Adnotacja na potrzeby computer vision obejmuje oznaczanie lub opisywanie obrazów tak, aby model komputerowy mógł zrozumieć treść. W ten sposób model uczy się rozpoznawać i klasyfikować obiekty, co jest kluczowe dla jego zdolności „widzenia" i rozumienia informacji wizualnych.
również Sztuczna inteligencja
Algorytm to lista kroków lub reguł, które komputer wykonuje w celu rozwiązania określonego problemu lub wykonania zadania.
Analiza predykcyjna zajmuje się wykorzystaniem danych, statystyki i technik uczenia maszynowego do przewidywania przyszłych zdarzeń lub trendów.
Automatyzacja oznacza zastąpienie ludzkich zadań i procesów przez maszyny lub systemy AI w celu zwiększenia efektywności, szybkości i dokładności w różnych obszarach.
Baza danych to ustrukturyzowany zbiór danych zorganizowany i przechowywany tak, aby umożliwić efektywne wyszukiwanie, dostęp i zarządzanie informacjami. W ramach sztucznej inteligencji baza danych może służyć do przechowywania danych do treningu modeli, na przykład danych tekstowych, obrazów lub szeregów czasowych.
również Wielkie dane
Blockchain to szczególny rodzaj rozproszonej, zdecentralizowanej bazy danych przechowującej stale rosnącą liczbę rekordów, które są chronione przed nieuprawnioną ingerencją zarówno z zewnątrz, jak i ze strony samych węzłów sieci peer-to-peer.
Bounding box to prostokąt, który otacza obiekt na obrazie. Pomaga komputerom identyfikować i lokalizować obiekty w danych wizualnych.
Chatbot to oprogramowanie przeznaczone do komunikacji z użytkownikami za pomocą wiadomości tekstowych lub głosowych. Może odpowiadać na pytania, wykonywać zadania lub symulować rozmowę z użytkownikami. Często wykorzystywany jest do poprawy obsługi klienta, automatyzacji zadań i interakcji z użytkownikami online.
również Widzenie maszynowe
Cyfryzacja oznacza proces przekształcania fizycznych danych i informacji w postać cyfrową, która jest łatwa do przetwarzania i przechowywania na komputerach. Proces ten jest kluczowy dla przetwarzania danych i analizy w obszarze sztucznej inteligencji.
Dashboard to część interfejsu użytkownika, w której znajdują się przeglądy informacji, takie jak analizy, trendy i raporty.
Data mining to proces odnajdywania wzorców i informacji w obszernych danych za pomocą metod uczenia maszynowego, statystyki i innych technik.
Dataset to zbiór danych. Może to być wszystko, od obrazów po liczby. Jest to podstawa, której komputery używają do uczenia się i tworzenia modeli.
również Głębokie uczenie
Dostrajanie instrukcji odnosi się do procesu optymalizacji i strojenia poleceń dla modelu uczenia maszynowego, aby użytkownik lepiej rozumiał informacje wyjściowe. Może to obejmować modyfikację reguł lub poleceń, które wpływają na zachowanie modelu.
Edge AI to technologia sztucznej inteligencji wdrożona bezpośrednio na urządzeniu, na którym powstają dane, umożliwiająca ich przetwarzanie i podejmowanie decyzji w czasie rzeczywistym. Pomaga to nie tylko w kwestii opóźnień, ale także w efektywności i dokładności.
Edge computing to typ architektury dostosowany do Edge AI, który przenosi obliczenia i przechowywanie danych bliżej źródła danych. Przynosi to poprawę czasu odpowiedzi i oszczędność sieci.
Ethernet to technologia używana w sieciach komputerowych, która umożliwia urządzeniom, takim jak komputery, serwery, routery, przełączniki i inne urządzenia, komunikację między sobą za pomocą połączenia kablowego. Ethernet stał się jednym z najbardziej rozpowszechnionych standardów łączenia urządzeń w sieciach lokalnych.
Etyka sztucznej inteligencji zajmuje się dyskusją o moralnych i społecznych skutkach tworzenia i wykorzystywania sztucznej inteligencji oraz systemów autonomicznych.
FIFO (First In, First Out) to zasada przetwarzania danych lub obiektów, w której jako pierwszy pobierany jest element, który został wprowadzony do systemu najwcześniej. Działa więc tak samo jak kolejka ludzi – kto przychodzi pierwszy, ten jest pierwszy w kolejce. FIFO stosuje się na przykład w kolejkach danych, buforach, komunikacji sieciowej lub przy zarządzaniu zadaniami.
Fine-tuning oznacza kontynuację treningu modelu uczenia maszynowego na specyficznych danych lub zadaniach po jego początkowym treningu. Celem jest poprawa wydajności modelu dla konkretnych zadań i warunków.
Framework jest jak gotowy zestaw budowlany do tworzenia oprogramowania. Dostarcza wcześniej przygotowanych narzędzi i reguł, które ułatwiają tworzenie aplikacji. Programiści mogą używać go jako podstawy i oszczędzać czas oraz wysiłek przy tworzeniu programów.
Głębokie uczenie to specyficzna metoda uczenia maszynowego wykorzystująca sztuczne sieci neuronowe z wieloma warstwami do analizy danych, która jest podstawą wielu udanych zastosowań w AI.
GPT to model uczenia maszynowego ukierunkowany na generowanie tekstu na podstawie danych użytych podczas treningu. Na przykład GPT-4 jest jednym z największych i najwydajniejszych generatorów tekstu opracowanych przez firmę OpenAI.
również Karta graficzna
Halucynacja w tym kontekście oznacza sytuację, w której model uczenia maszynowego generuje informacje, które nie są prawdziwe lub w ogóle nie istnieją. Może do tego dojść, jeśli model jest źle wytrenowany lub jeśli dane treningowe nie są reprezentatywne dla rzeczywistych scenariuszy, z którymi model będzie pracował.
Hardware to fizyczne elementy komputera, które można zobaczyć i dotknąć, takie jak monitor, klawiatura i procesor.
ID to właściwość obiektu, która pomaga nam rozróżniać obiekty i zapewniać ich unikalność. Gdy pojawia się nowy obiekt, automatycznie przydzielane jest mu ID (najczęściej liczba). Jeśli komputer będzie chciał wrócić do tego obiektu, musi znać jego ID.
Image processing zajmuje się analizą, modyfikacją i interpretacją obrazów cyfrowych. W ramach sztucznej inteligencji obejmuje techniki umożliwiające komputerom pracę z danymi wizualnymi, takie jak detekcja obiektów, segmentacja obrazu i przetwarzanie danych obrazowych.
Inferencja oznacza proces wyciągania nowych informacji lub wniosków na podstawie istniejących danych i wiedzy. W obszarze sztucznej inteligencji proces ten obejmuje podejmowanie decyzji i predykcji na podstawie wytrenowanych modeli i dostępnych danych.
Integracja łączy różne systemy lub elementy tak, aby działały wspólnie. Jest to jak układanie puzzli: różne elementy (dane lub programy) łączą się i współpracują dla lepszego rezultatu.
Inteligentne budynki wykorzystują zaawansowane technologie i systemy do poprawy ich funkcjonalności, efektywności i komfortu. Technologie te obejmują automatyzację sterowania oświetleniem, ogrzewaniem, klimatyzacją, zabezpieczeniami i innymi systemami w budynku. Inteligentne budynki często wyposaża się w czujniki i systemy sterowania, które umożliwiają optymalizację zużycia energii, zwiększają bezpieczeństwo i komfort mieszkańców oraz obniżają koszty utrzymania.
Inteligentne miasta to miasta, które wykorzystują nowoczesne technologie i dane do poprawy jakości życia swoich mieszkańców i efektywności usług miejskich. Technologie te obejmują internet rzeczy (IoT), sztuczną inteligencję, big data i inne narzędzia cyfrowe do optymalizacji transportu, zużycia energii, bezpieczeństwa publicznego, gospodarki odpadami i innych funkcji miejskich.
Internet rzeczy to sieć fizycznych urządzeń i obiektów, które są podłączone do internetu i mogą komunikować się między sobą oraz udostępniać dane. W kontekście sztucznej inteligencji dane z urządzeń są często wykorzystywane do treningu modeli, analizy i wspierania automatyzacji czy predykcji.
również Internet rzeczy
Kalibracja zajmuje się uściśleniem analizy dzięki danym z rzeczywistej eksploatacji. Jeśli na przykład chodzi o analizę ruchu drogowego, to za pomocą nagrania wideo drogi potrafimy uściślić analizę także w złych warunkach oświetleniowych.
Kamera IP to cyfrowa kamera wideo, która wysyła i odbiera dane przez sieć lub internet. W przeciwieństwie do kamer analogowych, które przesyłają obraz przez kabel koncentryczny, kamery IP wykorzystują infrastrukturę sieciową (Ethernet lub Wi-Fi) i mogą być podłączone bezpośrednio do sieci.
Karta graficzna to specjalistyczny sprzęt zaprojektowany do szybkiego przetwarzania grafiki. W kontekście zastosowań AI odgrywa kluczową rolę dzięki przetwarzaniu równoległemu, gdy radzi sobie z wieloma zadaniami jednocześnie. Znacząco przyspiesza to uczenie maszyn i przetwarzanie danych. Karta graficzna dostarcza mocy obliczeniowej potrzebnej do złożonych operacji sieci neuronowych, poprawiając wydajność i efektywność zastosowań AI.
Konwersacyjna sztuczna inteligencja skupia się na zdolności systemów do komunikacji z ludźmi w języku naturalnym. Obejmuje chatboty, wirtualnych asystentów i inne technologie, które umożliwiają płynną interakcję za pomocą tekstu lub głosu.
również Sieć lokalna
Large language model to typ sztucznej inteligencji trenowany na ogromnej ilości danych tekstowych. Celem LLM jest rozumienie języka naturalnego i generowanie sensownego tekstu na podstawie zapytania wejściowego.
LIFO (Last In, First Out) to zasada organizacji danych, w której jako pierwszy przetwarzany lub pobierany jest element, który został wprowadzony jako ostatni. Odpowiada to zachowaniu stosu – nowo dodane dane leżą na górze i przy pobieraniu są brane jako pierwsze. LIFO stosuje się na przykład w pamięci stosu programów, przy przetwarzaniu rekurencji lub w niektórych typach struktur danych.
również Large language model
również Uczenie maszynowe
Model to program, który uczy się na podstawie doświadczeń i danych, aby wykonywać zadania bez wyraźnych instrukcji. Na przykład rozpoznaje obrazy lub przewiduje trendy. Jest to jak sztuczny umysł, który sam się doskonali.
Dryf modelu (model drift) występuje, gdy wydajność modelu AI stopniowo spada w wyniku zmian w danych treningowych lub środowisku. Wymaga to regularnej aktualizacji i ponownego trenowania modelu.
Modele generatywne to modele AI, które skupiają się na tworzeniu nowych danych zgodnie ze wzorcami i rozkładami nauczonymi z danych treningowych.
Narrow AI (wąska sztuczna inteligencja) oznacza systemy AI zaprojektowane do rozwiązywania specyficznych zadań lub dla konkretnych obszarów, bez dysponowania inteligencją ogólną. Systemy te nie mogą wykonywać zadań poza swoją specjalizacją i są ukierunkowane na przykład na rozpoznawanie obrazu, autonomiczne prowadzenie pojazdów lub interakcję za pomocą chatbotów.
Niedotrenowany model to model, który z powodu małego zbioru danych nie rozumie dobrze zależności między danymi, dlatego często zaczyna źle przewidywać i tym samym ma niepotrzebnie dużą stratę i niską dokładność.
Ocena wpływu skupia się na analizie i ocenie wpływu określonego działania, polityki lub technologii na środowisko, społeczeństwo czy gospodarkę. W kontekście sztucznej inteligencji służy do oceny skutków, które może przynieść wdrożenie systemów AI.
Odporność odnosi się do zdolności systemu sztucznej inteligencji do utrzymania swojej wydajności i dokładności w różnych sytuacjach lub przy odchyleniach od danych treningowych. Odporne systemy są w stanie efektywnie funkcjonować także w nieprzewidywalnych warunkach lub przy zmianach środowiska.
Optymalizacja obejmuje proces poszukiwania najlepszego rozwiązania dla konkretnego zadania. W obszarze sztucznej inteligencji często wykorzystywana jest do dostrajania parametrów modeli, wyboru cech lub poszukiwania optymalnych hiperparametrów w celu osiągnięcia maksymalnej wydajności.
Pre-training to proces, w którym model uczenia maszynowego jest trenowany na zbiorze danych przed jego ostatecznym dostrojeniem do konkretnego zadania. Ten wstępny trening pomaga nam uzyskać informacje, które możemy następnie wykorzystać przy finalizacji zbioru danych.
Pre-training model to model utworzony ze zbioru danych, który nie jest jeszcze w ostatecznej postaci. Model ten potrafi wykryć niedociągnięcia w danym zbiorze danych.
Programowanie zwinne to sposób tworzenia oprogramowania, w którym zespoły pracują elastycznie i współpracują z klientem. Dzielą pracę na krótkie cykle (iteracje) i elastycznie reagują na zmiany. Celem jest efektywniejsze dostarczenie wartościowego rezultatu.
Pruning to technika kompresji danych w algorytmach uczenia maszynowego i wyszukiwania, która zwiększa szybkość i efektywność modelu poprzez usuwanie tych części modelu, które nie są kluczowe i są zbędne dla jego prawidłowego funkcjonowania.
Przemysł 4.0 to koncepcja cyfryzacji i automatyzacji procesów przemysłowych z wykorzystaniem nowoczesnych technologii, takich jak sztuczna inteligencja, internet rzeczy (IoT) i inne. Jego celem jest poprawa efektywności, produktywności i innowacji w sektorze przemysłowym.
Przeuczenie (overfitting) występuje, gdy model uczenia maszynowego osiąga wysoką dokładność na danych treningowych, jednak na nowych, niewykorzystanych danych osiąga niską dokładność. Zjawisko to wskazuje, że model zbyt mocno dopasował się do danych treningowych i nie jest w stanie generalizować na nowe sytuacje. Przeuczenie stanowi jedno z głównych wyzwań w uczeniu maszynowym, które wymaga środków, takich jak regularyzacja i walidacja modelu.
Python to język programowania, coraz popularniejszy do szerokiego zastosowania. Wyróżnia się szczególnie w obszarach sztucznej inteligencji i uczenia maszynowego.
Regularyzacja to technika w uczeniu maszynowym, która służy do ograniczenia utrzymującego się przeuczenia modelu. Osiąga się to poprzez dodanie dodatkowych warunków lub kar do parametrów modelu podczas treningu. Regularyzacja pomaga modelowi lepiej generalizować na nowe dane i zapobiega nadmiernemu dopasowaniu do danych treningowych.
Robotyka to dziedzina ukierunkowana na projektowanie, rozwój i eksploatację robotów. W ramach sztucznej inteligencji robotyka jest często wykorzystywana do tworzenia autonomicznych robotów, które są w stanie wykonywać różne zadania i wchodzić w interakcję ze środowiskiem fizycznym.
Sieci bayesowskie to model graficzny, który wykorzystuje metody probabilistyczne do modelowania i analizy zależności między różnymi zdarzeniami lub zmiennymi. Używane są do podejmowania decyzji w warunkach niepewności.
Sieci neuronowe to model inspirowany ludzkim mózgiem, składający się ze sztucznych neuronów, które komunikują się ze sobą i przetwarzają informacje.
Sieć lokalna to grupa połączonych komputerów w jednym miejscu, na przykład w domu lub biurze. Za pomocą sieci lokalnej urządzenia mogą udostępniać dane, drukarki lub połączenie z internetem.
Skalowanie to proces rozszerzania lub dostosowywania wydajności systemu tak, aby radził sobie z większą ilością danych, użytkowników lub żądań. Może być pionowe (zwiększenie wydajności jednego serwera) lub poziome (dodawanie kolejnych serwerów czy usług). Celem skalowania jest utrzymanie szybkości, stabilności i dostępności systemu także przy rosnącym obciążeniu.
również Inteligentne budynki
również Inteligentne miasta
Software (oprogramowanie) to zbiór instrukcji, który steruje zachowaniem komputera lub urządzenia. Jest to niematerialna część komputera, która umożliwia wykonywanie różnych czynności, np. pisanie tekstu, oglądanie filmów czy pracę z obrazami.
Stackowanie danych to sposób organizacji, w którym poszczególne informacje zapisywane są lub układane jedna na drugiej w warstwy (tzw. stos). Zasada ta stosowana jest na przykład przy przetwarzaniu danych czasowych z czujników, przy łączeniu wyników wielu modeli w machine learningu lub przy zapisywaniu na stosie w programowaniu. Stackowanie umożliwia efektywną pracę z danymi w sekwencji i ich szybkie przetwarzanie zgodnie z zasadą ostatni wchodzi, pierwszy wychodzi (LIFO) lub według warstw czasowych.
Systemy autonomiczne to takie systemy, które są w stanie funkcjonować niezależnie i automatycznie bez ingerencji człowieka.
Systemy rekomendacyjne to technologie, które analizują dane i przekazują rekomendacje użytkownikom na podstawie ich zachowań lub preferencji.
Sztuczna inteligencja to dziedzina informatyki, która zajmuje się tworzeniem systemów i algorytmów zdolnych do wykonywania zadań, które zwykle wymagają ludzkiej inteligencji.
Sztuczna inteligencja ogólna to koncepcja AI, przez którą rozumie się stworzenie systemu o inteligencji równoważnej ludzkiej, zdolnego do adaptacji do różnych zadań i środowisk.
Tolerancja ryzyka oznacza stopień, w jakim organizacja jest skłonna zaakceptować ryzyka związane z wdrożeniem lub używaniem sztucznej inteligencji. Tolerancja ta może wpłynąć na decyzje dotyczące akceptowalności typu systemu AI i sposobu zarządzania ryzykami związanymi z jego eksploatacją.
Tracker to technologia, która umożliwia nam rozróżnienie kilku obiektów znajdujących się w tej samej scenie. Rezultatem tej identyfikacji jest to, że możemy przypisać każdemu obiektowi unikalny identyfikator (ID). Tracker otrzymuje od modelu informacje o tym, gdzie i jakie obiekty się znajdują. Na podstawie tych informacji tracker rozpoznaje, że np. obiekt numer 1 porusza się w lewo, a obiekt numer 2 w prawo. W ten sposób rozróżnia te dwa obiekty.
Trening modelu to proces, w którym program komputerowy (model) poprawia swoje zdolności poprzez uczenie się z danych. Podobnie jak uczenie się dziecka, model dostosowuje się i doskonali swoje umiejętności na podstawie doświadczeń.
Uczenie End-to-End to podejście, w którym model jest trenowany bezpośrednio na danych wejściowych i wyjściowych bez wyraźnego stosowania kroków pośrednich lub reprezentacji. Podejście to umożliwia modelowi automatyczne szacowanie najlepszego sposobu przetwarzania danych i tworzenie złożonych zależności między wejściami a wyjściami.
Uczenie maszynowe zajmuje się procesami AI, które umożliwiają komputerom uczenie się z danych i doświadczeń oraz doskonalenie swoich wyników bez wyraźnego programowania.
Update skupia się na naprawie błędów, poprawie bezpieczeństwa i bardziej ogólnych aktualizacjach istniejącej wersji. Jego celem jest utrzymanie oprogramowania lub sprzętu w stanie aktualnym i efektywnym bez konieczności dużego przejścia na nową wersję.
Upgrade oznacza przejście na nowszą wersję z ulepszonymi funkcjami i możliwościami. Jest to jakby „przejście na wyższy poziom" dla lepszej wydajności lub nowych funkcji.
Modele VLA (Vision-Language-Action) to systemy sztucznej inteligencji, które łączą zdolność widzenia (przetwarzanie obrazu) i rozumienia tekstu bezpośrednio z działaniem fizycznym, typowo sterowaniem robotami.
Wideostream to oglądanie wideo przez internet bez potrzeby pobierania na komputer.
Widzenie maszynowe zajmuje się zdolnością komputerów do rozumienia i interpretowania informacji wizualnych z obrazów cyfrowych lub filmów. Dziedzina ta obejmuje techniki rozpoznawania obiektów, segmentacji obrazu, detekcji twarzy i inne zadania związane z percepcją wizualną.
Wielkie dane oznaczają ogromne ilości danych, które są zbyt obszerne, złożone lub szybko zmieniające się, aby można je było efektywnie przetwarzać za pomocą tradycyjnych narzędzi i technik bazodanowych. Obejmują dane ustrukturyzowane i nieustrukturyzowane z różnych źródeł, takich jak media społecznościowe, czujniki, systemy transakcyjne i inne.
Zero Trust to podejście do bezpieczeństwa, które nie ufa automatycznie żadnemu użytkownikowi ani urządzeniu. Każdy dostęp jest zawsze weryfikowany na podstawie tożsamości, urządzenia, kontekstu i innych czynników. Celem jest minimalizacja ryzyka nieuprawnionego dostępu i zapobieganie rozprzestrzenianiu się zagrożeń wewnątrz systemu.