Tổng hợp: 40 thuật ngữ Trí tuệ nhân tạo tạo sinh (Generative AI) cần biết
Published on: October 01, 2024
Last updated: October 01, 2024 Xem trên toàn màn hình
Last updated: October 01, 2024 Xem trên toàn màn hình
Recommended for you
- 01 Sep 2023
"Data steward" là gì? - 01 Mar 2024 Google thử nghiệm Search AI (Search Generative Experience - SGE)
- 05 Aug 2024 Giải mã 10 sai lầm về quản lý thay đổi
- 19 Aug 2024 Kiểm toán công nghệ thông tin (IT Audit) - Nghề mới mẻ ở Việt Nam
- 24 Jun 2024 Apache Pulsar là gì?
- Generative AI: AI tạo sinh, tạo ra dữ liệu mới, thường được sử dụng trong các tác vụ như tạo văn bản hoặc tổng hợp hình ảnh.
- Discriminative AI: AI phân biệt, tập trung vào việc phân loại giữa các danh mục khác nhau dựa trên dữ liệu đầu vào.
- AGI (Artificial General Intelligence): Trí tuệ nhân tạo tổng quát, nhằm tạo ra máy móc có khả năng học tập và suy luận như con người trong nhiều tác vụ khác nhau.
- ASI (Artificial Super Intelligence): Trí tuệ nhân tạo siêu việt, một khái niệm lý thuyết về AI vượt trội hơn trí thông minh của con người trong mọi khả năng.
- ANI (Artificial Narrow Intelligence): Trí tuệ nhân tạo hẹp, chuyên biệt trong việc thực hiện một tập hợp các tác vụ cụ thể, thiếu trí thông minh tổng quát của con người.
- Foundation LLM: Mô hình ngôn ngữ lớn nền tảng, được thiết kế để tạo ra và hiểu văn bản giống con người trong nhiều trường hợp sử dụng khác nhau.
- Self-Supervision: Tự giám sát, phương pháp huấn luyện mà mô hình học từ dữ liệu không có nhãn rõ ràng, thường bằng cách dự đoán các phần ẩn của đầu vào.
- Domain Adaptation: Thích ứng miền, điều chỉnh một mô hình đã được huấn luyện trên một miền để hoạt động tốt trong một miền khác nhưng có liên quan.
- Context Length: Độ dài ngữ cảnh, số lượng từ/token đầu vào tối đa mà một mô hình có thể xem xét khi tạo ra đầu ra.
- Zero Shot Learning: Học không mẫu, chỉ cung cấp hướng dẫn nhiệm vụ cho mô hình, dựa hoàn toàn vào kiến thức sẵn có của nó.
- Few Shot Learning: Học ít mẫu, cung cấp rất ít ví dụ cho mô hình để hỗ trợ nó thực hiện một nhiệm vụ cụ thể.
- Transformer: Kiến trúc mô hình phổ biến trong LLM, nổi tiếng với cơ chế chú ý (attention) và khả năng xử lý song song.
- Attention: Cơ chế chú ý, phổ biến trong mạng nơ-ron cho phép tập trung vào các phần cụ thể của dữ liệu đầu vào.
- Weights: Trọng số, tham số nội tại của mô hình quyết định cách nó xử lý và tạo ra văn bản.
- MM-LLM: Mô hình ngôn ngữ lớn đa phương thức (multi modal), có khả năng hiểu và tạo ra nội dung trên nhiều phương thức như hình ảnh và âm thanh cùng với văn bản.
- Diffusion Models: Mô hình khuếch tán, tạo ra dữ liệu bằng cách tinh chỉnh lặp đi lặp lại một tín hiệu nhiễu, thường được sử dụng trong tạo hình ảnh.
- RAG (Retrieval-Augmented Generation): Tạo sinh tăng cường truy xuất, bổ sung thông tin được truy xuất để cải thiện sự chính xác trong phản hồi của mô hình.
- Tokenization: Phân mảnh, quá trình chia nhỏ văn bản thành các đơn vị nhỏ hơn (token), thường được sử dụng làm đầu vào cho LLM.
- Knowledge Base: Cơ sở kiến thức, tập hợp các tài liệu từ đó thông tin liên quan được truy xuất trong RAG.
- Structured Data: Dữ liệu có cấu trúc, được tổ chức theo định dạng được xác định trước với mối quan hệ rõ ràng giữa các phần tử khác nhau, như bảng hoặc cơ sở dữ liệu.
- Unstructured Data: Dữ liệu phi cấu trúc, thiếu định dạng hoặc tổ chức được xác định trước, như văn bản ngôn ngữ tự nhiên hoặc hình ảnh.
- Vector DB: Cơ sở dữ liệu vector, được tối ưu hóa để lưu trữ và truy xuất các biểu diễn vector được tạo ra từ cơ sở kiến thức.
- Embeddings: Nhúng, một định dạng số được sử dụng để biểu diễn các đặc trưng dữ liệu. Còn được gọi là vector.
- Vector Search: Tìm kiếm vector, tìm các phần liên quan nhất của cơ sở kiến thức dựa trên điểm tương đồng vector cho một truy vấn đầu vào cụ thể.
- Prompting: Gợi ý, cung cấp đầu vào được thiết kế cẩn thận cho LLM để tạo ra đầu ra mong muốn.
- User Prompt: Gợi ý người dùng, truy vấn do người dùng cung cấp để tương tác với LLM, chỉ định nhiệm vụ, câu hỏi hoặc ngữ cảnh mong muốn.
- System Prompt: Gợi ý hệ thống, đầu vào ban đầu được đưa ra cho LLM để xác định nhiệm vụ, thường giữ nguyên trong nhiều gợi ý người dùng.
- Meta Prompting: Gợi ý meta, yêu cầu LLM tạo ra gợi ý tối ưu cho nhiệm vụ dự định của bạn.
- In-Context Learning: Học trong ngữ cảnh, tích hợp các ví dụ nhiệm vụ vào gợi ý, cho phép LLM xử lý các nhiệm vụ mới mà không cần fine-tuning.
- Chaining: Chuỗi hóa, kỹ thuật liên kết nhiều gợi ý hoặc nhiệm vụ tuần tự, trong đó kết quả của một gợi ý thông báo (làm đầu vào) cho gợi ý tiếp theo.
- Fine-Tuning: Tinh chỉnh, điều chỉnh LLM cho một nhiệm vụ hoặc lĩnh vực cụ thể bằng cách huấn luyện thêm trên dữ liệu đặc thù cho nhiệm vụ.
- PEFT (Parameter-Efficient Fine-Tuning): Tinh chỉnh hiệu quả tham số, chỉ cập nhật một số ít tham số của LLM, do đó hiệu quả về mặt tính toán và chi phí.
- Distillation: Chưng cất, quá trình huấn luyện một mô hình nhỏ hơn, hiệu quả hơn để bắt chước hành vi của một mô hình lớn hơn, phức tạp hơn.
- Quantization: Lượng tử hóa, giảm độ chính xác của các tham số mô hình để tiết kiệm tài nguyên tính toán mà không làm giảm hiệu suất.
- GGUF: Định dạng lưu trữ nhị phân được thiết kế để tải và lưu mô hình nhanh chóng, và dễ dàng đọc.
- Reinforcement Learning: Học tăng cường, huấn luyện mô hình thông qua thử nghiệm và sai sót, với phần thưởng/hình phạt dựa trên đầu ra được tạo ra.
- RLHF (Reinforcement Learning from Human Feedback): Học tăng cường từ phản hồi của con người, được sử dụng làm phần thưởng/hình phạt cho mô hình.
- Adversarial Attacks: Tấn công đối kháng, nỗ lực cố ý đánh lừa mô hình bằng các đầu vào được thiết kế cẩn thận, khiến chúng mắc lỗi.
- MoE (Mixture of Experts): Hỗn hợp chuyên gia, kiến trúc mô hình kết hợp nhiều chuyên gia để cải thiện hiệu suất thông qua các điểm mạnh bổ sung.
- Hallucination: Ảo giác, xu hướng của LLM đôi khi tạo ra thông tin không chính xác hoặc không có thực.
Nguồn: Aishwarya Naresh Reganti
[{"displaySettingInfo":"[{\"isFullLayout\":false,\"layoutWidthRatio\":\"\",\"showBlogMetadata\":true,\"showAds\":true,\"showQuickNoticeBar\":true,\"includeSuggestedAndRelatedBlogs\":true,\"enableLazyLoad\":true,\"quoteStyle\":\"1\",\"bigHeadingFontStyle\":\"1\",\"postPictureFrameStyle\":\"1\",\"isFaqLayout\":false,\"isIncludedCaption\":false,\"faqLayoutTheme\":\"1\",\"isSliderLayout\":false}]"},{"articleSourceInfo":"[{\"sourceName\":\"\",\"sourceValue\":\"\"}]"},{"privacyInfo":"[{\"isOutsideVietnam\":false}]"},{"tocInfo":"[{\"isEnabledTOC\":true,\"isAutoNumbering\":false,\"isShowKeyHeadingWithIcon\":false}]"},{"termSettingInfo":"[{\"showTermsOnPage\":true,\"displaySequentialTermNumber\":true}]"}]
Nguồn
{content}
Khám phá thêm các chủ đề sau
Guest Blogging: The Definitive Guide
