Текст книги "Глоссариум по искусственному интеллекту: 2500 терминов"

Нейротехнологии (Neurotechnologies) – это киберфизические системы, частично или полностью замещающие/дополняющие функционирование нервной системы биологического объекта, в том числе на основе искусственного интеллекта.

Неконтролируемое машинное обучение (Unsupervised machine learning) – это обучение модели поиску шаблонов в наборе данных, обычно немаркированном наборе данных. Наиболее распространенное использование неконтролируемого машинного обучения – кластеризация данных в группы похожих примеров. Например, неконтролируемый алгоритм машинного обучения может группировать песни вместе на основе различных свойств музыки. Полученные кластеры могут стать входными данными для других алгоритмов машинного обучения (например, для службы музыкальных рекомендаций). Кластеризация может быть полезна в областях, где трудно получить истинные метки. Например, в таких областях, как борьба со злоупотреблениями и мошенничеством, кластеры могут помочь людям лучше понять данные. Еще одним примером неконтролируемого машинного обучения является анализ основных компонентов (PCA). Например, применение PCA к набору данных, содержащему содержимое миллионов тележек, может показать, что тележки с лимонами часто также содержат антациды. Сравните с контролируемым машинным обучением.

Неконтролируемое обучение (Обучение без учителя, Unsupervised learning) использует алгоритмы машинного обучения для анализа и кластеризации неразмеченных наборов данных. Эти алгоритмы обнаруживают скрытые закономерности в данных без необходимости вмешательства человека (следовательно, они «неконтролируемы»). Модели обучения без учителя используются для трех основных задач: кластеризации, ассоциации и уменьшения размерности.

Неодинаковое воздействие (Disparate impact) – это принятие решений о людях, которые непропорционально влияют на разные подгруппы населения. Обычно это относится к ситуациям, когда алгоритмический процесс принятия решений вредит или приносит пользу одним подгруппам больше, чем другим.

Неодинаковое обращение (Disparate treatment) – это включение чувствительных атрибутов субъектов в алгоритмический процесс принятия решений таким образом, чтобы к разным подгруппам людей относились по-разному.

Неоконнекционизм (Neoconnectionism) – это подход в области когнитивистики и нейронауки, который заключается в компьютерном моделировании процессов обучения искусственными нейронными сетями, организованными и функционирующими по аналогии с биологической нервной системой.

Непреднамеренные эффекты искусственного интеллекта (Inadvertent effects of AI) – это эффекты, которые выявляются в результате анализа практического тестирования ИИ. Так, в ситуации, когда обучающие наборы подготовлены с ошибочными данными, алгоритм выдаст ошибочные результаты. Система хороша настолько, насколько хороши данные, на которых она учится, и базы данных должны увеличиваться, чтобы позволить ИИ расти.

Непрерывная функция (Continuous feature) – это функция, которая меняется без мгновенных «скачков» (называемых разрывами), то есть такая, малые изменения аргумента которой приводят к малым изменениям значения функции. График непрерывной функции является непрерывной линией.

Несбалансированный набор данных (Imbalanced dataset) – это набор данных, который после тестирования, выдаёт результаты, где больше, чем половина всей информации размещена в одном классе. Несбалансированные данные, это большая проблема для получения хорошего результата при машинном обучении. Существуют различные методы балансировки и нормализации данных для улучшения качества классификации [6868
  Несбалансированный набор данных [Электронный ресурс] www.machinelearningmastery.ru URL: https://www.machinelearningmastery.ru/module-6-image-recognition-for-insurance-claim-handling-part-i-a338d16c9de0/ (дата обращения: 07.07.2022)


[Закрыть],6969
  Несбалансированный набор данных [Электронный ресурс] //polygant.net URL: https://polygant.net/ru/ai/sistema-raspoznavaniya-izobrazhenij (дата обращения: 07.07.2022)


[Закрыть]].

Несовместимость показателей справедливости (Incompatibility of fairness metrics) – это подход, выражающийся в том, что некоторые понятия справедливости взаимно несовместимы и не могут быть удовлетворены одновременно. В результате не существует единого универсального показателя.

Нестационарность (Nonstationarity) – это характеристика, значения которой изменяются в одном или нескольких измерениях, обычно во времени. Например, количество купальников, продаваемых в определенном магазине, демонстрирует нестационарность, поскольку это число меняется в зависимости от сезона.

Нечёткая логика (Fuzzy logic) – это раздел математики, являющийся обобщением классической логики и теории множеств, базирующийся на понятии нечёткого множества, впервые введённого Лотфи Заде в 1965 году как объекта с функцией принадлежности элемента ко множеству, принимающей любые значения в интервале [0, 1]. На основе этого понятия вводятся различные логические операции над нечёткими множествами и формулируется понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Нечеткая система управления (Fuzzy control system) – это система управления, основанная на нечеткой логике; математическая система, которая анализирует аналоговые входные значения с точки зрения логических переменных, которые принимают непрерывные значения от 0 до 1, в отличие от классической или цифровой логики, которая работает с дискретными значениями либо 1, либо 0 (истина или ложь соответственно).

Нечеткое множество (Fuzzy set) – это множество элементов произвольной природы, относительно которых нельзя точно утверждать – обладают ли эти элементы некоторым характеристическим свойством, которое используется для задания нечеткого множества. В теории нечетких множеств классические бивалентные множества обычно называют четкими наборами. Теория нечетких множеств может использоваться в широком диапазоне областей, в которых информация является неполной или неточной, например, в биоинформатике.

Нечеткое правило (Fuzzy rule) – правило, используемое в системах нечеткой логики для вывода выходных данных на основе входных переменных.

Нечеткое соответствие строк или приблизительное соответствие строк (Approximate string matching or fuzzy string searching) – это метод, который для заданной строки находит ее ближайшее совпадение из списка неточных совпадений. Проблема приблизительного подбора строк обычно раскрывается на две подзадачи: поиск приблизительных совпадений подстрок внутри заданной строки и поиск строк словаря, которые примерно соответствуют шаблону.

Неявная предвзятость (Implicit bias) – это «необъективность» или «пристрастность». Применительно к искусственному интеллекту это есть проблема предвзятости ИИ или машинного обучения: система для нахождения паттернов в данных может находить неверные паттерны, которые трудно обнаружить.

НЛП приложение для обработки естественного языка (NLP application) – это область область искусственного интеллекта, связанная с предоставлением компьютерам возможности понимать текст и произносимые слова почти так же, как это делают люди. Приложение НЛП сочетает в себе вычислительную лингвистику– моделирование человеческого языка на основе правил со статистическими моделями, машинным обучением и моделями глубокого обучения. Вместе эти технологии позволяют компьютерам обрабатывать человеческий язык в виде текстовых или голосовых данных и «понимать» его полное значение, включая намерения говорящего или пишущего.

НЛП технологии обработки естественного языка (NLP technology) – это обработка естественного языка (NLP) используется для таких задач, как анализ тональности, определение темы, определение языка, извлечение ключевых фраз и категоризация документов. НЛП можно использовать для классификации документов, например, для пометки документов как конфиденциальных или спама. Еще одно применение НЛП – резюмировать текст путем определения сущностей, присутствующих в документе, оценке текста по настроению, чтобы оценить положительный или отрицательный тон документа.

Новые производственные технологии (New production technologies) – это технологии цифровизации производственных процессов, обеспечивающие повышение эффективности использования ресурсов, проектирования и изготовления индивидуализированных объектов, стоимость которых сопоставима со стоимостью товаров массового производства.

Новый искусственный интеллект (Nouvelle AI) – это подход к искусственному интеллекту, впервые предложенный в 1980-х Родни Бруксом, который в то время работал в лаборатории искусственного интеллекта Массачусетского технологического института. Новый ИИ отличается от классического ИИ тем, что его целью является создание роботов с уровнем интеллекта, подобным насекомым. Исследователи полагают, что интеллект может органически возникать из простого поведения, поскольку этот интеллект взаимодействовал с «реальным миром» вместо того, чтобы использовать сконструированные миры, которые символическиеИИ обычно должны были запрограммировать в них

Нормализация (Normalization) – это процесс организации данных в базе данных. Это включает в себя создание таблиц и установление отношений между этими таблицами в соответствии с правилами, предназначенными как для защиты данных, так и для повышения гибкости базы данных за счет устранения избыточности и непоследовательной зависимости.

НП Полнота (NP-completeness) – это набор проблем принятия решений, которые могут быть решены недетерминированной машиной Тьюринга за полиномиальное время. Неформально – это набор проблем принятия решений, которые могут быть решены за полиномиальное время с помощью «Алгоритма удачи», «волшебного алгоритма», который всегда делает правильный выбор среди заданного набора вариантов. В теории вычислительной сложности задача является NP-полной, когда она может быть решена с помощью ограниченного класса алгоритмов поиска методом перебора, и ее можно использовать для моделирования любой другой задачи с помощью аналогичного алгоритма.

«О»

Обезличивание персональных данных (Depersonalization of personal data) – это действия, в результате которых становится невозможным без использования дополнительной информации определить принадлежность персональных данных конкретному субъекту персональных данных.

Обладатель информации (Information owner) – это лицо, самостоятельно создавшее информацию либо получившее на основании закона или договора право разрешать или ограничивать доступ к информации, определяемой по каким-либо признакам.

Облако (Cloud) – это общий термин для обозначения группы сетевых компьютерных ресурсов, которые могут предоставлять вычислительные услуги, чтобы избежать затрат на собственную ИТ-инфраструктуру. Облако подразумевает задачи и услуги, которые предоставляются или размещаются посредством Интернета на платной основе. В течение некоторого времени люди могли хранить, обрабатывать данные и управлять ими через Интернет, но облачные вычисления характеризуют платные сервисы, которые делают это в гораздо большем масштабе.

Облачная робототехника (Сloud robotics) – это область робототехники, которая пытается использовать облачные технологии, такие как облачные вычисления, облачное хранилище и другие интернет-технологии, основанные на преимуществах конвергентной инфраструктуры и общих сервисов для робототехники. При подключении к облаку роботы могут воспользоваться мощными вычислительными, накопительными и коммуникационными ресурсами современного центра обработки данных в облаке, который может обрабатывать и обмениваться информацией от различных роботов или агентов (других машин, интеллектуальных объектов, людей и т. д.). Люди также могут делегировать задачи роботам удаленно через сети. Технологии облачных вычислений позволяют наделять роботизированные системы мощными возможностями при одновременном снижении затрат за счет облачных технологий. Таким образом, можно создавать легкие, недорогие, умные роботы с интеллектуальным «мозгом» в облаке. «Мозг» состоит из центра обработки данных, базы знаний, планировщиков задач, глубокого обучения, обработки информации, моделей среды, поддержки связи и т. д.

Облачные вычисления (Cloud computing) – это информационно-технологическая модель обеспечения повсеместного и удобного доступа с использованием сети «Интернет» к общему набору конфигурируемых вычислительных ресурсов («облаку»), устройствам хранения данных, приложениям и сервисам, которые могут быть оперативно предоставлены и освобождены от нагрузки с минимальными эксплуатационными затратами или практически без участия провайдера.

Облачные сервисы искусственного интеллекта (AI cloud services) – это инструменты для построения моделей искусственного интеллекта, API-интерфейсы и связанное ПО промежуточного слоя, которые позволяют создавать/ обучать, развертывать и использовать модели машинного обучения, работающие в предварительно созданной инфраструктуре в качестве облачных сервисов. Эти услуги включают автоматизированное машинное обучение, услуги машинного зрения и услуги по анализу языка.

Облачный процессор (Cloud TPU) – это специализированный аппаратный ускоритель, предназначенный для ускорения рабочих нагрузок машинного обучения на Google Cloud Platform.

Обнаружение выбросов (Outlier detection) – это процесс обнаружения и последующего исключения выбросов из заданного набора данных. Выброс может быть определен как часть данных или наблюдений, которые резко отклоняются от заданной нормы или среднего значения набора данных.

Обнаружение новизны (Novelty detection) – это статистический метод, используемый для определения новых или неизвестных данных и определения того, находятся ли эти новые данные в пределах нормы (выбросы) или за ее пределами. Обнаружение новизны является одним из основных требований для правильной системы классификации и машинного обучения.

Обновление параметров (Parameter update) – это операция настройки параметров модели во время обучения, обычно в рамках одной итерации градиентного спуска.

Обобщение (Generalization) – это способностm модели делать правильные прогнозы на новых, ранее неизвестных данных, а не на данных, используемых для обучения модели.

Обобщенная линейная модель (Generalized linear model) – эта модель позволяет анализировать как линейные, так и нелинейные эффекты для любого количества и типа предикторов с дискретной или непрерывной зависимой переменной.

Обработка больших объемов данных (Processing of large volumes of data) – это совокупность подходов, инструментов и методов автоматической обработки структурированной и неструктурированной информации, поступающей из большого количества различных, в том числе разрозненных или слабосвязанных, источников информации, в объемах, которые невозможно обработать вручную за разумное время.

Обработка естественного языка (Natural Language Processing NLP) – это подраздел информатики и AI, посвященный тому, как компьютеры анализируют естественные (человеческие) языки. NLP позволяет применять алгоритмы машинного обучения для текста и речи. [7070
  Обработка естественного языка [Электронный ресурс] //habr.com URL: https://habr.com/ru/company/Voximplant/blog/446738/ (дата обращения: 07.07.2022)


[Закрыть]]

Обработка естественного языка (Natural language processing) – это класс решений, направленных на понимание языка и генерацию текста, несущего смысл, а также общение на естественном языке при взаимодействии компьютера и человека.

Обработка изображений (Image processing) – это область прикладных научных исследований, связанных с анализом и обработкой цифровых изображений. Чётких границ между обработкой изображений, анализом изображений (image analysis) и техническим зрением (computer vision), а также, любые комплексные программные и/или аппаратные операции по компьютерной обработке (преобразованию) изображений, например повышение чёткости, коррекция цветов, сглаживание, уменьшение шумов и т. д.

Обработка компьютерного зрения (Computer vision processing) – это обработка изображений (сигналов) в системе компьютерного зрения, в системах компьютерного зрения – об алгоритмах (computer vision processing algorithms), процессорах (computer vision processing unit, CVPU), свёрточных нейронных сетях (convolutional neural network), которые применяются для обработки изображений и реализации зрительных функций в робототехнике, в системах реального времени (real-time system), системах интеллектуального видеонаблюдения (smart video surveillance) и др.

Обработка персональных данных (Processing of personal data) – это любое действие (операция) или совокупность действий (операций), совершаемых с использованием средств автоматизации или без использования таких средств с персональными данными, включая сбор, запись, систематизацию, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передачу (распространение, предоставление, доступ), обезличивание, блокирование, удаление, уничтожение персональных данных.

Обработка речи (Speech processing) – это изучение речевых сигналов и методов обработки сигналов. Сигналы обычно обрабатываются в цифровом представлении, поэтому обработку речи можно рассматривать как частный случай цифровой обработки сигналов, применяемый к речевым сигналам. Аспекты обработки речи включают получение, обработку, хранение, передачу и вывод речевых сигналов. Ввод называется распознаванием речи, а вывод называется синтезом речи.

Обратная цепочка (или обратное рассуждение) (Backward Chaining) – это метод вывода, который в просторечии описывается как работа в обратном направлении от цели. Он используется в автоматических средствах доказательства теорем, механизмах вывода, помощниках по доказательству и других приложениях искусственного интеллекта.

Обратное распространение во времени (Backpropagation through time) – это алгоритм обучения, используемый для обновления весов в повторяющихся нейронных сетях, и представляет собой применение алгоритма обучения Backpropagation к повторяющейся нейронной сети, применяемой к данным последовательности, таким как временной ряд.

Обратное распространение ошибки (Backpropagation) – это подход, который обычно используется в процессе обучения глубокой нейронной сети для уменьшения ошибок.

Обучение (Learning) в ИИ под обучением понимается машинное обучение – это методики анализа данных, которые позволяют аналитической системе обучаться в ходе решения множества сходных задач. Машинное обучение базируется на идее о том, что аналитические системы могут учиться выявлять закономерности и принимать решения с минимальным участием человека. [7171
  Обучение [Электронный ресурс] //en.wikipedia.org URL: https://en.wikipedia.org/wiki/Learning (дата обращения: 07.07.2022)


[Закрыть]]

Обучение без учителя (Unsupervised learning – Unsupervised learning) – это направление машинного обучения, работает с неразмеченными данными и работает без обратной связи.

Обучение в несколько кадров (Few-shot learning) – это тип метода машинного обучения, при котором обучающий набор данных содержит ограниченную информацию.

Обучение дерева решений (Decision tree learning) – это метод, используемый в интеллектуальном анализе данных. Его целью является создание модели, которая предсказывает значение целевой переменной, основываясь на некоторых входных переменных.

Обучение для обучения (Learning-to-Learn) – это новое направление в области машинного обучения, исследующее, как алгоритмы могут изменить способ их обобщения, анализируя свой собственный процесс обучения и совершенствуя его.

Обучение модели (Model training) – это этап жизненного цикла разработки науки о данных, на котором специалисты-практики пытаются подобрать наилучшее сочетание весов и смещений для алгоритма машинного обучения, чтобы минимизировать функцию потерь в диапазоне прогнозирования. Целью обучения модели является построение наилучшего математического представления взаимосвязи между признаками данных и целевой меткой (обучение с учителем) или между самими признаками (обучение без учителя).

Обучение модели действий (Action model learning) – это область машинного обучения, связанная с созданием и изменением знаний программного агента о последствиях и предварительных условиях действий, которые могут быть выполнены в его среде. Эти знания обычно представляются на языке описания действий, основанном на логике, и используются в качестве входных данных для автоматических планировщиков.

Обучение по сходству (Similarity learning) – это область контролируемого машинного обучения в области искусственного интеллекта. Оно тесно связано с регрессией и классификацией, но цель ее состоит в том, чтобы извлечь уроки из функции подобия, которая измеряет, насколько похожи или связаны два объекта.

Обучение признакам или обучение представлениям (Feature Learning) – это набор методов, предназначенных для автоматического обнаружения представлений, необходимых для обнаружения или классификации признаков из необработанных данных.

Обучение ранжированию или ранжирование с помощью машинного обучения (Learning-to-Rank) – это применение машинного обучения, обычно контролируемого, или обучения с подкреплением, при построении моделей для информационно– поисковых систем. Ранжирование является центральной частью многих задач поиска информации, таких как поиск документов, совместная фильтрация, анализ интернет-настроений, реклама.

Обучение с временной разницей (Temporal difference learning) – это класс методов обучения с подкреплением без использования моделей, которые обучаются путем самонастройки на основе текущей оценки функции ценности. Эти методы производят выборку из среды, например методы Монте-Карло, и выполняют обновления на основе текущих оценок, например методы динамического программирования.

Обучение с подкреплением (Reinforcement learning) – это обучение, основанное на вознаграждении, которое работает по системе обратной связи. Например: чат-бот определяет, какие ответы являются подходящими, на основе отзывов пользователей.

Обучение с учителем (Supervised learning) использует обучающий набор для обучения моделей получению желаемого результата. Этот обучающий набор данных включает в себя входные и правильные выходные данные, которые позволяют модели обучаться с течением времени. Алгоритм измеряет свою точность с помощью функции потерь, подстраиваясь до тех пор, пока ошибка не будет достаточно минимизирована. При интеллектуальном анализе данных контролируемое обучение можно разделить на два типа задач: классификация и регрессия.

Обучение, основанное на ошибках (Error-driven learning) – это тип обучения с подкреплением, подобласть машинного обучения, связанная с тем, как агент должен действовать в среде, чтобы свести к минимуму некоторую обратную связь об ошибках.

Обход графа (поиск по графу) (Graph traversal) – это переход от одной его вершины к другой в поисках свойств связей этих вершин. Такие обходы классифицируются по порядку посещения вершин. Обход дерева – это частный случай обхода графа.

Обход дерева (Tree traversal) – это форма обхода графа, которая относится к процессу посещения (проверки и/или обновления) каждого узла в древовидной структуре данных ровно один раз. Такие обходы классифицируются по порядку посещения узлов.

Общедоступная платформа (Public platform) – это информационная система для сбора, обработки, хранения и опубликования наборов данных, доступная в информационно-телекоммуникационной сети «Интернет».

Общее положение о защите данных (General Data Protection Regulation) – это постановление Европейской комиссии о защите данных в Европейском союзе. Это положение также регулирует поток персональных данных за пределы ЕС. Его главная цель – защитить частную жизнь граждан ЕС и унифицировать правила регулирования данных стран-членов ЕС. Его правила также будут применяться к полицейским и военным процедурам.

Общий игровой процесс (General game playing) – это разработка программ искусственного интеллекта, позволяющая успешно запускать и играть в более чем одну игру. Для многих игр, таких как шахматы, компьютеры запрограммированы так, чтобы играть в эти игры, используя специально разработанный алгоритм, который нельзя перенести в другой контекст. Например, компьютерная программа, играющая в шахматы, не может играть в шашки.

Общий ИИ (General AI, AGI) – это гипотетическая разновидность ИИ, полностью аналогичная человеческому разуму и обладающая самосознанием, способным решать проблемы, учиться и планировать будущее.

Общий Искусственный Интеллект (Artificial General Intelligence, AGI) – это гипотетическая разновидность ИИ, полностью аналогичная человеческому разуму и обладающая самосознанием, способным решать проблемы, учиться и планировать будущее.

Общий элемент данных (Common Data Element) – это инструмент для поддержки управления данными для клинических исследований.

Объединение в пул (Pooling) – процесс уменьшения матрицы, сгенерированной сверточным слоем, до матрицы меньшего размера.

Объектно-ориентированное программирование (ООП) (Object-oriented programming (OOP)) – это парадигма программирования, основанная на концепции классов и объектов. Класс – это абстрактный план, используемый для создания более конкретных конкретных объектов.

Объяснимый искусственный интеллект (Explainable artificial intelligence) – это набор процессов и методов, позволяющих пользователям понять, почему именно алгоритмы машинного обучения пришли к тем или иным результатам или выводам. Объяснимый ИИ применяется для описания модели ИИ, ее ожидаемого влияния и потенциальной предвзятости. Он помогает охарактеризовать точность, достоверность и прозрачность модели, предназначенной для принятия решений с помощью ИИ. Объяснимый ИИ играет важнейшую роль для повышения достоверности и надежности производственных моделей ИИ. Кроме того, объяснимость ИИ помогает организациям с большей ответственностью подходить к разработке ИИ.

Ограничение справедливости (Fairness constraint) – это применение ограничения к алгоритму для обеспечения соответствия одному или нескольким определениям справедливости.

Ограниченная машина Больцмана (Restricted Boltzmann machine RBM) – это генерирующая стохастическая искусственная нейронная сеть, которая может изучать распределение вероятностей по своему набору входных данных.

Ограниченное программирование (Сonstraint programming) – это парадигма программирования, в которой отношения между переменными устанавливаются в виде ограничений. Ограничения отличаются от обычных примитивов императивных языков программирования тем, что они не определяют шаг или последовательность шагов для выполнения, а скорее выявляют свойства решения, которое необходимо найти.

Ограниченные машины Больцмана (Restricted Boltzmann Machines RBM) -это генеративная стохастическая искусственная нейронная сеть, которая может изучать распределение вероятностей по набору входных данных.

Ограничивающая рамка (Bounding Box) – эта методика используется для маркировки изображений или видео. Это воображаемая рамка, нарисованная на визуализированной информации. Содержимое рамки помечается для распознавания ее как отдельного типа объекта.

Один против всех (One-vs.-all) – это метод мульти бинарной классификации. Для задачи классификации с N возможными решениями решение «один против всех» состоит из N отдельных бинарных классификаторов – по одному бинарному классификатору для каждого возможного результата. Во время обучения модель проходит через последовательность бинарных классификаторов, обучая каждый из них отвечать на отдельный вопрос классификации.

Одноразовое обучение (One-shot learning) – это задача классификации глубокого обучения, в которой модель учится сопоставлять переменные признаки и целевые переменные экземпляра с помощью всего одного обучающего примера.

Озеро данных (Data Lake) – это метод хранения данных системой или депозиторием в их натуральном (RAW) формате. [7272
  Data Lake [Электронный ресурс] // bigdataschool.ru URL: https://www.bigdataschool.ru/wiki/data-lake (дата обращения: 17.02.2022)


[Закрыть]]

ОЗУ ГП (GPU RAM) – оперативная память графического процессора.

Окружающая среда (Environment) – в обучении с подкреплением – это среда, которая содержит агента и позволяет агенту наблюдать за состоянием этого мира. Агент воздействует на среду, а среда воздействует на агента. Например, представленный мир может быть игрой, такой как шахматы, или физическим миром, таким как лабиринт. Когда агент применяет действие к среде, среда переходит из одного состояния в другое.

Окружающий интеллект (Ambient intelligence, AmI) – Окружающий интеллект представляет будущее видение интеллектуальных вычислений, в котором не требуются явные устройства ввода и вывода; вместо этого датчики и процессоры будут встроены в повседневные устройства, а среда будет легко адаптироваться к потребностям и желаниям пользователя. Системы AmI будут использовать контекстную информацию, собранную с помощью этих встроенных датчиков, и применять методы искусственного интеллекта (ИИ) для интерпретации и прогнозирования потребностей пользователей. Технология ориентирована на человека и проста в использовании.

Омики (Omics) – это суффикс, который может быть добавлен к ряду научных областей указывая на их масштабность: геномика, протеомика, транскриптомика, фармакогеномика, феномика. Омики – это новые комплексные подходы к анализу полных генетических или молекулярных профилей человека и других организмов.

Омофон (Homophone) – это слово или комбинация букв, которые звучат одинаково, но значение и написание у них может быть разное. Особенно богат омофонами британский английский язык, и основная сложность состоит в том, чтобы правильно определить на слух, какое слово было употреблено в том или другом предложении. В то же время, англичане не чувствуют дискомфорта из-за наличия в речи таких несоответствий. Наоборот, за последние десятилетия, в связи с ускорившимся технологическим прогрессом, количество новых слов, заимствованных или приобретенных варваризмов, подобных омофонов стало только больше. Поэтому тема об употреблении и правильном написании английских омофонов для неанглоязычных людей только усложнилась.

Омофоническая ошибка (Homophone error) – это ошибка, возникающая при компьютерном распознавании близких по звучанию, но различных по смыслу слов, например «лук» и «луг».

Онлайн машинное обучение (Online machine learning) – это комбинация различных методов машинного обучения, когда данные поступают в последовательном порядке, а учащийся (алгоритм/модель) стремится изучить и обновить лучший предсказатель для будущих данных на каждом этапе. Традиционные методы машинного обучения работают в пакетном режиме и имеют некоторые критические недостатки, такие как низкая эффективность с точки зрения временных и пространственных затрат; и плохая масштабируемость для крупномасштабных приложений, поскольку модель часто приходится переобучать с нуля для новых данных. Онлайн-обучение способно преодолеть недостатки автономного обучения, поскольку модели могут мгновенно обновляться при любом изменении данных. Поэтому онлайн-обучение гораздо более эффективно и масштабируемо для крупномасштабных учебных задач в реальных данных, аналитике и различных приложениях, где данные не только имеют большой размер, но и поступают с высокой скоростью.