Λεξιλόγιο AI (Τεχνητής Νοημοσύνης)
Πλήρης οδηγός 105 ερωταπαντήσεων (FAQ) για τους όρους της Τεχνητής Νοημοσύνης, από τα βασικά Prompts και τα LLMs μέχρι τα αυτόνομα Agentic Workflows, το RAG και τα Νευρωνικά Δίκτυα.
Ερωτήσεις και Απαντήσεις Λεξιλογίου
Μαθηματικές συναρτήσεις (όπως ReLU, GELU, Sigmoid, Softmax) που εφαρμόζονται στην έξοδο κάθε νευρώνα ενός νευρωνικού δικτύου, εισάγοντας μη-γραμμικότητα ώστε το μοντέλο να μαθαίνει σύνθετα, πολυδιάστατα μοτίβα δεδομένων.
Επαναληπτικές, αυτόνομες υπολογιστικές διαδικασίες όπου πράκτορες AI σχεδιάζουν στρατηγική, εκτελούν διαδοχικά βήματα, αξιολογούν τα ενδιάμεσα αποτελέσματα και χρησιμοποιούν εξωτερικά εργαλεία (APIs) χωρίς συνεχή ανθρώπινη καθοδήγηση.
Ένα αυτόνομο λογισμικό που βασίζεται σε LLMs, αντιλαμβάνεται το ψηφιακό του περιβάλλον, λαμβάνει στρατηγικές αποφάσεις και εκτελεί ενέργειες μέσω ψηφιακών εργαλείων για την επίτευξη ενός προκαθορισμένου στόχου.
Το ερευνητικό πεδίο που διασφαλίζει ότι οι στόχοι, οι αποφάσεις και η συμπεριφορά των συστημάτων τεχνητής νοημοσύνης παραμένουν σταθερά ευθυγραμμισμένα με τις ανθρώπινες αξίες, την ασφάλεια και τις ηθικές αρχές.
Προγραμματιστικοί και σημασιολογικοί κανόνες ελέγχου που επιβάλλονται στις εισόδους και εξόδους ενός μοντέλου AI για την αποτροπή παραγωγής επιβλαβούς, ανακριβούς ή νομικά έκθετου περιεχομένου.
Το φαινόμενο κατά το οποίο ένα παραγωγικό μοντέλο παράγει πληροφορίες με απόλυτη πειστικότητα και αυτοπεποίθηση, οι οποίες όμως είναι ανυπόστατες, ανακριβείς ή εντελώς κατασκευασμένες.
Συστηματικά και άδικα σφάλματα στις εξόδους ενός μοντέλου AI, τα οποία οφείλονται σε ιστορικές προκαταλήψεις, ανισορροπίες ή αποκλεισμούς που υπήρχαν στα δεδομένα εκπαίδευσης.
Μια θεωρητική μορφή νοημοσύνης μηχανής ικανή να κατανοεί, να μαθαίνει και να εφαρμόζει γνώσεις σε οποιοδήποτε διανοητικό έργο, με απόδοση ίση ή ανώτερη από αυτή του ανθρώπου.
Ο επιστημονικός τομέας της πληροφορικής που αναπτύσσει συστήματα και αλγορίθμους ικανούς να επιλύουν προβλήματα, να αναγνωρίζουν μοτίβα και να παίρνουν αποφάσεις προσομοιώνοντας την ανθρώπινη νόηση.
Αρχιτεκτονικός μηχανισμός στα νευρωνικά δίκτυα Transformer που επιτρέπει στο μοντέλο να εστιάζει δυναμικά σε διαφορετικά σημεία της ακολουθίας εισόδου, υπολογίζοντας μαθηματικά ποιες λέξεις σχετίζονται μεταξύ τους.
Νευρωνικό δίκτυο μη εποπτευόμενης μάθησης που συμπιέζει τα δεδομένα εισόδου σε έναν κρυφό χώρο χαμηλότερης διάστασης (encoder) και στη συνέχεια τα ανακατασκευάζει πιστά (decoder).
Ο βασικός μαθηματικός αλγόριθμος εκπαίδευσης νευρωνικών δικτύων, ο οποίος υπολογίζει την κλίση του σφάλματος ως προς κάθε βάρος μέσω του κανόνα της αλυσίδας και αναπροσαρμόζει τις παραμέτρους.
Τεράστιοι όγκοι ποικιλόμορφων ψηφιακών πληροφοριών που συγκεντρώνονται με υψηλή ταχύτητα και αποτελούν την απαραίτητη πρώτη ύλη για την εκπαίδευση μοντέλων μηχανικής μάθησης.
Συστήματα τεχνητής νοημοσύνης των οποίων οι εσωτερικοί υπολογισμοί είναι τόσο σύνθετοι, ώστε οι άνθρωποι δεν μπορούν να εξηγήσουν αναλυτικά πώς οδηγήθηκαν σε μια συγκεκριμένη απόφαση.
Το φαινόμενο όπου ένα τεχνητό νευρωνικό δίκτυο χάνει ολοκληρωτικά τη γνώση παλαιότερων εργασιών όταν εκπαιδεύεται σειριακά πάνω σε νέα, διαφορετικά δεδομένα.
Τεχνική καθοδήγησης όπου ζητάμε από το γλωσσικό μοντέλο να διατυπώσει ενδιάμεσα βήματα λογικής ανάλυσης πριν καταλήξει στην τελική απάντηση ενός σύνθετου προβλήματος.
Εφαρμογή λογισμικού σχεδιασμένη να συνομιλεί με χρήστες μέσω γραπτού κειμένου ή φωνής, είτε με βάση προκαθορισμένους κανόνες είτε μέσω σύγχρονων μοντέλων LLM.
Υπηρεσίες και υποδομές τεχνητής νοημοσύνης που φιλοξενούνται σε απομακρυσμένους διακομιστές (data centers) και παρέχονται μέσω APIs, απαλλάσσοντας τους χρήστες από την ανάγκη τοπικού πανίσχυρου hardware.
Συστήματα υπολογιστών που μιμούνται τον τρόπο σκέψης και επίλυσης προβλημάτων του ανθρώπινου εγκεφάλου, συνδυάζοντας μηχανική μάθηση και ανάλυση συμφραζομένων.
Ο κλάδος της AI που επιτρέπει σε υπολογιστές να αντιλαμβάνονται, να επεξεργάζονται και να αναγνωρίζουν αντικείμενα ή πρόσωπα μέσα από ψηφιακές εικόνες και βίντεο.
Το μέγιστο εύρος δεδομένων (μετρούμενο σε tokens) που μπορεί να λάβει υπόψη του ένα LLM ταυτόχρονα στη μνήμη του κατά τη διάρκεια μιας συνομιλίας ή επεξεργασίας κειμένου.
Μέθοδος αυτο-εποπτευόμενης μάθησης όπου το νευρωνικό δίκτυο εκπαιδεύεται να φέρνει κοντά στον διανυσματικό χώρο τα συναφή ζεύγη δεδομένων και να απομακρύνει τα μη συναφή.
Τεχνολογίες NLP και παραγωγικών μοντέλων που επιτρέπουν στις μηχανές να διεξάγουν φυσικό, πολυμερή και προσαρμοστικό διάλογο με ανθρώπους.
Εξειδικευμένη αρχιτεκτονική βαθιάς μάθησης που χρησιμοποιεί μαθηματικά φίλτρα συνέλιξης για την αυτόματη αναγνώριση οπτικών προτύπων και χαρακτηριστικών σε εικόνες.
Συνάρτηση κόστους που χρησιμοποιείται κατά κόρον σε προβλήματα κατηγοριοποίησης, μετρώντας την απόκλιση ανάμεσα στις πιθανότητες του μοντέλου και τις πραγματικές τιμές.
Η διαδικασία προσθήκης μεταδεδομένων, ετικετών ή περιγραφών σε ακατέργαστα ψηφιακά αρχεία, ώστε να μπορούν να αξιοποιηθούν για την εκπαίδευση μοντέλων AI.
Τεχνική τεχνητής διεύρυνσης του όγκου και της ποικιλίας των δεδομένων εκπαίδευσης μέσω ελεγχόμενων μετασχηματισμών (π.χ. περιστροφές εικόνας, παραφράσεις κειμένου).
Ο προσδιορισμός και η αντιστοίχιση της σωστής απάντησης (ground truth) σε κάθε δείγμα δεδομένων, απαραίτητο στάδιο για την εποπτευόμενη μηχανική μάθηση.
Μια οργανωμένη και δομημένη συλλογή πληροφοριών που χρησιμοποιείται αποκλειστικά για την εκπαίδευση, την επικύρωση και τον έλεγχο ακρίβειας ενός αλγορίθμου AI.
Υποσύνολο του Machine Learning που χρησιμοποιεί νευρωνικά δίκτυα πολλαπλών επιπέδων (deep networks) για να εξάγει αυτόματα αφηρημένα χαρακτηριστικά από ακατέργαστα δεδομένα.
Ρεαλιστικά κατασκευασμένες εικόνες, βίντεο ή ηχητικά κλιπ που δημιουργούνται με παραγωγική AI, εμφανίζοντας πρόσωπα να ενεργούν ή να μιλούν χωρίς να το έχουν κάνει στην πραγματικότητα.
Κατηγορία παραγωγικών μοντέλων που δημιουργούν εικόνες υψηλής ανάλυσης μαθαίνοντας να αφαιρούν σταδιακά τον θόρυβο από ένα αρχικά τυχαίο σήμα.
Μέθοδος ευθυγράμμισης LLMs που προσαρμόζει τις πιθανότητες του μοντέλου απευθείας βάσει ανθρώπινων προτιμήσεων, χωρίς την ανάγκη εκπαίδευσης ξεχωριστού μοντέλου επιβράβευσης.
Το ταξινομητικό υπο-δίκτυο στα GANs που εξετάζει τα δείγματα και εκτιμά την πιθανότητα να προέρχονται από τα πραγματικά δεδομένα ή από τη γεννήτρια (generator).
Τεχνική κανονικοποίησης κατά την οποία τυχαία επιλεγμένοι νευρώνες τίθενται εκτός λειτουργίας σε κάθε βήμα εκπαίδευσης, αποτρέποντας την υπερπροσαρμογή (overfitting).
Η εκτέλεση αλγορίθμων μηχανικής μάθησης απευθείας σε τοπικές συσκευές (όπως smartphones, drones, κάμερες) χωρίς απαίτηση αποστολής δεδομένων σε κεντρικό cloud server.
Αριθμητικά διανύσματα που αναπαριστούν λέξεις, έννοιες ή εικόνες, χαρτογραφώντας σημασιολογικά συναφή στοιχεία σε κοντινή απόσταση στον διανυσματικό χώρο.
Ένας πλήρης υπολογιστικός κύκλος κατά τον οποίο ολόκληρο το σύνολο δεδομένων εκπαίδευσης περνάει μία φορά εμπρός και πίσω μέσα από το νευρωνικό δίκτυο.
Το πλαίσιο αρχών, κανονισμών και πρακτικών που διασφαλίζει ότι τα συστήματα AI αναπτύσσονται με διαφάνεια, κοινωνική δικαιοσύνη και προστασία της ιδιωτικότητας.
Ο EU AI Act είναι το πρώτο ολοκληρωμένο νομικό πλαίσιο παγκοσμίως για την ΤΝ. Κατηγοριοποιεί τις εφαρμογές AI βάσει ρίσκου και επιβάλλει στις επιχειρήσεις υποχρεώσεις διαφάνειας, AI literacy (εκπαίδευση προσωπικού) και τεκμηρίωσης ασφαλείας.
Σύνολο μεθόδων και εργαλείων που επιτρέπουν στους ανθρώπους να κατανοούν και να εμπιστεύονται τα αποτελέσματα και τη λογική διαδρομή που ακολούθησε ένα σύστημα AI.
Αποκεντρωμένη τεχνική εκπαίδευσης όπου το μοντέλο εκπαιδεύεται τοπικά σε περιφερειακές συσκευές χρηστών και αποστέλλει μόνο ανανεώσεις παραμέτρων στον κεντρικό server, προστατεύοντας τα ευαίσθητα δεδομένα.
Η ικανότητα ενός γλωσσικού μοντέλου να εκτελεί με επιτυχία μια νέα αποστολή λαμβάνοντας υπόψη μόνο 2 έως 5 ενδεικτικά παραδείγματα μέσα στο prompt.
Η περαιτέρω εκπαίδευση ενός προ-εκπαιδευμένου θεμελιώδους μοντέλου πάνω σε ένα εξειδικευμένο σύνολο δεδομένων ώστε να αποκτήσει γνώσεις συγκεκριμένου αντικειμένου.
Ένα μοντέλο τεράστιας κλίμακας (όπως GPT, Gemini, Claude) που έχει εκπαιδευτεί σε τεράστιους όγκους δεδομένων και μπορεί να προσαρμοστεί σε εκατοντάδες επιμέρους εργασίες.
Επίπεδο νευρωνικού δικτύου στο οποίο κάθε νευρώνας λαμβάνει είσοδο από όλους ανεξαιρέτως τους νευρώνες του προηγούμενου στρώματος, αξιοποιούμενο κυρίως στο τελικό στάδιο ταξινόμησης.
Το Function Calling επιτρέπει σε ένα LLM να επιστρέφει δομημένες κλήσεις (JSON) προς εξωτερικές συναρτήσεις λογισμικού — π.χ. έλεγχο αποθέματος ή κράτηση στο Google Calendar — μετατρέποντας το AI από απλό συνομιλητή σε εκτελεστικό βραχίονα.
Αρχιτεκτονική βαθιάς μάθησης που συνδυάζει δύο ανταγωνιστικά δίκτυα: μια Γεννήτρια (Generator) που παράγει δεδομένα και έναν Διαχωριστή (Discriminator) που προσπαθεί να εντοπίσει αν είναι αληθινά ή πλαστά.
Κλάδος της AI που επικεντρώνεται στη δημιουργία πρωτότυπου περιεχομένου, όπως κείμενο, εικόνες, κώδικας, ήχος και βίντεο, βάσει οδηγιών του χρήστη.
Επαναληπτικός μαθηματικός αλγόριθμος βελτιστοποίησης που χρησιμοποιείται για την ελαχιστοποίηση του σφάλματος του μοντέλου, μετακινώντας τα βάρη προς την αντίθετη κατεύθυνση της κλίσης.
Η διαδικασία σύνδεσης των παραγόμενων απαντήσεων ενός LLM με πραγματικές, ελεγμένες πηγές πληροφόρησης (όπως εταιρικές βάσεις δεδομένων ή ζωντανή αναζήτηση), μειώνοντας δραστικά τις ψευδαισθήσεις.
Το σύνολο τεχνικών και ρυθμίσεων (όπως RAG, μειωμένη θερμοκρασία και fact-checking prompts) που εφαρμόζονται για την αποτροπή κατασκευής αναληθών στοιχείων από τα μοντέλα.
Μια πρακτική υπολογιστική προσέγγιση ή κανόνας εμπειρίας που βρίσκει γρήγορα μια ικανοποιητική λύση σε περίπλοκα προβλήματα όπου ο υπολογισμός της απόλυτα βέλτιστης λύσης είναι αδύνατος.
Αρχιτεκτονική σχεδίαση όπου το AI αναλαμβάνει το 80-90% της προεργασίας (σύνταξη, ανάλυση, κατηγοριοποίηση), αλλά η τελική έγκριση σε κρίσιμα σημεία απαιτεί την επιβεβαίωση ενός ανθρώπου.
Οι ρυθμίσεις του αλγορίθμου (όπως ο ρυθμός μάθησης, το batch size και ο αριθμός επιπέδων) που καθορίζονται χειροκίνητα από τον μηχανικό AI πριν ξεκινήσει η διαδικασία εκπαίδευσης.
Η δυνατότητα των μεγάλων γλωσσικών μοντέλων να εκτελούν νέες διεργασίες άμεσα, κατανοώντας οδηγίες και υποδείγματα που υπάρχουν αποκλειστικά μέσα στο κείμενο του prompt.
Η φάση λειτουργίας κατά την οποία ένα ήδη εκπαιδευμένο μοντέλο λαμβάνει νέα δεδομένα εισόδου και υπολογίζει ζωντανά την πρόβλεψη ή παράγει την απάντηση για τον τελικό χρήστη.
Μέθοδος fine-tuning κατά την οποία ένα γλωσσικό μοντέλο εκπαιδεύεται πάνω σε χιλιάδες ζεύγη σαφών εντολών και απαντήσεων, εκπαιδεύοντάς το να ακολουθεί πιστά προτροπές.
Ο βαθμός ευκολίας με τον οποίο ένας άνθρωπος μπορεί να κατανοήσει τη μηχανική αιτιότητα και τους παράγοντες που οδήγησαν ένα σύστημα AI σε ένα συγκεκριμένο αποτέλεσμα.
Τεχνική συμπίεσης όπου ένα μικρότερο, ταχύτερο μοντέλο («μαθητής») εκπαιδεύεται να μιμείται την έξοδο και τη συμπεριφορά ενός πολύ μεγαλύτερου μοντέλου («δάσκαλος»).
Δομημένη αναπαράσταση πραγματικών οντοτήτων, εννοιών και των μεταξύ τους σημασιολογικών σχέσεων σε μορφή δικτύου, προσφέροντας στα συστήματα AI συγκειμενική κατανόηση.
Βαθιά νευρωνικά δίκτυα δισεκατομμυρίων παραμέτρων, εκπαιδευμένα σε τεράστιους όγκους κειμένου, ικανά να κατανοούν, να συνθέτουν και να μεταφράζουν ανθρώπινη γλώσσα.
Ένας πολυδιάστατος αφηρημένος μαθηματικός χώρος στον οποίο το μοντέλο αποτυπώνει συμπιεσμένα χαρακτηριστικά, οργανώνοντας παρόμοιες έννοιες σε κοντινά σημεία.
Κρίσιμη υπερπαράμετρος που καθορίζει πόσο μεγάλο βήμα προσαρμογής κάνουν τα βάρη του νευρωνικού δικτύου προς την κατεύθυνση μείωσης του σφάλματος σε κάθε επανάληψη.
Μαθηματική συνάρτηση που αξιολογεί και ποσοτικοποιεί την απόκλιση μεταξύ των προβλέψεων του μοντέλου και των πραγματικών τιμών, καθοδηγώντας τη μάθηση.
Αποδοτική τεχνική PEFT (Parameter-Efficient Fine-Tuning) που διατηρεί σταθερά τα αρχικά βάρη του LLM και εκπαιδεύει μόνο μικρούς βοηθητικούς πίνακες χαμηλής τάξης.
Επιστημονικός κλάδος που αναπτύσσει αλγορίθμους με δυνατότητα αυτόματης εξαγωγής γνώσης και βελτίωσης της ακρίβειάς τους μέσα από δεδομένα, χωρίς ρητό προγραμματισμό.
Ανοιχτό πρότυπο που επιτρέπει στα μοντέλα AI να συνδέονται με ασφάλεια και ενιαίο τρόπο σε εξωτερικές πηγές δεδομένων και εργαλεία (Google Drive, Slack, βάσεις SQL, CRM) χωρίς ξεχωριστό custom κώδικα για κάθε διασύνδεση.
Αρχιτεκτονική μοντέλων όπου πολλαπλά εξειδικευμένα υπο-δίκτυα («ειδικοί») διαμοιράζονται διαφορετικές υπολογιστικές εργασίες, ενεργοποιώντας μόνο ένα υποσύνολο παραμέτρων ανά token.
Η σταδιακή πτώση της προγνωστικής ακρίβειας ενός μοντέλου στην παραγωγή, εξαιτίας αλλαγών στις πραγματικές συνθήκες και στις τάσεις των νέων δεδομένων εισόδου.
Οι εσωτερικές αριθμητικές μεταβλητές (βάρη και πολώσεις) που προσαρμόονται αυτόματα κατά την εκπαίδευση, καθορίζοντας τη συνολική γνώση και συμπεριφορά του LLM.
Τεχνική βελτιστοποίησης που μειώνει την ακρίβεια αναπαράστασης των βαρών (π.χ. από 16-bit float σε 4-bit integer), επιτρέποντας την εκτέλεση μοντέλων με πολύ λιγότερη μνήμη VRAM.
Συστήματα AI ικανά να επεξεργάζονται, να συνδυάζουν και να παράγουν ταυτόχρονα διαφορετικούς τύπους δεδομένων, όπως κείμενο, εικόνες, ήχο και βίντεο.
Η υπολογιστική διαδικασία μετατροπής δομημένων δεδομένων σε φυσικές, συντακτικά ορθές και κατανοητές προτάσεις ανθρώπινης γλώσσας.
Ο ευρύτερος τομέας της AI που δίνει στους υπολογιστές τη δυνατότητα να διαβάζουν, να αποκωδικοποιούν και να συνθέτουν ανθρώπινο κείμενο και ομιλία.
Το υποσύνολο του NLP που εστιάζει στην εξαγωγή του ουσιαστικού νοήματος, της πρόθεσης (intent) και των βασικών οντοτήτων από το γραπτό ή προφορικό κείμενο.
Υπολογιστικό σύστημα εμπνευσμένο από τη δομή του ανθρώπινου εγκεφάλου, αποτελούμενο από διασυνδεδεμένους νευρώνες οργανωμένους σε πολλαπλά επίπεδα επεξεργασίας.
Η ικανότητα ενός συστήματος να εκτελεί με επιτυχία μια νέα κατηγοριοποίηση ή εργασία αφού εξετάσει ένα και μοναδικό ενδεικτικό δείγμα.
Τεχνολογία αναγνώρισης οπτικών μοτίβων που μετατρέπει χειρόγραφα ή έντυπα κείμενα από σαρωμένες εικόνες και έγγραφα σε επεξεργάσιμο ψηφιακό κείμενο.
Το σφάλμα κατά το οποίο ένα μοντέλο αποστηθίζει τα δεδομένα εκπαίδευσης μαζί με τον θόρυβό τους, με αποτέλεσμα να αποτυγχάνει να γενικεύσει σωστά σε άγνωστα νέα δεδομένα.
Στατιστική μετρική αξιολόγησης γλωσσικών μοντέλων που ποσοτικοποιεί πόσο καλά προβλέπει το μοντέλο ένα δείγμα κειμένου· χαμηλότερη τιμή υποδηλώνει μεγαλύτερη βεβαιότητα.
Η τεχνική σύνταξης, δόμησης και βελτιστοποίησης οδηγιών προς παραγωγικά μοντέλα, με στόχο την εξαγωγή της μέγιστης ακρίβειας και ποιότητας απάντησης.
Τεχνική κυβερνοεπίθεσης όπου παραπλανητικές οδηγίες εισάγονται στο prompt με σκοπό να παρακάμψουν τα προστατευτικά όρια ασφαλείας του συστήματος AI.
Αλγόριθμος ενισχυτικής μάθησης χωρίς μοντέλο (model-free RL) που εκτιμά τη χρησιμότητα μιας ενέργειας σε μια δεδομένη κατάσταση μέσω της μαθηματικής συνάρτησης Q.
Αρχιτεκτονική νευρωνικών δικτύων με εσωτερικούς βρόχους ανάδρασης, σχεδιασμένη για τη διαχείριση ακολουθιών όπως χρονοσειρές και κείμενα.
Μέθοδος εκμάθησης μηχανής όπου ένας υπολογιστικός πράκτορας μαθαίνει να λαμβάνει αποφάσεις μέσω δοκιμής και λάθους, μεγιστοποιώντας ανταμοιβές και μειώνοντας ποινές.
Μέθοδος εκπαίδευσης LLMs όπου ανθρώπινοι αξιολογητές βαθμολογούν διαφορετικές απαντήσεις, βοηθώντας το μοντέλο να ευθυγραμμιστεί με τους ανθρώπινους κανόνες και προτιμήσεις.
Αρχιτεκτονική που ανακτά σχετικά αποσπάσματα από μια εξωτερική βάση γνώσεων και τα προσθέτει στο prompt του LLM πριν αυτό συνθέσει την τελική απάντηση.
Τεχνολογία λογισμικού που μιμείται αυτοματοποιημένα επαναλαμβανόμενες ρουτίνες γραφείου (όπως αντιγραφή στοιχείων και συμπλήρωση φορμών) για εξοικονόμηση χρόνου.
Μαθηματικές μετρικές που συγκρίνουν επικαλύψεις n-grams για να εκτιμήσουν την ποιότητα της αυτόματης περίληψης και της αυτόματης μετάφρασης σε σχέση με ανθρώπινα κείμενα αναφοράς.
Μέθοδος ανάκτησης πληροφοριών που κατανοεί την πρόθεση και το εννοιολογικό βάθος του ερωτήματος μέσω διανυσμάτων, αντί να βασίζεται στην απλή ταύτιση λέξεων-κλειδιών.
Διαδικασία NLP που εντοπίζει και ποσοτικοποιεί τη συναισθηματική διάθεση (θετική, ουδέτερη ή αρνητική) πίσω από ένα γραπτό κείμενο, κριτική ή σχόλιο.
Η ανεπίσημη χρήση δωρεάν καταναλωτικών εργαλείων AI από υπαλλήλους χωρίς την έγκριση του τμήματος IT, εκθέτοντας εταιρικά δεδομένα σε κίνδυνο διαρροής.
Κατηγορία μηχανικής μάθησης όπου ο αλγόριθμος εκπαιδεύεται πάνω σε δεδομένα που φέρουν ήδη τη σωστή ετικέτα (label), μαθαίνοντας να αντιστοιχίζει εισόδους με εξόδους.
Τεχνητά δεδομένα που δημιουργούνται από αλγορίθμους και μοντέλα AI αντί από πραγματικά γεγονότα, επιτρέποντας την εκπαίδευση συστημάτων χωρίς κινδύνους παραβίασης ιδιωτικότητας.
Οι κεντρικές οδηγίες διακυβέρνησης που δίνονται στο μοντέλο πριν ξεκινήσει η συνομιλία με τον χρήστη, καθορίζοντας τον ρόλο, τον τόνο φωνής και τα όρια ασφαλείας της εφαρμογής AI.
Παράμετρος που ρυθμίζει την τυχαιότητα και τη δημιουργικότητα των απαντήσεων: χαμηλές τιμές (π.χ. 0.2) δίνουν αυστηρά προβλέψιμες απαντήσεις, ενώ υψηλές (π.χ. 0.8) αυξάνουν την ποικιλομορφία.
Οι βασικές μονάδες κειμένου (χαρακτήρες, συλλαβές ή λέξεις) στις οποίες διασπάται μια πρόταση ώστε να μετατραπεί σε αριθμητική μορφή κατανοητή από το γλωσσικό μοντέλο.
Τεχνική κατά την οποία ένα μοντέλο που έχει εκπαιδευτεί σε έναν μεγάλο όγκο δεδομένων επαναχρησιμοποιείται ως βάση εκκίνησης για την επίλυση μιας νέας, εξειδικευμένης εργασίας.
Η επαναστατική αρχιτεκτονική βαθιάς μάθησης (Vaswani et al., 2017) που βασίζεται στον μηχανισμό αυτό-προσοχής (self-attention) και αποτελεί τη βάση των σύγχρονων LLMs.
Το σφάλμα κατά το οποίο ένα μοντέλο είναι υπερβολικά απλοϊκό για να αποτυπώσει τα βασικά μοτίβα των δεδομένων, παρουσιάζοντας χαμηλή ακρίβεια τόσο στην εκπαίδευση όσο και στις δοκιμές.
Κατηγορία αλγορίθμων που εκπαιδεύονται σε δεδομένα χωρίς προκαθορισμένες ετικέτες, ανακαλύπτοντας αυτόνομα εσωτερικές ομαδοποιήσεις, συστάδες (clusters) και μοτίβα.
Εξειδικευμένο σύστημα βάσης δεδομένων σχεδιασμένο να αποθηκεύει, να ευρετηριάζει και να αναζητά ταχύτατα πολυδιάστατα διανύσματα (embeddings) βάσει μαθηματικής ομοιότητας.
Πολυτροπικό μοντέλο ικανό να επεξεργάζεται ταυτόχρονα εικόνες και κείμενο, απαντώντας σε ερωτήσεις για οπτικό περιεχόμενο, παράγοντας λεζάντες ή εξάγοντας δεδομένα από γραφήματα.
Οι ρυθμιζόμενοι μαθηματικοί συντελεστές ενός νευρώνα· τα βάρη (weights) καθορίζουν τη βαρύτητα μιας εισόδου, ενώ η πόλωση (bias) μετατοπίζει τη συνάρτηση ενεργοποίησης ανεξάρτητα από τις εισόδους.
Η ικανότητα ενός προ-εκπαιδευμένου μοντέλου να εκτελεί με επιτυχία μια εντελώς νέα εργασία ή ταξινόμηση μόνο βάσει των οδηγιών της περιγραφής, χωρίς να έχει δει κανένα προηγούμενο παράδειγμα.
Εξερευνήστε και τα υπόλοιπα Λεξιλόγια FAQ
Βρήκατε το περιεχόμενο χρήσιμο; Μοιραστείτε το
Βοηθήστε κι άλλα στελέχη και ομάδες να πάρουν καλύτερες αποφάσεις τεχνολογίας & marketing.
Θέλετε να μετατρέψετε την ορολογία σε πρακτική στρατηγική;
Ας συζητήσουμε πώς το AI, το Marketing και το Google Workspace μπορούν να συνδεθούν ουσιαστικά στον δικό σας οργανισμό.