Kunstmatige intelligentie (KI) is een integraal onderdeel geworden van ons leven, van virtuele assistenten en chatbots tot geavanceerde aanbevelingssystemen en data-analyse. Met de snelle vooruitgang van deze technologie, is het essentieel om de belangrijkste termen en concepten te begrijpen om te navigeren in de uitgestrekte en complexe wereld van KI. Deze woordenlijst is ontworpen om duidelijke en beknopte definities te bieden van de belangrijkste termen gerelateerd aan kunstmatige intelligentie, waardoor het gemakkelijker wordt om te begrijpen hoe deze technologieën werken en hoe ze ons dagelijks leven beïnvloeden.
Of je nu een technologieprofessional bent, een student, of gewoon iemand die meer over KI wil leren, deze woordenlijst biedt jou een solide basis voor het begrijpen van de fundamentele en geavanceerde concepten op dit continu evoluerende gebied. Van taalmodellen ontwikkeld door OpenAI zoals GPT-3 en GPT-4, tot technieken voor machine learning en natuurlijke taalverwerking, hier vind je gedetailleerde uitleg die je zal helpen om de technische jargon te ontwarren en het transformerende potentieel van kunstmatige intelligentie te waarderen.
Woordenlijst van KI-termen
Instructieset afstemming: Instructieset afstemming is een methode waarbij een al getraind model van kunstmatige intelligentie wordt aangepast om specifieke taken uit te voeren. Dit wordt gedaan door het geven van een duidelijke set richtlijnen die de gewenste operatie beschrijven, waardoor het model efficiënt kan werken in nieuwe contexten.
Fijn afstemming: Fijn afstemming is het proces waarbij een pre-getraind model van kunstmatige intelligentie wordt aangepast aan een specifieke taak met behulp van een kleinere en meer gespecialiseerde dataset. Bijvoorbeeld, een algemeen beeldherkenningsmodel kan zo worden aangepast dat het voertuigen kan detecteren bij stoplichten.
Hallicunatie: In de context van kunstmatige intelligentie verwijst hallucinatie naar het genereren van irrelevante, onjuiste of onzinnige antwoorden door een model van natuurlijke taalverwerking. Dit komt vaak voor wanneer het model niet genoeg contextuele informatie heeft of te sterk afhankelijk is van zijn trainingsdata.
Sentimentanalyse: Sentimentanalyse is een techniek in natuurlijke taalverwerking (NLP) die wordt gebruikt om opinies en emoties te identificeren en te extraheren die worden uitgedrukt in teksten. Het wordt veel gebruikt in opinie-mijnen, zoals in de evaluatie van producten en diensten.
Anchoring: Anchoring in kunstmatige intelligentie is het proces van het baseren van KI-systemen op gegevens en ervaringen uit de echte wereld. Dit verbetert het vermogen van het model om te interpreteren en effectief te reageren op gebruikersinvoer, wat zorgt voor nauwkeurigere en meer gecontextualiseerde antwoorden.
Stacking: Stacking is een techniek die meerdere kunstmatige intelligentie algoritmes combineert om de algemene prestaties te verbeteren. Door de krachten van meerdere modellen te benutten, kunnen hun individuele zwaktes worden opgevangen en kunnen exactere en robuustere resultaten worden geproduceerd.
Machine learning: Machine learning is een tak van kunstmatige intelligentie die zich concentreert op de ontwikkeling van algoritmes en statistische modellen die machines in staat stellen hun prestaties te verbeteren met ervaring. Een gemeenschappelijk voorbeeld is een algoritme dat klantverlies kan voorspellen op basis van eerdere gedragspatronen.
Gefedereerd leren: Gefedereerd leren is een benadering voor het trainen van kunstmatige intelligentie modellen waarin de gegevens lokaal in apparaten blijven en alleen de getrainde modellen naar een centrale server worden verstuurd. Dit maakt het mogelijk om wereldwijde modellen te creëren zonder de privacy van individuele data te compromitteren.
Diep leren: Diep leren is een subcategorie van machine learning die gebruik maakt van meerdere lagen van neurale netwerken om complexe gegevens te analyseren. Een diep leermodel kan bijvoorbeeld objecten in een afbeelding herkennen door deze te verwerken via verschillende lagen neuronale.
Onbewaakt leren: Dit type van machine learning vindt plaats met niet-gelabelde gegevens, waardoor het model verborgen patronen of kenmerken in de gegevens kan identificeren. Een voorbeeld is een algoritme dat automatisch vergelijkbare afbeeldingen clustert zonder specifiek getraind te zijn om die specifieke afbeeldingen te herkennen.
Semigebewaakt leren: Semigebewaakt leren combineert een kleine hoeveelheid van gelabelde gegevens met een grote hoeveelheid ongelabelde data tijdens de training. Dit is nuttig wanneer het verkrijgen van gelabelde data kostbaar of moeilijk is.
Bewaakt leren (supervised learning): In het bewaakte leren wordt het model getraind met gelabelde gegevens, wat betekent dat elke data-invoer een bijbehorend antwoord heeft. Dit laat het model leren van de correcte antwoorden en zijn nauwkeurigheid in de voorspelling verbeteren.
Reinforcement learning: Reinforcement learning is een type van machine learning waarbij een model leert beslissingen te nemen door te interageren met zijn omgeving en feedback te ontvangen in de vorm van beloningen of straffen. Deze aanpak is gebruikelijk in de ontwikkeling van kunstmatige intelligentie voor games en autonome robots.
Transfer learning: Transfer learning houdt in het hergebruik van een pre-getraind model in een vergelijkbaar domein om de prestatie in een nieuwe taak te verbeteren met minder gegevens. Deze aanpak is nuttig wanneer trainingsgegevens beperkt zijn.
Auto-encoders: Auto-encoders zijn een type van neurale netwerken die worden gebruikt om verkleinde representaties van data te leren. Ze bestaan uit een encoderende netwerk dat de dimensies van de gegevens verkleint en een decoderend netwerk dat probeert de originele gegevens te herconstrueren.
AutoML: AutoML (Automatized Machine Learning) verwijst naar het proces van het automatiseren van de taken van machine learning, zoals het modelselectie, de hyperparameter optimalisatie en de feature engineering, teneinde het ontwikkelen van AI-modellen toegankelijker en effectiever te maken.
BERT (Bidirectional Encoder Representations from Transformers): BERT is een diep taalmodel ontwikkeld door Google dat gebruik maakt van bidirectionele tekst leren. Het heeft nieuwe standaarden gezet voor NLP-taken zoals leestekstbegrip en het beantwoorden van vragen.
Bias-Variance Tradeoff: Dit is een cruciaal concept in machine learning dat verwijst naar de balans tussen nauwkeurigheid en het vermogen van een model om te generaliseren. Een model met hoge bias kan te simplistisch zijn en de neigingen in de gegeens niet vastleggen (onder aanpassing), terwijl een model met hoge variantie te complex kan zijn en het zuiverende invloed van de trainingsdata vastlegt (over aanpassing).
Bias and Fairness: Eerlijkheid en bias zijn kritische beschouwingen in de ontwikkeling van modellen van OpenAI. Het verwijst naar de inspanningen om de inherente bias in de trainingsdata te verkleinen en te waarborgen dat de gegenereerde antwoorden rechtvaardig en representatief zijn.
Attention Layer: De Attention Layer is een component in neurale network modellen, met name in transformatoren, die het model toestaat om zich aan te passen