TechCrunch összeállította az AI leggyakoribb kifejezéseit

Az AI forradalma új nyelvet teremt, tele olyan kifejezésekkel, mint az LLM, RAG vagy RLHF. A TechCrunch összeállított egy szótárat, hogy segítsen megérteni a leggyakoribb AI-fogalmakat.

AGI (Mesterséges Általános Intelligencia)

Az AGI olyan AI-t jelöl, amely a legtöbb feladatban képes felülmúlni az átlagos embert. Az OpenAI vezérigazgatója, Sam Altman szerint ez olyan, mintha egy „munkatársnak felvehető emberi egyenrangú” lenne. Az OpenAI alapokmánya szerint „magasan autonóm rendszerek, amelyek a legtöbb gazdaságilag értékes munkában emberfelettiek”. A Google DeepMind másképp látja: náluk az AGI „legalább annyira képes az emberhez, mint az ember a legtöbb kognitív feladatban”. A kutatók is bizonytalanok a pontos definícióban.

Kapcsolódó: AI és munkaattitűd

AI-ügynök

Egy AI-ügynök olyan eszköz, amely AI-technológiákat használ több feladat elvégzésére, mint egy egyszerű chatbot. Ilyen lehet például a költségek számlázása, jegyek foglalása vagy akár kódírás és karbantartás. A „AI-ügynök” jelentése eltérő lehet, az infrastruktúra még épül. Az alapkoncepció egy autonóm rendszer, amely több AI-rendszert is képes használni több lépésből álló feladatok elvégzésére.

API-végpontok

Az API-végpontok olyan „gombok” egy szoftver mögött, amelyeket más programok megnyomhatnak, hogy azok működésre bírják. Fejlesztők ezeken az interfészeken keresztül integrációkat hoznak létre, például lehetővé teszik, hogy egy alkalmazás adatokat húzzon ki egy másikból, vagy hogy egy AI-ügynök harmadik féltől származó szolgáltatásokat vezéreljen emberi beavatkozás nélkül. Az AI-ügynökök egyre képesebbek ezeket a végpontokat önállóan megtalálni és használni.

Kapcsolódó: OpenAI betanítási fázisok

Láncolatgondolkodás (Chain of thought)

Egy egyszerű kérdésre az emberi agy gyorsan válaszol, de bonyolultabb feladatokhoz köztes lépésekre van szükség. Az AI-kontextusban a láncolatgondolkodás azt jelenti, hogy egy problémát kisebb, köztes lépésekre bontanak, javítva az eredmény minőségét. Ez általában hosszabb válaszidőt eredményez, de a válaszok pontosabbak lehetnek, különösen logikai vagy kódolási feladatoknál. Ezeket a modelleket megerősítéses tanulással optimalizálják.

Kódot író ügynökök (Coding agents)

Ez egy specifikusabb fogalom az AI-ügynökökön belül. Egy kódot író ügynök szoftverfejlesztésre szakosodott. Nemcsak javasol kódot, hanem képes azt önállóan megírni, tesztelni és hibátlanítani, átvéve az iteratív, próbálkozás-alapú munkát. Ezek az ügynökök teljes kódbázisokon dolgozhatnak, hibákat kereshetnek és javításokat küldhetnek minimális emberi felügyelettel.

Kapcsolódó: AI etikai kritika

Számítási kapacitás (Compute)

A számítási kapacitás általában a létfontosságú feldolgozási teljesítményre utal, amely lehetővé teszi az AI-modellek működését. Ez a feldolgozás táplálja az AI-ipart, lehetővé téve a modellek betanítását és telepítését. A kifejezés gyakran a hardverre utal, mint a GPU-k, CPU-k, TPU-k és más infrastruktúrák, amelyek a modern AI-ipar alapját képezik.

Mélytanulás (Deep learning)

A gépi tanulás egy olyan ága, ahol az AI-algoritmusok több rétegű, mesterséges neurális hálózati (ANN) struktúrával rendelkeznek. Ez lehetővé teszi számukra, hogy komplexebb összefüggéseket fedezzenek fel, mint az egyszerűbb gépi tanulási rendszerek. A mélytanulás algoritmusai az emberi agyban található neuronok összekapcsolt útvonalait veszik mintául. Ezek a modellek képesek maguk azonosítani a fontos jellemzőket az adatokban, emberi beavatkozás nélkül. Azonban rengeteg adatra van szükségük a jó eredményekhez, és tovább tart a betanításuk.

Kapcsolódó: AI félelmei és kockázatai

Diffúzió (Diffusion)

Ez a technológia áll számos kép-, zene- és szöveggeneráló AI-modell mögött. Fizikai inspirációval a diffúziós rendszerek lassan „elpusztítják” az adatok szerkezetét zaj hozzáadásával, amíg csak zaj nem marad. Az AI-ban a diffúziós rendszerek a „fordított diffúziós” folyamatot tanulják meg, hogy az adatokat a zajból helyreállítsák.

Desztilláció (Distillation)

A desztilláció egy technika, amellyel tudást vonnak ki egy nagy AI-modellből egy „tanár-diák” modell segítségével. A válaszokat egy adatkészlettel hasonlítják össze a pontosság érdekében, majd ezeket a kimeneteket használják a diák modell betanítására. Ez lehetővé teszi kisebb, hatékonyabb modellek létrehozását. Az OpenAI valószínűleg így fejlesztette a GPT-4 Turbo-t.

Kapcsolódó: Meta és a Gen Z nyelvhasználat

Finomhangolás (finomhangolás)

Ez a kifejezés az AI-modell további betanítására utal, hogy optimalizálják a teljesítményét egy specifikusabb feladat vagy terület iránt, mint ami eredeti betanításának fókusza volt, jellemzően új, specializált adatokkal.