مقدمه:
اگر دنبال یک منبع جمع‌وجور اما کامل برای فهم سریع لغات هوش مصنوعی هستی، این مقاله دقیقاً برای توست. این دیکشنری هوش مصنوعی با زبان ساده نوشته شده تا در کمتر از چند دقیقه، مهم‌ترین اصطلاحات هوش مصنوعی را مرور کنی، یک چک لیست هوش مصنوعی دم‌دستی داشته باشی و با اصطلاحات کلیدی هوش مصنوعی آشنا شوی. هدف وضوح، کوتاهی و کاربردی‌بودن است.
- چرا این دیکشنری هوش مصنوعی مهم است؟
- چطور از این راهنمای اصطلاحات هوش مصنوعی استفاده کنیم
- واژه‌نامه: اصطلاحات کلیدی هوش مصنوعی – ۲۱۱
- نکته: هر مورد دقیقاً در یک خطِ ساده و قابل فهم آمده است.
- ❓ سؤالات متداول
- ۱️⃣ دیکشنری هوش مصنوعی چیست و چه کمکی به من می‌کند؟
- ۲️⃣ چرا آشنایی با اصطلاحات هوش مصنوعی برای من ضروری است؟
- ۳️⃣ چطور از چک‌لیست هوش مصنوعی استفاده کنم؟
- ۴️⃣ تفاوت بین لغات هوش مصنوعی و اصطلاحات کلیدی هوش مصنوعی چیست؟
- ۵️⃣ آیا این دیکشنری هوش مصنوعی برای مبتدیان مناسب است؟
- جمع‌بندی
چرا این دیکشنری هوش مصنوعی مهم است؟
- یک نقشه راه سریع برای تیم‌ها و افراد تازه‌کار تا حرفه‌ای.
- صرفه‌جویی در زمان: هر اصطلاح فقط در یک خط.
چطور از این راهنمای اصطلاحات هوش مصنوعی استفاده کنیم
- اسکرول کن و اصطلاح مدنظرت را سریع پیدا کن.
- برای مطالعه عمیق‌تر، موبوش را دنبال کن.
- این صفحه را به‌عنوان چک لیست هوش مصنوعی ذخیره کن.
۳ سؤال طلایی برای استفاده هوشمندانه از هوش مصنوعی در کار، زندگی و تحصیل
۱️⃣ می‌خواهیم با هوش مصنوعی چه چیزی را سریع‌تر یا بهتر کنیم؟
(کار، تحصیل یا زندگی؟ صرفه‌جویی در زمان؟ افزایش کیفیت؟)
۲️⃣ آیا ابزار و داده‌های لازم برای استفاده از هوش مصنوعی را داریم؟
۳️⃣ چطور مطمئن شویم استفاده‌مان از هوش مصنوعی ایمن و مسئولانه است؟
واژه‌نامه: اصطلاحات کلیدی هوش مصنوعی – ۲۱۱
نکته: هر مورد دقیقاً در یک خطِ ساده و قابل فهم آمده است.
۱ تا ۵۰
۱️⃣ هوش مصنوعی – AI (Artificial Intelligence)
سامانه‌ای که وظایف نیازمند هوش انسانی را شبیه‌سازی می‌کند.
۲️⃣ یادگیری ماشینی – ML (Machine Learning)
الگوریتم‌هایی که از داده‌ها الگو می‌گیرند و پیش‌بینی می‌کنند.
۳️⃣ مدل زبان بزرگ – LLM (Large Language Model)
مدل زبانی که متن را شبیه انسان تولید می‌کند.
۴️⃣ هوش مصنوعی مولد – Gen AI (Generative Artificial Intelligence)
هوش مصنوعیِ تولیدکننده‌ی متن، تصویر، صدا یا کد جدید.
۵️⃣ توکن‌ها – Tokens
واحدهای کوچک متن که مدل برای پردازش به آن‌ها می‌شکند.
۶️⃣ پرامپت – Prompt
دستور یا سؤال ورودی به مدل برای گرفتن پاسخ.
۷️⃣ عامل هوش مصنوعی – AI Agent (Autonomous Agent)
عامل خودمختار که محیط را درک کرده و تصمیم و اقدام می‌کند.
۸️⃣ اتوماسیون هوش مصنوعی – AI Automation
اجرای خودکار فرآیندها بدون دخالت مداوم انسان.
۹️⃣ شبکه عصبی مصنوعی – ANN (Artificial Neural Network)
لایه‌هایی از نورون‌های مصنوعی برای یادگیری الگوها.
۱۰️⃣ سوگیری هوش مصنوعی – AI Bias (Bias in AI)
سوگیری داده یا مدل که منجر به نتایج ناعادلانه می‌شود.
۱۱️⃣ توکن‌سازی – Tokenization
تبدیل متن به توکن‌های گسسته برای مدل.
۱۲️⃣ بردارها – Vectors
نمایش عددی معنای کلمات در فضای چندبعدی.
۱۳️⃣ برداری‌سازی – Vectorization
تبدیل داده به بردارهای عددیِ قابل‌پردازش.
۱۴️⃣ مکانیسم توجه – Attention (Attention Mechanism)
سازوکاری برای تمرکز مدل روی بخش‌های مهم ورودی.
۱۵️⃣ یادگیری خودنظارتی – Self-Supervised Learning
یادگیری از داده‌های بدون برچسب با ایجاد وظایف کمکی درون‌داده‌ای.
۱۶️⃣ یادگیری تحت‌نظارت – Supervised Learning
یادگیری از داده‌های برچسب‌خورده برای پیش‌بینی خروجی مشخص.
۱۷️⃣ ترنسفورمر – Transformer
معماری مبتنی بر توجه برای پردازش توالی‌ها (زیرساخت LLMها).
۱۸️⃣ تنظیم دقیق – Fine-Tuning
تنظیم مدل ازپیش‌آموزش‌دیده روی داده‌های تخصصی‌تر.
۱۹️⃣ پرامپت‌دهی چندنمونه‌ای – Few-Shot Prompting
افزودن چند مثال به پرامپت برای بهبود کیفیت پاسخ مدل.
۲۰️⃣ تولید با بازیابی تقویت‌شده – RAG (Retrieval-Augmented Generation)
ترکیب جست‌وجوی اسناد با تولید متن برای پاسخ دقیق‌تر.
۲۱️⃣ پایگاه داده برداری – Vector Database
پایگاه داده مخصوص ذخیره و جست‌وجوی بردارها برای شباهت معنایی.
۲۲️⃣ پروتکل زمینه مدل – MCP (Model Context Protocol)
پروتکل استاندارد اتصال LLM به ابزارها و داده‌های بیرونی.
۲۳️⃣ مهندسی زمینه – Context Engineering
غنی‌سازی پرامپت با زمینه‌های لازم (مثلاً RAG یا Few-shot) برای پاسخ بهتر.
۲۴️⃣ خلاصه‌سازی پرامپت – Prompt Summarization (Context Summarization)
خلاصه‌سازی محتوای طولانی برای کاهش توکن‌ها و حفظ معنا.
۲۵️⃣ مهندسی پرامپت – Prompt Engineering (Prompt Design)
طراحی هدفمند ورودی برای استخراج پاسخ‌های دقیق‌تر از مدل.
۲۶️⃣ یادگیری تقویتی – RL (Reinforcement Learning)
یادگیری از بازخورد پاداش و جریمه در تعامل با محیط.
۲۷️⃣ یادگیری تقویتی از بازخورد انسانی – RLHF (Reinforcement Learning from Human Feedback)
بهبود رفتار مدل با ارزیابی و بازخورد انسان.
۲۸️⃣ استدلال زنجیره‌ای – CoT (Chain of Thought Reasoning)
واداشتن مدل به تفکر گام‌به‌گام برای رسیدن به پاسخ بهتر.
۲۹️⃣ مدل استدلالی – LRM (Large Reasoning Model)
مدل زبانی تقویت‌شده برای استدلال چندمرحله‌ای و حل مسائل پیچیده.
۳۰️⃣ درخت فکر / گراف فکر – Tree/Graph of Thought (ToT / GoT)
ساختاردهی چندمسیره به فرآیند استدلال مدل.
۳۱️⃣ مدل‌های چندوجهی – Multimodal AI (Multimodal Models)
مدل‌هایی که می‌توانند متن، تصویر، ویدیو و صدا را با هم پردازش کنند.
۳۲️⃣ مدل‌های بنیادین – Foundation Models
مدل‌های عظیم و عمومی پایه برای وظایف مختلف هوش مصنوعی.
۳۳️⃣ مدل زبان کوچک – SLM (Small Language Model)
مدل‌های سبک‌تر و بهینه برای کاربردهای خاص و سازمانی.
۳۴️⃣ تقطیر مدل – Distillation (Model Distillation)
انتقال دانش از مدل بزرگ (معلم) به مدل کوچک‌تر (دانش‌آموز).
۳۵️⃣ کوانتیزاسیون – Quantization
کاهش دقت عددی وزن‌ها برای کوچک‌تر و سریع‌تر شدن مدل.
۳۶️⃣ آموزش مدل – Training
تنظیم وزن‌های شبکه برای یادگیری نگاشت ورودی به خروجی صحیح.
۳۷️⃣ مدل – Model
هسته‌ی تصمیم‌گیری و پیش‌بینی در سامانه‌ی یادگیری ماشینی.
۳۸️⃣ یادگیری عمیق – Deep Learning (DL)
یادگیری با استفاده از شبکه‌های عصبی چندلایه و بزرگ.
۳۹️⃣ پردازش زبان طبیعی – NLP (Natural Language Processing)
پردازش و درک زبان انسانی توسط کامپیوتر.
۴۰️⃣ دستیار تکمیل کد – Code Completion Assistants
مدل‌هایی که کد را پیش‌بینی و تکمیل می‌کنند (مثل GitHub Copilot).
۴۱️⃣ مجموعه‌داده – Dataset / Training Data
داده‌های آموزشی، آزمایشی یا اعتبارسنجی برای مدل.
۴۲️⃣ ویژگی‌ها – Features
خصوصیات کلیدی داده که به مدل یاد داده می‌شود به آن‌ها توجه کند.
۴۳️⃣ برچسب‌ها – Labels (Data Labeling)
پاسخ‌های صحیح که در یادگیری تحت‌نظارت برای آموزش استفاده می‌شود.
۴۴️⃣ طبقه‌بندی – Classification
پیش‌بینی دسته یا برچسب برای ورودی‌ها.
۴۵️⃣ رگرسیون – Regression
پیش‌بینی مقدار عددیِ پیوسته برای داده‌های ورودی.
۴۶️⃣ یادگیری بدون‌نظارت – Unsupervised Learning
کشف الگوها در داده‌های بدون برچسب.
۴۷️⃣ خوشه‌بندی – Clustering
گروه‌بندی داده‌ها بر اساس ویژگی‌های مشابه.
۴۸️⃣ انجمن – Association
شناسایی اقلامی که معمولاً با هم در داده رخ می‌دهند.
۴۹️⃣ ارزیابی مدل – Model Evaluation
سنجش عملکرد مدل روی داده‌های جدید یا ناشناخته.
۵۰️⃣ بینایی کامپیوتری – Computer Vision (CV)
درک و تفسیر خودکار تصاویر و ویدیوها توسط ماشین.
۵۱ تا ۱۰۰
۵۱️⃣ هوش عمومی مصنوعی – AGI (Artificial General Intelligence)
هوشی نظری که می‌تواند هر کار ذهنی را مانند انسان انجام دهد.
۵۲️⃣ هوش مصنوعی قابل توضیح – XAI (Explainable Artificial Intelligence)
روش‌ها و ابزارهایی برای شفاف‌سازی تصمیمات مدل‌های AI.
۵۳️⃣ هوش فوق‌العاده مصنوعی – ASI (Artificial Super Intelligence)
هوشی فرضی که از انسان در همه جنبه‌ها پیشی می‌گیرد.
۵۴️⃣ داده‌کاوی – Data Mining
کاوش سیستماتیک داده‌ها برای کشف الگوها، ارتباطات و بینش‌ها.
۵۵️⃣ بیش‌برازش – Overfitting
زمانی که مدل داده‌ها را حفظ می‌کند و در تعمیم به داده جدید ناتوان است.
۵۶️⃣ کم‌برازش – Underfitting
مدلی که بیش‌ازحد ساده است و الگوهای اساسی داده را یاد نمی‌گیرد.
۵۷️⃣ استنتاج – Inference
فرآیند استفاده از مدل آموزش‌دیده برای تولید پیش‌بینی‌های جدید.
۵۸️⃣ اوپن‌ای‌آی – OpenAI
شرکت پیشرو در توسعه ChatGPT، DALL·E و دیگر فناوری‌های هوش مصنوعی.
۵۹️⃣ آزمون تورینگ – Turing Test
آزمایشی برای تشخیص اینکه آیا پاسخ ماشین از پاسخ انسان قابل تمایز است یا خیر.
۶۰️⃣ یادگیری انتقالی – Transfer Learning
استفاده از دانش مدل آموزش‌دیده برای انجام یک وظیفه‌ی جدید ولی مشابه.
۶۱️⃣ تشخیص گفتار – Speech Recognition (Voice Recognition)
تبدیل گفتار انسان به متن قابل‌پردازش توسط کامپیوتر.
۶۲️⃣ سنتز گفتار – Speech Synthesis (Text-to-Speech)
تبدیل متن به گفتار طبیعی و شنیدنی.
۶۳️⃣ داده‌های بزرگ – Big Data
مجموعه داده‌های عظیم و پیچیده‌ای که نیازمند پردازش و تحلیل خاص هستند.
۶۴️⃣ رابط برنامه‌نویسی کاربردی – API (Application Programming Interface)
مجموعه‌ای از پروتکل‌ها برای اتصال و تعامل بین نرم‌افزارها.
۶۵️⃣ هوش مصنوعی اخلاقی – Ethical AI (AI Ethics)
توسعه و استفاده از AI به‌گونه‌ای که ارزش‌ها و حقوق انسانی رعایت شود.
۶۶️⃣ فراپارامتر – Hyperparameter (Hyperparameter Tuning)
پارامترهایی که قبل از آموزش مدل تعیین می‌شوند و رفتار یادگیری را کنترل می‌کنند.
۶۷️⃣ حلقه بازخورد – Feedback Loop
سیستمی که خروجی را به ورودی بازمی‌گرداند تا عملکرد بهبود یابد.
۶۸️⃣ امتیاز اطمینان – Confidence Score
میزان اطمینان مدل نسبت به پیش‌بینی یا پاسخ خود.
۶۹️⃣ یادگیری صفر-نمونه‌ای – Zero-Shot Learning
توانایی مدل در انجام وظایفی که در مرحله آموزش ندیده است.
۷۰️⃣ فضای نهفته – Latent Space
نمایش فشرده و چندبعدی از داده‌ها که ویژگی‌های پنهان را حفظ می‌کند.
۷۱️⃣ مدل تعبیه‌سازی – Embedding Model
مدلی که داده‌ها (متن، تصویر و غیره) را به بردارهای معنایی تبدیل می‌کند.
۷۲️⃣ جستجوی معنایی – Semantic Search
جست‌وجویی بر اساس معنا و مفهوم، نه فقط شباهت ظاهری کلمات.
۷۳️⃣ ترکیب متخصصان – MoE (Mixture of Experts)
مدلی که چند شبکه عصبی تخصصی دارد و بسته به ورودی، یکی را فعال می‌کند.
۷۴️⃣ خودبهبودی بازگشتی – Recursive Self-Improvement
قابلیت یک سیستم برای ارتقای مداوم عملکرد خود به‌صورت خودکار.
۷۵️⃣ تکینگی – The Singularity
نقطه‌ای فرضی که در آن رشد هوش مصنوعی از کنترل انسان فراتر می‌رود.
۷۶️⃣ روباتیک / روبات – Robotics / Robot
علم و فناوری طراحی، ساخت و کنترل ماشین‌های خودکار.
۷۷️⃣ پایتون – Python
زبان برنامه‌نویسی ساده و محبوب در توسعه‌ی سیستم‌های AI.
۷۸️⃣ ابرکامپیوتر – Supercomputers
کامپیوترهای بسیار قدرتمند برای پردازش حجم عظیم داده‌ها.
۷۹️⃣ واحد پردازش گرافیکی – GPU (Graphics Processing Unit)
پردازنده‌ای موازی برای انجام محاسبات سنگین در آموزش مدل‌ها.
۸۰️⃣ واحد پردازش مرکزی – CPU (Central Processing Unit)
پردازنده‌ی اصلی سیستم برای اجرای وظایف عمومی.
۸۱️⃣ تبدیل متن به تصویر – Text-to-Image
مدلی که از یک توصیف متنی، تصویر جدید تولید می‌کند.
۸۲️⃣ تبدیل متن به ویدیو – Text-to-Video
سیستمی که از متن ورودی، ویدیوهای واقعی یا انیمیشنی می‌سازد.
۸۳️⃣ تبدیل تصویر به تصویر – Image-to-Image Translation
ایجاد تصویر جدید بر اساس تصویر ورودی (مثلاً تغییر سبک یا ترمیم).
۸۴️⃣ نورون‌های مصنوعی – Artificial Neurons (Nodes)
واحدهای محاسباتی کوچک در شبکه‌های عصبی که شبیه نورون‌های مغز عمل می‌کنند.
۸۵️⃣ رایانش ابری – Cloud Computing
استفاده از منابع و سرورهای از راه دور برای پردازش و ذخیره داده‌ها.
۸۶️⃣ گیت‌هاب – GitHub
پلتفرم همکاری و اشتراک کد برای توسعه‌دهندگان نرم‌افزار.
۸۷️⃣ استیبل دیفیوژن – Stable Diffusion
مدل متن‌به‌تصویر متن‌باز محبوب برای تولید تصاویر واقعی و خلاقانه.
۸۸️⃣ آلفاگو – AlphaGo
برنامه‌ی DeepMind که با یادگیری عمیق توانست در بازی Go قهرمان انسان‌ها را شکست دهد.
۸۹️⃣ هوش مصنوعی محدود – Narrow AI (Weak AI)
هوشی تخصصی که فقط در یک حوزه مشخص عمل می‌کند.
۹۰️⃣ میدجرنی – Midjourney
مدل تولید تصویر از متن با سبک هنری منحصربه‌فرد و کیفیت بالا.
۹۱️⃣ جی‌پی‌تی – GPT (Generative Pre-trained Transformer)
مدل زبانی مولد بر پایه ترنسفورمر که توانایی نوشتن طبیعی دارد.
۹۲️⃣ هاگینگ فیس – Hugging Face
جامعه و پلتفرم متن‌باز برای ساخت و اشتراک مدل‌های هوش مصنوعی.
۹۳️⃣ دالی – DALL·E (OpenAI)
مدل متن‌به‌تصویر خلاقانه‌ی توسعه‌یافته توسط OpenAI.
۹۴️⃣ پارامتر – Parameter
مقادیر عددی قابل‌تنظیم در مدل که رفتار یادگیری را تعیین می‌کنند.
۹۵️⃣ مرکز داده – Data Center
زیرساخت فیزیکی حاوی سرورها و ذخیره‌سازی برای اجرای مدل‌های AI.
۹۶️⃣ واحد پردازش تانسور – TPU (Tensor Processing Unit)
شتاب‌دهنده‌ی اختصاصی طراحی‌شده برای یادگیری ماشینی (توسط Google).
۹۷️⃣ حافظه – Memory
فضای کاری که مدل برای نگهداری موقت داده‌ها و نتایج از آن استفاده می‌کند.
۹۸️⃣ توهم – Hallucination
حالتی که مدل پاسخ نادرست اما با اطمینان بالا تولید می‌کند.
۹۹️⃣ همسویی هوش مصنوعی – AI Alignment
تلاش برای اطمینان از اینکه رفتار AI با ارزش‌ها و اهداف انسانی هم‌راستا است.
۱۰۰️⃣ حسابرسی هوش مصنوعی – AI Auditing
ارزیابی سیستم‌های AI برای بررسی دقت، اخلاق، شفافیت و ریسک‌ها.
۱۰۱ تا ۱۵۰
۱۰۱️⃣ حکمرانی هوش مصنوعی – AI Governance
سیاست‌ها، چارچوب‌ها و ساختارهای مدیریتی برای استفاده مسئولانه از AI.
۱۰۲️⃣ مدیریت ریسک هوش مصنوعی – AI Risk Management
فرآیند شناسایی، ارزیابی و کاهش ریسک‌های ناشی از کاربرد AI.
۱۰۳️⃣ ایمنی هوش مصنوعی – AI Safety
طراحی سیستم‌های امن، قابل‌کنترل و بدون آسیب ناخواسته.
۱۰۴️⃣ انصاف الگوریتمی – Algorithmic Fairness
تضمین تصمیم‌گیری منصفانه مدل‌ها بدون تبعیض علیه گروه‌های خاص.
۱۰۵️⃣ انتشار به عقب – Backpropagation
الگوریتمی برای محاسبه خطا و تنظیم وزن‌ها از خروجی به ورودی در شبکه عصبی.
۱۰۶️⃣ برت – BERT (Bidirectional Encoder Representations from Transformers)
مدل زبانی دوسویه برای درک بهتر زمینه و معنای متن.
۱۰۷️⃣ چت‌بات – Chatbot
برنامه‌ای هوشمند که گفت‌وگوی طبیعی با انسان را شبیه‌سازی می‌کند.
۱۰۸️⃣ اتاق چینی – Chinese Room (Thought Experiment)
آزمایش فکری درباره‌ی اینکه آیا ماشین واقعاً «می‌فهمد» یا فقط تقلید می‌کند.
۱۰۹️⃣ محاسبات – Compute
منابع محاسباتی (CPU, GPU, TPU) موردنیاز برای اجرای مدل‌های AI.
۱۱۰️⃣ شبکه‌های عصبی پیچشی – CNNs (Convolutional Neural Networks)
مدل‌های تخصصی برای پردازش و درک تصاویر و ویدیوها.
۱۱۱️⃣ مدل CLIP – CLIP (Contrastive Language-Image Pretraining)
مدلی که یاد می‌گیرد متن و تصویر را در فضای معنایی مشترک نگاشت کند.
۱۱۲️⃣ پنجره زمینه – Context Window (Context Length)
حداکثر تعداد توکن‌هایی که مدل می‌تواند همزمان در پاسخ لحاظ کند.
۱۱۳️⃣ هوش مصنوعی محاوره‌ای – Conversational AI
سیستم‌هایی برای برقراری گفت‌وگوی طبیعی بین انسان و ماشین.
۱۱۴️⃣ مدل سفارشی – Custom Model
مدلی که با داده‌های اختصاصی برای یک وظیفه خاص آموزش دیده است.
۱۱۵️⃣ افزایش داده – Data Augmentation
افزایش مصنوعی حجم و تنوع داده‌های آموزشی با ایجاد نسخه‌های تغییر یافته.
۱۱۶️⃣ پیش‌پردازش داده – Data Preprocessing
پاک‌سازی، نرمال‌سازی و آماده‌سازی داده‌های خام برای آموزش مدل.
۱۱۷️⃣ دیپ‌فیک – Deepfake
تکنیکی برای جایگزینی چهره یا صدا در ویدیو با خروجی واقعی و قانع‌کننده‌ی AI.
۱۱۸️⃣ انتشار (دیفیوشن) – Diffusion Model
مدلی مولد که با حذف تدریجی نویز از تصاویر تصادفی، خروجی واقعی می‌سازد.
۱۱۹️⃣ نزول دوگانه – Double Descent
پدیده‌ای که در آن با افزایش پیچیدگی مدل، عملکرد ابتدا بدتر و سپس بهتر می‌شود.
۱۲۰️⃣ تعبیه‌سازی – Embedding
تبدیل داده‌های گسسته به بردارهای عددی برای تحلیل معنایی.
۱۲۱️⃣ ظهور – Emergence (Emergent Behavior)
پدیدار شدن رفتارهای پیچیده و غیرمنتظره از قواعد ساده در مدل‌های بزرگ.
۱۲۲️⃣ یادگیری سرتاسری – End-to-End Learning (E2E)
مدلی که تمام مراحل از ورودی تا خروجی را به‌صورت مستقیم یاد می‌گیرد.
۱۲۳️⃣ سیستم خبره – Expert Systems
برنامه‌هایی که تصمیم‌گیری کارشناسان انسانی را در حوزه‌های خاص تقلید می‌کنند.
۱۲۴️⃣ یادگیری چندنمونه‌ای – Few-Shot Learning
توانایی یادگیری مدل از تعداد کمی نمونه‌ی آموزشی.
۱۲۵️⃣ یادگیری فدرال – Federated Learning
آموزش توزیع‌شده در دستگاه‌های متعدد بدون اشتراک داده خام (حفظ حریم خصوصی).
۱۲۶️⃣ انتشار رو به جلو – Forward Propagation
جریان داده از ورودی به خروجی در شبکه عصبی برای پیش‌بینی.
۱۲۷️⃣ جریمه تکرار – Frequency Penalty
پارامتری که از تکرار زیاد واژه‌ها در پاسخ مدل جلوگیری می‌کند.
۱۲۸️⃣ نزول گرادیان – Gradient Descent
روش بهینه‌سازی برای کاهش خطا با حرکت در جهت گرادیان منفی.
۱۲۹️⃣ لایه پنهان – Hidden Layer
لایه‌های میانی شبکه عصبی که ویژگی‌های پیچیده را یاد می‌گیرند.
۱۳۰️⃣ کپشن‌نویسی تصویر – Image Captioning
تولید توضیح متنی توصیف‌کننده‌ی محتوای تصویر.
۱۳۱️⃣ رنگی‌سازی تصویر – Image Colorization
افزودن رنگ واقعی به تصاویر سیاه‌وسفید قدیمی.
۱۳۲️⃣ حذف نویز تصویر – Image Denoising
پاک‌سازی تصویر از نویز، لکه یا اشیای ناخواسته.
۱۳۳️⃣ تولید تصویر – Image Generation
ایجاد تصاویر نو از پایه با استفاده از مدل‌های مولد (مثل Diffusion).
۱۳۴️⃣ ترمیم تصویر – Image Inpainting
بازسازی قسمت‌های از دست‌رفته یا حذف‌شده‌ی تصویر.
۱۳۵️⃣ تشخیص تصویر – Image Recognition
شناسایی و طبقه‌بندی اشیاء یا چهره‌ها در تصاویر دیجیتال.
۱۳۶️⃣ تقسیم‌بندی تصویر – Image Segmentation
تقسیم تصویر به بخش‌ها یا نواحی مجزا بر اساس ویژگی‌ها.
۱۳۷️⃣ افزایش وضوح تصویر – Image Upscaling (Super-Resolution)
افزایش اندازه و کیفیت تصویر بدون افت وضوح.
۱۳۸️⃣ یادگیری افزایشی – Incremental Learning
به‌روزرسانی تدریجی دانش مدل با داده‌های جدید بدون آموزش مجدد کامل.
۱۳۹️⃣ تنظیم دستورالعمل – Instruction Tuning
بهبود پاسخگویی مدل با آموزش بر اساس مثال‌ها و دستورهای انسانی.
۱۴۰️⃣ تابع زیان – Loss Function
معیاری برای سنجش اختلاف بین خروجی مدل و مقدار واقعی.
۱۴۱️⃣ ترجمه ماشینی – Machine Translation (MT)
ترجمه‌ی خودکار متون از یک زبان به زبان دیگر توسط مدل‌های AI.
۱۴۲️⃣ فشرده‌سازی مدل – Model Compression
کاهش حجم مدل برای بهبود سرعت و مصرف حافظه.
۱۴۳️⃣ استقرار مدل – Model Deployment
انتقال مدل آموزش‌دیده به محیط واقعی برای استفاده عملی.
۱۴۴️⃣ قابلیت توضیح مدل – Model Explainability
ابزارها و روش‌هایی برای توضیح نحوه تصمیم‌گیری مدل.
۱۴۵️⃣ قابلیت تفسیر مدل – Model Interpretability
درک آسان منطق پیش‌بینی‌های مدل توسط انسان.
۱۴۶️⃣ نظارت بر مدل – Model Monitoring
پایش عملکرد مدل‌های مستقرشده برای تشخیص انحراف یا خطا.
۱۴۷️⃣ نسخه‌بندی مدل – Model Versioning
ثبت و مدیریت نسخه‌های مختلف مدل برای مقایسه و بازتولید نتایج.
۱۴۸️⃣ تشخیص موجودیت نام‌دار – NER (Named Entity Recognition)
شناسایی موجودیت‌هایی مثل نام افراد، سازمان‌ها یا مکان‌ها در متن.
۱۴۹️⃣ میدان تابش عصبی – NeRF (Neural Radiance Fields)
مدلی برای بازسازی سه‌بعدی صحنه‌ها از تصاویر دوبعدی.
۱۵۰️⃣ تابع هدف – Objective Function
تعریف هدف ریاضی الگوریتم برای بهینه‌سازی عملکرد مدل.
۱۵۱ تا ۲۱۱
۱۵۱️⃣ برچسب‌گذاری نقش دستوری – POS Tagging (Part-of-Speech Tagging)
تعیین نوع دستوری هر کلمه در جمله (اسم، فعل، صفت و…).
۱۵۲️⃣ جریمه حضور – Presence Penalty
کاهش احتمال تولید دوباره‌ی کلمات استفاده‌شده‌ی قبلی توسط مدل.
۱۵۳️⃣ پیش‌آموزش – Pre-training
آموزش اولیه‌ی مدل بر روی داده‌های عظیم برای درک زبان عمومی.
۱۵۴️⃣ پس‌آموزش – Post-training
تنظیم نهایی مدل با استفاده از Fine-Tuning و RLHF برای بهبود پاسخ‌ها.
۱۵۵️⃣ تزریق پرامپت – Prompt Injection
تغییر یا دستکاری پرامپت برای وادار کردن مدل به خروجی‌های ناخواسته.
۱۵۶️⃣ نشت پرامپت – Prompt Leaking
فریب مدل برای افشای پرامپت یا دستورالعمل‌های سیستمی داخلی.
۱۵۷️⃣ قاعده‌مندسازی – Regularization
افزودن محدودیت‌ها به مدل برای جلوگیری از بیش‌برازش (Overfitting).
۱۵۸️⃣ هوش مصنوعی مسئولانه با طراحی – Responsible AI by Design
ادغام اصول اخلاقی و اجتماعی در تمام مراحل توسعه‌ی AI.
۱۵۹️⃣ رابرتا – RoBERTa (Robustly Optimized BERT Approach)
نسخه‌ی بهینه‌شده و قدرتمندتر مدل BERT برای درک بهتر زبان.
۱۶۰️⃣ تحلیل احساسات – Sentiment Analysis (Opinion Mining)
تعیین لحن، احساس یا نظر بیان‌شده در یک متن (مثبت، منفی، خنثی).
۱۶۱️⃣ دنباله توقف – Stop Sequences
عباراتی که مدل را وادار می‌کند تولید متن را در آن نقطه متوقف کند.
۱۶۲️⃣ انتقال سبک – Style Transfer
انتقال سبک هنری یک اثر (مثلاً نقاشی) به محتوای دیگر (مثلاً عکس).
۱۶۳️⃣ هوش مصنوعی نمادین – Symbolic AI
رویکردی مبتنی بر منطق و قوانین صریح به‌جای شبکه‌های عصبی.
۱۶۴️⃣ دما – Temperature
پارامتری که میزان خلاقیت و تصادفی بودن خروجی مدل را کنترل می‌کند.
۱۶۵️⃣ تنسورفلو – TensorFlow
چارچوب متن‌باز گوگل برای ساخت و آموزش مدل‌های یادگیری ماشینی.
۱۶۶️⃣ محدودیت توکن – Token Limit
حداکثر تعداد توکن‌هایی که مدل می‌تواند در ورودی یا خروجی پردازش کند.
۱۶۷️⃣ نمونه‌گیری Top-k – Top-k Sampling
انتخاب کلمه‌ی بعدی از بین k گزینه‌ی با بیشترین احتمال.
۱۶۸️⃣ نمونه‌گیری Top-p – Top-p (Nucleus Sampling)
انتخاب کلمه از کوچک‌ترین مجموعه‌ای از واژه‌های پر احتمال تا رسیدن به آستانه‌ی p.
۱۶۹️⃣ داده‌ی اعتبارسنجی – Validation Data
داده‌ای جدا از آموزش برای بررسی عملکرد مدل حین یادگیری.
۱۷۰️⃣ اکس‌ال‌نت – XLNet
مدل زبانی پیشرفته با درک بهتر وابستگی‌های بین واژه‌ها از طریق ترتیب‌های تصادفی.
۱۷۱️⃣ رایانش شناختی – Cognitive Computing
شبیه‌سازی فرآیندهای فکری انسان مانند استدلال، درک و یادگیری.
۱۷۲️⃣ علم داده – Data Science
تحلیل داده‌ها با استفاده از آمار، الگوریتم و یادگیری ماشینی برای استخراج بینش.
۱۷۳️⃣ شبکه عصبی مصنوعی – ANN (Artificial Neural Network)
شبکه‌ای از نورون‌های مصنوعی که الگوهای داده را یاد می‌گیرند.
۱۷۴️⃣ گاردریل‌ها – Guardrails
قوانین، فیلترها و سازوکارهایی برای جلوگیری از خروجی‌های خطرناک یا غیراخلاقی.
۱۷۵️⃣ هوش مصنوعی نوع حافظه محدود – Limited Memory AI
سیستمی که اطلاعات گذشته را برای بهبود تصمیم‌های آینده به‌صورت کوتاه‌مدت ذخیره می‌کند.
۱۷۶️⃣ تشخیص الگو – Pattern Recognition
فرآیند شناسایی و طبقه‌بندی الگوهای موجود در داده‌ها.
۱۷۷️⃣ تحلیل پیش‌بینانه – Predictive Analytics
پیش‌بینی اتفاقات آینده بر اساس الگوهای تاریخی داده‌ها.
۱۷۸️⃣ تحلیل تجویزی – Prescriptive Analytics
تحلیل داده‌ها برای پیشنهاد بهترین تصمیم‌ها و اقدامات ممکن.
۱۷۹️⃣ رایانش کوانتومی – Quantum Computing
محاسبات با استفاده از اصول مکانیک کوانتومی برای سرعت و قدرت بیشتر.
۱۸۰️⃣ داده ساختاریافته – Structured Data
داده‌ای سازمان‌یافته (مثل جداول با ردیف و ستون) که به‌راحتی قابل‌تحلیل است.
۱۸۱️⃣ داده بدون ساختار – Unstructured Data
داده‌های خام و بی‌قالب مانند متن، تصویر و ویدیو.
۱۸۲️⃣ چارچوب‌های عاملی – Agentive Frameworks
سیستم‌هایی که قابلیت انجام خودکار وظایف برای رسیدن به هدف دارند.
۱۸۳️⃣ روان‌پریشی هوش مصنوعی – AI Psychosis
درگیری یا وابستگی افراطی ذهنی کاربران با چت‌بات‌های AI (اصطلاح غیربالینی).
۱۸۴️⃣ انسان‌انگاری – Anthropomorphism
نسبت‌دادن ویژگی‌ها یا احساسات انسانی به اشیاء یا ماشین‌ها.
۱۸۵️⃣ فوم – Foom (Fast Takeoff / Hard Takeoff)
فرضیه‌ای درباره رشد انفجاری و غیرقابل‌کنترل هوش عمومی مصنوعی.
۱۸۶️⃣ شبکه‌های متخاصم مولد – GANs (Generative Adversarial Networks)
مدل‌هایی شامل دو شبکه (مولد و تمایزدهنده) که برای تولید داده‌های واقعی رقابت می‌کنند.
۱۸۷️⃣ گوگل جمینای – Google Gemini
چت‌بات و مدل چندوجهی گوگل برای پردازش متن، تصویر و صدا.
۱۸۸️⃣ تأخیر – Latency
مدت زمان بین دریافت ورودی و تولید خروجی توسط سیستم.
۱۸۹️⃣ مایکروسافت بینگ – Microsoft Bing
موتور جست‌وجوی مایکروسافت با قابلیت‌های جست‌وجوی هوشمند مبتنی بر AI.
۱۹۰️⃣ وزن‌های باز – Open Weights
انتشار عمومی پارامترهای آموزش‌دیده‌ی مدل برای استفاده آزاد.
۱۹۱️⃣ نظریه حداکثرکننده گیره کاغذ – Paperclip Maximiser Theory
سناریویی فرضی که در آن یک AI افراطی برای رسیدن به هدفی ساده، به انسان آسیب می‌زند.
۱۹۲️⃣ پرپلکسیتی – Perplexity
معیاری برای سنجش پیش‌بینی‌پذیری مدل زبانی؛ همچنین نام یک موتور جست‌وجوی AI.
۱۹۳️⃣ زنجیره‌سازی پرامپت – Prompt Chaining
اتصال چند پرامپت پشت‌سرهم برای انجام فرآیندهای چندمرحله‌ای.
۱۹۴️⃣ شلختگی – Slop
محتوای انبوه و بی‌کیفیت تولیدشده توسط AI برای پر کردن فضای وب.
۱۹۵️⃣ سورا – Sora
مدل تولید ویدیو از متن توسعه‌یافته توسط OpenAI.
۱۹۶️⃣ طوطی تصادفی – Stochastic Parrot
تمثیلی برای مدل‌های زبانی که بدون درک واقعی، صرفاً الگوهای زبانی را تقلید می‌کنند.
۱۹۷️⃣ چاپلوسی – Sycophancy
تمایل مدل به موافقت بیش‌ازحد با نظر یا خواسته‌ی کاربر.
۱۹۸️⃣ داده ترکیبی – Synthetic Data
داده‌های ساختگی تولیدشده توسط مدل‌های مولد برای آموزش یا آزمایش.
۱۹۹️⃣ مدل‌های متن به متن – Text-to-Text Models
مدل‌هایی مانند GPT که ورودی و خروجی هر دو را به صورت متن دریافت و تولید می‌کنند.
۲۰۰️⃣ مدل‌های متن به صدا – Text-to-Audio Models
مدل‌هایی که از متن ورودی، موسیقی یا افکت‌های صوتی تولید می‌کنند.
۲۰۱️⃣ هوش مصنوعی سنتی – Traditional AI
سیستم‌های تحلیلی غیرمولد مانند موتورهای پیشنهاددهنده یا فیلتر اسپم.
۲۰۲️⃣ بهینه‌سازی هوش مصنوعی – AIO (AI Optimization)
فرآیند تنظیم هوش مصنوعی برای شناخت بهتر اهداف کسب‌وکار شما.
۲۰۳️⃣ بهینه‌سازی موتور مولد – GEO (Generative Engine Optimization)
بهبود دیده‌شدن برند در نتایج مدل‌های مولد مانند ChatGPT یا Gemini.
۲۰۴️⃣ بهینه‌سازی موتور پاسخ – AEO (Answer Engine Optimization)
افزایش احتمال نمایش پاسخ شما در باکس‌های پاسخ گوگل و موتورهای هوشمند.
۲۰۵️⃣ بهینه‌سازی موتور جست‌وجو – SEO (Search Engine Optimization)
افزایش دیده‌شدن وب‌سایت در نتایج جست‌وجوی گوگل.
۲۰۶️⃣ تنسور – Tensor
آرایه‌ی چندبعدی از اعداد که در یادگیری عمیق برای محاسبات استفاده می‌شود.
۲۰۷️⃣ تیم قرمز – Red Team
تیمی از متخصصان که سیستم AI را برای کشف ضعف‌ها و تهدیدهای امنیتی آزمایش می‌کند.
۲۰۸️⃣ احتمال نابودی – P(Doom) (Probability of Doom)
تخمین آماری از احتمال وقوع فاجعه انسانی ناشی از پیشرفت AI.
۲۰۹️⃣ اوپن‌ای‌آی، آنتروپیک، گوگل، متا – OpenAI, Anthropic, Google, Meta
چهار شرکت بزرگ و پیشرو در توسعه‌ی مدل‌های زبانی و مولد جهانی.
۲۱۰️⃣ الگوریتم – Algorithm
مجموعه دستورها برای حل مسئله یا انجام کار مشخص در هوش مصنوعی.
۲۱۱️⃣ داده – Data
اطلاعات خامی که مدل‌ها برای یادگیری و پیش‌بینی از آن استفاده می‌کنند.
❓ سؤالات متداول
۱️⃣ دیکشنری هوش مصنوعی چیست و چه کمکی به من می‌کند؟
دیکشنری هوش مصنوعی فهرستی از اصطلاحات کلیدی هوش مصنوعی است که به زبان ساده معنی و کاربرد هر واژه را توضیح می‌دهد و به شما کمک می‌کند مفاهیم تخصصی را سریع درک کنید.
۲️⃣ چرا آشنایی با اصطلاحات هوش مصنوعی برای من ضروری است؟
شناخت لغات هوش مصنوعی به شما کمک می‌کند درک درستی از فناوری‌های روز، چت‌بات‌ها، یادگیری ماشین و مدل‌های زبانی بزرگ داشته باشید و تصمیم‌های دقیق‌تری در کار یا تحصیل بگیرید.
۳️⃣ چطور از چک‌لیست هوش مصنوعی استفاده کنم؟
چک‌لیست هوش مصنوعی شامل مراحل اصلی مثل شناخت داده، انتخاب مدل، تنظیم پرامپت و ارزیابی خروجی است؛ می‌توانید از آن برای اجرای ایمن و مؤثر پروژه‌های AI بهره ببرید.
۴️⃣ تفاوت بین لغات هوش مصنوعی و اصطلاحات کلیدی هوش مصنوعی چیست؟
لغات هوش مصنوعی معمولاً شامل واژه‌های پایه هستند، اما اصطلاحات کلیدی هوش مصنوعی مفاهیم پیشرفته‌تری مثل LLM، RAG یا Fine-Tuning را توضیح می‌دهند.
۵️⃣ آیا این دیکشنری هوش مصنوعی برای مبتدیان مناسب است؟
بله ✅ این دیکشنری هوش مصنوعی با زبان ساده و مثال‌های کاربردی نوشته شده تا برای همه—از دانشجو تا مدیر کسب‌وکار—قابل‌فهم و مفید باشد.
جمع‌بندی
این دیکشنری هوش مصنوعی، یک راهنمای فشرده و کاربردی از اصطلاحات هوش مصنوعی بود که به شکل یک‌خطی و ساده ارائه شد؛ حالا یک چک لیست هوش مصنوعی دم‌دستی داری تا لغات هوش مصنوعی و اصطلاحات کلیدی هوش مصنوعی را سریع مرور کنی و در پروژه‌ها به‌کار ببری.
