1619 терминов
Also known as: A star Search · A-star Search
A* Search — алгоритм поиска по графу и нахождения пути, который выбирает следующий путь для исследования с учетом уже понесенной стоимости и эвристической оценки оставшейся стоимости. При корректно ограниченной эвристике он способен эффективно находить оптимальный путь и широко применяется в планировании, навигации и задачах поиска.
Also known as: A and B Testing · A B Testing
A/B-тестирование — контролируемое статистическое сравнение двух или более вариантов системы, модели, интерфейса или процесса. Оно измеряет, работает ли один вариант лучше по выбранным метрикам и является ли наблюдаемое различие, вероятно, значимым, а не случайным.
Абдуктивное логическое программирование — декларативный подход к представлению знаний, использующий абдуктивное рассуждение для вывода правдоподобных объяснений наблюдений. Оно расширяет обычное логическое программирование, позволяя отдельным предикатам оставаться открытыми как возможные предположения, которые могут быть выбраны для достижения цели.
Абдуктивное рассуждение — форма вывода, которая начинается с наблюдений и ищет наиболее правдоподобное объяснение для них. В отличие от дедукции, оно поддерживает разумную гипотезу, а не окончательно доказанный результат.
Ablation — преднамеренное удаление признака, компонента, подсистемы или процесса из системы ИИ (AI) или машинного обучения для оценки его вклада. Ablation study сравнивает поведение системы до и после удаления, часто через повторное обучение или тестирование, чтобы определить, существенно ли удаленный элемент влияет на производительность или надежность.
Абстрактный тип данных — математическое или логическое описание типа данных на основе его внешне наблюдаемого поведения. Он определяет значения и операции, доступные пользователям, без необходимости знать внутреннюю реализацию.
Абстракция — практика исключения деталей, не относящихся к конкретному анализу, проектированию или представлению. В ИИ (AI) и программных системах абстракция помогает сосредоточиться на существенных свойствах, скрывая низкоуровневую реализацию, физическую, временную или пространственную сложность.
Also known as: XLA
XLA, или Accelerated Linear Algebra, — open-source технология компилятора для оптимизации вычислений машинного обучения на CPU, GPU и специализированных ускорителях. Она преобразует операции модели из фреймворков, таких как TensorFlow, JAX или PyTorch, в формы, предназначенные для более эффективного выполнения на целевом оборудовании.
Ускоряющиеся изменения — представление о том, что технологическое развитие со временем увеличивается по скорости и воздействию. В обсуждениях ИИ (AI) этот термин часто используется для описания ожиданий, что будущие технические, экономические и социальные изменения могут происходить быстрее, чем в прежних исторических моделях.
Also known as: Accessibility (Technology) · Accessibility Technology
Доступность в технологиях — проектирование и предоставление цифровых систем так, чтобы люди с различными способностями могли эффективно ими пользоваться. Она включает практики инклюзивного дизайна и вспомогательные технологии, такие как экранные дикторы, распознавание речи, субтитры и альтернативные устройства ввода.
Accuracy — метрика классификации, равная доле правильных предсказаний среди всех сделанных предсказаний. Она полезна в некоторых сценариях оценки, но может вводить в заблуждение при несбалансированных классах, где precision, recall или другие метрики могут лучше отражать качество модели.
Act — этап агентного процесса, на котором агент выполняет выбранную операцию. Действие может включать вызов инструмента, отправку API-запроса, изменение состояния системы или иное выполнение результата предыдущего шага рассуждения.
В обучении с подкреплением действие — выбор, сделанный агентом, который изменяет или пытается изменить состояние среды. Действия выбираются в соответствии с политикой и оцениваются по своим последствиям и вознаграждениям.
Язык действий — формальный язык, используемый для описания того, как действия изменяют состояние системы во времени. Он применяется в ИИ (AI) и робототехнике для моделирования эффектов действий, предварительных условий и переходов при планировании и рассуждении.
Обучение модели действий — область машинного обучения, связанная с изучением или пересмотром знаний агента о действиях, включая их предварительные условия и эффекты. Выученная модель обычно представляется в формальном языке действий и используется автоматическими планировщиками.
Выбор действия — задача определения того, что интеллектуальная система должна сделать следующим. Она относится к агентам, роботам и когнитивным системам, которым необходимо выбирать между возможными вариантами поведения в ответ на цели, контекст и условия среды.
Пространство действий — набор инструментов, операций, разрешений или ходов, доступных агенту при выполнении задачи. Хорошо ограниченное пространство действий должно быть достаточным для задачи и одновременно ограничивать лишние возможности, которые могут повышать риск ошибок или проблемы управления.
Практически применимая аналитическая информация — сведения, достаточно конкретные, релевантные и надежные для поддержки решения или вмешательства. В управлении ИИ (AI) и операционной деятельности она преобразует данные или анализ в рекомендации, по которым можно действовать.
Функция активации — функция, используемая в узле нейронной сети для преобразования взвешенных входов в выход, передаваемый последующим слоям. Вводя нелинейное поведение, функции активации позволяют нейронным сетям моделировать сложные зависимости, а не только простые линейные закономерности.
Active Learning — подход к обучению, при котором модель или обучающая система выборочно запрашивает примеры или метки, наиболее полезные для повышения качества. Он особенно ценен, когда размеченные данные ограничены, дороги или зависят от экспертной человеческой аннотации.
AdaGrad — адаптивный алгоритм оптимизации на основе градиента, который отдельно корректирует скорости обучения для отдельных параметров модели. Он повышает чувствительность к истории обновлений конкретных параметров, что может помогать при разреженных признаках, но со временем может существенно снижать скорости обучения.
Адаптируемый ИИ (AI) описывает системы ИИ, способные корректировать свое поведение, стратегии или внутренние модели в ответ на изменяющиеся задачи, среды или потребности пользователей. Концепция подчеркивает устойчивость и гибкость без необходимости полного ручного перепрограммирования для каждого нового условия.
Адаптация — процесс настройки модели или системы для лучшего соответствия конкретной задаче, домену, набору данных или операционному контексту. В машинном обучении этот термин часто используется как синоним настройки или fine-tuning.
Адаптивный алгоритм — алгоритм, который изменяет свое поведение во время работы в соответствии с заданными критериями, обратной связью или сигналами вознаграждения. Такие алгоритмы рассчитаны на реакцию на изменяющиеся данные, среды или условия производительности, а не на следование фиксированному шаблону выполнения.
Адаптивное обучение относится к образовательным системам, которые персонализируют обучение, обратную связь, темп или содержание с использованием данных о потребностях и результатах учащегося. Платформы адаптивного обучения на основе ИИ (AI) стремятся подбирать учебный опыт под индивидуальные способности, прогресс и контекст.
Adaptive Neuro-Fuzzy Inference System — гибридная модель, объединяющая обучение нейронных сетей с рассуждением на основе нечеткой логики. Обычно она использует нечеткие правила IF-THEN с обучаемыми параметрами для аппроксимации нелинейных функций и поддержки интерпретируемых процессов принятия решений.
Допустимая эвристика — эвристическая функция, которая никогда не завышает истинную минимальную стоимость достижения цели. В алгоритмах поиска пути и поиска, таких как A*, допустимость помогает сохранять оптимальность решения.
Adversarial Learning — подход к обучению, при котором модели подвергаются намеренно сложным, манипулятивным или похожим на атаки входным данным. Его цель состоит в повышении устойчивости, безопасности и надежности к состязательному поведению или стрессу распределения.
Also known as: AEO (Answer Engine Optimization) · AEO · Answer Engine Optimization · Answer Engine Optimisation (AEO)
AEO, или Answer Engine Optimization, — практика структурирования и улучшения контента, чтобы системы ответов на основе ИИ (AI) могли распознавать, обобщать и цитировать его как полезный источник. Она расширяет поисковую оптимизацию в сторону сред прямых ответов, таких как AI search, чат-интерфейсы, голосовые ассистенты и сгенерированные обзоры.
Affective Computing — область, связанная с системами, которые распознают, интерпретируют, обрабатывают или имитируют человеческие эмоции и аффективные состояния. Она опирается на информатику, психологию и когнитивную науку и может использовать сигналы, такие как голос, выражение лица, текст или поведение при взаимодействии.
