ხელოვნური ინტელექტის სრული ლექსიკონი: ტერმინები, რომლებიც წელს აუცილებლად დაგჭირდებათ

ხელოვნური ინტელექტი (AI) სამყაროს ცვლის და, ამავდროულად, სრულიად ახალ ენას ქმნის თავისი მოქმედებების აღსაწერად. დღეს ნებისმიერ პროდუქტის განხილვაზე, პრეზენტაციასა თუ პანელურ დისკუსიაზე ხშირად გაიგონებთ ისეთ აბრევიატურებს, როგორიცაა LLM, RAG, RLHF და სხვა მრავალი ტერმინი, რომლებმაც შესაძლოა ტექნოლოგიურ სფეროში კარგად ჩახედული ადამიანებიც კი დააბნიოს.

ეს ლექსიკონი მიზნად ისახავს ამ ბუნდოვანების გაფანტვას და გთავაზობთ ხელოვნური ინტელექტის იმ ძირითადი ტერმინების მარტივ განმარტებებს, რომლებსაც ყველაზე ხშირად შეხვდებით — მიუხედავად იმისა, თავად ქმნით ამ ტექნოლოგიებს, ინვესტირებას ახდენთ მათში თუ უბრალოდ ცდილობთ სიახლეებს ფეხი აუწყოთ. სფეროს განვითარებასთან ერთად, ეს დოკუმენტიც მუდმივად ახლდება, ისევე როგორც თავად AI სისტემები.

AGI (ხელოვნური ზოგადი ინტელექტი)

ხელოვნური ზოგადი ინტელექტი, ანუ AGI, საკმაოდ ბუნდოვანი ტერმინია. ზოგადად, ის გულისხმობს AI-ს, რომელიც ადამიანზე მეტად უნარიანია უმეტეს, თუ არა ყველა დავალებაში. OpenAI-ის აღმასრულებელი დირექტორი, სემ ალტმანი, AGI-ს აღწერს, როგორც „საშუალო ადამიანის ეკვივალენტს, რომელიც შეგიძლიათ თანამშრომლად დაიქირაოთ“. ამავდროულად, OpenAI-ის წესდება AGI-ს განმარტავს, როგორც „მაღალავტონომიურ სისტემებს, რომლებიც ადამიანებს სჯობნიან ეკონომიკურად ღირებული სამუშაოს უმეტეს ნაწილში“. Google DeepMind-ის ხედვა ოდნავ განსხვავებულია: მათი აზრით, AGI არის „AI, რომელიც ადამიანის დონეზე მაინც ასრულებს შემეცნებითი დავალებების უმეტესობას“.

AI აგენტი (AI agent)

AI აგენტი არის ინსტრუმენტი, რომელიც ხელოვნური ინტელექტის ტექნოლოგიებს იყენებს მომხმარებლის სახელით სხვადასხვა დავალების შესასრულებლად. ის სცილდება ჩვეულებრივი ჩატბოტის შესაძლებლობებს და შეუძლია, მაგალითად, ხარჯების აღრიცხვა, ბილეთების დაჯავშნა, რესტორანში მაგიდის შეკვეთა ან კოდის წერა და მისი მართვა. ეს არის ავტონომიური სისტემა, რომელიც მრავალეტაპიანი ამოცანების შესასრულებლად შესაძლოა რამდენიმე სხვადასხვა AI მოდელს იყენებდეს.

API ენდპოინტები (API endpoints)

API ენდპოინტები შეიძლება წარმოვიდგინოთ, როგორც პროგრამული უზრუნველყოფის უკანა მხარეს განთავსებული „ღილაკები“, რომლებსაც სხვა პროგრამები აჭერენ კონკრეტული მოქმედების შესასრულებლად. დეველოპერები ამ ინტერფეისებს ინტეგრაციების შესაქმნელად იყენებენ — მაგალითად, ერთი აპლიკაციისთვის სხვა აპლიკაციიდან მონაცემების გამოსატანად. AI აგენტების განვითარებასთან ერთად, მათ სულ უფრო მეტად შეუძლიათ ამ ენდპოინტების დამოუკიდებლად პოვნა და გამოყენება, რაც ავტომატიზაციის ახალ შესაძლებლობებს აჩენს.

აზროვნების ჯაჭვი (Chain of thought)

მარტივ კითხვებზე ადამიანის ტვინი დაუფიქრებლად პასუხობს, თუმცა რთული ამოცანებისას ხშირად შუალედური ნაბიჯების ჩაწერა ხდება საჭირო. AI-ს კონტექსტში, აზროვნების ჯაჭვი ნიშნავს დიდი ენობრივი მოდელების მიერ პრობლემის დაყოფას მცირე, ლოგიკურ ეტაპებად. პასუხის მიღებას მეტი დრო სჭირდება, თუმცა შედეგი უფრო ზუსტია, განსაკუთრებით ლოგიკურ ან პროგრამირების ამოცანებში. ასეთი მოდელები ოპტიმიზებულია „განმამტკიცებელი სწავლების“ (reinforcement learning) მეშვეობით.

პროგრამირების აგენტები (Coding agents)

ეს არის AI აგენტის სპეციალიზებული ვერსია, რომელიც პროგრამული უზრუნველყოფის შემუშავებაზეა ფოკუსირებული. ნაცვლად იმისა, რომ უბრალოდ კოდის ფრაგმენტი შემოგვთავაზოს, პროგრამირების აგენტს შეუძლია დამოუკიდებლად დაწეროს, დატესტოს და გაასწოროს კოდი. მას შეუძლია მთლიან კოდის ბაზაზე მუშაობა, ხარვეზების პოვნა და მათი აღმოფხვრა მინიმალური ადამიანური ზედამხედველობით.

გამოთვლითი სიმძლავრე (Compute)

ეს ტერმინი გულისხმობს იმ სასიცოცხლო მნიშვნელობის გამოთვლით რესურსს, რომელიც AI მოდელების მუშაობას უზრუნველყოფს. ის მოიცავს აპარატურულ ნაწილს, როგორიცაა GPU (გრაფიკული პროცესორები), CPU, TPU და სხვა ინფრასტრუქტურა, რაც თანამედროვე AI ინდუსტრიის საფუძველია.

ღრმა სწავლება (Deep learning)

მანქანური სწავლების ქვესიმრავლე, სადაც ალგორითმები მრავალშრიანი ხელოვნური ნეირონული ქსელების (ANN) სტრუქტურითაა აგებული. ეს სტრუქტურა შთაგონებულია ადამიანის ტვინის ნეირონული კავშირებით. ღრმა სწავლების მოდელებს შეუძლიათ მონაცემებში მნიშვნელოვანი მახასიათებლების დამოუკიდებლად იდენტიფიცირება, თუმცა მათ დიდი მოცულობის მონაცემები და ხანგრძლივი წვრთნა სჭირდებათ.

დიფუზია (Diffusion)

ტექნოლოგია, რომელიც საფუძვლად უდევს გამოსახულების, მუსიკისა და ტექსტის გენერატორებს. ფიზიკით შთაგონებული ეს სისტემები თანდათან „ანადგურებენ“ მონაცემთა სტრუქტურას (მაგალითად, ფოტოს) „ხმაურის“ დამატებით, სანამ არაფერი დარჩება. შემდეგ კი AI სწავლობს ამ პროცესის შებრუნებას, რათა „ხმაურიდან“ ახალი მონაცემები აღადგინოს.

დისტილაცია (Distillation)

ტექნიკა, რომელიც გამოიყენება დიდი AI მოდელიდან ცოდნის გამოსატანად „მასწავლებელი-მოსწავლის“ მოდელის პრინციპით. დეველოპერები იწერენ დიდი მოდელის პასუხებს და მათ პატარა მოდელის გასაწვრთნელად იყენებენ. ეს საშუალებას იძლევა შეიქმნას უფრო მცირე და ეფექტური მოდელი (მაგალითად, GPT-4 Turbo), რომელიც თითქმის ისევე მუშაობს, როგორც მისი დიდი წინამორბედი.

დახვეწა (Fine-tuning)

ეს არის AI მოდელის დამატებითი წვრთნა კონკრეტული ამოცანის ან სფეროსთვის ოპტიმიზაციის მიზნით. მოდელს მიეწოდება სპეციალიზებული მონაცემები, რათა მან უკეთ შეასრულოს კონკრეტული ფუნქციები, ვიდრე ამას ზოგადი წვრთნის შემდეგ შეძლებდა.

GAN (გენერაციულ-შეჯიბრებითი ქსელი)

მანქანური სწავლების ჩარჩო, რომელიც გამოიყენება რეალისტური მონაცემების, მათ შორის Deepfake-ების შესაქმნელად. სისტემა შედგება ორი ნეირონული ქსელისგან: „გენერატორი“ ქმნის გამოსახულებას, ხოლო „დისკრიმინატორი“ ცდილობს გაარკვიოს, ის ნამდვილია თუ ხელოვნური. ეს მუდმივი შეჯიბრი აუმჯობესებს შედეგის ხარისხს.

ჰალუცინაცია (Hallucination)

ტერმინი, რომლითაც AI ინდუსტრია აღწერს შემთხვევებს, როდესაც მოდელი იგონებს მცდარ ინფორმაციას. ეს სერიოზული პრობლემაა, რადგან შესაძლოა გამოიწვიოს სახიფათო შედეგები, მაგალითად, არასწორი სამედიცინო რჩევის გაცემისას. ჰალუცინაციები ხშირად წვრთნის მონაცემებში არსებული ხარვეზების შედეგია.

ინფერენცია (Inference)

ეს არის AI მოდელის მუშაობის პროცესი, როდესაც ის უკვე ნასწავლი მონაცემების საფუძველზე აკეთებს პროგნოზებს ან გამოაქვს დასკვნები. ინფერენცია შეუძლებელია წვრთნის გარეშე. მისი შესრულება სხვადასხვა აპარატურაზეა შესაძლებელი, სმარტფონის პროცესორებიდან დაწყებული, მძლავრი GPU-ებით დამთავრებული.

დიდი ენობრივი მოდელი (LLM)

ეს არის AI მოდელები, რომლებსაც პოპულარული ასისტენტები (ChatGPT, Claude, Gemini, Llama) იყენებენ. LLM-ები შედგება მილიარდობით პარამეტრისგან, რომლებიც სწავლობენ კავშირებს სიტყვებსა და ფრაზებს შორის. ისინი იქმნება მილიარდობით წიგნის, სტატიისა და ტრანსკრიპტის დამუშავების შედეგად.

მეხსიერების ქეშირება (Memory cache)

ოპტიმიზაციის ტექნიკა, რომელიც ინფერენციას უფრო ეფექტურს ხდის. AI მუშაობა დიდ გამოთვლით ენერგიას მოითხოვს. ქეშირება საშუალებას იძლევა, გარკვეული გამოთვლები მომავალი მოთხოვნებისთვის შეინახოს, რაც ზოგავს დროსა და რესურსებს.

Model Context Protocol (MCP)

ღია სტანდარტი, რომელიც AI მოდელებს გარე ინსტრუმენტებთან და მონაცემებთან (მაგ. Slack, Google Drive) დაკავშირების საშუალებას აძლევს სპეციალური კონექტორების შექმნის გარეშე. Anthropic-ის მიერ 2024 წელს წარდგენილი ეს პროტოკოლი უკვე აღიარეს OpenAI-მ, Google-მა და Microsoft-მა.

ექსპერტთა ნაზავი (Mixture of Experts - MoE)

მოდელის არქიტექტურა, რომელიც ნეირონულ ქსელს მცირე სპეციალიზებულ ქვე-ქსელებად („ექსპერტებად“) ყოფს. ნაცვლად იმისა, რომ ყოველი მოთხოვნა მთელმა მოდელმა დაამუშაოს, სისტემა მხოლოდ საჭირო სპეციალისტებს ააქტიურებს. ეს საშუალებას იძლევა შეიქმნას გიგანტური მოდელები, რომლებიც სწრაფად და იაფად მუშაობენ.

ნეირონული ქსელი (Neural network)

მრავალშრიანი ალგორითმული სტრუქტურა, რომელიც ღრმა სწავლების საფუძველია. მიუხედავად იმისა, რომ იდეა 1940-იან წლებში გაჩნდა, მისი რეალური პოტენციალი მხოლოდ გრაფიკული პროცესორების (GPU) განვითარების შემდეგ გამოჩნდა. ნეირონული ქსელები გამოიყენება ხმის ამოცნობისთვის, ავტონომიური მართვისა და მედიკამენტების აღმოჩენისთვის.

ღია კოდი (Open source)

პროგრამული უზრუნველყოფა ან AI მოდელები, რომელთა კოდიც საჯაროა ნებისმიერი ადამიანისთვის გამოსაყენებლად ან შესაცვლელად. მაგალითად, Meta-ს Llama მოდელები ღიაა, ხოლო OpenAI-ის GPT მოდელები — დახურული.

პარალელიზაცია (Parallelization)

მრავალი მოქმედების ერთდროულად შესრულება. AI-ში ეს ფუნდამენტური პროცესია: თანამედროვე GPU-ები შექმნილია ათასობით გამოთვლის პარალელურად შესასრულებლად, რაც მოდელების სწრაფად აგებისა და მუშაობის საშუალებას იძლევა.

RAMageddon (რამაგედონი)

ტერმინი, რომელიც აღწერს RAM ჩიპების მზარდ დეფიციტს. AI ინდუსტრიის ბუმის გამო, გიგანტური კომპანიები იმდენ მეხსიერების ჩიპს 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 მეცნიერისთვის ეს „სინგულარობის“ მომენტია, როდესაც AI კონტროლს მიღმა გადის, თუმცა ინჟინრებისთვის ეს უბრალოდ კვლევის შემდეგი ეტაპია.

განმამტკიცებელი სწავლება (Reinforcement learning)

AI-ს წვრთნის მეთოდი, სადაც სისტემა სწავლობს ცდისა და შეცდომის გზით და იღებს „ჯილდოს“ სწორი პასუხებისთვის. ეს მიდგომა განსაკუთრებით ეფექტურია თამაშებში, რობოტების მართვასა და ენობრივი მოდელების ლოგიკური აზროვნების დახვეწაში.

ტოკენი (Token)

ადამიანურ და მანქანურ კომუნიკაციას შორის დამაკავშირებელი ერთეული. ტოკენები არის ტექსტის მცირე სეგმენტები, რომლებად დაყოფის შემდეგაც მოდელი ინფორმაციას ამუშავებს. ბიზნეს გარემოში ტოკენები ხშირად განსაზღვრავს მომსახურების ფასს.

ტოკენების გამტარუნარიანობა (Token throughput)

მაჩვენებელი, რომელიც ზომავს, თუ რა მოცულობის სამუშაოს შესრულება შეუძლია AI სისტემას დროის გარკვეულ მონაკვეთში. მაღალი გამტარუნარიანობა ნიშნავს, რომ მოდელს შეუძლია ერთდროულად ბევრ მომხმარებელს მოემსახუროს სწრაფად.

წვრთნა (Training)

მანქანური სწავლების პროცესი, რომლის დროსაც მოდელს მიეწოდება მონაცემები კანონზომიერებების შესასწავლად. ეს ძვირადღირებული პროცესია, რადგან დიდ გამოთვლით რესურსებსა და მონაცემებს მოითხოვს.

ტრანსფერული სწავლება (Transfer learning)

ტექნიკა, როდესაც ერთი ამოცანისთვის გაწვრთნილი მოდელი გამოიყენება სხვა, მსგავსი ამოცანის შესასრულებლად. ეს ზოგავს დროსა და რესურსებს, რადგან მოდელს უკვე აქვს გარკვეული საბაზისო ცოდნა.

ვალიდაციის დანაკარგი (Validation loss)

რიცხვი, რომელიც გვიჩვენებს, რამდენად კარგად სწავლობს მოდელი წვრთნის პროცესში. რაც უფრო დაბალია ეს მაჩვენებელი, მით უკეთესია შედეგი. ის მკვლევარებს ეხმარება იმის დადგენაში, მოდელი მართლა სწავლობს თუ უბრალოდ იზეპირებს მონაცემებს.

წონები (Weights)

რიცხვითი პარამეტრები, რომლებიც განსაზღვრავენ, თუ რა მნიშვნელობა ენიჭება მონაცემების სხვადასხვა მახასიათებელს. წვრთნის პროცესში ეს წონები მუდმივად იცვლება, სანამ მოდელი სასურველ სიზუსტეს არ მიაღწევს.