Backpropagation

Källa: Tillhandahållen bild; Författare: Stephen Whitelaw;

Backpropagation är en metod som används för att träna neurala nätverk. Den fungerar genom att jämföra modellens utdata med det rätta svaret, beräkna felet och sedan skicka det felet bakåt genom nätverket för att justera dess interna inställningar. Genom många exempel förbättras modellen gradvis. Backpropagation är en av de viktigaste teknikerna bakom modern djupinlärning.

Bag-of-Words

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Bag-of-words är ett enkelt sätt att representera text för maskininlärning. Metoden bortser från grammatik och ordföljd och räknar helt enkelt vilka ord som förekommer. Till exempel kan ”AI hjälper företag” och ”företag hjälper AI” se mycket lika ut i en bag-of-words-modell. Den är mindre sofistikerad än moderna språkmodeller, men är ändå användbar i vissa textklassificeringsuppgifter.

Basmodell

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

En basmodell är en AI-modell som har tränats på en bred datamängd men som ännu inte har specialiserats för ett särskilt användningsområde. En allmän språkmodell kan till exempel tränas för att förutsäga text och sedan finjusteras för att bli en hjälpsam assistent, en sammanfattare av juridiska texter eller ett kodningsverktyg. Basmodellen är grunden på vilken mer specialiserade system byggs.

Bayesiansk AI

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Bayesiansk AI använder sannolikhet för att resonera kring osäkerhet. Istället för att ge endast ett svar kan en bayesiansk metod uppdatera sina slutsatser när nya bevis framkommer. Detta är användbart inom medicin, prognoser, spamdetektering och riskanalys. Grundidén är välbekant: när ny information dyker upp reviderar vi vad vi anser vara troligt.

Strålsökning

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Beam search är en teknik som används när AI-system genererar sekvenser, till exempel text eller översättningar. Istället för att varje gång välja endast det mest sannolika nästa ordet håller modellen flera möjliga alternativ öppna och utforskar dem. Detta kan förbättra det slutliga resultatet. Det är lite som att överväga flera möjliga rutter innan man väljer den bästa resvägen.

BERT

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

BERT är en inflytelserik språkmodell som utvecklades före den nuvarande vågen av stora konversationsbaserade AI-verktyg. Den hjälpte datorer att förstå text genom att betrakta ord i sitt sammanhang från båda hållen, istället för att bara läsa från vänster till höger. BERT användes i stor utsträckning för sökning, klassificering och språkförståelse. Den bidrog till att bana väg för mer avancerade språkmodeller.

Bias

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Inom AI kan partiskhet betyda flera saker. I teknisk mening kan det syfta på antaganden som är inbyggda i en modell. I social mening avser det orättvisa eller snedvridna resultat som påverkar människor eller grupper. Båda betydelserna är viktiga. Ett användbart AI-system behöver rätt sorts tekniska antaganden, men det måste undvika skadlig social partiskhet.

Big Data

Källa: Bild tillhandahållen; Författare: Stephen Whitelaw;

Big data avser extremt stora, komplexa eller snabbt föränderliga datamängder som traditionella metoder har svårt att hantera. AI har haft enorm nytta av big data eftersom många system för maskininlärning blir bättre när de tränas på fler exempel. Men mer data är inte alltid bättre. Data av dålig kvalitet, partisk eller irrelevant data kan fortfarande leda till dålig AI.