معجم الذكاء الاصطناعي

نماذج جيميني

gemini models

نماذج Transformer متعددة الوسائط من جوجل من الطراز الأحدث، وهي مصممة خصيصاً للتكامل مع الوكلاء (agents).

الشبكة التوليدية التنافسية (GAN)

generative adversarial network (gan)

نهج للنمذجة التوليدية يستخدم أساليب التعلم العميق، مثل الشبكات العصبية الالتفافية؛ فالنمذجة التوليدية مهمة ذاتية الإشراف تكشف الانتظامات أو الأنماط في بيانات الإدخال بما يتيح للنموذج توليد أمثلة جديدة.

النموذج التوليدي

generative model

من الناحية العملية، نموذج يقوم بأحد الأمرين التاليين:

استوديو Google AI

google ai studio

أداة من جوجل توفر واجهة سهلة الاستخدام للتجربة وبناء التطبيقات باستخدام نماذج اللغات الكبيرة من جوجل.

التدرج

gradient

متجه المشتقات الجزئية بالنسبة إلى جميع المتغيرات المستقلة؛ وفي التعلم الآلي هو متجه المشتقات الجزئية لدالة النموذج.

التجذير بالمصدر

groundedness

خاصية في نموذج يكون مخرجه مبنيًا على (أي «مُجذَّرًا في») مادة مصدرية محددة. لنفترض أنك زوّدت نموذج لغة كبيرًا بكتاب فيزياء كامل «كسياق»، ثم سألت نموذج اللغة الكبير سؤالًا في الفيزياء.

تسلق التل

hill climbing

خوارزمية لتحسين نموذج تعلم آلي بطريقة تكرارية حتى يتوقف النموذج عن التحسن.

المستوي الفائق

hyperplane

حد يفصل فضاءً إلى فضاءين فرعيين. الخط هو مستوٍ فائق في بُعدين، والمستوى هو مستوٍ فائق في ثلاثة أبعاد. في تعلّم الآلة عادةً يكون المستوي الفائق هو الحد الذي يفصل فضاءً عالي الأبعاد.

الانحياز الضمني

implicit bias

إجراء ارتباط أو افتراض تلقائيًا استنادًا إلى النماذج الذهنية والذكريات لدى الفرد. يمكن أن يؤثر الانحياز الضمني في ما يلي:

المستقلة والمتطابقة التوزيع (I.I.D)

independently and identically distributed (i.i.d)

بيانات مأخوذة من توزيع لا يتغير، وتكون كل قيمة مأخوذة غير معتمدة على القيم المأخوذة سابقًا. تُعد خاصية الاستقلال والتطابق في التوزيع «الغاز المثالي» لتعلّم الآلة، أي إنها بناء رياضي مفيد لكنه تقريبًا لا يوجد حرفيًا في العالم الحقيقي. قد يكون توزيع زوار صفحة ويب مستقلاً ومتطابقًا في التوزيع خلال نافذة زمنية قصيرة؛ أي إن التوزيع لا يتغير خلال تلك الفترة.

الانحياز داخل المجموعة

in-group bias

إظهار التحيز لجماعة الفرد الخاصة أو لخصائصه. إذا كان المختبرون أو المقيمون من أصدقاء مطوّر تعلّم الآلة أو من عائلته أو زملائه، فقد يُبطل الانحياز داخل المجموعة اختبار المنتج أو مجموعة البيانات.

مولِّد الإدخال

input generator

آلية تُحمَّل البيانات من خلالها إلى الشبكة العصبية.

التحقق المتقاطع المطوي K

k-fold cross validation

خوارزمية للتنبؤ بقدرة النموذج على التعميم إلى بيانات جديدة. يشير حرف K في التحقق المطوي إلى عدد المجموعات المتساوية التي تُقسَّم إليها أمثلة مجموعة البيانات؛ أي إنك تدرّب النموذج وتختبره K من المرات.

ك-وسيط (K-median)

k-median

خوارزمية تجميع وثيقة الصلة بخوارزمية ك-وسائل (k-means)؛ ويتمثل الفرق العملي بينهما في أن ك-وسيط تستخدم الوسيط لتمثيل مركز العنقود بدلاً من المتوسط، ما يجعلها أقل حساسية للقيم المتطرفة.

تسوية L0

l0 regularization

نوع من التسوية يفرض عقوبة على العدد الإجمالي للأوزان غير الصفرية في النموذج.

خسارة L1

l1 loss

دالة خسارة تحسب القيمة المطلقة للفرق بين قيم الملصقات الفعلية والقيم التي يتنبأ بها النموذج.

خسارة L2

l2 loss

دالة خسارة تحسب مربع الفرق بين قيم التسميات الفعلية والقيم التي يتنبأ بها النموذج. إليك حساب خسارة L2 لمجموعة من خمسة أمثلة:

انحدار المربعات الصغرى

least squares regression

نموذج انحدار خطي يُدرَّب بتقليل خسارة L2.

النموذج الخطي

linear model

نموذج يعيّن وزناً واحداً لكل ميزة لصنع التنبؤات، ويتضمن أيضاً انحيازاً؛ وعلى النقيض، تكون علاقة الميزات بالتنبؤات في النماذج العميقة غير خطية عموماً.

اللوغيتات

logits

متجه التنبؤات الأولية (غير المعيَّرة) الذي يولّده نموذج تصنيف، ويُمرَّر عادة بعد ذلك إلى دالة معايرة؛ فإذا كان النموذج يحل مسألة تصنيف متعددة الصفوف تصبح اللوغيتات عادة مدخلاً لدالة صوفماكس.

مجمع الخسائر

loss aggregator

نوع من خوارزميات التعلم الآلي يحسّن أداء النموذج بدمج تنبؤات نماذج متعددة واستخدامها في صنع تنبؤ واحد، مما يقلل تباين التنبؤات ويرفع دقتها.

التكيف منخفض الرتبة

low-rank adaptability (lora)

تقنية فعّالة في استهلاك البارامترات للضبط الدقيق تجمّد الأوزان المُدرّبة مسبقًا للنموذج (فلا يمكن تعديلها بعد ذلك) ثم تُدخل مجموعة صغيرة من الأوزان القابلة للتدريب فيه؛ وهذه المجموعة (التي تُعرف أيضًا بمصفوفات التحديث) أصغر بكثير من النموذج الأساسي وأسرع تدريبًا.

مكتبة Matplotlib

matplotlib

مكتبة رسم مفتوحة المصدر ثنائية الأبعاد للغة بايثون تساعد على تصور جوانب مختلفة من التعلم الآلي.

تعلم الآلة

ml

اختصار لمصطلح machine learning (تعلم الآلة).

النموذج

model

مكوّن أساسي في نظام ذكاء اصطناعي يُستخدم لاستخلاص استنتاجات من المدخلات وإنتاج المخرجات؛ ويصف تحويلاً من المدخلات إلى المخرجات بهدف أداء مهمة حسابية أساسية للنظام، مثل تصنيف صورة أو التنبؤ بالكلمة التالية.

سعة النموذج

model capacity

درجة تعقيد المشكلات التي يمكن لنموذج أن يتعلمها؛ فكلما ازداد تعقيد المشكلات التي يمكن للنموذج تعلمها ازدادت سعته.

التتالي النموذجي

model cascading

نظام يختار النموذج الأمثل لاستعلام استدلال (inference) معين.

موجِّه النماذج

model router

الخوارزمية التي تحدد النموذج الأمثل للاستدلال في التسلسل النموذجي (model cascading)؛ وغالباً ما يكون موجّه النماذج نموذج تعلم آلي يتعلم تدريجياً اختيار أفضل نموذج لمدخل معيّن.

تدريب النموذج

model training

المرحلة في دورة حياة تطوير علم البيانات التي يحاول فيها الممارسون إيجاد أفضل توليفة من الأوزان والانحياز لخوارزمية تعلم آلي لتقليل دالة خسارة عبر نطاق التنبؤ.

متعدد المهام

multitask

أسلوب في التعلم الآلي يُدرَّب فيه نموذج واحد على أداء مهام متعددة.

نموذج Gemini Nano

nano

نموذج Gemini صغير نسبيًا مصمم للاستخدام على الجهاز نفسه؛ راجع Gemini Nano للتفاصيل.

فخّ NaN

nan trap

حالة يصبح فيها رقم واحد في نموذجك NaN أثناء التدريب، ما يتسبب في تحوّل كثير من الأرقام الأخرى أو جميعها في النموذج إلى NaN في النهاية.

الصنف السالب

negative class

في التصنيف الثنائي، يُسمى أحد الصنفين موجباً والآخر سالباً؛ فالصنف الموجب هو الشيء أو الحدث الذي يفحص عنه النموذج، والصنف السالب هو الاحتمال الآخر.

الشبكة العصبية

neural network

الشبكة العصبية مكوّنة من طبقة واحدة أو أكثر من الخلايا العصبية المترابطة بروابط مرجحة بأوزان قابلة للضبط. تستقبل الشبكة العصبية بيانات الإدخال وتنتج مخرجات بتمريرها عبر الشبكة، مع قيام كل خلية عصبية بحساب بسيط. وبينما صُممت بعض الشبكات العصبية لمحاكاة عمل الخلايا العصبية البيولوجية في الجهاز العصبي، فإن معظم الشبكات العصبية في الذكاء الاصطناعي الحديث لا تحاكي السلوك البيولوجي بل تُستخدم كنظم حسابية قوية لتعلم الأنماط من البيانات.

الدالة الهدفية

objective

مقياس تحاول خوارزميتك تحسينه.

الاستدلال غير المتصل

offline inference

عملية توليد النموذج حزمةً من التنبؤات ثم تخزينها (حفظها) في الذاكرة المؤقتة (cache). يمكن للتطبيقات بعد ذلك الوصول إلى التنبؤ المستنتَج من الذاكرة المؤقتة بدلًا من إعادة تشغيل النموذج.

التعلم من مثال واحد

one-shot learning

منهج في التعلم الآلي يُستخدم كثيرًا في تصنيف الأجسام، صُمم لتعلّم نموذج تصنيف فعّال من مثال تدريبي وحيد.

واحد مقابل الكل (One-vs-All)

one-vs.-all

في مسألة تصنيف من N فئة، حل يتكون من N نموذج تصنيف ثنائي منفصل، نموذج واحد لكل نتيجة ممكنة. بالنسبة لنموذج يصنّف الأمثلة إلى حيوان أو نبات أو معدن، فإن حل واحد مقابل الكل يوفر نماذج التصنيف الثنائي المنفصلة الثلاثة التالية:

الاستدلال الفوري

online inference

توليد التنبؤات عند الطلب؛ فعندما يمرر تطبيق مدخلات إلى نموذج ويطلب تنبؤاً، يجيب نظام الاستدلال الفوري بتشغيل النموذج وإرجاع التنبؤ للتطبيق.

أوبتاكس (Optax)

optax

مكتبة لمعالجة التدرجات والتحسين تُستخدم مع JAX. تسهّل Optax البحث العلمي عبر توفير لبنات بناء يمكن إعادة دمجها بطرق مخصصة لتحسين النماذج البارامترية مثل الشبكات العصبية العميقة.