FAQs

Αλγόριθμος (Algorithm): Ένα σύνολο κανόνων που μπορεί να ακολουθήσει μία μηχανή για την εκτέλεση μιας εργασίας.

Τεχνητή νοημοσύνη (Artificial intelligence): Αναφέρεται στη γενική έννοια των μηχανών που ενεργούν με τρόπο που προσομοιώνει ή μιμείται την ανθρώπινη νοημοσύνη. Η τεχνητή νοημοσύνη μπορεί να έχει μια ποικιλία χαρακτηριστικών, όπως ανθρώπινη επικοινωνία ή λήψη αποφάσεων.

Αυτονομία (Autonomous): Μία μηχανή περιγράφεται ως αυτόνομη εάν μπορεί να εκτελέσει την εργασία ή τις εργασίες της χωρίς ανθρώπινη παρέμβαση.

Ανάστροφη ακολουθία εκτέλεσης (Backward chaining): Μία μέθοδος όπου το μοντέλο ξεκινά με το επιθυμητό αποτέλεσμα και λειτουργεί αντίστροφα για να βρει δεδομένα που μπορεί να το υποστηρίξουν.

Μεροληψία (Bias): Υποθέσεις που γίνονται από ένα μοντέλο και απλοποιούν τη διαδικασία μάθησης για την εκτέλεση της εργασίας που του έχει ανατεθεί. Τα περισσότερα εποπτευόμενα μοντέλα μηχανικής μάθησης αποδίδουν καλύτερα με χαμηλή μεροληψία, καθώς αυτές οι υποθέσεις μπορούν να επηρεάσουν αρνητικά τα αποτελέσματα.

Μεγάλα δεδομένα (Big data): Σύνολα δεδομένων που είναι τόσο μεγάλα ή πολύπλοκα που οι παραδοσιακές εφαρμογές επεξεργασίας δεδομένων είναι ανεπαρκείς.

Πλαίσιο οριοθέτησης (Bounding box): Χρησιμοποιείται συνήθως σε ετικέτες εικόνας ή βίντεο και είναι ένα νοητό πλαίσιο που βασίζεται σε οπτικές πληροφορίες. Τα περιεχόμενα του πλαισίου επισημαίνονται για να βοηθήσουν ένα μοντέλο να το αναγνωρίσει ως ξεχωριστό είδος αντικειμένου.

Ψηφιακός βοηθός (Chatbot): Το chatbot είναι ένα πρόγραμμα που έχει σχεδιαστεί έτσι ώστε να επικοινωνεί με ανθρώπους μέσω κειμένου ή φωνητικών εντολών με τρόπο που μιμείται την ανθρώπινη συνομιλία.

Γνωστική πληροφορική (Cognitive computing): Αυτός είναι ουσιαστικά ένας άλλος τρόπος για να πούμε τεχνητή νοημοσύνη. Ο όρος αυτός χρησιμοποιείται από ομάδες μάρκετινγκ σε ορισμένες εταιρείες για να αποφευχθεί η αύρα επιστημονικής φαντασίας που μερικές φορές περιβάλλει την τεχνητή νοημοσύνη.

Υπολογιστική θεωρία μάθησης (Computational learning theory): Ένα πεδίο εντός της τεχνητής νοημοσύνης που ασχολείται κυρίως με τη δημιουργία και την ανάλυση αλγορίθμων μηχανικής μάθησης.

Σώμα κειμένων (Corpus): Ένα μεγάλο σύνολο δεδομένων γραπτού ή προφορικού υλικού που μπορεί να χρησιμοποιηθεί για την εκπαίδευση μιας μηχανής ώστε να εκτελεί γλωσσικές εργασίες.

Εξόρυξη δεδομένων (Data mining): Η διαδικασία ανάλυσης συνόλων δεδομένων με σκοπό την ανακάλυψη νέων προτύπων που θα μπορούσαν να βελτιώσουν το μοντέλο.

Επιστήμη δεδομένων (Data science): Αντλώντας δεδομένα από την στατιστική, την επιστήμη των υπολογιστών και την επιστήμη της πληροφορίας, αυτός ο διεπιστημονικός τομέας στοχεύει στη χρήση ποικίλων επιστημονικών μεθόδων, διαδικασιών και συστημάτων για την επίλυση προβλημάτων που αφορούν δεδομένα.

Σύνολο δεδομένων (Dataset): Μία συλλογή σχετικών σημείων δεδομένων, συνήθως με ενιαία σειρά και ετικέτες.

Βαθιά μάθηση (Deep learning): Μία λειτουργία τεχνητής νοημοσύνης που μιμείται τον ανθρώπινο εγκέφαλο μαθαίνοντας από τον τρόπο που δομούνται τα δεδομένα και όχι από έναν αλγόριθμο που είναι προγραμματισμένος να κάνει μία συγκεκριμένη εργασία.

Επισήμανση οντοτήτων (Entity annotation): Η διαδικασία επισήμανσης μη δομημένων προτάσεων με πληροφορίες, έτσι ώστε μία μηχανή να μπορεί να τις διαβάσει. Αυτό θα μπορούσε να περιλαμβάνει την επισήμανση όλων των ατόμων, οργανισμών και τοποθεσιών σε ένα έγγραφο, για παράδειγμα.

Εξαγωγή οντοτήτων (Entity extraction): Ένας γενικός όρος που αναφέρεται στη διαδικασία προσθήκης δομής σε δεδομένα έτσι ώστε μία μηχανή να μπορεί να τα διαβάσει. Η εξαγωγή οντοτήτων μπορεί να γίνει από ανθρώπους ή από μοντέλο μηχανικής μάθησης.

Ορθή ακολουθία εκτέλεσης (Forward chaining): Μία μέθοδος κατά την οποία μία μηχανή πρέπει να ξεκινήσει από ένα πρόβλημα για να βρει μια πιθανή λύση. Αναλύοντας μία σειρά από υποθέσεις, η τεχνητή νοημοσύνη πρέπει να προσδιορίσει αυτές που σχετίζονται με το πρόβλημα.

Γενική τεχνητή νοημοσύνη (General AI): Τεχνητή νοημοσύνη που θα μπορούσε να εκτελέσει επιτυχώς οποιαδήποτε πνευματική εργασία που μπορεί να γίνει από οποιονδήποτε άνθρωπο. Μερικές φορές αναφέρεται ως ισχυρή τεχνητή νοημοσύνη, αν και δεν είναι εντελώς ισοδύναμοι όροι.

Υπερπαράμετρος (Hyperparameter): Περιστασιακά χρησιμοποιείται εναλλακτικά με τον όρο παράμετρος, αν και οι δύο αυτοί όροι έχουν κάποιες ανεπαίσθητες διαφορές. Οι υπερπαράμετροι είναι τιμές που επηρεάζουν τον τρόπο με τον οποίο μαθαίνει ένα μοντέλο. Συνήθως ρυθμίζονται χειροκίνητα έξω από το μοντέλο.

Πρόθεση (Intent): Χρησιμοποιείται συνήθως στην εκπαίδευση δεδομένων για chatbot και άλλες εργασίες επεξεργασίας φυσικής γλώσσας, και είναι ένα είδος ετικέτας που καθορίζει το σκοπό ή τον στόχο αυτού που λέγεται. Για παράδειγμα, η πρόθεση για τη φράση «μειώστε την ένταση» θα μπορούσε να είναι «μείωση έντασης».

Ετικέτα (Label): Ένα μέρος των δεδομένων εκπαίδευσης που προσδιορίζει το επιθυμητό αποτέλεσμα για το συγκεκριμένο κομμάτι δεδομένων.

Γλωσσική επισήμανση (Linguistic annotation): Προσθήκη ετικετών σε ένα σύνολο προτάσεων με το θέμα κάθε πρότασης, έτοιμο για κάποια μορφή ανάλυσης ή αξιολόγησης. Οι συνήθεις χρήσεις για γλωσσικά επισημασμένα δεδομένα περιλαμβάνουν την ανάλυση συναισθημάτων και την επεξεργασία φυσικής γλώσσας.

Μηχανική νοημοσύνη (Machine intelligence): Ένας γενικός όρος για διάφορους τύπους αλγορίθμων μάθησης, συμπεριλαμβανομένης της μηχανικής μάθησης και της βαθιάς μάθησης.

Μηχανική μάθηση (Machine learning): Αυτό το υποσύνολο της τεχνητής νοημοσύνης εστιάζει στην ανάπτυξη αλγορίθμων που βοηθούν τις μηχανές να μαθαίνουν και να αλλάζουν ως απόκριση σε νέα δεδομένα, χωρίς ανθρώπινη βοήθεια.

Μηχανική μετάφραση (Machine translation): Η μετάφραση κειμένου από έναν αλγόριθμο, χωρίς καμία ανθρώπινη ανάμειξη.

Μοντέλο (Model): Ένας ευρύς όρος που αναφέρεται στο προϊόν της εκπαίδευσης τεχνητής νοημοσύνης, που δημιουργείται με την εκτέλεση ενός αλγορίθμου μηχανικής μάθησης σε δεδομένα εκπαίδευσης.

Νευρωνικό δίκτυο (Neural network ή Neural net): Tο νευρωνικό δίκτυο είναι ένα σύστημα υπολογιστή που έχει σχεδιαστεί για να λειτουργεί όπως ο ανθρώπινος εγκέφαλος. Αν και οι ερευνητές εξακολουθούν να εργάζονται για τη δημιουργία ενός μηχανικού μοντέλου του ανθρώπινου εγκεφάλου, τα υπάρχοντα νευρωνικά δίκτυα μπορούν να εκτελούν πολλές εργασίες που περιλαμβάνουν ομιλία, όραση και στρατηγική επιτραπέζιων παιχνιδιών.

Παραγωγή φυσικής γλώσσας (Natural language generation-NLG): Αναφέρεται στη διαδικασία με την οποία μία μηχανή μετατρέπει δομημένα δεδομένα σε κείμενο ή ομιλία που μπορούν να κατανοήσουν οι άνθρωποι. Ουσιαστικά, η NLG ασχολείται με το τι γράφει ή λέει μία μηχανή ως τελικό μέρος της διαδικασίας επικοινωνίας.

Επεξεργασία φυσικής γλώσσας (Natural language processing-NLP): Ο γενικός όρος για την ικανότητα οποιασδήποτε μηχανής να εκτελεί εργασίες συνομιλίας, όπως η αναγνώριση του τι λέγεται σε αυτήν, η κατανόηση του επιδιωκόμενου νοήματος και η κατανοητή απόκριση.

Κατανόηση φυσικής γλώσσας (Natural language understanding-NLU): Ως υποσύνολο της επεξεργασίας φυσικής γλώσσας, η κατανόηση φυσικής γλώσσας ασχολείται με το να βοηθά τις μηχανές να αναγνωρίσουν το επιδιωκόμενο νόημα της γλώσσας — λαμβάνοντας υπόψη τις λεπτές αποχρώσεις της και τυχόν γραμματικά λάθη.

Υπερπροσαρμογή (Overfitting): Η υπερπροσαρμογή, ένας σημαντικός όρος της τεχνητής νοημοσύνης, είναι ένα σύμπτωμα της εκπαίδευσης μηχανικής μάθησης στην οποία ένας αλγόριθμος μπορεί μόνο να εργαστεί ή να εντοπίσει συγκεκριμένα παραδείγματα που υπάρχουν στα δεδομένα εκπαίδευσης. Ένα μοντέλο εργασίας θα πρέπει να μπορεί να χρησιμοποιεί τις γενικές τάσεις πίσω από τα δεδομένα για να εργαστεί σε νέα παραδείγματα.

Παράμετρος (Parameter): Μία μεταβλητή μέσα στο μοντέλο που το βοηθά να κάνει προβλέψεις. Η τιμή μιας παραμέτρου μπορεί να εκτιμηθεί χρησιμοποιώντας δεδομένα και συνήθως δεν ορίζονται από το άτομο που εκτελεί το μοντέλο.

Αναγνώριση προτύπων (Pattern recognition): Η διάκριση μεταξύ της αναγνώρισης προτύπων και της μηχανικής μάθησης δεν είναι πάντα ξεκάθαρη, αλλά αυτό το πεδίο στην ουσία ασχολείται με την εύρεση τάσεων και προτύπων στα δεδομένα.

Προγνωστικά αναλυτικά στοιχεία (Predictive analytics): Συνδυάζοντας την εξόρυξη δεδομένων και τη μηχανική μάθηση, αυτός ο τύπος αναλυτικών στοιχείων έχει δημιουργηθεί για να προβλέπει τι θα συμβεί εντός ενός δεδομένου χρονικού πλαισίου με βάση ιστορικά δεδομένα και τάσεις.

Python: Μια δημοφιλής γλώσσα προγραμματισμού που χρησιμοποιείται για γενικό προγραμματισμό.

Ενισχυτική μάθηση (Reinforcement learning): Μία μέθοδος διδασκαλίας τεχνητής νοημοσύνης που θέτει έναν στόχο χωρίς συγκεκριμένες μετρήσεις, ενθαρρύνοντας το μοντέλο να δοκιμάσει διαφορετικά σενάρια αντί να βρει μία μοναδική απάντηση. Με βάση την ανθρώπινη ανατροφοδότηση, το μοντέλο μπορεί στη συνέχεια να χειριστεί το επόμενο σενάριο για να έχει καλύτερα αποτελέσματα.

Σημασιολογική επισήμανση (Semantic annotation): Προσθήκη ετικετών σε διαφορετικά ερωτήματα αναζήτησης ή προϊόντα με στόχο τη βελτίωση της συνάφειας μιας μηχανής αναζήτησης.

Ανάλυση συναισθήματος (Sentiment analysis): Η διαδικασία προσδιορισμού και κατηγοριοποίησης απόψεων σε ένα κομμάτι κειμένου, συχνά με στόχο τον προσδιορισμό της στάσης του συγγραφέα απέναντι σε κάποιο ζήτημα.

Ισχυρή τεχνητή νοημοσύνη (Strong AI): Αυτό το πεδίο έρευνας επικεντρώνεται στην ανάπτυξη τεχνητής νοημοσύνης που είναι ίση με το ανθρώπινο μυαλό όσον αφορά την ικανότητα. Η Γενική Τεχνητή Νοημοσύνη (General AI) είναι ένας παρόμοιος όρος που χρησιμοποιείται συχνά ως ισοδύναμος όρος.

Εποπτευόμενη μάθηση (Supervised learning): Είναι ένα είδος μηχανικής μάθησης όπου δομημένα σύνολα δεδομένων με εισόδους και ετικέτες, χρησιμοποιούνται για την εκπαίδευση και την ανάπτυξη ενός αλγορίθμου.

Δεδομένα δοκιμής (Test data): Τα δεδομένα χωρίς ετικέτα που χρησιμοποιούνται για να ελεγχθεί ότι ένα μοντέλο μηχανικής μάθησης είναι σε θέση να εκτελέσει την εργασία που του έχει ανατεθεί.

Δεδομένα εκπαίδευσης (Training data): Αναφέρεται σε όλα τα δεδομένα που χρησιμοποιούνται κατά τη διαδικασία εκπαίδευσης ενός αλγόριθμου μηχανικής μάθησης, καθώς και στο συγκεκριμένο σύνολο δεδομένων που χρησιμοποιείται για εκπαίδευση και όχι για δοκιμή.

Μάθηση με μεταφορά (Transfer learning): Αυτή η μέθοδος μάθησης αφιερώνει χρόνο στη διδασκαλία μιας μηχανής ώστε να κάνει μια σχετική εργασία, και στη συνέχεια να επιστρέψει στην αρχική της εργασία με βελτιωμένη ακρίβεια. Ένα παράδειγμα αυτού είναι να πάρουμε ένα μοντέλο που αναλύει το συναίσθημα στις κριτικές προϊόντων και να του ζητήσουμε να αναλύσει τα tweets για μία εβδομάδα.

Δοκιμή Turing (Turing test): Πήρε το όνομά του από τον Άλαν Τούρινγκ, διάσημο μαθηματικό, επιστήμονα υπολογιστών και θεωρητικό της Λογικής, και ελέγχει την ικανότητα μιας μηχανής να θεωρηθεί ως άνθρωπος, ιδιαίτερα στους τομείς της γλώσσας και της συμπεριφοράς. Αφού βαθμολογηθεί από άνθρωπο, η μηχανή περνά το τεστ αν η απόδοσή της δεν έχει διαφορά από αυτή του ανθρώπινου συμμετέχοντα.

Μάθηση χωρίς επίβλεψη (Unsupervised learning): Είναι μία μορφή εκπαίδευσης όπου ζητείται από τον αλγόριθμο να βγάλει συμπεράσματα από σύνολα δεδομένων που δεν περιέχουν ετικέτες. Αυτά τα συμπεράσματα είναι που το βοηθούν να μάθει.

Δεδομένα επικύρωσης (Validation data): Δομημένα όπως τα δεδομένα εκπαίδευσης με είσοδο και ετικέτες, αυτά τα δεδομένα χρησιμοποιούνται για τη δοκιμή ενός πρόσφατα εκπαιδευμένου μοντέλου έναντι νέων δεδομένων και για την ανάλυση της απόδοσής του, με ιδιαίτερη έμφαση στον έλεγχο για υπερπροσαρμογή.

Διακύμανση (Variance): Αναφέρεται στο πόσο αλλάζει η επιδιωκόμενη λειτουργία ενός μοντέλου μηχανικής μάθησης ενώ εκπαιδεύεται. Παρά το γεγονός ότι είναι ευέλικτα, τα μοντέλα με υψηλή διακύμανση είναι επιρρεπή στην υπερπροσαρμογή και χαμηλή ακρίβεια πρόβλεψης, επειδή εξαρτώνται από τα δεδομένα εκπαίδευσής τους.

Παραλλαγή (Variation): Χρησιμοποιούνται επίσης οι όροι ερωτήματα ή εκφράσεις, και λειτουργούν παράλληλα με προθέσεις για την επεξεργασία φυσικής γλώσσας. Η παραλλαγή είναι αυτό που μπορεί να πει ένα άτομο για την επίτευξη ενός συγκεκριμένου σκοπού ή στόχου. Για παράδειγμα, εάν η πρόθεση είναι “πληρωμή με πιστωτική κάρτα”, η παραλλαγή μπορεί να είναι “Θα ήθελα να πληρώσω με κάρτα, παρακαλώ”.

Αδύναμη ή περιορισμένη τεχνητή νοημοσύνη (Weak AI ή Narrow AI): Είναι ένα μοντέλο που έχει μία σειρά από δεξιότητες και εστιάζει σε ένα συγκεκριμένο σύνολο εργασιών. Το μεγαλύτερο μέρος της τεχνητής νοημοσύνης που χρησιμοποιείται αυτή τη στιγμή είναι η αδύναμη τεχνητή νοημοσύνη, που δεν μπορεί να μάθει ή να εκτελέσει εργασίες εκτός του συνόλου των ειδικών δεξιοτήτων της.