Pojmovnik veštačke inteligencije

Veštačka inteligencija od nule

Dodatak · Pojmovnik

Svi pojmovi iz kursa na jednom mestu, azbučnim redom, sa po jednom rečenicom objašnjenja i linkom na lekciju u kojoj se obrađuju detaljno.

Ova stranica se dopunjava. Ako ti neki termin fali, ostavi ga u komentaru.

A

Adam — postupak koji tokom treninga sam podešava veličinu koraka, umesto da ona bude stalna. Lekcija 3

Aktivaciona funkcija — pregib na izlazu neurona, bez kog bi cela mreža, koliko god duboka, bila jedna jedina prava. Lekcija 5

Arhitektura — raspored i povezanost neurona, koju bira čovek, za razliku od parametara koje pronalazi trening. Lekcija 1

C

Curenje podataka — situacija u kojoj u trening uđe podatak kojeg u stvarnoj upotrebi neće biti, pa rezultat ispadne lažno dobar. Lekcija 4

D

Dropout — nasumično isključivanje dela neurona tokom treninga, da se mreža ne bi oslonila na jedan jedini put kroz sebe. Lekcija 5

Dubina — broj slojeva u mreži; u praksi se isplati više od širine. Lekcija 5

Duboko učenje — mašinsko učenje pomoću neuronskih mreža sa mnogo slojeva. Lekcija 1

E

Ekspertski sistem — program koji znanje stručnjaka drži u hiljadama ručno napisanih pravila; vrhunac i kraj simboličkog pristupa. Lekcija 2

Epoha — jedan potpun prolazak kroz sve podatke za učenje. Lekcija 1

F

F1 — jedan broj koji spaja preciznost i odziv u kompromis. Lekcija 4

Filter — mali prozor težina koji klizi preko slike i pokazuje gde se tražena šara javlja. Lekcija 6

Fino podešavanje — dotreniravanje gotovog modela na manjem skupu primera, za određenu namenu ili ponašanje. Lekcija 7

Funkcija greške — pravilo koje promašaj pretvara u jedan broj i time definiše šta za model znači „dobro". Lekcija 1

G

Generalizacija — sposobnost modela da radi i na primerima koje nikada nije video; pravi cilj svakog treninga. Lekcija 4

Gradijent — smer u kome greška najbrže opada; ono što u magli zamenjuje osećaj tla pod nogama. Lekcija 3

Gradijentni spust — nalaženje dobrih parametara koračanjem niz nagib greške, korak po korak. Lekcija 3

H

Halucinacija — samouvereno izmišljanje netačnog podatka, koje sledi iz toga što model bira verovatan nastavak, a ne proveren. Lekcija 8

I

Inferencija — korišćenje već istreniranog modela, bez daljeg pomeranja parametara. Lekcija 1

Izdvajanje obeležja — stariji pristup u kome je čovek smišljao šta iz sirovih podataka uopšte dati modelu. Lekcija 6

K

Kalibracija — koliko iskazana sigurnost modela odgovara njegovoj stvarnoj tačnosti. Lekcija 8

Klasifikacija — zadatak u kome je odgovor kategorija, a ne broj. Lekcija 4

Kontekstni prozor — količina teksta koju model drži pred sobom dok odgovara; nije pamćenje. Lekcija 1

Konvolucija — primena istog malog filtera na svako mesto u slici, čime se štede parametri i položaj prestaje da bude bitan. Lekcija 6

Korak učenja — veličina jednog pomeraja parametara; ne uči ga model nego ga bira čovek. Lekcija 3

Kriva greške — grafik pada greške kroz korake treninga, iz kog se najbrže vidi šta ne valja. Lekcija 3

L

Lokalni minimum — udubljenje u pejzažu greške koje nije i najniže mesto na njemu. Lekcija 3

M

Mašinsko učenje — pristup u kome se pravila ne pišu nego izvlače iz primera. Lekcija 1

Matrica konfuzije — razvrstavanje odgovora u pogođene uzbune, lažne uzbune, propuštene slučajeve i tačna mirovanja. Lekcija 4

Model — ono što ostane posle učenja: fajl brojeva i pravilo kako se primenjuju na ulaz. Lekcija 1

N

Nadgledano učenje — učenje iz primera uz koje stoji i tačan odgovor. Lekcija 2

Nenadgledano učenje — traženje strukture u podacima kod kojih tačnih odgovora nema. Lekcija 2

Neuron — ponderisani zbir ulaza propušten kroz aktivacionu funkciju. Lekcija 5

Neuronska mreža — slojevi neurona poređani jedan za drugim. Lekcija 5

O

Obeležje — pojedinačna osobina primera koju model gleda. Lekcija 1

Odziv — od svih stvarnih slučajeva, koliko ih je model uhvatio. Lekcija 4

P

Paket — mali uzorak podataka na kome se u jednom koraku procenjuje nagib. Lekcija 3

Parametri — brojevi koje model podešava dok uči; sinonim je težine. Lekcija 1

Pažnja — postupak kojim svaka reč pita ostale šta joj je važno i od njih preuzima deo sadržaja. Lekcija 7

Perceptron — najraniji model koji je iz primera učio podešavanjem brojeva; predak svega današnjeg. Lekcija 5

Pomeranje distribucije — tiho propadanje tačnosti zato što se svet promenio u odnosu na podatke iz treninga. Lekcija 8

Potprilagođavanje — model premali da uhvati čak i samu pravilnost. Lekcija 4

Prag — granica iznad koje se izlaz modela tumači kao potvrdan; izbor, a ne činjenica. Lekcija 4

Preciznost — kad model digne uzbunu, koliko često je u pravu. Lekcija 4

Predtreniranje — prva i najskuplja faza, u kojoj model na ogromnoj količini teksta uči da pogađa sledeći token. Lekcija 7

Preprilagođavanje — pamćenje primera umesto učenja pravilnosti. Lekcija 1

Preskočne veze — dodatni prolazi koji dopuštaju da krivica preskoči nekoliko slojeva i ne izbledi putem. Lekcija 5

Pristrasnost — verno naučena nepoželjna pravilnost iz podataka, koju izbacivanje spornog obeležja ne uklanja. Lekcija 8

Propagacija unazad — raspodela krivice od izlaza ka ulazu, u dva prolaza umesto jednog po parametru. Lekcija 5

R

RAG — dopunjavanje pretragom: pronalaženje relevantnih odlomaka i ubacivanje u kontekst, umesto učenja činjenica. Lekcija 7

Rano zaustavljanje — prekid treninga u trenutku kada validaciona greška prestane da pada i počne da raste. Lekcija 4

Regularizacija — svaki postupak koji modelu otežava pamćenje da bi ga naterao na uopštavanje. Lekcija 4

ReLU — najčešća aktivaciona funkcija: negativno postaje nula, pozitivno prolazi nepromenjeno. Lekcija 5

Reprezentacija — opis ulaza koji sloj gradi sopstvenim pojmovima, i koji niko nije zadao. Lekcija 6

ROC-AUC — mera koliko dobro model razdvaja klase, uzeta preko svih mogućih pragova odjednom. Lekcija 4

S

Sažimanje — smanjivanje slike zadržavanjem najjačeg odgovora iz svakog kvadratića. Lekcija 6

Sigmoidna funkcija — starija aktivaciona funkcija u obliku razvučenog slova S, uglavnom zamenjena ReLU-om. Lekcija 5

Simbolički pristup — pravljenje inteligencije pisanjem pravila nad simbolima; prvih trideset godina oblasti. Lekcija 2

Sloj — grupa neurona koji gledaju isti ulaz, svaki sa svojim težinama. Lekcija 5

Srednja kvadratna greška — prosek kvadriranih odstupanja; najčešća funkcija greške kada je odgovor broj. Lekcija 3

T

Tačnost — udeo pogođenih odgovora; varljiva čim je jedna klasa retka. Lekcija 4

Temeljni model — veliki, skupo istreniran model koji se zatim jeftino prilagođava mnoštvu namena. Lekcija 6

Test skup — podaci koji se otvaraju jednom, na samom kraju, i ne diraju više. Lekcija 4

Token — komadić teksta na koji model deli ulaz; obično deo reči, ne cela reč. Lekcija 1

Tokenizacija — postupak deljenja teksta na tokene, zbog kog srpski troši više tokena od engleskog. Lekcija 7

Transferno učenje — korišćenje mreže istrenirane na jednom zadatku kao osnove za drugi, uz malo primera. Lekcija 6

Transformer — arhitektura zasnovana na pažnji, na kojoj počiva praktično sve što se danas zove veštačkom inteligencijom. Lekcija 7

Trening — postupak nalaženja dobrih vrednosti za sve parametre. Lekcija 1

Trening skup — podaci na kojima se podešavaju parametri. Lekcija 4

U

Ugnežđivanje — pretvaranje reči ili predmeta u vektor tako da bliskost u prostoru znači sličnost u značenju. Lekcija 1

Unakrsna entropija — funkcija greške za klasifikaciju, koja oštro kažnjava samouverenu grešku. Lekcija 4

Upit, ključ i vrednost — tri uloge u koje se svaka reč pretvara da bi pažnja mogla da se izračuna. Lekcija 7

Usklađivanje — pitanje da li sistem radi ono što smo mislili kada smo mu zadali merilo. Lekcija 8

Učenje potkrepljivanjem — učenje kroz nagrade i kazne u okruženju, bez unapred spremljenih odgovora. Lekcija 2

Učenje u kontekstu — praćenje obrasca iz nekoliko primera datih u samom upitu, bez ikakvog treninga. Lekcija 7

V

Validacioni skup — podaci na kojima se biraju podešavanja, da bi test skup ostao netaknut. Lekcija 4

Veštačka inteligencija — najširi pojam: svaki pokušaj da mašina radi ono što kod čoveka zovemo inteligentnim. Lekcija 1

Višeglava pažnja — više mehanizama pažnje uporedo, od kojih svaki prati drugu vrstu odnosa među rečima. Lekcija 7

Z

Zagađenje testova — pojava da su pitanja iz javnih testova već bila u trening podacima, pa rezultat delom meri prepoznavanje. Lekcija 8

Zakoni skaliranja — pravilnost po kojoj greška predvidivo opada sa veličinom modela, količinom podataka i utrošenim računom. Lekcija 7

Zima veštačke inteligencije — period naglog povlačenja finansiranja posle neispunjenih obećanja; bilo ih je dve. Lekcija 2

CEO KURS

Ako ti je ovo prva stranica na koju si naišao, pojmovi se u pravom redosledu uvode u prvoj lekciji.

Pregled svih osam lekcija i dodataka je na hub stranici kursa.

Tekst je pisan uz pomoć jezičkog modela Claude Opus 5 kompanije Anthropic. Sadržaj, struktura i konačna redakcija su autorski.