Текст книги "Глоссариум по искусственному интеллекту: 2500 терминов"

Поведение роя (Swarm behavior) с точки зрения разработчика математического моделирования – это эмерджентное поведение, возникающее из простых правил, которым следуют люди, и не требует какой-либо центральной координации.

Поверхность потерь (Loss surface) – это график зависимости веса от потерь. Градиентный спуск направлен на поиск веса (весов), для которого поверхность потерь имеет локальный минимум.

Повторное ранжирование (Re-ranking) – это заключительный этап рекомендательной системы, во время которого оцениваемые элементы могут быть повторно оценены в соответствии с каким-либо другим (обычно не ML) алгоритмом. При повторном ранжировании оценивается список элементов, созданных на этапе подсчета очков, и предпринимаются такие действия, как: Исключение предметов, которые пользователь уже приобрел и увеличение количества свежих предметов.

Пограничные вычисления (Edge Computing) – это подвид распределенных вычислений, в котором обработка информации происходит в непосредственной близости к месту, где данные были получены и будут потребляться (например, с помощью телефонов и других потребительских устройств).

Погрешность (Bias) – это систематическая тенденция, которая вызывает различия между результатами и фактами. Погрешность существует в цифрах процесса анализа данных, включая источник данных, выбранную оценку и способы анализа данных. Погрешность может серьезно повлиять на результаты, например, при изучении покупательских привычек людей. Если размер выборки недостаточно велик, результаты могут не отражать покупательские привычки всех людей. То есть могут быть расхождения между результатами опроса и фактическими результатами.

Поддержка принятия клинических решений (Clinical Decision Support) — это система решений представляет собой систему медицинских информационных технологий, предназначенную для предоставления врачам и другим специалистам в области здравоохранения поддержки принятия клинических решений, т. е. помощи в решении задач, связанных с принятием клинических решений.

Поиск по дереву Монте-Карло (Monte Carlo tree search) в информатике – это поиск по дереву Монте-Карло (MCTS) представляет собой эвристический алгоритм поиска для некоторых видов процессов принятия решений. Это метод, обычно используемый в играх для предсказания пути (ходов), который должна пройти игрок для достижения окончательного выигрышного решения.

Поиск пути (также прокладывание пути) (Pathfinding (Also pathing)) – это построение с помощью компьютерного приложения кратчайшего маршрута между двумя точками. Такой алгоритм – самый практичный вариант решения лабиринтов.

Поисковая система (Search engine) – это информационная система, осуществляющая по запросу пользователя поиск в сети «Интернет» информации определенного содержания и предоставляющая пользователю сведения об указателе страницы сайта в сети «Интернет» для доступа к запрашиваемой информации, расположенной на сайтах в сети «Интернет», принадлежащих иным лицам, за исключением информационных систем, используемых для осуществления государственных и муниципальных функций, оказания государственных и муниципальных услуг, а также для осуществления иных публичных полномочий, установленных федеральными законами.

Показатель подобия (Similarity measure) в алгоритмах – это показатель кластеризации, используемый для определения того, насколько похожи любые два примера.

Политика (Policy) – это стратегия, которую агент использует для достижения целей. Политика определяет действия, которые агент выполняет в зависимости от состояния агента и среды. Политика в обучении с подкреплением – направление машинного обучения, предназначенное для обучения агентов работе в среде, чтобы максимизировать их полезность для достижения целей.

Полносвязный слой (Fully connected layer) – это слой, выходные нейроны которого связаны со всеми входными нейронами. Нейроном здесь называется математическая модель искуственного нейрона, основанная на представлении о биологическом нейроне.

Полностью сверточная сеть (Fully Convolutional Network) – это сеть, состоящая только из сверточных слоев. FCN классифицирует изображения на уровне пикселей, тем самым решая проблему семантической сегментации на семантическом уровне.

Полный перебор (метод грубой силы) (Brute-force search) – это методика разрешения задач математиким путем рассмотрения всех возможных вариантов. Уровень сложности при полном переборе напрямую связан с количеством допустимых решений задачи. [8080
  Brute-force search [Электронный ресурс] // spravochnick.ru URL: https://spravochnick.ru/informatika/algoritmizaciya/algoritm_polnogo_perebora/ (дата обращения: 07.02.2022)


[Закрыть]]

Положительный класс (Positive class) — в бинарной классификации два возможных класса помечены как положительные и отрицательные. Положительный результатэто то, на что мы проверяем. Например, положительным классом в медицинском тесте может быть «опухоль». Положительным классом в классификаторе электронной почты может быть «спам».

Полуконтролируемое обучение (Semi-supervised learning) – это направление машинного обучения, находится между обучением учителем и обучением без учителя и хорошо работает с частично размеченными данными.

Полууправляемое обучение (Semi-supervised learning) – это обучение модели на данных, где некоторые обучающие примеры имеют метки, а другие – нет. Один из методов полуконтролируемого обучения состоит в том, чтобы вывести метки для немаркированных примеров, а затем обучиться на предполагаемых метках для создания новой модели. Полууправляемое обучение может быть полезным, если получение меток обходится дорого, а немаркированные примеры многочисленны.

Помеченный пример (Labeled example) – это пример в наборе данных, который имеет метку. Пример: если в наборе данных описываются хот-доги и их приправы, то каждый хот-дог будет является примером, а приправа – меткой. [8181
  Помеченный пример [Электронный ресурс] //cnvrg.io URL: https://cnvrg.io/wiki/labeled-example/ (дата обращения: 07.07.2022)


[Закрыть]]

Понимание естественного языка (Natural language understanding NLU) – это технологии, лежащие в основе многих самых популярных на сегодняшний день языковых приложений, охватывающих самые разные отраслевые области от интерактивных диалоговых агентов до анализа тональности и прогнозирования поисковых запросов. (NLU) помогает компьютерам извлекать и понимать информацию из естественных человеческих разговоров.

Понимание естественного языка (Natural-language understanding) – это обработка высказываний на человеческом языке (естественный язык, а не язык программирования) для извлечения смысла и соответствующего ответа. Обработка требует как синтаксических знаний о соответствующем языке, так и семантических знаний об отношениях между высказыванием и его значением, обычно в базе знаний, содержащей внутреннее представление мира. Грамматические и семантические правила используются для анализа высказывания в логические формулы или семантические сети, где смысловое представление может использоваться системой рассуждений.

Понимание речи (Speech understanding) – это обработка речи, которая включает преобразование акустического сигнала, обычно полученного из какой-либо формы системы распознавания речи, в некоторую форму абстрактного значения речи.

Порог классификации (Classification threshold) – этот показатель позволяет определить точку отсечения для классификации наблюдений. Наблюдения с предсказанными значениями больше порога отсечения классификации, классифицируются как положительные, а с предсказанными значениями меньше порога отсечения – как отрицательные.

Порог принятия решения (Decision threshold) – этот показатель позволяет определить точку отсечения для классификации наблюдений. Наблюдения с предсказанными значениями больше порога отсечения классификации, классифицируются как положительные, а с предсказанными значениями меньше порога отсечения – как отрицательные.

Последовательная (непротиворечивая) эвристика (Сonsistent heuristic) – это эвристическая функция в искусственном интеллекте, которая оценивается всегда меньше или равной расчетному расстоянию от любой соседней вершины до цели, плюс стоимость пути до этой соседней вершины.

Поставщик ИИ (AI vendor) – это поставщик средств (систем, решений) ИИ.

Постобработка (Post-processing) — это обработка вывода модели после запуска модели. Ее можно использовать для обеспечения соблюдения ограничений справедливости без изменения самих моделей. Например, можно применить постобработку к двоичному классификатору, установив порог классификации таким образом, чтобы поддерживалось равенство возможностей для некоторого атрибута, путем проверки того, что истинная положительная частота одинакова для всех значений этого атрибута.

Постчеловек (Posthuman) – это конечная цель Трансгуманистов. Представляет собой человека, модифицированного при помощи научных методов и технологий с целью расширения его возможностей. Предполагается, что постчеловек, будучи наполовину человеком, наполовину машиной, сможет бегать намного быстрее, видеть в темноте, легко переносить боль, обладать более высоким интеллектом, противостоять болезням и даже смерти. В некотором смысле мы уже сейчас можем «ремонтировать» людей благодаря «умным» протезам, которые не перестают совершенствоваться. Создание искусственных наружных скелетов, используемых в военной отрасли, и другие разработки шаг за шагом приближают человечество к этой цели.

Потери петель (потери шарниров) (Hinge loss) – это семейство функций потерь для классификации, предназначенное для нахождения границы решения как можно дальше от каждого обучающего примера, что позволяет максимально увеличить разницу между примерами и границей.

Правила обучения ассоциации (Association Rule Learning) – эти правила отражают взаимозависимость и корреляцию между вещью и другими вещами. Это важная технология для интеллектуального анализа данных. Она используется для извлечения корреляции между ценными элементами данных из большого объема данных.

Предварительная обработка (Preprocessing) – это процесс преобразования необработанных данных в более понятный формат.

Предварительно обученная модель (Pre-trained model) – это модель или компоненты модели (например, вложения), которые уже прошли обучение.

Предварительно обученные языковые модели (Pretrained Language Models) – это большие нейронные сети, которые используются в самых разных задачах. Они работают в соответствии с парадигмой предварительной подготовки и тонкой настройки: модели сначала предварительно обучаются на большом текстовом корпусе, а затем настраиваются для последующей задачи. Предварительно обученные языковые модели считаются хорошими языковыми кодировщиками, предоставляющими базовые возможности понимания языка, которые можно легко использовать для многих последующих задач.

Предварительное моделирование (Upfront simulation) – это моделирование, например, заказных микросхем до их выпуска.

Предвзятость автоматизации (Automation bias) – это склонность человека, принимающего решение, чрезмерно полагаться на автоматизацию, нежели на свой личный опыт, даже с учетом того, что система может допускать ошибки.

Предвзятость выбора (Selection bias) – это ошибки в выводах, сделанных на основе выборочных данных из-за процесса отбора, который создает систематические различия между выборками, наблюдаемыми в данных, и теми, которые не наблюдались.

Предвзятость групповой атрибуции (Group attribution bias) – это предположение, что то, что верно для отдельного человека, верно и для всех в этой группе. Эффект групповой атрибуции может усугубиться, если для сбора данных используется удобная выборка. В нерепрезентативной выборке могут быть сделаны атрибуции, не отражающие действительности.

Предвзятость ответа (Non-response bias) – это общий термин, обозначающий широкий спектр склонностей участников к неточному или ложному ответу на вопросы. Предвзятость ответов искусственного интеллекта является одной из проблем, хотя теоретически машина нейтральна и ей не свойственна необъективность, в последнее время были зафиксированы случаи, показывающие, что даже алгоритмы могут иметь пристрастия. [8282
  Предвзятость ответа [Электронный ресурс] //wek.ru URL: https://wek.ru/predvzyatost-iskusstvennogo-intellekta-mozhet-privesti-k-pagubnym-posledstviyam (дата обращения: 07.07.2022)


[Закрыть]]

Предвзятость подтверждения (Склонность к подтверждению своей точки зрения, Confirmation Bias) – это тенденция человека искать и интерпретировать такую информацию или отдавать предпочтение такой информации, которая согласуется с его точкой зрения, убеждением или гипотезой. Разновидность когнитивного искажения и систематической ошибки индуктивного мышления. Также – это стереотипы, предубеждения или фаворитизм по отношению к некоторым вещам, людям или группам по сравнению с другими. Термин AI bias можно перевести как «необъективность ИИ» или «пристрастность ИИ». Причина столь высокого интереса к AI bias объясняется тем, что результаты внедрения технологий ИИ в ряде случаев задевают основные ценности современного общества. [8383
  https://te-st.ru/2019/11/29/why-is-artificial-intelligence-biased/


[Закрыть]] Они проявляются в нарушении таких важных принципов, как расовое и гендерное равенства. IT-специалисты рекомендуют проверять данные, поступающие в системы ИИ, чтобы они не содержали «исторического предубеждения против определенных групп».

Предвзятость сообщения (Reporting bias) – это тот факт, что частота, с которой люди пишут о действиях, результатах или свойствах, не является отражением их частоты в реальном мире или степени, в которой свойство характерно для класса людей. Предвзятость в отчетности может повлиять на состав данных, из которых учатся системы машинного обучения. Например, в книгах чаще встречается слово «смеялся», чем «дышал». Модель машинного обучения, которая оценивает относительную частоту смеха и дыхания по книжному тексту, вероятно, определит, что смех встречается чаще, чем дыхание.

Предвзятость участия (Participation bias) – это явление, при котором результаты выборов, исследований, опросов и т. д. становятся нерепрезентативными, поскольку участники непропорционально обладают определенными характеристиками, влияющими на результат. Эти черты означают, что выборка систематически отличается от целевой совокупности, что может привести к необъективным оценкам.

Предвзятость экспериментатора (Experimenter’s bias) – это тенденция тестировщика искать и интерпретировать информацию или отдавать предпочтение той или иной информации, которая согласуется с его точкой зрения, убеждением или гипотезой. Разновидность когнитивного искажения и систематической ошибки индуктивного мышления.

Предиктивная аналитика (Predictive analytics) – это ветвь расширенной аналитики, которая делает прогнозы будущих результатов, используя исторические данные в сочетании со статистическим моделированием, методами интеллектуального анализа данных и машинным обучением. Компании используют прогнозную аналитику, чтобы найти закономерности в этих данных для выявления рисков и возможностей. [8484
  Предиктивная аналитика [Электронный ресурс] www.ibm.com URL: https://www.ibm.com/analytics/predictive-analytics#:~:text=Predictive%20analytics%20is%20a%20branch,to%20identify%20risks%20and%20opportunities. (дата обращения: 07.07.2022)


[Закрыть]].

Предиктивная аналитика (Predictive analytics) Сочетая интеллектуальный анализ данных и машинное обучение, этот тип аналитики предназначен для прогнозирования того, что произойдет в течение заданного периода времени, на основе исторических данных и тенденций.

Предоставление информации (Provision of information) – это действия, направленные на получение информации определенным кругом лиц или передачу информации определенному кругу лиц.

Представление (Performance) – это термин со следующими значениями: Традиционное – Насколько быстро (или эффективно) работает эта часть программного обеспечения? Значение в машинном обучении – Насколько правильна эта модель? То есть, насколько хороши прогнозы модели.

Представление знаний (Knowledge representation) – это область искусственного интеллекта, предназначенная для представления информации о мире в форме, которую компьютерная система может использовать для решения сложных задач, таких как диагностика состояния здоровья или ведение диалога на естественном языке. Представление знаний включает в себя выводы из психологии о том, как люди решают проблемы и представляют знания, чтобы разработать формализмы, которые облегчат проектирование и создание сложных систем. Представление знаний и рассуждения также включают результаты логики для автоматизации различных видов рассуждений, таких как применение правил или отношения множеств и подмножеств.

Представления двунаправленного кодировщика от трансформаторов (Bidirectional Encoder Representations from Transformers) – это метод предварительного обучения НЛП, разработанный Google. BERT был создан и опубликован в 2018 году Якобом Девлином и его коллегами из Google. Google использует BERT, чтобы лучше понимать поисковые запросы пользователей.

Сложная задача обработки естественного языка (NLP) – более эффективно полностью понять контекст человеческого языка. Красота модели BERT заключается в том, что она изучает текстовое представление с обоих направлений, чтобы лучше понять контекст и взаимосвязь. В отличие от других моделей, которые смотрели на данные слева направо или справа налево.

Предыдущее убеждение (Prior belief) – это то, что вы думаете о данных до того, как начнете обучение на них. Например, регуляризация L2 опирается на априорное убеждение, что веса должны быть небольшими и нормально распределяться вокруг нуля.

Преобразование Адамара (Hadamard transform) – это обратимое преобразование битовых строк, используемое в криптографии для обеспечения диффузии при шифровании [8585
  Преобразование Адамара [Электронный ресурс] //en.wikipedia.org URL: https://en.wikipedia.org/wiki/Pseudo-Hadamard_transform (дата обращения: 07.07.2022)


[Закрыть]].

Преобразование Фурье (Fourier transform) – это операция, сопоставляющая одной функции вещественной переменной другую функцию, вообще говоря, комплексной переменной [8686
  Преобразование Фурье [Электронный ресурс] //en.wikipedia.org URL: https://ru.wikipedia.org/wiki/%D0%9F%D1%80%D0%B5%D0%BE%D0%B1%D1%80%D0%B0%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%A4%D1%83%D1%80%D1%8C%D0%B5 (дата обращения: 07.07.2022)


[Закрыть]].

Признак (функция) (Feature (Feature Selection, Feature Learning)) – это переменная, которая используется в качестве входных данных для модели. В машинном обучении и распознавании образов – это отдельное измеримое свойство или характеристика явления.

Признаковое описание объекта (Feature vector) – это вектор, который составлен из значений, соответствующих некоторому набору признаков для данного объекта.

Пример (Example) – это одна строка набора данных. Пример содержит одну или несколько функций и, возможно, метку.

Принцип мозаичности (Mosaic principle) – это принцип, следуя которому процессоры масштабируются за счет мозаичности ядер, а системы – за счет мозаичности процессоров.

Принцип рациональности (Principle of rationality) – это принцип, сформулированный Карлом Р. Поппером в его Гарвардской лекции 1963 года. Согласно принципу рациональности Поппера, агенты действуют наиболее адекватно в понятной ситуации. Это идеализированная концепция человеческого поведения, которую он использовал в своей модели ситуационного анализа.

Приобретение знаний (Knowledge acquisition) – это процесс приобретения и хранения новой информации в памяти, успех которого часто измеряется тем, насколько хорошо эта информация впоследствии может быть извлечена из памяти. Процесс хранения и извлечения информации в значительной степени зависит от представления и организации информации. Полезность знаний также зависит от того, как структурирована информация. [8787
  Приобретение знаний [Электронный ресурс] //education.stateuniversity.com URL: https://education.stateuniversity.com/pages/2165/Learning-KNOWLEDGE-ACQUISITION-REPRESENTATION-ORGANIZATION.html (дата обращения: 07.07.2022)


[Закрыть]]

Приоритеты научно-технологического развития Российской Федерации (Priorities of scientific and technological development of the Russian Federation) – это важнейшие направления научно-технологического развития государства, в рамках которых создаются и используются технологии, реализуются решения, наиболее эффективно отвечающие на большие вызовы, и которые обеспечиваются в первоочередном порядке кадровыми, инфраструктурными, информационными, финансовыми и иными ресурсами.

Проблема булевой выполнимости (также пропозициональная проблема выполнимости; сокращенно SATISFIABILITY или SAT) (Boolean satisfiability problem) – это проблема поиска существующей интерпретации, которая удовлетворяет заданную булевую формулу. Другими словами, спрашивается, можно ли последовательно заменить переменные данной логической формулы значениями «True» или «False» таким образом, чтобы формула оценивалась как «True». Если это возможно, то формула называется выполнимой. Если условия выполнить невозможно, то формула оценивается как «False» и является невыполнимой.

Проблема взрывающегося вектора (Exploding gradient problem) – это тенденция векторов в глубокой нейронной сети (особенно в рекуррентных нейронных сетях) становиться неожиданно крутыми (иметь большой угол наклона). Крутые вектора приводят к большим обновлениям весов каждого узла в глубокой нейронной сети. Модели, страдающие от проблемы взрывающегося градиента, становятся трудными или невозможными для обучения.

Проблема квалификации (Qualification problem). В философии и искусственном интеллекте (особенно в системах, основанных на знаниях) – это проблема квалификации связана с невозможностью перечислить все предварительные условия, необходимые для того, чтобы действие в реальном мире имело ожидаемый эффект.

Проблема фреймов (Frame problem) – это проблема поиска адекватных наборов аксиом для жизнеспособного описания среды роботов. Она ставит вопрос о том, как описать изменяющийся под влиянием действий мир так, чтобы не упустить никаких причинных связей, но и не считать все в мире ежесекундно меняющимся.

Проблема остановки (Halting problem) – это одна из проблем в теории алгоритмов. Завершит ли данная программа выполнение или продолжится вечно. В теории вычислимости, проблема остановки – это проблема определения на основе описания произвольной компьютерной программы и входных данных, завершит ли программа выполнение или продолжит выполнение бесконечно. [8888
  Проблема остановки [Электронный ресурс] //360wiki.ru URL: https://360wiki.ru/wiki/Halting_problem (дата обращения: 07.07.2022)


[Закрыть]]

Проверка модели (Model checking) – это тестирование модели или проверка свойств, для данной модели системы исчерпывающая и автоматическая проверка того, соответствует ли эта модель заданной спецификации. В машинном обучении программист обычно вводит данные, а логика разрабатывается машиной. Особенно это касается глубокого обучения. Поэтому цель тестирования машинного обучения состоит, прежде всего, в том, чтобы гарантировать, что эта изученная логика останется последовательной, независимо от того, сколько раз мы запускаем программу.

Проверка сведений о мероприятии по информатизации (Verification of information about the informatization event) – это проверка, осуществляемая Министерством цифрового развития, связи и массовых коммуникаций Российской Федерации в соответствии с Положением (утвержденным Постановлением №1646 «О мерах по обеспечению эффективности мероприятий по использованию информационно-коммуникационных технологий в деятельности федеральных органов исполнительной власти и органов управления государственными внебюджетными фондами») посредством федеральной государственной информационной системы координации информатизации.

Прогноз (Prediction) – предполагаемый результат обученной модели, на основании входящих данных.

Прогностическая четность (Predictive parity) – метрика справедливости, которая проверяет, являются ли для данного классификатора коэффициенты точности эквивалентными для рассматриваемых подгрупп. Прогностическую четность иногда называют прогнозируемым паритетом скорости.

Прогностические системы (Predictive systems) – это системы, улавливающие взаимосвязи между переменными в наборах данных за прошлые периоды и их итогами. Конвергенция программного обеспечения для машинного обучения (ML), цифровой обработки языка (DLP), анализа настроений и технологии массивного облачного хранения позволяет современным специалистам использовать программы под управлением ИИ для анализа исторических данных за годы и сравнивать их с текущими событиями в реальном времени. Этот анализ можно постараться сделать полностью свободным от человеческих эмоций и предубеждений.

Программа AlphaGo (AlphaGo) – это программа для игры в го на основе технологий ИИ. AlphaGo использует методы, применяемые для распознавания образов, оценки позиции и выбора наиболее выгодных ходов для данной позиции – глубинное обучение с помощью свёрточных нейронных сетей для организации двух нейронных сетей: стратегической сети (англ. policy network), которая помогает сократить число рассматриваемых ходов в каждой позиции, и оценочной сети (англ. value network), она помогает оценить позицию, не просматривая игру до конца.

Для оценки сил программы, создатели организовали турнир между AlphaGo и лучшими свободными и коммерческими программами для игры в го (Crazy Stone, Zen, Pachi, Fuego), которые использовали метод Монте-Карло, и GnuGo, которая была лучшей свободной программой до использования метода Монте-Карло. AlphaGo выиграла 494 матча из 495.

Программа Darkforest (Darkforest) – это компьютерная программа, основанная на методах глубокого обучения с использованием сверточной нейронной сети. Его обновленная версия Darkforest2 сочетает в себе методы своего предшественника с поиском по дереву Монте-Карло. MCTS эффективно использует методы поиска по дереву, обычно встречающиеся в компьютерных шахматных программах, и рандомизирует их. После обновления система стала называться Darkforest3.

Программирование на естественном языке (Natural language programming) – это способ программирования с помощью предложений на естественном разговорном языке. Структурированный документ с контентом, разделами и подразделами для объяснения предложений образует документ, который на самом деле является компьютерной программой. Естественные языки и пользовательские интерфейсы на естественном языке включают Inform 7, естественный язык программирования для создания интерактивной художественной литературы, Шекспир – эзотерический естественный язык программирования в стиле пьес Уильяма Шекспира и Wolfram Alpha, вычислительная машина знаний, использующая ввод на естественном языке. [8989
  Программирование на естественном языке [Электронный ресурс] //livepcwiki.ru URL: https://livepcwiki.ru/wiki/Natural-language_programming (дата обращения: 07.07.2022)


[Закрыть]]

Программирование набора ответов (Answer set programming) – это форма декларативного программирования, ориентированная на сложные (в основном NP-сложные) задачи поиска. Оно основано на семантике стабильной модели (набора ответов) логического программирования. ASP задачи поиска сводятся к вычислению устойчивых моделей, а для выполнения поиска используются решатели наборов ответов – программы для создания устойчивых моделей.

Программируемость (Programmability) – это способность «быстрого старта» разработки приложений с помощью специализированного программного обеспечения и фреймворков.

Программируемые вентильные матрицы (Field Programmable Gate Arrays) – это реконфигурируемая цифровая схема, которая содержит набор программируемых логических блоков и реконфигурируемую иерархию соединений.

Программная инженерия (Software engineering) – это применение инженерии в разработке программного обеспечения систематическим методом.

Программное обеспечение (Software) – это совокупность программ, обеспечивающих функционирование компьютеров и решение с их помощью задач предметных областей.

Программный агент (Software agent) – это компьютерная программа, которая действует от имени пользователя или другой программы в агентских отношениях. Такие «действия от имени» подразумевают определенный круг полномочий.

Проект OpenCog (OpenCog) – это проект, целью которого является создание инфраструктуры (платформы искусственного интеллекта) для разработки систем с открытым исходным кодом. OpenCog Prime – это архитектура для роботизированного и виртуального воплощенного познания, которая определяет набор взаимодействующих компонентов, предназначенных для создания эквивалентного человеку общего искусственного интеллекта (AGI) как возникающего феномена всей системы.

Проектирование механизмов (Mechanism design) – это область экономики и теории игр, которая использует инженерный подход к разработке экономических механизмов или стимулов для достижения желаемых целей в стратегических условиях, когда игроки действуют рационально. Поскольку она начинается в конце игры, а затем идет в обратном направлении, ее также называют обратной теорией игр. Она имеет широкое применение, от экономики и политики (рынки, аукционы, процедуры голосования) до сетевых систем (междоменная маршрутизация в Интернете, спонсируемые поисковые аукционы). [9090
  Проектирование механизмов [Электронный ресурс] www.investopedia.com URL: https://www.investopedia.com/terms/m/mechanism-design-theory.asp (дата обращения: 07.07.2022)


[Закрыть]]

Производственная система (Production system) – это компьютерная программа, обычно используемая для обеспечения той или иной формы искусственного интеллекта, которая состоит в основном из набора правил поведения, но также включает механизм, необходимый для следования этим правилам, поскольку система реагирует на состояния среды. Эти правила являются базовым представлением, полезным в автоматизированном планировании, экспертных системах и выборе действий.

Прокси (Proxy) – это атрибут, используемый в качестве замены для конфиденциального атрибута. Например, почтовый индекс человека может использоваться в качестве косвенного показателя его дохода, расы или этнической принадлежности.

Прокси-метки (Proxy labels) – это данные, используемые для аппроксимации меток, не доступных напрямую в наборе данных.

Прокторинг (Proctoring) – это процедура наблюдения и контроля за дистанционным испытанием.

Пролог (Prolog) – это язык логического программирования, связанный с искусственным интеллектом и вычислительной лингвистикой. Пролог берет свое начало в логике первого порядка, формальной логике и задуман как язык декларативного программирования: логика программы выражается в терминах отношений, представленных в виде фактов и правил. Вычисление инициируется выполнением запроса по этим отношениям.

Промышленные роботы (Industrial robots) – это производственные системы, обладающие тремя или более степенями подвижности (свободы), построенные на основе сенсоров и искусственного интеллекта, способные воспринимать окружающую среду, контролировать свои действия и адаптироваться к ее изменениям.

Промышленный Интернет вещей (индустриальный Интернет, Industrial Internet of Things) – это концепция построения информационных и коммуникационных инфраструктур на основе подключения к сети «Интернет» промышленных устройств, оборудования, датчиков, сенсоров, систем управления технологическими процессами, а также интеграции данных программно-аппаратных средств между собой без участия человека.

Пространственно-временные рассуждения (Spatial-temporal reasoning) – это область искусственного интеллекта, основанная на компьютерных науках, когнитивных науках и когнитивной психологии. Теоретическая цель – с когнитивной стороны – включает в себя представление и обоснование пространственно-временных знаний в уме. Прикладная цель – со стороны вычислений – включает разработку высокоуровневых систем управления автоматами для навигации и понимания времени и пространства.

Профессиональное общество Института инженеров по электротехнике и электронике (Computational Intelligence Society IEEE) – это общество занимается теорией, дизайном, применением и развитием биологически и лингвистически мотивированных вычислительных парадигм с упором на нейронные сети, коннекционистские системы, генетические алгоритмы, эволюционные программирование, нечеткие системы и гибридные интеллектуальные системы, в которых содержатся эти парадигмы. Общество было сформировано как Совет по нейронным сетям IEEE 17 ноября 1989 года с участием представителей 12 различных обществ IEEE. 21 ноября 2001 г. Совет по нейронным сетям IEEE стал Обществом нейронных сетей IEEE. В ноябре 2003 года оно сменило название на IEEE. [9191
  Профессиональное общество Института инженеров по электротехнике и электронике [Электронный ресурс] //wiki.loginom.ru URL: https://wiki.loginom.ru/articles/hyperparameters.html (дата обращения: 07.07.2022)


[Закрыть]]