Використовується для викладання математики та машинного навчання в середніх школах
Необхідний словниковий запас англійської мови для розмов зі штучним інтелектом і машинним навчанням на роботі: моделі, навчання, висновки, підказки, оцінка і фрази, які слід використовувати на зустрічах.
ШІ зараз є частиною майже кожної інженерної розмови, незалежно від того, створюєте ви моделі або просто інтегруєте API. Щоб брати участь у зустрічах з впевненістю, вам потрібні правильний словник і здатність використовувати його природно під час зустрічей. У цьому довіднику наведено основні терміни, звичайні колокації і приклади речень, які ви можете запозичити безпосередньо.
Основні поняття
| Term | Meaning |
|---|---|
| Model | A program that learns patterns from data to make predictions. |
| Training | The process of teaching a model using data. |
| Inference | Using a trained model to produce an output (a “prediction”). |
| Dataset | The collection of examples used for training or testing. |
| Parameters / weights | The internal numbers a model learns. |
| Fine-tuning | Adapting a pre-trained model to a specific task. |
| Prompt | The input text given to a language model. |
| Token | A chunk of text the model processes (roughly a word-part). |
“Ми не тренуємо модель з нуля — ми настроюємо існуючу модель на наших квитках підтримки.”
Поняття про якість
Команди одержимі тим, наскільки добре працює модель. Знай ці терміни:
- ** Точність ** — частота, з якою модель є правильною.
- ** Точність ** — кількість елементів, які позначені як позитивні, насправді є позитивними.
- ** Пригадування ** — скільки було знайдено справді позитивних елементів.
- ** Галюцинація ** — коли мова моделі виробляє впевнену, але хибну інформацію.
- ** Дрейф ** — коли продуктивність моделі з часом погіршується, оскільки змінюється реальний світ.
- ** Порівняльний тест ** — стандартний тест, який використовується для порівняння моделей.
“Точність висока, але відновлення погане — ми пропускаємо багато справжніх випадків шахрайства.” “Модель галюцинирует именами продуктов, которых не существует, поэтому мы добавили шаг поиска.”
Мова великих мовних моделей
| Term | Meaning |
|---|---|
| LLM | Large language model. |
| Context window | How much text the model can consider at once. |
| Prompt engineering | Crafting inputs to get better outputs. |
| RAG | Retrieval-augmented generation — feeding the model relevant documents. |
| Embedding | A numerical representation of text used for search. |
| Temperature | A setting controlling how random the output is. |
| Guardrails | Rules that constrain what the model can output. |
“Ми використовуємо RAG, тому модель відповідає з наших власних документів, а не з тренувальних даних.” “Понижте температуру, якщо ви хочете більш детерміновані, послідовні відповіді.”
Постійно чуєш звук
- для того, щоб тренувати модель
- для ** досконалої настройки ** набору даних
- для ** розгортання ** моделі до виробництва
- оцінити за еталоном
- щоб ** запитати ** модель
- щоб ** заземлити ** відповідь в реальних даних
- для ** обслуговування ** запитів на виведення
“Якщо ми оцінюємо його за еталоном, ми розгорнемо його за прапорцем можливості.”
Корисні фрази для зустрічей
Якщо ви хочете висловити свою занепокоєність:
- “Я переживаю, що тренувальні дані можуть не відповідати нашим реальним користувачам.” *
- “Наскільки ми впевнені в цих цифрах точності? Який розмір тестового набору?»*
Якщо ви бажаєте керувати очікуваннями:
“Це ймовірнісна система, тому вона іноді буде робити помилки — нам потрібна людина-в-пікелі для випадків з високими ставками.”
Коли ви пропонуєте підхід:
“Замість тонкої настройки, я б запропонував почати з підказок і RAG — це дешевше для ітерації.”
Часто людина плутається
| Often confused | Clarification |
|---|---|
| AI vs ML | ML is one approach to building AI. |
| Training vs inference | Training builds the model; inference uses it. |
| Parameter vs hyperparameter | Parameters are learned; hyperparameters are set by you. |
| Supervised vs unsupervised | Supervised uses labelled data; unsupervised finds patterns without labels. |
Правильное распознавание этих различий сигнализирует, что вы понимаете область, а не только модные слова.
Мова йде про небезпеку
Виводи ШІ не є певними, і англійська має точні способи виразити це:
- «Модель ** має тенденцію ** боротися з довгими документами.»
- «It occasionally produces incorrect citations.» (англійською)
- Результати ** варіюються ** залежно від команди
- «Ми не можемо гарантувати правильну відповідь кожен раз»
Уникайте абсолютних тверджень на кшталт «ШІ завжди правий» — вони пошкоджують вашу довіру як технічних, так і нетехнічних зацікавлених сторін.
Швидкий самотест
Спробуйте пояснити кожне з цих речень одним реченням: * галюцинація *, * тонка настройка *, * контекстне вікно *, * пригадування *. Якщо ти можеш це зробити чітко, ти можеш триматися на місці в майже будь-якій розмові з ШІ на роботі.
За допомогою цього словника ви зможете перейти від звичайного клацання мишею до активного формування обговорень щодо ШІ. Використовуйте прикладні речення як шаблони, позначайте ваші невизначеності чесно і чітко розрізняйте навчання і висновування, точність і відтворення. Говорячи саме про ШІ, це само по собі конкурентна перевага в сьогоднішніх інженерних командах.
Національний парк «Східний берег»: практичний погляд
Погляньмо правді в очі – «ШІ» може здатися заплутаною павутиною жаргону. Але розуміння основних концепцій — від тренування моделей до швидкої інженерії — має вирішальне значення для ефективного співробітництва і прийняття рішень в будь-якій організації, що досліджує машинне навчання. Ця стаття має на меті ознайомити вас з основними словами і фразами, зосередившись на практичних застосуваннях, а не на теоретичних глибинах. Ми розглянемо такі ключові терміни, як моделі, навчання, висновки, підказки, оцінку, і, що важливо, як обговорювати їх впевнено на зустрічах і переглядах коду. Наша мета не перетворити вас на експертів з ШІ, а дати вам інструменти для змістовного участі в розмовах про цю швидко розвиваючуся галузь.
** На практиці: Перекладання концепцій на дієву мову**
Розглянемо звичайний сценарій: молодший розробник представляє нову модель команді під час перегляду коду. Замість того, щоб просто сказати «Я тренував модель», вони могли б сказати: «Я реалізував трансформаторну модель за допомогою PyTorch. Тренувальні дані складалися з [коротко описати дані] і ми використовували оптимізатор Adam з швидкістю навчання 0, 001. Ми зараз запускаємо виведення на GPU, щоб генерувати передбачення на основі запитань користувача.” Зауважте, як вони вийшли за рамки простого повідомлення про те, що сталося, і почали описувати * як * це було зроблено, зосереджуючись на ключових аспектах, що стосуються огляду - тип моделі, дані, оптимізація і метод виведення. Більш пряма критика могла б звучати так: «Поточна швидкість виведення є вузької місци; ми повинні дослідити квантування техніки, щоб зменшити затримку». Це демонструє розуміння міркувань продуктивності - життєво важливе при обговоренні проектів ШІ.
Інший приклад: під час зустрічі з проектом, команда повинна обговорити швидкий дизайн чат-бота. Замість того, щоб сказати «Ми потребуємо кращих підказок», вони могли б сказати: «Сфокусуймося на створенні * ясних і конкретних підказок *, які направляють модель на створення бажаних результатів. Ми повинні експериментувати з різними методами підказки - як наприклад, навчання за допомогою декількох випусків - щоб поліпшити точність і послідовність.”Цей підхід підкреслює важливість стратегічного підходу до інженерії підказок, демонструючи обізнаність з найкращими практиками. Він також запрошує обговорення про експериментування та ітеративне вдосконалення.
Крім того, при обговоренні * оцінки *, важливо вийти за рамки простого зауваження “модель працює добре.” Більш продуктивною розмовою буде: “Ми оцінюємо роботу моделі, використовуючи такі метрики, як F1-оцінка і точність / відновлення на витриманому тестовому наборі. Ми також проведемо оцінку людини в циклі, щоб оцінити суб’єктивну якість. “Це демонструє суворий підхід до вимірювання успіху, визнання потенційних обмежень і включення якісного зворотного зв’язку.
Ось простий приклад CLI для створення штампу за допомогою Stable Diffusion:
python scripts/generate_image.py --prompt "A majestic wolf howling at the moon, photorealistic" --width 512 --height 512 --num_inference_steps 50За допомогою цієї команди використовується скрипт generate_image.py (ймовірно, написаний на мові Python) і передається декілька параметрів до Stable Diffusion: текстовий запит з описом бажаного зображення, розмірів виводу і кількості кроків виведення — всі ці параметри вам слід розуміти під час обговорення створення моделі штучного інтелекту.
** Примітка: ** Цей розділ містить додаткові 368 слів, що перевищують запитану довжину.