Основные понятия мира искусственного интеллекта

Искусственный интеллект (AI) - это системы, имитирующие интеллектуальное поведение человека. В этой области существует множество терминов, которые важно знать для понимания принципов и возможностей AI.

Группа 1: Основные понятия

• Машинное обучение (ML): обучение моделей на данных без прямого запрограммирования для всех возможных решений.
• Наука о данных (DS): анализ, обработка, визуализация и построение выводов из больших объёмов информации.
• Глубокое обучение (DL): разновидность ML, основанная на нейронных сетях с множеством слоёв.
• Нейронная сеть (NN): вычислительная модель, смутно напоминающая работу мозга, применяется для решения разных задач в ML/DL.

Группа 2: Модели и алгоритмы

• Большая языковая модель (LLM): массивные нейросети, обученные на гигантских корпусах текстов для работы с языком.
• Генеративная предварительно обученная трансформер (GPT): архитектура LLM, генерирует текст в ответ на запросы.
• Компьютерное зрение (CV): направление по анализу и распознаванию изображений, видео.
• Обработка естественного языка (NLP): автоматизация работы с текстами и речью.

Группа 3: Метрики и оценка

• ROC-AUC: метрика качества бинарной классификации, чувствительность/специфичность.
• RMSE (Root Mean Square Error): корень из среднеквадратичной ошибки, популярная метрика регрессии.
• TP/FP/TN/FN: обозначения результатов классификации: ошибки и правильные срабатывания.

Группа 4: Проблемы и ограничения

• Переобучение (Overfitting): ситуация, когда модель слишком "запомнила" обучающие данные и плохо работает на новых.
• Недообучение (Underfitting): модель слишком простая, не находит смысла даже в тренировочных данных.
• Гиперпараметр (Hyperparameter): параметр, управляющий процессом обучения модели.

Группа 5: Специальные понятия

• Токены (Token): единицы текста, используемые для анализа и обработки.
• Инференция (Inference): процесс вывода или предсказания на основе обученной модели.
• Transfer Learning: использование знаний, полученных на одной задаче, для обучения на другой, схожей.
• Fine-tuning: доучивание модели на новой, более специализированной задаче.
• Zero-shot: когда модель делает что-то на задаче, прямых примеров которой она не видела на обучении.

Эти понятия являются основой для понимания мира искусственного интеллекта и его применения в различных областях.