Tekoälysanasto

AgenttiAgent

Järjestelmä, joka valitsee mallin avulla toimintoja, käyttää työkaluja ja etenee vaiheittain kohti tavoitetta.

Lähde: Anthropic: Building effective agents

AineistoDataset

Koulutuksessa tai arvioinnissa käytettävä esimerkkien kokoelma. Aineisto jaetaan usein eri tarkoituksiin, kuten koulutukseen ja validointiin.

Lähde: Hugging Face: Dataset features

AktivointifunktioActivation function

Kerroksen tuloksiin sovellettava funktio. Epälineaaristen aktivointifunktioiden ansiosta peräkkäiset kerrokset voivat kuvata riippuvuuksia, joita pelkkä lineaarinen verkko ei pysty esittämään.

Lähde: PyTorch: Build the Neural Network

ArviointiEvaluation

Mallin toiminnan mittaaminen valituissa tehtävissä laskennallisilla mittareilla, ihmisten arvioilla tai molemmilla. Koeasetelma ratkaisee, mitä tuloksesta voidaan päätellä.

Lähde: Hugging Face: Evaluate

Asiantuntijaverkkojen yhdistelmä (MoE)Mixture of experts (MoE)

Arkkitehtuuri, joka ohjaa syötteet valituille asiantuntijaverkoille. Mallin parametrien kokonaismäärä voi olla paljon suurempi kuin yhtä tokenia käsiteltäessä käytetty määrä.

Lähde: Hugging Face: Mixture of Experts Explained

Attention-mekanismiAttention

Operaatio, joka yhdistää eri sijaintien tietoa opittujen painotusten avulla. Self-attentionissa yhteyksiä lasketaan saman sekvenssin sijaintien välillä.

Lähde: Attention Is All You Need

Autoregressiivinen generointiAutoregressive generation

Sekvenssin tuottaminen askel kerrallaan siten, että jokainen uusi tokeni riippuu edeltävistä tokeneista.

Lähde: Hugging Face: Text generation

Avoimet painotOpen weights

Mallin painot ovat ladattavissa ja paikallisesti käytettävissä ilmoitetun lisenssin ehdoin. Pelkkä painojen saatavuus ei tee koko järjestelmästä avointa lähdekoodia.

Lähde: Open Source Initiative: Open weights

DekoodausDecoding

Menetelmä, jolla mallin ennustamista todennäköisyyksistä valitaan tuotettavat tokenit, esimerkiksi todennäköisimmän vaihtoehdon valinta tai satunnaisotanta.

Lähde: Hugging Face: Text generation

DekooderiDecoder

Verkon osa, joka muuntaa esityksiä tuloksiksi. Autoregressiivinen Transformer-dekooderi ennustaa uusia tokeneja edeltävän kontekstin perusteella.

Lähde: Hugging Face: Transformer Architectures

DiffuusiomalliDiffusion model

Generatiivinen malli, joka oppii kumoamaan kohinan lisäämisen vaikutuksen. Sisältöä tuotettaessa kohinaa muokataan tyypillisesti vaiheittain rakenteiseksi tulokseksi.

Lähde: Hugging Face: Diffusion pipelines

DropoutDropout

Osan aktivaatioista satunnainen nollaaminen koulutuksen aikana ylisovittamisen vähentämiseksi. Tavallisessa inferenssissä tätä satunnaista nollausta ei käytetä.

Lähde: Keras: Dropout

EnkooderiEncoder

Verkon osa, joka muuntaa syötteen esityksiksi. Tekstiä käsittelevän Transformer-enkooderin attention-mekanismi voi yleensä hyödyntää sekä aiempia että myöhempiä sijainteja.

Lähde: Hugging Face: Transformer Architectures

EpookkiEpoch

Koulutusaineiston yksi läpikäynti. Suoratoistettavaa tai toistuvaa aineistoa käytettäessä epookki voidaan määritellä myös kiinteänä koulutusaskelten määränä.

Lähde: Keras: Training and evaluation

EräBatch

Yhdessä käsiteltävien esimerkkien joukko. Eräkoko vaikuttaa koulutuksen laskentatehokkuuteen, muistinkäyttöön ja gradienttiarvioon.

Lähde: PyTorch: Optimizing Model Parameters

EsikoulutusPretraining

Mallin ensimmäinen laaja koulutusvaihe, jossa se oppii yleisiä kykyjä ennen kohdennetumpaa jatkokoulutusta.

Lähde: Hugging Face: How Transformers work

Eteenpäinkytketty verkko (FFN)Feed-forward network (FFN)

Verkko, jossa tieto etenee ilman takaisinkytkentöjä. Transformer-lohkoissa tällaista verkkoa sovelletaan tyypillisesti erikseen kuhunkin tokenin sijaintiin.

Lähde: PyTorch: Build the Neural Network

Generatiivinen tekoälyGenerative AI

Tekoäly, joka tuottaa esimerkiksi tekstiä, kuvia tai ääntä koulutuksessa opittujen säännönmukaisuuksien perusteella.

Lähde: Google: Generative AI Glossary

GradienttiGradient

Osittaisderivaattojen vektori, joka kertoo, miten skalaarisuure, esimerkiksi häviö, muuttuu kunkin parametrin suhteen.

Lähde: PyTorch: Automatic Differentiation

GradienttimenetelmäGradient descent

Optimointimenetelmä, jossa parametreja päivitetään häviön gradientille vastakkaiseen suuntaan. Päivityksen suuruutta säädetään oppimisnopeudella.

Lähde: PyTorch: Automatic Differentiation

Grafiikkasuoritin (GPU)Graphics processing unit (GPU)

Rinnakkaiseen laskentaan suunniteltu suoritin. Neuroverkot hyödyntävät grafiikkasuorittimia esimerkiksi matriisikertolaskuissa koulutuksen ja inferenssin aikana.

Lähde: NVIDIA: CUDA Programming Guide

Hakuavusteinen generointi (RAG)Retrieval-augmented generation (RAG)

Tehtävään liittyvien tietojen hakeminen ja antaminen mallille vastauksen tuottamisen tueksi. Haettuja dokumentteja ei tarvitse sisällyttää mallin painoihin.

Lähde: Retrieval-Augmented Generation

HallusinaatioHallucination

Mallin tuottama virheellinen väite tai sisältö, jolle annetut tiedot eivät anna tukea. Esitystapa voi silti olla sujuva ja vakuuttava.

Lähde: Google: Generative AI Glossary

HienosäätöFine-tuning

Olemassa olevan mallin jatkokoulutus valitulla aineistolla sen toiminnan tai kykyjen mukauttamiseksi.

Lähde: Hugging Face: How Transformers work

HyperparametriHyperparameter

Mallin tai koulutuksen asetus, kuten kerrosmäärä tai oppimisnopeus. Sitä ei opita samalla tavoin kuin mallin tavallisia parametreja.

Lähde: Google: ML Fundamentals

HäviöLoss

Mallin koulutuksessa minimoitava numeerinen tavoite. Pienempi häviö tarkoittaa parempaa tulosta kyseisessä tavoitteessa, ei välttämättä kaikissa tehtävissä.

Lähde: PyTorch: Optimizing Model Parameters

InferenssiInference

Koulutetun mallin ajaminen ennusteiden tai muiden tulosten tuottamiseksi. Tavallisessa inferenssissä mallin opittuja parametreja ei päivitetä.

Lähde: Hugging Face: How Transformers work

Itseohjattu oppiminenSelf-supervised learning

Oppiminen tehtävistä, joiden tavoitevastaukset johdetaan aineistosta itsestään, kuten tekstin seuraavan tokenin ennustamisesta. Jokaista esimerkkiä ei tarvitse merkitä käsin.

Lähde: Google: Self-supervised learning

KehotePrompt

Mallille annettava syöte, joka voi sisältää ohjeita, esimerkkejä tai tehtävässä tarvittavaa aineistoa. Sovellus voi koostaa kehotteen useista lähteistä.

Lähde: Anthropic: Building effective agents

Kehote ilman esimerkkejäZero-shot prompting

Mallia pyydetään suorittamaan tehtävä antamatta kehotteessa esimerkkejä sen suorittamisesta.

Lähde: Hugging Face: Prompt engineering

KehoteinjektioPrompt injection

Yritys ohjata tekoälyjärjestelmän toimintaa hyökkääjän ohjeilla. Ohjeet voivat olla piilotettuina esimerkiksi järjestelmän käsittelemiin dokumentteihin tai työkalujen tuloksiin.

Lähde: Anthropic: Prompt injections

Kehotteen välimuistitusPrompt caching

Aiemmin lasketun tilan käyttäminen uudelleen, kun eri pyynnöillä on sama syötteen alkuosa. Näin vältetään toistuvaa syötteen käsittelyä.

Lähde: Anthropic: Prompt caching

KeilahakuBeam search

Dekoodausmenetelmä, joka säilyttää kussakin vaiheessa useita sekvenssiehdokkaita ja vertailee niiden jatkoja pisteytyssäännön avulla.

Lähde: Hugging Face: Generation strategies

KeskustelubottiChatbot

Keskustelukäyttöliittymän tarjoava sovellus. Se voi käyttää kielimallia, mutta keskustelukyky ei itsessään tarkoita itsenäistä toimintaa.

Lähde: Anthropic: Building effective agents

Koneoppiminen (ML)Machine learning (ML)

Menetelmiä, joissa opitaan säännönmukaisuuksia tai päätössääntöjä aineistosta sen sijaan, että jokainen sääntö ohjelmoitaisiin erikseen.

Lähde: Google: Machine Learning Glossary

Konteksti-ikkunaContext window

Yhdellä pyynnöllä käsiteltävän sekvenssin enimmäispituus, yleensä tokeneina mitattuna. Syöte ja tuotettavat tokenit käyttävät samaa tilaa.

Lähde: Google: Generative AI Glossary

Kontekstissa oppiminenIn-context learning

Tehtävään mukautuminen kontekstissa annettujen ohjeiden tai esimerkkien perusteella ilman mallin painojen muuttamista.

Lähde: Hugging Face: Prompt engineering

KoulutusTraining

Mallin parametrien päivittäminen aineiston ja optimointitavoitteen perusteella. Tässä vaiheessa malli oppii; inferenssissä sitä käytetään tulosten tuottamiseen.

Lähde: PyTorch: Optimizing Model Parameters

KoulutusaineistoTraining data

Esimerkit, joiden avulla mallin parametreja päivitetään. Hyvä tulos koulutusaineistolla ei yksin osoita, että malli toimii hyvin myös uudella aineistolla.

Lähde: Keras: Training and evaluation

KvantisointiQuantization

Painojen tai aktivaatioiden esittäminen pienemmällä bittimäärällä muistin ja mahdollisesti laskennan säästämiseksi. Mallin tarkkuus voi muuttua. Kokeile selainmalliamme.

Lähde: Hugging Face: Quantization

KV-välimuistiKV cache

Attention-mekanismin tallennetut avain- ja arvotensorit. Niiden uudelleenkäyttö säästää aiempien tokenien tensorien laskemisen uudelleen generoinnin aikana. Lue muistin merkityksestä.

Lähde: Hugging Face: How caching works

LatenttiavaruusLatent space

Aineiston opittujen esitysten avaruus. Latentti diffuusiomalli tuottaa esityksen tässä avaruudessa, minkä jälkeen se dekoodataan kuvaksi.

Lähde: Hugging Face: Diffusion pipelines

LogititLogits

Mallin tuottamat pisteet ennen niiden muuntamista todennäköisyyksiksi. Kielimalli antaa pisteen jokaiselle mahdolliselle seuraavalle tokenille.

Lähde: PyTorch: Softmax

LoRALoRA

Hienosäätömenetelmä, jossa koulutetaan pieniä lisämatriiseja ja pidetään alkuperäiset painot muuttumattomina. Näin koulutettavia parametreja tarvitaan vähemmän.

Lähde: Hugging Face: LoRA

LuokitteluClassification

Luokan tai usean luokan ennustaminen, esimerkiksi viestin tunnistaminen roskapostiksi. Regressiossa ennustetaan sen sijaan lukuarvoa.

Lähde: scikit-learn: Metrics and scoring

Luokittelutarkkuus (accuracy)Accuracy

Oikeiden ennusteiden osuus kaikista ennusteista. Hyvä kokonaistulos voi peittää sen, että malli tunnistaa harvinaiset luokat huonosti.

Lähde: scikit-learn: Metrics and scoring

LämpötilaTemperature

Asetus, joka muuttaa tokenien todennäköisyysjakaumaa ennen otantaa. Pieni arvo painottaa todennäköisimpiä vaihtoehtoja, suuri arvo tasoittaa jakaumaa.

Lähde: Hugging Face: Text generation

MalliModel

Laskennallinen rakenne, joka tuottaa syötteistä ennusteita tai muita tuloksia opittujen parametrien avulla. Keskustelubotti tai agentti on mallia hyödyntävä sovellus.

Lähde: Google: Machine Learning Glossary

Mallin tislausDistillation

Oppilasmallin kouluttaminen opettajamallin tulosten tai sisäisten esitysten avulla. Tavoitteena on usein siirtää kykyjä pienempään malliin.

Lähde: Hugging Face: Knowledge distillation

Model Context Protocol (MCP)Model Context Protocol (MCP)

Protokolla, jolla tekoälysovellukset yhdistetään ulkoisiin työkaluihin, tietolähteisiin ja uudelleenkäytettäviin kehotteisiin palvelinten välityksellä.

Lähde: Model Context Protocol: Introduction

Multimodaalinen malliMultimodal model

Malli, joka käsittelee useita aineistotyyppejä, esimerkiksi tekstiä ja kuvia. Tuetut syöte- ja tulostyypit voivat olla erilaisia.

Lähde: Google: Generative AI Glossary

Muutaman esimerkin kehoteFew-shot prompting

Mallille annetaan kehotteessa muutama esimerkki halutusta tehtävästä. Mallin painoja ei muuteta.

Lähde: Hugging Face: Prompt engineering

NeuroverkkoNeural network

Malli, joka koostuu toisiinsa liitetyistä laskentakerroksista. Opitut parametrit ohjaavat sitä, miten syöte muuntuu väliesityksiksi ja lopulliseksi tulokseksi.

Lähde: Attention Is All You Need

NormalisointiNormalization

Arvojen skaalaaminen niiden lukuvälin tai tilastollisten ominaisuuksien hallitsemiseksi. Kerrosnormalisointi käsittelee kunkin esimerkin aktivaatioita erikseen, ei koko erää yhdessä.

Lähde: Layer Normalization

Ohjaamaton oppiminenUnsupervised learning

Rakenteen oppiminen aineistosta ilman annettuja tavoitevastauksia, esimerkiksi samankaltaisten esimerkkien ryhmittely klustereiksi.

Lähde: scikit-learn: Unsupervised learning

Ohjattu oppiminenSupervised learning

Oppiminen esimerkeistä, joihin on liitetty tavoitevastaukset, kuten kuvien luokat tai kehotteisiin halutut vastaukset.

Lähde: Google: ML Fundamentals

OhjehienosäätöInstruction tuning

Hienosäätö aineistolla, joka sisältää ohjeita ja niihin haluttuja vastauksia. Näin malli oppii noudattamaan erilaisia pyyntöjä.

Lähde: Hugging Face: Supervised Fine-Tuning

Ohjelmointirajapinta (API)API

Rajapinta, jonka kautta ohjelmistot käyttävät toistensa toimintoja. Tekoälyrajapinta voi vastaanottaa kehotteita ja palauttaa mallin tuottamia vastauksia.

Lähde: MDN: API

OppimisnopeusLearning rate

Koulutuksen asetus, joka säätelee parametripäivitysten suuruutta. Sitä voidaan muuttaa koulutuksen aikana ennalta määrätyn aikataulun mukaan.

Lähde: PyTorch: Automatic Differentiation

OptimoijaOptimizer

Algoritmi, kuten Adam, joka päivittää mallin parametreja gradienttien ja omien päivityssääntöjensä perusteella.

Lähde: PyTorch: Optimizing Model Parameters

Parametrit ja painotParameters and weights

Mallin koulutuksessa opitut lukuarvot. Painot ovat parametreja; parametrimäärä kuvaa mallin kokoa, ei älykkyyttä.

Lähde: PyTorch: Optimizing Model Parameters

PerpleksisyysPerplexity

Kielimallin arviointimittari: e korotettuna havaittujen tokenien keskimääräisen negatiivisen log-todennäköisyyden potenssiin. Pienempi arvo tarkoittaa parempaa ennustetta samalla aineistolla ja tokenisoinnilla.

Lähde: Hugging Face: Perplexity

PerusmalliFoundation model

Laajalla aineistolla koulutettu malli, joka toimii lähtökohtana moniin tehtäviin tai sovelluksiin.

Lähde: On the Opportunities and Risks of Foundation Models

Pieni kielimalli (SLM)Small language model (SLM)

Valittuun resurssibudjettiin mahtuva kielimalli. Kuten suuren kielimallin, pienenkään kielimallin koolle ei ole kiinteää parametrirajaa. Rakenna malli kanssamme.

Lähde: Hugging Face: How Transformers work

Päättelyketju (CoT)Chain of thought (CoT)

Ennen lopullista vastausta tuotetut päättelyn välivaiheet. Niiden tuottaminen voi parantaa tuloksia tehtävissä, jotka vaativat useita päätelmiä.

Lähde: Chain-of-Thought Prompting

PäättelymalliReasoning model

Malli, joka on koulutettu ratkaisemaan tehtäviä päättelyn välivaiheiden avulla. Se tuottaa usein näitä vaiheita ennen lopullista vastausta.

Lähde: DeepSeek-R1: Reasoning via reinforcement learning

RegressioRegression

Lukuarvon, esimerkiksi lämpötilan tai asunnon hinnan, ennustaminen luokan valitsemisen sijaan.

Lähde: scikit-learn: Metrics and scoring

RegularisointiRegularization

Menetelmiä ylisovittamisen vähentämiseksi, esimerkiksi suurten painojen rajoittaminen häviöön lisättävällä termillä tai dropout koulutuksen aikana.

Lähde: Keras: Regularizers

RistientropiaCross-entropy

Häviö, joka kasvaa, kun malli antaa oikealle tavoitetulokselle pienen todennäköisyyden. Seuraavaa tokenia ennustavia malleja koulutetaan usein minimoimalla tätä häviötä.

Lähde: PyTorch: CrossEntropyLoss

Saanti eli herkkyys (recall)Recall

Kaikista todella positiivisista tapauksista mallin tunnistama osuus. Suuri arvo tarkoittaa, että vain harvat positiiviset tapaukset jäävät tunnistamatta.

Lähde: scikit-learn: Metrics and scoring

Siirto-oppiminenTransfer learning

Yhdessä tehtävässä tai aineistossa opitun hyödyntäminen toisessa. Usein mukautetaan esikoulutettua mallia sen sijaan, että uusi malli koulutettaisiin alusta.

Lähde: Keras: Transfer learning and fine-tuning

SijaintikoodausPositional encoding

Tokenien sijainteja tai keskinäisiä etäisyyksiä kuvaava tieto. Sen avulla attention-mekanismi voi ottaa huomioon sekvenssin järjestyksen.

Lähde: Attention Is All You Need, §3.5

SoftmaxSoftmax

Funktio, joka muuntaa pisteet positiivisiksi arvoiksi, joiden summa on yksi. Näitä käytetään usein eri tokenivaihtoehtojen todennäköisyyksinä.

Lähde: PyTorch: Softmax

Spekulatiivinen dekoodausSpeculative decoding

Generoinnin nopeuttaminen tuottamalla useita tokeniehdotuksia kevyemmällä menetelmällä ja tarkistamalla ne varsinaisella mallilla.

Lähde: Hugging Face: Generation strategies

Suuri kielimalli (LLM)Large language model (LLM)

Laajalla aineistolla koulutettu kielimalli, jossa on paljon parametreja. Nimityksellä ei ole yleispätevää kokorajaa.

Lähde: Hugging Face: How Transformers work

Synteettinen aineistoSynthetic data

Keinotekoisesti tuotetut koulutus- tai arviointiesimerkit, esimerkiksi toisen mallin generoimat vastaukset.

Lähde: Hugging Face: Synthetic Data Generator

SyväoppiminenDeep learning

Koneoppimista monikerroksisilla neuroverkoilla. Peräkkäiset kerrokset voivat muodostaa yhä monimutkaisempia esityksiä aineistosta.

Lähde: PyTorch: Build the Neural Network

Syötteen käsittely (prefill)Prefill

Syötekontekstin käsittely ennen uusien tokenien tuottamista. Välimuistia käyttävässä Transformerissa muodostetaan samalla syötteen KV-välimuisti.

Lähde: Hugging Face: How caching works

TarkistuspisteCheckpoint

Tallennettu mallin tila. Koulutuksen tarkistuspiste voi sisältää myös optimoijan tilan ja tiedon etenemisestä, jotta koulutusta voidaan jatkaa.

Lähde: TensorFlow: Training checkpoints

Tekoäly (AI)Artificial intelligence (AI)

Tieteenala, jossa kehitetään esimerkiksi oppimiseen, havaitsemiseen ja päättelyyn kykeneviä järjestelmiä. Koneoppiminen on yksi lähestymistapa.

Lähde: Google Cloud: What is artificial intelligence?

Tekoälyn suuntaaminenAlignment

Mallin toiminnan sovittaminen haluttuihin tavoitteisiin, ohjeisiin tai mieltymyksiin koulutuksen ja järjestelmäsuunnittelun avulla.

Lähde: Hugging Face: Reinforcement learning from human feedback

TensoriTensor

Numeerinen taulukko, jolla voi olla nolla tai useampia ulottuvuuksia. Neuroverkot esittävät syötteet, painot ja välitulokset tensoreina.

Lähde: PyTorch: Tensors

TokeniToken

Mallin käsittelemä yksikkö, esimerkiksi sanan osa, merkki tai tavu. Tokeni ei siis välttämättä vastaa kokonaista sanaa.

Lähde: Hugging Face: Text generation

TokenisoijaTokenizer

Komponentti, joka muuntaa tekstin tokenien numeerisiksi tunnisteiksi ja tunnistejonon takaisin tekstiksi.

Lähde: Hugging Face: Text generation

Top-k-otantaTop-k sampling

Seuraava tokeni arvotaan vain k todennäköisimmän vaihtoehdon joukosta. Niiden todennäköisyydet skaalataan ensin niin, että niiden summa on yksi.

Lähde: Hugging Face: Generation parameters

Top-p-otantaTop-p sampling

Seuraava tokeni arvotaan pienimmästä todennäköisimpien vaihtoehtojen joukosta, jonka yhteenlaskettu todennäköisyys saavuttaa p:n. Menetelmä tunnetaan myös nimellä nucleus sampling.

Lähde: Hugging Face: Generation parameters

TransformerTransformer

Attention-mekanismiin ja eteenpäinkytkettyihin kerroksiin perustuva neuroverkkoarkkitehtuuri. Monet kielimallit tuottavat tekstiä pelkkään dekooderiin perustuvalla Transformerilla.

Lähde: Attention Is All You Need

TyökalukutsuTool calling

Mallin tuottama rakenteinen pyyntö käyttää funktiota tai palvelua. Sovellus suorittaa pyydetyn toiminnon ja palauttaa tuloksen mallille.

Lähde: Anthropic: Handle tool calls

Täsmällisyys (precision)Precision

Positiivisiksi ennustetuista tapauksista niiden osuus, jotka ovat todella positiivisia. Mittari kertoo, kuinka luotettavia positiiviset ennusteet ovat.

Lähde: scikit-learn: Metrics and scoring

UpotusEmbedding

Kohteen, esimerkiksi tekstin, opittu vektoriesitys. Hakujärjestelmät vertailevat upotuksia löytääkseen samankaltaista sisältöä.

Lähde: Retrieval-Augmented Generation

Vahvistusoppiminen (RL)Reinforcement learning (RL)

Toimintatavan oppiminen siten, että odotettu palkkio kasvaa. Kielimallien koulutuksessa palkkioita voidaan antaa mallin tuottamista vastauksista.

Lähde: Google: Machine Learning Glossary

Vahvistusoppiminen ihmispalautteesta (RLHF)Reinforcement learning from human feedback (RLHF)

Ihmispalautteen käyttäminen vahvistusoppimisen palkkiosignaalina. Usein ensin koulutetaan palkkiomalli ihmisten tekemien vastausvertailujen perusteella.

Lähde: Hugging Face: Reinforcement learning from human feedback

ValidointiaineistoValidation data

Koulutuksesta erillään pidettävät esimerkit, joilla seurataan mallin kehitystä ja valitaan asetuksia. Niiden perusteella ei suoraan päivitetä mallin parametreja.

Lähde: Keras: Training and evaluation

Vastausten ankkurointiGrounding

Vastausten perustaminen ulkoisiin tietolähteisiin, kuten haettuihin dokumentteihin tai hakutuloksiin, pelkkien mallin painoihin opittujen tietojen sijaan.

Lähde: Google Cloud: Grounding overview

Vastavirta-algoritmiBackpropagation

Gradienttien laskeminen verkon läpi lopusta alkuun, jotta optimoija voi päivittää mallin parametreja.

Lähde: PyTorch: Optimizing Model Parameters

VektoritietokantaVector database

Tietokanta, joka tallentaa vektoreita ja tukee samankaltaisuushakua. Esimerkiksi tekstiä voidaan hakea sen upotusten perusteella.

Lähde: Google Cloud: Vector Search

VertailutestiBenchmark

Vakioitu tehtäväjoukko ja pisteytys mallien vertailua varten. Pistemäärä kuvaa mallin suoriutumista juuri näissä tehtävissä.

Lähde: Hugging Face: Evaluate

Vinouma ja vakiotermi (bias)Bias

Bias tarkoittaa asiayhteydestä riippuen joko mallin tulosten systemaattista vinoumaa tai neuroverkon kerroksessa summattavaa opittua vakiotermiä.

Lähde: Google: ML Fundamentals

Visuaalinen kielimalli (VLM)Vision-language model (VLM)

Malli, joka yhdistää kuva- ja kielitietoa esimerkiksi vastatakseen kuvaa koskeviin kysymyksiin.

Lähde: Hugging Face: Image-text-to-text

Yleinen tekoäly (AGI)Artificial general intelligence (AGI)

Tekoäly, joka suoriutuu laajasti erilaisista kognitiivisista tehtävistä, usein ihmisen suoritustasoon verrattuna. Määritelmästä ja vaadittavasta tasosta ei ole yksimielisyyttä.

Lähde: Levels of AGI

YlisovittaminenOverfitting

Koulutusaineiston yksityiskohtien oppiminen tavalla, joka ei yleisty uuteen aineistoon. Malli voi onnistua koulutusesimerkeissä mutta suoriutua uusista esimerkeistä huonosti.

Lähde: Google: Machine Learning Glossary