معجم الذكاء الاصطناعي

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.

المُحسِّن

optimizer

تنفيذ محدد لخوارزمية الانحدار التدرجي؛ من المحسِّنات الشائعة النزول التدرجي العشوائي (SGD) وآدم (Adam).

القيم الشاذة

outliers

قيم بعيدة عن معظم القيم الأخرى. في تعلّم الآلة، يُعد أي مما يلي قيمة شاذة:

نموذج المسارات اللغوي (PaLM)

palm

اختصار لـ Pathways Language Model (نموذج اللغة المساري).

خادم المعلّمات

parameter server (ps)

مهمة (job) تتعقّب معلّمات النموذج في بيئة موزعة.

استراتيجية التقسيم

partitioning strategy

الخوارزمية التي تُقسَّم بموجبها المتغيرات على خوادم المعلّمات.

نموذج Pathways اللغوي (PaLM)

pathways language model (palm)

نموذج أقدم يُعد سلفاً لنماذج Gemini.

الأداء

performance

نتيجة قابلة للقياس؛ قد تتعلق بحقائق كمية أو نوعية، وبإدارة الأنشطة أو العمليات أو المنتجات (بما فيها الخدمات) أو الأنظمة أو المؤسسات.

الحيرة

perplexity

أحد مقاييس مدى إنجاز النموذج لمهمته؛ فلو كانت مهمتك قراءة الأحرف الأولى من كلمة يكتبها مستخدم على لوحة مفاتيح هاتف وتقديم قائمة كلمات مكتملة محتملة، فإن الحيرة P لهذه المهمة تقارب تقريبًا عدد التخمينات التي يجب تقديمها حتى تتضمن قائمتك الكلمة الفعلية التي يحاول المستخدم كتابتها.

خط الأنابيب

pipeline

البنية التحتية المحيطة بخوارزمية تعلّم الآلة. يشمل خط الأنابيب جمع البيانات، ووضعها في ملفات بيانات التدريب، وتدريب نموذج واحد أو أكثر، وتصدير النماذج إلى بيئة الإنتاج.

خطوط الأنابيب (Pipelining)

pipelining

شكل من أشكال توازي النماذج يُقسَّم فيه معالجة النموذج إلى مراحل متتالية تُنفَّذ كل مرحلة على جهاز مختلف؛ وبينما تعالج إحدى المراحل دفعة ما، يمكن للمرحلة السابقة العمل على الدفعة التالية.

نموذج اللغة المُدرَّب مسبقًا (PLM)

plm

اختصار لـ pre-trained language model (نموذج اللغة المُدرَّب مسبقًا).

نموذج ما بعد التدريب

post-trained model

مصطلح ذو تعريف مرن يشير عادة إلى نموذج مُدرَّب مسبقاً خضع لبعض المعالجات اللاحقة، كإحدى المعالجات التالية.

التعلم الآلي التنبؤي

predictive ml

أي نظام تعلم آلي قياسي (تقليدي).

المعالجة المسبقة

preprocessing

معالجة البيانات قبل استخدامها لتدريب نموذج. قد تكون المعالجة المسبقة بسيطة مثل إزالة الكلمات غير الواردة في قاموس اللغة الإنجليزية من متن نص إنجليزي، أو معقدة مثل إعادة التعبير عن نقاط البيانات بطريقة تزيل أكبر قدر ممكن من السمات المرتبطة بالسمات الحساسة.

نموذج برو (Pro)

pro

نموذج جيميناي (Gemini) بعدد معلّمات أقل من Ultra وأكبر من Nano. راجع Gemini Pro للتفاصيل.

هندسة المطالبات

prompt engineering

عملية تصميم وصياغة المطالبات لنماذج الذكاء الاصطناعي التوليدية لاستخلاص المخرجات المطلوبة. تتضمن فهم قدرات النموذج وتخصيص المطالبة لتوجيه النموذج نحو توليد مخرجات وثيقة الصلة وغنية بالمعلومات وإبداعية.

مجموعة المطالبات

prompt set

مجموعة من المطالبات تُستخدم لتقييم نموذج لغوي كبير.

الرتبة (الترتيبية)

rank (ordinality)

الموضع الترتيبي لفئة في مسألة تعلّم آلي تصنّف الفئات من الأعلى إلى الأدنى. قد يصنّف نظام ترتيب سلوكي مكافآت كلب من الأعلى (شريحة لحم) إلى الأدنى (كرنب ذابل).

الترتيب

ranking

نوع من التعلم الآلي يفرز البيانات بترتيب ملائم، ويُستخدم عادة لتحسين البحث والتوصيات.

التعلم المعزز بالتغذية الراجعة البشرية (RLHF)

reinforcement learning from human feedback (rlhf)

استخدام تغذية راجعة من مقيمين بشريين لتحسين جودة استجابات النموذج؛ إذ يمكن للآلية أن تطلب من المستخدمين تقييم جودة استجابة النموذج، ثم تعدّل استجاباتها المستقبلية بناءً على تلك التغذية الراجعة.

مخزن إعادة التشغيل (Replay Buffer)

replay buffer

في الخوارزميات الشبيهة بـ DQN، الذاكرة التي يستخدمها الوكيل لتخزين انتقالات الحالة لاستخدامها في إعادة تشغيل التجربة (experience replay).

النسخة المكررة

replica

نسخة (أو جزء) من مجموعة تدريب أو نموذج، تُخزَّن عادةً على جهاز آخر.

مجموعة الاستجابات

response set

مجموعة الاستجابات التي يرجّعها نموذج لغوي كبير لمجموعة مطالبات إدخال.

تسوية ريدج

ridge regularization

مرادف لتسوية L2؛ يُستخدم مصطلح تسوية ريدج أكثر في سياقات الإحصاء البحت بينما يُستخدم تسوية L2 أكثر في التعلم الآلي.

الشبكات العصبية المتكررة

rnn

اختصار للشبكات العصبية المتكررة.

الثبات الدوراني

rotational invariance

في مسألة تصنيف الصور، قدرة الخوارزمية على تصنيف الصور بنجاح حتى عندما يتغير اتجاه الصورة. تستطيع الخوارزمية مثلًا التعرف على مضرب تنس سواء أكان يشير إلى الأعلى أم إلى الجانب أم إلى الأسفل. لاحظ أن الثبات الدوراني ليس مرغوبًا دائمًا؛ فمثلًا لا ينبغي تصنيف الرقم 9 المقلوب رأسًا على عقب على أنه 9.

مكتبة scikit-learn

scikit-learn

منصة تعلم آلي مفتوحة المصدر واسعة الانتشار.

النموذج التسلسلي

sequence model

نموذج تُظهر مدخلاته اعتمادًا تسلسليًا. من الأمثلة على ذلك التنبؤ بالفيديو التالي الذي سيُشاهَد من سلسلة مقاطع فيديو شُوهدت سابقًا.