Англійська лексика для розробників програмного забезпечення

Машинне навчання й обробка даних

• classificationіменниккласифікація, класифікаційна задача

  Задача, у якій модель відносить кожен вхід до однієї з визначених категорій, наприклад визначає спам у листі чи категорію товару на фото.

• natural language processingіменникобробка природної мови, NLP

  Галузь ШІ, що працює з людською мовою й створює системи для читання, розуміння, перекладу, узагальнення та генерування тексту й мовлення.

• computer visionіменниккомп’ютерний зір, машинний зір

  Галузь ШІ, що навчає комп’ютери розуміти зображення й відео: розпізнавати об’єкти, читати текст на фото чи відстежувати рух.

• unsupervised learningіменникнавчання без учителя, навчання без нагляду

  Тип машинного навчання, що знаходить структуру в даних без правильних відповідей (міток), наприклад групує схожих клієнтів або виявляє аномалії.

• validation setіменниквалідаційна вибірка, набір для валідації

  Частина даних, не використана для навчання й призначена під час розробки для порівняння моделей, налаштування параметрів і вибору моменту зупинки.

• epochіменникепоха

  Один повний прохід процесу навчання по всьому тренувальному набору даних. Зазвичай модель навчають кілька епох.

• learning rateіменникшвидкість навчання, темп навчання

  Гіперпараметр, що визначає розмір кроку під час оновлення параметрів моделі. Надто високе значення робить навчання нестабільним, надто низьке — повільним.

• hyperparameterіменникгіперпараметр

  Параметр, який інженери задають до навчання, а не отримують із даних, наприклад швидкість навчання, розмір пакета чи кількість шарів.

• batch sizeіменникрозмір пакета, розмір батчу

  Кількість тренувальних прикладів, які модель обробляє разом перед одним оновленням параметрів.

• gradient descentіменникградієнтний спуск

  Базовий метод оптимізації під час навчання: він багаторазово трохи змінює кожен параметр у напрямку найшвидшого зменшення втрат.

• underfittingіменникнедонавчання, недостатнє припасування

  Проблема, за якої модель надто проста або недостатньо навчена, щоб засвоїти закономірності даних, тому погано працює навіть на тренувальних прикладах.

• precisionіменникточність позитивних прогнозів, precision

  Серед усіх випадків, які модель позначила як позитивні, частка справді позитивних. Високий показник означає мало хибних тривог.

• recallіменникповнота, recall

  Серед усіх випадків, які насправді були позитивними, частка тих, що їх знайшла модель. Висока повнота означає мало пропущених випадків.

• F1 scoreіменникоцінка F1, F1-міра

  Єдине число, що поєднує точність позитивних прогнозів і повноту через їхнє гармонійне середнє. Воно високе лише тоді, коли високі обидва показники.

• benchmarkіменникбенчмарк, контрольний тест

  Стандартний набір завдань і даних для однакового вимірювання моделей, щоб справедливо порівнювати результати різних команд.

• transformerіменниктрансформер, архітектура Transformer

  Архітектура нейронної мережі, представлена у 2017 році, яка за допомогою механізму уваги паралельно обробляє всі частини послідовності й лежить в основі сучасних LLM.

• layerіменникшар нейронної мережі, шар

  Один рівень нейронної мережі: група вузлів, яка отримує вихід попереднього рівня, перетворює його й передає далі.

• hallucinationіменникгалюцинація моделі, вигадана відповідь моделі

  Упевнена, але хибна чи вигадана відповідь генеративної моделі, наприклад неіснуючий факт, цитата, джерело або фрагмент коду.

• context windowіменникконтекстне вікно, вікно контексту

  Максимальний обсяг тексту в токенах, який мовна модель може врахувати за раз, включно з промптом, документами й власною відповіддю.

• generative AIіменникгенеративний ШІ, генеративний штучний інтелект

  Системи штучного інтелекту, що створюють новий вміст — текст, зображення, звук, відео чи код — замість лише розподілу входів за класами або прогнозування чисел.

• embeddingіменниквекторне подання, ембединг

  Список чисел (вектор), що представляє слово, речення, зображення чи інший об’єкт так, щоб об’єкти зі схожим значенням опинялися близько один до одного.

• system promptіменниксистемний промпт, системна інструкція

  Інструкції, передані чат-моделі до початку розмови, які задають її роль, правила, тон і обмеження для наступних повідомлень.

• RAGскороченняRAG, генерація з доповненням пошуком

  Скорочення від retrieval-augmented generation: система спершу шукає релевантні уривки в колекції документів, а потім передає їх LLM для формування відповіді.

• annotationіменниканотування, анотація

  Додавання міток або приміток до сирих даних — наприклад рамок навколо об’єктів на зображеннях чи тем до речень — для навчання або оцінювання моделі.

• preprocessingіменникпопередня обробка, передобробка даних

  Етапи очищення й підготовки сирих даних перед використанням моделлю: наприклад усунення дублікатів, заповнення пропусків, зміна розміру зображень чи нормалізація тексту.

• reinforcement learningіменникнавчання з підкріпленням

  Тип машинного навчання, у якому агент навчається методом спроб і помилок: виконує дії в середовищі та отримує за результат винагороди або штрафи.

• clusteringіменниккластеризація, кластерний аналіз

  Задача навчання без учителя, що групує схожі об’єкти без наперед заданих міток, наприклад розподіляє клієнтів на сегменти за їхньою поведінкою під час покупок.

• weightsіменникваги, вагові коефіцієнти

  Засвоєні числа на зв’язках нейронної мережі, що визначають силу впливу кожного входу на наступний шар. Разом вони містять те, чого навчилася модель.

• activation functionіменникфункція активації

  Проста математична функція, яку застосовують до виходу кожного нейрона мережі. Вона додає нелінійність, завдяки якій мережа може вивчати складні закономірності.

• backpropagationіменникзворотне поширення помилки, бекпропагація

  Метод обчислення внеску кожної ваги нейронної мережі в помилку: її передають назад від вихідного шару до вхідного.

• attentionіменникмеханізм уваги, attention

  Механізм, що дає моделі змогу визначати, які частини входу найважливіші для кожної його частини, і надавати їм більшу вагу під час формування виходу.

• ground truthіменникеталонні дані, істинні мітки

  Правильні перевірені відповіді, з якими порівнюють результати моделі; зазвичай їх отримують ретельним людським маркуванням або реальними вимірюваннями.

• data augmentationіменникаугментація даних, розширення навчальних даних

  Створення додаткових навчальних прикладів невеликими змінами наявних, наприклад віддзеркаленням чи обрізанням зображень або перефразуванням речень, щоб модель бачила більше різноманіття.

• confusion matrixіменникматриця помилок, матриця плутанини

  Таблиця, що для кожного справжнього класу показує, скільки прикладів модель віднесла до кожного класу; так видно, які класи вона плутає.

• cross-validationіменникперехресна перевірка, крос-валідація

  Метод оцінювання, що ділить дані на частини, навчає модель на всіх, крім однієї, і тестує на решті, повторюючи це, доки кожна частина не побуває тестовою.

• regularizationіменникрегуляризація

  Будь-який прийом, що обмежує надмірну складність моделі під час навчання, зменшує перенавчання й допомагає краще працювати на нових даних.

• pretrainingіменникпопереднє навчання, pretraining

  Перший і найбільший етап навчання, на якому модель засвоює загальні закономірності з величезного обсягу переважно нерозмічених даних, перш ніж її пристосують до конкретних завдань.

• temperatureіменниктемпература, параметр temperature

  Параметр, що визначає випадковість виходу генеративної моделі: низьке значення дає передбачуваніші й зосередженіші відповіді, високе — різноманітніші й творчіші.

• prompt engineeringіменникінженерія промптів, проєктування промптів

  Практика розроблення, тестування й поліпшення промптів, щоб модель давала точні, корисні й послідовні результати для певного завдання.

• few-shot promptingіменникfew-shot prompting, промптинг із кількома прикладами

  Надання моделі кількох розв’язаних прикладів завдання безпосередньо в промпті, щоб вона відтворила той самий підхід для нового входу без додаткового навчання.

• transfer learningіменниктрансферне навчання, перенесення навчання

  Повторне використання знань моделі з одного завдання чи набору даних як початкової точки для іншого, спорідненого завдання замість навчання нової моделі з нуля.

• base modelіменникбазова модель, base model

  Модель, яку лише попередньо навчили, до будь-якого fine-tuning чи навчання інструкцій. Вона добре продовжує текст, але ненадійно виконує інструкції або веде діалог.

• CNNскороченняCNN, згорткова нейронна мережа

  Скорочення від convolutional neural network: мережа, що переміщує невеликі навчені фільтри зображенням і виявляє закономірності, як-от краї, текстури й форми.

• object detectionіменниквиявлення об’єктів, детекція об’єктів

  Задача комп’ютерного зору, що знаходить об’єкти на зображенні чи відео та визначає і їхній клас (наприклад, автомобіль або людина), і місце розташування, зазвичай рамкою.

• tokenizerіменниктокенізатор, розбивач тексту на токени

  Компонент, що ділить текст на токени й перетворює їх на числа, зрозумілі моделі, а вихідні числа моделі — назад на текст.

• sentiment analysisіменниканаліз тональності, аналіз настроїв тексту

  Задача NLP, що визначає думку або емоційне забарвлення тексту, наприклад позитивне, негативне чи нейтральне ставлення у відгуку на товар.

• fairnessіменниксправедливість, рівне ставлення до груп

  Мета, за якої модель справедливо ставиться до різних груп людей, наприклад забезпечує подібні частоти помилок або схвалення для різних статей, віку чи регіонів.

• convergeдієсловодосягати збіжності, збігатися

  Досягти стабільного стану під час навчання, коли функція втрат перестає помітно зменшуватися і подальше навчання майже не покращує результат.

• class imbalanceіменникдисбаланс класів, нерівномірність класів

  Ситуація, коли в наборі даних одних класів набагато більше, ніж інших, наприклад 990 звичайних транзакцій на кожні 10 шахрайських.

• data leakageіменниквитік даних, витік цільової інформації

  Помилка, коли в навчання потрапляє інформація, недоступна на момент прогнозу, наприклад тестові приклади чи майбутні дані, через що результати здаються кращими, ніж є насправді.

• state-of-the-artприкметникнайсучасніший, передовий

  Описує найкращий відомий на певний час результат або метод, зазвичай виміряний на загальновідомому бенчмарку.

• multimodalприкметникмультимодальний, багатомодальний

  Здатний працювати з кількома типами даних, як-от текстом, зображеннями, аудіо й відео; наприклад модель може відповідати на запитання про фото.

• AI agentіменникШІ-агент, агент штучного інтелекту

  Система на основі великої мовної моделі, що планує кроки й використовує інструменти — пошук, код або корпоративне ПЗ — для виконання завдання з мінімальною допомогою людини.

• chain of thoughtіменникланцюжок міркувань, chain of thought

  Покрокове міркування, яке модель записує перед остаточною відповіддю; воно часто покращує результати в математиці, логіці та багатокрокових задачах.

• vector databaseіменниквекторна база даних, векторне сховище

  База даних для зберігання ембедингів і швидкого пошуку тих, що найбільш подібні до запиту; поширений компонент семантичного пошуку й систем RAG.

• LoRAскороченняLoRA, низькорангова адаптація

  Скорочення від low-rank adaptation — метод донавчання, що залишає початкові ваги незмінними й навчає лише невеликі додані матриці, заощаджуючи пам’ять і місце.

• RLHFскороченняRLHF, навчання з підкріпленням на основі людського зворотного зв’язку

  Скорочення від reinforcement learning from human feedback: етап навчання, на якому люди ранжують відповіді моделі, модель винагороди засвоює їхні вподобання, а LLM налаштовують на вищі оцінки.

• knowledge distillationіменникдистиляція знань, дистиляція моделі

  Навчання меншої «учнівської» моделі копіювати виходи більшої «вчительської», щоб зберегти значну частину якості й працювати швидше та дешевше.

• image segmentationіменниксегментація зображення, сегментація зображень

  Задача комп’ютерного зору, що позначає клас або об’єкт для кожного пікселя зображення й задає точну форму замість приблизної рамки.

• bounding boxіменникобмежувальна рамка, рамка об’єкта

  Прямокутник навколо об’єкта на зображенні, збережений як координати й указує його розташування; стандартний вихід виявлення об’єктів.

• diffusion modelіменникдифузійна модель, модель дифузії

  Генеративна модель, що вчиться поступово прибирати шум і створює зображення, аудіо чи відео, починаючи з випадкового шуму та крок за кроком уточнюючи результат.

• named entity recognitionіменникрозпізнавання іменованих сутностей, NER

  Задача NLP, що знаходить у тексті імена людей, організацій і місць, а також дати, суми та подібні елементи й позначає тип кожного.

• corpusіменниккорпус текстів, корпус

  Велика впорядкована колекція текстів або мовних записів, що використовується для навчання мовних моделей чи дослідження вживання мови.

• explainabilityіменникпояснюваність, зрозумілість рішень моделі

  Міра того, наскільки людям зрозуміло, чому модель зробила певний прогноз або ухвалила рішення; часто допомагають інструменти, що показують найважливіші вхідні дані.

• guardrailіменникзапобіжний механізм, обмеження безпеки моделі

  Правило або перевірка навколо моделі, що не допускає шкідливих, недоречних чи небезпечних входів і виходів, наприклад фільтр особистих даних у відповідях.

• red teamingіменникred teaming, перевірка на стійкість до атак

  Тестування моделі або системи ШІ навмисними спробами змусити її помилитися чи поводитися шкідливо, щоб знайти слабкі місця до того, як ними скористаються користувачі або нападники.

• alignmentіменникузгодження ШІ з людськими намірами, alignment

  Налаштування поведінки системи ШІ відповідно до намірів і цінностей людей, щоб вона була корисною, чесною й уникала шкоди; також галузь досліджень цієї проблеми.

• MLOpsіменникMLOps, експлуатація систем машинного навчання

  Практики й інструменти надійного запуску машинного навчання в production: версіонування даних і моделей, автоматизація навчання та розгортання, а також моніторинг моделей у часі.

• data driftіменникдрейф даних, зміна розподілу вхідних даних

  Зміна з часом даних, які отримує розгорнута модель, порівняно з навчальними даними; вона може поступово погіршувати прогнози.

• quantizationіменникквантування, квантизація

  Зберігання ваг моделі, а іноді й активацій, із меншою кількістю бітів, наприклад 8 чи 4 замість 16, щоб зменшити модель і прискорити її.

• data cleaningіменникочищення даних, підготовка й очищення даних

  Пошук і виправлення проблем у даних — неправильних форматів, описок, дублікатів і пропущених значень — щоб їм можна було довіряти в аналізі.

• missing valuesіменникпропущені значення, відсутні значення

  Порожні клітинки або поля набору даних, де значення не записали; часто позначаються NULL, NaN або порожнім місцем і потребують обробки перед аналізом.

• outlierіменниквикид, аномальне значення

  Значення, що дуже відрізняється від більшості інших у наборі даних, наприклад одне замовлення на 50 000 доларів серед замовлень приблизно по 40 доларів.

• exploratory data analysisіменникдослідницький аналіз даних, EDA

  Початковий етап аналізу, на якому підсумовують і візуалізують набір даних, щоб зрозуміти його структуру, знайти закономірності й проблеми та сформулювати питання для перевірки.

• data visualizationіменниквізуалізація даних, візуальне подання даних

  Подання даних у вигляді діаграм, графіків і мап, щоб люди швидше бачили закономірності, порівняння та зміни, ніж у таблиці.

• KPIскороченняKPI, ключовий показник ефективності

  Скорочення від key performance indicator: одна з небагатьох метрик, які компанія або команда обрала для вимірювання поступу до головних цілей.

• A/B testіменникA/B-тест, A/B-тестування

  Експеримент, у якому користувачів випадково ділять на дві групи, що бачать різні версії, аби виміряти, яка працює краще.

• statistical significanceіменникстатистична значущість, статистична значимість

  Ознака того, що результат навряд чи пояснюється лише випадковістю; зазвичай її визначають за тим, чи нижче p-value від заздалегідь обраного порога, наприклад 0,05.

• data pipelineіменникконвеєр даних, потік обробки даних

  Послідовність автоматизованих кроків, що переміщує дані з джерел, перетворює їх і доставляє до сховища, панелі показників або моделі.

• ETLскороченняETL, вилучення, перетворення й завантаження даних

  Скорочення від extract, transform, load: процес вилучення даних із вихідних систем, їх очищення й переформатування та завантаження до сховища.

• meanіменниксереднє арифметичне, середнє значення

  Значення, отримане додаванням усіх чисел у групі та діленням суми на їхню кількість; звичне значення слова average.

• medianіменникмедіана, медіанне значення

  Середнє за порядком значення в групі чисел, відсортованих від найменшого до найбільшого: половина значень нижче, половина — вище.

• distributionіменникрозподіл, розподіл значень

  Спосіб розташування значень змінної, що показує, які з них поширені, які рідкісні й наскільки вони віддалені одне від одного; часто його зображають гістограмою.

• correlationіменниккореляція, кореляційний зв’язок

  Зв’язок між двома змінними, що зазвичай змінюються разом; часто вимірюється коефіцієнтом від -1 до 1, де 0 означає відсутність лінійного зв’язку.

• raw dataіменниксирі дані, первинні дані

  Дані у вигляді, в якому їх спочатку зібрали або експортували, до очищення, об’єднання чи підсумовування.

• data sourceіменникджерело даних

  Будь-яке місце, звідки надходять дані: база, застосунок, таблиця, опитування, зовнішній API або файл від партнера.

• duplicateіменникдублікат, дубльований запис

  Запис, що трапляється в наборі даних більше одного разу, наприклад повторний запис того самого клієнта чи замовлення, через що підсумки можуть бути завищені.

• data qualityіменникякість даних

  Наскільки дані точні, повні, узгоджені й актуальні, а отже наскільки їм можна довіряти під час ухвалення рішень.

• standard deviationіменникстандартне відхилення, середньоквадратичне відхилення

  Міра розкиду значень навколо середнього: мала величина означає, що більшість значень близька до середнього, велика — що вони сильно різняться.

• sampleіменниквибірка, вибіркові дані

  Менша група, відібрана з більшої сукупності або набору даних і досліджена, щоб зробити висновки про ціле.

• trendіменниктенденція, динаміка

  Загальний напрям зміни значення протягом часу, наприклад стале зростання продажів, без урахування короткочасних коливань.

• time seriesіменникчасовий ряд, часові ряди

  Набір вимірювань тієї самої величини, записаних послідовно через регулярні проміжки часу, наприклад щоденний дохід або щогодинні відвідування сайту.

• segmentіменниксегмент, сегментувати

  Група клієнтів або користувачів зі спільними характеристиками, як-от країна, пристрій чи купівельна поведінка; як дієслово — ділити дані на такі групи.

• hypothesisіменникгіпотеза

  Конкретне твердження, яке можна перевірити, про те, що, на вашу думку, станеться і чому; його записують до початку експерименту чи аналізу.

• control groupіменникконтрольна група, контроль

  Група в експерименті, яка не отримує зміну, що перевіряється; її результати показують, що відбувалося б без цієї зміни.

• p-valueіменникp-значення, p-value

  Імовірність побачити результат не менш екстремальний за спостережений, якби ефекту насправді не було, тобто нульова гіпотеза була правильною.

• sample sizeіменникрозмір вибірки, обсяг вибірки

  Кількість спостережень, людей або одиниць у вибірці чи експерименті; більші вибірки зазвичай дають надійніші оцінки.

• conversion rateіменниккоефіцієнт конверсії, рівень конверсії

  Відсоток користувачів, які виконали бажану дію, наприклад покупку чи реєстрацію, серед усіх, хто мав змогу її виконати.

• churnіменниквідтік клієнтів, відтік користувачів

  Втрата клієнтів або користувачів, які перестають користуватися продуктом чи скасовують підписку за певний період; також частка таких випадків.

• bar chartіменникстовпчикова діаграма, діаграма зі смугами

  Діаграма з прямокутними стовпчиками різної довжини для порівняння значень за категоріями, наприклад продажів за регіонами чи користувачів за країнами.