Текст книги "Глоссариум по искусственному интеллекту: 2500 терминов"

Онлайн-вывод (вывод в реальном времени) (Online inference) – это процесс создания прогнозов машинного обучения в режиме реального времени по запросу. Он также известен как вывод в реальном времени или динамический вывод. Онлайн-вывод позволяет использовать преимущества моделей машинного обучения в режиме реального времени. Это открывает совершенно новое пространство приложений, которые могут извлечь выгоду из машинного обучения. Вместо того, чтобы часами или днями ждать, пока прогнозы будут сгенерированы в пакетном режиме, мы можем генерировать прогнозы, как только они потребуются, и сразу же предоставлять их пользователям. Онлайн-вывод также позволяет делать прогнозы для любых новых данных, например, генерировать рекомендации для новых пользователей при регистрации.

Операции с моделями (ModelOps, model operations), – это действия, как это определяет Gartner, «которые сосредоточены в первую очередь на управлении и управлении жизненным циклом широкого спектра операционых моделей искусственного интеллекта (ИИ) и моделей принятия решений, включая машинное обучение, графы знаний, правила, оптимизацию, лингвистические и агентные модели». «ModelOps лежит в основе любой корпоративной стратегии искусственного интеллекта». Он управляет жизненными циклами всех моделей, находящихся в производстве, по всему предприятию, от запуска модели до оценки и обновления результирующего приложения в соответствии с набором правил управления. правила, включая как технические, так и ключевые бизнес-показатели эффективности. Это дает экспертам в области бизнеса возможность оценивать модели ИИ в производстве, независимо от специалистов по обработке и анализу данных. ModelOps включает в себя MLOps, который представляет собой процесс управления моделями машинного обучения на протяжении всего их жизненного цикла в масштабе предприятия. ModelOps рассматривается как надмножество MLOps, которое относится к процессам, связанным с операционализацией и управлением моделями ИИ, используемыми в производственных системах. Преимущество ModelOps по сравнению с MLOps заключается в том, что MLOps фокусируется только на моделях машинного обучения, тогда как Modelops ориентирован на операционализацию всех моделей ИИ [7373
  Операции с моделями [Электронный ресурс] //habr.com URL: https://habr.com/ru/company/sas/blog/596655/ (дата обращения: 07.07.2022)


[Закрыть]].

Операционализация модели (ModelOps) – это набор технологий для автоматизации процессов вывода модели в промышленную эксплуатацию.

Оптимизатор (Optimizer) – это алгоритм или метод, используемый для минимизации функции ошибок (функции потерь) или для максимизации эффективности. Оптимизаторы – это математические функции, которые зависят от обучаемых параметров модели, т. е. весов и смещений. Оптимизаторы помогают узнать, как изменить веса и скорость обучения нейронной сети, чтобы уменьшить потери.

Оптимизация (Optimization) – это задача или процедура, направленная на поиск оптимальных решений целевой функции или функций при наличии ограничений. В математике, информатике, экономике или менеджменте математическая оптимизация – это выбор наилучшего элемента (по некоторым критериям) из некоторого набора доступных альтернатив.

Оптимизация множественного роя (Multi-swarm optimization) – это вариант оптимизации роя частиц (PSO), основанный на использовании нескольких вложенных роев вместо одного (стандартного) роя. Общий подход к оптимизации с несколькими роями заключается в том, что каждая подгруппа фокусируется на определенном регионе, в то время как конкретный метод диверсификации решает, где и когда запускать подгруппы. Структура мультироя особенно подходит для оптимизации мультимодальных задач, где существует несколько (локальных) оптимумов.

Оптимизация частиц роя (Particle swarm optimization (PSO)) – это вычислительный метод, мощный метаэвристический алгоритм оптимизации, вдохновленный поведением роя, наблюдаемым в природе, например стайкой рыб и птиц. PSO – это симуляция упрощенной социальной системы. Первоначальной целью алгоритма PSO было графическое моделирование изящной, но непредсказуемой хореографии птичьей стаи.

Оптимизированный для задач ИИ (AI-optimized) – это оптимизированный c помощью средств ИИ, например, AI-optimized chip – чип, оптимизированный для задач ИИ

Оптическое распознавание символов (Optical Character Recognition (OCR)) – технология автоматического анализа текста и превращения его в данные, которые может обработать компьютер. Человек распознает символы с помощью глаз и мозга. Компьютер использует камеру сканера, которая создает графическое изображение текстовой страницы. [7474
  Оптическое распознавание символов [Электронный ресурс] //update.megafon.ru URL: https://update.megafon.ru/post/ocr (дата обращения: 07.07.2022)


[Закрыть]]

Опыт воспроизведения (Experience replay) – В обучении с подкреплением – это опыт, используемый для уменьшения временных корреляций в обучающих данных. Агент сохраняет переходы между состояниями в буфере воспроизведения, а затем выбирает переходы из буфера воспроизведения для создания обучающих данных.

Организации-отраслевые чемпионы (Organizations-industry champions) – это компании, обладающие технологиями создания продуктов в рамках одного или нескольких приоритетных с точки зрения реализации Стратегии рынков, а также занимающие на данном рынке в России или в мире значительную долю в объеме продаж.

Осмысление (Sensemaking) – это процесс, посредством которого люди придают смысл своему коллективному опыту. Его определяют как непрерывное ретроспективное развитие правдоподобных образов, которые рационализируют то, что делают люди. Эта концепция была введена в организационные исследования Карлом Э. Вейком в 1970-х годах и повлияла как на теорию, так и на практику.

Оснащенное ИИ медицинское устройство (AI-enabled healthcare device) – это устройство с использованием ИИ для системы здравоохранения (медицинской помощи).

Оснащенный ИИ (AI-enabled) – это инструментальные средства с ИИ, с использованием ИИ, использующие ИИ.

Основная истина (истина с «земли») (Ground Truth) – это термин, используемый в различных областях для обозначения информации, предоставляемой прямым наблюдением, в отличие от информации, предоставляемой умозаключением.

Отбор (Selection) – это этап генетического алгоритма, на котором отдельные геномы выбираются из популяции для последующего размножения (с помощью оператора кроссовера).

Ответственный искусственный интеллект (Responsible AI) – это общий термин, обозначающий аспекты принятия надлежащих деловых и этических решений при внедрении ИИ, которые организации часто решают самостоятельно [7575
  Ответственный искусственный интеллект [Электронный ресурс] www.accenture.com URL: https://www.accenture.com/us-en/services/applied-intelligence/ai-ethics-governance#:~:text=Responsible%20AI%20is%20the%20practice,and%20scale%20AI%20with%20confidence. (дата обращения: 07.07.2022)


[Закрыть]].

Отзыв (Recall) – это показатель для моделей классификации, который отвечает на следующий вопрос: сколько из всех возможных положительных меток правильно идентифицировала модель?

Открытая библиотека искусственного интеллекта (Artificial Intelligence Open Library) – это набор алгоритмов, предназначенных для разработки технологических решений на основе искусственного интеллекта, описанных с использованием языков программирования и размещенных в сети «Интернет» (Национальная стратегия развития искусственного интеллекта на период до 2030 года).

Открытое программное обеспечение (ОПО) (Open-source software (OSS)) – это программное обеспечение с открытым исходным кодом. Тип компьютерного программного обеспечения, исходный код которого выпущен по лицензии, в которой владелец авторских прав предоставляет пользователям права на изучение, изменение и распространение программного обеспечения кому угодно и для любых целей. [7676
  Открытое программное обеспечение (ОПО) [Электронный ресурс] //ru.bmstu. wiki URL: https://ru.bmstu.wiki/OSS_(Open-Source_Software) (дата обращения: 07.07.2022)


[Закрыть]]

Открытые данные (Open data) – это информация, созданная в пределах своих полномочий государственными органами, их территориальными органами, органами местного самоуправления или организациями, подведомственными государственным органам, органам местного самоуправления, либо поступившая в указанные органы и организации, которая подлежит размещению в сети «Интернет» в формате, обеспечивающем ее автоматическую обработку в целях повторного использования без предварительного изменения человеком (машиночитаемый формат), и может свободно использоваться в любых соответствующих закону целях любыми лицами.

Открытый разум, здравый смысл (ОРЗС) (Open Mind Common Sense (OMCS)) – это проект искусственного интеллекта, основанный в медиа лаборатории Массачусетского технологического института (MIT), целью которого являлось создание и использование большой базы знаний здравого смысла на основе вклада многих тысяч людей в Интернете. Проект работал с 1999 по 2016 год.

Отладка (Debugging) – это процесс поиска и устранения ошибок (дефектов или проблем, препятствующих правильной работе) в компьютерных программах, программном обеспечении или системах. Тактика отладки может включать интерактивную отладку, анализ потока управления, модульное тестирование, интеграционное тестирование, анализ файла журнала, мониторинг на уровне приложения или системы, дампы памяти и профилирование. Многие языки программирования и средства разработки программного обеспечения также предлагают программы для отладки, известные как отладчики.

Отрицательный класс (Negative class) – это когда один класс называется положительным, а другой – отрицательным. Положительный класс – это то, что мы ищем, а отрицательный класс – это другое значение. Например, отрицательный класс в медицинском тесте может быть «не опухоль». Отрицательный класс в классификаторе электронной почты может быть «не спам».

Отсечение (Clipping) – это метод обработки, в частности, уменьшение значений до приемлемого уровня тех характеристик, которые превышают установленное максимальное значение, а также увеличение значений характеристик, которые меньше определенного минимального значения. Если несколько значений характеристик выходят за пределы установленного диапазона, то в этом случае можно отсечь все значения больше 60 и меньше 40 и приравнять их к пороговым значениям.

Отсечение (Pruning) – это использование алгоритма поиска для отсекания нежелательных решений проблемы в системе ИИ. Это уменьшает количество решений, которые может принять система ИИ.

Оффлайн обучение (автономное обучение) (Offline learning) – это упреждающий тип обучения, который может развиваться на основе оценки имеющихся в его распоряжении статических наборов данных. В мире машинного обучения автономное обучение относится к ситуациям, когда программа не работает и получает новую информацию в режиме реального времени.

Оценка (Scoring) – это часть рекомендательной системы, которая обеспечивает значение или ранжирование для каждого элемента, созданного на этапе генерации кандидатов.

Оценщик (Rater) – это человек, который ставит метки в примерах. Иногда его называют «аннотатор».

Очередь (Queue) – это операция TensorFlow, которая реализует структуру данных очереди. Обычно используется в вводе-выводе.

Очистка данных (Data Cleaning) – это процесс выявления и исправления ошибок, несоответствий данных с целью улучшения их качества, иногда классифицируется как составная часть интеллектуального анализа данных.

Ошибка аппроксимации (Approximation error) – это несоответствие между точным значением и некоторым приближением к нему.

«П»

Пакет (Batch) – это набор примеров, используемых в одном градиентном обновлении обучения модели.

Пакет Pandas (Pandas) – это пакет Python, который предоставляет быстрые, гибкие и выразительные структуры данных, предназначенные для того, чтобы сделать работу с «реляционными» или «помеченными» данными простой и интуитивно понятной. Он призван стать фундаментальным строительным блоком высокого уровня для практического анализа данных в реальном мире в Python. Кроме того, у него есть более широкая цель – стать самым мощным и гибким инструментом анализа/манипулирования данными с открытым исходным кодом, доступным на любом языке.

Пакет Radiomics (Radiomics) – это расширение CADx. Радиомика относится к извлечению и анализу большого количества расширенных количественных характеристик изображений с целью создания поддающихся анализу баз данных из радиологических изображений. Из чего можно сделать прогностические ассоциации между изображениями и выводами.

Пакетная нормализация (Batch Normalization) – это метод, который позволяет повысить производительность и стабилизировать работу искусственных нейронных сетей. Суть данного метода заключается в том, что некоторым слоям нейронной сети на вход подаются данные, предварительно обработанные и имеющие нулевое математическое ожидание и единичную дисперсию.

Панель TensorBoard (TensorBoard) – это панель инструментов, на которой отображаются сводки, сохраненные во время выполнения одной или нескольких программ TensorFlow. TensorBoard предоставляет визуализацию и инструменты, необходимые для экспериментов с машинным обучением такие как: отслеживание и визуализация таких показателей, как потери и точность, визуализация графа модели (операции и слои), просмотр гистограмм весов, смещений или других тензоров по мере их изменения во времени, проецирование вложений в пространство более низкой размерности, отображение изображений, текста и аудиоданных, профилирование программ TensorFlow и т. д. [7777
  Панель TensorBoard [Электронный ресурс] www.tensorflow.org URL: https://www.tensorflow.org/tensorboard (дата обращения: 07.07.2022)


[Закрыть]]

Параллелизм данных (Data parallelism) – этотермин, который определяет данные, которые относятся к сценариям, в которых одни и те же операции выполняется одновременно (то есть параллельно) для элементов в исходной коллекции или массиве. В параллельных операциях с данными исходная коллекция секционируется таким образом, чтобы несколько потоков могли одновременно работать в разных сегментах.

Параллелизм моделей (Model parallelism) – это способ масштабирования обучения модели на нескольких устройствах с разными фрагментами. Параллелизм моделей как форма распределенного машинного обучения машинного обучения – одно из решений для ускорения обучения нейронных сетей. Суть распределенного машинного обучения заключается в использовании нескольких графических процессоров для обучения. В распределенном машинном обучении есть два подхода: параллелизм моделей и параллелизм данных.

Параметр (Parameter) – это особый тип переменной в языке программирования, который используется для передачи информации между функциями или процедурами. Фактическая передаваемая информация называется аргументом. Также, – это переменная внутри модели, которая помогает ей делать прогнозы. Значение параметра может быть оценено с использованием данных, и обычно оно не устанавливается лицом, запускающим модель.

Парсер (Parser) – это алгоритм или программа для определения синтаксической структуры предложения или цепочки символов на каком-либо языке. По сути, это программа, которая анализирует структуру текста, ищет определенные шаблоны и извлекает/редактирует их на основе заранее установленных правил.

Передача информации, составляющей коммерческую тайну (Transfer of information constituting a trade secret) – это передача информации, составляющей коммерческую тайну и зафиксированной на материальном носителе, ее обладателем контрагенту на основании договора в объеме и на условиях, которые предусмотрены договором, включая условие о принятии контрагентом установленных договором мер по охране ее конфиденциальности.

Передискретизация (Oversampling) – это метод, применяемый для преобразования несбалансированных данных таким образом, чтобы они напоминали базовое распределение реальных данных.

Перекрёстная проверка (кросс-проверка, скользящий контроль) (Cross-Validation) – это метод оценки аналитической модели и её поведения на независимых данных. При оценке модели, имеющиеся в наличии данные разбиваются на k частей. Затем на k—1 частях данных производится обучение модели, а оставшаяся часть данных используется для тестирования. Процедура повторяется k раз; в итоге каждая из k частей данных используется для тестирования. В результате получается оценка эффективности выбранной модели с наиболее равномерным использованием имеющихся данных.

Переменная величина (Fluent) – это тип состояния, которое может со временем измениться.

Переобучение (Overfitting) – это концепция в науке о данных, которая возникает, когда статистическая модель точно соответствует своим обучающим данным. Когда это происходит, алгоритм, к сожалению, не может точно работать с невидимыми данными, что противоречит его цели. Обобщение модели на новые данные – это, в конечном счете, то, что позволяет нам ежедневно использовать алгоритмы машинного обучения для прогнозирования и классификации данных. Если переобучение или сложность модели приводят к переобучению, то логичным профилактическим ответом будет либо приостановить процесс обучения раньше, что также известно как «ранняя остановка», либо уменьшить сложность модели за счет исключения менее релевантных входных данных.

Пересечение по объединению (Intersection over union (IOU)) — это метрика оценки, используемая для измерения точности детектирования объектов в конкретном наборе данных. Так, это термин, используемый для описания степени перекрытия двух блоков. Используется в приложениях, связанных с обнаружением объектов, где мы обучаем модель выводить прямоугольник, который идеально подходит для объекта. [7878
  Пересечение по объединению [Электронный ресурс] www.pyimagesearch.com URL: https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/ (дата обращения: 07.07.2022)


[Закрыть]]

Пересечение признаков (Feature cross) – это синтетический признак, образованный путем скрещивания (взятия декартова произведения) отдельных бинарных признаков, полученных из категориальных данных или из непрерывных признаков посредством группирования.

Переходная система (Transition system) в теоретической информатике – это понятие, используемое при изучении вычислений. Она используется для описания потенциального поведения дискретных систем. Она состоит из состояний и переходов между состояниями, которые могут быть помечены метками, выбранными из набора; одна и та же метка может появляться более чем на одном переходе. Если набор меток является одноэлементным, система по существу не имеет меток, и возможно более простое определение, которое опускает метки.

Периферийное устройство (Peripheral device) – это аппаратура, которая позволяет вводить информацию в компьютер или выводить ее из него.

Персептрон (Perceptron) – это единица нейронной сети (искусственный нейрон), которая выполняет определенные вычисления для обнаружения функций или бизнес-аналитики во входных данных. Персептрон был представлен Фрэнком Розенблаттом в 1957 году. Он предложил правило обучения персептрона, основанное на исходном нейроне MCP. Также – это алгоритм контролируемого обучения бинарных классификаторов. Этот алгоритм позволяет нейронам изучать и обрабатывать элементы обучающего набора по одному за раз.

Персонализация (Personalization) – это настройка программных средств, сайтов, магазинов, рекламы и продуктов под конкретных пользователей или потребителей, на основе анализа данных об их индивидуальном поведении и интересах.

Персональные данные (Personal data) – это любая информация, относящаяся к прямо или косвенно определенному или определяемому физическому лицу (субъекту персональных данных).

Перспективные методы искусственного интеллекта (Promising methods of artificial intelligence) – это методы, направленные на создание принципиально новой научно-технической продукции, в том числе в целях разработки универсального (сильного) искусственного интеллекта (автономное решение различных задач, автоматический дизайн физических объектов, автоматическое машинное обучение, алгоритмы решения задач на основе данных с частичной разметкой и (или) незначительных объемов данных, обработка информации на основе новых типов вычислительных систем, интерпретируемая обработка данных и другие методы).

Планирование (Planning) – это процесс обдумывания действий, необходимых для достижения желаемой цели. Планирование основано на предвидении, фундаментальной способности мысленного путешествия во времени. Считается, что эволюция предусмотрительности, способности мыслить наперед, была главной движущей силой эволюции человека

Планирование ИИ (Automated planning and scheduling) – это задача поиска процедурного плана действий декларативно описанной системы для достижения ее целей при оптимизации общих показателей производительности. Автоматизированные планировщики находят преобразования, которые следует применить в каждом заданном состоянии, из возможных преобразований. В отличие от задачи классификации, планировщики дают гарантии качества решения.

Платформа Ayasdi (Ayasdi) – это платформа искусственного интеллекта масштаба предприятия, которая обеспечивает автоматизацию, необходимую для получения конкурентного преимущества за счет больших и сложных данных компании. Ayasdi поддерживает большое количество бизнес-аналитиков, специалистов по данным, конечных пользователей, разработчиков и операционных систем по всей организации, одновременно создавая, проверяя, используя и развертывая сложные анализы и математические модели в масштабе.

Платформа Dialogflow API.AI (Dialogflow API.AI) – это платформа, которая позволяет пользователям создавать уникальные для бренда взаимодействия на естественном языке для ботов, приложений, сервисов и устройств. Он включает инструменты понимания естественного языка для разработки уникальных сценариев разговора, разработки соответствующих действий и анализа взаимодействия с пользователями.

Платформа Google AI (Google AI) – это платформа автоматизации искусственного интеллекта, которая позволяет разработчикам машинного обучения, специалистам по обработке и анализу данных и инженерам данных быстро и экономично переводить свои проекты машинного обучения от идеи до производства и развертывания. Интегрированная цепочка инструментов AI Platform – от обработки данных до гибкости без привязки – помогает создавать и запускать собственные приложения для машинного обучения. Платформа AI поддерживает Kubeflow, платформу Google с открытым исходным кодом, которая позволяет создавать переносимые конвейеры машинного обучения, которые можно запускать локально или в Google Cloud без значительных изменений кода. И у вас будет доступ к передовым технологиям искусственного интеллекта Google, таким как TensorFlow, TPU и инструменты TFX, при развертывании приложений искусственного интеллекта в рабочей среде.

Платформа Infosys Nia (Infosys Nia) – это платформа искусственного интеллекта, основанная на знаниях. Он объединяет машинное обучение с глубокими знаниями организации для автоматизации и инноваций. Это позволяет предприятиям постоянно обновлять свои системные ландшафты. Nia с предложениями услуг Infosys AiKiDo значительно снижает стоимость обслуживания как физических, так и цифровых активов. Он объединяет знания и ноу-хау людей в фрагментированных и сложных системах и упрощает непрерывное обновление основных бизнес-процессов. Nia также позволяет компаниям предлагать новые, восхитительные возможности для пользователей, используя самые современные технологии. Платформа Infosys Nia является частью платформы Infosys Aikido.

Платформа KAI (KAI) – это диалоговая платформа искусственного интеллекта, на которой работают виртуальные помощники и умные боты для мобильных устройств, обмена сообщениями и носимых устройств. Боты и виртуальные помощники на базе KAI, созданные на основе отраслевого опыта, хорошо разбираются в любой форме бизнеса, будь то финансы, торговля или любая другая отрасль. KAI не требует программирования. KAI включает набор аналитических инструментов глубокого обучения для сбора и анализа данных, обучения моделей, тестирования и развертывания. Гибкая среда разработки KAI, созданная с нуля, включает в себя простой в интеграции API.

Платформа LightGBM (LightGBM) – это аббревиатура от Light Gradient Boosting Machine. Разработанная Microsoft и выпущенная в 2016 году, это платформа с открытым исходным кодом, которая используется для разработки моделей прогнозирования для программ машинного обучения. Фреймворк создает модели принятия решений в виде деревьев решений. LightGBM использует алгоритм на основе гистограммы, который ускоряет обучение и в то же время сокращает использование памяти. Дерево решений растёт по листам, что увеличивает точность результатов, достигаемых моделями. В дополнение к этому, LightGBM также предоставляет несколько алгоритмов параллельного обучения и простое построение гистограмм для разреженных функций.

Платформа MindMeld (MindMeld (Artificial Intelligence Platform) – это платформа, которая предоставляет диалоговый ИИ глубокого домена для поддержки нового поколения голосовых и чат-помощников.

Платформа Node (Node. js) – это платформа с открытым исходным кодом для работы с языком JavaScript, построенная на движке Chrome V8, одно из средств разработки клиентских приложений. Она позволяет писать серверный код для веб-приложений и динамических веб-страниц, а также программ командной строки. В основе платформы – событийно-управляемая модель с неблокирующими операциями ввода-вывода, что делает ее эффективной и легкой. [7979
  Платформа Node [Электронный ресурс] //blog.skillfactory.ru URL: https://blog.skillfactory.ru/glossary/node-js/ (дата обращения: 07.07.2022)


[Закрыть]]

Платформа Rainbird (Rainbird) – это платформа искусственного интеллекта, которая делает бизнес-операции более разумными. Это позволяет предприятиям создавать системы с возможностями принятия решений, подобными человеческим, что приводит к большей эффективности и повышению качества. Rainbird позволяет пользователям брать существующие человеческие знания о бизнесе и объединять их с данными компании для автоматизации работы с знаниями и предоставления консультационных систем, которые могут изменить способ взаимодействия сотрудников и клиентов компании друг с другом. Rainbird находится в авангарде технологий автоматизации умственного труда. Это мощная экосистема для реинжиниринга знаний, позволяющая компаниям автоматизировать работу и повышать производительность своих сотрудников.

Платформа Receptiviti (Receptiviti) – это платформа искусственного интеллекта, которая наделяет технологии искусственного интеллекта эмоциональным интеллектом, раскрывая психологию, личность, стиль принятия решений и эмоции пользователей в режиме реального времени. Receptiviti позволяет производителям ботов и специалистам по искусственному интеллекту наделить свои платформы эмоциональным интеллектом, чтобы они могли различать чувства, эмоции и стили мышления своих пользователей и использовать эти идеи для управления действиями, стилями общения и построения более прочных отношений и зависимостей пользователей.

Платформа TensorFlow (TensorFlow) – это сквозная платформа машинного обучения с открытым исходным кодом, которая помогает науке о данных разрабатывать и обучать модели машинного обучения (ML). Это особенно полезно для эффективного создания быстрых прототипов. Специалисты по обработке данных могут писать на любом языке, который им уже знаком, для обучения и развертывания моделей в облаке или локально. Первоначально TensorFlow был разработан исследователями и инженерами, работающими в команде Google Brain в рамках исследовательской организации Google Machine Intelligence, для целей проведения машинного обучения и исследований глубоких нейронных сетей.

Платформа Wipro HOLMES (Wipro HOLMES) – это платформа искусственного интеллекта с богатым набором услуг когнитивных вычислений для разработки цифровых виртуальных агентов, систем прогнозирования, автоматизации когнитивных процессов, приложений для визуальных вычислений, виртуализации знаний, робототехники и дронов. Wipro HOLMES разработан с использованием машинного обучения, обработки естественного языка, генетических алгоритмов и алгоритмов глубокого обучения, семантических онтологий, технологий распознавания образов и моделирования знаний, чтобы предоставить решения, которые обеспечивают когнитивное улучшение опыта и производительности, ускоряют процесс за счет автоматизации и на самой высокой стадии зрелости. достичь автономных способностей.

Платформа Wit.ai (Wit.ai) – это платформа искусственного интеллекта, которая позволяет разработчикам легко создавать приложения и устройства, которые пользователи компании могут использовать для общения или отправки текстовых сообщений. Видение Wit состоит в том, чтобы предоставить разработчикам открытую и расширяемую платформу естественного языка. Wit.ai изучает человеческий язык при каждом взаимодействии и использует сообщество: полученные знания передаются разработчикам.

Платформа многофункциональной разработки (Multi-experience development platform) – это продукт или набор продуктов, которые предлагают профессиональным разработчикам интегрированный набор интерфейсных инструментов разработки и внутренних сервисов, обеспечивающих масштабируемую разработку целевых приложений в цифровых точках соприкосновения.

Платформенные решения (Platform solutions) – это совокупность технологических решений, являющихся основой для создания широкого спектра конечных продуктов и услуг. К числу платформенных решений относятся: базы данных, языки программирования и проектирования, системы автоматизированного проектирования и т. д.

Платформы автоматизации искусственного интеллекта (Artificial Intelligence Automation Platforms) – это платформы, которые обеспечивают автоматизацию и масштабирование готовых к производству искусственного интеллекта. Платформы искусственного интеллекта предполагают использование машин для выполнения задач, которые выполняются людьми. Платформы имитируют когнитивные функции человеческого разума, такие как решение проблем, обучение, рассуждение, социальный интеллект, а также общий интеллект. Лучшие платформы искусственного интеллекта: Google AI Platform, TensorFlow, Microsoft Azure, Rainbird, Infosys Nia, Wipro HOLMES, Dialogflow, Premonition, Ayasdi, MindMeld, Meya, KAI, Vital AI, Wit, Receptiviti, Watson Studio, Lumiata, Infrrd.

Плотная функция (Dense feature) – это функция, в которой большинство значений отличны от нуля, обычно это тензор значений с плавающей запятой.

Плотный слой (Dense layer) – это скрытый слой, в котором каждый узел соединен с каждым узлом последующего скрытого слоя. Полностью взаимосвязанный слой также называется плотным слоем.

Площадь под кривой (AUC) (Area under curve) – это мера способности классификатора различать классы и используется как сводка кривой ROC.

Площадь под кривой между двумя точками вычисляется путем выполнения определенного интеграла. В контексте рабочей характеристики приемника для двоичного классификатора AUC представляет точность классификатора.

Чем выше AUC, тем лучше модель различает положительные и отрицательные классы.

Площадь под кривой ROC (The Area Under the ROC curve) – это показатель вероятности того, что классификатор будет более уверен в том, что случайно выбранный положительный пример действительно положительный, чем в том, что случайно выбранный отрицательный пример является положительным.