Fine-tuning و PEFT
Domain Adaptationسازگاری دامنه
سازگاری دامنه؛ تنظیم مدل برای عملکرد بهتر روی نوع جدیدی از داده‌ها. این روش زمانی مهم است که داده‌ای که مدل در محیط واقعی می‌بیند با داده آموزشی اولیه تفاوت داشته باشد.
مشاهدهٔ جزئیاتدانشنامهٔ Noventix
واژه‌نامهٔ هوش مصنوعی
مفاهیم و اصطلاحات هوش مصنوعی را عمیق‌تر بشناس.
۳۴۵ اصطلاح آموزشی۲۵ حوزهٔ موضوعیرایگان برای همه
مرور سریع
از الفبا شروع کن
دسته‌بندی‌ها
۳۴۵ اصطلاحموضوع موردنظرت را انتخاب کن
مبانی هوش مصنوعی
Domain Knowledgeدانش دامنه
دانش دامنه؛ دانش تخصصی در یک حوزه خاص که برای طراحی بهتر مدل‌ها استفاده می‌شود. اضافه کردن دانش حوزه‌ای درست می‌تواند پاسخ‌ها و تصمیم‌های سیستم را برای یک صنعت یا سازمان مرتبط‌تر کند.
مشاهدهٔ جزئیاتMLOps و LLMOps
ETL (Extract, Transform, Load)استخراج، تبدیل، بارگذاری
استخراج، تبدیل، بارگذاری؛ فرآیند جمع‌آوری، تمیز کردن و ذخیره‌سازی داده‌ها. ETL یکی از مراحل رایج آماده‌سازی داده برای انبار داده، گزارش‌گیری و تحلیل است.
مشاهدهٔ جزئیاتزیرساخت هوش مصنوعی
Edge AIهوش مصنوعی لبه
هوش مصنوعی لبه؛ اجرای مدل‌های هوش مصنوعی روی دستگاه‌های محلی مثل موبایل، نه در سرورهای ابری. این رویکرد برای کاربردهایی که سرعت پاسخ، قطع نبودن اینترنت یا حفظ حریم خصوصی مهم است، مفید است.
مشاهدهٔ جزئیاتیادگیری ماشین
Embeddingجای‌گذاری
جای‌گذاری؛ نمایش کلمات، تصاویر یا داده‌ها به صورت بردارهای عددی که معنای آن‌ها را حفظ می‌کند. Embeddingها برای مقایسه شباهت معنایی، جست‌وجوی مفهومی، سیستم‌های پیشنهاددهنده و RAG کاربرد زیادی دارند.
مشاهدهٔ جزئیاتیادگیری ماشین
Ensembleگروه مدل‌ها
گروه مدل‌ها؛ مجموعه‌ای از مدل‌ها که خروجی‌شان برای تصمیم نهایی ترکیب می‌شود؛ نمونه رایج آن میانگین‌گیری یا رأی‌گیری بین چند مدل است.
مشاهدهٔ جزئیاتیادگیری ماشین
Ensemble Learningیادگیری گروهی
یادگیری گروهی؛ ترکیب چند مدل برای رسیدن به عملکرد بهتر از هر مدل به‌تنهایی. ترکیب مدل‌های متفاوت می‌تواند خطاهای آن‌ها را تا حدی جبران کند و نتیجه نهایی را بهتر کند.
مشاهدهٔ جزئیاتFine-tuning و PEFT
Epochدوره
دوره؛ یک عبور کامل مدل از روی تمام داده‌های آموزشی. تعداد Epoch یکی از عوامل مؤثر بر میزان آموزش است و زیاد بودن آن همیشه به معنی عملکرد بهتر نیست.
مشاهدهٔ جزئیاتارزیابی مدل‌ها
Evaluation Metricمعیار ارزیابی
معیار ارزیابی؛ عددی برای سنجش کیفیت عملکرد مدل مثل دقت یا فراخوانی. انتخاب معیار درست به نوع مسئله بستگی دارد؛ مثلا Accuracy برای همه مسائل انتخاب مناسبی نیست.
مشاهدهٔ جزئیاتارزیابی مدل‌ها
Explainabilityقابلیت توضیح
قابلیت توضیح؛ میزان قابل فهم بودن تصمیم‌ها و خروجی‌های یک مدل برای انسان. توضیح‌پذیری در کاربردهای حساس کمک می‌کند انسان بفهمد چرا سیستم به یک نتیجه مشخص رسیده است.
مشاهدهٔ جزئیاتیادگیری ماشین
Explorationکاوش
کاوش؛ در یادگیری تقویتی، امتحان‌کردن گزینه‌های کم‌تجربه برای کشف پاداش بهتر؛ تعادل کاوش و بهره‌برداری یکی از مسائل اصلی این حوزه است.
مشاهدهٔ جزئیاتیادگیری ماشین
Exploratory Data Analysis (EDA)تحلیل اکتشافی داده
تحلیل اکتشافی داده؛ بررسی اولیه داده‌ها با نمودارها و آمار ساده برای شناخت الگوها. EDA معمولا قبل از مدل‌سازی انجام می‌شود تا خطاهای داده، الگوهای مهم و روابط احتمالی شناسایی شوند.
مشاهدهٔ جزئیاتارزیابی مدل‌ها
False Negativeمنفی کاذب
منفی کاذب؛ زمانی که مدل به‌اشتباه یک مورد مثبت را منفی تشخیص می‌دهد. مثلا اگر یک تراکنش واقعا تقلبی باشد اما سیستم آن را سالم اعلام کند، این یک False Negative است.
مشاهدهٔ جزئیاتارزیابی مدل‌ها
False Positiveمثبت کاذب
مثبت کاذب؛ زمانی که مدل به‌اشتباه یک مورد منفی را مثبت تشخیص می‌دهد. مثلا اگر سیستم یک تراکنش سالم را تقلبی تشخیص دهد، با یک False Positive روبه‌رو هستیم.
مشاهدهٔ جزئیاتیادگیری ماشین
Featureویژگی
ویژگی؛ یک خاصیت یا ستون از داده که مدل از آن برای یادگیری استفاده می‌کند. مثلا سن مشتری، مبلغ خرید یا تعداد ورودهای کاربر می‌تواند یک Feature برای مدل باشد.
مشاهدهٔ جزئیاتیادگیری ماشین
Feature Engineeringمهندسی ویژگی
مهندسی ویژگی؛ ساخت یا انتخاب ویژگی‌های بهتر برای بهبود عملکرد مدل. ویژگی‌های مناسب می‌توانند اطلاعات مفیدتری در اختیار مدل قرار دهند و در برخی مسائل حتی از انتخاب مدل مهم‌تر باشند.
مشاهدهٔ جزئیاتاستقرار مدل‌ها
Feature Storeمخزن ویژگی
مخزن ویژگی؛ سرویس مشترکی که ویژگی‌های آماده‌شده را برای آموزش و سرویس‌دهی با تعریف یکسان نگه می‌دارد تا ناسازگاری میان مدل و محیط واقعی کم شود.
مشاهدهٔ جزئیاتFine-tuning و PEFT
Federated Learningیادگیری فدره
یادگیری فدره؛ آموزش مدل روی چند دستگاه بدون جمع کردن همه داده‌ها در یک جا، برای حفظ حریم خصوصی. داده خام روی دستگاه‌ها باقی می‌ماند و معمولا فقط اطلاعات لازم برای به‌روزرسانی مدل بین آن‌ها ردوبدل می‌شود.
مشاهدهٔ جزئیاتFine-tuning و PEFT
Few-Shot Learningیادگیری کم‌نمونه
یادگیری کم‌نمونه؛ توانایی مدل برای یادگیری از تعداد کمی مثال. در این روش چند نمونه در اختیار مدل قرار می‌گیرد تا بدون آموزش کامل دوباره، الگوی موردنظر را بهتر درک کند.
مشاهدهٔ جزئیاتمهندسی پرامپت
Few-shot Promptingپرامپت‌دهی چندنمونه‌ای
پرامپت‌دهی چندنمونه‌ای؛ قرار دادن چند مثال در Prompt برای نشان دادن الگوی پاسخ مورد انتظار به مدل.
مشاهدهٔ جزئیاتFine-tuning و PEFT
Fine-Tuning Dataداده تنظیم دقیق
داده تنظیم دقیق؛ نمونه‌های جفت ورودی و پاسخ مطلوب که برای تخصصی‌کردن مدل پس از آموزش عمومی استفاده می‌شود.
مشاهدهٔ جزئیاتFine-tuning و PEFT
Fine-tuningتنظیم دقیق
تنظیم دقیق؛ آموزش بیشتر یک مدل از پیش آموزش‌دیده روی داده‌های خاص. Fine-tuning زمانی مفید است که بخواهیم یک مدل عمومی را برای سبک، وظیفه یا حوزه مشخصی تخصصی‌تر کنیم.
مشاهدهٔ جزئیاتمبانی هوش مصنوعی
Forward Chainingزنجیره‌سازی رو به جلو
زنجیره‌سازی رو به جلو؛ استدلال از داده‌های موجود به سمت نتیجه؛ سیستم قواعد را روی واقعیت‌های معلوم اعمال می‌کند تا نتیجه‌های تازه به دست آید.
مشاهدهٔ جزئیاتمدلهای زبانی بزرگ
Foundation Modelمدل پایه
مدل پایه؛ مدل بزرگی که روی داده‌های گسترده آموزش دیده و می‌توان از آن به‌عنوان پایه برای ساخت یا تخصصی‌سازی برنامه‌های مختلف هوش مصنوعی استفاده کرد.
مشاهدهٔ جزئیات