ხელოვნური ინტელექტი (AI) დღესდღეობით ერთ-ერთი ყველაზე განხილვადი და სწრაფად განვითარებადი ტექნოლოგიური სფეროა. ის ჩვენი ყოველდღიური ცხოვრების განუყოფელ ნაწილად იქცა, იქნება ეს სმარტფონის ხმოვანი ასისტენტი, რეკომენდაციების სისტემები თუ ავტონომიური მანქანები. იმისთვის, რომ უკეთ გაერკვეთ ამ მზარდ სამყაროში, აუცილებელია იცოდეთ ძირითადი ტერმინები, რომლებსაც ხშირად შეხვდებით AI-სთან დაკავშირებულ დისკუსიებში.
ქვემოთ წარმოგიდგენთ ხელოვნური ინტელექტის ყველაზე მნიშვნელოვან ტერმინებსა და მათ განმარტებებს, რაც დაგეხმარებათ ამ სფეროს უკეთ გაგებაში:
- ხელოვნური ინტელექტი (Artificial Intelligence – AI): ზოგადი ტერმინი, რომელიც მოიცავს მანქანების უნარს, შეასრულონ ისეთი ამოცანები, რომლებიც ტრადიციულად ადამიანის ინტელექტს მოითხოვს. ეს მოიცავს სწავლას, პრობლემების გადაწყვეტას, აღქმას და გადაწყვეტილების მიღებას.
- მანქანური სწავლება (Machine Learning – ML): AI-ის ქვედარგი, რომელიც სისტემებს აძლევს სწავლის უნარს მონაცემებიდან ექსპლიციტური პროგრამირების გარეშე. ანუ, ML ალგორითმები სწავლობენ ნიმუშების ამოცნობას და პროგნოზირებას დიდი რაოდენობის მონაცემებზე დაყრდნობით.
- ღრმა სწავლება (Deep Learning – DL): მანქანური სწავლების ქვედანაყოფი, რომელიც იყენებს ნეირონულ ქსელებს მრავალი ფენით (ე.წ. “ღრმა” ქსელები) რთული მონაცემების, როგორიცაა სურათები, ხმები და ტექსტი, გასაანალიზებლად. ღრმა სწავლებამ დიდი მიღწევები მოიტანა გამოსახულების ამოცნობისა და ბუნებრივი ენის დამუშავების სფეროებში.
- ნეირონული ქსელი (Neural Network): გამოთვლითი მოდელი, რომელიც შთაგონებულია ადამიანის ტვინის სტრუქტურითა და ფუნქციონირებით. ის შედგება ურთიერთდაკავშირებული “ნეირონებისგან”, რომლებიც ერთად მუშაობენ მონაცემების დასამუშავებლად და ნიმუშების ამოსაცნობად.
- ბუნებრივი ენის დამუშავება (Natural Language Processing – NLP): AI-ის სფერო, რომელიც მანქანებს ადამიანის ენის გაგების, ინტერპრეტაციისა და გენერირების საშუალებას აძლევს. NLP გამოიყენება ისეთ აპლიკაციებში, როგორიცაა ენის თარგმნა, სპამის ფილტრაცია და ჩეთბოტები.
- კომპიუტერული ხედვა (Computer Vision): AI-ის სფერო, რომელიც მანქანებს საშუალებას აძლევს “დაინახონ” და ინტერპრეტაცია გაუკეთონ ვიზუალურ ინფორმაციას, მაგალითად, სურათებსა და ვიდეოებს. ის გამოიყენება სახის ამოცნობაში, ავტონომიურ მანქანებსა და სამედიცინო გამოსახულების ანალიზში.
- ალგორითმი (Algorithm): წესების ან ინსტრუქციების ერთობლიობა, რომელსაც კომპიუტერი მიჰყვება კონკრეტული ამოცანის შესასრულებლად ან პრობლემის გადასაჭრელად. AI-ში ალგორითმები გამოიყენება მონაცემების დასამუშავებლად, სწავლისთვის და გადაწყვეტილებების მისაღებად.
- მონაცემები (Data): ნედლეული, რომლითაც AI სისტემები სწავლობენ. რაც უფრო მეტი და მაღალი ხარისხის მონაცემი აქვს სისტემას, მით უფრო ზუსტი და ეფექტური ხდება ის.
- სავარჯიშო მონაცემები (Training Data): მონაცემების ნაკრები, რომელიც გამოიყენება AI მოდელის “სავარჯიშოდ” ანუ მისთვის სწავლის საშუალების მისაცემად.
- ტესტირების მონაცემები (Test Data): მონაცემების ნაკრები, რომელიც გამოიყენება გაწვრთნილი AI მოდელის მუშაობის შესაფასებლად და იმის დასადგენად, თუ რამდენად კარგად შეუძლია მას ახალი, უცნობი მონაცემების დამუშავება.
- პროგნოზი/წინასწარმეტყველება (Prediction): AI მოდელის მიერ მონაცემების საფუძველზე გაკეთებული დასკვნა ან შეფასება. მაგალითად, ამინდის პროგნოზი ან მომხმარებლისთვის პროდუქტის რეკომენდაცია.
- გაძლიერებული სწავლება (Reinforcement Learning – RL): მანქანური სწავლების ტიპი, სადაც აგენტი (AI სისტემა) სწავლობს გარემოსთან ურთიერთქმედებით. გამოიყენება რობოტიკაში და თამაშებში.
- ზედამხედველობითი სწავლება (Supervised Learning): მანქანური სწავლების ტიპი, სადაც მოდელი სწავლობს მარკირებული მონაცემებისგან. ეს ნიშნავს, რომ მონაცემთა თითოეულ ნაწილს აქვს შესაბამისი “სწორი” პასუხი, რომელსაც მოდელი იყენებს სასწავლად. მაგალითად, გამოსახულების კლასიფიკაცია, სადაც თითოეულ სურათს აქვს ეტიკეტი (კატა, ძაღლი და ა.შ.).
- გენერაციული AI (Generative AI): AI-ის ტიპი, რომელსაც შეუძლია შექმნას ახალი, ორიგინალური კონტენტი, როგორიცაა ტექსტი, სურათები, მუსიკა ან ვიდეო. მაგალითად, ChatGPT არის გენერაციული AI მოდელი.
- დიდი ენობრივი მოდელი (Large Language Model – LLM): ღრმა სწავლის მოდელი, რომელიც გაწვრთნილია ტექსტის უზარმაზარ მონაცემთა ნაკრებებზე და შეუძლია ადამიანის მსგავსი ტექსტის გენერირება, თარგმნა, შეჯამება და კითხვებზე პასუხის გაცემა. LLM-ები არიან გენერაციული AI-ის მაგალითები.
- პრომპტ ინჟინერია (Prompt Engineering): ტექნიკა, რომელიც გულისხმობს სპეციალურად შემუშავებული ინსტრუქციების, ანუ “პრომპტების” შექმნას, რათა მიმართოს AI მოდელებს (განსაკუთრებით LLM-ებს) სასურველი და მაღალი ხარისხის შედეგების მისაღებად. ეს არის ხელოვნება, თუ როგორ უნდა დაუსვა კითხვა AI-ს ისე, რომ მან სწორი პასუხი გაგცეს.
- ტოკენი (Token): ტექსტის საბაზისო ერთეული, რომელსაც AI მოდელები ამუშავებენ. ტოკენი შეიძლება იყოს ერთი სიტყვა, სიტყვის ნაწილი, სიმბოლო ან პუნქტუაციის ნიშანი. LLM-ები ტექსტს ტოკენებად ყოფენ მის გასაანალიზებლად და დასამუშავებლად.
ამ ტერმინების გაგება აუცილებელია ხელოვნური ინტელექტის სამყაროში ნავიგაციისთვის. AI ტექნოლოგია მუდმივად ვითარდება, ამიტომ ამ ძირითადი ცნებების ცოდნა დაგეხმარებათ გაიგოთ მომავალი ინოვაციები და მათი გავლენა ჩვენს ცხოვრებაზე.
