معجم الذكاء الاصطناعي

توليد الصور

Image Generation

إنشاء صور جديدة بالذكاء الاصطناعي.

الانتشار

Diffusion Process

توليد صور بإزالة الضوضاء تدريجياً.

الشبكة التوليدية المتعارضة

GAN

مولّد ومميز يتنافسان لتحسين الجودة.

الترميز التكيفي

Variational Autoencoder

نموذج توليدي بتمثيلات مخفية احتمالية.

توليد الفيديو

Video Generation

إنشاء مقاطع فيديو بالذكاء الاصطناعي.

التحويل من نص إلى صورة

Text-to-Image

إنشاء صور من وصف نصي.

تحسين الصور

Image Enhancement

تحسين جودة الصور.

الاستكمال

Inpainting

ملء الأجزاء المفقودة من الصور.

نقل الأسلوب

Style Transfer

نقل أسلوب فني إلى صورة أخرى.

الدقة الفائقة

Super Resolution

تحسين دقة الصور منخفضة الدقة.

توليد المشاهد الثلاثية

3D Scene Generation

إنشاء مشاهد ثلاثية الأبعاد.

ترجمة الصور

Image Translation

تحويل صورة من مجال إلى آخر.

توليد الأفاتارات

Avatar Generation

إنشاء صور شخصية افتراضية.

طبقات الصور

Image Overlay

وضع طبقات من الصور فوق بعضها.

دمج الصور

Image Blending

دمج صورتين أو أكثر بشكل سلس.

التعلم الفروقي

Temporal Difference Learning

تعلم فروقي يجمع بين تعلم الجودة وخوارزميات مونت كارلو.

تحسين السياسة القريبة

Proximal Policy Optimization

خوارزمية فعالة لتحسين سياسة التعلم المعزز.

المؤشر والمراجع غير المتزامن

Asynchronous Advantage Actor-Critic

خوارزمية تعلم معزز متزامنة تعتمد على المؤشر والمراجع.

النقد اللزج الناعم

Soft Actor-Critic

خوارزمية تعلم معزز تعمل بمبدأ تعظيم المكافأة اللزجة.

شبكة Q العميقة

Deep Q-Network

شبكة عصبية عميقة لتعلم قيمة الحالة الفعل في بيئة متعددة.

التعلم المعزز بالتغذية الراجعة البشرية

Reinforcement Learning from Human Feedback

استخدام تقييمات وتفضيلات البشر لتحسين سياسة النموذج.

التعلم بالمنهج التعليمي

Curriculum Learning

تنظيم المهام من الأبسط إلى الأصعب لتحسين كفاءة التدريب.

التعلم المعزز متعدد الوكلاء

Multi-Agent RL

تعلم معزز متعدد الوكلاء يتعاونون لتحقيق أهداف مشتركة.

التعلم المعزز العكسي

Inverse Reinforcement Learning

استنتاج دالة المكافأة من سلوك الخبير في بيئة معينة.

التعلم المعزز القائم على النموذج

Model-Based RL

تعلم معزز يبني نموذجاً لتمثيل البيئة ومقاربتها.

الحشو الذكي

ai slop

مخرجات الذكاء التوليدي التي تفضّل الكمية على النوعية بمحتوى رديء منخفض الجودة.

اختزال العينات

downsampling

مصطلح متعدد المعاني يمكن أن يشير إلى أحد المعنيين التاليين.

خسارة المينيماكس

minimax loss

دالة خسارة للشبكات التوليدية التنافسية (GAN) مبنية على الإنتروبيا المتقاطعة بين توزيع البيانات المولَّدة والبيانات الحقيقية.

أخذ العينات السلبي

negative sampling

مرادف لأخذ العينات المرشحة (candidate sampling).

أخذ العينات مع الإعادة

sampling with replacement

طريقة لاختيار عناصر من مجموعة مرشحة يمكن فيها اختيار العنصر نفسه أكثر من مرة؛ وتعني عبارة مع الإعادة أنه بعد كل اختيار يُعاد العنصر المختار إلى مجموعة المرشحين.

خسارة فاسرشتاين

wasserstein loss

إحدى دوال الخسارة الشائعة في الشبكات التنافسية التوليدية، وتُبنى على مسافة نقل الأرض بين توزيع البيانات المولدة وتوزيع البيانات الحقيقية.

تقدير التباين الضوضائي (NCE)

noise contrastive estimation

خسارة قائمة على أخذ العينات تُستخدم عادةً لتدريب المصنفات ذات معجم مخرجات كبير؛ لأن حساب سوفتماكس على عدد كبير من الفئات المحتملة مكلف جداً.

عامل Y

y-factor

تقنية شائعة لقياس كسب ودرجة حرارة الضوضاء لمضخم.

خسارة إعادة بناء الأسلوب

style reconstruction loss

دالة خسارة تُستخدم لقياس الاختلافات الأسلوبية (كالملمس واللون والتكوين) بين صورة مولدة وصورة مرجعية.

أرشفة المحتوى ينتج نصوصاً

Content Generation for text

نموذج توليدي قادر على إنتاج نصوصاً جديدة وفريدة بطريقة آلية.

توليد الكود ينتج استجابات تفاعلية

Code Generation for text

نموذج توليدي قادر على إنتاج استجابات تفاعلية جديدة وفريدة بطريقة آلية.

توليد البيانات الاصطناعية ينتج محتويات إبداعية

Synthetic Data Generation for text

نموذج توليدي قادر على إنتاج محتويات إبداعية جديدة وفريدة بطريقة آلية.

التوليد المشروط ينتج فيديوهات

Conditional Generation for text

نموذج توليدي قادر على إنتاج فيديوهات جديدة وفريدة بطريقة آلية.

توليد الصور ينتج استجابات تفاعلية

Image Generation for text

نموذج توليدي قادر على إنتاج استجابات تفاعلية جديدة وفريدة بطريقة آلية.

الذكاء الاصطناعي التوليدي

generative artificial intelligence

فرع من الذكاء الاصطناعي ينتج محتوى جديداً كالنصوص والصور والصوت بدلاً من التصنيف فقط.