معجم الذكاء الاصطناعي

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.

زمن الاستجابة

Latency

مدة التأخير الكلية بين إرسال الطلب وهذا تلقّي الرد، وهي نتيجة تجمع المعالجة والانتظار والانتقال، ومقياس أساسي لتجربة الاستخدام.

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.

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.

ضغط التحديث

Update Compression

ضغط التحديثات المرسلة بين العملاء والخادم لتقليل حِمل الاتصال، كتكميم الفروق أو استخدام التقنيات الموفرة، دون فقدان جوهر التعلم.

المتوسط الاتحادي

Federated Averaging

خوارزمية متوسط أوزان التحديثات المحلية المرسلة عند الخادم بنسب حجم البيانات، وهي العمود الفقري للتعلم الاتحادي فيبني نموذجًا مشتركًا.

التعلم عبر الأجهزة

Cross-Device Learning

التعلم الاتحادي عبر عدد كبير من الأجهزة المتصلة بالمستخدم مثل الهواتف، قليل البيانات لكل جهاز ومشاركة غير متزامنة ومتقطعة.

التعلم عبر المؤسسات

Cross-Silo Learning

التعلم الاتحادي بين مؤسسات أو مراكز تحل كلا C مواردها داخل ما تسمح به جدران الحماية، فتُتبادل النماذج دون تبادل البيانات الخام.

التعلم المشفر

Encrypted Learning

تعلم جماعي يعمل على بيانات مشفرة أو موزعة مع تشفير جزئي للحسابات، فيبلغ التحديث النتيجة دون كشف الأرقام الأصلية.

الحوسبة متعددة الأطراف

Secure Multi-Party Computation

عملية حوسبة جماعية يحسب فيها عدة أطراف دالة خاصة على بياناتهم معًا دون كشف أي طرف لمدخلاته للآخرين، بواسطة بروتوكولات الترميز والمشاركة.

تقليل البيانات

Data Minimization

مبدأ جمع وحفظ أقل قدر من البيانات الشخصية اللازمة للغرض، فتقل مساحة كشف الخصوصية وتكاليف الحماية والانتهاكات المحتملة.

الاستدلال الخاص

Private Inference

الاستدلال على البيانات الحساسة مع الحفاظ على خصوصيتها بتقنيات التشفير المتماثل والحساب الخاص، فتُحسب النتائج دون رؤية الخام.

التدريب الخاص

Private Training

التدريب على بيانات موزعة مشفرة أو موزعة بطرق متحفظة للخصوصية، فيُدرب النموذج المشترك دون انكشاف بيانات أي طرف.

ميزانية الخصوصية

Privacy Budget

حصة محدودة من الخصوصية يسمح بها النظام للاستعلامات أو التحليلات المستمرة، ويُراقب استهلاكها للحد من تسرب المعلومات عبر المرات المتتالية.

هجوم استنتاج العضوية

Membership Inference Attack

هجوم يستنتج فيه المهاجم استمداد سجل معين في مجموعة تدريب النموذج من ملاحظة مخرجاته، فيكشف وجود بيانات شخصية في التدريب.