Глоссариум по искусственному интеллекту: 2500 терминов. Том 1

Информационная система (Information system) – это совокупность содержащейся в базах данных информации и обеспечивающих ее обработку информационных технологий и технических средств.

Информационная сфера(Information Sphere) – это совокупность информации, объектов информатизации, информационных систем, сайтов в информационно-телекоммуникационной сети Интернет, сетей связи, информационных технологий, субъектов, деятельность которых связана с формированием и обработкой информации, развитием и использованием этих технологий, обеспечивающих информационную безопасность, а также комплекс механизмов регулирования соответствующих общественных отношений

Информационная эффективность (Information efficiency) – это эффективность по отношению к априорным предпосылкам и приобретаемому опыту. Оценка информационной эффективности уже заложена в формулу Шолле, оценивающую интеллект.

Информационное общество (Information society) – это общество, в котором информация и уровень ее применения и доступности кардинальным образом влияют на экономические и социокультурные условия жизни граждан.

Информационное пространство (Information space) – это совокупность информационных ресурсов, созданных субъектами информационной сферы, средств взаимодействия таких субъектов, их информационных систем и необходимой информационной инфраструктуры.

Информационно-коммуникационные технологии (Information and communication technologies) – это совокупность информационных технологий, информационных систем и информационно-телекоммуникационных сетей, необходимых для реализации полномочий государственных органов и обеспечения их деятельности.

Информационные технологии (Information technologies) – это процессы, методы поиска, сбора, хранения, обработки, предоставления, распространения информации и способы осуществления таких процессов и методов.

Информацио?нный по?иск (Information Retrieval) – это процесс поиска неструктурированной документальной информации, удовлетворяющей информационные потребности, и наука об этом поиске. Информационный поиск связан с хранением, представлением и поиском информации, относящейся к конкретной проблеме пользователя. Ищущий информацию формулирует запрос, который сравнивается с представлениями документа. Пользователям предоставляются максимально похожие документы, которые могут быть актуальными по отношению к запросу на поиск информации.

Информация (Information) – это сведения (сообщения, данные) независимо от формы их представления.

Информация, составляющая коммерческую тайну (Information constituting a commercial secret) – это сведения любого характера (производственные, технические, экономические, организационные и другие), в том числе о результатах интеллектуальной деятельности в научно-технической сфере, а также сведения о способах осуществления профессиональной деятельности, которые имеют действительную или потенциальную коммерческую ценность в силу неизвестности их третьим лицам, к которым у третьих лиц нет свободного доступа на законном основании, и в отношении которых обладателем таких сведений введен режим коммерческой тайны.

Информированный поиск (также эвристический поиск) (Heuristic search techniques) – это стратегия поиска решений в пространстве состояний, в которой используются знания, относящиеся к конкретной задаче. Эвристическая функция на каждом шаге перебора оценивает альтернативы на основании дополнительной информации с целью принятия решения о том, в каком направлении следует продолжать перебор.

Инфраструктура ИИ (AI infrastructure) – это инфраструктура системы искусственного интеллекта, ИИ-инфраструктура, например, AI infrastructure research – исследования в области ИИ-инфраструктур

Искусственная жизнь (Artificial life) – это междисциплинарная область науки, изучающая вопросы создания, по аналогии с живыми системами, искусственных систем, представленных в виде компьютерных программ или роботов. Искусственная жизнь (часто сокращенно ALife или A-Life) – это область исследований, в которой исследователи изучают системы, связанные с естественной жизнью, ее процессами и ее эволюцией, с помощью моделирования с помощью компьютерных моделей, робототехники и биохимии. Дисциплина была названа Кристофером Лэнгтоном, американским биологом-теоретиком, в 1986 году. В 1987 году Лэнгтон организовал первую конференцию в этой области в Лос-Аламосе, штат Нью-Мексико. Есть три основных вида жизни, названные в честь их подходов: мягкая, основанная на программном обеспечении; жесткий, из метизов; и мокрый, из биохимии. Исследователи искусственной жизни изучают традиционную биологию, пытаясь воссоздать аспекты биологических явлений.

Искусственная нейронная сеть (Artificial Neural Network, ИНС) – это математическая модель (а также её программное или аппаратное воплощение), состоящая из слоёв «нейронов», передающих друг другу данные, и построенная по принципу организации и функционирования биологических нейронных сетей. Также, – это программа или аппаратура, моделирующие сеть, построенную на принципах взаимодействия клеток (нейронов, neurode) нервной системы человека. В аппаратной реализации ИНС представляет собой сеть из множества простых процессоров (units, формальных нейронов), объединённых в слои.

Искусственные языки (Сonstructed language) – это специализированные языки, в которых лексика, фонетика и грамматика были специально разработаны для воплощения определённых целей. Именно целенаправленность отличает искусственные языки от естественных. Иногда данные языки называют ненастоящими языками. Таких языков существует уже более тысячи, и постоянно создаются новые.

Искусственный интеллект (ИИ) (Artificial Intelligence) ? это компьютерная система, основанная на комплексе научных и инженерных знаний, а также технологий создания интеллектуальных машин, программ, сервисов и приложений (например, машинного обучения и глубокого обучения), имитирующая мыслительные процессы человека или живых существ, способная с определенной степенью автономности воспринимать информацию, обучаться и принимать решения на основе анализа больших массивов данных, целью создания которой является помощь людям в решении их повседневных рутинных задач [[32 - Чесалов А. Ю. Искусственный интеллект и машинное обучение для всех. -М.: Ridero. 2022.-300c.]].

Искусственный интеллект для ИТ-операций (Artificial Intelligence for IT Operations, AIOps) – это новая ИТ-практика, которая применяет искусственный интеллект к ИТ-операциям, чтобы помочь организациям разумно управлять инфраструктурой, сетями и приложениями для обеспечения производительности, отказоустойчивости, емкости, времени безотказной работы и, в некоторых случаях, безопасности. Перенося традиционные оповещения на основе пороговых значений и ручные процессы на системы, использующие преимущества искусственного интеллекта и машинного обучения, AIOps позволяет организациям лучше отслеживать ИТ-активы и предвидеть негативные инциденты и последствия до того, как они произойдут. AIOps – это термин, придуманный Gartner в 2016 году как отраслевая категория для технологии аналитики машинного обучения, которая улучшает аналитику ИТ-операций, охватывающую операционные задачи, включая автоматизацию, мониторинг производительности и корреляцию событий, среди прочего. Gartner определяет платформу AIOps следующим образом: «Платформа AIOps сочетает в себе функции больших данных и машинного обучения для поддержки всех основных функций ИТ-операций за счет масштабируемого приема и анализа постоянно растущего объема, разнообразия и скорости данных, генерируемых ИТ. Платформа позволяет одновременно использовать несколько источников данных, методы сбора данных, аналитические и презентационные технологии». По сути AIOps – это искусственный интеллект для управления ИТ на базе многослойной платформы, который автоматизирует обработку данных и принятие решения с помощью машинного обучения и аналитики больших данных, которые приходят с различных элементов ИТ-инфраструктуры в режиме реального времени

AIOps состоит из двух основных компонентов: «большие данные» и «машинное обучение». Таким образом, ИТ специалисты должны отойти от логгирования и отслеживания множества отдельных событий (siloed IT), которые активно используются сейчас, а положиться на машинное обучение и анализ данных, которые приходят от систем мониторинга, журналов нарядов на работы и т. д. [[33 - Искусственный интеллект для ИТ-операций [Электронный ресурс] //networkguru.ru URL: https://networkguru.ru/aiops-artificial-intelligence-for-it-operations/ (https://networkguru.ru/aiops-artificial-intelligence-for-it-operations/) (дата обращения: 07.07.2022)]].

Искусственный Интеллект на уровне человека (Human Level Machine Intelligence) – это синоним полного ИИ, завершенного ИИ, сильного ИИ. Этот термин обозначает степень развития искусственного интеллекта на уровне человека. Человеческий мозг является моделью для создания такого интеллекта.

Искусственный нейрон (Artificial neuron) – это математическая функция, задуманная как модель биологических нейронов, нейронная сеть. Разница между искусственным нейроном и биологическим нейроном представлена на рисунке.

Искусственные нейроны – это элементарные единицы искусственной нейронной сети. Искусственный нейрон получает один или несколько входных сигналов (представляющих возбуждающие постсинаптические потенциалы и тормозные постсинаптические потенциалы на нервных дендритах) и суммирует их для получения выходного сигнала (или активации, представляющего потенциал действия нейрона, который передается по его аксону). Обычно каждый вход взвешивается отдельно, а сумма проходит через нелинейную функцию, известную как функция активации или передаточная функция. Передаточные функции обычно имеют сигмовидную форму, но они также могут принимать форму других нелинейных функций, кусочно-линейных функций или ступенчатых функций. Они также часто являются монотонно возрастающими, непрерывными, дифференцируемыми и ограниченными.

Искусственный сверхинтеллект (Artificial Superintelligence) – это термин, который обозначает степень развития искусственного интеллекта, превосходящую человеческие возможности во всех аспектах. Термин «Искусственный интеллект», который широко используется с 1970-х годов, относится к способности компьютеров имитировать человеческое мышление. Искусственный сверхинтеллект делает шаг вперед и создает мир, в котором когнитивные способности компьютера превосходят человеческие.

Исполняемый код(Executable) – это исполняемая программа, иногда называемая просто исполняемым или двоичным файлом, заставляет компьютер «выполнять указанные задачи в соответствии с закодированными инструкциями», в отличие от файла данных, который необходимо интерпретировать (открыть) программой, чтобы получить действие или результат.

Исследование(Study) – это вся информация, собранная в одно время или для одной цели или одним главным исследователем. Исследование состоит из одного или нескольких файлов.

Исследования будущего (Futures studies) – это изучение постулирования возможных, вероятных и предпочтительных вариантов будущего, а также мировоззрений и мифов, лежащих в их основе.

Исходная отметка (Бенчмарк) ИИ (AI benchmark) – это эталонный тест ИИ для оценки возможностей, эффективности, производительности и для сравнения ИНС, моделей машинного обучения (МО), архитектур и алгоритмов при решении различных задач ИИ создаются и стандартизируется специальные эталонные тесты, исходные отметки. Например, Benchmarking Graph Neural Networks – бенчмаркинг (эталонное тестирование) графовых нейронных сетей (ГНС, GNN) – обычно включает инсталляцию конкретного бенчмарка, загрузку исходных датасетов, проведение тестирования ИНС, добавление нового датасета и повторение итераций.

Исходный код(Source code) – это любой набор кода с комментариями или без них, написанный с использованием удобочитаемого языка программирования, обычно в виде простого текста. Исходный код программы специально разработан для облегчения работы компьютерных программистов, которые определяют действия, которые должны выполняться компьютером, в основном, путем написания исходного кода. Исходный код часто преобразуется ассемблером или компилятором в двоичный машинный код, который может выполняться компьютером. Затем машинный код может быть сохранен для выполнения в более позднее время.

Исчисление высказываний (также логика высказываний и логика нулевого порядка) (Propositional calculus) – это раздел логики, который имеет дело с высказываниями (которые могут быть истинными или ложными) и потоком аргументов. Сложные предложения образуются путем соединения предложений логическими связками. Предложения без логических связок называются атомарными предложениями. В отличие от логики первого порядка, логика высказываний не имеет дело с нелогическими объектами, предикатами о них или кванторами. Однако весь механизм пропозициональной логики включен в логику первого порядка и логику высшего порядка. В этом смысле логика высказываний является основой логики первого порядка и логики высшего порядка.

Исчисление соединений регионов (Region connection calculus RCC) – это действие предназначено для качественного пространственного представления и рассуждений. RCC абстрактно описывает регионы (в евклидовом пространстве или в топологическом пространстве) их возможными отношениями друг к другу. RCC8 состоит из 8 основных отношений, которые возможны между двумя регионами.

Итерация (Iteration) – это обновление весов после анализа пакета входных записей, которое представляет собой одну итерацию обновления параметров модели нейронной сети.

«К»

Калибровочный слой (Calibration layer) – это корректировка после прогнозирования, обычно для учета смещения прогноза. Скорректированные прогнозы и вероятности должны соответствовать распределению наблюдаемого набора меток.

Канонические форматы(Canonical Formats) в информационных технологиях канонизация – это процесс приведения чего-либо в соответствие с некоторой спецификацией… и в утвержденном формате. Канонизация иногда может означать создание канонических данных из неканонических данных. Канонические форматы широко поддерживаются и считаются оптимальными для долгосрочного хранения.

Капсульная нейронная сеть (Capsule neural network) – это архитектура искусственных нейронных сетей, которая предназначена для распознавания изображений. Главными преимуществами данной архитектуры является существенное снижение размеров необходимой для обучения выборки, а также повышение точности распознавания и устойчивость к атакам типа «белый ящик». Ключевым нововведением капсульных нейросетей является наличие так называемых капсул – элементов, являющихся промежуточными единицами между нейронами и слоями, которые представляют собой группы виртуальных нейронов, отслеживающих не только отдельные детали изображения, но и их расположение друг относительно друга. Данная архитектура была задумана Джеффри Хинтоном в 1979 году, сформулирована в 2011 году и опубликована в двух статьях в октябре 2017 года.

Категориальные данные (Categorical data) – это данные, качественно характеризующие исследуемый процесс или объект, не имеющие количественного выражения. В них каждая единица наблюдения назначается определенной группе или номинальной категории на основе некоторого качественного свойства.

Обычно представляют собой построчные значения из ограниченного набора категорий (например, названия городов, наименования товаров, имена сотрудников и клиентов и т.д.). В некоторых случаях могут использоваться и числа, кодирующие эти категории.

При обработке таких данных применяются только операции сравнения: «равно» и «не равно», производится их упорядочение, например, по алфавиту. Применение арифметических операций к категориальным данным некорректно, даже если они представлены числами.

Квантильное группирование (Quantile bucketing) – это распределение значений объекта по сегментам таким образом, чтобы каждый сегмент содержал одинаковое (или почти одинаковое) количество примеров.

Квантификатор (Quantifier) в логике – это количественная оценка указывает количество экземпляров в области дискурса, которые удовлетворяют открытой формуле. Два наиболее распространенных квантификатора означают «для всех» и «существует». Например, в арифметике квантификаторы позволяют сказать, что натуральные числа продолжаются вечно, записав, что для всех n (где n – натуральное число) существует другое число (скажем, следующее за n), которое на единицу больше. чем n.

Квантование (Quantization) – это разбиение диапазона отсчётных значений сигнала на конечное число уровней и округления этих значений до одного из двух ближайших к ним уровней.

Квантовые вычисления (Quantum computing) – это использование квантово-механических явлений, таких как суперпозиция и запутанность, для выполнения вычислений. Квантовый компьютер используется для выполнения таких вычислений, которые могут быть реализованы теоретически или физически.

Квантовые технологии (Quantum technologies) ? это технологии создания вычислительных систем, основанные на новых принципах (квантовых эффектах), позволяющие радикально изменить способы передачи и обработки больших массивов данных.

Киберфизические системы (Cyber-physical systems) – это интеллектуальные сетевые системы со встроенными датчиками, процессорами и приводами, которые предназначены для взаимодействия с физической окружающей средой и поддержки работы компьютерных информационных систем в режиме реального времени; облачные вычисления – информационно-технологическая модель обеспечения повсеместного и удобного доступа с использованием информационно-телекоммуникационной 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.

Киберфизические системы (Cyber-physical systems) – это интеллектуальные сетевые системы со встроенными датчиками, процессорами и приводами, которые предназначены для взаимодействия с физической окружающей средой и поддержки работы компьютерных информационных систем в режиме реального времени; облачные вычисления – информационно-технологическая модель обеспечения повсеместного и удобного доступа с использованием информационно-телекоммуникационной 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.

Класс (Class) – это термин из набора перечисленных целевых значений меток. Например, в модели бинарной классификации, обнаруживающей спам-рассылку, существует два класса – это спам и не спам. В многоклассовой модели классификации, которая идентифицирует породы собак, классами будут пудель, бигль, мопс и так далее.

Класс большинства (Majority class) – это метка в наборе данных с несбалансированным классом. Несбалансированные данные относятся к случаям, когда количество наблюдений в классе распределено неравномерно, и часто существует основной класс -класс большинства, который имеет гораздо больший процент набора данных, и второстепенные классы, в которых недостаточно примеров.

Класс меньшинства (Minority class) – это метка в несбалансированном по классам наборе данных. Например, учитывая набор данных, содержащий 99% ярлыков, не относящихся к спаму, и 1% ярлыков для спама, ярлыки для спама относятся к классу меньшинства в наборе данных с несбалансированным классом. [[34 - Класс меньшинства [Электронный ресурс] //docs.microsoft.com URL: https://docs.microsoft.com/ru-ru/azure/open-datasets/dataset-mnist?tabs=azureml-opendatasets (https://docs.microsoft.com/ru-ru/azure/open-datasets/dataset-mnist?tabs=azureml-opendatasets) (дата обращения: 07.07.2022)]]

Класс Сложности NP (недетерминированное полиномиальное время) (NP) – в теории вычислительной сложности – это класс, используемый для классификации проблем принятия решений. NP – это множество проблем решения, для которых экземпляры проблемы, где ответ «да», имеют доказательства, проверяемые за полиномиальное время с помощью детерминированной машины Тьюринга.

Классификация (Classification). В задачах классификации используется алгоритм для точного распределения тестовых данных по определенным категориям, например, при отделении яблок от апельсинов. Или, в реальном мире, алгоритмы обучения с учителем можно использовать для классификации спама в отдельной папке из вашего почтового ящика. Линейные классификаторы, машины опорных векторов, деревья решений и случайный лес – все это распространенные типы алгоритмов классификации.

Кластеризация (Clustering) – это метод интеллектуального анализа данных для группировки неразмеченных данных на основе их сходства или различия. Например, алгоритмы кластеризации K-средних распределяют сходные точки данных по группам, где значение K представляет размер группировки и степень детализации. Этот метод полезен для сегментации рынка, сжатия изображений и т. д.