معجم الذكاء الاصطناعي

التفسير المضاد

Counterfactual Explanation

تفسير يستكشف ما كانت النتيجة لولا إدخال تغيير بعينه، فيجيب عن أسئلة «لو لم» ويوضح صنع أسباب القرار الفعلي.

التفسير المحلي

Local Explanation

تفسير اقترب من نقطة بيانات معينة فقط، فيشرح لماذا صنف المثال الفلاني بهذه الطريقة تجاه الهدف دون تعميم على النموذج كله.

التفسير العالمي

Global Explanation

تفسير يوضح السلوك العام للنموذج عبر المساحة كلها، كوضح ما يتعلمه المصنف عمومًا والسمات البارزة في قراراته إجمالًا.

مسبار التمثيل

Representation Probing

تقنية تُدرَّب فيها مصنفات خفيفة على تمثيلات طبقات النموذج للكشف عن المعلومات المخزنة داخلها، لمعرفة ما يحمله التمثيل فعلًا.

تتبّع السببية

Causal Tracing

تتبع خطوة بخطوة كيف ينتقل تأثير مدخل معين عبر طبقات النموذج حتى المخرجات، لتحديد المكان الفعلي الذي تُشكّلت فيه القرارات والسمات.

التحليل منخفض الرتبة

Low-Rank Factorization

تقريبه بمصفوفتين أو أكثر منخفضة الرتبة تقارب الحجم الكامل، فيُخفض عدد المعلمات ويقل تنفيذ الحسابات مع محافظة قوية على الجودة.

التكميم بعد التدريب

Post-Training Quantization

تكميم أوزان النموذج بعد اكتمال تدريبه إلى أرقام أقل دقة، فيقل حجمه ويسرع تشغيله بتطبيق مباشر دون مرحلة تدريب إضافية.

التدريب الواعي بالتكميم

Quantization-Aware Training

طابع تدريب يُدرَّب فيه النموذج مع مراعاة تأثيرات التكميم المستقبلية بتقليد سلوك النسخة المكمَّمة، فيحتفظ الأداء بعد التكميم النهائي.

دمج النماذج

Model Merging

دمج أوزان نماذج متعددة أو تدريبات متوازية في نموذج واحد بالجمع أو التداخل الهندسي، لتجميع القدرات المتكاملة دون تدريب إضافي مكلف.

التناثر المنظم

Structured Sparsity

ضغط منظم بجلب مجموعات كاملة أو قنوات أو كتل إلى الصفر وفق أنماط محددة، فيولّد حسابات أسرع ويتوافق أداء مع أجهزة متخصصة.

تقسيم المعلمات

Parameter Sharding

توزيع معلمات النموذج الكبير على عدة أجهزة بشرائح متوازية، فيتسع لحجم يتجاوز ذاكرة عقدة واحدة عبر اتصال سريع بينها.

التدريب غير المتزامن

Asynchronous Training

تنفيذ التدريب الموزع بسماح لعقد مختلفة بالتقدم بمعدلات مختلفة والمزامنة بفواصل، فيزيد الإنتاجية الإجمالية بتقليل إجهاد الانتظار.

العميل الاتحادي

Federated Client

الطرف في التعلم الاتحادي الذي يملك بياناته المحلية ويُدرّب التحديث على جهازه ويشارك النموذج فقط دون بياناته الخام.

الخادم الاتحادي

Federated Server

الطرف المركزي في التعلم الاتحادي الذي يجمع التحديثات من العملاء ويحسب المتوسط ويدفع النموذج المحدث ويوزعه جولة بعد جولة.

الانحراف غير المتجانس

Non-IID Drift

الانحراف بين التوزيعات المحلية للعملاء والتوزيع الكلي، فيتأثر التقارب والجودة مثل تباين أجهزة والبيانات المختلفة الخصائص.

التخصيص المحلي

Local Personalization

تهيئة النموذج محليًا لدى كل عميل مما يطابق خصوصية بياناته، مع بقاء التحديثات المشتركة للحفاظ على المعرفة العامة عند الجميع.

اختيار العملاء

Client Selection

اختيار العملاء المشاركين في كل جولة وفق سياسة متفق عليها كالتوافر وتمثيل البيانات والشبكة، لضبط الكفاءة والعدالة.

زمن أول رمز

Time to First Token

الزمن من لحظة وصول الطلب حتى أول رمز يُنتج، ومقياس لسرعة التفاعل وظهور «الشعور بالبث» لدى المستخدم.

زمن كل رمز

Time per Output Token

الزمن المستغرق لإنتاج كل رمز ناتج بعد الأول، ومحوره لسرعة معالجة العرض الطويل والإنتاجية الكلية.

التوسع التلقائي

Autoscaling

زيادة الموارد المخصصة للخدمة ونقصها آليًا وفق الحِمل الفعلي، فتناسب القدرة مع الطلب بلا إسراف ولا عجز.

توجيه الطلبات

Request Routing

توجيه الطلبات الواردة إلى النسخة أو العقدة الأنسب للتعامل معها، وفق الحمل والكفاءة والقرب، لموازنة الضغط وتحسين الاستجابة.

التخزين المؤقت الدلالي

Semantic Caching

التخزين المؤقت لنتائج الاستعلامات على نحو دلالي لا حرفي، فيُعاد استخدام إجابات متشابهة بالأثر بدل إعادة الحساب، ويقل زمن ومُحمولة.

التسخين المسبق

Model Warmup

تجهيز النموذج في الذاكرة والسخونة قبل طلبات الإنتاج الحقيقية، فيمر الطلب الأول بمعدل طبيعي لا بحمل التحميل البارد.

جدولة المسرعات

Accelerator Scheduling

جدولة طلبات الحوسبة على المسرعات المتوفرة بمراعاة الذاكرة والتزامن والقرب، فتُستغل كل معالج وأنبل نسبة.

عقود البيانات

Data Contracts

اتفاقات صريحة بين منتج البيانات ومستهلكها تحدد مخططها وجودتها وملكيتها واتفاقيات التحديث، فيُبنى عليها تدفق بيانات مضمون.

تنميط البيانات

Data Profiling

الفحص الاستكشافي للبيانات لوصف بنيتها وتوزيعها وجودتها والقيم الشاذة فيها، ويوجه خطوات التنظيف والهندسة الموجهة.

مراقبة الانحراف

Drift Monitoring

مراقبة مستمرة للبيانات الواردة والميزات لاكتشاف الانحراف عن التوزيع الأساسي، فيُنبَّه النظام عند تغير أنماط لا تتوقعها النماذج.

توحيد المخططات

Schema Harmonization

توحيد مخططات البيانات القادمة من مصادر مختلفة إلى مخطط مشترك متسق، فتتكامل المصادر بلا تعارض في الأنواع أو الأسماء.

إثراء البيانات

Data Enrichment

إثراء البيانات الأصلية بمعلومات خارجية أو مشتقة: بيانات خارجية، تسميات، أو خصائص محسوبة، لرفع القيمة والجدوى التحليلية.

إصدار مجموعات البيانات

Dataset Versioning

إدارة إصدارات مجموعات البيانات وتتبع تغييراتها وتعيين نسخة لكل تدريب، لضمان قابلية إعادة الإنتاج ومقارنة النماذج بشكل سليم.

التوليد الاصطناعي

Synthetic Generation

توليد بيانات جديدة اصطناعيًا لتوسيع مجموعة التدريب أو موازنتها أو تكوين سيناريوهات لا تتسرب للواقع مثل النوادر أو المواقف الطارئة.

تنويع العينات

Sample Diversification

تنويع أمثلة التدريب بتحويرات وإعادة أخذ عينات لتغطية حالات أوسع ورفع تعميم النموذج وتقليل التحفيظ.

موازنة الفئات

Class Balancing

موازنة توزيع الفئات في بيانات التدريب بحيث لا يهيمن صنف كثير على التعلم، بطرق كإعادة العينات وزيادة الأصناف القليلة.

توليد الحالات النادرة

Rare-Case Generation

توليد أمثلة اصطناعية لحالات نادرة أو طارئة يصعب توفرها في الواقع، ليعلم النموذج التعامل معها عند وقوعها.

الخصوصية الاصطناعية

Synthetic Privacy

توليد بيانات اصطناعية تحترم خصوصية الأفراد، إذ تنبني خصائص إحصائية دون كشف هوية الأصول، فتُستخدم بدل البيانات الحقيقية الحساسة.

البيانات الجدولية الاصطناعية

Synthetic Tabular Data

توليد جداول تصف تركيب بيانات حقيقية من قيم وارتباطات، وتحافظ على الأنماط الإحصائية دون التعرض لملاحظات فردية.

النصوص الاصطناعية

Synthetic Text

نصوص اصطناعية تُؤلَّف وفق أنماط لغة ومنطق مقصودين، تُستخدم لتدريب النماذج وتوسيع بياناتها دون الاعتماد كليًا على نصوص بشرية.

الصور الاصطناعية

Synthetic Images

صور مولدة تشبه صور التقاط حقيقية بخصائص متحكم بها، تُستخدم لتدريب الرؤية الحاسوبية وتوسيع تنوع المجموعات.

تقييم الواقعية

Realism Assessment

تقييم مدى مقاربة العينات الاصطناعية للواقعية المطلوبة، بمقارنة بصرية وإحصائية وبأدوات تلقائية لتأكيد جاهزيتها للاستخدام.

كشف الاصطناع

Synthetic Data Detection

كشف البيانات المولدة أو المعدلة اصطناعيًا عن الحقيقية، باستخدام بصمات تشفيرية وإحصائية ومميزات عديدة، لأغراض الأصالة والأمان.