„გაუმჭვირვალე რეციდივი“ და ხელოვნური ინტელექტის სხვა ტერმინები, რომლებიც უნდა იცოდეთ

ხელოვნური ინტელექტი (AI) სამყაროს ცვლის და, ამავდროულად, ქმნის სრულიად ახალ ენას თავისი მოქმედებების აღსაწერად. დღეს ნებისმიერ პროდუქტის შეხვედრაზე, პრეზენტაციაზე თუ პანელურ დისკუსიაზე ხშირად გაიგონებთ ისეთ აბრევიატურებს, როგორიცაა LLM, RAG, RLHF. ბოლო დროს კი გაჩნდა ისეთი ტერმინებიც, როგორიცაა „გაუმჭვირვალე რეციდივი“ (opaque recurrence) — OpenAI-ის ახალ Astra მოდელში გამოყენებული მსჯელობის ტექნიკა, რომელმაც AI უსაფრთხოების მკვლევარები ააღელვა.

ეს ლექსიკა იმდენად სწრაფად იცვლება, რომ ტექნოლოგიურ სამყაროში ძალიან ჭკვიანი ადამიანებიც კი შეიძლება დაიბნენ. წინამდებარე გლოსარიუმი სწორედ ამ პრობლემის გამოსასწორებლად შეიქმნა: აქ მოცემულია იმ AI ტერმინების მარტივი განმარტებები, რომლებსაც ყველაზე ხშირად შეხვდებით, მიუხედავად იმისა, თავად ქმნით ამ ტექნოლოგიებს, ინვესტირებას ახდენთ მათში თუ უბრალოდ ცდილობთ სიახლეებს არ ჩამორჩეთ. ვინაიდან სფერო მუდმივად ვითარდება, ეს დოკუმენტიც პერიოდულად ახლდება.

AGI

ხელოვნური ზოგადი ინტელექტი, ანუ AGI, საკმაოდ ბუნდოვანი ტერმინია. თუმცა, ზოგადად ის გულისხმობს ხელოვნურ ინტელექტს, რომელიც ადამიანზე უკეთ ასრულებს ამოცანების უმეტესობას. OpenAI-ის გენერალურმა დირექტორმა, სემ ალტმანმა, ერთხელ AGI აღწერა, როგორც „საშუალო ადამიანის ეკვივალენტი, რომელიც შეგიძლიათ თანამშრომლად დაიქირაოთ“. ამავდროულად, OpenAI-ის წესდება AGI-ს განმარტავს, როგორც „მაღალავტონომიურ სისტემებს, რომლებიც ადამიანებს სჯობნიან ეკონომიკურად ღირებული სამუშაოების უმეტესობაში“. Google DeepMind-ის გაგება ოდნავ განსხვავებულია; ლაბორატორია მას განიხილავს, როგორც „AI-ს, რომელიც ადამიანს მაინც უთანაბრდება შემეცნებითი ამოცანების უმეტესობაში“.

AI აგენტი (AI agent)

AI აგენტი არის ინსტრუმენტი, რომელიც იყენებს ხელოვნური ინტელექტის ტექნოლოგიებს მომხმარებლის სახელით სხვადასხვა დავალების შესასრულებლად. ეს სცილდება ჩვეულებრივი ჩატბოტის შესაძლებლობებს და მოიცავს ისეთ ქმედებებს, როგორიცაა ხარჯების აღრიცხვა, ბილეთების დაჯავშნა ან თუნდაც კოდის წერა და მისი მართვა. ძირითადი კონცეფცია გულისხმობს ავტონომიურ სისტემას, რომელიც იყენებს რამდენიმე AI მოდელს მრავალეტაპიანი ამოცანების შესასრულებლად.

API წერტილები (API endpoints)

API წერტილები შეიძლება წარმოვიდგინოთ, როგორც „ღილაკები“ პროგრამული უზრუნველყოფის უკანა მხარეს, რომლებსაც სხვა პროგრამები იყენებენ გარკვეული მოქმედებების შესასრულებლად. დეველოპერები ამ ინტერფეისებს ინტეგრაციების შესაქმნელად იყენებენ — მაგალითად, რათა ერთმა აპლიკაციამ მეორისგან მონაცემები მიიღოს, ან AI აგენტმა მართოს მესამე მხარის სერვისები ადამიანის ჩარევის გარეშე. AI აგენტების განვითარებასთან ერთად, მათ სულ უფრო მეტად შეუძლიათ ამ წერტილების დამოუკიდებლად პოვნა და გამოყენება.

აზროვნების ჯაჭვი (Chain of thought)

მარტივ კითხვებზე ადამიანის ტვინი დაუფიქრებლად პასუხობს, მაგრამ რთული ამოცანებისას ხშირად შუალედური ნაბიჯების ჩაწერა ხდება საჭირო. AI-ს კონტექსტში, აზროვნების ჯაჭვი დიდი ენობრივი მოდელებისთვის ნიშნავს პრობლემის დაშლას მცირე, შუალედურ ნაბიჯებად საბოლოო შედეგის ხარისხის გასაუმჯობესებლად. პასუხის მიღებას მეტი დრო სჭირდება, თუმცა ის უფრო მეტი ალბათობით იქნება სწორი, განსაკუთრებით ლოგიკურ ან პროგრამირების ამოცანებში.

პროგრამირების აგენტები (Coding agents)

ეს არის AI აგენტის სპეციალიზებული ვერსია, რომელიც გამოიყენება პროგრამული უზრუნველყოფის შემუშავებისთვის. ნაცვლად იმისა, რომ უბრალოდ შესთავაზოს კოდი ადამიანს, პროგრამირების აგენტს შეუძლია დამოუკიდებლად დაწეროს, დატესტოს და გაასწოროს (debug) კოდი. ეს აგენტები მუშაობენ მთლიან კოდის ბაზებზე, პოულობენ ხარვეზებს და ახორციელებენ შესწორებებს მინიმალური ზედამხედველობით.

გამოთვლითი სიმძლავრე (Compute)

ეს ტერმინი ზოგადად გულისხმობს სასიცოცხლოდ მნიშვნელოვან გამოთვლით რესურსებს, რომლებიც AI მოდელების მუშაობას უზრუნველყოფს. ეს არის აპარატურული უზრუნველყოფის (GPU, CPU, TPU) ერთობლიობა, რომელიც თანამედროვე AI ინდუსტრიის საფუძველს წარმოადგენს.

ღრმა სწავლება (Deep learning)

მანქანური სწავლების ქვესიმრავლე, სადაც AI ალგორითმები აგებულია მრავალშრიანი ხელოვნური ნეირონული ქსელების (ANN) სტრუქტურით. ეს საშუალებას აძლევს მათ დაამყარონ უფრო რთული კავშირები მონაცემებს შორის. ღრმა სწავლების მოდელებს შეუძლიათ თავად ამოიცნონ მნიშვნელოვანი მახასიათებლები მონაცემებში, ნაცვლად იმისა, რომ ეს ინჟინრებმა განსაზღვრონ. თუმცა, ასეთ სისტემებს კარგი შედეგისთვის მილიონობით მონაცემი და დიდი დრო სჭირდება.

დიფუზია (Diffusion)

ეს არის ტექნოლოგია, რომელიც საფუძვლად უდევს ხელოვნების, მუსიკისა და ტექსტის გენერირების ბევრ მოდელს. ფიზიკით შთაგონებული დიფუზიის სისტემები თანდათან „ანადგურებენ“ მონაცემთა სტრუქტურას (მაგალითად, ფოტოს) ხმაურის დამატებით, სანამ არაფერი დარჩება. შემდეგ კი AI სწავლობს „უკუდიფუზიის“ პროცესს, რათა აღადგინოს მონაცემები ამ ხმაურიდან.

დისტილაცია (Distillation)

ტექნიკა, რომელიც გამოიყენება დიდი AI მოდელიდან ცოდნის გამოსაყოფად „მასწავლებელი-მოსწავლის“ მოდელის მეშვეობით. დეველოპერები აგზავნიან მოთხოვნებს მასწავლებელ მოდელთან და იწერენ პასუხებს, რომლებითაც შემდეგ წვრთნიან უფრო პატარა, ეფექტურ „მოსწავლე“ მოდელს. სავარაუდოდ, სწორედ ასე შექმნა OpenAI-მ GPT-4 Turbo.

ზუსტი მომართვა (Fine-tuning)

ეს გულისხმობს AI მოდელის დამატებით სწავლებას კონკრეტული ამოცანის ან სფეროსთვის მუშაობის ოპტიმიზაციის მიზნით. ამ დროს მოდელს მიეწოდება ახალი, სპეციალიზებული მონაცემები, რათა ის უფრო გამოსადეგი გახდეს კონკრეტული სექტორისთვის.

GAN (გენერაციულ-შეჯიბრებითი ქსელი)

მანქანური სწავლების ჩარჩო, რომელიც გამოიყენება რეალისტური მონაცემების, მათ შორის დიფფეიკების (deepfakes) შესაქმნელად. GAN მოიცავს ორ ნეირონულ ქსელს: გენერატორი ცდილობს შექმნას მონაცემები, ხოლო დისკრიმინატორი ცდილობს ამოიცნოს, ხელოვნურია თუ არა ისინი. ეს შეჯიბრი აუმჯობესებს შედეგების რეალისტურობას.

ჰალუცინაცია (Hallucination)

ტერმინი, რომელსაც AI ინდუსტრია იყენებს იმ შემთხვევების აღსაწერად, როდესაც მოდელი იგონებს მცდარ ინფორმაციას. ეს სერიოზული პრობლემაა AI-ს ხარისხისთვის, რადგან შეიძლება გამოიწვიოს შეცდომაში შემყვანი ან სახიფათო შედეგები. მიიჩნევა, რომ ეს ხდება სწავლების მონაცემებში არსებული ხარვეზების გამო.

ინფერენცია (Inference)

ეს არის AI მოდელის მუშაობის პროცესი — როდესაც მოდელი აკეთებს პროგნოზებს ან გამოაქვს დასკვნები უკვე ნასწავლი მონაცემებიდან. ინფერენცია ვერ მოხდება სწავლების (training) გარეშე. სხვადასხვა აპარატურას (სმარტფონის პროცესორებიდან დაწყებული, მძლავრი GPU-ებით დამთავრებული) ინფერენციის შესრულება სხვადასხვა სისწრაფით შეუძლია.

დიდი ენობრივი მოდელი (LLM)

LLM არის მოდელები, რომლებსაც იყენებენ პოპულარული ასისტენტები, როგორიცაა ChatGPT, Claude, Gemini ან Llama. ეს არის ღრმა ნეირონული ქსელები, რომლებიც შედგება მილიარდობით პარამეტრისგან (წონისგან). ისინი სწავლობენ კავშირებს სიტყვებსა და ფრაზებს შორის მილიარდობით წიგნის, სტატიისა და ტრანსკრიპტის საფუძველზე.

მეხსიერების ქეში (Memory cache)

ოპტიმიზაციის ტექნიკა, რომელიც ინფერენციას უფრო ეფექტურს ხდის. ქეშირება ამცირებს გამოთვლების რაოდენობას გარკვეული შედეგების შენახვით მომავალი მოთხოვნებისთვის. ერთ-ერთი ცნობილი სახეობაა KV (key value) ქეშირება, რომელიც აჩქარებს პასუხების გენერირებას ტრანსფორმერულ მოდელებში.

Model Context Protocol (MCP)

ღია სტანდარტი, რომელიც AI მოდელებს საშუალებას აძლევს დაუკავშირდნენ გარე ინსტრუმენტებსა და მონაცემებს (ფაილები, მონაცემთა ბაზები, Slack, Google Drive) ყოველი შემთხვევისთვის ინდივიდუალური კონექტორის შექმნის გარეშე. Anthropic-მა MCP 2024 წელს წარადგინა და ის სწრაფად აითვისეს OpenAI-მ, Google-მა და Microsoft-მა.

ექსპერტთა ნაზავი (Mixture of Experts - MoE)

მოდელის არქიტექტურა, რომელიც ნეირონულ ქსელს ყოფს ბევრ მცირე სპეციალიზებულ ქვექსელად („ექსპერტებად“) და ნებისმიერი დავალებისთვის მხოლოდ რამდენიმე მათგანს ააქტიურებს. ეს საშუალებას იძლევა შეიქმნას უზარმაზარი მოდელები, რომლებიც შედარებით სწრაფად და იაფად მუშაობენ.

ნეირონული ქსელი (Neural network)

მრავალშრიანი ალგორითმული სტრუქტურა, რომელიც საფუძვლად უდევს ღრმა სწავლებას. მიუხედავად იმისა, რომ ადამიანის ტვინით შთაგონებული ეს იდეა 1940-იანი წლებიდან არსებობს, მისი რეალური პოტენციალი მხოლოდ გრაფიკული პროცესორების (GPU) განვითარების შემდეგ გამოჩნდა.

ნეირონული ენა (Neuralese)

ჰიპოთეტური ყველაზე ცუდი სცენარი, როდესაც მოდელი აზროვნებს მხოლოდ შიდა ციფრული წარმოდგენებით და არა ადამიანისთვის გასაგები ენით, რაც მის აზროვნებას სრულ „შავ ყუთად“ აქცევს. ჯერჯერობით ასეთი მოდელი არ არსებობს, თუმცა უსაფრთხოების მკვლევარები შიშობენ, რომ გარკვეული ტექნიკები ამ მიმართულებით გადადგმული ნაბიჯია.

გაუმჭვირვალე რეციდივი (Opaque recurrence)

ეს არის პროცესი, როდესაც AI მოდელი ერთსა და იმავე მოთხოვნას თავის შიდა შრეებში მრავალჯერ ატრიალებს, ნაცვლად იმისა, რომ ნაბიჯ-ნაბიჯ იმსჯელოს გასაგებ ენაზე. ეს უფრო ეფექტურია, მაგრამ ტოვებს ნაკლებ კვალს, რაც ართულებს მოდელის ქცევაზე ზედამხედველობას.

ღია კოდი (Open source)

პროგრამული უზრუნველყოფა ან AI მოდელები, რომელთა კოდიც საჯაროდ ხელმისაწვდომია ნებისმიერისთვის გამოსაყენებლად ან შესაცვლელად. მაგალითად, Meta-ს Llama მოდელები. დახურული კოდი (Closed source) ნიშნავს, რომ კოდი კერძოა, როგორც OpenAI-ის GPT მოდელების შემთხვევაში.

პარალელიზაცია (Parallelization)

ბევრი მოქმედების ერთდროულად შესრულება. AI-ში პარალელიზაცია ფუნდამენტურია როგორც სწავლებისთვის, ისე ინფერენციისთვის. თანამედროვე GPU-ები სპეციალურად შექმნილია ათასობით გამოთვლის პარალელურად შესასრულებლად.

RAMageddon

ახალი ტერმინი, რომელიც აღწერს ოპერატიული მეხსიერების (RAM) ჩიპების მზარდ დეფიციტს. AI ინდუსტრიის ბუმის გამო, გიგანტური ტექნოლოგიური კომპანიები იმდენ მეხსიერებას ყიდულობენ მონაცემთა ცენტრებისთვის, რომ სხვა სფეროებისთვის (გეიმინგი, სმარტფონები) რესურსი მცირდება და ფასები იზრდება.

რეკურსიული თვითგაუმჯობესება (Recursive self-improvement)

სცენარი, როდესაც AI მოდელები იწყებენ საკუთარი თავის გაუმჯობესებას ადამიანის ჩარევის გარეშე. ზოგიერთი ამას „სინგულარობის“ მომენტად მიიჩნევს, როდესაც AI მოდელები გარე ჩარევის მიმართ იმუნურები ხდებიან.

დასწავლა განმტკიცებით (Reinforcement learning)

AI-ს სწავლების მეთოდი, სადაც სისტემა სწავლობს ცდისა და შეცდომის გზით და იღებს „ჯილდოს“ სწორი პასუხებისთვის. ტექნიკები, როგორიცაა RLHF (დასწავლა განმტკიცებით ადამიანის უკუკავშირის საფუძველზე), ცენტრალურია მოდელების უსაფრთხოებისა და სიზუსტის დასახვეწად.

ტოკენი (Token)

ადამიანისა და მანქანის კომუნიკაციის საბაზისო ერთეული. ტოკენიზაციის პროცესი ტექსტს შლის მცირე ნაწილებად, რომელთა გადამუშავებაც ენობრივ მოდელს შეუძლია. ბიზნეს გარემოში ტოკენები ხშირად განსაზღვრავენ AI სერვისების გამოყენების ღირებულებას.

ტოკენების გამტარუნარიანობა (Token throughput)

მაჩვენებელი, თუ რა მოცულობის ინფორმაციის (ტოკენების) გადამუშავება შეუძლია სისტემას დროის გარკვეულ მონაკვეთში. მაღალი გამტარუნარიანობა ნიშნავს, რომ მოდელს შეუძლია ერთდროულად ბევრ მომხმარებელს მოემსახუროს სწრაფად.

სწავლება (Training)

მანქანური სწავლების AI-ს განვითარების პროცესი, რომლის დროსაც მოდელს მიეწოდება მონაცემები კანონზომიერებების შესასწავლად. სწავლება შეიძლება იყოს ძალიან ძვირი მონაცემთა დიდი მოცულობისა და გამოთვლითი რესურსების საჭიროების გამო.

ცოდნის გადატანა (Transfer learning)

ტექნიკა, სადაც წინასწარ ნასწავლი AI მოდელი გამოიყენება ახალი, მსგავსი ამოცანის შესასრულებლად. ეს ზოგავს დროსა და რესურსებს, რადგან მოდელს უკვე აქვს გარკვეული საბაზისო ცოდნა.

ვალიდაციის დანაკარგი (Validation loss)

რიცხვი, რომელიც აჩვენებს, რამდენად კარგად სწავლობს AI მოდელი წვრთნის პროცესში — რაც უფრო დაბალია ეს რიცხვი, მით უკეთესია შედეგი. მკვლევარები ამ მაჩვენებლით ადგენენ, მართლა სწავლობს თუ არა მოდელი კანონზომიერებებს, თუ უბრალოდ იზეპირებს მონაცემებს (overfitting).

წონები (Weights)

რიცხვითი პარამეტრები, რომლებიც განსაზღვრავენ, თუ რა მნიშვნელობა ენიჭება მონაცემების სხვადასხვა მახასიათებელს სწავლებისას. სწორედ წონები განსაზღვრავენ, თუ რა არის ყველაზე მნიშვნელოვანი მოცემულ მონაცემთა ბაზაში კონკრეტული ამოცანის შესასრულებლად.