百科事典

報酬モデルは、モデルが特定のプロンプトに対する応答に対して報酬またはスコアを受け取る人工知能 (AI) の手法です。

敵対的プロンプトは、LLM に関係するリスクと安全性の問題を理解するのに役立つため、プロンプト エンジニアリングにおける重要なトピックです。

脱獄は、ChatGPT などの人工知能モデルの道徳的保護を破る方法として定義できます。特定のテキスト プロンプトを使用して、コンテンツ管理ガイドラインを簡単に回避し、人工知能プログラムを無制限にします。

プロンプト インジェクションは、モデルに不適切なコンテンツの生成や機密情報の漏洩などを引き起こす可能性がある新しいタイプの攻撃です。

LangChain は、モデル生成情報のカスタマイズ、精度、関連性を高めるためのツールと抽象化を提供します。

プロンプト エンジニアリングは、生成人工知能 (AIGC) ソリューションを誘導して目的の出力を生成するプロセスです。プロンプトは、AI が実行するタスクを説明する自然言語テキストです。

マルコフ決定プロセスは、アクション (選択を可能にする) と報酬 (モチベーションを与える) が追加されることを除いて、マルコフ連鎖の拡張です。

マルコフ連鎖は、特定の確率規則に従ってある状態から別の状態に遷移する数学的システムです。

ターゲット検出の分野では、アンカー ボックスはターゲットの位置とサイズを定義するために使用される補助ツールです。

統計と機械学習では、バイアスと分散のトレードオフは、モデルの複雑さ、予測の精度、モデルのトレーニングに使用されなかった以前に見たことのないデータを予測する能力の間の関係を表します。

特徴の選択は、モデル構築に最も一貫性があり、冗長性がなく、関連性のある特徴のサブセットを分離するプロセスです。

特徴抽出とは、元のデータ セット内の情報を保持しながら、生データを処理可能な数値特徴に変換するプロセスを指します。機械学習を生データに直接適用するよりも優れた結果が得られます。

データの前処理とは、データを分析する前に操作、フィルタリング、または強化することを指し、通常はデータ マイニング プロセスの重要なステップです。データ前処理の目標は、データの品質を向上させて、特定のデータ マイニング タスクにより適したものにすることです。

データ マイニングは、コンピューター サイエンスの学際的な分野です。これは、人工知能、機械学習、統計、データベースを組み合わせて、比較的大きなデータ セット内のパターンを発見する計算プロセスです。

Q ラーニングは、エージェントの現在の状態を考慮して最適な行動方針を見つける、モデルフリーのオフポリシー強化学習アルゴリズムです。

ニューラル ネットワークは、計算を実行するために多数の人工ニューロンによって接続されます。人間の脳と同様の階層構造で相互接続されたノード、つまりニューロンを使用します。これは、コンピューターが間違いから学習し、継続的に改善するために使用する適応システムを作成します。

ディープラーニングは、人間の脳にヒントを得た方法でデータを処理するようコンピューターに教えるために使用される人工知能 (AI) 手法です。

グループ化クエリ アテンション (GQA) は、大規模言語モデル (LLM) におけるマルチクエリ アテンション (MQA) とマルチヘッド アテンション (MHA) の間を補間する手法です。

コンピューター サイエンスでは、情報を有用な方法で解釈するために、ルールベースのシステムを使用して知識を保存および使用します。

生成人工知能 (AIGC) は、プロンプト プロジェクトに応じてテキスト、画像、またはその他のメディア (テキスト、画像、ビデオ、3D モデルなど) を生成できる人工知能システムです。

コンピューティング ノードは、コンピューター科学技術の分野で使用されるコンピューターとそのサポート機器です。

コンピュータの分野において、キャッシュメモリ（Cache）とは、データの読み取りやアクセスの速度を向上させるために、コンピュータプログラムの実行中に頻繁にアクセスされるデータや一時的に保存されるデータを保存するために使用される一時メモリです。

メイン メモリとも呼ばれるランダム アクセス メモリ (RAM) は、コンピュータでプロセッサが現在使用しているデータを保存するために使用されます。

読み取り専用メモリ (ROM) は、コンピュータやその他の電子機器で使用される不揮発性メモリの一種です。