فهرست این فصلبخش ۱، فصل ۳ — صفحهٔ ۵ از ۵
بخش ۱، فصل ۳ — صفحهٔ ۵ از ۵
هوش مصنوعی – مسائل بنیادین و واژه‌نامه
متن اصلی فارسی با منشأ، شناسه و پیوند استناد پایدار.
واژه‌نامه
ترجمهٔ منبع
| اختصارات | اصطلاح | تعریف | مترادف‌ها و اصطلاحات مرتبط |
|---|---|---|---|
| Acoustical Processing | زیرشاخه‌ای در فیزیک که صدا، ارتعاش و صداهای فراصوتی و فروصوتی را در انواع ماده (جامد، مایع و گاز) اندازه‌گیری می‌کند. | ||
| Affect Analysis | تحلیل زبان، طرز راه رفتن، وضعیت بدن، حرکات چهره یا سایر ویژگی‌ها به‌منظور بررسی وضعیت عاطفی یا احساسی یک فرد. | تحلیل احساسات (Sentiment Analysis) | |
| AI Agent | یک مدل هوش مصنوعی (یا مجموعه‌ای از مدل‌های هوش مصنوعی) در حال بهره‌برداری که برای تولید توصیه‌ها یا تصمیم‌های «مستقل» عمل می‌کند. | AI Model | |
| AI Lifecycle | فرایند و گام‌های کامل سفارش، طراحی، توسعه، آموزش، پیاده‌سازی، پایش و از رده خارج‌سازی یک مدل یا سامانه هوش مصنوعی. | ||
| AI Model | مدل هوش مصنوعی حاصل به‌کارگیری یک الگوریتم (یا مجموعه‌ای از الگوریتم‌ها) بر داده‌ها به‌منظور بهینه‌سازی هدفی خاص و/یا تولید بینش درباره پرسش یا هدفی معین است. | AI؛ Algorithm | |
| AI System | زیست‌بومی که شامل مدل‌های هوش مصنوعی (که خود از الگوریتم‌ها و داده‌ها ساخته شده‌اند) به‌همراه انسان‌ها، سازمان‌های آنان و هر فناوری دیگری مرتبط با چرخه عمر هوش مصنوعی آن‌هاست. | AI | |
| Algorithm | منطق ریاضی (که گاه «قواعد» نامیده می‌شود) که برای سازمان‌دهی، | Logic, Math, Computation, | |
| ارزیابی و سنجش تطابق‌ها و الگوهای موجود در داده‌ها به‌کار می‌رود. | Program, Code, Mathematical Model | ||
| Algorithmic Bias | گرایش یک مدل هوش مصنوعی به تولید برون‌دادهایی که بر اثر شیوه ساختمان یا عملکرد الگوریتم با داده‌هایی که بر آن‌ها آموزش دیده یا عمل می‌کند، عملکردی متفاوت دارند. | سوگیری (Bias)؛ سوگیری داده (Data Bias) (ر.ک. همچنین مقاله «پژوهش حقوقی و تحلیل داده‌های قضایی») | |
| ADM | تصمیم‌گیری الگوریتمی / تصمیم‌گیری خودکار | تعریف موردتوافق گسترده‌ای وجود ندارد. به‌طور کلی به مدل هوش مصنوعی‌ای اشاره دارد که مجاز است یا دستور دارد تعیین‌کننده برون‌دادها باشد، اما می‌تواند نیز به‌شکلی کمتر مشخص به سامانه یا مدل هوش مصنوعی‌ای اشاره کند که تصمیم‌ها یا برون‌دادهای انسانی را تسهیل، توصیه یا متأثر می‌سازد. تمایز میان توصیه‌کردن و تصمیم‌گیری تقریباً همیشه وابسته به بافت است. | |
| GAI/General AI | هوش مصنوعی عمومی | هوش مصنوعی‌ای با توانایی وجود مستقل در گستره کاملی از قابلیت‌ها، با توانایی تعیین اهداف خود، سازگاری با شرایط، یادگیری و پیگیری دستورالعمل‌های پیچیده. | |
| AI | هوش مصنوعی (Artificial Intelligence, AI) | تعریف موردتوافق گسترده‌ای وجود ندارد. هوش مصنوعی هم یک مفهوم و هم مقوله‌ای از ابزارهای فناورانه است که با مدل‌های ریاضی پیشرفته و داده‌ها توانمند می‌شوند و می‌توانند نوعی از وظیفه شناختی انسانی را تقویت، بازتولید یا بهبود بخشند؛ | یادگیری ماشین (Machine Learning, ML)، هوش افزوده، اتوماسیون هوشمند |
| وظیفه‌ای که ورای محاسبه، مستلزم تفکر است. | |||
| ANI/Narrow AI | هوش مصنوعی محدود | هوش مصنوعی محدود به مدل‌هایی اشاره دارد که برای انجام وظایف و کارکردهای مجزا هدف‌گذاری شده‌اند. | یادگیری ماشین، هوش افزوده، اتوماسیون هوشمند |
| ASI | ابرهوش مصنوعی | مدل‌های هوش مصنوعی که کاملاً خودمختار و خوداجرا هستند، به‌گونه‌ای که از هوش و توانایی رفتاری انسان فراتر می‌روند؛ این مدل‌ها ممکن است «آگاه» باشند یا نباشند و ممکن است بازتولیدکننده باشند یا نباشند. | |
| AR | واقعیت افزوده | هم‌نهی و/یا یکپارچه‌سازی اطلاعات و پدیده‌های دیداری، شنیداری، لامسه‌ای یا پیکری‌حسی تولیدشده توسط رایانه بر اشیاء و تعاملات جهان واقعی. | |
| Augmented Human or Machine Performance | مدل‌های هوش مصنوعی که در انجام یک وظیفه به انسان‌ها یا فناوری‌های موجود یاری می‌رسانند یا آن‌ها را مکمل می‌سازند، به‌طور بالقوه با کاهش زمان و انرژی لازم برای تکمیل آن. بیشتر هوش مصنوعی امروز در این مقوله جای می‌گیرد. | ||
| Authenticity | اصالت | آنچه به‌راستی همان کس یا چیزی است که ادعا می‌شود. |
| اختصارات | اصطلاح | تعریف | مترادف‌ها و اصطلاحات مرتبط |
|---|---|---|---|
| سوگیری | ترجیح یا گرایش به چیزی در برابر چیز دیگر، چه به دلایل انتخاب عقلانی و چه به‌سبب تبعیض عمدی یا غیرعمدی. | سوگیری الگوریتمی، سوگیری داده | |
| داده‌های کلان | حجم عظیم و به‌صورت نمایی در حال رشدِ داده‌های پیچیده (ساختارمند، بدون ساختار و نیمه‌ساختارمند) که امروزه مدل‌های هوش مصنوعی را تغذیه می‌کند. | ||
| زیست‌سنجی | نقاط داده‌ای که از کارکردها و ویژگی‌های بدن انسان ثبت و اندازه‌گیری می‌شوند؛ از جمله ضربان قلب، الگوهای شبکیه، هندسهٔ چهره، طرز راه رفتن، گفتار و غیره. | ||
| جعبهٔ سیاه | اصطلاحی که برای توصیف یک سیستم فناورانه به کار می‌رود که ذاتاً مبهم است، سازوکارهای درونی یا منطق زیربنایی آن به‌طور کامل فهمیده نمی‌شود، یا نتایج و برون‌دادهای آن قابل توضیح نیست. | ||
| ربات | عاملی هوش مصنوعی که رفتار، ظرفیت یا فرایندهای انسانی را تقلید می‌کند. | ||
| چت‌بات | عاملی هوش مصنوعی که خدمات مشتریان یا تعاملات گفتگویی انسانی را شبیه‌سازی می‌کند و با خودکارسازی پاسخ‌های شفاهی و کتبی با انسان‌ها ارتباط برقرار می‌کند. | ||
| پاک‌سازی‌شده | داده‌ای که برچسب‌گذاری، برچسب‌گذاری مجدد یا بازبینی شده است تا از سازمان‌دهی صحیح و تناسب مناسبِ نقاط داده اطمینان حاصل شود یا | ||
| معادل‌سازی شود. گاهی داده‌های پرت یا نامربوط ممکن است حذف شوند. | |||
| IOT | دستگاه‌های متصل / اینترنت اشیا / حسگرها | شبکه‌هایی از دستگاه‌ها، مانند پوشیدنی‌ها (مثلاً ساعت‌های هوشمند)، ترموستات‌ها و حسگرهای موجود در یخچال، خط تولید صنعتی یا خودرو، که داده‌ها را به مدل‌های هوش مصنوعی می‌رسانند تا عملکرد بهبود یابد یا پیش‌بینی‌هایی دربارهٔ دستگاه‌ها یا کاربران آن‌ها تولید شود. | |
| یادگیری فعال پیوسته | زیرمجموعه‌ای از یادگیری ماشین که در آن مدل‌ها به‌طور پیوسته بر مبنای حجم فزایندهٔ بازخوردهای تکراری یاد می‌گیرند و سازگار می‌شوند. | ||
| پایش پیوستهٔ مدل | مراقبت مستمر و بازبینی فعالیت یک مدل برای رصد تغییرات مدل و تناسب آن با هدف. | ||
| CNN | شبکهٔ عصبی کانولوشنی | تکنیکی از یادگیری ماشین که اغلب برای طبقه‌بندی یا تولید تصاویر و ویدیوها در داده‌های بدون ساختار یا بدون برچسب به کار می‌رود. | یادگیری عمیق؛ شبکه‌های عصبی |
| سوگیری داده | مجموعه‌داده‌ها از داده‌هایی گردآوری می‌شوند که از اطلاعات مربوط به رویدادهای تاریخی به‌دست آمده‌اند و از این رو مصنوعاتِ تاریخ بشرند. سوگیری داده به مجموعه‌داده‌هایی اشاره دارد که می‌توانند در صورت استفاده برای آموزش مدل‌هایی که بر پایهٔ آن الگوهای تاریخی، واجد شرایط بودن در آینده را پیش‌بینی می‌کنند، سوگیری‌ها را رمزگذاری کنند. | سوگیری الگوریتمی. ر.ک. نیز مقالهٔ Artificial Intelligence, Legal Research, and Judicial Analytics. | |
| داده‌ای‌سازی | گردآوری، تولید، ذخیره‌سازی و تحلیل گستردهٔ داده‌ها که داده و تحلیل داده را در قالب پیش‌بینی‌ها و بینش‌های منحصربه‌فرد به کالایی مبادله‌پذیر بدل می‌کند. | ||
| مجموعه‌داده | گردایه‌هایی از داده‌ها که برای آموزش مدل‌های هوش مصنوعی به کار می‌روند. | ||
| حفاظت از داده‌ها | تلاش‌ها و تعهداتی برای امن‌سازی، کسب و استفاده از داده‌ها مطابق استانداردهای مقرر. | امنیت؛ حریم خصوصی | |
| خروج از مدار | عملِ خارج‌کردن یک مدل هوش مصنوعی از استقرار، پس از تکمیل کارکرد آن یا افت عملکرد، یا برای رفع خطاها و کاهش ریسک. | ||
| یادگیری عمیق | زیرمجموعه‌ای از یادگیری ماشین که از تحلیل الگو برای پردازش میلیون‌ها متغیر به‌منظور پیش‌بینی کردن یا حس‌کردن استفاده می‌کند و اغلب بدون بهینه‌سازی نظارت‌شده است. | یادگیری ماشین، CNN، GAN، شبکهٔ عصبی | |
| مشتق/بازگشتی | داده‌ای که خود توسط مدل هوش مصنوعی تولید، پردازش، تغییر یا تقویت شده است. | ||
| اهداف طراحی | پارامترها و دستورالعمل‌هایی که مطابق با هدف یا مقاصد یک سامانه هوش مصنوعی تعریف یا مشخص می‌شوند. | دستورالعمل‌ها به‌صورت کد / شرح دستورالعمل‌ها | |
| داده کثیف | توصیف‌کنندهٔ داده‌هایی که می‌توانند نادرست، ناقص باشند یا دربردارندهٔ خطاها یا حجم زیادی از مطالب نامربوط باشند. |
| اختصارات | اصطلاح | تعریف | مترادف‌ها و اصطلاحات مرتبط |
|---|---|---|---|
| Drift | رانش | رانش می‌تواند زمانی رخ دهد که یک مدل هوش مصنوعی از دستورالعمل‌ها و آموزش خود فاصله بگیرد؛ چه به این صورت که دیگر وظایف برنامه‌ریزی‌شده خود را انجام ندهد، و چه به این صورت که وظایف بیان‌نشده‌ای انجام دهد و خروجی‌ها یا بینش‌های تازه‌ای تولید کند. | |
| Error | خطا | نوع یک: حاکی از وجود یک واقعیت یا وضعیت است وقتی که آن واقعیت یا وضعیت در واقع وجود ندارد. نوع دو: حاکی از فقدان یک واقعیت یا وضعیت است وقتی که آن واقعیت یا وضعیت در واقع وجود دارد. | ر.ک. همچنین: پیوست C کتابِ «هوش مصنوعی، اعتمادپذیری و دادرسی» (Artificial Intelligence, Trustworthiness, and Litigation). |
| Explainability | تبیین‌پذیری | ویژگی موجود در روش‌های «یادگیری ماشین» (Machine Learning, ML) که درجه‌ای را توصیف می‌کند که مدلِ حاصل می‌تواند (یا به‌احتمال زیاد نمی‌تواند) توضیحی قابل‌فهم درباره چگونگی رسیدن به خروجی‌هایش ارائه دهد. به‌طور کلی، هرچه مدل‌ها پیچیده‌تر شوند، شناسایی چگونگی و چرایی تولید خروجی‌های خاص خود برایشان دشوارتر است. در عمل، این مفهوم شامل فنون فناورانه‌ای است که به تقریب‌زدن چگونگی تولید یک خروجی توسط مدل کمک می‌کند، و همچنین توصیف‌های قیاسیِ فرایندهایی که تصمیم‌ها از طریق آن‌ها اتخاذ، یا تحت تأثیر خروجی‌های مدل هوش مصنوعی قرار می‌گیرند. | |
| XAI | Explainable AI | حوزه‌ای متمایز از کار فنی که وقف آشکارسازی «تبیین‌پذیری» (Explainability) مدل و چگونگی کار و تولید پیش‌بینی‌های برخی مدل‌های هوش مصنوعی است. | |
| XR | Extended Reality | اشاره به همه مقوله‌های محیط‌های تولیدشده یا تقویت‌شده توسط هوش مصنوعی دارد. | |
| Extrapolation | برون‌یابی | استفاده از مقادیر شناخته‌شده یا خروجی‌های مدل هوش مصنوعی برای برآورد مقدار متغیرهای ناشناخته. | |
| F1 | F1 | میانگین همسازِ فراخوانی و دقت است که اغلب در مطالعات «بازیابی اطلاعات» (Information Retrieval) برای سنجش اثربخشی یک تلاش جست‌وجو یا بازبینی به کار می‌رود و موازنه میان فراخوانی و دقت را لحاظ می‌کند. | ر.ک. «دقت» (Precision) در پایین. |
| FRT | Facial Recognition | استفاده از فناوری بینایی ماشین برای بازشناسی (و در برخی موارد، شناسایی) چهره انسان از طریق اندازه‌گیری‌ها و ویژگی‌های زیست‌سنجی. | |
| False Negative | منفی کاذب | حاکی از فقدان یک واقعیت یا وضعیت است وقتی که آن واقعیت یا وضعیت در واقع وجود دارد (یک «خطای نوع دو»). | |
| False Positive | مثبت کاذب | حاکی از وجود یک واقعیت یا وضعیت است وقتی که آن واقعیت یا وضعیت در واقع وجود ندارد (یک «خطای نوع یک»). | |
| Features | ویژگی‌ها | سنجش‌ها یا متغیرهایی، اغلب کیفی، که مقوله‌های نقاط داده را در داده‌های ساختاریافته تحت تأثیر قرار می‌دهند یا آن‌ها را متمایز می‌کنند (مانند قد، وزن، سطح تحصیلات). | |
| Function Creep | خزش کارکرد | زمانی رخ می‌دهد که یک «سامانه هوش مصنوعی» (AI system) فراتر از دامنه، هدف، یا بستر مورد کاربردی که برای آن طراحی شده یا در آن به کار گرفته شده است گسترش یابد؛ این امر اغلب، اما نه همیشه، بدون اعتبارسنجی مناسب آن برای کاربرد جدید رخ می‌دهد. | خزش دامنه (Scope Creep) |
| Gait Analysis | تحلیل گام | شکلی از تحلیل داده‌های زیست‌سنجی که حرکات راه‌رفتن یک شخص یا موجود متحرک را ارزیابی می‌کند. | |
| Gaze Analysis | تحلیل نگاه | شکلی از تحلیل داده‌های زیست‌سنجی که حرکات شبکیه و چشم را برای تحلیل الگوهای حرکتی ارزیابی می‌کند. | |
| GANs | General Adversarial Networks | روشی از «یادگیری عمیق» (Deep Learning, DL) بدون‌نظارت که می‌تواند محتوای فراواقع‌گرایانه تولید کند. GANs در روش‌های یادگیری عمیق بدون‌نظارت به کار می‌روند، از جمله تولید عکس‌های واقع‌گرایانه یا نمونه‌هایی برای مجموعه‌داده‌های تصویری، انجام ترجمه متن به تصویر و تصویر به متن، پیر کردن چهره‌ها، و ساخت ایموجی. GANs از دو شبکه عصبی بهره می‌برند – یک مولد که نمونه‌های جدید می‌سازد و یک تمیزدهنده که می‌کوشد این تصاویر جعلی و اغلب کم‌کیفیت یا | یادگیری عمیق، شبکه‌های عصبی |
| مخفف‌ها | اصطلاح | تعریف | مترادف‌ها و اصطلاحات مرتبط |
|---|---|---|---|
| غیرواقعی، تصاویری از داده‌های تصویر واقعی که به سامانه هوش مصنوعی وارد شده است. از طریق این تعامل، مولد یاد می‌گیرد تصاویری متقاعدکننده‌تر و باکیفیت‌تر ایجاد کند و در نهایت تفکیک‌گر را فریب دهد تا باور کند این تصاویر بخشی از داده‌های تصویر واقعی هستند. | |||
| هوش مصنوعی مولد (Generative AI) | نوعی هوش مصنوعی که از منطق و آموزش زیربنایی «مدل» (model) برای تولید خروجی‌ها یا «مجموعه‌داده‌های» (Datasets) مصنوعی جدید استفاده می‌کند. | ||
| هک | عمل دسترسی به یک سامانه بدون مجوز، که اغلب با قصد دستکاری یا نابودی آن انجام می‌شود. هک را همچنین می‌توان به‌عنوان وسیله‌ای برای آزمون امنیت و عملکرد یک سامانه به‌کار برد. | ||
| داده‌های سالم | مجموعه‌داده‌هایی که حاوی داده‌های دقیق و کامل هستند. | ||
| سوگیری انسانی (Human Bias) | سوگیری‌های انسانی، خواه ضمنی یا آشکار، می‌توانند از طریق انواع کاربردهای برگزیده، شیوهٔ صورت‌بندی پرسش‌ها برای مدل‌های هوش مصنوعی، داده‌های انتخاب‌شده، نحوهٔ تبدیل دستورالعمل‌های مدل به کد و حتی نحوهٔ تفسیر یا انتقال خروجی‌های مدل به جوامع متأثر، راه خود را به سامانه‌های هوش مصنوعی (AI system) باز کنند. | ||
| عدم‌قطعیت و خطای انسانی | خودِ سامانه‌های هوش مصنوعی نیز در معرض تلاش‌های معمول بشری برای ارتباط روشن و پرهیز از پیامدهای خطاخیز آسیب‌پذیرند؛ به همین ترتیب، اگرچه هوش مصنوعی می‌تواند در برخی حوزه‌ها خطاهای انسانی را کاهش دهد، اما خطاهای انسانی را حذف نخواهد کرد. | ||
| درون‌یابی (Interpolation) | استنتاج‌های گسسته در محدوده‌ای محدود از نقاط دادهٔ شناخته‌شده. | ||
| تفسیرپذیری (interpretability) | خروجی یا توضیحی از مدل را توصیف می‌کند که برای انسان‌ها قابل‌فهم و روشن باشد. | ||
| بازشناسی و تحلیل تصویر | استفاده از مدل‌های هوش مصنوعی (معمولاً بینایی کامپیوتر) برای تشخیص، بازشناسی و فهم اشیاء (زنده یا مادی) در تصاویر یا ویدئو. | ||
| بینش‌ها | خروجی‌های سامانه هوش مصنوعی حاوی دانش یا اطلاعاتی قابل‌اقدام که می‌توانند از عملکردهای گوناگون انسانی یا فنی، از جمله تصمیم‌گیری، پشتیبانی کنند. | خروجی‌ها | |
| برچسب‌خورده | برای توصیف داده‌هایی به‌کار می‌رود که با معانی و مقوله‌هایی بازتاب‌دهندهٔ محتوا، ویژگی‌ها و خصائص درک‌شدهٔ آن‌ها برچسب‌گذاری یا حاشیه‌نویسی شده‌اند (معمولاً توسط انسان‌ها، اما گاهی توسط خودِ هوش مصنوعی). | ||
| ML | یادگیری ماشین (Machine Learning) | رایج‌ترین زیرمجموعهٔ هوش مصنوعی که برای پردازش مقادیر عظیم داده‌ها به‌منظور کشف | ر.ک.: «Technology Assisted |
| الگوها و انجام پیش‌بینی بر مبنای آن الگوها به‌کار می‌رود. | Review». مقایسه شود با: AI | ||
| ادغام‌شده | برای توصیف مجموعه‌داده‌های منفردی به‌کار می‌رود که برای تشکیل مجموعه‌داده‌های بزرگ‌تر، نماینده‌تر یا کامل‌تر با هم ترکیب شده‌اند. ادغام مجموعه‌داده‌ها مستلزم تطبیق و پاک‌سازی سیستماتیک است و این فرایند «مانجینگ» (munging) توسط دانشمندان داده می‌تواند زمان‌بر باشد و دقت بسیار بخواهد. | ||
| MVS | متاورس | تعریف موردتوافق گسترده‌ای وجود ندارد، اما به‌طور کلی به یک جهان مجازی سه‌بعدیِ (3-D) نیرومند اشاره دارد که در آن افراد می‌توانند فعالیت‌های دنیای واقعی (یا فعالیت‌های بدیع) را شبیه‌سازی کنند. | |
| MR | واقعیت ترکیبی | بستری ترکیبی از دیجیتال و فیزیکی که اطلاعات و پدیده‌های بصری، شنیداری، لمسی یا حس‌عمقیِ تولیدشده توسط کامپیوتر را با اشیاء و تعاملات دنیای واقعی ترکیب می‌کند. | واقعیت افزوده |
| هم‌راستاسازی مدل (Model alignment) | فرایند تناسب‌دادن یک مدل برای بهینه‌سازی اهداف و بینش‌های مربوط به یک پرسش یا هدف خاص که توسط انسان‌ها صورت‌بندی و توصیف شده است. | ||
| آموزش مدل | مرحله‌ای اساسی در توسعهٔ مدل هوش مصنوعی (AI model development) که شامل تغذیهٔ مداوم داده‌های آموزشی به مدل و بازبینی و/یا تنظیم برخی ویژگی‌ها یا متغیرهای مدل است. بیشتر مدل‌ها به |
| اختصارات | اصطلاح | تعریف | مترادف‌ها و اصطلاحات مرتبط |
|---|---|---|---|
| چند دور آموزش و تنظیم. | |||
| NLP | پردازش زبان طبیعی (Natural Language Processing, NLP) | تکنیکی از یادگیری ماشین که مقادیر بزرگ متن یا داده‌های صوتی انسان (رونویسی‌شده یا آکوستیک) را برای ویژگی‌های مشخص‌شده، شامل اما نه محدود به معنا، محتوا، قصد، نگرش و بافتار، تحلیل می‌کند. | ر.ک. همچنین: تحلیل‌گری داده احساسات (در پایین) |
| شبکه عصبی | مجموعه‌ای از الگوریتم‌ها که (تقریباً) به‌تقلید از مغز انسان مدل‌سازی شده‌اند و روابط بین نقاط داده را به شیوه‌ای شبیه نگاشت شبکه‌ای شناسایی می‌کنند. شبکه‌های عصبی دربرگیرنده شمار زیادی نورون مصنوعی به‌هم‌پیوسته یا گره هستند که وزن‌ها و سوگیری‌هایی به آن‌ها اختصاص یافته و دست‌کم در سه لایه (ورودی، پنهان و خروجی) سازمان‌دهی شده‌اند. | یادگیری عمیق، CNN، GAN | |
| ناشفافی/کدری | برای توصیف مدلی به کار می‌رود که لزوماً نمی‌تواند به انسان‌ها توضیح دهد که چگونه به بینش‌های خود می‌رسد یا انسان‌ها باید (یا نباید) بر آن بینش‌ها تکیه کنند. | ||
| داده باز | داده‌های در دسترس عموم که با یا بدون مجوز می‌توان به آن‌ها دسترسی داشت یا از آن‌ها استفاده کرد. | ||
| خروجی | نتیجه یا مقدار تولیدشده توسط یک مدل هوش مصنوعی. خروجی‌ها از ترکیب داده‌های ورودی با مدل تولید می‌شوند و در اساس پیش‌بینی هستند. | بینش‌ها | |
| بیش‌برازش | برای توصیف مدلی از هوش مصنوعی به کار می‌رود که ویژگی‌های داده را بیش از حد محدود یا سخت‌گیرانه همبسته می‌کند و می‌تواند روابط و پیوندهای مهمی در داده‌ها را که ممکن است اندکی بیرون از آن پارامترها قرار داشته باشند از دست بدهد. | ر.ک. همچنین: کم‌برازش (در پایین) | |
| نظارت و پاسخگویی | به‌طور کلی به این موضوع اشاره دارد که سیستم‌های هوش مصنوعی چگونه و توسط چه کسانی حکمرانی می‌شوند و ریسک و مسئولیت در این فرایندها چگونه توزیع می‌شود. | ||
| پارامترها | ویژگی‌ها یا قواعد یک مدل یا قابلیت هوش مصنوعی که کاربرد بیان‌شده، عملکرد و محدودیت‌های آن را در شرایط مشخص تعریف می‌کنند. | ||
| هک پیکسلی (Pixel hacking) | پیکسل‌هایی که در تصاویر و ارتباطات دیجیتال — اغلب به‌صورت ناآگاهانه — تعبیه یا دستکاری شده‌اند و می‌توانند عملکرد یک مدل هوش مصنوعی را به‌شکل چشمگیری تغییر دهند و/یا اغلب بدون رضایت آگاهانه اطلاعات شخصی را ردیابی و جمع‌آوری کنند. | ||
| مسموم‌شده | مجموعه‌داده‌هایی که به‌نحوی دستکاری، تغییر یا تحریف شده‌اند که بر کیفیت و کاربردپذیری مجموعه‌داده اثر منفی می‌گذارد. | ||
| دقت | صحت خروجی‌های مدل یا سیستم در برآورده‌کردن تعریف‌ها یا آستانه‌های مقصود برای ارتباط یا اهمیت. | ر.ک. همچنین: بحث «بده‌بستان دقت–بازیابی» (و F1) در مقاله «هوش مصنوعی، پژوهش حقوقی و تحلیل داده‌های قضایی». | |
| پیش‌بینی‌ها | خروجی‌های مدل هوش مصنوعی که از همبسته‌سازی اطلاعات و شناسایی الگوها از رویدادها یا نمونه‌های گذشته (داده) با داده‌های جدید برای پیش‌بینی احتمال وقوع یک رویداد یا نمونه در آینده حاصل می‌شوند؛ یعنی مدل‌های هوش مصنوعی احتمالاتی ارائه می‌دهند و عدم قطعیت ذاتی دارند. | ||
| تحلیل‌گری داده پیش‌بین | مقوله فراگیر ابزارها و مدل‌های آماری که می‌توانند از داده‌های تاریخی برای پیش‌بینی کردن آینده به‌منظور آگاه‌سازی تصمیم‌گیری استفاده و تحلیل کنند. | ||
| حریم خصوصی (Privacy) | تعریف موردتوافق گسترده‌ای ندارد، اما در کلیت، مقوله وسیعی از علایق شخصی مرتبط با آزادی از مشاهده، پایش یا مداخله غیرمجاز است. | ||
| احتمالات | محاسباتی که احتمال وقوع یک رویداد معین را پیش‌بینی می‌کنند. |
| اختصارات | اصطلاح | تعریف | مترادف‌ها و اصطلاحات مرتبط |
|---|---|---|---|
| دادهٔ تولید | داده‌ای که مدل پس از عرضه برای استفاده عملیاتی یا تجاری از آن استفاده می‌کند. | ||
| دادهٔ اختصاصی | داده‌های انحصاری متعلق به مالک خود است و برای او محفوظ نگه داشته می‌شود و مالک می‌تواند از اعطای مجوز استفاده یا افشای آن خودداری کند. | ||
| بازخوانی | مقدار یا سهم داده‌ها/اسنادی که از بازبینی/جست‌وجوی چنین مواد/داده‌هایی «مرتبط» تلقی می‌شوند. | ر.ک. همچنین: بحث موازنهٔ Precision-Recall (و F1) در مقالهٔ Artificial Intelligence, Legal Research, and Judicial Analytics. | |
| توصیه | نتیجه یا مسیر عمل پیشنهادی که بر پایهٔ پیش‌بینی‌های مدل شکل گرفته است. | خروجی | |
| یادگیری تقویتی | توانایی یک مدل هوش مصنوعی در یادگیری نحوهٔ انجام صحیح و پیوستهٔ مجموعه‌ای از گام‌های گسسته در محیط مورد استفادهٔ خود، به این دلیل که کاربر بسته به درستیِ کنش‌های مدل به آن «پاداش» یا «جریمه» می‌دهد. | ||
| قابلیت اطمینان | توانایی یک مدل هوش مصنوعی در تولید نتایج پیوسته در گذر زمان. | ||
| نماینده‌بودن | یک مجموعه‌داده وقتی نماینده است که نسبت به هدفی که برای آن استفاده خواهد شد، به‌درستی و به‌طور مناسب جمعیت یا پدیده‌هایی را که قرار است | ||
| ثبت کند، بازتاب دهد یا بسنجد. | |||
| RAI | هوش مصنوعی مسئولانه / هوش مصنوعی اخلاق‌مدار / هوش مصنوعی اعتماد‌پذیر | مفاهیمی که برای توصیف مدل‌ها و سامانه‌های هوش مصنوعی به کار می‌روند که با دوراندیشی و ویژگی‌های کلیدی معینی طراحی، ساخته و بهره‌برداری می‌شوند که از انسان‌ها محافظت می‌کنند (مانند انصاف، ایمنی، شفافیت و احترام به خودمختاری انسان) و سطحی از کیفیت را در عملکرد کلی آن‌ها نشان می‌دهند. | |
| RM یا RMF | مدیریت ریسک | وضع‌کردن سیاست‌ها و رویه‌هایی برای کمک به مدیریت و کاهش ریسک‌های ناشی از یک سامانه هوش مصنوعی. | |
| RPA | اتوماسیون فرایند رباتیک | ترکیب ابزارهای هوش مصنوعی (به‌ویژه برای ناوبری فضایی و ترتیب‌دهی وظایف) با مهندسی ماشین‌های بسیار پیشرفته به‌منظور امکان‌پذیرساختن کارکردهای پیشرفته‌تر. | |
| تحلیل‌گری احساسات | استفاده از NLP و دیگر تکنیک‌ها و ورودی‌های هوش مصنوعی برای همبستگی‌یابی ویژگی‌های زبان (یا حرکات چهره، نگاه و غیره) یا دیگر داده‌های زیست‌سنجی به‌منظور تحلیل یا پیش‌بینی کردن حالات عاطفی یا احساسی انسان‌ها. | ر.ک. همچنین NLP (بالا) | |
| تصادفی | اشاره به مدل‌های هوش مصنوعی‌ای که عملکرد و خروجی‌های آن‌ها دربردارندهٔ سطحی ذاتی از عدم‌قطعیت یا تصادفی‌بودن است. | ||
| دادهٔ ساختارمند | داده‌هایی که در قالب‌های استاندارد سازمان‌یافته‌اند و به‌صورت بافتی و رابطه‌ای طبقه‌بندی شده‌اند. | ||
| یادگیری نظارت‌شده | تکنیکی هوش مصنوعی که در آن انسان‌ها (یا مدل‌های ازپیش‌موجود) به یک مدل تازه روابط موجود درون و میان جفت‌های مشخصی از داده‌های ورودی–خروجی را آموزش می‌دهند. | ||
| محتوای مصنوعی / دیپ‌فیک | فناوری‌ای هوش‌مصنوعی‌محور که محتوایی فوق‌واقع‌گرایانه تولید می‌کند که ممکن است چنان واقعی به نظر برسد که از ظرفیت انسان‌ها برای تشخیص جعلی‌بودن آن فراتر رود. | ||
| دادهٔ مصنوعی | داده‌های مصنوعی‌ای که طوری تولید می‌شوند که همان ویژگی‌های داده‌های واقعی را داشته باشند، اما به افراد یا رویدادهای واقعی ارتباط ندارند. | ||
| عدم‌قطعیت و خطای فناورانه | این ایده که بیشتر مدل‌های هوش مصنوعی دربردارندهٔ تکنیک‌های یادگیری ماشین یا یادگیری عمیق‌اند که در هستهٔ خود همبستگی‌های میان ویژگی‌ها را محاسبه و الگوهای موجود در مجموعه‌داده‌ها را بازمی‌شناسند تا پیش‌بینی‌هایی تولید کنند که مطلق یا کاملاً قطعی نیستند. | ||
| TAR | بازبینی به‌کمک فناوری | در بستر علم اطلاعات، سیستم‌های مکانیکی برای یافتن داده‌های مربوط در مجموعه‌داده‌های بزرگ. همچنین/به‌طور خاص، استفاده از الگوریتم‌ها برای تعریف و سپس محدودساختن جست‌وجوها (در داده‌های حجیم). | ر.ک. همچنین: ML (بالا) و مقالهٔ Artificial Intelligence, Legal Research, and Judicial Analytics. |
| Test Data | داده‌هایی که برای ارزیابی عملکرد یک مدلِ آموزش‌دیده، پس از ساخته‌شدن و پیش از انتشار آن استفاده می‌شوند. | ||
| Traceability | به در دسترس بودن اطلاعات مرتبط با تولید و استقرار (Deployment) یک مدل AI اشاره دارد؛ از جمله اما نه محدود به: زمان و سازندهٔ آن، مجموعه‌داده‌هایی که مدل بر پایهٔ آن‌ها آموزش دیده است، جمعیت‌ها و بافت‌هایی که مدل در آن‌ها مستقر بوده و هست، و عملکرد آن. | ||
| Training (Human) | دوره‌های آموزشی، سخنرانی‌ها یا آموزش برای کارکنان، مشتریان و مدیرانی که برای فهم، بهره‌برداری و مدیریت فناوری‌های پیشرفته به آموزش پایه یا تخصصی نیاز دارند. | ||
| Training Data | داده‌های تاریخی که برای پروراندن و آموزش یک مدل AI — به‌منظور شناخت منطق و الگوها جهت تولید پیش‌بینی‌های مطلوب در آینده — استفاده می‌شوند. | ||
| Transfer Learning | استفادهٔ مجدد و به‌کارگیری دوبارهٔ یک مدل از پیش آموزش‌دیده برای مجموعه مسئله‌ای جدید، یک کاربرد جدید، یا در بافتی که مدل در آغاز برای آن طراحی یا آموزش ندیده است. | استفادهٔ بعدی یا مجدد | |
| Transparency | مفهومی مرتبط با اعلام چگونگی کارکرد یک مدل یا سیستم، نحوهٔ تولید | ||
| خروجی‌ها یا انتظار تأثیرگذاری آن، از جمله محدودیت‌های شناخته‌شده. | |||
| Uncleaned | مجموعه‌داده‌ای در حالت خام یا ناتمام. | دادهٔ ساخت‌نیافته | |
| Underfitting | برای توصیف مدلی از AI به‌کار می‌رود که همبستگی میان ویژگی‌های داده را بیش از حد سست برقرار می‌کند و می‌تواند میان ویژگی‌هایی که در واقع هیچ رابطه‌ای ندارند، اهمیتی قائل شود. | ر.ک. همچنین: Overfitting (بالا) | |
| Unlabeled | داده‌هایی که فاقد هرگونه برچسب اطلاعاتی، حاشیه‌نویسی یا طبقه‌بندی هستند. | ||
| Unstructured Data | دادهٔ خام یا نقاط داده‌ای که فاقد هرگونه معنا یا اهمیت ارتباطی نسبت به یکدیگرند. | ||
| Unsupervised Learning | تکنیکی در AI که به مدل نمی‌آموزد نقاط داده چگونه به هم مرتبط‌اند (اگر اصلاً مرتبط باشند)، بلکه بر مدل تکیه می‌کند تا آن روابط را استخراج و الگوها در داده‌ها را کشف کند. | ||
| Use Case Selection | انتخاب و بیان هدف یا غایت کاربردی — تجاری یا غیر آن — که ابزارهای AI برای آن به‌کار گرفته خواهند شد، و تعیین بافتِ به‌کارگیری آن‌ها. | ||
| Validity | تعریف موردتوافق وجود ندارد، اما به‌طور کلی به مدل یا سیستم AI اشاره دارد که خروجی‌ها یا سنجش‌های تکرارپذیر تولید می‌کند که مناسب و در محدودهٔ اهداف طراحی هستند. | ||
| VR | Virtual Reality | تجربه‌هایی که در جهان‌های کاملاً شبیه‌سازی‌شده توسط رایانه رخ می‌دهند و غالباً غوطه‌ورساز هستند. |
استناد
محمدعلی کهندژ، راهنمای جامع حاکمیت، امنیت و مدیریت ریسک هوش مصنوعی، شناسه بخش: KDJ-AI-2026E1-P01-C03-S26
شناسهٔ محتوا KDJ-AI-2026E1-P01-C03-S26-F6ED7368