AI REČNIK
Algoritam: Uputstva ili pravila koja računar prati kako bi rešio određeni problem ili zadatak. U veštačkoj inteligenciji, algoritmi se sastoje od jednačina koje obrađuju podatke i prave predviđanja o budućnosti na osnovu njih.
Robotika: Multidisciplinarno polje koje kombinuje veštačku inteligenciju, inženjering i mehaniku kako bi dizajniralo i razvijalo robote koji mogu da imaju interakciju sa svetom.
Veštačka Inteligencija (AI): Oblast računarstva koja proučava kreiranje inteligentnih mašina sposobnih za obavljanje zadataka za koje je potrebna ljudska sposobnost razmišljanja.
Natural Language Processing (NLP): Ogranak veštačke inteligencije koji se fokusira na omogućavanje računarima da razumeju, interpretiraju i generišu ljudski govor. To je kombinacija klasifikacije teksta, sentimenata i analize emocija, kao i mašinskog prevoda.
Computer Vision: Ogranak veštačke inteligencije koji omogućava računarima da razumeju vizuelne informacije poput slika i video zapisa. Uključuje prepoznavanje objekata, klasifikaciju slika i generisanje slika.
Discriminative AI: Poddisciplina veštačke inteligencije koja razlikuje objekte i stavlja ih u određene grupe. Ova veštačka inteligencija primećuje sličnosti i razlike i u skladu sa tim određuje oznake i pretpostavke.
Generative AI: Poddisciplina veštačke inteligencije koja se fokusira na generisanje novog sadržaja poput teksta, slika, muzike itd. Za razliku od tradicionalnih AI modela koji prepoznaju i klasifikuju postojeće informacije, generative AI modeli kreiraju novi sadržaj.
Hybrid AI: Poddisciplina veštačke inteligencije, kombinacija prethodne dve. Ovaj termin je širok i stoga je potrebno precizirati karakteristike i načine korišćenja.
Predictive AI: Korišćenje AI i tehnika mašinskog učenja u oblasti data science, kako bi se pravila predviđanja na osnovu prethodnih događaja. Predictive AI može biti kreiran sa bilo kojom podklasom veštačke inteligencije jer se ova podela pravi prema svrsi za koju se koristi, a ne prema načinu rada.
Descriptive AI – retrospective AI:: Korišćenje AI tehnika u analizi podataka za analizu prethodnih događaja. Svrha retrospective AI-ja je da se dobije bolja slika o trenutnom funkcionisanju i da se objasne dobijeni rezultati.
Machine Learning (ML): Proces u stvaranju veštačke inteligencije u kojem računari uče da prave predikcije i donose odluke. Ovaj proces se ne obavlja programiranjem rezultata za svaku specifičnu odluku, već on radi kao ljudsko iskustvo: kroz algoritme se analiziraju rezultati prethodnih odluka kako bi se zapamtila najoptimalnija odluka.
Supervised Learning: Tip mašinskog učenja gde se AI model obučava u skladu sa podacima koji su označeni. Model uči kategorizacijom primera koje dobija, što mu omogućava da klasifikuje nove, prethodno neviđene podatke.
Unsupervised Learning: Tip mašinskog učenja gde AI model uči iz neoznačenih podataka. Model sam pronalazi sličnosti i obrasce u bazi podataka.
Deep Learning: Tip mašinskog učenja koji koristi veštačke neuronske mreže sa više slojeva kako bi razumeo složene obrasce u bazi podataka. Najefikasniji je u obradi i prepoznavanju slika, govora i teksta.
Reinforcement Learning: Tip mašinskog učenja gde računar prima kritike ili pohvale za svoje pretpostavke i odluke i shodno tome prilagođava svoje buduće odgovore.
Transfer Learning: Tehnika u mašinskom učenju gde se rešavanje novih zadataka započinje korišćenjem AI modela koji je prethodno obučavan na sličnim zadacima. Ova tehnika omogućava korišćenje znanja iz prethodnih zadataka i smanjuje potrebu za opsežnom obukom sa novim bazama podataka.
Neural Network: Računarski model inspirisan strukturom i radom ljudskog mozga. Sastoji se od povezanih tačaka, nazvanih neuroni, koji su podeljeni u nivoe i koji obrađuju i šalju informacije.
Generative Adversarial Networks (GANs): Klasa neuronskih mreža sastavljenih od dve komponente: generator-a i discriminator-a. GANs su dizajnirane tako da generator kreira sve realističniji sadržaj (npr. slike i tekst) koji discriminator ne može da razlikuje od stvarnih podataka.