واژه‌نامهٔ هوش مصنوعی

هر سخت‌افزار تخصصی مانند GPU یا تراشهٔ اختصاصی که برای اجرای سریع‌تر و کارآمدتر بارهای کاری هوش مصنوعی نسبت به پردازندهٔ همه‌منظوره طراحی شده است.

نسبت پیش‌بینی‌های درست مدل به کل پیش‌بینی‌ها؛ ساده‌ترین معیار کارایی که در داده‌های نامتوازن گمراه‌کننده می‌شود.

ماژول کوچکی که میان لایه‌های یک مدل ازپیش‌آموزش‌دیده افزوده می‌شود تا با آموزش همان ماژول، مدل بدون تغییر وزن‌های اصلی برای کاری تازه سازگار شود.

ورودی‌ای که با تغییرهای کوچک و عمدیْ نامحسوس برای انسان دستکاری شده تا مدل هوش مصنوعی را به خطای طبقه‌بندی وادار کند.

توانایی یک مدل در حفظ عملکرد درست هنگام مواجهه با ورودی‌هایی که عمداً برای فریب آن دستکاری شده‌اند.

یک موجودیت خودمختار هوش مصنوعی که می‌تواند محیط را درک کند، استدلال کند و عمل انجام دهد.

مربوط به عامل‌های خودمختاری که برنامه‌ریزی می‌کنند، از ابزارها استفاده می‌کنند و کارهای چندمرحله‌ای را به‌صورت خودکار اجرا می‌کنند.

سازوکاری که به عامل هوش مصنوعی اجازه می‌دهد اطلاعات گفت‌وگوها و کنش‌های پیشین را ذخیره و بازیابی کند تا فراتر از پنجرهٔ زمینهٔ جاری به‌خاطر بسپارد.

فرایندی که در آن یک عامل هوش مصنوعی یک هدف را به دنباله‌ای از گام‌ها و زیرکارها می‌شکند تا آن را به‌صورت خودکار اجرا کند.

حوزه‌ای که می‌کوشد سامانه‌های هوش مصنوعی را چنان طراحی کند که به‌صورت ناخواسته به انسان یا جامعه آسیب نرسانند.

گرایش نظام‌مند یک مدل به نتایج ناعادلانه دربارهٔ گروه‌های خاص، که معمولاً از داده‌های آموزشیِ جانب‌دار سرچشمه می‌گیرد.

اطمینان از اینکه سامانه‌های هوش مصنوعی مطابق با ارزش‌ها و نیت‌های انسانی رفتار می‌کنند.

تراشه‌ای که برای یک کار مشخص ساخته می‌شود و در همان وظیفه کارایی و بهره‌وری انرژی بسیار بالاتری از سخت‌افزار همه‌منظوره دارد، اما انعطاف‌پذیر نیست.

سازوکاری در ترنسفورمر که هنگام پردازش هر واژه، به واژه‌های مرتبط‌تر در متن وزن بیشتری می‌دهد تا بافت معنایی را بهتر دریابد.

سطح زیر منحنی ROC که توانایی کلی مدل را در تفکیک دسته‌های مثبت و منفی در یک عدد میان صفر و یک می‌سنجد.

شبکه‌ای عصبی که داده را به یک نمایش فشرده می‌فشارد و سپس می‌کوشد همان داده را از روی آن نمایش بازسازی کند.

روش تولیدِ متن که در آن مدل هر توکن را یکی‌یکی و بر پایهٔ توکن‌های پیش‌تولیدشده پیش‌بینی می‌کند.

افزایش یا کاهش خودکار شمار سرورها یا شتاب‌دهنده‌های اختصاص‌یافته به یک سرویس متناسب با میزان بار، برای کنترل هزینه و حفظ پایداری عملکرد.

کاشت یک ماشهٔ پنهان در مدل هنگام آموزش، که با دیدن ورودی خاصی رفتار مخرب از پیش‌تعیین‌شده‌ای را فعال می‌کند.

الگوریتمی که خطای خروجی شبکهٔ عصبی را لایه‌به‌لایه به عقب پخش می‌کند تا میزان تنظیم هر وزن برای کاهش خطا مشخص شود.

گردآوری چند درخواست و پردازش هم‌زمان آن‌ها در یک دسته روی شتاب‌دهنده، که گذردهی را بالا می‌برد و هزینهٔ هر درخواست را پایین می‌آورد.

روشی که خروجی هر لایه را در سراسر یک دسته به مقیاس استاندارد بازمی‌گرداند تا آموزش پایدارتر و سریع‌تر پیش برود.

تعداد نمونه‌هایی که مدل پیش از یک‌بار به‌روزرسانی وزن‌ها به‌طور هم‌زمان پردازش می‌کند.

روش تولید متن که در هر گام چند دنبالهٔ نامزدِ محتمل را هم‌زمان نگه می‌دارد تا در پایان بهترین دنبالهٔ کلی را برگزیند.

مجموعه‌ای استاندارد از وظایف و داده‌ها که برای سنجش و مقایسه کارایی مدل‌های مختلف بر یک مبنای یکسان به‌کار می‌رود.

تعادلی بنیادی که در آن کاستن از خطای ناشی از سادگیِ بیش از حد مدل، معمولاً خطای ناشی از حساسیتش به داده آموزش را افزایش می‌دهد و برعکس.

معیاری برای ارزیابی ترجمه ماشینی که همپوشانی واژگان و عبارت‌های متن تولیدشده را با چند ترجمه مرجع انسانی می‌سنجد.

میزان همخوانی اطمینان اعلام‌شده مدل با درستی واقعی آن؛ مدلِ کالیبره وقتی نود درصد اطمینان می‌دهد، حدود نود درصد مواقع درست می‌گوید.

پدیده‌ای که در آن مدل هنگام آموزش روی داده یا کار جدید، بخش بزرگی از آنچه پیش‌تر آموخته بود را از دست می‌دهد.

روشی در طراحی پرامپت که در آن مدل پیش از پاسخ‌دادن، گام‌به‌گام استدلال می‌کند.

ذخیرهٔ وضعیت کامل یک مدل و وزن‌های آن در میانهٔ آموزش، تا بتوان آموزش را از همان نقطه ادامه داد یا همان نسخهٔ مدل را برای استفاده بازیابی کرد.

تقسیم یک سند بلند به قطعه‌های کوچک‌تر، تا هر قطعه جداگانه بُرداری و برای بازیابی در سامانه‌های مبتنی بر بازیابی ذخیره شود.

وظیفه‌ای در یادگیری ماشین که هدف آن نسبت‌دادن هر نمونه به یکی از چند دسته‌ی گسسته‌ی از پیش‌تعریف‌شده، مانند هرزنامه یا غیرهرزنامه، است.

مجموعه‌ای از چند سرور یا گره که به‌هم متصل شده‌اند و برای آموزش یا اجرای مدل‌های بزرگ هوش مصنوعی همچون یک واحد محاسباتی یکپارچه کار می‌کنند.

روشی در یادگیری بدون نظارت که نمونه‌های مشابه را بدون برچسبِ از پیش‌داده‌شده در گروه‌هایی به نام خوشه کنار هم قرار می‌دهد.

تأخیر اضافی نخستین درخواست هنگامی‌که سرویس مدل باید از حالت خاموش بارگذاری و بر روی حافظهٔ شتاب‌دهنده مستقر شود، پیش از آنکه آمادهٔ پاسخ‌گویی گردد.

منابع محاسباتیِ لازم برای آموزش و اجرای مدل‌های هوش مصنوعی.

ماتریس درهم‌ریختگی (confusion matrix) جدولی است که تعداد پیش‌بینی‌های درست و نادرست یک مدل طبقه‌بندی را برای هر دسته نشان می‌دهد.

روشی برای همسوسازی که در آن مدل پاسخ‌های خود را بر پایهٔ مجموعه‌ای صریح از اصول نوشته‌شده نقد و اصلاح می‌کند تا کم‌خطرتر شود.

بررسی و فیلترکردن محتوای تولیدشده یا ورودی کاربر برای حذف موارد خطرناک، غیرقانونی یا ناقض سیاست‌ها.

بیشینهٔ مقدار متنی که مدل زبانی می‌تواند به‌صورت توکن هم‌زمان در نظر بگیرد؛ هر چه بیرون از این پنجره باشد نادیده گرفته می‌شود.

شیوه‌ای در سرویس‌دهی مدل که درخواست‌های تازه را بدون انتظار برای پایان درخواست‌های قبلی به دستهٔ در حال پردازش می‌افزاید تا پردازنده بی‌کار نماند.

شباهت کسینوسی (cosine similarity) معیاری است که زاویه بین دو بردار را در فضای چندبعدی اندازه‌گیری می‌کند و برای مقایسه جهت متون یا داده‌ها در یادگیری ماشین به کار می‌رود.

تابع زیانی پرکاربرد در دسته‌بندی که اختلاف میان توزیع احتمال پیش‌بینی‌شده و توزیع واقعی برچسب‌ها را اندازه می‌گیرد.

روشی برای ارزیابی مدل که داده را به چند بخش تقسیم می‌کند و آموزش و آزمون را چرخشی روی این بخش‌ها تکرار می‌نماید.

تأسیساتی که زیرساخت محاسباتیِ لازم برای بارهای کاری هوش مصنوعی را در خود جای می‌دهد.

ورود ناخواسته اطلاعاتِ داده آزمون به فرایند آموزش، که کارایی مدل را به‌طور کاذب بالا نشان می‌دهد و در عمل فرومی‌ریزد.

آلوده‌کردن عمدی داده‌های آموزشیِ یک مدل با نمونه‌های دستکاری‌شده تا رفتار یا خروجی آن به نفع مهاجم تغییر کند.

مدلی که با مجموعه‌ای از پرسش‌های شرطیِ پیاپی بر روی ویژگی‌ها، داده را شاخه‌به‌شاخه تا رسیدن به یک پیش‌بینی هدایت می‌کند.

فرایند تبدیل پیش‌بینی‌های عددیِ مدل زبانی به متن واقعی، با گزینش توکن بعدی در هر گام بر پایهٔ راهبردی مانند نمونه‌گیری یا جست‌وجوی پرتویی.

رسانهٔ ساختگیِ تولیدشده با هوش مصنوعی که به‌گونه‌ای باورپذیر افراد واقعی را جعل می‌کند.

روشی ریاضی که با افزودن نوفهٔ سنجیده به داده، تحلیل آماری را ممکن می‌کند بی‌آنکه اطلاعات هیچ فرد منفردی فاش شود.

مدلی مولد که داده را با معکوس‌کردن یک فرایند تدریجیِ نوفه‌گذاری (افزودن نویز) می‌سازد.

کاستن از شمار ویژگی‌های یک مجموعه‌داده با حفظ بیشترِ اطلاعات مهم، برای ساده‌ترشدن مدل و کاهش بار محاسباتی.

آموزش یک مدل کوچک‌تر (student) برای تقلید رفتار یک مدل بزرگ‌تر و پیچیده‌تر (teacher) با هدف حفظ دقت در حالی که سرعت و کارایی افزایش می‌یابد.

تقسیم بار آموزش یک مدل میان چند شتاب‌دهنده یا گره که هم‌زمان کار می‌کنند، تا مدل‌های بزرگی که در یک دستگاه جا نمی‌شوند در زمان معقول آموزش ببینند.

روشی برای همسوسازی مدل که آن را مستقیماً از جفت پاسخ‌های ترجیح‌داده‌شده و رد‌شده آموزش می‌دهد، بدون نیاز به مدل پاداش جداگانه.

روشی برای منظم‌سازی که در هر گام آموزش بخشی از نورون‌ها را به‌طور تصادفی غیرفعال می‌کند تا مدل به ویژگی‌های خاص بیش‌ازحد وابسته نشود.

متوقف‌کردن آموزش به‌محض آنکه کارایی مدل روی دادهٔ اعتبارسنجی رو به افول می‌گذارد، تا از بیش‌برازش جلوگیری شود.

پردازش داده در نزدیکیِ منبع آن، به‌جای مراکز دادهٔ متمرکز.

نمایش داده به‌صورت یک بردار عددیِ فشرده که معنای آن را در خود نگه می‌دارد.

یک بار کامل عبور الگوریتم از کل مجموعه‌داده آموزشی برای یادگیری، که در هر epoch وزن‌های مدل به‌روزرسانی می‌شوند.

معیاری سختگیرانه که پاسخ مدل را تنها در صورتی درست می‌شمارد که کلمه‌به‌کلمه با پاسخ مرجع یکی باشد.

میانگین هماهنگ دقت (precision) و بازخوانی (recall) که کارایی یک مدل دسته‌بندی را در یک عدد واحد خلاصه می‌کند.

ویژگی یک سامانهٔ هوش مصنوعی که تصمیم‌ها یا پیش‌بینی‌هایش میان افراد و گروه‌های مختلف بدون تبعیض ناروا توزیع شود.

فرایند ساختن، تبدیل و انتخاب متغیرهای ورودی از داده‌ی خام برای آن‌که مدل یادگیری ماشین بتواند الگوها را بهتر بیاموزد.

توانایی مدل برای انجام یک کار تنها با دیدن چند مثال در پرامپت، بدون آموزش مجدد.

روشی که در آن چند مثالِ ورودی و خروجی را درون پرامپت می‌گذارند تا مدل الگوی کار خواسته‌شده را از روی همان نمونه‌ها یاد بگیرد.

آموزشِ بیشترِ یک مدلِ ازپیش‌آموزش‌دیده روی داده‌های مخصوص یک حوزه برای تخصصی‌ترشدن آن.

پیاده‌سازیِ بهینه‌ای از سازوکار توجه که با کاهش رفت‌وآمد داده در حافظهٔ پردازنده، محاسبه را سریع‌تر و کم‌مصرف‌تر می‌کند.

معیار سنجش توان محاسباتی که شمار عملیات اعشاری انجام‌شده در هر ثانیه را نشان می‌دهد و برای مقایسهٔ سرعت سخت‌افزار هوش مصنوعی به‌کار می‌رود.

مدلی بزرگ که روی داده‌های گسترده آموزش دیده و می‌توان آن را برای کارهای گوناگون سازگار کرد.

تراشه‌ای که مدار داخلی آن را می‌توان پس از ساخت بارها بازپیکربندی کرد و انعطاف‌پذیری سخت‌افزار قابل‌برنامه‌ریزی را با سرعتی نزدیک به مدار اختصاصی فراهم می‌کند.

قابلیتی که به مدل زبانی اجازه می‌دهد به‌جای پاسخ متنی، خروجی ساختاریافته‌ای تولید کند که توابع یا APIهای از‌پیش‌تعریف‌شده را با آرگومان‌های مناسب فرامی‌خواند.

توانایی مدل در عملکرد درست روی داده‌ی تازه‌ای که در آموزش ندیده است، نه صرفاً حفظ‌کردن داده‌ی آموزشی.

نوعی مدل مولد که در آن دو شبکهٔ عصبی، یکی سازندهٔ نمونه و دیگری تشخیص‌دهندهٔ جعلی‌بودن، در رقابت با هم آموزش می‌بینند تا خروجی واقع‌نماتر شود.

مدلی در یادگیری ماشین که به‌جای صرفِ دسته‌بندی داده، نمونه‌های تازه‌ای مانند تصویر، متن یا صدا می‌سازد که شبیه داده‌های آموزشی‌اند.

تراشه‌ای با هزاران هستهٔ موازی که با اجرای هم‌زمان محاسبات ماتریسی، آموزش و اجرای مدل‌های هوش مصنوعی را بسیار سریع‌تر از پردازندهٔ مرکزی انجام می‌دهد.

روشی که بزرگی گرادیان‌ها را به سقفی معین محدود می‌کند تا از به‌روزرسانی‌های جهشی و ناپایداری آموزش جلوگیری شود.

روش بهینه‌سازی که پارامترهای مدل را گام‌به‌گام در جهت کاهش خطا تغییر می‌دهد تا به کمترین خطای ممکن نزدیک شود.

روشی در تولید متن با مدل‌های زبانی که در هر مرحله احتمال‌پذیرترین کلمه را انتخاب می‌کند، بدون بازنگری آینده (greedy decoding).

پیونددادن خروجی مدل به داده‌ها یا منابع واقعی و قابلِ راستی‌آزمایی.

داده‌های برچسب‌خورده و درستِ تأییدشده که خروجی مدل با آن سنجیده می‌شود تا درست یا نادرست بودنش معلوم شود.

محدودیت‌ها و فیلترهایی که بر ورودی و خروجی مدل اعمال می‌شوند تا از تولید محتوای ناخواسته یا خطرناک جلوگیری کنند.

زمانی که مدل هوش مصنوعی اطلاعاتی باورپذیر اما از نظر واقعیت نادرست تولید می‌کند.

سهم خروجی‌های یک مدل که اطلاعات نادرست یا ساختگی دارند، به‌کاررفته برای سنجش میزان پایبندی مدل به واقعیت.

نوعی حافظهٔ لایه‌چیده و بسیار سریع که نزدیک تراشهٔ شتاب‌دهنده قرار می‌گیرد تا داده را با پهنای‌باند بالا برای آموزش و استنتاج مدل‌های بزرگ تأمین کند.

سنجش کیفیت خروجی مدل به‌دست داوران انسانی، به‌جای معیارهای خودکار، برای ویژگی‌هایی مانند روانی، مفید بودن و درستی.

روش بازیابی که جست‌وجوی معناییِ مبتنی بر بردار را با تطبیق کلیدواژه‌ای ترکیب می‌کند تا نتایجی دقیق‌تر و کامل‌تر به‌دست آید.

تنظیماتی مانند نرخ یادگیری یا اندازهٔ دسته که پیش از آموزش به‌دست انسان تعیین می‌شوند، نه آنکه مدل آن‌ها را از داده بیاموزد.

وظیفه‌ای که در آن مدل هوش مصنوعی محتوای یک تصویر را تحلیل می‌کند و یک توصیف متنی به زبان طبیعی برای آن می‌سازد.

وظیفه‌ای در بینایی ماشین که هر پیکسل تصویر را به یک شیء یا ناحیه نسبت می‌دهد تا مرزهای دقیق اجزای تصویر مشخص شوند.

تولید تصویری تازه از روی یک تصویر ورودی، معمولاً با راهنمای متنی، برای دگرگون‌کردن سبک یا محتوای آن.

مجموعه‌داده‌ای که در آن شمار نمونه‌های یک دسته بسیار بیشتر از دسته‌های دیگر است و همین مدل را به‌سوی دسته‌ی پرشمار سوگیر می‌کند.

توانایی یک مدل زبانی برای آموختن انجام یک کار از روی نمونه‌ها و دستورهای موجود در همان پرامپت، بی‌آنکه وزن‌هایش تغییر کند.

استفاده از یک مدلِ آموزش‌دیده برای پیش‌بینی یا تولید خروجی روی داده‌های جدید.

پرکردن بخش‌های حذف‌شده یا آسیب‌دیدهٔ یک تصویر با محتوای ساختگیِ همخوان با محیط اطراف آن.

آموزش بیشتر یک مدل زبانی روی مجموعه‌ای از جفت‌های دستور و پاسخ تا یاد بگیرد فرمان‌های کاربر را دنبال کند.

میزان همخوانی برچسب‌ها یا داوری‌های چند انسان بر یک داده واحد، که سنجه‌ای از سازگاری و قابل‌اعتماد بودن داده برچسب‌خورده است.

میزانی که می‌توان دلیل یک تصمیم یا خروجی مدل هوش مصنوعی را برای انسان فهمید و توضیح داد.

دستکاری ورودی برای دور زدن محدودیت‌های ایمنی مدل زبان بزرگ و دریافت پاسخ‌های ممنوعه یا مضر (jailbreak).

الگوریتمی پرکاربرد در خوشه‌بندی که داده را به شماری خوشه‌ی از پیش‌تعیین‌شده تقسیم می‌کند و هر نمونه را به نزدیک‌ترین مرکز خوشه نسبت می‌دهد.

مجموعه‌ای سازمان‌یافته از اسناد و اطلاعات که سامانه‌های بازیابی‌محور برای پاسخ‌دادن به پرسش‌ها از آن منبع می‌گیرند.

ساختاری داده‌ای که موجودیت‌ها و روابط میان آن‌ها را به‌صورت گره و یال نمایش می‌دهد تا دانش به شکلی قابل‌پردازش برای ماشین سازمان یابد.

حافظه‌ای در مدل‌های زبانی بزرگ که برای ذخیره نتایج میانی محاسبات لایه‌های توجه (kv cache) در هنگام تولید متن به‌صورت ترتیبی به کار می‌رود و از محاسبات تکراری جلوگیری می‌کند.

پاسخ یا مقدار درستی که در یادگیری نظارت‌شده به هر نمونه‌ی آموزشی نسبت داده می‌شود تا مدل آن را هدفِ پیش‌بینی قرار دهد.

یک مدل بنیادی که روی حجم عظیمی از داده‌های متنی آموزش دیده تا زبان را بفهمد و تولید کند.

فاصلهٔ زمانی میان فرستادن درخواست به مدل و دریافت پاسخ، که در سرویس‌های بی‌درنگ اهمیت زیادی دارد.

فضای عددیِ فشرده‌ای که مدل ویژگی‌های پنهان داده را در آن نگه می‌دارد، به‌گونه‌ای که نمونه‌های شبیه به هم در آن نزدیک یکدیگر قرار می‌گیرند.

ابرپارامتری که اندازهٔ هر گام به‌روزرسانی وزن‌ها را تعیین می‌کند؛ مقدار بسیار بزرگ آموزش را ناپایدار و مقدار بسیار کوچک آن را کند می‌کند.

یک کتابخانهٔ متن‌باز نوشته‌شده به ++C برای اجرای محلی مدل‌های زبانی روی پردازندهٔ معمولی، بدون نیاز به کارت گرافیک قدرتمند.

به‌کارگیری یک مدل زبانی بزرگ برای ارزیابی و امتیازدهی به خروجی مدل‌های دیگر، به‌عنوان جایگزینی مقیاس‌پذیر برای داوری انسانی.

خروجی خام و عددیِ مدل پیش از تبدیل به احتمال، که امتیاز هر توکن ممکن برای جایگاه بعدی را نشان می‌دهد.

روشی برای تنظیم کارآمدِ مدل که به‌جای تغییر همهٔ وزن‌ها، تنها چند ماتریس کوچک افزوده را آموزش می‌دهد تا هزینه و حافظه کاهش یابد.

تابعی که فاصلهٔ میان پیش‌بینی مدل و پاسخ درست را به عددی واحد تبدیل می‌کند تا آموزش بکوشد آن را کمینه کند.

معیاری پرکاربرد در تشخیص اشیا و بازیابی که دقت مدل را در چند سطح بازخوانی و چند دسته میانگین می‌گیرد تا یک عدد کلی به‌دست دهد.

معیاری برای مدل‌های رگرسیون که میانگین مجذور اختلاف میان مقادیر پیش‌بینی‌شده و مقادیر واقعی را اندازه می‌گیرد و خطاهای بزرگ را شدیدتر جریمه می‌کند.

حمله‌ای که تشخیص می‌دهد آیا یک نمونهٔ مشخص در داده‌های آموزشی مدل بوده است یا نه، و حریم خصوصی آن داده را تهدید می‌کند.

استفادهٔ هم‌زمان از قالب‌های عددی کم‌بیت و پربیت در آموزش یا اجرای مدل، برای صرفه‌جویی در حافظه و افزایش سرعت بدون افت محسوس کیفیت نتیجه.

معماری‌ای که مدل را به چند زیرشبکهٔ خبره می‌شکند و برای هر ورودی تنها بخشی از آن‌ها را فعال می‌کند تا محاسبات کاهش یابد.

محکی پرکاربرد از پرسش‌های چندگزینه‌ای در ده‌ها رشته دانشگاهی که گستره دانش و درک مدل‌های زبانی را می‌سنجد.

سندی همراه یک مدل که هدف، داده‌های آموزشی، توانایی‌ها، محدودیت‌ها و مجوز کاربرد آن را به‌اختصار شرح می‌دهد.

استانداردی باز برای اتصال مدل‌های زبانی به ابزارها و منابع دادهٔ بیرونی، که شیوهٔ یکسانی برای فراهم‌کردن زمینه و قابلیت‌ها به مدل تعریف می‌کند.

حمله‌ای که با پرس‌وجوی مکرر از یک مدل و تحلیل پاسخ‌ها، نسخه‌ای تقریبی از آن را بازسازی یا سرقت می‌کند.

حمله‌ای که از خروجی‌های یک مدل برای بازسازی ویژگی‌های داده‌های آموزشی، مانند چهرهٔ افراد، بهره می‌گیرد.

ترکیب وزن‌های دو یا چند مدل آموزش‌دیده در یک مدل واحد تا توانایی‌های هرکدام بدون آموزش دوبارهٔ پرهزینه گرد هم آیند.

استقرار یک مدل آموزش‌دیده روی زیرساخت تولیدی به‌گونه‌ای که از طریق رابط برنامه‌نویسی، درخواست‌های کاربران را به‌صورت برخط دریافت و پاسخ دهد.

افزوده‌ای به کاهش گرادیان که بخشی از به‌روزرسانی‌های پیشین را در گام جاری نگه می‌دارد تا همگرایی سریع‌تر و نوسان کمتر شود.

سامانه‌ای متشکل از چند عامل هوش مصنوعی که با هم همکاری یا تعامل می‌کنند تا کاری را که از توان یک عامل خارج است حل کنند.

اجرای موازیِ چند سازوکار توجه روی یک ورودی، که به مدل امکان می‌دهد هم‌زمان جنبه‌های مختلف رابطهٔ میان واژه‌ها را دریابد.

مدل‌هایی که به‌طور ذاتی چند نوع داده — متن، تصویر، صوت و ویدیو — را پردازش و تولید می‌کنند.

یافتن نقاطی در فضای برداری که کمترین فاصله را با یک بردار پرسش دارند، و پایهٔ جست‌وجوی شباهت در پایگاه‌های برداری است.

توصیفی که به مدل تولید تصویر می‌گوید چه عناصری را در خروجی نیاورد، در کنار توصیف اصلیِ آنچه باید ساخته شود.

مدل محاسباتیِ الهام‌گرفته از مغز که از لایه‌هایی از واحدهای به‌هم‌پیوسته ساخته شده و الگوها را از روی داده می‌آموزد.

یک ماشین یا سرور منفرد در یک خوشهٔ محاسباتی که معمولاً چند شتاب‌دهنده دارد و بخشی از بار کلی آموزش یا استنتاج را بر عهده می‌گیرد.

تراشه‌ای ویژهٔ اجرای شبکه‌های عصبی که برای استنتاج کم‌مصرف روی دستگاه‌هایی مانند گوشی و رایانهٔ شخصی بهینه شده است.

وظیفه‌ای در بینایی ماشین که اشیای موجود در تصویر را شناسایی می‌کند و موقعیت هرکدام را با یک کادر محصورکننده مشخص می‌سازد.

ابزاری متن‌باز که دانلود، نصب و اجرای محلی مدل‌های زبانی روی رایانهٔ شخصی را با چند دستور ساده فراهم می‌کند.

نوعی یادگیری ماشین که مدل با دیدن تنها یک نمونه از هر دسته، توانایی تشخیصِ نمونه‌های جدیدِ همان دسته را به‌دست می‌آورد.

استقرار نرم‌افزار یا مدل روی زیرساخت داخلی یک سازمان، به‌گونه‌ای که داده‌ها از مرز شبکهٔ آن خارج نشوند.

وزن‌های مدل هوش مصنوعی که به‌صورت عمومی منتشر شده‌اند تا هر کسی بتواند از آن‌ها استفاده کند و تغییرشان دهد.

فناوری که متن چاپی یا دست‌نویس درون تصویر یا سند اسکن‌شده را شناسایی و به متن قابل‌ویرایش ماشینی تبدیل می‌کند.

الگوریتمی که بر پایهٔ گرادیان‌ها تصمیم می‌گیرد وزن‌های مدل چگونه به‌روزرسانی شوند؛ نمونه‌های رایج آن Adam و SGD هستند.

ساختن محتوای تازه در فراسوی لبه‌های یک تصویر برای بزرگ‌تر کردن کادر آن به‌گونه‌ای همخوان با بخش موجود.

پدیده‌ای که در آن مدلِ یادگیریِ ماشین آن‌قدر به جزئیات و نویزِ داده‌های آموزشی می‌چسبد که به‌جای قوانینِ کلی آن‌ها را حفظ می‌کند، و در نتیجه روی داده‌های جدید عملکردِ ضعیفی دارد.

مقادیر عددی درون یک مدل که در جریان آموزش تنظیم می‌شوند و دانش مدل را در خود نگه می‌دارند؛ شمارشان معیار اندازهٔ مدل است.

معیاری در ارزیابی تولید کد که نشان می‌دهد اگر مدل k پاسخ بسازد، با چه احتمالی دست‌کم یکی از آن‌ها آزمون‌ها را با موفقیت می‌گذراند.

خانواده‌ای از روش‌ها که فقط بخش کوچکی از پارامترهای یک مدل بزرگ را آموزش می‌دهد تا هزینهٔ سازگارکردن آن به‌شدت کاهش یابد.

معیاری که نشان می‌دهد یک مدلِ زبانی در پیش‌بینیِ کلمهٔ بعدی چقدر سرگشته است؛ هرچه مقدارش کمتر باشد، مدل با قطعیتِ بیشتری پیش‌بینی می‌کند و کیفیتِ بهتری دارد.

افزودن اطلاعاتِ جایگاهِ هر توکن به ورودی ترنسفورمر، تا مدل ترتیب واژه‌ها را تشخیص دهد چون توجه به‌خودیِ‌خود ترتیب را نمی‌فهمد.

الگوریتمی در یادگیری تقویتی که سیاست مدل را گام‌به‌گام و محتاطانه به‌روز می‌کند تا تغییرات بزرگ و بی‌ثبات‌کننده رخ ندهد.

میزان درستی پیش‌بینی‌های مثبت یک مدل؛ یعنی نسبت موارد واقعاً مثبت به مجموع موارد پیش‌بینی‌شده به‌عنوان مثبت (precision).

داده‌ای که در آن برای هر ورودی چند پاسخ مقایسه و مشخص شده کدام بهتر است، تا مدل را به‌سوی پاسخ‌های مطلوب انسان سوق دهد.

مرحلهٔ نخستِ تولید پاسخ در مدل‌های زبانی که در آن کل پرامپت ورودی یک‌جا پردازش می‌شود تا تولید توکن‌های بعدی آغاز شود.

مرحلهٔ نخست آموزش مدل زبانی روی حجم عظیمی از متن عمومی، که در آن مدل ساختار و دانش کلی زبان را پیش از هرگونه تخصصی‌سازی فرامی‌گیرد.

طراحی و بهینه‌سازیِ ورودی‌های مدل‌های هوش مصنوعی برای رسیدن به خروجیِ دلخواه.

حمله‌ای که در آن دستورهای پنهان در ورودی یا داده‌های بیرونی، مدل زبانی را وادار می‌کند از دستورهای اصلیِ سازنده سرپیچی کند.

آشکارشدنِ ناخواستهٔ دستورالعمل‌های پنهان یا پرامپت سیستمیِ یک مدل، که اغلب از راه ورودی‌های فریبندهٔ کاربر رخ می‌دهد.

ساختاری از پیش‌آماده با جاهای خالی که داده‌های متغیر در آن‌ها قرار می‌گیرد تا پرامپت‌هایی یکدست و تکرارپذیر برای مدل ساخته شود.

روشی کارآمد که به‌جای تغییر وزن‌های مدل، تنها چند بردار ورودی قابل‌آموزش را بهینه می‌کند تا مدل ثابت برای کاری مشخص سازگار شود.

حذف وزن‌ها یا اتصال‌های کم‌اهمیتِ یک شبکهٔ عصبی برای کوچک‌تر و سریع‌تر کردن مدل با کمترین افت کارایی.

گونه‌ای از LoRA که مدل پایه را به‌صورت فشرده و کم‌دقت نگه می‌دارد تا بتوان مدل‌های بزرگ را روی یک کارت گرافیک منفرد تنظیم کرد.

کاهش دقت مقادیر عددی در وزن‌ها و فعال‌سازی‌های یک مدل یادگیری ماشین برای کوچک‌تر شدن حجم و تسریع پردازش، مانند جایگزینی اعداد اعشاری با اعداد صحیح کوتاه‌تر.

روشی که پیش‌بینی شمار زیادی درخت تصمیمِ گوناگون را با هم ترکیب می‌کند تا نتیجه‌ای دقیق‌تر و پایدارتر از یک درخت تنها به‌دست آورد.

الگویی برای عامل‌های زبانی که در آن مدل به‌صورت متناوب استدلال می‌کند و کنش انجام می‌دهد، تا با ابزارها و محیط در یک حلقه گام‌به‌گام تعامل کند.

مدلی هوش مصنوعی که برای انجام استدلال منطقیِ چندمرحله‌ای طراحی شده است.

درصد نمونه‌های مثبتی که مدل به درستی شناسایی کرده، از میان همه نمونه‌های واقعاً مثبت؛ معیاری برای سنجش توانایی یافتن موارد مهم (recall).

آزمایش عمدی یک مدل با ورودی‌های خصمانه برای کشف نقاط ضعف، پاسخ‌های خطرناک و آسیب‌پذیری‌ها پیش از انتشار.

وظیفه‌ای در یادگیری ماشین که در آن مدل یک مقدار عددیِ پیوسته مانند قیمت یا دما را بر پایه‌ی ویژگی‌های ورودی پیش‌بینی می‌کند.

مجموعه‌ای از روش‌ها که با محدودکردن پیچیدگی مدل، از بیش‌برازش جلوگیری می‌کند تا مدل روی داده‌های تازه بهتر عمل کند.

پارامتری در تولید متن که احتمال توکن‌های پیش‌تر تولیدشده را کاهش می‌دهد تا مدل از تکرار بیش‌ازحدِ واژه‌ها و عبارت‌ها بپرهیزد.

مرحله‌ای که در آن نتایج بازیابی‌شده با مدلی دقیق‌تر دوباره امتیازدهی و مرتب می‌شوند تا مرتبط‌ترین آن‌ها به بالای فهرست بیایند.

یافتن و بیرون‌کشیدن قطعه‌های مرتبطِ اطلاعات از یک مجموعهٔ بزرگ داده در پاسخ به یک پرسش.

مبنی‌سازیِ پاسخ‌های مدل زبانی با بازیابیِ اسناد مرتبط از یک پایگاه دانش، پیش از تولید پاسخ.

زمانی که مدل راهی برای بیشینه‌کردن امتیاز پاداش می‌یابد که هدف واقعی طراح را برآورده نمی‌کند، مثل ظاهرفریبی به‌جای پاسخ درست.

مدلی که آموزش دیده تا کیفیت پاسخ‌های یک مدل دیگر را بر اساس ترجیحات انسانی امتیازدهی کند و این امتیاز راهنمای آموزش بعدی شود.

روشی که به‌جای داوران انسانی، از یک مدل هوش مصنوعی برای امتیازدهی به پاسخ‌ها استفاده می‌کند تا فرایند همسوسازی ارزان‌تر و مقیاس‌پذیرتر شود.

روش یادگیری تقویتی با بازخورد انسانی (RLHF): آموزش مدل‌های زبانی که در آن پاداش‌ها از قضاوت‌های مستقیم انسان به‌جای قوانین از پیش تعریف‌شده مشتق می‌شوند.

نموداری که برای یک دسته‌بند، نرخ مثبت درست را در برابر نرخ مثبت کاذب در آستانه‌های تصمیم‌گیری گوناگون نشان می‌دهد.

مجموعه‌ای از معیارها برای ارزیابی خلاصه‌سازی متن که میزان همپوشانی خلاصه تولیدشده را با خلاصه مرجع انسانی اندازه می‌گیرد.

روابط تجربی میان اندازهٔ مدل، حجم داده، محاسبات و کاراییِ نهایی.

عدد آغازینی که تصادف یک مدل مولد را تعیین می‌کند؛ بذرِ یکسان با ورودیِ یکسان همواره همان خروجی را بازمی‌سازد.

گونه‌ای از توجه که در آن هر واژهٔ یک دنباله با همهٔ واژه‌های همان دنباله سنجیده می‌شود تا وابستگی‌های درون‌متنی استخراج شود.

اجرای یک مدل یا سرویس هوش مصنوعی روی سرور یا سخت‌افزار خودِ کاربر، به‌جای اتکا به سرویس ابریِ یک شرکت بیرونی.

جست‌وجویی که نتایج را بر پایهٔ معنا و مفهوم پرسش پیدا می‌کند، نه صرفِ تطابق واژه‌به‌واژهٔ کلمات کلیدی.

روشی که برای آموزش مدل، شمار اندکی داده‌ی برچسب‌دار را با حجم بزرگی از داده‌ی بدون برچسب ترکیب می‌کند تا هزینه‌ی برچسب‌گذاری کاهش یابد.

یک مدل زبانیِ جمع‌وجور که به‌جای قدرت خام، برای کارایی و اجرای سبک بهینه شده است.

تابعی که دنباله‌ای از اعداد را به توزیعی از احتمال‌ها تبدیل می‌کند که جمعشان یک می‌شود؛ در مدل‌ها برای انتخاب توکن بعدی به‌کار می‌رود.

زیرساخت ملی یا منطقه‌ایِ هوش مصنوعی که حاکمیت بر داده و توان محاسباتی را تضمین می‌کند.

نمایش بصری از یک سیگنال صوتی که نشان می‌دهد توان فرکانس‌های گوناگون در طول زمان چگونه تغییر می‌کند.

روشی برای تندتر کردن تولید متن که در آن یک مدلِ کوچک‌تر چند توکن را پیش‌بینی می‌کند و مدل اصلی آن‌ها را یک‌جا تأیید یا اصلاح می‌کند.

فناوری که گفتار ضبط‌شده را به‌صورت خودکار به متن نوشتاری تبدیل می‌کند.

نسخه‌ای از کاهش گرادیان که در هر گام به‌جای کل داده‌ها، تنها یک نمونه یا دسته‌ای کوچک و تصادفی را برای به‌روزرسانی پارامترها به کار می‌برد.

رشته‌ای از نشانه‌ها که به‌محض تولید آن، مدل تولید متن را متوقف می‌کند تا خروجی در نقطهٔ دلخواه پایان یابد.

بازآفرینی محتوای یک تصویر با سبک بصریِ تصویری دیگر، چنان‌که موضوع ثابت بماند اما ظاهر هنری آن تغییر کند.

روشی که جزئیات تازه‌ای به تصویر یا ویدیوی کم‌وضوح می‌افزاید تا نسخه‌ای با وضوح بالاتر بازسازی شود.

مرحله‌ای از آموزش که در آن مدل روی نمونه‌های نشان‌دار شامل ورودی و پاسخ درست تقلید می‌کند تا رفتار دلخواه را بیاموزد.

روشی در یادگیری ماشین که در آن مدل از داده‌های برچسب‌دار، یعنی نمونه‌هایی با پاسخ درستِ مشخص، آموزش می‌بیند تا خروجی نمونه‌های تازه را پیش‌بینی کند.

گرایش یک مدل زبانی به همراهی با نظر یا فرض کاربر و تأیید آن، حتی هنگامی که نادرست است، به‌جای ارائهٔ پاسخ درست.

داده‌های مصنوعی (synthetic data) داده‌هایی هستند که به‌جای جمع‌آوری از واقعیت، با الگوریتم‌های هوش مصنوعی یا مدل‌های آماری تولید می‌شوند و ویژگی‌های آماری داده‌های واقعی را تقلید می‌کنند.

دستورالعمل پنهانی که پیش از گفت‌وگوی کاربر به مدل داده می‌شود و نقش، لحن و محدودیت‌های کلی رفتار آن را تعیین می‌کند.

پارامتری در مدل‌های زبانی که میزان تصادفی‌بودن خروجی را کنترل می‌کند؛ با افزایش آن، پاسخ‌ها متنوع‌تر و غیرقابل‌پیش‌بینی‌تر می‌شوند.

بخشی از داده که در آموزش مدل هیچ نقشی ندارد و تنها یک‌بار در پایان برای سنجش کارایی واقعی مدل بر داده دیده‌نشده استفاده می‌شود.

فناوری‌ای که از روی یک توصیف متنی، تصویری تازه و متناسب با همان توصیف تولید می‌کند.

فناوری‌ای که متن نوشتاری را به گفتار شنیداری با صدای طبیعی تبدیل می‌کند.

فناوری‌ای که از روی یک توصیف متنی، کلیپ ویدیویی متحرک و متناسب با آن توصیف می‌سازد.

میزان کاری که یک مدل در واحد زمان انجام می‌دهد، معمولاً برحسب تعداد توکن‌های تولیدشده در هر ثانیه.

فاصلهٔ زمانی میان ارسال پرامپت و تولید نخستین توکن پاسخ توسط مدل، که حس سرعت اولیه در کاربردهای متنی تعاملی را تعیین می‌کند.

کوچک‌ترین واحد متن که مدل زبانی پردازش می‌کند و معمولاً یک واژه، بخشی از واژه یا یک نشانه است.

تجزیهٔ متن به واحدهای کوچک‌تر به نام توکن — واژه، بخشی از واژه یا نویسه — که مدل زبانی آن‌ها را پردازش می‌کند.

نرخ تولید خروجی یک مدل زبانی که شمار توکن‌های متن تولیدشده در هر ثانیه را نشان می‌دهد و معیاری رایج برای سنجش سرعت پاسخ‌گویی است.

توانایی مدل هوش مصنوعی برای فراخوانیِ ابزارها، APIها یا سرویس‌های بیرونی برای انجام کارها.

روش انتخاب توکن بعدی که گزینه‌ها را به k توکنِ محتمل‌تر محدود می‌کند و سپس از میان همان‌ها به‌صورت تصادفی نمونه می‌گیرد.

روش انتخاب توکن بعدی که فقط از کوچک‌ترین مجموعه‌ای از محتمل‌ترین توکن‌ها نمونه می‌گیرد که جمع احتمالشان از آستانه‌ای مشخص بگذرد.

میزان توهین‌آمیز، تحقیرآمیز یا آزاردهنده‌بودنِ متنی که یک مدل تولید می‌کند و در ارزیابی‌های ایمنی سنجیده می‌شود.

پردازنده تخصصی (TPU) که گوگل برای تسریع محاسبات یادگیری ماشین، به‌ویژه شبکه‌های عصبی، طراحی کرده است.

تقسیم مجموعه‌داده به دو بخشِ جدا، یکی برای آموزش مدل و دیگری برای سنجش کارایی آن روی داده‌ای که مدل در آموزش ندیده است.

بهره‌گیری از دانش یک مدل آموزش‌دیده روی یک کار به‌عنوان نقطهٔ آغاز برای آموزش کاری مرتبط، تا داده و محاسبات کمتری لازم شود.

معماری شبکهٔ عصبی که با سازوکار توجه (attention) رابطهٔ میان همهٔ بخش‌های ورودی را هم‌زمان می‌سنجد و پایهٔ مدل‌های زبانی بزرگ امروزی است.

روش استدلالی که در آن مدل چند مسیر فکری را هم‌زمان به‌صورت یک درخت کاوش و ارزیابی می‌کند تا به‌جای یک زنجیرهٔ خطی، بهترین راه‌حل را بیابد.

حالتی که مدل به‌قدری ساده یا کم‌آموزش‌دیده است که حتی الگوهای داده‌های آموزشی را نیز نمی‌تواند به‌خوبی فرابگیرد.

روشی در یادگیری ماشین که در آن مدل بدون برچسبِ از پیش‌داده‌شده، خودِ ساختار و الگوهای نهفته در داده مانند گروه‌ها یا خوشه‌ها را کشف می‌کند.

افزایش ابعاد پیکسلیِ یک تصویر یا ویدیو، که در نسخه‌های هوشمندِ آن جزئیات تازه برای حفظ وضوح ساخته می‌شود.

بخشی از داده که در حین توسعه برای تنظیم تنظیمات مدل و انتخاب بهترین نسخه به‌کار می‌رود، جدا از داده‌ای که مدل با آن آموزش می‌بیند.

مشکلی در شبکه‌های عمیق که در آن گرادیان‌ها هنگام پس‌انتشار به‌قدری کوچک می‌شوند که لایه‌های ابتدایی عملاً آموزش نمی‌بینند.

میزانی که نشان می‌دهد پیش‌بینی‌های یک مدلِ یادگیری ماشین چقدر به مجموعهٔ آموزشیِ خاصی که دیده وابسته است؛ واریانسِ بالا یعنی مدل به نویزِ داده‌های آموزشی بیش‌ازحد واکنش نشان می‌دهد و روی داده‌های جدید ناپایدار می‌شود.

مدلی مولد که داده را به یک توزیع احتمالاتی در فضایی فشرده می‌فشرد و سپس از نمونه‌برداری از آن توزیع، داده‌های تازه بازسازی می‌کند.

پایگاه‌داده‌ای که داده‌ها را به‌صورت بردارهای عددی ذخیره می‌کند و امکان جست‌وجوی سریع بر پایهٔ شباهت معنایی را فراهم می‌سازد.

نوعی برنامه‌نویسی که در آن توسعه‌دهنده به جای نوشتن کد دقیق، توصیفات زبان طبیعی را به هوش مصنوعی می‌دهد و با بازخورد سریع آن را اصلاح می‌کند (vibe coding).

مدلی که تصویر و متن را هم‌زمان پردازش می‌کند تا بتواند دربارهٔ محتوای تصویری استدلال کند و به زبان طبیعی دربارهٔ آن پاسخ دهد.

وظیفه‌ای که در آن مدل هوش مصنوعی به پرسش‌های زبان طبیعی دربارهٔ محتوای یک تصویر پاسخ می‌دهد.

یک موتور متن‌باز برای اجرای پرسرعت مدل‌های زبانی که با مدیریت بهینهٔ حافظه، خدمت‌رسانی هم‌زمان به چندین درخواست را ممکن می‌کند.

جزئی که نمایش فشردهٔ صوت را به موج صوتیِ شنیدنی تبدیل می‌کند و در گام پایانیِ تولید گفتار مصنوعی به کار می‌رود.

ساخت نسخه‌ای مصنوعی از صدای یک فرد مشخص از روی نمونه‌های ضبط‌شده، به‌گونه‌ای که بتواند هر متنی را با همان صدا بگوید.

حافظهٔ پرسرعت روی کارت گرافیک که وزن‌های مدل و داده‌های میانی را نگه می‌دارد و ظرفیت آن تعیین می‌کند چه اندازه مدلی روی آن کارت جا می‌شود.

جاسازی یک نشانهٔ پنهان و قابل‌تشخیص در متن یا تصویرِ تولیدشده با هوش مصنوعی تا منشأ ماشینی آن بعداً قابل اثبات باشد.

روشی برای منظم‌سازی که با افزودن جریمه‌ای بر بزرگیِ وزن‌ها، آن‌ها را به مقادیر کوچک‌تر سوق می‌دهد و از بیش‌برازش می‌کاهد.

کاهش دقت عددیِ وزن‌های یک مدل تا حجم و نیاز حافظه‌اش کم شود و بتواند روی سخت‌افزار محدودتر اجرا شود.

پارامترهای عددیِ آموخته‌شدهٔ یک شبکهٔ عصبی که شدت پیوند میان نورون‌ها را تعیین می‌کنند و رفتار مدل را شکل می‌دهند.

معیار سنجش بازشناسی گفتار که نسبت کلمه‌های جابه‌جا، حذف یا اضافه‌شده در رونوشت ماشینی را به کل کلمه‌های متن مرجع می‌سنجد.

توانایی یک مدل هوش مصنوعی در انجام وظیفه‌ای بدون آموزش قبلی روی نمونه‌های مشخص از آن وظیفه، صرفاً با اتکا به دانش عمومی خود.