معجم الذكاء الاصطناعي

التنبؤ المكاني

Spatial Forecasting

التنبؤ بقيم متغيرة في المواقع الجغرافية: درجات أو غلّات أو أمراض، بمراعاة الترابط المكاني المجاوِر، فيستدل على النواقل الجغرافية المستقبلية.

الترميز الجغرافي الذكي

Intelligent Geocoding

الترميز الجغرافي الذكي: تحويل العنوان مكتوبًا أو وصفًا إلى إحداثيات دقيقة وموقع خريطة، مع تسوية الإبهامات اللغوية والسياقات والقياس المتعددة.

الاستدلال المكاني

Spatial Reasoning

الاستدلال حول العلاقات المكانية بين الأشياء والمناطق كمحاذاة وتقاطعات وتواجد، لاستنتاج خطط مواصلات وزحف حضاري وأنشطة متواردة.

دمج البيانات الجغرافية

Geospatial Data Fusion

دمج مصادر بيانات جغرافية مختلفة كالصور والخرائط وأقمار GPS في تمثيل مشترك، فيغتني التحليل المكاني بمعلومة متكاملة متسقة.

الاستدلال على الجهاز

On-Device Inference

تشغيل النموذج على الجهاز نفسه بدل السحابة، فيقل التأخير التحميل الخصوصية والتكلفة، مع استفادة من محركات الأجهزة المحلية القادرة.

النموذج المصغر

Tiny Model

نموذج مصغر بمعاملات حد أدنى يعمل ضمن ذاكرة الجهاز وقدرته، فتُجلب جودة الذكاء الاصطناعي للأجهزة المحدودة الموارد والطاقة.

إدارة الطاقة

Energy Management

إدارة استهلاك الطاقة في أجهزة الحوسبة بتوزيع الحِمل وخفض التردد في أوقات الخمول وضبط السكون، وهو البعد الجوهري للأجهزة المحمولة.

الذاكرة المحدودة

Memory-Constrained Inference

الاستدلال تحت قيد ذاكرة ضيقة قديمة: تقليل الأوزان وتقسيم الحساب وتفصيل وتسلسل، فيشتغل النموذج مما لا يتسع للذاكرة كاملة.

التحديث عبر الهواء

Over-the-Air Model Update

تحديث أوتوماتيكي للنماذج على الأجهزة عبر الشبكة لاسلكيًا، بتسليم إصدارات جديدة آمنة وتأكيدات ومراجعات تحدد بيت النسخة المحدثة.

تقسيم الاستدلال

Split Inference

تقسيم تشغيل النموذج بين جهاز وسحابة أو عقدتان تقطع المراحل، فيؤدّى الجزء الثقيل عند الطرف القوي والجزء الخفيف محليًا، موازنًا بين الخصوصية والأداء.

التعلم على الجهاز

On-Device Learning

تعلم النموذج على الجهاز ذاته من بيانات الاستخدام المحلي، فيتخصص للمستخدم خصوصًا ويبقى داخل بيئته دون نقل بيانات حساسة للسحابة.

الحوسبة غير المتصلة

Offline AI

تشغيل ميزات ذكاء اصطناعي دون اتصال بالشبكة اعتمادًا على نماذج محمولة ومعالجة محلية، فيعمل الجهاز في الطائرة والمناطق النائية وتقوم الخصوصية.

زمن الاستجابة الطرفي

Edge Latency

زمن الاستجابة في أجهزة الحافة إن بقيت المعالجة قريبة من مصدر البيانات، أقل من الرحلة إلى السحابة وذهابًا وإيابًا، وهو دعاية الأساس لأجهزة الحافة.

خصوصية الجهاز

Device Privacy

حماية خصوصية المستخدم في جهازه المحلي: بقاء بياناته ومعالجتها على جهازه وبأسرع منفذ، مع شفافية في أي نطاق بمشاركة محدودة.

هندسة الميزات الآلية

Automated Feature Engineering

الإنشاء التلقائي للميزات المستخلصة من البيانات وفق عمليات متنوعة، فيكتشف النموذج أو الخبير الآلي التحويلات الأنسب دون هندسة يدوية مرهقة.

البحث المعماري العصبي

Neural Architecture Search

بحث آلي في بنية الشبكات العصبية: معاينة قِوىً وسيع وأشكال طبقات، ثم بناء البنية الأعلى جودة للمهمة على البيانات المطلوبة.

اختيار الخوارزمية

Algorithm Selection

اختيار الخوارزمية الأنسب لمهمة وبيانات محددة، بتقييم تجريبي وحكمة مكتسبة، فيختص بمقدار الجهد والاتساق عن التجربة اليدوية لكل خوارزمية.

التحقق الآلي

Automated Validation

التحقق الآلي من النماذج والميزات بمنهجيات تقييم موحدة كالتحقق المتقاطع، فيُختار النموذج الأفضل وتبقى النتائج قابلة لإعادة الإنتاج والثقة.

التجميع الآلي للنماذج

Automated Ensembling

التجميع الآلي نماذج متعددة متنوعة في مجموعة تنبؤات مرجحة أو متكاملة، فيرتفع الأداء الكلي وتقل أهمية أي نموذج منفرد، بضبط تلقائي للأوزان.

التجريب المتوازي

Parallel Experimentation

إجراء تجارب ضبط متوازية على موارد حوسبة متعددة في آن واحد وطيور مسار البحث، فيُستكشف فضاء المعاملات أسرع مما لو جُمِدت تعاقبًا.

ميزانية البحث

Search Budget

ميزانية محدودة لحساب البحث في إعادة التحسين (زمن أو جولات أو موارد)، تغلق البحث عند الإنفاد ويُراعى اقتناؤها في تخطيط عرض الفضاء.

الإيقاف المبكر

Early Stopping

إيقاف تدريب مبكرًا حين يتوقف التحسن أو يفوق النموذج على التحقق، فيوفر زمنًا ويرفع من الإفراط بالتدريب، وميزة أساسية في جداول الضبط.

خوارزمية TPE

Tree-Structured Parzen Estimator

نموذج احتمالي فعال يستعلِم من البيانات كيف تبني الثقة بين المعاملات والأداء، فيرشد البحث واختيار الجولات التالية بموازنة بين الاستكشاف والاستغلال.

جدولة الموارد

Resource Scheduling

توزيع موارد الحوسبة والزمن على تجارب البحث وفق قيمتها المتوقعة، فيُنفَّذ المزيد من الوقت للمشاريع الواعدة ويحسم إيقاف الأسوأbandits.

التقليص المتتابع

Successive Halving

استراتيجية توزيع ميزانية عبر تجارب متزامنة بتقييمات دورية واقتطاع إسهام الأسوأ أداء، فترتفع موارد اللامئات المتبقية ويُقتصّ أفق البحث.

هايبر باند

Hyperband

خوارزمية ضبط تجمع الموارد بين البدائل بأسلوب الصراع المقيد والانحدار العشوائي، فيكتشف أفضل المعاملات بتعاقب مشترق كفء من الموارد.

فضاء البحث

Search Space

الفضاء المصمم بكل القيم الممكنة (متصلة أو قاطعة) لمعلمات النموذج في البحث، ويحدد حدود التجربة ويوجه خوارزميات الاستكشاف.

دالة الهدف

Objective Function

الدالة رياضة يقيَّم عليها أداء معاملات النموذج (كدقة أو خسارة)، وهي الهدف الذي تصغر اتجاهات الخوارزمية بسخاء في البحث عن الأفضل.

تجارب الضبط

Tuning Trials

جولات التجريب المتتابعة كل جولة تحاول مجموعة معاملات وتقيس النتيجة، فيتراكم التاريخ ويُقتطع مسار البحث نحو منطقة الوعد.

توليد الميزات

Feature Generation

استحداث ميزات جديدة من خام البيانات بتحويلات وحسابات تلقائية أو ذكية، لإثراء الإشارة المتاحة للنموذج دون هندسة يدوية.

تقييس الميزات

Feature Scaling

تقييس الميزات إلى نطاقات موحدة بإعادة تحجيم كمعدل الصفر والتباين، فيوازن أيسر استقرار التدريب ويحصّل مساواة في الأهمية الرقمية بين المتغيرات.

معالجة القيم المفقودة

Missing Value Handling

معالجة قيم البيانات المفقودة بالاستيفاء أو الإزالة أو النمذجة المستندة، بحيث لا تشوّش النموذج أو تهمشه، وتبقى جودة العمل مرتفعة.

تفاعل الميزات

Feature Interaction

قياس الجانب المشترك تأثير ميزتين مرتبطين في النموذج بما يتجاوز أثرهما منفردين، فيكشف اعتماديات ذات معنى يلتقطها المتعلم.

تحويل اللوغاريتم

Log Transformation

تحويل لوغاريتمي لقيم البيانات المتسارعة في اتجاه لتقارب توزيعها الطبيعي، فيخفف تطرف القيم الكبيرة ويسمح بتمثيل أدق للتباعد النسبي.

تجميع الميزات

Feature Aggregation

تجميع ميزات متعددة في ميزة مجمعة واحدة ذات مؤشر مختصر، كالمتوسط أو المجموع أو حالة تفاعل، فتقل الأبعاد وتبقى الجوهرة الإشارية.

التوسيم الزائف

Pseudo-Labeling

تعيينات مؤقتة تُولَّد آليًا للبيانات غير الموسومة من تنبؤ نموذج واثق، ثم تُضاف للتدريب، فيتسع التدريب شبه المراقب بالاستفادة من غير الموسوم.

اتساق التنبؤ

Consistency Regularization

تقييد النموذج بإنتاج تنبؤات متسقة من تحويرات المدخلات، فيتعلم تمثيلات مستقرة وأقل حفريًا، ويوازن فراغ المناطق غير الموسومة بسلاسة.

التدريب المشترك

Co-Training

تدريب مشترك يجرب مصنفان متقابلان على وجهي تشظية للميزات ويعلّم كل منهما الآخر بعيناتها الواثقة، فيستثمر العلل غير الموسومة.

التعلم بالرسم

Graph-Based Semi-Supervision

نشر التسميات في رسم بياني يربط البيانات الموسومة بغير الموسومة بميزة التشابه، أوساط التعارف بانتشار فيحصل السياق والقرب، فهو تعلم نصف مراقب بنيوي.

المعلم والطالب

Teacher-Student Learning

التعلم بالمعلم-الطالب: نموذج راسخ (معلم) يوجّه النموذج المضغوط (طالب) بنقل المعرفة لديه، فيتعلم الطالب سلوكًا واقعيًا بدل التسميات الصلبة غالبًا.