какое действие агент выбирает в конкретном состоянии среды

перенос навыков, моделей или стратегий, обученных в симуляторе, на физического робота или реальную систему

использование знаний модели, полученных на одной задаче или датасете, для более быстрого решения другой похожей задачи

метод, при котором изображение, видео или другой контент сохраняет содержание, но получает внешний стиль другого примера

ситуация, когда модель слишком хорошо запоминает обучающие данные и хуже работает на новых примерах.

Обработка данных ближе к месту их появления, например на устройстве, шлюзе или локальном сервере

метрика языковой модели, показывающая, насколько уверенно модель предсказывает следующий токен или слово.

ранняя модель искусственного нейрона и простой линейный классификатор, ставший основой для понимания нейронных сетей.

исследователь и инженер, известный вкладом в искусственный интеллект, образование и практическое применение алгоритмов.

расчет последовательности движений робота или системы с учетом препятствий, ограничений и цели.

задачи выбора порядка действий, распределения ресурсов и времени для достижения целей при ограничениях.

поиск пути от начальной точки к цели с учетом препятствий, ограничений, стоимости и безопасности.

заранее заданное или адаптивное изменение скорости обучения в процессе тренировки

площадка, где пользователи публикуют, покупают, продают или обмениваются готовыми запросами и сценариями работы с ИИ

разбиение слов на более мелкие части, чтобы модель могла работать с редкими словами, окончаниями и разными языками

способ добавить модели информацию о порядке элементов последовательности, особенно в трансформерах.

область обработки аудио, где алгоритмы находят ритм, тональность, жанр, мелодию, похожие треки и другие признаки музыки.

автоматический или полуавтоматический подбор структуры нейросети под задачу, данные и вычислительные ограничения.

метод подбора гиперпараметров, при котором система перебирает заранее заданные комбинации настроек

подход, где языковая модель перед ответом получает найденные документы или фрагменты базы знаний

Набор правил, целей и решений организации или государства о том, как разрабатывать, использовать и контролировать ИИ.

метрика классификации, показывающая, какую долю действительно положительных объектов модель смогла найти

часть обработки языка, связанная с определением смысла текста, намерений, сущностей и отношений между фразами.

Функция ошибки, часто используемая в задачах классификации для оценки вероятностных предсказаний.

обработка событий и данных почти в реальном времени, пока они продолжают поступать в систему

права на результаты творчества, изобретения, тексты, изображения, код, бренды и другие охраняемые объекты

принципы и гарантии, которые помогают не допустить вреда людям при разработке и применении ИИ

способность языковой модели давать фактически точные, не вводящие в заблуждение и проверяемые ответы

Законы, стандарты и отраслевые требования, регулирующие защиту цифровых систем и данных.

изучение того, как смысл высказывания зависит от контекста, намерения, ситуации и ожиданий собеседников.

Ситуация, когда ИИ-система систематически даёт более выгодные или неблагоприятные результаты для отдельных групп, случаев или признаков.

Подготовка данных перед анализом или обучением: очистка, преобразование, кодирование и нормализация.

вероятность будущего события или класса, рассчитанная моделью с учетом данных, неопределенности и выбранного подхода.

способы описывать факты, правила, связи и понятия так, чтобы система могла с ними работать

изменение голоса в аудио так, чтобы сохранить содержание речи, но поменять тембр, стиль, говорящего или акустические свойства

Изменение формата, структуры или значений данных, чтобы они подходили для анализа, хранения или модели.

математическое преобразование, которое переводит функции времени в другую область для анализа систем

технология, которая превращает написанный текст в естественно звучащую речь выбранным голосом

Математический метод, раскладывающий сигнал на частоты и скрытую периодическую структуру

проверка ИИ-системы с позиции атакующего или критического пользователя, чтобы найти уязвимости, вредные ответы, обходы правил и слабые места.

построение моделей, которые оценивают будущие значения, вероятности, риски или классы по данным.

практика составления инструкций, примеров и контекста для ИИ-модели, чтобы получить более точный и полезный результат

понятность для пользователя и организации: как работает ИИ, какие данные использует, где ограничен и кто отвечает за результат

Отслеживание пути данных от источника через преобразования до отчета, модели или решения.

алгоритм обучения с подкреплением, который улучшает стратегию агента небольшими стабильными шагами

роботизированные системы, которые выполняют производственные операции, сборку, перемещение или контроль качества

уменьшение модели за счёт удаления малозначимых весов, нейронов, каналов или связей

открытый стандарт подключения ИИ-приложений к внешним данным, инструментам и рабочим процессам через стандартизированные серверы и клиенты.

организация рабочей выдачи предсказаний модели через API, сервис, пакетную обработку или встроенный компонент.

Первичное исследование данных через статистики, графики и проверки перед построением модели

перевод обученной модели из эксперимента в рабочую среду, где она принимает запросы пользователей или систем.

Системы, которые ведут диалог с пользователем через текст или голос.

задача аудиоанализа, где система определяет, кто говорил и в какие промежутки времени

представление матрицы через более простые компоненты, которое помогает сжимать данные, искать скрытые факторы и ускорять вычисления.

Количество примеров, которые модель обрабатывает за один шаг обучения или вывода.

Число измерений в векторе, которым модель кодирует текст, изображение или другой объект

Добавление поясняющих меток к данным, чтобы модель могла учиться на примерах.

задача, где каждому элементу последовательности назначается метка, например слову, символу, звуковому фрагменту или кадру

задача обработки языка, где система определяет, кто выполнил действие, над чем, кому, когда и при каких условиях

определение грамматической роли слов в тексте: существительное, глагол, прилагательное и другие классы.

Проектирование и создание программных интерфейсов, через которые сервисы обмениваются данными и функциями.

Задача определить, какие слова или фразы в тексте относятся к одному и тому же объекту.

определение нужного значения слова по контексту, когда одно и то же слово может означать разные вещи

Прием, при котором обучение прекращают до ухудшения качества на проверочных данных

поиск устойчивых шаблонов в данных: изображениях, текстах, сигналах, поведении пользователей или событиях.

общее название задач, где ИИ находит и понимает объекты, сцены или признаки на изображениях

задача обработки языка, где модель находит в тексте имена людей, компании, места, даты, суммы и другие сущности.

Технология компьютерного зрения для поиска, сравнения или идентификации человека по изображению лица

преобразование устной речи в текст с помощью акустических моделей, языковых моделей и алгоритмов обработки аудио

Попытка определить эмоциональное состояние человека по тексту, голосу, лицу или поведению

Обучение модели на нескольких видеокартах, серверах или узлах одновременно

Выполнение задачи на нескольких компьютерах или узлах вместо одного устройства

Хранилища, где файлы размещаются на нескольких узлах и доступны как единая система

Подход, при котором система решает новую задачу, находя похожие прошлые случаи и адаптируя их решения.

Искусственное увеличение обучающей выборки за счет преобразований или генерации новых вариантов данных.

статистический подход к изучению связи между зависимой величиной и одним или несколькими факторами

задача машинного обучения и статистики, где модель предсказывает числовое значение, а не класс

Государственные, отраслевые и корпоративные правила, которые ограничивают и направляют применение искусственного интеллекта.

Применение dropout как способа сделать нейросеть менее склонной к запоминанию обучающих данных

Система учёта моделей, их версий, статусов, метрик, владельцев и истории изменений.

алгоритмы и приложения, которые предлагают пользователю товары, видео, статьи, людей или действия на основе данных и поведения

Документы и правила, помогающие организациям разрабатывать и внедрять ИИ ответственнее

нейросети для последовательностей, где состояние на текущем шаге зависит от предыдущих элементов

способность системы находить путь от исходного состояния к цели с помощью поиска, правил, планирования или обученной модели

управление роботом для захвата, перемещения, сборки, сортировки или другого физического воздействия на объекты

модели на основе архитектуры трансформеров, которые связывают наблюдения, язык и действия робота

робототехник и исследователь ИИ, известный работами по мобильным роботам, поведению роботов и практическому подходу к интеллекту

подход к решению задач, вдохновленный коллективным поведением муравьев, птиц, рыб, роботов или простых агентов

Наборы принципов и правил, которые помогают разрабатывать и использовать ИИ безопасно, честно и прозрачно.

американский изобретатель, футуролог и автор, известный прогнозами о развитии ИИ, вычислений и технологической сингулярности

механизм, позволяющий модели оценивать связи между элементами одной последовательности и взвешивать важные части контекста

подход, где модель учится на структуре самих данных, создавая обучающий сигнал без полноценной ручной разметки

Архитектура нейросетей, хорошо подходящая для изображений, видео и пространственных признаков.

прием обучения, при котором жесткие метки немного смягчаются вместо абсолютной уверенности в одном классе

Набор мер, которые ограничивают возможности ИИ-системы, чтобы она не вышла за безопасные рамки поведения.

задача компьютерного зрения, где изображение делится на области или пиксели с разными классами

задача компьютерного зрения, где модель выделяет отдельные объекты одного класса как разные экземпляры

подход к описанию данных в интернете так, чтобы программы могли понимать сущности, свойства и связи между ними.

задача компьютерного зрения, где каждому пикселю изображения назначается класс объекта или области

структуры знаний, где понятия представлены как узлы, а связи между ними описывают смысловые отношения

преобразование естественного языка в формальное представление смысла, например запрос к базе, логическую форму или команду

моделирование поведения сетей: компьютерных, социальных, транспортных, коммуникационных или агентных систем.

тип рекуррентных нейросетей, созданный для работы с последовательностями и долгими зависимостями

набор методов уменьшения размера и стоимости модели без критичной потери качества.

нейросетевые архитектуры с двумя или несколькими одинаковыми ветвями, которые сравнивают объекты через общие веса

различие между гипотетическим универсальным интеллектом и системами, которые хорошо решают ограниченные задачи

гипотетический ИИ, который способен понимать и решать широкий круг задач на уровне, сопоставимом с человеком

подход к ИИ, где знания задаются символами, правилами, логикой и явными отношениями между понятиями

виртуальные среды, в которых можно тренировать, тестировать или демонстрировать поведение людей, роботов и ИИ-систем

моделирование большого числа случайных сценариев для оценки риска, неопределенности или ожидаемого результата.

Моделирование взаимодействий участников для проверки последствий разных стратегий и правил

Гипотетический момент, когда развитие искусственного интеллекта становится настолько быстрым и сильным, что последствия трудно предсказать.

Метод обработки текста, показывающий, какие слова в предложении связаны друг с другом

преобразование текста, команд или структурированных данных в звучащую человеческую речь с помощью ИИ

изображения, видео, аудио или текст, созданные или существенно измененные с помощью ИИ

моделирование сложных систем через запасы, потоки, обратные связи и задержки во времени

служебная инструкция для ИИ-ассистента, которая задаёт роль, правила поведения и ограничения ответа выше обычного запроса пользователя

ИИ-системы, где поведение задаётся явными правилами вида «если условие, то действие»

инструменты, которые отслеживают признаки атак, аномалий и несанкционированной активности в сети или системе

приложения, которые принимают вопрос, ищут релевантную информацию и возвращают краткий ответ, ссылку или объяснение

Системы, которые измеряют состояние объекта и выбирают действия для достижения нужного поведения.

Структуры, политики и процессы, которые помогают организации безопасно разрабатывать, внедрять и контролировать ИИ.

гиперпараметр, который задает размер шага при обновлении параметров модели

Статистическая метрика, которая оценивает качество регрессионной модели с поправкой на количество признаков.

вероятностные модели последовательностей, где наблюдаемые данные зависят от скрытых состояний

ИИ, который хорошо решает конкретные задачи, но не обладаёт универсальным человеческим пониманием и самостоятельными общими целями

ансамбль деревьев решений, где итоговый прогноз строится по множеству деревьев, обученных на разных подвыборках и признаках

метод подбора параметров, при котором варианты выбираются случайно из заданных диапазонов

архитектура, где разные части модели специализируются на разных входах, а маршрутизатор выбирает нужных экспертов для запроса.

Систематическая ошибка, из-за которой модель хуже работает для части пользователей, данных или сценариев.

Методы, которые помогают уменьшить несправедливые или систематические перекосы в данных, моделях и автоматических решениях.

Методы уменьшения числа признаков с сохранением важной структуры данных

прием, при котором скорость обучения постепенно уменьшается во время тренировки модели

процессы, документы и проверки, которые помогают организации соответствовать законам, стандартам и отраслевым правилам

Математические объекты, показывающие ключевые направления и масштабы линейных преобразований

Группы экспертов или внутренние комитеты, которые оценивают риски, правила и спорные решения при разработке и внедрении ИИ.

описание вероятностей сразу для нескольких случайных величин и их сочетаний

Область исследований и практик, которая пытается сделать поведение ИИ безопасным, полезным и соответствующим человеческим намерениям.

Дискуссионная тема о том, может ли искусственная система иметь субъективный опыт или только имитировать ответы.

Метод генеративного моделирования, где модель учится вести данные от шума к целевому распределению

Способы обмануть модель специально подобранными входными данными, которые выглядят обычными для человека, но сбивают алгоритм.

моделирование поведения людей, групп, институтов или рынков в искусственной среде

нейронные сети, где нейроны передают информацию короткими импульсами, а не непрерывными числами

Оценка того, не ухудшает ли модель результаты для отдельных групп людей без разумного основания

метрика регрессии, которая усредняет квадраты ошибок и сильнее наказывает большие промахи модели.

метрика регрессии, которая измеряет типичный размер ошибки модели в исходных единицах целевой величины

метрика регрессии, которая показывает средний размер ошибки прогноза без учета направления ошибки.

Набор стандартов и рекомендаций, которые помогают управлять качеством, рисками и ответственным применением технологий.

область знаний о сборе, описании, анализе и интерпретации данных в условиях неопределенности

описания того, какие значения может принимать величина и с какой вероятностью они встречаются

набор методов для описания данных, проверки гипотез и поиска закономерностей с учётом неопределенности

ансамблевый подход, где прогнозы нескольких моделей объединяются еще одной моделью для повышения качества

грубое приведение слова к основе, чтобы разные формы слова считались похожими при обработке текста

частые служебные слова, которые иногда удаляют из текста, чтобы выделить более значимые слова для анализа

случайные процессы, которые описывают, как величины меняются во времени или по шагам с учётом вероятностей

метод обучения модели, который обновляет параметры по небольшим случайным частям данных вместо всего датасета сразу

моделирование процессов, где результат зависит от случайности, вероятностей и неопределенных факторов

исследователь искусственного интеллекта, известный работами по основам ИИ, обучению агентов и вопросам безопасности

Требование, чтобы данные подчинялись правилам страны или региона, где они находятся или к которому относятся.

автоматическое создание краткого пересказа документа, переписки, статьи или набора сообщений с сохранением главного смысла

удаленное управление роботом, дроном, машиной или другим устройством через связь, камеры и датчики

методы, которые автоматически находят скрытые темы в наборе документов, отзывов или сообщений

настройка генеративной модели, которая влияет на случайность, разнообразие и предсказуемость ответа

специализированные ускорители для машинного обучения, оптимизированные под операции с тензорами и нейронными сетями

раздел математики о случайных событиях, неопределённости, распределениях и правилах работы с вероятностями

раздел математики, который изучает объекты как узлы и связи между ними

Математическое изучение стратегий, где результат зависит от решений нескольких участников

область математики, изучающая количество информации, неопределенность, кодирование и передачу сигналов

раздел математики о множествах, элементах, объединениях, пересечениях, отношениях и отображениях

математическая область поиска наилучшего решения при заданной цели, ограничениях и критериях качества.

визуализация, где значения показываются цветом и помогают быстро увидеть зоны высокой и низкой активности

мысленный и практический критерий, в котором оценивают, может ли машина в диалоге казаться человеку разумной

процесс оценки того, насколько модель или ИИ-система работает правильно, устойчиво и безопасно на данных вне обучения

Инструменты и архитектуры для хранения, передачи, обработки и анализа больших потоков данных.

гипотетический момент, когда развитие технологий или ИИ становится настолько быстрым, что его последствия трудно предсказать

исследовательница ИИ, известная работами об алгоритмической предвзятости, справедливости и социальных последствиях технологий

разбиение текста на токены — части слов, слова, символы или другие единицы, с которыми работает модель

единицы текста или данных, через которые языковая модель читает запрос, хранит контекст и генерирует ответ

раздел математики о форме, связности и свойствах пространств, которые сохраняются при непрерывных преобразованиях

Метрика качества, которая показывает, какую долю предсказаний модель сделала правильно.

метрика классификации, показывающая, какая доля объектов, помеченных моделью как положительные, действительно положительна.

модели на архитектуре трансформера, которые используют внимание для обработки последовательностей и контекста

нейронные сети, основанные на механизме внимания, который позволяет учитывать связи между частями последовательности

правила и практики, которые требуют раскрывать использование ИИ, маркировать синтетический контент и объяснять важные ограничения

Совокупные выбросы, связанные с обучением, запуском и обслуживанием ИИ-систем.

методы очистки и улучшения речевого сигнала: подавление шума, эха, искажений и повышение разборчивости

Правила, роли и процессы, которые определяют, как данные собирают, хранят, используют и контролируют.

Процессы контроля моделей на всём жизненном цикле: от выбора и обучения до запуска, мониторинга, обновления и вывода из эксплуатации.

подход к поддержанию единых справочников ключевых сущностей: клиентов, товаров, филиалов, поставщиков и других объектов.

организация описаний данных: происхождения, владельцев, форматов, связей, правил доступа и смысла полей.

Подход в робототехнике, где робот регулирует усилие взаимодействия с объектом, а не только положение

Тип рекуррентной нейросети, который помогает обрабатывать последовательности и сохранять важный контекст

обозначение лучшего или одного из лучших известных результатов на задаче, наборе данных или бенчмарке на момент сравнения

вариант оптимизации с моментом, который делает шаг с учетом прогнозируемого положения параметров.

Специализированные вычислительные устройства, которые ускоряют обучение и запуск моделей искусственного интеллекта.

Вероятность события при условии, что другое событие уже произошло или известно.

способность модели сохранять приемлемое качество при шуме, редких случаях, изменении данных и попытках обмана

Ошибка, когда в обучение или проверку модели попадает информация, недоступная в реальном использовании.

Обучение модели на данных разных устройств или организаций без передачи самих данных в один центр

область философии, изучающая природу сознания, мышления, субъективного опыта и связи разума с телом.

Метод рекомендаций, который подбирает объекты по их признакам и интересам пользователя.

алгоритмы оценки состояния системы по шумным измерениям и модели ее движения

раздел лингвистики о звуках речи, их произнесении, восприятии и акустических свойствах.

Наборы библиотек и правил, которые помогают создавать ИИ-агентов с инструментами, памятью, ролями и сценариями выполнения.

Способ описывать знания через структуры с полями, свойствами, значениями и наследованием

Крупные базовые модели, обученные на широких данных и адаптируемые под множество задач

Математические функции в нейросети, которые помогают ей находить сложные нелинейные зависимости.

математические функции, которые описывают распределение вероятности для непрерывных величин

Раздел математики о пространствах функций и операторах, важных для уравнений и сложных моделей

правило, которое сообщает агенту в обучении с подкреплением, насколько полезным было действие или состояние

оценка ожидаемой будущей выгоды состояния или действия в обучении с подкреплением

Исследовательница ИИ, известная вкладом в компьютерное зрение, ImageNet и человекоцентричный ИИ

Платформа или каталог, где публикуют, ищут, скачивают, тестируют или подключают модели искусственного интеллекта.

Платформы для управления признаками, используемыми при обучении и применении моделей

Централизованная система для очищенных и согласованных данных, которые используются в отчетах, аналитике и ИИ

Система, где команды хранят, переиспользуют и обновляют признаки для моделей машинного обучения

Система для хранения, переиспользования и управления признаками данных, которые используются в машинном обучении.

Способы представлять цвета числами, например через яркость, оттенок или каналы изображения.

Статистический принцип, объясняющий, почему средние значения многих независимых наблюдений часто ведут себя предсказуемо.

Физическая инфраструктура с серверами, сетями, охлаждением и электропитанием для работы цифровых сервисов.

приём, при котором большая задача разбивается на несколько последовательных запросов к модели, а результат одного шага становится входом для следующего

Способ описывать промежуточные шаги решения задачи, чтобы улучшить проверяемость и управляемость ответа.

Разрыв в доступе к технологиям, навыкам, данным и современным ИИ-инструментам

Сведения о том, кто создал цифровой файл, откуда он появился и как изменялся

Виртуальные модели объектов, процессов или систем, отражающие их состояние и поведение

подход, при котором человек участвует в проверке, корректировке или утверждении решений ИИ

заранее подготовленные структуры запросов с переменными, примерами и правилами вывода для повторяемых задач

начальные шаги обучения, на которых скорость обучения постепенно увеличивают, чтобы сделать оптимизацию устойчивее

удаление или ослабление нежелательных шумов в аудио, изображениях или сигналах перед анализом или генерацией.

Методы оптимизации, вдохновленные отбором, мутацией и скрещиванием вариантов решений

практические алгоритмы, которые ищут хорошее решение без гарантии математически лучшего результата

Риск события, которое может необратимо ухудшить долгосрочные возможности человечества

Рынок и цепочка стоимости вокруг крупных базовых моделей, данных, вычислений, API и приложений

Классические ИИ-системы, использующие правила и знания специалистов для вывода решений

Правила, ограничивающие передачу технологий, оборудования, программ и данных между странами

Навыки модели, которые становятся заметны при росте масштаба или изменении обучения

Учёный, преподаватель и предприниматель, известный вкладом в машинное обучение, онлайн-образование и популяризацию ИИ.

Память о конкретных событиях и ситуациях, которую ИИ может использовать для контекста

Область, изучающая влияние ИИ на людей, права, безопасность, справедливость и общество

Принципы безопасного, справедливого и ответственного применения ИИ в медицине и связанных с ней сервисах.

Ситуации, где разные правильные ценности конфликтуют и нельзя выполнить все требования одновременно

Структурированные наборы принципов и вопросов для оценки разработки и применения ИИ

Проверка ИИ-системы на риски вреда, дискриминации, непрозрачности и нарушения приватности

Выбор действий с учетом пользы, вреда, прав людей, справедливости и ответственности

Подход к разработке и применению ИИ с учетом справедливости, безопасности, прозрачности и прав людей

исследователь в области нейронных сетей, обучения последовательностей и истории глубокого обучения

задача предсказания и оценки вероятности последовательностей слов, символов или токенов

модели, которые работают с текстом и оценивают вероятности последовательностей токенов

исследователь глубокого обучения, известный вкладом в свёрточные нейронные сети, компьютерное зрение и самообучение без ручной разметки

Сравнение двух или нескольких вариантов продукта, подсказки, интерфейса или модели, чтобы выбрать лучший по данным, а не по ощущению.

Алгоритм оптимизации, который автоматически подстраивает шаг обучения нейросети и уменьшает зависимость от ручного выбора скорости обучения.

Адаптивный алгоритм оптимизации, который подстраивает шаг обучения отдельно для каждого параметра модели.

Компания в сфере искусственного интеллекта, известная семейством моделей Claude и акцентом на безопасность, управляемость и надёжность ИИ.

Платформа для потоковой передачи данных, которая помогает системам обмениваться событиями в реальном времени.

распределённый движок для обработки больших данных, аналитики и машинного обучения на кластерах или отдельных машинах

Программные интерфейсы, через которые приложения подключаются к ИИ-моделям, сервисам генерации, распознавания или анализа данных.

Специализированная микросхема, созданная для выполнения конкретного типа вычислений максимально эффективно.

Метрика оценки классификатора, которая показывает, насколько хорошо модель разделяет положительные и отрицательные примеры при разных порогах.

Языковая модель на основе трансформеров, которая учитывает контекст слова слева и справа.

Фреймворк глубокого обучения, известный ранним применением в компьютерном зрении и нейросетевых экспериментах.

Компания и платформа, разрабатывающая языковые модели и корпоративные ИИ-решения.

Закон США о защите приватности детей в онлайн-сервисах, особенно при сборе данных пользователей младше 13 лет.

Модель и продукт для генерации изображений по текстовому описанию.

Алгоритм кластеризации, который ищет плотные области точек и отдельно помечает шумовые объекты

Платформа контейнеризации, упаковывающая приложение с зависимостями для запуска в разных средах

Прием обучения нейросетей, при котором часть нейронов временно отключается для борьбы с переобучением

Цепочки извлечения, преобразования и загрузки данных из источников в хранилище или аналитику

Метрика классификации, объединяющая точность положительных ответов и полноту найденных случаев

Образовательный проект и библиотека для практичного изучения и применения глубокого обучения

Перепрограммируемые микросхемы, которые можно настраивать под конкретные вычисления, включая задачи ИИ

европейский регламент, задающий правила обработки и защиты персональных данных

библиотека Python для тематического моделирования, векторного представления текстов и поиска похожих документов

Исследовательская лаборатория Google, связанная с передовыми моделями ИИ и научными применениями

метод визуального объяснения, который показывает, какие области изображения повлияли на решение нейросети

экосистема для распределенной обработки и хранения больших наборов данных на кластерах машин

американские правила защиты медицинской информации и требований к ее обработке

группы связанных вычислительных узлов, которые совместно решают тяжелые задачи

платформа и экосистема для моделей, наборов данных, демонстраций и библиотек машинного обучения

библиотека для работы с современными моделями обработки текста, изображений, аудио и мультимодальных задач

интерактивный формат и среда, где код, текст, формулы, графики и результаты анализа находятся в одном документе

высокоуровневый интерфейс для создания, обучения и применения нейросетей

система оркестрации контейнеров для развертывания, масштабирования и управления приложениями

прием обучения, который добавляет штраф за сумму абсолютных значений весов модели

прием обучения, который штрафует большие веса модели через сумму их квадратов

метод локального объяснения моделей, который приближает сложную модель простой моделью вокруг конкретного примера

метод экономного дообучения больших моделей, при котором основная модель замораживается, а обучаются небольшие дополнительные матрицы

библиотека Python для построения статических, интерактивных и анимированных графиков при анализе данных и моделей.

платформа генеративного ИИ для создания изображений по текстовым запросам и визуальным референсам.

практики разработки, запуска, мониторинга и обновления моделей машинного обучения в реальных продуктах.

открытый фреймворк глубокого обучения, который использовался для построения, обучения и развертывания нейронных сетей.

последовательности из n соседних символов, слов или токенов, которые помогают анализировать язык статистически.

открытая библиотека Python и набор ресурсов для обработки естественного языка, учебных задач и исследований текста.

библиотека Python для численных вычислений, массивов, линейной алгебры и базовых операций анализа данных.

платформа и программная модель NVIDIA для ускорения вычислений на графических процессорах.

компания и платформа ИИ, известная большими языковыми и мультимодальными моделями, API и пользовательскими ИИ-продуктами.

семейство GPT-моделей OpenAI для генерации текста, кода, ответов и других языковых или мультимодальных сценариев.

библиотека Python для анализа и преобразования табличных данных, временных рядов и датафреймов.

экосистема для интерактивной визуализации данных и аналитических приложений, часто используемая в Python-проектах.

открытая библиотека для тензорных вычислений, обучения нейросетей и экспериментов с глубоким обучением

алгоритм обучения с подкреплением, где агент оценивает полезность действий в разных состояниях через Q-значения

метод экономной донастройки больших языковых моделей, который сочетает квантование весов и низкоранговые адаптеры

алгоритм оптимизации, который адаптирует размер шага для параметров модели на основе скользящего среднего квадратов градиентов

график, который показывает соотношение между долей верно найденных положительных примеров и долей ложных срабатываний при разных порогах

открытая экосистема библиотек и инструментов для создания робототехнических приложений, обмена сообщениями, управления узлами и интеграции датчиков

открытая библиотека Python для классического машинного обучения, предобработки данных, подбора моделей и оценки качества

библиотека Python с алгоритмами для научных вычислений, оптимизации, статистики, линейной алгебры и обработки сигналов

библиотека Python для статистической визуализации данных, построенная поверх Matplotlib

инструмент токенизации и детокенизации текста, часто используемый в нейросетевых языковых моделях

классический метод компьютерного зрения для поиска устойчивых ключевых точек и описания локальных признаков изображения

метод увеличения редкого класса в данных через создание синтетических примеров между существующими объектами

открытая библиотека Python для промышленной обработки естественного языка

язык запросов для работы с реляционными базами данных, который помогает выбирать, фильтровать и объединять таблицы

семейство диффузионных моделей для генерации и редактирования изображений по текстовому описанию или примеру

алгоритм компьютерного зрения для поиска устойчивых ключевых точек и описания локальных признаков изображения

метод снижения размерности, который помогает визуализировать похожесть сложных данных на плоскости или в трехмерном пространстве

библиотека и экосистема для создания, обучения, развёртывания и запуска моделей машинного обучения

метод оценки важности слова в документе с учётом того, как часто оно встречается в этом документе и во всей коллекции

историческая библиотека Python для символьных математических выражений и вычислений, повлиявшая на раннее глубокое обучение

машинное обучение на очень малых и энергоэффективных устройствах, например микроконтроллерах и датчиках

метод снижения размерности и визуализации данных, который помогает сохранять локальную структуру сложных наборов признаков

метод подсловной токенизации, который разбивает слова на часто встречающиеся фрагменты для обработки языковыми моделями