اعتمادات

التكاثر العكسي

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛

التكاثر العكسي هو طريقة تستخدم لتدريب الشبكات العصبية. وهي تعمل من خلال مقارنة مخرجات النموذج بالإجابة الصحيحة، وحساب الخطأ، ثم إرسال هذا الخطأ مرة أخرى عبر الشبكة لضبط إعداداتها الداخلية. على مدى العديد من الأمثلة، يتحسن النموذج تدريجيًا. يعد Backpropagation أحد التقنيات الرئيسية وراء التعلم العميق الحديث.

اعتمادات

حقيبة الكلمات

: الصورة المرفقة؛ المؤلف: ستيفن وايتلو؛

حقيبة الكلمات هي طريقة بسيطة لتمثيل النص للتعلم الآلي. إنه يتجاهل القواعد النحوية وترتيب الكلمات ويحسب ببساطة الكلمات التي تظهر. على سبيل المثال، قد تبدو عبارة «الذكاء الاصطناعي يساعد الأعمال» و «الأعمال تساعد الذكاء الاصطناعي» متشابهة جدًا في نموذج حقيبة الكلمات. إنها أقل تعقيدًا من نماذج اللغات الحديثة، لكنها لا تزال مفيدة في بعض مهام تصنيف النصوص.

اعتمادات

النموذج الأساسي

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛

النموذج الأساسي هو نموذج الذكاء الاصطناعي الذي تم تدريبه على مجموعة بيانات واسعة ولكن لم يتم تخصيصه بعد لاستخدام معين. على سبيل المثال، قد يتم تدريب نموذج اللغة العامة للتنبؤ بالنص، ثم يتم ضبطه لاحقًا ليصبح مساعدًا مفيدًا أو ملخصًا قانونيًا أو أداة ترميز. النموذج الأساسي هو الأساس الذي تُبنى عليه أنظمة أكثر تخصصًا.

اعتمادات

Bayesian AI

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛


يستخدم الذكاء الاصطناعي البايزي الاحتمالية للتفكير في عدم اليقين. بدلاً من إعطاء إجابة واحدة فقط، يمكن لنهج بايزي تحديث معتقداته مع وصول أدلة جديدة. هذا مفيد في الطب والتنبؤ واكتشاف البريد العشوائي وتحليل المخاطر. الفكرة الأساسية مألوفة: عندما تظهر معلومات جديدة، نقوم بمراجعة ما نعتقد أنه محتمل.

اعتمادات

بحث الشعاع

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛

البحث بالشعاع هو تقنية تُستخدم عندما تقوم أنظمة الذكاء الاصطناعي بإنشاء تسلسلات، مثل النصوص أو الترجمات. بدلاً من اختيار الكلمة التالية الوحيدة الأكثر احتمالاً في كل مرة، يبقي النموذج العديد من الخيارات الممكنة مفتوحة ويستكشفها. يمكن أن يؤدي ذلك إلى تحسين الإخراج النهائي. إنه يشبه إلى حد ما التفكير في العديد من الطرق الممكنة قبل اختيار أفضل رحلة.

اعتمادات

BERT

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛

BERT هو نموذج لغوي مؤثر تم تطويره قبل الموجة الحالية من أدوات الذكاء الاصطناعي للمحادثة الكبيرة. وقد ساعدت أجهزة الكمبيوتر على فهم النص من خلال النظر إلى الكلمات في سياقها من كلا الاتجاهين، بدلاً من مجرد القراءة من اليسار إلى اليمين. تم استخدام BERT على نطاق واسع في مهام البحث والتصنيف وفهم اللغة. لقد ساعدت في تمهيد الطريق لنماذج لغوية أكثر تقدمًا.

اعتمادات

التحيز

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛

في الذكاء الاصطناعي، يمكن أن يعني التحيز عدة أشياء. من الناحية الفنية، قد يشير إلى الافتراضات المضمنة في النموذج. بالمعنى الاجتماعي، يشير إلى النتائج غير العادلة أو المنحرفة التي تؤثر على الأشخاص أو المجموعات. كلا المعاني مهمة. يحتاج نظام الذكاء الاصطناعي المفيد إلى النوع الصحيح من الافتراضات التقنية، ولكن يجب أن يتجنب التحيز الاجتماعي الضار.

اعتمادات

البيانات الضخمة

: الصورة الموردة؛ المؤلف: ستيفن وايتلو؛

تشير البيانات الضخمة إلى مجموعات البيانات الكبيرة جدًا أو المعقدة أو سريعة الحركة التي تكافح الطرق التقليدية للتعامل معها. استفاد الذكاء الاصطناعي بشكل كبير من البيانات الضخمة لأن العديد من أنظمة التعلم الآلي تتحسن عند التدريب على المزيد من الأمثلة. ومع ذلك، فإن المزيد من البيانات ليس دائمًا أفضل. لا يزال بإمكان البيانات ذات الجودة الرديئة أو المتحيزة أو غير ذات الصلة إنتاج ذكاء اصطناعي ضعيف.