Английские термины разработки ПО: значения и примеры на русском

Машинное обучение и обработка данных

• classificationсуществительноеклассификация, задача классификации

  Задача, в которой модель относит каждый вход к одной или нескольким категориям из заданного набора, например определяет спам или категорию товара на фото.

• natural language processingсуществительноеобработка естественного языка, NLP

  Область ИИ, посвященная человеческому языку и созданию систем для чтения, понимания, перевода, суммаризации и генерации текста и речи.

• computer visionсуществительноекомпьютерное зрение

  Область ИИ, обучающая компьютеры понимать изображения и видео: распознавать объекты, читать текст на снимках и отслеживать движение.

• unsupervised learningсуществительноеобучение без учителя, неконтролируемое обучение

  Тип машинного обучения, находящий структуру в данных без правильных ответов-разметки, например группирующий похожих клиентов или обнаруживающий необычные события.

• validation setсуществительноепроверочная выборка, валидационный набор

  Часть данных, не используемая при обучении и применяемая во время разработки для сравнения моделей, настройки параметров и выбора момента остановки.

• epochсуществительноеэпоха

  Один полный проход обучения по всему набору обучающих данных; модели обычно обучают несколько эпох.

• learning rateсуществительноескорость обучения, темп обучения

  Гиперпараметр, задающий размер шага при каждом обновлении параметров модели. Слишком большое значение делает обучение нестабильным, слишком малое — медленным.

• hyperparameterсуществительноегиперпараметр

  Параметр, который инженеры выбирают до обучения, а не получают из данных, например скорость обучения, размер пакета или число слоев.

• batch sizeсуществительноеразмер пакета, размер батча

  Количество обучающих примеров, обрабатываемых вместе перед одним обновлением параметров модели.

• gradient descentсуществительноеградиентный спуск

  Базовый метод оптимизации при обучении: он многократно немного изменяет параметры в направлении наибольшего уменьшения функции потерь.

• underfittingсуществительноенедообучение, недостаточное обучение модели

  Проблема, при которой модель слишком проста или обучалась слишком мало, чтобы уловить закономерности, и потому плохо работает даже на обучающих данных.

• precisionсуществительноеточность положительных прогнозов, precision

  Доля действительно положительных случаев среди всех случаев, которые модель пометила как положительные; высокая precision означает мало ложных тревог.

• recallсуществительноеполнота, чувствительность

  Доля найденных моделью случаев среди всех случаев, которые действительно являются положительными; высокая полнота означает мало пропусков.

• F1 scoreсуществительноеF1-мера, F1-оценка

  Единая метрика, объединяющая precision и recall через их среднее гармоническое; она высока только тогда, когда обе исходные метрики высоки.

• benchmarkсуществительноетестовый набор для сравнения, бенчмарк

  Стандартный набор задач и данных, на котором модели измеряют одинаковым способом, чтобы справедливо сравнивать результаты разных команд.

• transformerсуществительноетрансформер, архитектура трансформера

  Архитектура нейронной сети, представленная в 2017 году и использующая механизм внимания для параллельной обработки частей последовательности; на ней основаны современные LLM.

• layerсуществительноеслой нейронной сети, слой

  Уровень нейронной сети — группа узлов, которая принимает выход предыдущего уровня, преобразует его и передает дальше.

• hallucinationсуществительноегаллюцинация модели, выдуманный ответ модели

  Уверенный, но ложный или выдуманный результат генеративной модели, например несуществующий факт, цитата, источник или фрагмент кода.

• context windowсуществительноеконтекстное окно, окно контекста

  Максимальный объем текста в токенах, который языковая модель может учитывать одновременно, включая запрос, документы и собственный ответ.

• generative AIсуществительноегенеративный ИИ, генеративный искусственный интеллект

  Системы ИИ, создающие новый контент — текст, изображения, аудио, видео или код, — а не только распределяющие входы по классам или прогнозирующие значения.

• embeddingсуществительноевекторное представление, эмбеддинг

  Набор чисел — вектор, представляющий слово, предложение, изображение или другой объект так, что близкие по смыслу объекты располагаются рядом.

• system promptсуществительноесистемный промпт, системная инструкция

  Инструкции, передаваемые чат-модели до начала диалога и задающие ее роль, правила, тон и ограничения для последующих сообщений.

• RAGсокращениегенерация с дополнением поиском, RAG

  Метод, при котором система сначала ищет подходящие фрагменты в коллекции документов, а затем передает их LLM для подготовки ответа.

• annotationсуществительноеаннотация, разметка данных

  Добавление меток или примечаний к исходным данным, например рамок вокруг объектов на изображениях или тем предложений, чтобы использовать данные для обучения или оценки.

• preprocessingсуществительноепредварительная обработка, предобработка данных

  Этапы очистки и подготовки исходных данных перед использованием моделью: например удаление дубликатов, заполнение пропусков, изменение размера изображений или нормализация текста.

• reinforcement learningсуществительноеобучение с подкреплением

  Тип машинного обучения, в котором агент учится методом проб и ошибок: действует в среде и получает вознаграждение или штраф за результат.

• clusteringсуществительноекластеризация, группировка похожих объектов

  Задача обучения без учителя, которая объединяет похожие элементы без заранее заданных меток, например сегментирует клиентов по покупательским привычкам.

• weightsсуществительноевеса нейронной сети, веса модели

  Обученные числовые значения связей нейронной сети, определяющие силу влияния каждого входа на следующий слой; вместе они хранят усвоенное моделью.

• activation functionсуществительноефункция активации

  Простая математическая функция, применяемая к выходу узла нейронной сети; она добавляет нелинейность и позволяет сети изучать сложные закономерности.

• backpropagationсуществительноеобратное распространение ошибки, backprop

  Метод расчета вклада каждого веса нейронной сети в ошибку путем передачи сигнала ошибки от выходного слоя назад к входному.

• attentionсуществительноемеханизм внимания, attention

  Механизм, позволяющий модели определять, какие части входных данных наиболее важны для каждой части результата, и сильнее учитывать их при генерации.

• ground truthсуществительноеэталонные данные, истинные значения

  Правильные проверенные ответы, с которыми сравнивают результаты модели; обычно их получают тщательной ручной разметкой или реальными измерениями.

• data augmentationсуществительноеаугментация данных, расширение обучающих данных

  Создание дополнительных обучающих примеров путем небольших изменений существующих — например отражения или обрезки изображений и перефразирования предложений — для увеличения разнообразия данных.

• confusion matrixсуществительноематрица ошибок, матрица классификации

  Таблица, показывающая для каждого истинного класса, сколько примеров модель отнесла к каждому классу; она помогает увидеть, какие категории модель путает.

• cross-validationсуществительноеперекрестная проверка, кросс-валидация

  Метод оценки, при котором данные делят на несколько частей, обучают модель на всех, кроме одной, и проверяют на оставшейся, повторяя процесс для каждой части.

• regularizationсуществительноерегуляризация

  Метод, ограничивающий чрезмерную сложность модели во время обучения, чтобы снизить переобучение и улучшить работу на новых данных.

• pretrainingсуществительноепредварительное обучение, предобучение

  Первый и самый масштабный этап обучения, на котором модель усваивает общие закономерности из огромного объема преимущественно неразмеченных данных перед адаптацией к конкретным задачам.

• temperatureсуществительноетемпература, параметр температуры

  Настройка, управляющая случайностью результата генеративной модели: низкое значение дает более предсказуемые ответы, высокое — более разнообразные и творческие.

• prompt engineeringсуществительноепроектирование промптов, инженерия промптов

  Практика разработки, тестирования и улучшения запросов к модели, чтобы получать точные, полезные и стабильные результаты.

• few-shot promptingсуществительноеподсказка с несколькими примерами, few-shot prompting

  Передача модели нескольких разобранных примеров задачи внутри запроса, чтобы она повторила этот шаблон для нового входа без дополнительного обучения.

• transfer learningсуществительноеперенос обучения, трансферное обучение

  Использование знаний модели, полученных на одной задаче или наборе данных, как начальной точки для другой связанной задачи вместо обучения с нуля.

• base modelсуществительноебазовая модель, базовая языковая модель

  Модель, прошедшая только предварительное обучение, но еще не дообученная следовать инструкциям; она хорошо продолжает текст, но ненадежно выполняет команды и ведет диалог.

• CNNсокращениесверточная нейронная сеть, CNN

  Сеть, которая перемещает небольшие обучаемые фильтры по изображению и обнаруживает признаки вроде границ, текстур и форм.

• object detectionсуществительноеобнаружение объектов, детекция объектов

  Задача компьютерного зрения, которая находит объекты на изображении или видео и определяет как их класс, например автомобиль или человек, так и положение, обычно рамкой.

• tokenizerсуществительноетокенизатор

  Компонент, который разделяет текст на токены и преобразует их в числа для модели, а также превращает выходные числа модели обратно в текст.

• sentiment analysisсуществительноеанализ тональности, анализ настроений текста

  Задача обработки языка, определяющая мнение или эмоцию в тексте, например положительную, отрицательную или нейтральную оценку товара.

• fairnessсуществительноесправедливость модели, равное отношение к группам

  Цель, при которой модель справедливо относится к разным группам людей, например обеспечивает сходные доли ошибок или одобрений для разных возрастов, регионов и гендеров.

• convergeглаголсходиться, сходиться к устойчивому значению

  Достичь устойчивого состояния в ходе обучения, когда функция потерь перестает заметно снижаться и дальнейшее обучение почти не приносит улучшений.

• class imbalanceсуществительноедисбаланс классов, несбалансированность классов

  Ситуация, когда одних классов в наборе данных намного больше, чем других, например 990 обычных транзакций на 10 мошеннических.

• data leakageсуществительноеутечка данных в обучении, утечка целевой информации

  Ошибка, при которой в обучение попадает информация, недоступная во время прогноза, например тестовые примеры или будущие данные, из-за чего оценка оказывается завышенной.

• state-of-the-artприлагательноесовременный уровень, передовой

  Описывает лучший известный на данный момент результат или метод, обычно измеренный на известном бенчмарке.

• multimodalприлагательноемультимодальный, многомодальный

  Способный работать с несколькими типами данных, например текстом, изображениями, аудио и видео; такая модель может отвечать на вопросы о фотографии.

• AI agentсуществительноеИИ-агент, агент искусственного интеллекта

  Система на основе LLM, которая планирует шаги и использует инструменты — например поиск, код или корпоративные программы, — чтобы выполнять задачу с минимальной помощью человека.

• chain of thoughtсуществительноецепочка рассуждений, пошаговое рассуждение

  Пошаговое рассуждение, которое модель формулирует до окончательного ответа; часто помогает решать математические, логические и многоэтапные задачи.

• vector databaseсуществительноевекторная база данных, векторное хранилище

  База данных для хранения эмбеддингов и быстрого поиска векторов, наиболее похожих на запрос; часто используется в семантическом поиске и системах RAG.

• LoRAсокращениеLoRA, низкоранговая адаптация

  Метод дообучения, сохраняющий исходные веса неизменными и обучающий только небольшие добавленные матрицы, что экономит память и место.

• RLHFсокращениеобучение с подкреплением на основе отзывов людей, RLHF

  Этап обучения, на котором люди ранжируют ответы модели, модель вознаграждения усваивает их предпочтения, а LLM настраивают на более высокую оценку.

• knowledge distillationсуществительноедистилляция знаний, дистилляция модели

  Обучение меньшей модели-ученика на результатах большой модели-учителя, чтобы сохранить большую часть качества при более быстрой и дешевой работе.

• image segmentationсуществительноесегментация изображений, сегментация изображения

  Задача компьютерного зрения, присваивающая каждому пикселю изображения класс или объект и определяющая точные формы, а не приблизительные рамки.

• bounding boxсуществительноеограничивающая рамка, рамка объекта

  Прямоугольник вокруг объекта на изображении, заданный координатами и показывающий его положение; это стандартный результат обнаружения объектов.

• diffusion modelсуществительноедиффузионная модель, модель диффузии

  Генеративная модель, которая учится постепенно удалять шум и создает изображения, аудио или видео, начиная со случайного шума и поэтапно уточняя результат.

• named entity recognitionсуществительноераспознавание именованных сущностей, NER

  Задача NLP, которая находит в тексте имена людей, организаций и мест, а также даты, суммы и подобные элементы и помечает тип каждого.

• corpusсуществительноекорпус текстов, корпус речи

  Большая организованная коллекция текстов или записей речи, используемая для обучения языковых моделей или изучения употребления языка.

• explainabilityсуществительноеобъяснимость модели, объяснимость

  Степень, в которой люди могут понять, почему модель выдала конкретный прогноз или решение; этому помогают инструменты, показывающие важные входные признаки.

• guardrailсуществительноезащитное ограничение, предохранительный механизм модели

  Правило или проверка вокруг модели, предотвращающие вредные, неуместные или небезопасные входы и выходы, например фильтр личных данных в ответах.

• red teamingсуществительноетестирование методом красной команды, редтиминг

  Проверка модели или ИИ-системы намеренными попытками вызвать сбой или вредное поведение, чтобы найти уязвимости до пользователей или злоумышленников.

• alignmentсуществительноесогласование ИИ с человеческими намерениями, выравнивание поведения ИИ

  Настройка поведения ИИ-системы в соответствии с намерениями и ценностями людей, чтобы она была полезной, честной и не причиняла вреда; также область исследований этой задачи.

• MLOpsсуществительноеMLOps, эксплуатация моделей машинного обучения

  Практики и инструменты надежной эксплуатации ML в производственной среде: версионирование данных и моделей, автоматизация обучения и развертывания, мониторинг со временем.

• data driftсуществительноедрейф данных, изменение входных данных со временем

  Изменение данных, поступающих в развернутую модель, по сравнению с обучающими данными; со временем оно может ухудшить прогнозы.

• quantizationсуществительноеквантование модели, квантизация

  Хранение весов модели, а иногда и активаций, с меньшим числом бит, например 8 или 4 вместо 16, чтобы уменьшить размер и ускорить работу.

• data cleaningсуществительноеочистка данных, исправление данных

  Поиск и исправление проблем в данных — неверных форматов, опечаток, дубликатов и пропусков, — чтобы данным можно было доверять при анализе.

• missing valuesсуществительноепропущенные значения, отсутствующие данные

  Пустые ячейки или поля набора данных, для которых значение не записано; они могут обозначаться как NULL, NaN или пустая строка и требуют обработки перед анализом.

• outlierсуществительноевыброс, аномальное значение

  Значение, сильно отличающееся от большинства остальных в наборе данных, например заказ на 50 000 долларов при обычной сумме около 40.

• exploratory data analysisсуществительноеразведочный анализ данных, исследовательский анализ данных

  Начальный этап анализа: данные суммируют и визуализируют, чтобы понять их структуру, заметить закономерности и проблемы и сформулировать вопросы для проверки.

• data visualizationсуществительноевизуализация данных, наглядное представление данных

  Представление данных в виде диаграмм, графиков и карт, помогающее быстрее таблиц увидеть закономерности, сравнения и изменения.

• KPIсокращениеключевой показатель эффективности, KPI

  Один из небольшого числа показателей, выбранных компанией или командой для измерения прогресса к главным целям.

• A/B testсуществительноеA/B-тест, сравнительный эксперимент A/B

  Эксперимент, в котором пользователей случайно делят на две группы с разными версиями продукта, чтобы измерить, какая работает лучше.

• statistical significanceсуществительноестатистическая значимость

  Признак того, что результат вряд ли объясняется одним лишь случайным разбросом; обычно его определяют по p-значению ниже заранее выбранного порога, например 0,05.

• data pipelineсуществительноеконвейер данных, пайплайн данных

  Последовательность автоматизированных шагов, перемещающих данные из источников, преобразующих их и передающих в хранилище, панель или модель.

• ETLсокращениеизвлечение, преобразование и загрузка, ETL

  Процесс извлечения данных из исходных систем, их очистки и преобразования, а затем загрузки в хранилище.

• meanсуществительноесреднее арифметическое, среднее значение

  Значение, полученное делением суммы всех чисел группы на их количество; обычное математическое среднее.

• medianсуществительноемедиана

  Среднее по порядку значение в отсортированном наборе чисел: половина значений ниже него, половина — выше.

• distributionсуществительноераспределение значений, распределение

  Способ распределения значений переменной, показывающий, какие встречаются часто или редко и насколько они разбросаны; часто изображается гистограммой.

• correlationсуществительноекорреляция, корреляционная связь

  Связь между двумя переменными, которые имеют тенденцию меняться совместно; ее часто измеряют коэффициентом от −1 до 1, где 0 означает отсутствие линейной связи.

• raw dataсуществительноенеобработанные данные, исходные данные

  Данные в исходном виде, в котором их собрали или выгрузили, до очистки, объединения и суммирования.

• data sourceсуществительноеисточник данных

  Место, откуда поступают данные: база, приложение, таблица, опрос, внешний API или файл партнера.

• duplicateсуществительноедубликат, повторяющаяся запись

  Запись, встречающаяся в наборе данных больше одного раза, например повторно сохраненный клиент или заказ, из-за чего подсчеты и суммы могут быть завышены.

• data qualityсуществительноекачество данных

  Степень точности, полноты, согласованности и актуальности данных, определяющая, насколько им можно доверять при принятии решений.

• standard deviationсуществительноестандартное отклонение, среднеквадратичное отклонение

  Мера разброса значений относительно среднего: малое значение означает, что большинство наблюдений близко к нему, большое — что значения сильно различаются.

• sampleсуществительноевыборка, образец данных

  Меньшая группа, выбранная из более крупной совокупности или набора данных для изучения и выводов обо всей совокупности.

• trendсуществительноетенденция, тренд

  Общее направление изменения показателя за некоторый период, например устойчивый рост продаж, без учета кратковременных колебаний.

• time seriesсуществительноевременной ряд, ряд временных данных

  Набор измерений одной величины, записанных последовательно через регулярные интервалы, например дневная выручка или почасовые посещения сайта.

• segmentсуществительноесегмент, сегментировать

  Группа клиентов или пользователей с общими характеристиками, например страной, устройством или покупательским поведением; как глагол — делить данные на такие группы.

• hypothesisсуществительноегипотеза

  Конкретное проверяемое утверждение о том, что и почему должно произойти, сформулированное до начала эксперимента или анализа.

• control groupсуществительноеконтрольная группа, контроль

  Группа участников эксперимента, не получающая проверяемое изменение; ее результаты показывают, что произошло бы без него.

• p-valueсуществительноеp-значение, значение p

  Вероятность получить результат не менее экстремальный, чем наблюдаемый, если эффекта на самом деле нет и верна нулевая гипотеза.

• sample sizeсуществительноеразмер выборки, объем выборки

  Количество наблюдений, людей или объектов в выборке либо эксперименте; более крупные выборки обычно дают надежные оценки.

• conversion rateсуществительноекоэффициент конверсии, доля конверсии

  Процент пользователей, совершивших желаемое действие — например покупку или регистрацию, — среди всех пользователей, у которых была возможность его совершить.

• churnсуществительноеотток пользователей, отказ от продукта

  Потеря клиентов или пользователей, переставших пользоваться продуктом либо отменивших подписку за период; также доля таких случаев.

• bar chartсуществительноестолбчатая диаграмма, гистограмма столбцов

  Диаграмма с прямоугольными столбцами разной длины для сравнения категорий, например продаж по регионам или числа пользователей по странам.