زمان مطالعه: 30 دقیقه
وقتی با هوش مصنوعی کار می‌کنیم، با اصطلاحاتی مثل پرامپت (Prompt)، توکن (Token)، مدل زبانی بزرگ (LLM)، یادگیری ماشین (Machine Learning) و ایجنت هوش مصنوعی (AI Agent) روبه‌رو می‌شیم. اما دونستن ترجمه این واژه‌ها همیشه برای درک مفهوم و کاربردشون کافی نیست. این صفحه از آکادمی پاکراه رو به واژه نامه همین اصطلاحات اختصاص دادیم.
در این واژه‌نامه جامع هوش مصنوعی، اصطلاحات رو از مفاهیم پایه تا فناوری‌های تخصصی، در گروه‌های موضوعی دسته‌بندی کردیم. برای هر اصطلاح، نام انگلیسی، تلفظ فارسی حرکت‌گذاری‌شده و معنی ساده و کاربردی رو آوردیم.
برای پیدا کردن هر اصطلاح، از عنوان دسته‌های موضوعی استفاده کنید. هر اصطلاح فقط در یک بخش اصلی تعریف شده.
راهنمای جدول اصطلاحات هوش مصنوعی:
۱. اصطلاح انگلیسی: نام اصلی واژه و مخفف رایج آن، در صورت وجود.
۲. تلفظ فارسی: تلفظ تقریبی واژه انگلیسی با حرکت‌گذاری برای یادگیری آسان‌تر.
۳. معنی فارسی: تعریف کوتاه، ساده و کاربردی هر اصطلاح.
نکته: نشانه‌های «اَ»، «اِ» و «اُ» برای نزدیک‌شدن به تلفظ انگلیسی استفاده شده‌اند. تلفظ‌ها براساس انگلیسی آمریکایی و به‌صورت آموزشی نوشته می‌شن. در جدول اصلی معمولاً تلفظ عبارت کامل انگلیسی اومده؛ در ترکیب‌های رایج مانند AI Agent، تلفظ رایج حروف مخفف حفظ شده. جدول مخفف‌ها در انتهای مقاله، عبارت کامل و معنی فارسی اون‌ها رو یکجا نشون می‌ده.
نکته: اگر با موبایل مطالعه می‌کنید، برای مشاهده تمام ستون‌ها، جدول رو به چپ و راست حرکت بدید.
از کدام اصطلاحات شروع کنیم؟
اگر تازه با هوش مصنوعی آشنا شدید، لازم نیست تمام واژه‌نامه رو از ابتدا تا انتها بخونید. متناسب با نیازتون، ابتدا اصطلاحات زیر رو در جدول‌های موضوعی همین مقاله پیدا کنید:
- شروع کار با هوش مصنوعی: Artificial Intelligence، Machine Learning، Deep Learning، Generative AI و AI Model.
- کار با ابزارهای گفت‌وگویی: Prompt، Token، LLM، AI Chatbot، Context Window و Hallucination.
- بهترکردن پاسخ‌ها: Prompt Engineering، Zero-Shot Prompting، Few-Shot Prompting، Temperature و RAG.
- تولید محتوا: Text Generation، Image Generation، Text-to-Video، Text-to-Speech و Deepfake.
- کاربرد سازمانی: AI Agent، Agentic AI، Tool Calling، Fine-tuning، AI Safety و Data Privacy.
جدول جامع اصطلاحات رایج هوش مصنوعی به انگلیسی با تلفظ و معنی فارسی
در این جدول، اصطلاحات هوش مصنوعی براساس موضوع دسته‌بندی شدن؛ از مفاهیم پایه و یادگیری ماشین تا مدل‌های زبانی، هوش مصنوعی مولد، ایجنت‌ها، رباتیک و امنیت هوش مصنوعی.
هر اصطلاح یک تعریف کوتاه داره؛ نکته‌های پایانی بعضی جدول‌ها هم تفاوت‌های مهم رو روشن می‌کنن.
اصطلاحات پایه و انواع هوش مصنوعی
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Artificial Intelligence (AI) | آرتیفیشِل اینتِلیجِنس | هوش مصنوعی؛ فناوری ساخت سیستم‌هایی که وظایف نیازمند توانایی‌هایی مانند یادگیری، استدلال و تصمیم‌گیری رو انجام می‌دن. |
| Artificial Narrow Intelligence (ANI) | آرتیفیشِل نَرو اینتِلیجِنس | هوش مصنوعی محدود؛ هوش مصنوعی طراحی‌شده برای وظایف یا محدوده‌ای مشخص از کارها. |
| Artificial General Intelligence (AGI) | آرتیفیشِل جِنِرِل اینتِلیجِنس | هوش مصنوعی عمومی؛ مفهوم بحث‌برانگیز سیستمی با توانایی یادگیری و انجام طیف گسترده‌ای از وظایف شناختی؛ تعریف و معیار تحققش مورد توافق کامل نیست. |
| Artificial Superintelligence (ASI) | آرتیفیشِل سوپِراینتِلیجِنس | ابرهوش مصنوعی؛ هوش مصنوعی فرضی که در بیشتر توانایی‌های شناختی از انسان برتره. |
| Weak AI | ویک اِی‌آی | هوش مصنوعی ضعیف؛ در کاربرد رایج به سامانه‌های ویژه وظایف محدود اشاره می‌کنه، اما در بحث فلسفی گاهی در برابر فرض «فهم واقعی» ماشین قرار می‌گیره. |
| Strong AI | اِسترانگ اِی‌آی | هوش مصنوعی قوی؛ اصطلاحی که بسته به زمینه می‌تونه به هوش مصنوعی عمومی یا بحث فلسفی فهم واقعی ماشین اشاره کنه. |
| Reactive Machine | ری‌اَکتیو مَشین | ماشین واکنشی؛ سیستمی که تصمیمش بر وضعیت فعلی تکیه داره و از تجربه‌های گذشته برای تصمیم بعدی استفاده نمی‌کنه. |
| Limited Memory AI | لیمیتِد مِمِری اِی‌آی | هوش مصنوعی با حافظه محدود؛ استفاده از اطلاعات گذشته یا اخیر برای تصمیم‌گیری. |
| Theory of Mind AI | ثیِری آو مایند اِی‌آی | هوش مصنوعی با نظریه ذهن؛ مفهوم سیستمی که بتونه باورها، نیت‌ها و حالات ذهنی دیگران رو مدل‌سازی کنه. |
| Self-Aware AI | سِلف اَوِر اِی‌آی | هوش مصنوعی خودآگاه؛ مفهوم فرضی سیستمی که نسبت به وجود و تجربه ذهنی خودش آگاهی داشته باشه. |
| Artificial Intelligence System | آرتیفیشِل اینتِلیجِنس سیستِم | سیستم هوش مصنوعی؛ مجموعه‌ای از مدل‌ها، داده‌ها و اجزای نرم‌افزاری یا سخت‌افزاری برای تولید خروجی یا انجام وظیفه. |
| AI Model | اِی‌آی مادِل | مدل هوش مصنوعی؛ مدل محاسباتی آموزش‌دیده یا طراحی‌شده برای پردازش ورودی و تولید خروجی. |
| AI Algorithm | اِی‌آی اَلگِریذِم | الگوریتم هوش مصنوعی؛ مجموعه مراحل محاسباتی برای یادگیری، جست‌وجو، استدلال یا تصمیم‌گیری. |
| Intelligent Agent | اینتِلیجِنت اِیجِنت | عامل هوشمند؛ سیستمی که محیط رو دریافت می‌کنه و برای رسیدن به هدف در اون اقدام می‌کنه. |
| Autonomous AI | آتانِمِس اِی‌آی | هوش مصنوعی خودمختار؛ سیستمی که برخی تصمیم‌ها یا اقدامات رو بدون دستور مستقیم انسان در هر مرحله انجام می‌ده. |
| Human-Level AI | هیومَن لِوِل اِی‌آی | هوش مصنوعی در سطح انسان؛ اصطلاحی برای توصیف توانایی‌های هوش مصنوعی در سطح عملکرد شناختی انسان، با تعریفی وابسته به معیار ارزیابی. |
| Artificial Consciousness | آرتیفیشِل کانشِسنِس | آگاهی مصنوعی؛ موضوع پژوهشی و فلسفی درباره امکان داشتن تجربه آگاهانه در ماشین‌ها. |
| AI Capability | اِی‌آی کِیپَبیلِتی | قابلیت هوش مصنوعی؛ توانایی یک سیستم برای انجام وظیفه یا گروه مشخصی از وظایف. |
| AI Decision-Making | اِی‌آی دِسیژِن مِیکینگ | تصمیم‌گیری هوش مصنوعی؛ انتخاب یک گزینه یا اقدام براساس اطلاعات، هدف‌ها و قواعد یا الگوهای آموخته‌شده. |
| AI Perception | اِی‌آی پِرسِپشِن | ادراک در هوش مصنوعی؛ دریافت و تفسیر داده‌های محیط، مانند تصویر، صدا و اطلاعات حسگرها. |
| Foundation Model | فاونْدِیشِن مادِل | مدل پایه؛ مدل آموزش‌دیده روی داده‌های گسترده که می‌تونه برای وظایف مختلف سازگار یا استفاده بشه. |
نکته:
هوش مصنوعی محدود، عمومی و ابرهوش، دسته‌بندی براساس گستره توانایی هستن؛ درحالی‌که ماشین واکنشی، حافظه محدود، نظریه ذهن و خودآگاه به یک چارچوب دسته‌بندی عملکردی تعلق دارن. این‌ها هفت سطح مستقل یا مراحل قطعی تکامل هوش مصنوعی نیستن.
همچنین AGI، ASI و هوش مصنوعی خودآگاه در این واژه‌نامه به‌عنوان مفاهیم پژوهشی یا فرضی معرفی می‌شن، نه فناوری‌های تحقق‌یافته و مورد توافق.
اصطلاحات هوش مصنوعی نمادین، سیستم‌های خبره و استدلال
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Symbolic AI | سیمبالیک اِی‌آی | هوش مصنوعی نمادین؛ رویکردی مبتنی بر نمایش دانش با نمادها، قواعد و استدلال منطقی. |
| Neuro-Symbolic AI | نیورو سیمبالیک اِی‌آی | هوش مصنوعی عصبی‌نمادین؛ ترکیب روش‌های شبکه عصبی با نمایش دانش و استدلال نمادین. |
| AI Reasoning | اِی‌آی ریزِنینگ | استدلال هوش مصنوعی؛ پردازش اطلاعات برای نتیجه‌گیری، حل مسئله یا انتخاب اقدام براساس روابط و شواهد. |
| AI Planning | اِی‌آی پِلَنینگ | برنامه‌ریزی در هوش مصنوعی؛ یافتن دنباله‌ای از اقدامات برای رسیدن از وضعیت موجود به هدف؛ به برنامه‌ریزی خودکار هم نزدیکه. |
| Classical AI | کِلَسیکِل اِی‌آی | هوش مصنوعی کلاسیک؛ رویکردهای اولیه هوش مصنوعی که بیشتر بر قواعد، منطق، جست‌وجو و نمایش دانش تکیه داشتن؛ نام مرتبط یا جایگزین: Good Old-Fashioned AI (GOFAI). |
| Symbolic Reasoning | سیمبالیک ریزِنینگ | استدلال نمادین؛ نتیجه‌گیری با استفاده از نمادها و قواعد منطقی. |
| Knowledge Representation | نالِج رِپرِزِنتِیشِن | بازنمایی دانش؛ ثبت اطلاعات و روابط در قالبی که سیستم هوش مصنوعی بتونه از اون‌ها استفاده کنه. |
| Knowledge-Based System (KBS) | نالِج بِیست سیستِم | سیستم مبتنی بر دانش؛ سامانه‌ای که از دانش ذخیره‌شده برای پاسخ‌گویی یا تصمیم‌گیری استفاده می‌کنه. |
| Expert System | اِکسپِرت سیستِم | سیستم خبره؛ برنامه‌ای که با استفاده از دانش و قواعد یک حوزه تخصصی، نتیجه‌گیری یا پیشنهاد ارائه می‌ده. |
| Knowledge Base | نالِج بِیس | پایگاه دانش؛ مجموعه اطلاعات، قواعد یا روابطی که یک سیستم برای استدلال و پاسخ‌گویی از اون استفاده می‌کنه. |
| Rule-Based System | رول بِیست سیستِم | سیستم مبتنی بر قواعد؛ سامانه‌ای که رفتار یا نتیجه اون براساس قواعد ازپیش‌تعریف‌شده تعیین می‌شه. |
| Production Rule | پرُداکشِن رول | قاعده تولید؛ دستور منطقی معمولاً به شکل «اگر شرط برقرار بود، آنگاه نتیجه یا اقدام مشخصی انجام بشه». |
| Rule-Based Inference Engine | اینفِرِنس اِنجین | موتور استنتاج قاعده‌محور؛ بخش نتیجه‌گیری سیستم خبره که قواعد و دانش را اجرا می‌کنه. |
| Knowledge Engineering | نالِج اِنجینیرینگ | مهندسی دانش؛ استخراج، سازمان‌دهی و تبدیل دانش تخصصی به ساختاری قابل استفاده برای سیستم هوش مصنوعی. |
| Knowledge Acquisition | نالِج اَکْوِزیشِن | کسب دانش؛ جمع‌آوری اطلاعات و قواعد موردنیاز برای ساخت یا تکمیل یک سیستم مبتنی بر دانش. |
| Ontology | آنتالِجی | هستی‌شناسی؛ تعریف مفاهیم یک حوزه و روابط میان اون‌ها در قالب ساختاری مشخص. |
| Semantic Network | سِمَنتیک نِتوِرک | شبکه معنایی؛ نمایش مفاهیم و ارتباطات اون‌ها به‌صورت گره‌ها و پیوندها. |
| Knowledge Graph | نالِج گراف | گراف دانش؛ نمایش موجودیت‌ها و روابط میان اون‌ها در قالب یک شبکه ساختاریافته. |
| Logic Programming | لاجیک پرُگرَمینگ | برنامه‌نویسی منطقی؛ تعریف مسئله با گزاره‌ها و قواعدی که سیستم از اون‌ها نتیجه‌گیری می‌کنه. |
| Predicate Logic | پْرِدیکِت لاجیک | منطق محمولات؛ روش رسمی بیان ویژگی‌ها و روابط موجودیت‌ها برای استدلال. |
| First-Order Logic (FOL) | فِرست اُردِر لاجیک | منطق مرتبه اول؛ نوعی منطق برای بیان گزاره‌ها، روابط و کمیت‌گذارهایی مانند «همه» و «بعضی». |
| Automated Reasoning | آتومِیتِد ریزِنینگ | استدلال خودکار؛ استفاده از روش‌های محاسباتی برای نتیجه‌گیری یا اثبات گزاره‌ها. |
| Deductive Reasoning | دیداکتیو ریزِنینگ | استدلال قیاسی؛ رسیدن به نتیجه‌ای که در صورت درستی مقدمات و معتبر بودن استدلال، الزاماً درسته. |
| Inductive Reasoning | اینداکتیو ریزِنینگ | استدلال استقرایی؛ نتیجه‌گیری یا تعمیم از مشاهده‌ها و نمونه‌های مشخص. |
| Abductive Reasoning | اَبدَکتیو ریزِنینگ | استدلال ربایشی؛ انتخاب یک توضیح احتمالی برای شواهد مشاهده‌شده. |
| Forward Chaining | فوروِرد چِینینگ | استنتاج پیش‌رونده؛ شروع از اطلاعات موجود و اجرای قواعد تا رسیدن به نتایج جدید. |
| Backward Chaining | بَکوِرد چِینینگ | استنتاج پس‌رونده؛ شروع از نتیجه موردنظر و بررسی قواعد و شواهد لازم برای اثبات اون. |
| Search Space | سِرچ اِسپِیس | فضای جست‌وجو؛ مجموعه وضعیت‌ها یا راه‌حل‌های احتمالی که الگوریتم برای حل مسئله بررسی می‌کنه. |
| State Space | اِستِیت اِسپِیس | فضای حالت؛ مجموعه وضعیت‌های ممکن یک مسئله و تغییرات قابل انجام میان اون‌ها. |
| State-Space Search | اِستِیت اِسپِیس سِرچ | جست‌وجو در فضای حالت؛ بررسی وضعیت‌های مختلف برای پیدا کردن مسیر رسیدن به هدف. |
| Heuristic | هیوریستیک | روش ابتکاری؛ راهنمای تقریبی برای انتخاب گزینه‌های امیدوارکننده و کاهش حجم جست‌وجو. |
| Heuristic Search | هیوریستیک سِرچ | جست‌وجوی ابتکاری؛ استفاده از تخمین یا دانش مسئله برای هدایت جست‌وجو به سمت راه‌حل. |
| Breadth-First Search (BFS) | بِرِدث فِرست سِرچ | جست‌وجوی سطح‌اول؛ بررسی حالت‌ها به‌ترتیب عمق، از نزدیک‌ترین حالت‌ها به نقطه شروع. |
| Depth-First Search (DFS) | دِپث فِرست سِرچ | جست‌وجوی عمق‌اول؛ دنبال‌کردن یک مسیر تا عمق بیشتر، پیش از بررسی مسیرهای جایگزین. |
| A-Star Search (A*) | اِی اِستار سِرچ | جست‌وجوی ای‌استار؛ الگوریتم جست‌وجویی که هزینه مسیر طی‌شده و تخمین هزینه باقیمانده رو برای پیدا کردن مسیر مناسب ترکیب می‌کنه. |
| Constraint Satisfaction Problem (CSP) | کِنسترِینت سَتیسفَکشِن پرابلِم | مسئله ارضای محدودیت؛ یافتن مقادیری برای متغیرها که تمام محدودیت‌های تعیین‌شده رو رعایت کنن. |
| Constraint Programming | کِنسترِینت پرُگرَمینگ | برنامه‌نویسی مبتنی بر محدودیت؛ حل مسئله با تعریف متغیرها و محدودیت‌های مجاز اون‌ها. |
| Fuzzy Logic | فازی لاجیک | منطق فازی؛ روشی برای کار با درجات مختلف درستی به‌جای محدودشدن به درست یا نادرست مطلق. |
| Fuzzy Expert System | فازی اِکسپِرت سیستِم | سیستم خبره فازی؛ ترکیب قواعد تخصصی با منطق فازی برای تصمیم‌گیری در شرایط دارای ابهام. |
| Uncertainty Reasoning | آنسِرتِنتی ریزِنینگ | استدلال در شرایط عدم قطعیت؛ نتیجه‌گیری با اطلاعات ناقص یا همراه با احتمال و ابهام. |
| Probabilistic Reasoning | پرابِبیلیستیک ریزِنینگ | استدلال احتمالاتی؛ استفاده از احتمال برای نتیجه‌گیری و ارزیابی عدم قطعیت. |
| Bayesian Network | بِیزیَن نِتوِرک | شبکه بیزی؛ مدل گرافی احتمالاتی برای نمایش وابستگی میان متغیرها و استنتاج درباره اون‌ها؛ نام مرتبط یا جایگزین: Belief Network. |
| Automated Planning | آتومِیتِد پِلَنینگ | برنامه‌ریزی خودکار؛ روش‌های محاسباتی که برنامه‌ای از اقدامات مطابق مدل مسئله، وضعیت اولیه و هدف تولید می‌کنن. |
| Planning Domain Definition Language (PDDL) | پِلَنینگ دُمِین دِفینیشِن لَنگویج | زبان توصیف مسائل برنامه‌ریزی هوش مصنوعی؛ برای تعریف اقدامات، وضعیت‌ها، محدودیت‌ها و اهداف. |
| Truth Maintenance System (TMS) | تروث مِینتِنِنس سیستِم | سیستم نگهداری سازگاری باورها؛ مدیریت نتیجه‌گیری‌ها و وابستگی اون‌ها به فرض‌ها یا اطلاعات موجود. |
نکته:
همه این اصطلاحات به یک نوع فناوری اشاره ندارن. بعضی مثل Expert System نام یک سیستم هستن، بعضی مثل Fuzzy Logic روش استدلال محسوب می‌شن و بعضی مثل A-Star Search الگوریتم حل مسئله هستن.
هوش مصنوعی کلاسیک هم الزاماً منسوخ نشده و بعضی روش‌های اون همچنان به‌تنهایی یا در ترکیب با یادگیری ماشین استفاده می‌شن.
اصطلاحات یادگیری ماشین (Machine Learning)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Predictive AI | پریدیکتیو اِی‌آی | هوش مصنوعی پیش‌بینی‌کننده؛ استفاده از مدل‌های هوش مصنوعی برای پیش‌بینی نتایج احتمالی. |
| Generalization | جِنِرَلایزِیشِن | تعمیم‌پذیری؛ توانایی مدل برای عملکرد مناسب روی داده‌های دیده‌نشده؛ با عنوان Model Generalization هم شناخته می‌شه. |
| Machine Learning (ML) | مَشین لِرنینگ | یادگیری ماشین؛ روشی که در اون مدل از داده‌ها الگو یاد می‌گیره تا پیش‌بینی یا تصمیم‌گیری کنه. |
| Supervised Learning | سوپِروایزد لِرنینگ | یادگیری نظارت‌شده؛ آموزش مدل با نمونه‌هایی که پاسخ درست اون‌ها مشخصه. |
| Unsupervised Learning | آن‌سوپِروایزد لِرنینگ | یادگیری بدون نظارت؛ کشف الگو و ساختار در داده‌هایی که برچسب پاسخ ندارن. |
| Semi-Supervised Learning | سِمی سوپِروایزد لِرنینگ | یادگیری نیمه‌نظارتی؛ استفاده هم‌زمان از داده‌های برچسب‌دار و بدون برچسب. |
| Self-Supervised Learning | سِلف سوپِروایزد لِرنینگ | یادگیری خودنظارتی؛ ساخت هدف آموزشی از خود داده‌ها، بدون نیاز به برچسب‌گذاری دستی برای هر نمونه. |
| Online Learning | آنلاین لِرنینگ | یادگیری برخط؛ به‌روزرسانی مدل به‌صورت تدریجی با دریافت داده‌های جدید. |
| Offline Learning | آفلاین لِرنینگ | یادگیری آفلاین؛ آموزش مدل با مجموعه داده‌های موجود، بدون به‌روزرسانی مداوم هنگام استفاده. |
| Active Learning | اَکتیو لِرنینگ | یادگیری فعال؛ روشی که مدل نمونه‌های مفیدتر رو برای دریافت برچسب انتخاب می‌کنه. |
| Transfer Learning | تْرَنسفِر لِرنینگ | یادگیری انتقالی؛ استفاده از دانش مدل آموزش‌دیده برای حل مسئله‌ای جدید. |
| Multi-Task Learning | مالتی تَسک لِرنینگ | یادگیری چندوظیفه‌ای؛ آموزش یک مدل برای چند وظیفه مرتبط به‌صورت هم‌زمان. |
| Federated Learning | فِدِرِیتِد لِرنینگ | یادگیری فدرال؛ آموزش مشترک مدل با داده‌های پراکنده، بدون انتقال مستقیم همه داده‌های خام به یک مرکز. |
| Continual Learning | کِنتینیوئِل لِرنینگ | یادگیری پیوسته؛ یادگیری وظایف یا اطلاعات جدید در طول زمان، با تلاش برای حفظ آموخته‌های قبلی. |
| Meta-Learning | مِتا لِرنینگ | فرایادگیری؛ آموزش مدل برای اینکه بتونه وظایف جدید رو با داده یا آموزش کمتری یاد بگیره. |
| Few-Shot Learning | فیو شات لِرنینگ | یادگیری با نمونه‌های کم؛ یادگیری یک وظیفه با تعداد محدودی مثال آموزشی. |
| Zero-Shot Learning | زیرو شات لِرنینگ | یادگیری بدون نمونه مستقیم؛ انجام وظیفه یا تشخیص دسته‌ای که نمونه آموزشی مستقیم از اون ارائه نشده. |
| One-Shot Learning | وان شات لِرنینگ | یادگیری تک‌نمونه‌ای؛ یادگیری یا شناسایی یک مفهوم با یک نمونه. |
| Classification | کْلَسیفیکِیشِن | طبقه‌بندی؛ اختصاص‌دادن داده‌ها به دسته‌های مشخص، مثل تشخیص ایمیل سالم و اسپم. |
| Binary Classification | باینِری کْلَسیفیکِیشِن | طبقه‌بندی دودسته‌ای؛ انتخاب یکی از دو دسته ممکن. |
| Multi-Class Classification | مالتی کْلَس کْلَسیفیکِیشِن | طبقه‌بندی چندکلاسه؛ انتخاب یک دسته از میان بیش از دو دسته. |
| Multi-Label Classification | مالتی لِیبِل کْلَسیفیکِیشِن | طبقه‌بندی چندبرچسبی؛ اختصاص هم‌زمان چند برچسب به یک نمونه. |
| Regression | ریگْرِشِن | رگرسیون؛ پیش‌بینی مقدار عددی، مثل قیمت یک خانه. |
| Clustering | کْلاستِرینگ | خوشه‌بندی؛ گروه‌بندی داده‌های مشابه بدون نیاز به برچسب‌های ازپیش‌تعیین‌شده. |
| K-Means Clustering | کِی مینز کْلاستِرینگ | خوشه‌بندی میانگین‌های K؛ روشی برای تقسیم داده‌ها به تعداد مشخصی خوشه براساس شباهت. |
| Hierarchical Clustering | هایِرارکیکِل کْلاستِرینگ | خوشه‌بندی سلسله‌مراتبی؛ تشکیل گروه‌های تو‌در‌تو از داده‌های مشابه. |
| Anomaly Detection | اَنومَلی دیتِکشِن | تشخیص ناهنجاری؛ شناسایی داده‌ها یا رفتارهایی که از الگوی معمول فاصله دارن. |
| Outlier Detection | آوت‌لایِر دیتِکشِن | تشخیص داده پرت؛ یافتن نمونه‌هایی که با بیشتر داده‌های مجموعه تفاوت زیادی دارن. |
| Recommendation System | رِکِمِندِیشِن سیستِم | سیستم پیشنهاددهنده؛ مدلی برای پیشنهاد محصول، فیلم یا محتوای مرتبط با علاقه و رفتار کاربر. |
| Collaborative Filtering | کُلَبِرِیتیو فیلتِرینگ | پالایش مشارکتی؛ پیشنهاد موارد براساس الگوهای مشترک رفتار یا علاقه کاربران. |
| Content-Based Filtering | کانتِنت بِیست فیلتِرینگ | پیشنهاددهی محتوامحور؛ پیشنهاد موارد مشابه براساس ویژگی‌های اون‌ها و ترجیحات کاربر. |
| Feature | فیچِر | ویژگی؛ یکی از اطلاعات ورودی مدل، مثل سن، قیمت یا تعداد خرید. |
| Feature Engineering | فیچِر اِنجینیرینگ | مهندسی ویژگی؛ ساخت، انتخاب یا تبدیل اطلاعات ورودی برای بهبود یادگیری مدل. |
| Feature Selection | فیچِر سِلِکشِن | انتخاب ویژگی؛ مشخص‌کردن اطلاعات ورودی مفیدتر برای آموزش مدل. |
| Feature Extraction | فیچِر اِکسترَکشِن | استخراج ویژگی؛ تبدیل داده خام به نمایش یا ویژگی‌های قابل استفاده برای مدل. |
| Dimensionality Reduction | دایمِنشِنَلِتی ریداکشِن | کاهش ابعاد؛ کم‌کردن تعداد متغیرهای نمایش داده با حفظ اطلاعات مهم تا حد امکان. |
| Principal Component Analysis (PCA) | پرینسیپِل کامپونِنت اَنَلِسِس | تحلیل مؤلفه‌های اصلی؛ روش آماری کاهش ابعاد با ساخت مؤلفه‌هایی که تغییرات مهم داده رو توضیح می‌دن. |
| Dataset | دِیتاسِت | مجموعه‌داده؛ مجموعه نمونه‌هایی که برای آموزش، اعتبارسنجی یا ارزیابی مدل استفاده می‌شن. |
| Training Set | تْرِینینگ سِت | مجموعه آموزش؛ داده‌هایی که مدل از اون‌ها یاد می‌گیره. |
| Validation Set | وَلیدِیشِن سِت | مجموعه اعتبارسنجی؛ داده‌هایی برای تنظیم مدل و انتخاب تنظیمات مناسب در فرایند توسعه. |
| Test Set | تِست سِت | مجموعه آزمون؛ داده‌هایی برای ارزیابی عملکرد نهایی مدل روی نمونه‌های کنارگذاشته‌شده. |
| Labeled Data | لِیبِلد دِیتا | داده برچسب‌دار؛ داده‌ای که پاسخ یا دسته درست اون مشخص شده. |
| Unlabeled Data | آن‌لِیبِلد دِیتا | داده بدون برچسب؛ داده‌ای که پاسخ یا دسته مشخصی به اون اختصاص داده نشده. |
| Data Labeling | دِیتا لِیبِلینگ | برچسب‌گذاری داده؛ تعیین پاسخ، دسته یا ویژگی موردنظر برای نمونه‌های آموزشی. |
| Data Augmentation | دِیتا آگمِنتِیشِن | افزایش داده؛ ساخت نمونه‌های آموزشی متنوع‌تر با تغییرات کنترل‌شده روی داده‌های موجود. |
| Data Preprocessing | دِیتا پری‌پراسِسینگ | پیش‌پردازش داده؛ آماده‌سازی داده خام برای استفاده در مدل. |
| Data Normalization | دِیتا نورمَلایزِیشِن | نرمال‌سازی داده؛ تبدیل مقیاس یا توزیع مقادیر طبق یک روش مشخص برای آماده‌سازی داده. |
| Data Standardization | دِیتا اِستَندِردایزِیشِن | استانداردسازی داده؛ تبدیل مقادیر، معمولاً به شکلی که میانگین صفر و انحراف معیار یک داشته باشن. |
| Model Training | مادِل تْرِینینگ | آموزش مدل؛ تنظیم پارامترهای مدل با استفاده از داده‌ها و یک هدف آموزشی. |
| Hyperparameter | هایپِرپَرامِتِر | ابرپارامتر؛ تنظیمی که معمولاً پیش از آموزش تعیین می‌شه، مثل نرخ یادگیری. |
| Hyperparameter Tuning | هایپِرپَرامِتِر تیونینگ | تنظیم ابرپارامترها؛ آزمایش مقدارهای مختلف برای پیداکردن تنظیمات مناسب مدل. |
| Overfitting | اُووِرفیتینگ | بیش‌برازش؛ زمانی که مدل الگوهای خاص داده‌های آموزشی رو بیش‌ازحد یاد می‌گیره و روی داده‌های جدید ضعیف‌تر عمل می‌کنه. |
| Underfitting | آندِرفیتینگ | کم‌برازش؛ زمانی که مدل حتی الگوهای اصلی داده آموزشی رو هم به‌خوبی یاد نمی‌گیره. |
| Regularization | رِگیولَرایزِیشِن | منظم‌سازی؛ روش‌هایی برای کنترل پیچیدگی مدل و کاهش خطر بیش‌برازش. |
| Cross-Validation | کراس وَلیدِیشِن | اعتبارسنجی متقاطع؛ ارزیابی مدل با چند تقسیم متفاوت از داده‌ها برای برآورد مطمئن‌تر عملکرد. |
| Ensemble Learning | آنسامبِل لِرنینگ | یادگیری تجمیعی؛ ترکیب چند مدل برای دستیابی به پیش‌بینی بهتر یا پایدارتر. |
| Random Forest | رَندِم فارِست | جنگل تصادفی؛ مدلی متشکل از چندین درخت تصمیم که نتایج اون‌ها ترکیب می‌شه. |
| Decision Tree | دِسیژِن تْری | درخت تصمیم؛ مدلی که با پرسش‌ها و شاخه‌های متوالی، داده‌ها رو طبقه‌بندی یا مقدار عددی پیش‌بینی می‌کنه. |
| Support Vector Machine (SVM) | سِپورت وِکتِر مَشین | ماشین بردار پشتیبان؛ روشی برای طبقه‌بندی یا رگرسیون که از مرزهای تصمیم‌گیری استفاده می‌کنه. |
| Naive Bayes | ناایو بِیز | بیز ساده؛ روش احتمالاتی طبقه‌بندی که فرض می‌کنه ویژگی‌ها با دانستن کلاس، مستقل از هم هستن. |
| Gradient Boosting | گْرِیدیِنت بوستینگ | تقویت گرادیانی؛ ساخت متوالی مدل‌های ضعیف‌تر برای کاهش خطاهای مدل ترکیبی. |
| Time Series Forecasting | تایم سیریز فورکَستینگ | پیش‌بینی سری زمانی؛ پیش‌بینی مقدارهای آینده براساس داده‌های ثبت‌شده در طول زمان. |
| Concept Drift | کانسِپت دریفت | تغییر مفهوم؛ تغییر رابطه میان ورودی‌ها و پاسخ درست در طول زمان که می‌تونه دقت پیش‌بینی رو کاهش بده. |
| Data Drift | دِیتا دریفت | تغییر توزیع داده؛ تغییر آماری داده‌های ورودی جدید نسبت به داده‌های مرجع؛ لزوماً به معنی افت عملکرد نیست. |
| Class Imbalance | کْلَس ایمبَلَنس | عدم توازن کلاس‌ها؛ شرایطی که تعداد نمونه‌های بعضی دسته‌ها بسیار بیشتر از دسته‌های دیگه است. |
| Synthetic Data | سینثِتیک دِیتا | داده مصنوعی؛ داده تولیدشده با روش‌های محاسباتی یا مولد برای شبیه‌سازی ویژگی‌های داده واقعی. |
نکته:
در یادگیری ماشین، Classification برای پیش‌بینی دسته، Regression برای پیش‌بینی مقدار عددی و Clustering برای کشف گروه‌های مشابه به کار می‌ره.
همچنین یادگیری بدون نظارت با یادگیری خودنظارتی یکسان نیست؛ در یادگیری خودنظارتی، سیستم از خود داده‌ها هدف آموزشی می‌سازه.
اصطلاحات یادگیری عمیق و شبکه‌های عصبی (Deep Learning & Neural Networks)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Connectionist AI | کِنِکشِنیست اِی‌آی | هوش مصنوعی پیوندگرا؛ رویکردی مبتنی بر شبکه‌ای از واحدهای پردازشی متصل، مانند شبکه‌های عصبی مصنوعی. |
| Deep Learning (DL) | دیپ لِرنینگ | یادگیری عمیق؛ زیرمجموعه یادگیری ماشین که از شبکه‌های عصبی چندلایه برای یادگیری الگوها استفاده می‌کنه. |
| Artificial Neural Network (ANN) | آرتیفیشِل نیورال نِتوِرک | شبکه عصبی مصنوعی؛ مدل محاسباتی متشکل از واحدهای پردازشی متصل که روابط بین داده‌ها رو یاد می‌گیره. |
| Artificial Neuron | آرتیفیشِل نیوران | نورون مصنوعی؛ واحد محاسباتی شبکه عصبی که ورودی‌ها رو ترکیب و نتیجه رو پردازش می‌کنه. |
| Neural Network Layer | نیورال نِتوِرک لِیِر | لایه شبکه عصبی؛ مجموعه‌ای از واحدهای پردازشی که داده‌ها از اون عبور می‌کنن. |
| Input Layer | اینپوت لِیِر | لایه ورودی؛ بخشی از شبکه عصبی که داده‌ها رو دریافت می‌کنه. |
| Hidden Layer | هیدِن لِیِر | لایه پنهان؛ لایه میانی شبکه عصبی که نمایش‌های جدیدی از اطلاعات می‌سازه. |
| Output Layer | آوتپوت لِیِر | لایه خروجی؛ بخشی که نتیجه نهایی شبکه عصبی رو تولید می‌کنه. |
| Weight | وِیت | وزن؛ پارامتر قابل‌آموزش که میزان تأثیر یک ورودی یا ارتباط رو تعیین می‌کنه. |
| Bias Parameter | بایِس پَرامِتِر | پارامتر بایاس؛ مقدار قابل‌آموزشی که به محاسبات نورون اضافه می‌شه تا مدل انعطاف بیشتری داشته باشه. |
| Activation Function | اَکتیوِیشِن فانکشِن | تابع فعال‌سازی؛ تابعی که خروجی واحدهای شبکه عصبی رو تبدیل می‌کنه و معمولاً امکان یادگیری روابط غیرخطی رو فراهم می‌کنه. |
| Rectified Linear Unit (ReLU) | رِکتیفاید لینیِر یونیت | واحد خطی اصلاح‌شده؛ تابع فعال‌سازی‌ای که مقدارهای منفی رو صفر و مقدارهای مثبت رو بدون تغییر عبور می‌ده. |
| Sigmoid Function | سیگموید فانکشِن | تابع سیگموید؛ تابعی که ورودی رو به مقداری بین صفر و یک تبدیل می‌کنه. |
| Softmax | سافت‌مَکس | تابع سافت‌مکس؛ تابعی که مجموعه‌ای از امتیازها رو به مقادیری بین صفر و یک با مجموع یک تبدیل می‌کنه. |
| Forward Propagation | فوروِرد پراپَگِیشِن | انتشار پیشرو؛ عبور داده از لایه‌های شبکه برای محاسبه خروجی. |
| Backpropagation | بَک‌پراپَگِیشِن | پس‌انتشار خطا؛ روش محاسبه گرادیان خطا نسبت به پارامترهای شبکه عصبی. |
| Gradient | گْرِیدیِنت | گرادیان؛ نشان‌دهنده جهت و میزان تغییر یک تابع نسبت به پارامترهای اون. |
| Gradient Descent | گْرِیدیِنت دیسِنت | گرادیان کاهشی؛ روش بهینه‌سازی پارامترها با حرکت در جهت کاهش تابع خطا. |
| Stochastic Gradient Descent (SGD) | اِستاکَستیک گْرِیدیِنت دیسِنت | گرادیان کاهشی تصادفی؛ به‌روزرسانی پارامترها با استفاده از نمونه‌ها یا دسته‌های کوچک داده. |
| Optimizer | آپتیمایزِر | بهینه‌ساز؛ الگوریتمی که پارامترهای قابل‌آموزش مدل رو برای کاهش خطا تنظیم می‌کنه. |
| Adam Optimizer | اَدَم آپتیمایزِر | بهینه‌ساز آدام؛ روشی که از تخمین میانگین و پراکندگی گرادیان‌ها برای تنظیم گام‌های یادگیری استفاده می‌کنه. |
| Learning Rate | لِرنینگ رِیت | نرخ یادگیری؛ اندازه گام تغییر پارامترهای مدل هنگام آموزش. |
| Loss Function | لاس فانکشِن | تابع زیان؛ معیاری که میزان خطای خروجی مدل رو برای فرایند آموزش محاسبه می‌کنه. |
| Epoch | ایپاک | دوره آموزش؛ یک بار عبور کامل از مجموعه داده آموزشی. |
| Batch | بَچ | دسته؛ گروهی از نمونه‌ها که با هم در یک مرحله پردازش می‌شن. |
| Batch Size | بَچ سایز | اندازه دسته؛ تعداد نمونه‌هایی که در یک دسته پردازش می‌شن. |
| Mini-Batch | مینی‌بَچ | دسته کوچک؛ بخشی از داده‌های آموزشی که برای یک مرحله به‌روزرسانی مدل استفاده می‌شه. |
| Iteration | ایتِرِیشِن | تکرار؛ یک مرحله از اجرای فرایند آموزش یا بهینه‌سازی. |
| Dropout | دراپ‌آوت | حذف تصادفی واحدها؛ روشی برای کاهش بیش‌برازش که هنگام آموزش، بعضی واحدهای شبکه رو به‌صورت تصادفی غیرفعال می‌کنه. |
| Batch Normalization | بَچ نورمَلایزِیشِن | نرمال‌سازی دسته‌ای؛ روشی برای نرمال‌کردن خروجی‌های میانی شبکه براساس آمار دسته‌های آموزشی. |
| Layer Normalization | لِیِر نورمَلایزِیشِن | نرمال‌سازی لایه‌ای؛ روشی برای نرمال‌کردن مقادیر ویژگی‌ها درون هر نمونه. |
| Vanishing Gradient | وَنیشینگ گْرِیدیِنت | محوشدن گرادیان؛ کوچک‌شدن بیش‌ازحد گرادیان‌ها که یادگیری بعضی لایه‌ها رو دشوار می‌کنه. |
| Exploding Gradient | اِکسپلودینگ گْرِیدیِنت | انفجار گرادیان؛ بزرگ‌شدن بیش‌ازحد گرادیان‌ها که می‌تونه آموزش مدل رو ناپایدار کنه. |
| Gradient Clipping | گْرِیدیِنت کلیپینگ | محدودسازی گرادیان؛ جلوگیری از بزرگ‌شدن بیش‌ازحد گرادیان‌ها هنگام آموزش. |
| Multilayer Perceptron (MLP) | مالتی‌لِیِر پِرسِپتران | پرسپترون چندلایه؛ نوعی شبکه عصبی پیش‌خور با یک یا چند لایه میانی. |
| Feedforward Neural Network (FNN) | فیدفوروِرد نیورال نِتوِرک | شبکه عصبی پیش‌خور؛ شبکه‌ای که اطلاعات در اون بدون چرخه بازگشتی از ورودی به خروجی حرکت می‌کنه. |
| Convolutional Neural Network (CNN) | کانوالووشِنَل نیورال نِتوِرک | شبکه عصبی کانولوشنی؛ معماری مناسب برای استخراج الگوهای مکانی، به‌ویژه از تصاویر. |
| Convolution | کانوالووشِن | کانولوشن؛ عملیاتی که با استفاده از یک فیلتر، الگوهای موضعی داده رو استخراج می‌کنه. |
| Kernel | کِرنِل | کرنل؛ فیلتر محاسباتی کوچکی که در لایه‌های کانولوشنی روی داده حرکت می‌کنه. |
| Pooling | پولینگ | تجمیع؛ کاهش اندازه نمایش داده با خلاصه‌کردن اطلاعات نواحی مختلف. |
| Recurrent Neural Network (RNN) | ریکِرِنت نیورال نِتوِرک | شبکه عصبی بازگشتی؛ معماری‌ای که از حالت‌های قبلی برای پردازش داده‌های ترتیبی استفاده می‌کنه. |
| Long Short-Term Memory (LSTM) | لانگ شورت تِرم مِمِری | حافظه بلندمدت کوتاه‌مدت؛ نوعی شبکه بازگشتی برای یادگیری وابستگی‌های زمانی طولانی‌تر. |
| Gated Recurrent Unit (GRU) | گِیتِد ریکِرِنت یونیت | واحد بازگشتی دروازه‌دار؛ نوعی شبکه بازگشتی که با سازوکار دروازه‌ای اطلاعات رو مدیریت می‌کنه. |
| Sequence-to-Sequence (Seq2Seq) | سیکوئِنس تو سیکوئِنس | معماری دنباله‌به‌دنباله؛ تبدیل یک توالی ورودی به توالی خروجی، مانند ترجمه ماشینی. |
| Encoder | اِنکودِر | رمزگذار؛ بخشی از مدل که ورودی رو به یک نمایش محاسباتی تبدیل می‌کنه. |
| Decoder | دیکودِر | رمزگشا؛ بخشی از مدل که از نمایش‌های محاسباتی، خروجی موردنظر رو می‌سازه. |
| Encoder-Decoder Architecture / Model | اِنکودِر دیکودِر آرکیتِکچِر | معماری رمزگذارـرمزگشا؛ ساختاری که ورودی رو با رمزگذار به نمایش میانی تبدیل و سپس با رمزگشا خروجی مرتبط تولید می‌کنه. |
| Attention Mechanism | اَتِنشِن مِکَنیزِم | سازوکار توجه؛ روشی که به مدل کمک می‌کنه هنگام پردازش، به بخش‌های مرتبط‌تر اطلاعات وزن بیشتری بده. |
| Self-Attention | سِلف اَتِنشِن | خودتوجهی؛ بررسی ارتباط عناصر یک توالی با سایر عناصر همون توالی. |
| Cross-Attention | کراس اَتِنشِن | توجه متقاطع؛ استفاده از اطلاعات یک توالی یا منبع برای پردازش توالی دیگه. |
| Multi-Head Attention | مالتی هِد اَتِنشِن | توجه چندسری؛ اجرای چند سازوکار توجه به‌صورت موازی برای یادگیری روابط مختلف. |
| Transformer | تْرَنسفورمِر | ترنسفورمر؛ معماری شبکه عصبی مبتنی بر سازوکار توجه که در بسیاری از مدل‌های زبانی و چندوجهی استفاده می‌شه. |
| Positional Encoding | پُزیشِنَل اِنکودینگ | کدگذاری موقعیت؛ افزودن اطلاعات جایگاه عناصر توالی به مدل. |
| Positional Embedding | پُزیشِنَل اِمبِدینگ | تعبیه موقعیت؛ نمایش برداری جایگاه عناصر یک توالی که می‌تونه در فرایند آموزش یاد گرفته بشه. |
| Residual Connection | رِزیدوئِل کِنِکشِن | اتصال باقیمانده؛ نوعی اتصال میان‌بُر که ورودی یک بخش رو معمولاً با خروجی تبدیل‌شده اون جمع می‌کنه و آموزش شبکه‌های عمیق رو آسان‌تر می‌کنه. |
| Skip Connection | اِسکیپ کِنِکشِن | اتصال میان‌بُر؛ ارتباطی که اطلاعات یک لایه رو با دورزدن یک یا چند لایه به بخش جلوتر منتقل می‌کنه؛ اتصال باقیمانده یک نوع رایج اونه. |
| Mixture of Experts (MoE) | میکسچِر آو اِکسپِرتس | ترکیب خبرگان؛ معماری‌ای با چند زیرشبکه تخصصی که سازوکار مسیریابی مشخص می‌کنه کدوم‌ها برای ورودی فعال بشن. |
| Expert Network | اِکسپِرت نِتوِرک | شبکه خبره؛ زیرشبکه‌ای تخصصی در معماری‌هایی مانند ترکیب خبرگان. |
| Gating Network | گِیتینگ نِتوِرک | شبکه دروازه‌بان؛ بخشی که تعیین می‌کنه کدوم زیرشبکه‌ها یا مسیرهای پردازشی فعال بشن. |
| Graph Neural Network (GNN) | گراف نیورال نِتوِرک | شبکه عصبی گرافی؛ مدلی برای یادگیری از داده‌هایی که به شکل گره‌ها و ارتباطات نمایش داده می‌شن. |
| Graph Convolutional Network (GCN) | گراف کانوالووشِنَل نِتوِرک | شبکه کانولوشنی گرافی؛ نوعی شبکه عصبی که اطلاعات گره‌های مرتبط رو برای ساخت نمایش جدید ترکیب می‌کنه. |
| Autoencoder | آتو اِنکودِر | خودرمزگذار؛ شبکه‌ای که یاد می‌گیره داده ورودی رو فشرده و بازسازی کنه. |
| Variational Autoencoder (VAE) | وِری‌اِیشِنَل آتو اِنکودِر | خودرمزگذار تغییراتی؛ مدل مولدی که نمایش احتمالاتی داده رو یاد می‌گیره و می‌تونه نمونه‌های جدید تولید کنه. |
| Generative Adversarial Network (GAN) | جِنِرِیتیو اَدوِرسِریِل نِتوِرک | شبکه مولد تخاصمی؛ روشی که دو شبکه، معمولاً مولد و تشخیص‌دهنده، در یک فرایند رقابتی آموزش می‌بینن. |
| Diffusion Model | دیفیوژِن مادِل | مدل انتشار؛ مدل مولدی که معمولاً با یادگیری فرایند حذف تدریجی نویز، داده جدید تولید می‌کنه. |
| Latent Space | لِیتِنت اِسپِیس | فضای نهفته؛ نمایش فشرده یا پنهان داده‌ها که مدل در اون ویژگی‌ها و روابط رو بازنمایی می‌کنه. |
| Representation Learning | رِپرِزِنتِیشِن لِرنینگ | یادگیری بازنمایی؛ یادگیری خودکار ویژگی‌ها و نمایش‌های مفید از داده‌ها. |
| Contrastive Learning | کِنترَستیو لِرنینگ | یادگیری تقابلی؛ آموزش مدل برای نزدیک‌کردن نمایش نمونه‌های مرتبط و دورکردن نمونه‌های نامرتبط. |
نکته:
همه مدل‌های یادگیری عمیق از یک معماری استفاده نمی‌کنن.
CNN بیشتر برای داده‌های دارای ساختار مکانی، RNN برای پردازش توالی‌ها و Transformer برای مدل‌سازی روابط با سازوکار توجه شناخته می‌شن.
همچنین Encoder و Decoder نام بخش‌های معماری هستن و نباید اون‌ها رو با ابزارهای رمزنگاری یا فشرده‌سازی معمولی یکسان دونست.
اصطلاحات مدل‌های زبانی و پردازش زبان طبیعی (LLM & NLP)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Natural Language Processing (NLP) | نَچِرِل لَنگویج پراسِسینگ | پردازش زبان طبیعی؛ شاخه‌ای از هوش مصنوعی برای تحلیل، درک و تولید زبان انسان. |
| Natural Language Understanding (NLU) | نَچِرِل لَنگویج آندِراِستَندینگ | درک زبان طبیعی؛ استخراج معنی، نیت و اطلاعات از متن یا گفتار. |
| Natural Language Generation (NLG) | نَچِرِل لَنگویج جِنِرِیشِن | تولید زبان طبیعی؛ ساخت متن یا گفتار قابل‌فهم برای انسان. |
| Language Model (LM) | لَنگویج مادِل | مدل زبانی؛ مدلی که الگوهای زبان رو یاد می‌گیره و برای پردازش یا تولید متن استفاده می‌شه. |
| Large Language Model (LLM) | لارج لَنگویج مادِل | مدل زبانی بزرگ؛ مدلی با شمار زیادی پارامتر که روی داده‌های گسترده آموزش دیده و برای پردازش یا تولید زبان به کار می‌ره. |
| Small Language Model (SLM) | اِسمال لَنگویج مادِل | مدل زبانی کوچک؛ مدلی با اندازه یا نیاز محاسباتی کمتر نسبت به مدل‌های زبانی بزرگ. |
| Pretrained Language Model | پری‌تْرِیند لَنگویج مادِل | مدل زبانی پیش‌آموزش‌دیده؛ مدلی که پیش از استفاده تخصصی، الگوهای زبان رو از داده‌های آموزشی یاد گرفته. |
| Generative Pre-trained Transformer (GPT) | جِنِرِیتیو پری‌تْرِیند تْرَنسفورمِر | ترنسفورمر مولد پیش‌آموزش‌دیده؛ خانواده‌ای از مدل‌های مبتنی بر ترنسفورمر برای تولید محتوا. |
| Bidirectional Encoder Representations from Transformers (BERT) | بای‌دایرِکشِنَل اِنکودِر رِپرِزِنتِیشِنز فرام تْرَنسفورمِرز | مدل بِرت؛ مدل زبانی مبتنی بر رمزگذار ترنسفورمر که اطلاعات دو سوی واژه‌ها رو برای درک متن بررسی می‌کنه. |
| Decoder-Only Model | دیکودِر اُونلی مادِل | مدل فقط رمزگشا؛ معماری‌ای که معمولاً برای تولید مرحله‌به‌مرحله توکن‌ها استفاده می‌شه. |
| Encoder-Only Model | اِنکودِر اُونلی مادِل | مدل فقط رمزگذار؛ معماری‌ای که بیشتر برای ساخت نمایش و تحلیل ورودی کاربرد داره. |
| Token | توکِن | توکن؛ واحد پردازش متن در مدل زبانی که می‌تونه یک واژه، بخشی از واژه یا نشانه باشه. |
| Tokenization | توکِنایزِیشِن | توکن‌سازی؛ تبدیل متن به واحدهای کوچک‌تر برای پردازش مدل. |
| Tokenizer | توکِنایزِر | توکن‌ساز؛ ابزاری که متن رو به توکن تبدیل می‌کنه و معمولاً شناسه هر توکن رو مشخص می‌کنه. |
| Token ID | توکِن آی‌دی | شناسه توکن؛ عددی که در واژگان توکن‌ساز به یک توکن اختصاص داده شده. |
| Vocabulary | وُکَبیولِری | واژگان مدل؛ مجموعه توکن‌ها یا واحدهای زبانی شناخته‌شده توسط توکن‌ساز. |
| Subword Tokenization | ساب‌وِرد توکِنایزِیشِن | توکن‌سازی زیرواژه‌ای؛ تقسیم واژه‌ها به واحدهای کوچک‌تر برای پردازش. |
| Byte Pair Encoding (BPE) | بایت پِر اِنکودینگ | کدگذاری جفت‌واحد؛ روشی که با ادغام تدریجی جفت‌های پرتکرار، واژگان توکن‌ساز رو می‌سازه. |
| Special Token | اِسپِشِل توکِن | توکن ویژه؛ توکنی با نقش ساختاری مشخص، مانند نشانه پایان متن یا جداکننده بخش‌ها. |
| Context | کانتِکست | زمینه؛ اطلاعاتی که مدل برای تفسیر درخواست یا تولید پاسخ در اختیار داره. |
| Context Window | کانتِکست ویندو | پنجره زمینه؛ محدودیت مقدار اطلاعاتی که مدل می‌تونه در یک نوبت پردازش در نظر بگیره؛ نام مرتبط یا جایگزین: Context Window Limit. |
| Context Length | کانتِکست لِنگث | طول زمینه؛ اندازه اطلاعات ورودی یا زمینه مدل که معمولاً برحسب تعداد توکن بیان می‌شه. |
| Long-Context Model | لانگ کانتِکست مادِل | مدل با زمینه طولانی؛ مدلی که می‌تونه حجم بیشتری از اطلاعات رو در پنجره زمینه پردازش کنه. |
| Completion | کِمپلیشِن | تکمیل متن؛ ادامه‌ای که مدل براساس متن یا توکن‌های قبلی تولید می‌کنه. |
| Next-Token Prediction | نِکست توکِن پریدیکشِن | پیش‌بینی توکن بعدی؛ تخمین احتمال توکن بعدی براساس توکن‌های قبلی. |
| Autoregressive Model | آتوریگْرِسیو مادِل | مدل خودبازگشتی؛ مدلی که خروجی رو مرحله‌به‌مرحله و با استفاده از خروجی‌های قبلی تولید می‌کنه. |
| Masked Language Modeling (MLM) | مَسکت لَنگویج مادِلینگ | مدل‌سازی زبان با پوشاندن توکن؛ آموزش مدل برای پیش‌بینی بخش‌های پنهان‌شده متن. |
| Causal Language Modeling (CLM) | کازِل لَنگویج مادِلینگ | مدل‌سازی زبان علّی؛ آموزش مدل برای پیش‌بینی توکن‌های بعدی بدون استفاده از توکن‌های آینده. |
| Language Modeling Objective | لَنگویج مادِلینگ اَبجِکتیو | هدف آموزش مدل زبانی؛ وظیفه‌ای که مدل هنگام یادگیری برای کاهش خطا انجام می‌ده. |
| Text Classification | تِکست کْلَسیفیکِیشِن | طبقه‌بندی متن؛ اختصاص متن به دسته‌های مشخص، مثل موضوع یا نوع پیام. |
| Sentiment Analysis | سِنتیمِنت اَنَلِسِس | تحلیل احساسات متن؛ تشخیص نگرش یا بار احساسی مثبت، منفی یا خنثی. |
| Intent Recognition | اینتِنت رِکاگنیشِن | تشخیص نیت؛ شناسایی هدف کاربر از پیام یا درخواست. |
| Named Entity Recognition (NER) | نِیمد اِنتیتی رِکاگنیشِن | شناسایی موجودیت‌های نام‌دار؛ تشخیص نام افراد، سازمان‌ها، مکان‌ها و موارد مشابه در متن. |
| Entity Linking | اِنتیتی لینکینگ | پیونددهی موجودیت؛ اتصال نام شناسایی‌شده در متن به موجودیت مشخص در یک پایگاه دانش. |
| Part-of-Speech Tagging (POS Tagging) | پارت آو اسپیچ تَگینگ | برچسب‌گذاری نقش دستوری؛ مشخص‌کردن نقش واژه‌ها مانند اسم، فعل و صفت. |
| Parsing | پارسینگ | تجزیه ساختاری زبان؛ بررسی روابط دستوری یا ساختار جمله. |
| Dependency Parsing | دیپِندِنسی پارسینگ | تجزیه وابستگی؛ شناسایی روابط دستوری میان واژه‌های جمله. |
| Semantic Parsing | سِمَنتیک پارسینگ | تجزیه معنایی؛ تبدیل زبان طبیعی به نمایش ساختاریافته‌ای از معنی یا دستور قابل اجرا. |
| Semantic Similarity | سِمَنتیک سیمیلَرِتی | شباهت معنایی؛ سنجش میزان نزدیکی معنی دو متن یا عبارت. |
| Text Embedding | تِکست اِمبِدینگ | بردار معنایی متن؛ نمایش عددی متن برای استفاده در جست‌وجو، مقایسه یا مدل‌سازی. |
| Word Embedding | وِرد اِمبِدینگ | بردار واژه؛ نمایش عددی واژه‌ها به شکلی که برخی روابط زبانی در اون بازتاب پیدا کنه. |
| Sentence Embedding | سِنتِنس اِمبِدینگ | بردار جمله؛ نمایش عددی یک جمله برای مقایسه یا تحلیل معنایی. |
| Vector Representation | وِکتِر رِپرِزِنتِیشِن | نمایش برداری؛ تبدیل اطلاعات به مجموعه‌ای از اعداد برای پردازش توسط مدل. |
| Machine Translation (MT) | مَشین تْرَنزلِیشِن | ترجمه ماشینی؛ تبدیل خودکار متن یا گفتار از یک زبان به زبان دیگه. |
| Neural Machine Translation (NMT) | نیورال مَشین تْرَنزلِیشِن | ترجمه ماشینی عصبی؛ ترجمه زبان با استفاده از شبکه‌های عصبی. |
| Text Summarization | تِکست سامِرایزِیشِن | خلاصه‌سازی متن؛ تولید نسخه‌ای کوتاه‌تر با حفظ اطلاعات مهم متن اصلی. |
| Extractive Summarization | اِکسترَکتیو سامِرایزِیشِن | خلاصه‌سازی استخراجی؛ انتخاب بخش‌های مهم متن اصلی برای ساخت خلاصه. |
| Abstractive Summarization | اَبسترَکتیو سامِرایزِیشِن | خلاصه‌سازی انتزاعی؛ بازنویسی اطلاعات اصلی با عبارت‌های جدید. |
| Question Answering (QA) | کْوِسچِن اَنسِرینگ | پاسخ‌گویی به سؤال؛ استخراج یا تولید پاسخ براساس دانش مدل یا اطلاعات ارائه‌شده. |
| Reading Comprehension | ریدینگ کامپریهِنشِن | درک مطلب ماشینی؛ پاسخ‌گویی یا تحلیل اطلاعات براساس محتوای یک متن. |
| Coreference Resolution | کورِفِرِنس رِزولوشِن | رفع ارجاع؛ تشخیص اینکه عبارت‌هایی مثل «او» یا «این شرکت» به چه موجودیتی اشاره دارن. |
| Word Sense Disambiguation (WSD) | وِرد سِنس دیس‌اَمبیگیوئِیشِن | رفع ابهام معنای واژه؛ تشخیص معنی درست یک واژه چندمعنایی براساس جمله. |
| Dialogue System | دایَلاگ سیستِم | سیستم گفت‌وگومحور؛ سامانه‌ای برای برقراری مکالمه با کاربر. |
| Conversational AI | کان‌وِرسِیشِنَل اِی‌آی | هوش مصنوعی مکالمه‌ای؛ فناوری درک و تولید پاسخ در تعامل گفت‌وگویی. |
| AI Chatbot | اِی‌آی چَت‌بات | چت‌بات هوش مصنوعی؛ برنامه‌ای برای گفت‌وگو با کاربران که از مدل‌های هوش مصنوعی کمک می‌گیره؛ خود چت‌بات الزاماً یک مدل زبانی نیست. |
| Dialogue State Tracking | دایَلاگ اِستِیت تْرَکینگ | ردیابی وضعیت گفت‌وگو؛ نگهداری اطلاعات مربوط به هدف و وضعیت فعلی مکالمه. |
| Instruction-Following Model | اینستْراکْشِن فالُوینگ مادِل | مدل پیرو دستور؛ مدلی که برای اجرای درخواست‌های بیان‌شده به زبان طبیعی آموزش یا تنظیم شده. |
| In-Context Learning (ICL) | این کانتِکست لِرنینگ | یادگیری درون‌زمینه‌ای؛ سازگارشدن عملکرد مدل با مثال‌ها یا اطلاعات موجود در ورودی، بدون تغییر وزن‌های مدل در همان تعامل. |
| Output Token | آوتپوت توکِن | توکن خروجی؛ واحدی از متن یا داده که مدل هنگام تولید پاسخ ایجاد می‌کنه. |
| Input Token | اینپوت توکِن | توکن ورودی؛ واحدی از اطلاعات که برای پردازش به مدل ارسال می‌شه. |
نکته: LLM نام نوعی مدل زبانیه، اما Chatbot یک برنامه مکالمه‌ایه که ممکنه از LLM استفاده کنه. همچنین Token الزاماً یک کلمه کامل نیست و Context Window با حافظه دائمی کاربر تفاوت داره.
اصطلاحات پرامپت‌نویسی و تعامل با هوش مصنوعی (Prompt Engineering)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Prompt | پرامپت | پرامپت؛ متن یا دستور ورودی برای هدایت مدل به سمت پاسخ یا خروجی مشخص. |
| Zero-Shot Prompting | زیرو شات پرامپتینگ | پرامپت‌نویسی بدون مثال؛ درخواست انجام وظیفه بدون ارائه نمونه پاسخ در پرامپت. |
| Few-Shot Prompting | فیو شات پرامپتینگ | پرامپت‌نویسی با چند مثال؛ ارائه نمونه‌های محدود در ورودی برای هدایت پاسخ مدل. |
| Temperature | تِمپِرِچِر | پارامتر دما؛ تنظیمی که در برخی روش‌های نمونه‌گیری بر میزان تنوع احتمالی خروجی اثر می‌ذاره. |
| Top-K Sampling | تاپ کِی سَمپلینگ | نمونه‌گیری از K گزینه برتر؛ انتخاب توکن بعدی از میان تعداد مشخصی از محتمل‌ترین توکن‌ها. |
| Top-P Sampling | تاپ پی سَمپلینگ | نمونه‌گیری هسته‌ای؛ انتخاب توکن از کوچک‌ترین مجموعه‌ای که مجموع احتمال اون‌ها به آستانه مشخصی برسه. |
| Greedy Decoding | گریدی دیکودینگ | رمزگشایی حریصانه؛ انتخاب محتمل‌ترین توکن در هر مرحله تولید متن. |
| Beam Search | بیم سِرچ | جست‌وجوی پرتویی؛ نگهداری چند دنباله احتمالی برای یافتن خروجی مناسب‌تر. |
| Sampling | سَمپلینگ | نمونه‌گیری؛ انتخاب خروجی براساس توزیع احتمال پیش‌بینی‌شده مدل. |
| Stop Sequence | اِستاپ سیکوئِنس | دنباله توقف؛ نشانه‌ای که رسیدن خروجی به اون باعث پایان تولید متن می‌شه. |
| Prompt Engineering | پرامپت اِنجینیرینگ | مهندسی پرامپت؛ طراحی و بهینه‌سازی دستورهای ورودی برای دریافت خروجی مناسب از مدل هوش مصنوعی؛ نام مرتبط یا جایگزین: Prompt Design. |
| System Prompt | سیستِم پرامپت | پرامپت سیستمی؛ دستورهایی که نقش، رفتار و چارچوب کلی پاسخ‌گویی مدل رو مشخص می‌کنن. |
| User Prompt | یوزِر پرامپت | پرامپت کاربر؛ درخواست یا اطلاعاتی که کاربر برای انجام وظیفه به مدل ارائه می‌ده. |
| Developer Message | دِوِلِپِر مِسِج | پیام توسعه‌دهنده؛ دستورهایی در بعضی رابط‌های مدل که رفتار برنامه رو مشخص می‌کنن. |
| Instruction | اینستْراکْشِن | دستور؛ توضیحی که مشخص می‌کنه مدل چه کاری باید انجام بده. |
| Prompt Template | پرامپت تِمپْلِیت | قالب پرامپت؛ ساختار آماده‌ای با بخش‌های ثابت و متغیر برای درخواست‌های تکرارشونده. |
| Prompt Variable | پرامپت وِریِبِل | متغیر پرامپت؛ بخشی از قالب که هنگام استفاده با اطلاعات جدید جایگزین می‌شه. |
| Role Prompting | رُول پرامپتینگ | پرامپت‌نویسی نقش‌محور؛ تعیین نقش یا تخصص موردنظر برای هدایت شیوه پاسخ مدل. |
| Persona Prompting | پِرسونا پرامپتینگ | پرامپت‌نویسی مبتنی بر شخصیت؛ توصیف ویژگی‌های شخصیتی، لحن و سبک رفتاری مورد انتظار از مدل. |
| Task Prompting | تَسک پرامپتینگ | پرامپت‌نویسی وظیفه‌محور؛ مشخص‌کردن دقیق کاری که مدل باید انجام بده. |
| Contextual Prompting | کانتِکسچوئِل پرامپتینگ | پرامپت‌نویسی زمینه‌محور؛ ارائه اطلاعات مرتبط برای کمک به درک بهتر درخواست. |
| One-Shot Prompting | وان شات پرامپتینگ | پرامپت‌نویسی تک‌مثالی؛ ارائه یک نمونه برای نشان‌دادن شکل پاسخ موردنظر. |
| Chain-of-Thought Prompting (CoT) | چِین آو ثات پرامپتینگ | پرامپت‌نویسی زنجیره استدلال؛ روشی برای هدایت مدل به حل مرحله‌ای مسائل. |
| Zero-Shot Chain-of-Thought | زیرو شات چِین آو ثات | زنجیره استدلال بدون مثال؛ هدایت مدل به حل مرحله‌ای مسئله بدون ارائه نمونه حل‌شده در پرامپت. |
| Self-Consistency | سِلف کِنسیستِنسی | خودسازگاری؛ روشی که چند مسیر پاسخ‌گویی تولید و نتیجه نهایی رو براساس توافق میان اون‌ها انتخاب می‌کنه. |
| Tree of Thoughts (ToT) | تْری آو ثاتس | درخت افکار؛ روشی برای بررسی و مقایسه چند مسیر احتمالی حل مسئله. |
| ReAct Prompting | ری‌اَکت پرامپتینگ | پرامپت‌نویسی استدلال و اقدام؛ روشی برای ترکیب استدلال و استفاده از ابزار یا انجام اقدام در یک فرایند حل مسئله. |
| Step-by-Step Prompting | اِستِپ بای اِستِپ پرامپتینگ | پرامپت‌نویسی مرحله‌به‌مرحله؛ تقسیم وظیفه به مراحل مشخص برای هدایت اجرای اون. |
| Prompt Chaining | پرامپت چِینینگ | زنجیره‌سازی پرامپت؛ استفاده از خروجی یک مرحله به‌عنوان ورودی مرحله بعد. |
| Prompt Decomposition | پرامپت دیکامپُزیشِن | تجزیه پرامپت؛ تقسیم یک درخواست پیچیده به درخواست‌های کوچک‌تر. |
| Iterative Prompting | ایتِرِیتیو پرامپتینگ | پرامپت‌نویسی تکرارشونده؛ اصلاح تدریجی درخواست براساس خروجی‌های قبلی. |
| Prompt Refinement | پرامپت ریفاینمِنت | بهبود پرامپت؛ بازنویسی درخواست برای افزایش وضوح یا کیفیت خروجی. |
| Prompt Optimization | پرامپت آپتیمایزِیشِن | بهینه‌سازی پرامپت؛ انتخاب یا تنظیم دستورها با ارزیابی عملکرد اون‌ها روی وظایف مشخص. |
| Automatic Prompt Optimization (APO) | آتومَتیک پرامپت آپتیمایزِیشِن | بهینه‌سازی خودکار پرامپت؛ استفاده از روش‌های محاسباتی برای تولید یا اصلاح دستورهای مؤثرتر. |
| Meta Prompting | مِتا پرامپتینگ | فراپرامپت‌نویسی؛ استفاده از دستورهای سطح بالاتر برای هدایت ساختار حل مسئله یا تولید پرامپت‌های دیگر. |
| Delimiter | دیلیمیتِر | جداکننده؛ نشانه‌ای برای مشخص‌کردن مرز بخش‌های مختلف متن یا داده در پرامپت. |
| Output Format | آوتپوت فورمَت | قالب خروجی؛ شکل مورد انتظار پاسخ، مانند جدول، فهرست یا ساختار JSON. |
| Structured Output | اِستراکچِرد آوتپوت | خروجی ساختاریافته؛ پاسخ تولیدشده مطابق قالب یا ساختار داده مشخص. |
| JSON Mode | جِیسان مُود | حالت JSON؛ قابلیتی در بعضی مدل‌ها یا رابط‌ها برای تولید خروجی با قالب JSON معتبر. |
| Schema-Constrained Generation | اِسکیما کِنسترِیند جِنِرِیشِن | تولید مقید به ساختار؛ محدودکردن خروجی مدل به قواعد یک طرح داده مشخص. |
| Response Length Control | ریسپانس لِنگث کِنترُل | کنترل طول پاسخ؛ تعیین محدودیت یا ترجیح برای کوتاه یا بلندبودن خروجی مدل. |
| Tone Control | تُون کِنترُل | کنترل لحن؛ تعیین شیوه بیان پاسخ، مانند رسمی، دوستانه یا آموزشی. |
| Style Prompting | اِستایل پرامپتینگ | پرامپت‌نویسی سبک‌محور؛ تعیین ویژگی‌های نگارشی یا بصری خروجی موردنظر. |
| Constraint Prompting | کِنسترِینت پرامپتینگ | پرامپت‌نویسی محدودیت‌محور؛ تعیین شرایط و قواعدی که خروجی باید رعایت کنه. |
| Negative Prompt | نِگِتیو پرامپت | پرامپت منفی؛ مشخص‌کردن ویژگی‌ها یا عناصر نامطلوب، به‌ویژه در بعضی مدل‌های تولید تصویر. |
| Reference Prompt | رِفِرِنس پرامپت | پرامپت مرجع؛ استفاده از نمونه یا اطلاعات مرجع برای هدایت خروجی مدل. |
| Prompt Evaluation | پرامپت ایوَلیوئِیشِن | ارزیابی پرامپت؛ سنجش عملکرد یک دستور روی نمونه‌های مشخص برای بررسی کیفیت و پایداری پاسخ‌ها. |
| Prompt Testing | پرامپت تِستینگ | آزمون پرامپت؛ آزمایش درخواست با ورودی‌ها و شرایط مختلف برای شناسایی خطاها. |
| Prompt Versioning | پرامپت وِرژِنینگ | نسخه‌بندی پرامپت؛ نگهداری نسخه‌های مختلف دستور برای مقایسه و مدیریت تغییرات. |
| Prompt Library | پرامپت لایبْرِری | کتابخانه پرامپت؛ مجموعه‌ای سازمان‌یافته از دستورهای آماده یا آزمایش‌شده. |
نکته:
در برخی منابع، اصطلاحاتی مثل Role Prompting و Persona Prompting به‌جای یکدیگر هم استفاده می‌شن، اما نقش بیشتر به وظیفه یا تخصص موردانتظار اشاره داره و پرسونا به لحن و ویژگی‌های رفتاری.
همچنین Prompt Injection یک تهدید امنیتیه، نه یک روش معمول برای بهبود پاسخ.
اصطلاحات هوش مصنوعی مولد و تولید محتوا (Generative AI)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Generative AI | جِنِرِیتیو اِی‌آی | هوش مصنوعی مولد؛ فناوری تولید محتوای جدید مانند متن، تصویر، صدا و ویدئو. |
| Text Generation | تِکست جِنِرِیشِن | تولید متن؛ ساخت متن جدید براساس درخواست یا اطلاعات ورودی. |
| Generative Model | جِنِرِیتیو مادِل | مدل مولد؛ مدلی که الگوهای داده رو یاد می‌گیره و براساس اون‌ها نمونه‌های جدید تولید می‌کنه. |
| Generative Modeling | جِنِرِیتیو مادِلینگ | مدل‌سازی مولد؛ یادگیری الگوها و توزیع داده برای تولید نمونه‌های جدید. |
| Conditional Generation | کِندیشِنَل جِنِرِیشِن | تولید شرطی؛ ساخت خروجی براساس اطلاعات یا شرایط مشخص، مانند متن یا تصویر مرجع. |
| Unconditional Generation | آن‌کِندیشِنَل جِنِرِیشِن | تولید بدون شرط؛ ساخت نمونه جدید بدون دریافت شرط محتوایی مشخص برای هر خروجی. |
| Multimodal Generation | مالتی‌مودَل جِنِرِیشِن | تولید چندوجهی؛ تولید محتوا با استفاده از ترکیبی از متن، تصویر، صدا یا سایر انواع داده. |
| Text-to-Text | تِکست تو تِکست | تبدیل متن به متن؛ تولید یا بازنویسی متن براساس ورودی متنی. |
| Text-to-Image | تِکست تو ایمیج | تبدیل متن به تصویر؛ ساخت تصویر براساس توضیحات متنی. |
| Image-to-Image | ایمیج تو ایمیج | تبدیل تصویر به تصویر؛ تولید یا تغییر تصویر با استفاده از تصویر ورودی. |
| Text-to-Video | تِکست تو ویدیو | تبدیل متن به ویدئو؛ تولید ویدئو براساس توضیحات متنی. |
| Image-to-Video | ایمیج تو ویدیو | تبدیل تصویر به ویدئو؛ تولید ویدئو با استفاده از تصویر ثابت به‌عنوان ورودی. |
| Video-to-Video | ویدیو تو ویدیو | تبدیل ویدئو به ویدئو؛ تغییر محتوا، ظاهر یا سبک ویدئوی ورودی با استفاده از مدل مولد. |
| Text-to-Audio | تِکست تو آدیو | تبدیل متن به صوت؛ تولید محتوای صوتی براساس توضیحات متنی. |
| Text-to-Speech (TTS) | تِکست تو اسپیچ | تبدیل متن به گفتار؛ تولید صدای گفتاری از متن. |
| Text-to-Music | تِکست تو میوزیک | تبدیل متن به موسیقی؛ تولید قطعه موسیقی براساس توضیحات متنی. |
| Audio-to-Audio | آدیو تو آدیو | تبدیل صوت به صوت؛ تغییر یا تولید صدای جدید براساس فایل صوتی ورودی. |
| Speech-to-Speech | اسپیچ تو اسپیچ | تبدیل گفتار به گفتار؛ پردازش گفتار ورودی و تولید پاسخ یا گفتار تغییریافته. |
| Image Generation | ایمیج جِنِرِیشِن | تولید تصویر؛ ساخت تصاویر جدید با استفاده از مدل هوش مصنوعی. |
| Video Generation | ویدیو جِنِرِیشِن | تولید ویدئو؛ ساخت فریم‌ها و توالی تصویری با استفاده از مدل مولد. |
| Audio Generation | آدیو جِنِرِیشِن | تولید صوت؛ ساخت صدا، افکت صوتی، گفتار یا موسیقی. |
| Music Generation | میوزیک جِنِرِیشِن | تولید موسیقی؛ ساخت ملودی، ریتم یا قطعه موسیقی با هوش مصنوعی. |
| Image Editing | ایمیج اِدیتینگ | ویرایش تصویر با هوش مصنوعی؛ تغییر بخش‌هایی از تصویر با کمک مدل‌های هوشمند. |
| Generative Fill | جِنِرِیتیو فیل | پرکردن مولد؛ تولید یا جایگزینی محتوای یک ناحیه از تصویر. |
| Inpainting | این‌پِینتینگ | بازسازی درون تصویر؛ تولید یا اصلاح محتوای بخش انتخاب‌شده تصویر با توجه به نواحی اطراف. |
| Outpainting | آوت‌پِینتینگ | گسترش تصویر؛ تولید محتوای جدید در خارج از محدوده تصویر اولیه. |
| Image Variation | ایمیج وِری‌اِیشِن | تنوع تصویری؛ تولید نسخه‌های متفاوت براساس یک تصویر مرجع. |
| Image Upscaling | ایمیج آپ‌اِسکِیلینگ | بزرگ‌نمایی تصویر؛ افزایش ابعاد تصویر، که ممکنه با درون‌یابی یا روش‌های پیشرفته بازسازی جزئیات انجام بشه. |
| Super-Resolution | سوپِر رِزولوشِن | ابر‌وضوح؛ بازسازی نسخه‌ای با جزئیات یا وضوح بالاتر از تصویر کم‌کیفیت با روش‌های پردازشی یا یادگیری ماشین. |
| Image Restoration | ایمیج رِستورِیشِن | ترمیم تصویر؛ کاهش آسیب‌ها و نقص‌هایی مانند نویز، تاری یا تخریب تصویر. |
| Image Denoising | ایمیج دی‌نویزینگ | نویززدایی تصویر؛ کاهش نویز و اختلالات تصویری. |
| Background Removal | بَک‌گراوند ریمووِل | حذف پس‌زمینه؛ جداسازی سوژه اصلی از پس‌زمینه تصویر. |
| Object Removal | آبجِکت ریمووِل | حذف شیء؛ پاک‌کردن یک عنصر از تصویر و بازسازی ناحیه مربوط به اون. |
| Style Transfer | اِستایل تْرَنسفِر | انتقال سبک؛ تغییر ظاهر یک تصویر با استفاده از ویژگی‌های سبکی تصویر یا توصیف مرجع. |
| Style Reference | اِستایل رِفِرِنس | مرجع سبک؛ تصویر یا اطلاعاتی که برای هدایت سبک بصری خروجی استفاده می‌شه. |
| Character Consistency | کَرَکتِر کِنسیستِنسی | ثبات شخصیت؛ حفظ ویژگی‌های ظاهری یک شخصیت در تصاویر یا صحنه‌های مختلف. |
| Identity Preservation | آیدِنتِتی پرِزِروِیشِن | حفظ هویت؛ نگهداری ویژگی‌های هویتی سوژه هنگام ویرایش یا تولید تصویر و ویدئو. |
| Seed | سید | بذر تصادفی؛ عددی که وضعیت اولیه فرایند تصادفی تولید رو تعیین می‌کنه و می‌تونه به بازتولید خروجی کمک کنه. |
| Guidance Scale | گایدِنس اِسکِیل | مقیاس هدایت؛ تنظیمی در برخی مدل‌های مولد برای کنترل میزان پیروی خروجی از شرط یا پرامپت. |
| Classifier-Free Guidance (CFG) | کْلَسیفایِر فْری گایدِنس | هدایت بدون طبقه‌بند؛ روشی در مدل‌های انتشار برای کنترل تأثیر شرط ورودی بر تولید خروجی. |
| Denoising Steps | دی‌نویزینگ اِستِپس | مراحل نویززدایی؛ تعداد گام‌های پردازش برای تبدیل نویز به خروجی در برخی مدل‌های انتشار. |
| Noise Schedule | نویز اِسکِجول | برنامه نویز؛ تعیین میزان نویز در مراحل مختلف آموزش یا نمونه‌گیری مدل انتشار. |
| Latent Diffusion Model (LDM) | لِیتِنت دیفیوژِن مادِل | مدل انتشار نهفته؛ مدل مولدی که فرایند انتشار و نویززدایی رو در فضای نمایش فشرده داده انجام می‌ده. |
| Stable Diffusion | اِستِیبِل دیفیوژِن | استیبل دیفیوژن؛ خانواده‌ای از مدل‌های تولید تصویر که از روش انتشار نهفته استفاده می‌کنن. |
| ControlNet | کِنترُل نِت | کنترل‌نت؛ معماری‌ای برای کنترل ساختار خروجی مدل انتشار با اطلاعاتی مثل لبه‌ها، عمق یا حالت بدن. |
| Generative Adversarial Training | جِنِرِیتیو اَدوِرسِریِل تْرِینینگ | آموزش تخاصمی مولد؛ آموزش رقابتی شبکه مولد و شبکه تشخیص‌دهنده برای بهبود کیفیت نمونه‌های تولیدی. |
| Generator Network | جِنِرِیتِر نِتوِرک | شبکه مولد؛ بخشی از معماری GAN که نمونه‌های مصنوعی تولید می‌کنه. |
| Discriminator Network | دیسکریمینِیتِر نِتوِرک | شبکه تشخیص‌دهنده؛ بخشی از GAN که تلاش می‌کنه نمونه‌های واقعی رو از نمونه‌های تولیدشده تشخیص بده. |
| Sampling Scheduler | سَمپلینگ اِسکِجولِر | زمان‌بند نمونه‌گیری؛ روشی برای تعیین مراحل محاسباتی تولید خروجی در مدل‌هایی مانند مدل‌های انتشار. |
| Video Frame Generation | ویدیو فْرِیم جِنِرِیشِن | تولید فریم ویدئو؛ ساخت تصاویر متوالی برای تشکیل یا تکمیل ویدئو. |
| Frame Interpolation | فْرِیم اینتِرپُلِیشِن | میان‌یابی فریم؛ تولید فریم‌های میانی برای افزایش روانی حرکت یا نرخ فریم ویدئو. |
| Motion Generation | موشِن جِنِرِیشِن | تولید حرکت؛ ساخت الگوهای حرکتی برای شخصیت، شیء یا صحنه. |
| Motion Transfer | موشِن تْرَنسفِر | انتقال حرکت؛ اعمال الگوی حرکت یک منبع به شخصیت یا سوژه‌ای دیگر. |
| Lip Sync | لیپ سینک | هماهنگ‌سازی لب؛ تنظیم حرکت دهان شخصیت با گفتار یا صدای ورودی. |
| Talking Head Generation | تاکینگ هِد جِنِرِیشِن | تولید چهره سخنگو؛ ساخت ویدئوی چهره‌ای که با صدا یا متن هماهنگ صحبت می‌کنه. |
| Face Reenactment | فِیس ری‌اِنَکتْمِنت | بازآفرینی حرکات چهره؛ انتقال یا تولید حالت‌ها و حرکات صورت در تصویر یا ویدئو. |
| Deepfake | دیپ‌فِیک | جعل عمیق؛ محتوای صوتی یا تصویری ساختگی یا دستکاری‌شده که چهره یا صدای فرد رو به‌صورت واقع‌نما بازسازی می‌کنه. |
| Synthetic Media | سینثِتیک میدیا | رسانه مصنوعی؛ محتوای تصویری، صوتی یا ویدئویی ساخته‌شده یا تغییریافته با روش‌های محاسباتی. |
| AI-Generated Content (AIGC) | اِی‌آی جِنِرِیتِد کانتِنت | محتوای تولیدشده با هوش مصنوعی؛ متن، تصویر، صدا یا ویدئویی که با کمک مدل‌های هوش مصنوعی ساخته شده. |
| Generative 3D | جِنِرِیتیو ثْری‌دی | تولید سه‌بعدی مولد؛ ساخت مدل، شکل یا محتوای سه‌بعدی با هوش مصنوعی. |
| Text-to-3D | تِکست تو ثْری‌دی | تبدیل متن به سه‌بعدی؛ تولید محتوای سه‌بعدی براساس توضیح متنی. |
| Image-to-3D | ایمیج تو ثْری‌دی | تبدیل تصویر به سه‌بعدی؛ بازسازی یا تولید مدل سه‌بعدی با استفاده از تصویر ورودی. |
| 3D Reconstruction | ثْری‌دی ریکانستْراکْشِن | بازسازی سه‌بعدی؛ تخمین شکل یا ساختار سه‌بعدی اشیا و صحنه‌ها از داده‌هایی مانند تصویر. |
| Neural Radiance Fields (NeRF) | نیورال رِیدیِنس فیلدز | میدان‌های تابشی عصبی؛ روشی برای نمایش و بازسازی صحنه سه‌بعدی و تولید نماهای جدید از اون. |
| Gaussian Splatting | گاوسیَن اِسپْلَتینگ | پاشش گاوسی؛ روشی برای نمایش و رندر صحنه‌های سه‌بعدی با مجموعه‌ای از توزیع‌های گاوسی. |
نکته:
تولید محتوا با هوش مصنوعی فقط به متن و تصویر محدود نیست و می‌تونه صدا، ویدئو، حرکت و محتوای سه‌بعدی رو هم شامل بشه.
همچنین نام‌هایی مثل Stable Diffusion و ControlNet به مدل یا معماری مشخص اشاره دارن؛ درحالی‌که Inpainting و Text-to-Video نام وظیفه یا قابلیت هستن.
اصطلاحات بینایی ماشین و پردازش تصویر (Computer Vision)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Computer Vision (CV) | کِمپیوتِر ویژِن | بینایی ماشین؛ شاخه‌ای از هوش مصنوعی برای تحلیل و تفسیر تصاویر و ویدئوها. |
| Machine Vision | مَشین ویژِن | بینایی صنعتی؛ استفاده از سیستم‌های تصویربرداری و پردازش تصویر برای بازرسی، اندازه‌گیری و کنترل خودکار. |
| Image Recognition | ایمیج رِکاگنیشِن | بازشناسی تصویر؛ شناسایی اشیا، الگوها یا محتوای موجود در تصویر. |
| Image Classification | ایمیج کْلَسیفیکِیشِن | طبقه‌بندی تصویر؛ اختصاص یک یا چند دسته مشخص به تصویر. |
| Object Detection | آبجِکت دیتِکشِن | تشخیص اشیا؛ شناسایی اشیای موجود در تصویر و تعیین موقعیت اون‌ها. |
| Object Recognition | آبجِکت رِکاگنیشِن | بازشناسی اشیا؛ تشخیص نوع یا هویت اشیای موجود در تصویر. |
| Object Localization | آبجِکت لوکَلایزِیشِن | مکان‌یابی شیء؛ تعیین موقعیت یک شیء در تصویر. |
| Object Tracking | آبجِکت تْرَکینگ | ردیابی شیء؛ دنبال‌کردن موقعیت یک شیء در فریم‌های متوالی ویدئو. |
| Multi-Object Tracking (MOT) | مالتی آبجِکت تْرَکینگ | ردیابی چندشیئی؛ دنبال‌کردن هم‌زمان چند شیء و حفظ هویت اون‌ها در طول ویدئو. |
| Bounding Box | باوندینگ باکس | کادر محدودکننده؛ مستطیلی که موقعیت تقریبی یک شیء رو در تصویر مشخص می‌کنه. |
| Image Segmentation | ایمیج سِگمِنتِیشِن | بخش‌بندی تصویر؛ تقسیم تصویر به نواحی یا پیکسل‌های معنادار. |
| Semantic Segmentation | سِمَنتیک سِگمِنتِیشِن | بخش‌بندی معنایی؛ تعیین دسته هر پیکسل بدون تفکیک نمونه‌های مختلف از یک دسته. |
| Instance Segmentation | اینستِنس سِگمِنتِیشِن | بخش‌بندی نمونه‌ای؛ جداسازی پیکسلی هر شیء مستقل، حتی اگر چند شیء از یک نوع باشن. |
| Panoptic Segmentation | پَن‌آپتیک سِگمِنتِیشِن | بخش‌بندی جامع؛ ترکیب بخش‌بندی معنایی با تفکیک نمونه‌های قابل‌شمارش. |
| Image Captioning | ایمیج کَپشِنینگ | توصیف تصویر؛ تولید توضیح متنی درباره محتوای تصویر. |
| Visual Question Answering (VQA) | ویژوئِل کْوِسچِن اَنسِرینگ | پاسخ‌گویی به سؤال تصویری؛ تولید پاسخ به پرسش‌هایی درباره یک تصویر. |
| Vision-Language Model (VLM) | ویژِن لَنگویج مادِل | مدل بینایی‌زبان؛ مدلی که اطلاعات تصویری و زبانی رو به‌صورت مرتبط پردازش می‌کنه. |
| Vision Transformer (ViT) | ویژِن تْرَنسفورمِر | ترنسفورمر بینایی؛ معماری مبتنی بر ترنسفورمر برای پردازش تصاویر. |
| Image Embedding | ایمیج اِمبِدینگ | بردار تصویر؛ نمایش عددی ویژگی‌های یک تصویر برای جست‌وجو، مقایسه یا یادگیری. |
| Visual Feature Extraction | ویژوئِل فیچِر اِکسترَکشِن | استخراج ویژگی بصری؛ تبدیل تصویر به ویژگی‌های قابل استفاده برای مدل. |
| Image Patch | ایمیج پَچ | قطعه تصویر؛ بخش کوچکی از تصویر که بعضی مدل‌ها به‌عنوان واحد پردازش استفاده می‌کنن. |
| Optical Character Recognition (OCR) | آپتیکِل کَرَکتِر رِکاگنیشِن | تشخیص نوری نویسه‌ها؛ استخراج نوشته‌های موجود در تصویر یا سند اسکن‌شده. |
| Scene Text Recognition | سین تِکست رِکاگنیشِن | بازشناسی متن صحنه؛ شناسایی نوشته‌های موجود در تصاویر محیط واقعی، مثل تابلوها. |
| Document AI | داکیومِنت اِی‌آی | هوش مصنوعی اسناد؛ استفاده از هوش مصنوعی برای استخراج، طبقه‌بندی و تفسیر اطلاعات اسناد. |
| Document Layout Analysis | داکیومِنت لِی‌آوت اَنَلِسِس | تحلیل چیدمان سند؛ تشخیص ساختار صفحه مانند عنوان‌ها، جدول‌ها، ستون‌ها و تصاویر. |
| Handwriting Recognition (HWR) | هَندرایتینگ رِکاگنیشِن | بازشناسی دست‌خط؛ تبدیل نوشته دست‌نویس به متن قابل پردازش. |
| Face Detection | فِیس دیتِکشِن | تشخیص چهره؛ پیداکردن محل چهره انسان در تصویر یا ویدئو. |
| Face Recognition | فِیس رِکاگنیشِن | بازشناسی چهره؛ شناسایی یا تطبیق هویت فرد با استفاده از ویژگی‌های چهره. |
| Face Verification | فِیس وِریفیکِیشِن | تأیید چهره؛ بررسی اینکه دو تصویر چهره متعلق به یک فرد هستن یا نه. |
| Facial Landmark Detection | فِیشِل لَندمارک دیتِکشِن | تشخیص نقاط کلیدی چهره؛ پیداکردن موقعیت اجزایی مانند چشم، بینی و دهان. |
| Facial Expression Recognition | فِیشِل اِکسپْرِشِن رِکاگنیشِن | بازشناسی حالت چهره؛ طبقه‌بندی حالت‌های قابل‌مشاهده صورت، بدون اثبات احساس واقعی فرد. |
| Human Pose Estimation | هیومَن پُوز اِستیمِیشِن | تخمین وضعیت بدن؛ شناسایی موقعیت مفاصل و اجزای بدن انسان در تصویر یا ویدئو. |
| Keypoint Detection | کی‌پوینت دیتِکشِن | تشخیص نقاط کلیدی؛ شناسایی نقاط مهم یک شیء، چهره یا بدن برای تحلیل ساختار و حرکت. |
| Gesture Recognition | جِسچِر رِکاگنیشِن | بازشناسی ژست؛ شناسایی حرکات دست یا بدن برای تفسیر فرمان‌ها یا رفتارها. |
| Action Recognition | اَکشِن رِکاگنیشِن | بازشناسی عمل؛ تشخیص فعالیت‌هایی مانند راه‌رفتن، دویدن یا نشستن از داده‌های تصویری. |
| Video Understanding | ویدیو آندِراِستَندینگ | درک ویدئو؛ تحلیل اشیا، رویدادها، حرکات و روابط زمانی در ویدئو. |
| Temporal Action Localization | تِمپِرِل اَکشِن لوکَلایزِیشِن | مکان‌یابی زمانی عمل؛ تعیین زمان شروع و پایان یک فعالیت مشخص در ویدئو. |
| Video Summarization | ویدیو سامِرایزِیشِن | خلاصه‌سازی ویدئو؛ انتخاب یا تولید خلاصه‌ای از رویدادهای مهم ویدئو. |
| Scene Understanding | سین آندِراِستَندینگ | درک صحنه؛ شناسایی اشیا، محیط و روابط مکانی میان عناصر تصویر. |
| Scene Graph Generation | سین گراف جِنِرِیشِن | تولید گراف صحنه؛ نمایش اشیا و روابط اون‌ها در قالب یک ساختار گرافی. |
| Depth Estimation | دِپث اِستیمِیشِن | تخمین عمق؛ برآورد فاصله نقاط یا اشیای تصویر نسبت به دوربین. |
| Monocular Depth Estimation | مِناکْیولِر دِپث اِستیمِیشِن | تخمین عمق تک‌دوربینه؛ برآورد عمق صحنه با استفاده از یک تصویر یا جریان تصویری. |
| Stereo Vision | اِستِریو ویژِن | بینایی استریو؛ استفاده از تصاویر دو یا چند دوربین برای تخمین عمق و ساختار سه‌بعدی. |
| Optical Flow | آپتیکِل فلو | جریان نوری؛ تخمین جابه‌جایی ظاهری نقاط تصویر بین فریم‌های متوالی. |
| Visual Odometry | ویژوئِل اُدامِتری | اودومتری بصری؛ تخمین جابه‌جایی دوربین با تحلیل تغییرات تصاویر متوالی. |
| Visual Simultaneous Localization and Mapping (Visual SLAM) | ویژوئِل سایمِلتِینیِس لوکَلایزِیشِن اَند مَپینگ | مکان‌یابی و نقشه‌سازی هم‌زمان بصری؛ تخمین موقعیت دوربین و ساخت نقشه محیط با استفاده از تصاویر. |
| Camera Calibration | کَمِرا کَلیبرِیشِن | کالیبراسیون دوربین؛ تعیین ویژگی‌های تصویربرداری دوربین برای اندازه‌گیری یا بازسازی دقیق‌تر صحنه. |
| Image Registration | ایمیج رِجیسترِیشِن | هم‌ترازی تصاویر؛ هماهنگ‌کردن موقعیت و ساختار دو یا چند تصویر برای مقایسه یا ترکیب اون‌ها. |
| Image Retrieval | ایمیج ریتریوِل | بازیابی تصویر؛ پیداکردن تصاویر مرتبط یا مشابه از یک مجموعه براساس محتوای تصویری. |
| Visual Search | ویژوئِل سِرچ | جست‌وجوی بصری؛ جست‌وجوی اشیا یا تصاویر با استفاده از تصویر به‌جای عبارت متنی. |
| Image Similarity | ایمیج سیمیلَرِتی | شباهت تصویری؛ سنجش میزان نزدیکی دو تصویر از نظر ویژگی‌های بصری یا معنایی. |
| Open-Vocabulary Object Detection | اُوپِن وُکَبیولِری آبجِکت دیتِکشِن | تشخیص اشیا با واژگان باز؛ شناسایی اشیایی که نام اون‌ها می‌تونه فراتر از فهرست ثابت دسته‌های آموزشی باشه. |
| Zero-Shot Image Classification | زیرو شات ایمیج کْلَسیفیکِیشِن | طبقه‌بندی تصویر بدون نمونه مستقیم؛ تشخیص دسته‌های جدید با کمک دانش یا نمایش‌های ازپیش‌آموخته‌شده. |
| Few-Shot Object Detection | فیو شات آبجِکت دیتِکشِن | تشخیص اشیا با نمونه‌های کم؛ یادگیری شناسایی دسته‌های جدید اشیا از تعداد محدودی نمونه. |
| Medical Image Analysis | مِدیکِل ایمیج اَنَلِسِس | تحلیل تصاویر پزشکی؛ استفاده از هوش مصنوعی برای بررسی تصاویر تشخیصی مانند رادیولوژی و MRI. |
| Visual Anomaly Detection | ویژوئِل اَنومَلی دیتِکشِن | تشخیص ناهنجاری بصری؛ شناسایی نقص یا الگوی غیرعادی در تصاویر، مثلاً در کنترل کیفیت صنعتی. |
نکته: Image Classification دسته تصویر رو مشخص می‌کنه، Object Detection موقعیت اشیا رو هم پیدا می‌کنه و Image Segmentation مرز نواحی یا اشیا رو در سطح پیکسل تعیین می‌کنه.
همچنین تشخیص وجود چهره با شناسایی هویت فرد یکسان نیست.
اصطلاحات پردازش صوت، گفتار و هوش مصنوعی چندوجهی (Speech, Audio & Multimodal AI)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Speech AI | اسپیچ اِی‌آی | هوش مصنوعی گفتار؛ فناوری تحلیل، تشخیص، تولید و پردازش گفتار انسان. |
| Audio AI | آدیو اِی‌آی | هوش مصنوعی صوتی؛ استفاده از مدل‌های هوش مصنوعی برای تحلیل یا تولید صدا، از جمله گفتار، موسیقی و صداهای محیطی. |
| Automatic Speech Recognition (ASR) | آتومَتیک اسپیچ رِکاگنیشِن | تشخیص خودکار گفتار؛ تبدیل گفتار ضبط‌شده یا زنده به متن؛ نام‌های رایج مرتبط: Speech Recognition و Speech-to-Text؛ واژه Transcription به فرایند یا نتیجه رونویسی گفتار هم اشاره داره. |
| Real-Time Transcription | ریل تایم تْرَنسکریپشِن | رونویسی هم‌زمان؛ تبدیل گفتار به متن در حین صحبت‌کردن. |
| Streaming Speech Recognition | استریمینگ اسپیچ رِکاگنیشِن | تشخیص گفتار جریانی؛ پردازش تدریجی صدا هنگام دریافت، بدون نیاز به پایان کامل فایل. |
| Speech Translation | اسپیچ تْرَنزلِیشِن | ترجمه گفتار؛ تبدیل محتوای گفتاری یک زبان به متن یا گفتار زبان دیگه. |
| Speech Synthesis | اسپیچ سینثِسِس | سنتز گفتار؛ تولید گفتار مصنوعی با استفاده از سیستم‌های محاسباتی. |
| Neural Text-to-Speech (Neural TTS) | نیورال تِکست تو اسپیچ | تبدیل متن به گفتار عصبی؛ تولید صدای گفتاری با کمک شبکه‌های عصبی. |
| Voice Synthesis | وُیس سینثِسِس | سنتز صدا؛ تولید صدای مصنوعی، به‌ویژه صدای گفتاری با ویژگی‌های مشخص. |
| Voice Cloning | وُیس کلونینگ | شبیه‌سازی صدا؛ تولید گفتاری شبیه صدای یک فرد با استفاده از نمونه‌های صوتی اون. |
| Zero-Shot Voice Cloning | زیرو شات وُیس کلونینگ | شبیه‌سازی صدا بدون آموزش اختصاصی برای هر گوینده؛ تولید صدای مشابه با استفاده از نمونه مرجع و یک مدل ازپیش‌آموزش‌دیده. |
| Voice Conversion | وُیس کِن‌وِرژِن | تبدیل صدا؛ تغییر ویژگی‌های صدای گوینده با تلاش برای حفظ محتوای گفتار. |
| Speech Enhancement | اسپیچ اِنهَنسْمِنت | بهبود کیفیت گفتار؛ افزایش وضوح صدای گفتاری و کاهش اختلالات اون. |
| Audio Denoising | آدیو دی‌نویزینگ | نویززدایی صوت؛ کاهش صداهای مزاحم و نویز موجود در فایل صوتی. |
| Noise Suppression | نویز سِپرِشِن | سرکوب نویز؛ کاهش صداهای ناخواسته در هنگام ضبط یا پردازش صوت. |
| Echo Cancellation | اِکو کَنسِلِیشِن | حذف پژواک؛ کاهش بازتاب صدا، به‌خصوص در تماس‌ها و مکالمات صوتی. |
| Source Separation | سورس سِپَرِیشِن | جداسازی منابع صوتی؛ تفکیک صداهای ترکیب‌شده مانند گفتار، موسیقی یا سازهای مختلف. |
| Speech Separation | اسپیچ سِپَرِیشِن | جداسازی گفتار؛ تفکیک صدای چند گوینده که هم‌زمان صحبت می‌کنن. |
| Speaker Diarization | اسپیکِر دایِرایزِیشِن | تفکیک گویندگان؛ تشخیص اینکه در هر بخش از یک فایل صوتی چه گوینده‌ای صحبت کرده، بدون نیاز به دانستن هویت واقعی اون. |
| Speaker Identification | اسپیکِر آیدِنتیفیکِیشِن | شناسایی گوینده؛ تشخیص هویت گوینده از میان افراد شناخته‌شده با استفاده از ویژگی‌های صدا. |
| Speaker Verification | اسپیکِر وِریفیکِیشِن | تأیید گوینده؛ بررسی اینکه صدای دریافت‌شده متعلق به فرد ادعاشده هست یا نه. |
| Speaker Recognition | اسپیکِر رِکاگنیشِن | بازشناسی گوینده؛ شناسایی یا تأیید هویت گوینده براساس صدای اون. |
| Speaker Embedding | اسپیکِر اِمبِدینگ | بردار گوینده؛ نمایش عددی ویژگی‌های صدای فرد برای مقایسه یا شناسایی گویندگان. |
| Voice Activity Detection (VAD) | وُیس اَکتیوِتی دیتِکشِن | تشخیص فعالیت گفتاری؛ مشخص‌کردن بخش‌هایی از صوت که گفتار در اون‌ها وجود داره. |
| Speech Segmentation | اسپیچ سِگمِنتِیشِن | بخش‌بندی گفتار؛ تقسیم فایل گفتاری به قسمت‌هایی مانند جمله، واژه یا بازه‌های زمانی. |
| Forced Alignment | فورست اَلاینمِنت | هم‌ترازی اجباری؛ تعیین زمان شروع و پایان واژه‌ها یا آواهای متن معلوم در فایل صوتی. |
| Speech Emotion Recognition (SER) | اسپیچ ایموشِن رِکاگنیشِن | تشخیص احساس از گفتار؛ تخمین یا طبقه‌بندی نشانه‌های احساسی از ویژگی‌های صوتی، بدون اثبات حالت ذهنی واقعی فرد. |
| Emotion-Aware Speech Synthesis | ایموشِن اَوِر اسپیچ سینثِسِس | تولید گفتار با لحن احساسی؛ ساخت صدایی با ویژگی‌هایی مانند شادی، ناراحتی یا هیجان. |
| Prosody | پراسِدی | آهنگ گفتار؛ ویژگی‌هایی مانند زیر و بمی، ریتم، تکیه و مکث که در تولید و تحلیل گفتار اهمیت دارن. |
| Prosody Control | پراسِدی کِنترُل | کنترل آهنگ گفتار؛ تنظیم ریتم، تأکید، زیر و بمی و مکث‌های صدای تولیدشده. |
| Speech Intelligibility | اسپیچ اینتِلیجِبیلِتی | فهم‌پذیری گفتار؛ میزان قابل‌فهم‌بودن کلمات گفتاری برای شنونده. |
| Word Error Rate (WER) | وِرد اِرِر رِیت | نرخ خطای واژه؛ معیاری برای ارزیابی رونویسی گفتار براساس واژه‌های حذف‌شده، اضافه‌شده یا اشتباه. |
| Character Error Rate (CER) | کَرَکتِر اِرِر رِیت | نرخ خطای نویسه؛ سنجش خطای تشخیص متن براساس تعداد نویسه‌های نادرست، حذف‌شده یا اضافه‌شده. |
| Audio Classification | آدیو کْلَسیفیکِیشِن | طبقه‌بندی صوت؛ اختصاص صدا به دسته‌هایی مانند گفتار، موسیقی یا صدای محیطی. |
| Sound Event Detection (SED) | ساوند ایوِنت دیتِکشِن | تشخیص رویداد صوتی؛ شناسایی نوع و زمان وقوع صداهایی مانند آژیر، زنگ یا پارس سگ. |
| Acoustic Scene Classification | اَکوستیک سین کْلَسیفیکِیشِن | طبقه‌بندی صحنه صوتی؛ تشخیص محیط‌هایی مانند خیابون، فرودگاه یا دفتر کار از روی صدا. |
| Audio Captioning | آدیو کَپشِنینگ | توصیف صوت؛ تولید توضیح متنی درباره محتوای یک فایل صوتی. |
| Audio Question Answering | آدیو کْوِسچِن اَنسِرینگ | پاسخ‌گویی به سؤال صوتی؛ پاسخ به پرسش‌ها با تحلیل اطلاعات موجود در فایل صوتی. |
| Audio Embedding | آدیو اِمبِدینگ | بردار صوتی؛ نمایش عددی ویژگی‌های صدا برای جست‌وجو، مقایسه یا تحلیل. |
| Audio-Language Model | آدیو لَنگویج مادِل | مدل صوت‌زبان؛ مدلی که اطلاعات صوتی و زبانی رو به‌صورت مرتبط پردازش می‌کنه. |
| Speech-Language Model | اسپیچ لَنگویج مادِل | مدل گفتار‌زبان؛ مدلی برای پردازش و ارتباط‌دادن گفتار با محتوای زبانی. |
| Neural Vocoder | نیورال وُکودِر | وکودر عصبی؛ مدلی که از نمایش‌های صوتی یا ویژگی‌های آکوستیکی، شکل موج صدا تولید می‌کنه. |
| Mel Spectrogram | مِل اِسپِکتروگرام | طیف‌نگاشت مِل؛ نمایش تغییرات انرژی فرکانسی صدا در طول زمان با مقیاس فرکانسی مِل. |
| Speech Tokenization | اسپیچ توکِنایزِیشِن | توکن‌سازی گفتار؛ تبدیل اطلاعات گفتاری به واحدهای قابل پردازش برای مدل. |
| Audio Token | آدیو توکِن | توکن صوتی؛ واحدی از نمایش دیجیتال صوت که مدل برای پردازش یا تولید صدا استفاده می‌کنه. |
| Multimodal AI | مالتی‌مودَل اِی‌آی | هوش مصنوعی چندوجهی؛ سیستمی که می‌تونه بیش از یک نوع داده، مثل متن، تصویر و صدا رو پردازش یا تولید کنه. |
| Modality | مودَلِتی | وجه داده؛ نوع اطلاعات ورودی یا خروجی، مانند متن، تصویر، صوت یا ویدئو. |
| Multimodal Model | مالتی‌مودَل مادِل | مدل چندوجهی؛ مدلی که برای کار با چند نوع داده طراحی شده. |
| Multimodal Large Language Model (MLLM) | مالتی‌مودَل لارج لَنگویج مادِل | مدل زبانی بزرگ چندوجهی؛ مدل زبانی بزرگی که علاوه بر متن، می‌تونه داده‌هایی مانند تصویر یا صوت رو هم پردازش کنه. |
| Cross-Modal Learning | کراس مودَل لِرنینگ | یادگیری میان‌وجهی؛ یادگیری روابط میان انواع مختلف داده، مانند تصویر و متن. |
| Cross-Modal Retrieval | کراس مودَل ریتریوِل | بازیابی میان‌وجهی؛ جست‌وجوی یک نوع داده با استفاده از نوع دیگه، مثل یافتن تصویر از روی توضیح متنی. |
| Multimodal Fusion | مالتی‌مودَل فیوژِن | تلفیق چندوجهی؛ ترکیب اطلاعات چند نوع داده برای تحلیل یا تصمیم‌گیری. |
| Early Fusion | اِرلی فیوژِن | تلفیق زودهنگام؛ ترکیب اطلاعات چند وجه داده در مراحل اولیه پردازش مدل. |
| Late Fusion | لِیت فیوژِن | تلفیق دیرهنگام؛ ترکیب نتایج حاصل از پردازش جداگانه چند نوع داده در مراحل پایانی. |
| Multimodal Alignment | مالتی‌مودَل اَلاینمِنت | هم‌ترازی چندوجهی؛ یادگیری ارتباط میان بخش‌های متن، تصویر، صوت یا سایر داده‌ها. |
| Joint Embedding Space | جوینت اِمبِدینگ اِسپِیس | فضای برداری مشترک؛ نمایش چند نوع داده در فضایی که مقایسه ارتباط معنایی اون‌ها امکان‌پذیر باشه. |
| Vision-Language-Audio Model | ویژِن لَنگویج آدیو مادِل | مدل بینایی‌زبان‌صوت؛ مدلی که اطلاعات تصویری، زبانی و صوتی رو به‌صورت مرتبط پردازش می‌کنه. |
| Audio-Visual Learning | آدیو ویژوئِل لِرنینگ | یادگیری صوتی‌تصویری؛ استفاده هم‌زمان از صدا و تصویر برای یادگیری الگوها و روابط میان اون‌ها. |
| Audio-Visual Speech Recognition | آدیو ویژوئِل اسپیچ رِکاگنیشِن | تشخیص گفتار صوتی‌تصویری؛ استفاده از صدا و اطلاعاتی مانند حرکت لب برای بازشناسی گفتار. |
| Audio-Visual Synchronization | آدیو ویژوئِل سینکرِنایزِیشِن | همگام‌سازی صوت و تصویر؛ هماهنگ‌کردن زمان رویدادهای صوتی با تصاویر یا فریم‌های ویدئو. |
| Multimodal Reasoning | مالتی‌مودَل ریزِنینگ | استدلال چندوجهی؛ ترکیب اطلاعات چند نوع داده برای نتیجه‌گیری یا حل مسئله. |
| Multimodal Understanding | مالتی‌مودَل آندِراِستَندینگ | درک چندوجهی؛ تحلیل و تفسیر مرتبط اطلاعاتی مانند متن، تصویر، گفتار و ویدئو. |
نکته:
Speech Recognition مشخص می‌کنه چه کلماتی گفته شده، اما Speaker Recognition به شناسایی یا تأیید گوینده مربوطه و Speaker Diarization تعیین می‌کنه در هر بخش از یک فایل صوتی چه کسی صحبت کرده است.
همچنین یک مدل Multimodal لزوماً همه انواع داده رو پشتیبانی نمی‌کنه؛ ممکنه فقط متن و تصویر یا متن و صوت رو پردازش کنه.
اصطلاحات آموزش، تنظیم و بهینه‌سازی مدل‌های هوش مصنوعی (AI Model Training & Fine-Tuning)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Instruction Tuning | اینستْراکْشِن تیونینگ | تنظیم دستوری؛ آموزش تکمیلی مدل با نمونه‌های دستور و پاسخ برای بهبود پیروی از درخواست‌ها. |
| LoRA Adapter | لورا اَدَپتِر | آداپتر لورا؛ مجموعه پارامترهای کم‌حجم برای سازگارکردن رفتار مدل پایه، بدون نیاز به تغییر همه وزن‌های اون. |
| Pre-training | پری‌تْرِینینگ | پیش‌آموزش؛ آموزش اولیه مدل روی داده‌های گسترده برای یادگیری الگوها و توانایی‌های پایه. |
| Fine-tuning | فاین‌تیونینگ | تنظیم دقیق؛ آموزش تکمیلی مدل ازپیش‌آموزش‌دیده برای سازگارشدن با وظیفه یا حوزه مشخص. |
| Full Fine-tuning | فول فاین‌تیونینگ | تنظیم دقیق کامل؛ به‌روزرسانی تمام یا بیشتر پارامترهای مدل در آموزش تکمیلی. |
| Supervised Fine-Tuning (SFT) | سوپِروایزد فاین‌تیونینگ | تنظیم دقیق نظارت‌شده؛ آموزش تکمیلی مدل با نمونه‌های ورودی و پاسخ مطلوب. |
| Parameter-Efficient Fine-Tuning (PEFT) | پَرامِتِر اِفیشِنت فاین‌تیونینگ | تنظیم دقیق کم‌پارامتر؛ سازگارکردن مدل با آموزش تعداد محدودی از پارامترها به‌جای همه وزن‌ها. |
| Low-Rank Adaptation (LoRA) | لو رَنک اَدَپتِیشِن | سازگارسازی کم‌رتبه؛ روشی برای تنظیم مدل با یادگیری تغییرات کم‌حجم در وزن‌ها. |
| Quantized Low-Rank Adaptation (QLoRA) | کوانتایزد لو رَنک اَدَپتِیشِن | تنظیم دقیق کم‌رتبه روی مدل کم‌دقت‌شده؛ روشی برای کاهش مصرف حافظه هنگام تنظیم مدل. |
| Adapter Tuning | اَدَپتِر تیونینگ | تنظیم آداپتر؛ آموزش بخش‌های کوچک افزوده‌شده به مدل، بدون تغییر بیشتر وزن‌های اصلی. |
| Prefix Tuning | پری‌فیکس تیونینگ | تنظیم پیشوند؛ آموزش بردارهای قابل‌یادگیری که رفتار مدل رو از طریق ورودی داخلی هدایت می‌کنن. |
| Prompt Tuning | پرامپت تیونینگ | تنظیم پرامپت نرم؛ یادگیری بردارهای ورودی قابل‌آموزش، بدون تغییر همه پارامترهای مدل. |
| Soft Prompt | سافت پرامپت | پرامپت نرم؛ بردارهای عددی آموزش‌پذیر که به ورودی مدل اضافه می‌شن و لزوماً متن قابل‌خواندن نیستن. |
| Continued Pre-training | کِنتینیود پری‌تْرِینینگ | ادامه پیش‌آموزش؛ آموزش بیشتر مدل روی داده‌های تازه یا تخصصی، با هدف آموزشی مشابه پیش‌آموزش. |
| Domain-Adaptive Pre-training (DAPT) | دُمِین اَدَپتیو پری‌تْرِینینگ | پیش‌آموزش سازگار با حوزه؛ ادامه آموزش مدل با داده‌های مربوط به یک زمینه تخصصی. |
| Task-Adaptive Pre-training (TAPT) | تَسک اَدَپتیو پری‌تْرِینینگ | پیش‌آموزش سازگار با وظیفه؛ ادامه آموزش با داده‌های مرتبط با وظیفه نهایی. |
| Post-training | پُست‌تْرِینینگ | پس‌آموزش؛ مجموعه مراحل آموزش یا تنظیم پس از پیش‌آموزش اولیه مدل. |
| Model Alignment Training | مادِل اَلاینمِنت تْرِینینگ | آموزش هم‌راستاسازی؛ تنظیم رفتار مدل برای سازگاری بیشتر با دستورها، ترجیحات و الزامات موردنظر. |
| Preference Tuning | پْرِفِرِنس تیونینگ | تنظیم براساس ترجیحات؛ آموزش مدل برای ترجیح‌دادن پاسخ‌های مطلوب‌تر در مقایسه با پاسخ‌های نامطلوب. |
| Preference Dataset | پْرِفِرِنس دِیتاسِت | مجموعه‌داده ترجیحی؛ نمونه‌هایی از خروجی‌های مقایسه‌شده یا رتبه‌بندی‌شده برای آموزش مدل. |
| Human Feedback | هیومَن فیدبَک | بازخورد انسانی؛ ارزیابی، اصلاح یا مقایسه خروجی مدل توسط انسان برای بهبود آموزش یا عملکرد. |
| Reinforcement Learning from Human Feedback (RLHF) | ری‌اِنفورسْمِنت لِرنینگ فرام هیومَن فیدبَک | یادگیری تقویتی از بازخورد انسانی؛ تنظیم مدل با استفاده از ترجیحات انسان و روش‌های یادگیری تقویتی. |
| Reinforcement Learning from AI Feedback (RLAIF) | ری‌اِنفورسْمِنت لِرنینگ فرام اِی‌آی فیدبَک | یادگیری تقویتی از بازخورد هوش مصنوعی؛ استفاده از ارزیابی مدل‌های هوش مصنوعی به‌جای بخشی از بازخورد انسانی. |
| Direct Preference Optimization (DPO) | دایرِکت پْرِفِرِنس آپتیمایزِیشِن | بهینه‌سازی مستقیم ترجیحات؛ تنظیم مدل با مقایسه پاسخ‌های ترجیح‌داده‌شده، بدون نیاز به اجرای فرایند کامل RLHF متداول. |
| Reward Model | ریوارد مادِل | مدل پاداش؛ مدلی که میزان مطلوب‌بودن یک پاسخ یا اقدام رو تخمین می‌زنه. |
| Reward Modeling | ریوارد مادِلینگ | مدل‌سازی پاداش؛ آموزش مدلی برای امتیازدهی به پاسخ‌ها یا رفتارها براساس معیارهای مطلوبیت. |
| Reward Hacking | ریوارد هَکینگ | سوءاستفاده از معیار پاداش؛ رسیدن مدل به امتیاز بالا از راهی که با هدف واقعی آموزش سازگار نیست. |
| Distillation | دیستیلِیشِن | تقطیر دانش؛ انتقال بخشی از رفتار یا دانش مدل بزرگ‌تر به مدل کوچک‌تر. |
| Knowledge Distillation | نالِج دیستیلِیشِن | تقطیر دانش مدل؛ آموزش مدل دانش‌آموز با استفاده از خروجی‌ها یا نمایش‌های مدل معلم. |
| Teacher Model | تیچِر مادِل | مدل معلم؛ مدلی که خروجی یا سیگنال آموزشی برای مدل دیگه فراهم می‌کنه. |
| Student Model | استیودِنت مادِل | مدل دانش‌آموز؛ مدلی که از خروجی یا راهنمایی مدل معلم یاد می‌گیره. |
| Model Compression | مادِل کَمپْرِشِن | فشرده‌سازی مدل؛ کاهش اندازه یا هزینه محاسباتی مدل با روش‌هایی مانند تقطیر، هرس یا کم‌دقت‌سازی. |
| Model Pruning | مادِل پرونینگ | هرس مدل؛ حذف وزن‌ها یا اجزای کم‌اهمیت برای کاهش اندازه یا هزینه پردازش. |
| Weight Pruning | وِیت پرونینگ | هرس وزن‌ها؛ حذف یا صفرکردن وزن‌های انتخاب‌شده در مدل. |
| Quantization | کوانتایزِیشِن | کم‌دقت‌سازی عددی؛ نمایش وزن‌ها یا محاسبات مدل با قالب‌های عددی کم‌دقت‌تر برای کاهش مصرف منابع، گاهی با افت محدود کیفیت. |
| Post-Training Quantization (PTQ) | پُست‌تْرِینینگ کوانتایزِیشِن | کم‌دقت‌سازی پس از آموزش؛ تبدیل مدل آموزش‌دیده به نمایش عددی کم‌دقت‌تر. |
| Quantization-Aware Training (QAT) | کوانتایزِیشِن اَوِر تْرِینینگ | آموزش آگاه از کم‌دقت‌سازی؛ درنظرگرفتن اثر کاهش دقت عددی در فرایند آموزش مدل. |
| Mixed Precision Training | میکست پْرِسیژِن تْرِینینگ | آموزش با دقت عددی ترکیبی؛ استفاده از قالب‌های عددی مختلف برای کاهش مصرف منابع و حفظ پایداری آموزش. |
| Gradient Accumulation | گْرِیدیِنت اَکیومیولِیشِن | انباشت گرادیان؛ جمع‌کردن گرادیان چند دسته کوچک پیش از به‌روزرسانی پارامترها. |
| Gradient Checkpointing | گْرِیدیِنت چِک‌پوینتینگ | چک‌پوینت‌گذاری گرادیان؛ کاهش مصرف حافظه با ذخیره کمتر خروجی‌های میانی و محاسبه دوباره بخشی از اون‌ها. |
| Checkpoint | چِک‌پوینت | نقطه ذخیره مدل؛ وضعیت ذخیره‌شده وزن‌ها و گاهی اطلاعات آموزش برای ادامه یا بازیابی فرایند. |
| Model Checkpoint | مادِل چِک‌پوینت | نسخه ذخیره‌شده مدل؛ فایل یا مجموعه فایل‌های حاوی پارامترهای مدل در مرحله‌ای مشخص. |
| Training Run | تْرِینینگ ران | اجرای آموزش؛ یک فرایند مشخص آموزش مدل با داده‌ها و تنظیمات معین. |
| Training Objective | تْرِینینگ اَبجِکتیو | هدف آموزشی؛ معیاری که فرایند آموزش تلاش می‌کنه اون رو بهینه کنه. |
| Curriculum Learning | کِریکولَم لِرنینگ | یادگیری برنامه‌درسی؛ آموزش مدل با ترتیب هدفمند نمونه‌ها، معمولاً از ساده‌تر به دشوارتر. |
| Data Mixture | دِیتا میکسچِر | ترکیب داده‌های آموزشی؛ نسبت و شیوه استفاده از مجموعه‌داده‌های مختلف در آموزش مدل. |
| Data Deduplication | دِیتا دیدیوپلیکِیشِن | حذف داده‌های تکراری؛ شناسایی و کنارگذاشتن نمونه‌های یکسان یا بسیار مشابه از داده آموزشی. |
| Dataset Curation | دِیتاسِت کیورِیشِن | پالایش مجموعه‌داده؛ انتخاب، پاک‌سازی، سازمان‌دهی و بررسی کیفیت داده‌های آموزشی. |
| Synthetic Data Training | سینثِتیک دِیتا تْرِینینگ | آموزش با داده مصنوعی؛ استفاده از نمونه‌های تولیدشده به‌صورت محاسباتی برای آموزش مدل. |
| Data Contamination | دِیتا کِنتَمینِیشِن | آلودگی داده؛ ورود ناخواسته داده‌های ارزیابی یا اطلاعات نامناسب به فرایند آموزش که می‌تونه اعتبار نتایج رو کاهش بده. |
| Catastrophic Forgetting | کَتَسترافیک فورگِتینگ | فراموشی فاجعه‌بار؛ افت شدید عملکرد مدل روی آموخته‌های قبلی پس از آموزش اطلاعات یا وظایف جدید. |
| Model Adaptation | مادِل اَدَپتِیشِن | سازگارسازی مدل؛ تغییر یا تنظیم مدل برای عملکرد بهتر در داده‌ها، شرایط یا وظایف جدید. |
| Domain Adaptation | دُمِین اَدَپتِیشِن | سازگارسازی حوزه؛ بهبود عملکرد مدل هنگام انتقال از یک توزیع داده یا محیط به محیطی متفاوت. |
| Test-Time Adaptation | تِست تایم اَدَپتِیشِن | سازگارسازی در زمان آزمون؛ تنظیم مدل هنگام مواجهه با داده‌های جدید، با استفاده از روش‌های مشخص و معمولاً بدون برچسب پاسخ. |
| Test-Time Compute | تِست تایم کَمپیوت | محاسبات زمان استنتاج؛ منابع پردازشی مصرف‌شده هنگام تولید پاسخ یا حل مسئله، به‌جای مرحله آموزش اولیه. |
نکته:
Pre-training آموزش اولیه مدل، Fine-tuning آموزش تکمیلی با تغییر پارامترها و Inference استفاده از مدل برای تولید خروجی هستن. همچنین Prompt Tuning با پرامپت‌نویسی معمولی فرق داره؛ چون در اون بردارهای قابل‌آموزش تنظیم می‌شن، نه صرفاً متن یک درخواست.
اصطلاح RLHF نیز نام یک روش آموزشیه و به معنی یادگرفتن دائمی مدل از هر گفت‌وگوی کاربر نیست.
اصطلاحات بازیابی اطلاعات، پایگاه دانش و اتصال مدل‌های هوش مصنوعی به داده‌ها (RAG & Knowledge Retrieval)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Retrieval-Augmented Generation (RAG) | ریتریوِل آگمِنتِد جِنِرِیشِن | تولید تقویت‌شده با بازیابی؛ روشی که محتوای مرتبط رو از منابع بیرونی در اختیار مدل قرار می‌ده تا برای تولید پاسخ استفاده کنه؛ به‌خودی‌خود وزن‌های مدل رو تغییر نمی‌ده. |
| Retrieval | ریتریوِل | بازیابی؛ پیداکردن اطلاعات مرتبط با یک درخواست از بین منابع موجود؛ در کاربردهای جست‌وجوی اطلاعات به Information Retrieval هم گفته می‌شه. |
| Knowledge Retrieval | نالِج ریتریوِل | بازیابی دانش؛ استخراج اطلاعات مرتبط از منابع دانشی برای استفاده در پاسخ‌گویی یا استدلال. |
| AI Grounding | اِی‌آی گراوندینگ | استناددهی به مبنای اطلاعاتی؛ متکی‌کردن پاسخ مدل به داده‌ها، اسناد یا شواهد مشخص برای کاهش پاسخ‌های بی‌پشتوانه. |
| Grounded Generation | گراوندِد جِنِرِیشِن | تولید مبتنی بر منبع؛ ساخت خروجی با استفاده از اطلاعات مرجع ارائه‌شده یا بازیابی‌شده. |
| Grounding Source | گراوندینگ سورس | منبع مبنا؛ سند یا داده‌ای که برای پشتیبانی از پاسخ مدل استفاده می‌شه. |
| Retrieval Query | ریتریوِل کْوئِری | پرس‌وجوی بازیابی؛ عبارت یا نمایش اطلاعاتی که برای یافتن منابع مرتبط استفاده می‌شه. |
| Query Rewriting | کْوئِری ری‌رایتینگ | بازنویسی پرس‌وجو؛ اصلاح درخواست جست‌وجو برای بازیابی اطلاعات مرتبط‌تر. |
| Query Expansion | کْوئِری اِکسپَنشِن | گسترش پرس‌وجو؛ افزودن واژه‌ها یا مفاهیم مرتبط برای بهبود پوشش جست‌وجو. |
| Query Decomposition | کْوئِری دیکامپُزیشِن | تجزیه پرس‌وجو؛ تقسیم یک سؤال پیچیده به چند پرس‌وجوی کوچک‌تر برای بازیابی بهتر. |
| Semantic Search | سِمَنتیک سِرچ | جست‌وجوی معنایی؛ یافتن اطلاعات براساس نزدیکی مفهوم، نه صرفاً یکسان‌بودن کلمات. |
| Keyword Search | کی‌وِرد سِرچ | جست‌وجوی کلیدواژه‌ای؛ پیداکردن اطلاعات براساس تطبیق واژه‌ها یا عبارت‌های جست‌وجوشده. |
| Dense Retrieval | دِنس ریتریوِل | بازیابی متراکم؛ جست‌وجوی اطلاعات با استفاده از نمایش‌های برداری متراکم و آموخته‌شده. |
| Sparse Retrieval | اِسپارس ریتریوِل | بازیابی تنک؛ جست‌وجو با نمایش‌هایی که بیشتر مؤلفه‌های اون‌ها صفر هستن، مانند برخی روش‌های مبتنی بر واژه. |
| Hybrid Search | هایبْرید سِرچ | جست‌وجوی ترکیبی؛ ترکیب روش‌هایی مانند جست‌وجوی کلیدواژه‌ای و معنایی برای یافتن نتایج مناسب‌تر. |
| Vector Search | وِکتِر سِرچ | جست‌وجوی برداری؛ یافتن داده‌های مشابه با مقایسه نمایش‌های عددی اون‌ها. |
| Similarity Search | سیمیلَرِتی سِرچ | جست‌وجوی شباهت؛ یافتن مواردی که براساس معیار مشخص، بیشترین شباهت رو به ورودی دارن. |
| Nearest Neighbor Search (NNS) | نیرِست نِیبِر سِرچ | جست‌وجوی نزدیک‌ترین همسایه؛ یافتن نزدیک‌ترین بردارها یا نمونه‌ها به یک داده ورودی. |
| Approximate Nearest Neighbor (ANN) Search | اَپراکْسیمِت نیرِست نِیبِر سِرچ | جست‌وجوی تقریبی نزدیک‌ترین همسایه؛ یافتن سریع نمونه‌های نزدیک با پذیرش احتمال ازدست‌رفتن بعضی نتایج دقیق. |
| Vector Database | وِکتِر دِیتابِیس | پایگاه داده برداری؛ سامانه‌ای برای ذخیره، مدیریت و جست‌وجوی نمایش‌های برداری داده‌ها. |
| Vector Index | وِکتِر ایندِکس | نمایه برداری؛ ساختار داده‌ای برای سریع‌ترکردن جست‌وجوی بردارهای مشابه. |
| Embedding Model | اِمبِدینگ مادِل | مدل تعبیه‌ساز؛ مدلی که متن، تصویر یا داده‌های دیگر رو به نمایش عددی تبدیل می‌کنه. |
| Embedding Dimension | اِمبِدینگ دایمِنشِن | بُعد بردار تعبیه؛ تعداد مؤلفه‌های عددی در نمایش برداری تولیدشده توسط مدل. |
| Embedding Similarity | اِمبِدینگ سیمیلَرِتی | شباهت بردارهای تعبیه؛ سنجش نزدیکی دو داده از طریق مقایسه نمایش‌های برداری اون‌ها. |
| Cosine Similarity | کوساین سیمیلَرِتی | شباهت کسینوسی؛ معیاری برای سنجش نزدیکی جهت دو بردار. |
| Euclidean Distance | یوکلیدیَن دیستِنس | فاصله اقلیدسی؛ فاصله مستقیم میان دو نقطه یا بردار در یک فضای عددی. |
| Reranking | ری‌رَنکینگ | رتبه‌بندی مجدد؛ مرتب‌سازی دوباره نتایج بازیابی‌شده با مدلی دقیق‌تر برای افزایش ارتباط اون‌ها با سؤال. |
| Reranker Model | ری‌رَنکِر مادِل | مدل رتبه‌بندی مجدد؛ مدلی که میزان ارتباط نتایج اولیه با پرس‌وجو رو دوباره ارزیابی می‌کنه. |
| Cross-Encoder Reranker | کراس اِنکودِر ری‌رَنکِر | رتبه‌بند مجدد مبتنی بر رمزگذار مشترک؛ مدلی که پرس‌وجو و سند رو با هم پردازش می‌کنه تا میزان ارتباط اون‌ها رو بسنجه. |
| Bi-Encoder | بای اِنکودِر | معماری دو رمزگذار؛ روشی که پرس‌وجو و سند رو جداگانه به بردار تبدیل می‌کنه تا امکان مقایسه سریع فراهم بشه. |
| Document Chunking | داکیومِنت چانکینگ | قطعه‌بندی سند؛ تقسیم اسناد بلند به بخش‌های کوچک‌تر برای پردازش یا بازیابی. |
| Chunk | چانک | قطعه داده؛ بخشی از متن یا سند که به‌صورت مستقل پردازش یا بازیابی می‌شه. |
| Chunk Size | چانک سایز | اندازه قطعه؛ مقدار متن یا تعداد توکن‌های هر بخش از سند پس از قطعه‌بندی. |
| Chunk Overlap | چانک اُوِرلَپ | هم‌پوشانی قطعه‌ها؛ تکرار بخشی از اطلاعات در قطعات مجاور برای کاهش گسستگی متن. |
| Semantic Chunking | سِمَنتیک چانکینگ | قطعه‌بندی معنایی؛ تقسیم متن براساس مرزهای مفهومی و ارتباط موضوعی بخش‌ها. |
| Contextual Retrieval | کانتِکسچوئِل ریتریوِل | بازیابی زمینه‌محور؛ استفاده از اطلاعات زمینه‌ای برای بهبود نمایش یا یافتن قطعات مرتبط. |
| Parent-Document Retrieval | پِرِنت داکیومِنت ریتریوِل | بازیابی سند والد؛ یافتن قطعه مرتبط و سپس ارائه بخش بزرگ‌تر یا سند اصلی برای حفظ زمینه. |
| Metadata Filtering | مِتادِیتا فیلتِرینگ | پالایش فراداده‌ای؛ محدودکردن نتایج جست‌وجو براساس ویژگی‌هایی مثل تاریخ، نوع سند یا منبع. |
| Document Ingestion | داکیومِنت اینجِسچِن | ورود و آماده‌سازی اسناد؛ دریافت، پردازش و ثبت اطلاعات منابع برای استفاده در سیستم بازیابی. |
| Indexing Pipeline | ایندِکسینگ پایپ‌لاین | فرایند نمایه‌سازی؛ مراحل آماده‌سازی، قطعه‌بندی، تبدیل و ثبت اسناد برای جست‌وجو. |
| Retrieval Pipeline | ریتریوِل پایپ‌لاین | فرایند بازیابی؛ مجموعه مراحل تبدیل پرس‌وجو، جست‌وجو، پالایش و رتبه‌بندی منابع. |
| RAG Pipeline | رَگ پایپ‌لاین | فرایند RAG؛ زنجیره بازیابی اطلاعات مرتبط و ارائه اون‌ها به مدل برای تولید پاسخ. |
| Naive RAG | ناایو رَگ | RAG پایه؛ پیاده‌سازی ساده‌ای که اسناد مرتبط رو بازیابی و همراه سؤال به مدل ارائه می‌کنه. |
| Advanced RAG | اَدوَنست رَگ | RAG پیشرفته؛ استفاده از روش‌هایی مانند بازنویسی پرس‌وجو، بازیابی ترکیبی و رتبه‌بندی مجدد برای بهبود پاسخ. |
| Agentic RAG | اِیجِنتیک رَگ | RAG عامل‌محور؛ سیستمی که عامل هوشمند می‌تونه مراحل جست‌وجو، انتخاب منابع و بازیابی تکمیلی رو مدیریت کنه. |
| Multi-Hop Retrieval | مالتی هاپ ریتریوِل | بازیابی چندمرحله‌ای؛ جمع‌آوری اطلاعات از چند منبع یا مرحله جست‌وجو برای پاسخ به سؤال پیچیده. |
| Graph RAG | گراف رَگ | RAG مبتنی بر گراف؛ استفاده از روابط موجودیت‌ها و ساختار گرافی برای کمک به بازیابی و تولید پاسخ. |
| Knowledge Graph Retrieval | نالِج گراف ریتریوِل | بازیابی از گراف دانش؛ یافتن اطلاعات با استفاده از موجودیت‌ها و روابط ثبت‌شده در گراف. |
| Knowledge Graph Embedding | نالِج گراف اِمبِدینگ | تعبیه گراف دانش؛ تبدیل موجودیت‌ها و روابط گراف به بردارهای عددی برای یادگیری و جست‌وجو. |
| Knowledge Base Question Answering (KBQA) | نالِج بِیس کْوِسچِن اَنسِرینگ | پاسخ‌گویی مبتنی بر پایگاه دانش؛ یافتن یا استنتاج پاسخ سؤال با استفاده از اطلاعات ساختاریافته. |
| Retrieval-Augmented Question Answering | ریتریوِل آگمِنتِد کْوِسچِن اَنسِرینگ | پاسخ‌گویی تقویت‌شده با بازیابی؛ استفاده از منابع بازیابی‌شده برای پاسخ به سؤال کاربر. |
| Source Attribution | سورس اَتریبیوشِن | انتساب به منبع؛ مشخص‌کردن اینکه یک ادعا یا بخش پاسخ بر چه منبعی متکیه. |
| Citation Generation | سایتِیشِن جِنِرِیشِن | تولید ارجاع؛ درج استناد به اسناد یا بخش‌هایی که برای پشتیبانی از پاسخ استفاده شدن. |
| Answer Relevance | اَنسِر رِلِوِنس | ارتباط پاسخ؛ میزان تناسب پاسخ تولیدشده با سؤال یا نیاز کاربر؛ نام مرتبط یا جایگزین: Answer Relevancy. |
| Context Relevance | کانتِکست رِلِوِنس | ارتباط زمینه؛ میزان مفیدبودن اطلاعات بازیابی‌شده برای پاسخ به سؤال. |
| Retrieval Recall | ریتریوِل ریکال | بازخوانی بازیابی؛ نسبت موارد مرتبطی که سیستم موفق به پیداکردن اون‌ها شده. |
| Retrieval Precision | ریتریوِل پْرِسیژِن | دقت بازیابی؛ نسبت نتایج مرتبط به تمام نتایج بازیابی‌شده. |
| Groundedness Evaluation | گراوندِدنِس ایوَلیوئِیشِن | ارزیابی اتکای پاسخ به منبع؛ بررسی اینکه ادعاهای خروجی با شواهد ارائه‌شده پشتیبانی می‌شن یا نه. |
| Retrieval Evaluation | ریتریوِل ایوَلیوئِیشِن | ارزیابی بازیابی؛ سنجش کیفیت منابع پیدا‌شده از نظر ارتباط، پوشش و رتبه‌بندی. |
| Context Compression | کانتِکست کَمپْرِشِن | فشرده‌سازی زمینه؛ کاهش حجم اطلاعات ورودی مدل با حفظ بخش‌های مرتبط؛ روش زمینه‌محور اون (Contextual Compression) اطلاعات رو متناسب با پرسش پالایش می‌کنه. |
| Long-Context Retrieval | لانگ کانتِکست ریتریوِل | بازیابی در زمینه طولانی؛ پیداکردن اطلاعات مرتبط از میان محتوای بسیار بلند. |
| Lost in the Middle | لاست این دِ میدِل | پدیده گم‌شدن اطلاعات میانی؛ افت عملکرد بعضی مدل‌ها در استفاده از اطلاعات قرارگرفته در میانه متن‌های طولانی. |
| Retrieval Cache | ریتریوِل کَش | حافظه موقت بازیابی؛ نگهداری نتایج جست‌وجو برای استفاده مجدد و کاهش زمان یا هزینه پردازش. |
نکته:
RAG معمولاً اطلاعات بیرونی رو هنگام پاسخ‌گویی در اختیار مدل قرار می‌ده، اما Fine-tuning با آموزش تکمیلی، پارامترهای مدل رو تغییر می‌ده.
همچنین استفاده از RAG یا درج منبع به‌تنهایی صحت پاسخ رو تضمین نمی‌کنه؛ باید بررسی بشه که اطلاعات مرتبط بازیابی شده و ادعاهای پاسخ واقعاً با منابع مطابقت دارن.
اصطلاحات ایجنت‌های هوش مصنوعی و سیستم‌های عامل‌محور (AI Agents & Agentic AI)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Agentic AI | اِیجِنتیک اِی‌آی | هوش مصنوعی عامل‌محور؛ رویکردی که سیستم برای دستیابی به هدف، اقدام‌ها و گاهی ابزارهای لازم رو با درجاتی از استقلال انتخاب و اجرا می‌کنه. |
| Goal-Based / Goal-Oriented Agent | گُول بِیست اِیجِنت | عامل هدف‌گرا؛ عاملی که اقداماتش رو براساس رسیدن به یک وضعیت یا هدف مطلوب انتخاب می‌کنه. |
| Utility-Based Agent | یوتیلیتی بِیست اِیجِنت | عامل مطلوبیت‌محور؛ عاملی که گزینه‌ها رو براساس میزان مطلوبیت یا ارزش موردانتظار مقایسه می‌کنه. |
| AI Agent | اِی‌آی اِیجِنت | ایجنت هوش مصنوعی؛ سیستمی که برای رسیدن به هدف، اطلاعات رو پردازش می‌کنه و با میزان مشخصی از استقلال، اقدام انجام می‌ده. |
| Agentic System | اِیجِنتیک سیستِم | سیستم عامل‌محور؛ سامانه‌ای که از یک یا چند ایجنت برای برنامه‌ریزی و اجرای وظایف استفاده می‌کنه. |
| Agentic Workflow | اِیجِنتیک وِرک‌فلو | گردش کار عامل‌محور؛ فرایندی که در اون ایجنت‌ها بخشی از تصمیم‌گیری یا انتخاب مراحل اجرا رو برعهده دارن. |
| Autonomous Agent | آتانِمِس اِیجِنت | عامل خودمختار؛ ایجنتی که می‌تونه برخی اقدامات رو بدون دریافت دستور انسانی در هر مرحله انجام بده. |
| Semi-Autonomous Agent | سِمی آتانِمِس اِیجِنت | عامل نیمه‌خودمختار؛ ایجنتی که بعضی وظایف رو مستقل انجام می‌ده اما در مراحل مشخص به تأیید انسان نیاز داره. |
| Task-Oriented Agent | تَسک اُریِنتِد اِیجِنت | عامل وظیفه‌محور؛ ایجنتی که برای انجام یک وظیفه یا مجموعه‌ای از وظایف مشخص طراحی شده. |
| Reactive Agent | ری‌اَکتیو اِیجِنت | عامل واکنشی؛ ایجنتی که عمدتاً براساس وضعیت فعلی محیط اقدام می‌کنه، بدون برنامه‌ریزی بلندمدت. |
| Deliberative Agent | دیلیبِرِیتیو اِیجِنت | عامل برنامه‌ریز؛ ایجنتی که پیش از اقدام، وضعیت‌ها، هدف‌ها یا مسیرهای احتمالی رو بررسی می‌کنه. |
| Tool-Using Agent | تول یوزینگ اِیجِنت | ایجنت ابزارمحور؛ عاملی که برای انجام وظیفه از ابزارهایی مثل جست‌وجو، اجرای کد یا ارتباط با نرم‌افزارها استفاده می‌کنه. |
| Tool Calling | تول کالینگ | فراخوانی ابزار؛ درخواست مدل یا ایجنت برای اجرای یک ابزار یا قابلیت مشخص. |
| Function Calling | فانکشِن کالینگ | فراخوانی تابع؛ تولید درخواست ساختاریافته برای اجرای یک تابع تعریف‌شده در برنامه. |
| Tool Selection | تول سِلِکشِن | انتخاب ابزار؛ تعیین ابزار مناسب برای انجام یک مرحله از وظیفه. |
| Tool Execution | تول اِکسِکیوشِن | اجرای ابزار؛ انجام عملیاتی که مدل یا ایجنت درخواست کرده. |
| Tool Result | تول ریزالت | نتیجه ابزار؛ اطلاعاتی که پس از اجرای ابزار به سیستم یا مدل برگردونده می‌شه. |
| Agent Loop | اِیجِنت لوپ | چرخه ایجنت؛ تکرار مراحل بررسی وضعیت، انتخاب اقدام، اجرای اون و ارزیابی نتیجه تا رسیدن به هدف یا شرط توقف. |
| Agent Planning | اِیجِنت پِلَنینگ | برنامه‌ریزی ایجنت؛ طراحی یا بازبینی مراحل انجام کار توسط عامل هوشمند، گاهی همراه با انتخاب ابزار و دریافت بازخورد در طول اجرا. |
| Task Decomposition | تَسک دیکامپُزیشِن | تجزیه وظیفه؛ تقسیم یک کار پیچیده به چند وظیفه کوچک‌تر. |
| Subtask | ساب‌تَسک | زیر‌وظیفه؛ بخش مشخصی از یک کار بزرگ‌تر که می‌تونه مستقل اجرا یا ارزیابی بشه. |
| Task Delegation | تَسک دِلِگِیشِن | واگذاری وظیفه؛ سپردن بخشی از کار به ایجنت یا ابزار دیگه. |
| Agent Handoff | اِیجِنت هَندآف | انتقال کار بین ایجنت‌ها؛ واگذاری مسئولیت ادامه یک وظیفه از یک ایجنت به ایجنت دیگر. |
| Agent Orchestration | اِیجِنت اُرکِسترِیشِن | هماهنگ‌سازی ایجنت‌ها؛ مدیریت ترتیب اجرا، ارتباطات و تقسیم وظایف بین عامل‌های هوشمند. |
| Agent Routing | اِیجِنت روتینگ | مسیریابی ایجنت؛ انتخاب ایجنت مناسب براساس نوع درخواست یا وظیفه. |
| Supervisor Agent | سوپِروایزِر اِیجِنت | ایجنت ناظر؛ عاملی که کار ایجنت‌های دیگه رو هماهنگ یا ارزیابی می‌کنه. |
| Worker Agent | وِرکِر اِیجِنت | ایجنت اجرایی؛ عاملی که وظیفه مشخصی رو در یک سیستم چندعاملی انجام می‌ده. |
| Specialist Agent | اِسپِشِلیست اِیجِنت | ایجنت متخصص؛ عاملی که برای انجام وظایف یک حوزه مشخص طراحی شده. |
| Multi-Agent System (MAS) | مالتی اِیجِنت سیستِم | سیستم چندعاملی؛ مجموعه‌ای از چند عامل هوشمند که با همکاری یا تعامل، وظایف رو انجام می‌دن. |
| Agent Collaboration | اِیجِنت کُلَبِرِیشِن | همکاری ایجنت‌ها؛ مشارکت چند عامل برای رسیدن به هدف مشترک. |
| Agent Communication | اِیجِنت کِمیونیکِیشِن | ارتباط بین ایجنت‌ها؛ تبادل پیام، داده یا نتیجه میان عامل‌های هوشمند. |
| Agent Coordination | اِیجِنت کوئوردینِیشِن | هماهنگی ایجنت‌ها؛ تنظیم اقدامات چند عامل برای جلوگیری از تداخل و دستیابی به هدف. |
| Agent Negotiation | اِیجِنت نِگوشی‌اِیشِن | مذاکره بین ایجنت‌ها؛ فرایند توافق یا انتخاب راه‌حل میان عامل‌هایی با هدف‌ها یا ترجیحات متفاوت. |
| Agent State | اِیجِنت اِستِیت | وضعیت ایجنت؛ اطلاعات مربوط به مرحله فعلی، هدف‌ها، نتایج و شرایط اجرای یک عامل. |
| Agent Memory | اِیجِنت مِمِری | حافظه ایجنت؛ سازوکاری برای ذخیره و بازیابی اطلاعات موردنیاز در انجام وظایف. |
| Short-Term Agent Memory | شورت تِرم اِیجِنت مِمِری | حافظه کوتاه‌مدت ایجنت؛ نگهداری اطلاعات مربوط به وظیفه یا تعامل جاری. |
| Long-Term Agent Memory | لانگ تِرم اِیجِنت مِمِری | حافظه بلندمدت ایجنت؛ ذخیره اطلاعات برای استفاده در تعاملات یا وظایف آینده. |
| Episodic Memory | اِپیسادیک مِمِری | حافظه رویدادی؛ ثبت تجربه‌ها و رویدادهای قبلی برای بازیابی و استفاده در تصمیم‌های بعدی. |
| Semantic Memory | سِمَنتیک مِمِری | حافظه معنایی؛ نگهداری دانش، مفاهیم و اطلاعات مستقل از یک رویداد مشخص. |
| Working Memory | وِرکینگ مِمِری | حافظه کاری؛ اطلاعات موقتی که ایجنت هنگام انجام یک وظیفه فعال نگه می‌داره. |
| Memory Retrieval | مِمِری ریتریوِل | بازیابی حافظه؛ پیداکردن اطلاعات ذخیره‌شده مرتبط با وضعیت یا درخواست فعلی. |
| Reflection | ریفْلِکشِن | بازاندیشی ایجنت؛ بررسی نتایج یا اقدامات قبلی برای اصلاح برنامه یا پاسخ‌های بعدی. |
| Self-Correction | سِلف کِرِکشِن | خوداصلاحی؛ تلاش سیستم برای شناسایی و اصلاح خطاهای خروجی یا عملکرد خودش. |
| Self-Evaluation | سِلف ایوَلیوئِیشِن | خودارزیابی؛ بررسی خروجی یا اقدامات توسط خود مدل براساس معیارهای مشخص. |
| Plan-and-Execute | پِلَن اَند اِکسِکیوت | برنامه‌ریزی و اجرا؛ روشی که ابتدا مراحل کار طراحی و سپس اجرا می‌شن. |
| Observe-Think-Act Loop | آبزِرو ثینک اَکت لوپ | چرخه مشاهده، پردازش و اقدام؛ الگوی تکرارشونده دریافت اطلاعات، انتخاب تصمیم و انجام اقدام. |
| ReAct Agent | ری‌اَکت اِیجِنت | ایجنت مبتنی بر ReAct؛ عاملی که مراحل استدلال و اقدام با ابزار رو در یک فرایند تکراری ترکیب می‌کنه. |
| Agentic Reasoning | اِیجِنتیک ریزِنینگ | استدلال عامل‌محور؛ استفاده از مدل برای انتخاب مراحل، ابزارها و اقدامات لازم جهت رسیدن به هدف. |
| Agent Autonomy | اِیجِنت آتانِمی | خودمختاری ایجنت؛ میزان اختیاری که عامل برای تصمیم‌گیری و انجام اقدامات بدون دخالت مستقیم انسان داره. |
| Autonomy Level | آتانِمی لِوِل | سطح خودمختاری؛ میزان استقلال مجاز سیستم در انتخاب و اجرای اقدامات. |
| Tool Permission | تول پِرمیشِن | مجوز ابزار؛ سطح دسترسی تعیین‌شده برای استفاده ایجنت از ابزارها و عملیات مختلف. |
| Sandboxed Execution | سَندباکست اِکسِکیوشِن | اجرای ایزوله؛ انجام عملیات در محیط محدود برای کاهش خطر تأثیرگذاری بر سیستم اصلی. |
| Agent Observability | اِیجِنت آبزِروَبیلِتی | مشاهده‌پذیری ایجنت؛ امکان بررسی مراحل اجرا، فراخوانی ابزارها، خطاها و نتایج عملکرد عامل. |
| Agent Trace | اِیجِنت تْرِیس | رد اجرای ایجنت؛ ثبت توالی اقدامات، تصمیم‌ها و فراخوانی ابزارها برای بررسی عملکرد سیستم. |
| Model Context Protocol (MCP) | مادِل کانتِکست پروتُکال | پروتکل زمینه مدل؛ استانداردی برای اتصال برنامه‌های هوش مصنوعی به ابزارها و منابع داده از طریق رابطی مشترک. |
| MCP Server | اِم‌سی‌پی سِروِر | سرور MCP؛ بخشی که ابزارها، منابع یا قابلیت‌های مشخص رو از طریق پروتکل MCP ارائه می‌کنه. |
| MCP Client | اِم‌سی‌پی کلایِنت | کلاینت MCP؛ بخشی که ارتباط با سرور MCP رو برقرار و امکانات اون رو دریافت می‌کنه. |
| Agent-to-Agent Protocol (A2A) | اِیجِنت تو اِیجِنت پروتُکال | پروتکل ارتباط عامل‌به‌عامل؛ روشی استاندارد برای تعامل و همکاری ایجنت‌های هوش مصنوعی. |
| Computer-Using Agent | کِمپیوتِر یوزینگ اِیجِنت | ایجنت کاربر رایانه؛ عاملی که می‌تونه از طریق رابط نرم‌افزار، عملیاتی مانند کلیک‌کردن و واردکردن اطلاعات رو انجام بده. |
| Browser Agent | براوزِر اِیجِنت | ایجنت مرورگر؛ عاملی که برای انجام وظایف در محیط مرورگر و صفحات وب طراحی شده. |
| Coding Agent | کودینگ اِیجِنت | ایجنت برنامه‌نویسی؛ عاملی که می‌تونه در نوشتن، بررسی، اصلاح یا اجرای کد مشارکت کنه. |
| Research Agent | ری‌سِرچ اِیجِنت | ایجنت پژوهشی؛ عاملی برای جست‌وجو، گردآوری، مقایسه و تحلیل اطلاعات موردنیاز یک موضوع. |
نکته:
چت‌بات، ایجنت و سیستم خودکار یکسان نیستن. چت‌بات عمدتاً برای گفت‌وگو طراحی می‌شه؛ ایجنت می‌تونه برای رسیدن به هدف از ابزار استفاده کنه و اقدام انجام بده.
خودکارسازی هم ممکنه صرفاً مجموعه‌ای از مراحل ثابت و ازپیش‌تعریف‌شده باشه. همچنین خودمختاری ایجنت به معنی خودآگاهی اون نیست.
اصطلاحات ارزیابی، سنجش عملکرد و کیفیت مدل‌های هوش مصنوعی (AI Evaluation & Model Quality)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Perplexity | پِرپْلِکسِتی | سرگشتگی؛ معیاری برای سنجش میزان غافلگیری مدل زبانی از توکن‌های متن؛ مقدار کمتر معمولاً نشان‌دهنده پیش‌بینی بهتر روی داده ارزیابی مشابه است. |
| Faithfulness | فِیثفولنِس | وفاداری پاسخ به منبع؛ میزان سازگاری ادعاهای پاسخ با اطلاعات مرجعی که در اختیار مدل قرار گرفته. |
| RAG Evaluation | رَگ ایوَلیوئِیشِن | ارزیابی RAG؛ بررسی کیفیت بازیابی، وفاداری پاسخ به منابع و تناسب پاسخ نهایی با سؤال. |
| Agent Evaluation | اِیجِنت ایوَلیوئِیشِن | ارزیابی ایجنت؛ سنجش توانایی عامل در تکمیل وظایف، انتخاب ابزار و رعایت محدودیت‌ها. |
| Task Success Rate | تَسک ساکسِس رِیت | نرخ موفقیت وظیفه؛ درصد کارهایی که ایجنت طبق معیار تعیین‌شده با موفقیت انجام می‌ده. |
| Tool-Use Accuracy | تول یوز اَکیورِسی | دقت استفاده از ابزار؛ میزان انتخاب و به‌کارگیری صحیح ابزارها توسط ایجنت. |
| Agent Reliability | اِیجِنت ریلایَبیلِتی | قابلیت اطمینان ایجنت؛ میزان پایداری و درستی عملکرد عامل در شرایط و وظایف مختلف. |
| Model Evaluation | مادِل ایوَلیوئِیشِن | ارزیابی مدل؛ سنجش کیفیت و عملکرد مدل روی داده‌ها و وظایف مشخص؛ ارزیابی کل سیستم هوش مصنوعی می‌تونه اجزای غیرمدلی رو هم دربر بگیره. |
| Model Benchmarking | مادِل بِنچ‌مارکینگ | بنچمارک‌گیری مدل؛ مقایسه عملکرد مدل‌ها با آزمون‌ها و معیارهای مشخص. |
| Benchmark | بِنچ‌مارک | آزمون مرجع؛ مجموعه‌ای از وظایف یا داده‌ها برای مقایسه عملکرد مدل‌های هوش مصنوعی. |
| Benchmark Dataset | بِنچ‌مارک دِیتاسِت | مجموعه‌داده مرجع؛ داده‌هایی که برای ارزیابی و مقایسه استاندارد مدل‌ها استفاده می‌شن. |
| Evaluation Dataset | ایوَلیوئِیشِن دِیتاسِت | مجموعه‌داده ارزیابی؛ داده‌هایی که عملکرد مدل با استفاده از اون‌ها سنجیده می‌شه. |
| Evaluation Metric | ایوَلیوئِیشِن مِتریک | معیار ارزیابی؛ شاخصی عددی برای اندازه‌گیری ویژگی مشخصی از عملکرد مدل. |
| Evaluation Framework | ایوَلیوئِیشِن فْرِیم‌وِرک | چارچوب ارزیابی؛ مجموعه روش‌ها، داده‌ها و معیارهای مورد استفاده برای سنجش مدل. |
| Offline Evaluation | آفلاین ایوَلیوئِیشِن | ارزیابی آفلاین؛ آزمایش مدل روی داده‌های ازپیش‌آماده‌شده، خارج از محیط استفاده زنده. |
| Online Evaluation | آنلاین ایوَلیوئِیشِن | ارزیابی آنلاین؛ سنجش عملکرد مدل هنگام استفاده واقعی یا در محیط عملیاتی. |
| Human Evaluation | هیومَن ایوَلیوئِیشِن | ارزیابی انسانی؛ بررسی کیفیت خروجی مدل توسط ارزیاب‌های انسانی. |
| Human Preference Evaluation | هیومَن پْرِفِرِنس ایوَلیوئِیشِن | ارزیابی ترجیح انسانی؛ مقایسه خروجی‌ها براساس انتخاب یا امتیاز افراد. |
| LLM-as-a-Judge | اِل‌اِل‌اِم اَز اِ جاج | داوری با مدل زبانی؛ استفاده از یک مدل زبانی برای امتیازدهی یا مقایسه خروجی مدل‌های دیگر. |
| Pairwise Evaluation | پِروایز ایوَلیوئِیشِن | ارزیابی دوتایی؛ مقایسه دو خروجی برای تعیین گزینه بهتر براساس معیار مشخص. |
| Rubric-Based Evaluation | روبریک بِیست ایوَلیوئِیشِن | ارزیابی معیارمحور؛ سنجش خروجی براساس دستورالعمل امتیازدهی ازپیش‌تعریف‌شده. |
| Accuracy | اَکیورِسی | صحت کلی؛ نسبت پیش‌بینی‌های درست به کل پیش‌بینی‌ها در وظایفی مانند طبقه‌بندی. |
| Precision | پْرِسیژِن | دقت مثبت؛ نسبت پیش‌بینی‌های مثبت درست به تمام پیش‌بینی‌های مثبت مدل. |
| Recall | ریکال | بازخوانی؛ نسبت موارد مثبت واقعی که مدل به‌درستی شناسایی کرده. |
| F1 Score | اِف‌وان اِسکور | امتیاز F1؛ میانگین هماهنگ دقت مثبت و بازخوانی. |
| Confusion Matrix | کِنفیوژِن مِیتریکس | ماتریس درهم‌ریختگی؛ جدولی که تعداد پیش‌بینی‌های درست و نادرست کلاس‌ها رو نمایش می‌ده. |
| True Positive (TP) | ترو پازِتیو | مثبت درست؛ نمونه مثبتی که مدل به‌درستی مثبت تشخیص داده. |
| True Negative (TN) | ترو نِگِتیو | منفی درست؛ نمونه منفی که مدل به‌درستی منفی تشخیص داده. |
| False Positive (FP) | فالس پازِتیو | مثبت کاذب؛ نمونه منفی که مدل به‌اشتباه مثبت تشخیص داده. |
| False Negative (FN) | فالس نِگِتیو | منفی کاذب؛ نمونه مثبت که مدل به‌اشتباه منفی تشخیص داده. |
| Specificity | اِسپِسیفیسِتی | ویژگی تشخیص؛ نسبت نمونه‌های منفی واقعی که مدل به‌درستی منفی تشخیص داده. |
| Sensitivity | سِنسیتیویتی | حساسیت؛ توانایی شناسایی موارد مثبت واقعی؛ در طبقه‌بندی دودسته‌ای معادل Recall برای کلاس مثبت. |
| Classification Threshold | کْلَسیفیکِیشِن ثْرِش‌هُولد | آستانه طبقه‌بندی؛ مرزی که براساس اون امتیاز مدل به یک دسته تبدیل می‌شه. |
| Receiver Operating Characteristic (ROC) Curve | ریسیوِر آپِرِیتینگ کَرَکتِریستیک کِرو | منحنی ROC؛ نمودار رابطه نرخ مثبت درست و نرخ مثبت کاذب در آستانه‌های مختلف. |
| Area Under the Curve (AUC) | اِریا آندِر دِ کِرو | مساحت زیر منحنی؛ معیاری برای خلاصه‌کردن عملکرد مدل در یک نمودار ارزیابی، مانند ROC. |
| Mean Absolute Error (MAE) | مین اَبسولوت اِرِر | میانگین خطای مطلق؛ میانگین قدرمطلق فاصله پیش‌بینی‌ها از مقدار واقعی. |
| Mean Squared Error (MSE) | مین اِسکوئِرد اِرِر | میانگین مربعات خطا؛ میانگین توان دوم اختلاف مقدار پیش‌بینی‌شده و واقعی. |
| Root Mean Squared Error (RMSE) | روت مین اِسکوئِرد اِرِر | ریشه میانگین مربعات خطا؛ معیاری برای سنجش خطای عددی در واحد مقدار هدف. |
| R-Squared (R²) | آر اِسکوئِرد | ضریب تعیین؛ معیاری برای سنجش عملکرد پیش‌بینی عددی نسبت به یک مدل مبنای ثابت مبتنی بر میانگین. |
| Ground Truth | گراوند تروث | حقیقت مرجع؛ برچسب یا پاسخِ پذیرفته‌شده برای مقایسه خروجی مدل، که خودش هم ممکنه محدودیت یا خطا داشته باشه. |
| Gold Standard | گُولد اِستَندِرد | استاندارد طلایی؛ مرجع بسیار معتبر و پذیرفته‌شده برای ارزیابی که ممکنه با حقیقت مرجع معمولی از نظر اعتبار تفاوت داشته باشه. |
| Reference Answer | رِفِرِنس اَنسِر | پاسخ مرجع؛ پاسخ نمونه‌ای که برای مقایسه یا ارزیابی خروجی مدل استفاده می‌شه. |
| Factuality | فَکچوئَلِتی | واقعیت‌مندی؛ میزان درستی ادعاهای خروجی نسبت به واقعیت‌های قابل بررسی. |
| Factual Consistency | فَکچوئَل کِنسیستِنسی | سازگاری واقعی؛ میزان هماهنگی ادعاهای تولیدشده با اطلاعات منبع یا واقعیت مرجع. |
| Hallucination | هَلوسینِیشِن | توهم هوش مصنوعی؛ تولید محتوای بی‌پشتوانه یا نادرست که ممکنه با لحنی مطمئن ارائه بشه. |
| Hallucination Rate | هَلوسینِیشِن رِیت | نرخ توهم؛ نسبت خروجی‌ها یا ادعاهایی که طبق معیار ارزیابی، ساختگی یا نادرست تشخیص داده می‌شن. |
| Answer Correctness | اَنسِر کِرِکتنِس | درستی پاسخ؛ میزان تطابق محتوای پاسخ با جواب معتبر یا واقعیت قابل بررسی. |
| Answer Completeness | اَنسِر کِمپلیت‌نِس | کامل‌بودن پاسخ؛ میزان پوشش اطلاعات ضروری موردنیاز برای پاسخ به سؤال. |
| Instruction Following | اینستْراکْشِن فالُوینگ | پیروی از دستور؛ توانایی مدل در رعایت شرایط و محدودیت‌های درخواست. |
| Constraint Adherence | کِنسترِینت اَدهیرِنس | پایبندی به محدودیت‌ها؛ میزان رعایت قواعد تعیین‌شده برای خروجی مدل. |
| Format Compliance | فورمَت کِمپْلایِنس | انطباق با قالب؛ میزان رعایت ساختار خروجی خواسته‌شده، مانند جدول یا JSON. |
| Robustness | روباستنِس | تاب‌آوری مدل؛ توانایی حفظ عملکرد مناسب در برابر تغییرات ورودی یا شرایط نامطلوب. |
| Adversarial Robustness | اَدوِرسِریِل روباستنِس | تاب‌آوری خصمانه؛ مقاومت مدل در برابر ورودی‌هایی که عمداً برای ایجاد خطا طراحی شدن. |
| Out-of-Distribution (OOD) Evaluation | آوت آو دیستریبیوشِن ایوَلیوئِیشِن | ارزیابی خارج از توزیع؛ سنجش عملکرد مدل روی داده‌هایی متفاوت از توزیع داده‌های آموزشی. |
| Distribution Shift | دیستریبیوشِن شیفت | تغییر توزیع؛ تفاوت آماری داده‌های زمان استفاده با داده‌های مورد انتظار مدل. |
| Model Calibration | مادِل کَلیبرِیشِن | کالیبراسیون مدل؛ سنجش یا تنظیم هماهنگی احتمال‌های پیش‌بینی‌شده با فراوانی واقعی نتایج. |
| Confidence Score | کانفیدِنس اِسکور | امتیاز اطمینان؛ عددی که مدل برای اطمینان برآوردی یک پیش‌بینی ارائه می‌کنه؛ لزوماً معادل احتمال واقعی درست‌بودن نیست. |
| Uncertainty Estimation | آنسِرتِنتی اِستیمِیشِن | برآورد عدم قطعیت؛ تخمین میزان نامطمئن‌بودن پیش‌بینی مدل. |
| Epistemic Uncertainty | اِپیستِمیک آنسِرتِنتی | عدم قطعیت دانشی؛ نامطمئن‌بودن ناشی از محدودیت دانش یا داده‌های مدل. |
| Aleatoric Uncertainty | اِیلیاتوریک آنسِرتِنتی | عدم قطعیت ذاتی داده؛ نامطمئن‌بودن ناشی از تصادفی‌بودن یا نویز موجود در مسئله. |
| Bias-Variance Tradeoff | بایِس وِریِنس تْرِیدآف | بده‌بستان سوگیری و واریانس؛ رابطه میان خطای ناشی از فرض‌های ساده‌کننده مدل و حساسیت اون به داده‌های آموزشی. |
| Ablation Study | اَبلِیشِن اِستادی | مطالعه حذف مؤلفه؛ بررسی اثر حذف یا تغییر بخشی از مدل یا روش بر نتیجه نهایی. |
| Baseline Model | بِیس‌لاین مادِل | مدل مبنا؛ مدل ساده یا مرجعی که عملکرد روش‌های جدید با اون مقایسه می‌شه. |
| Holdout Evaluation | هُولدآوت ایوَلیوئِیشِن | ارزیابی با داده کنارگذاشته‌شده؛ سنجش مدل روی بخشی از داده که در آموزش استفاده نشده. |
| Cross-Domain Evaluation | کراس دُمِین ایوَلیوئِیشِن | ارزیابی میان‌حوزه‌ای؛ بررسی عملکرد مدل در حوزه‌ای متفاوت از حوزه اصلی آموزش یا توسعه. |
| Zero-Shot Evaluation | زیرو شات ایوَلیوئِیشِن | ارزیابی بدون مثال؛ سنجش عملکرد مدل روی وظیفه‌ای بدون ارائه نمونه حل‌شده در ورودی ارزیابی. |
| Few-Shot Evaluation | فیو شات ایوَلیوئِیشِن | ارزیابی با چند مثال؛ سنجش عملکرد مدل پس از ارائه تعداد محدودی نمونه در ورودی. |
| Multilingual Evaluation | مالتی‌لینگگوئِل ایوَلیوئِیشِن | ارزیابی چندزبانه؛ بررسی عملکرد مدل در زبان‌های مختلف. |
| Reasoning Benchmark | ریزِنینگ بِنچ‌مارک | آزمون استدلال؛ مجموعه سؤالاتی برای ارزیابی توانایی حل مسئله و نتیجه‌گیری مدل. |
| Coding Benchmark | کودینگ بِنچ‌مارک | آزمون برنامه‌نویسی؛ مجموعه وظایفی برای سنجش توانایی مدل در تولید یا اصلاح کد. |
| Multimodal Benchmark | مالتی‌مودَل بِنچ‌مارک | آزمون چندوجهی؛ ارزیابی مدل با داده‌هایی مانند متن، تصویر، صوت یا ویدئو. |
| Benchmark Contamination | بِنچ‌مارک کِنتَمینِیشِن | آلودگی بنچمارک؛ ورود سؤالات یا پاسخ‌های مجموعه آزمون به داده‌های آموزش یا فرایند توسعه، به شکلی که اعتبار ارزیابی کاهش پیدا کنه. |
| Data Leakage | دِیتا لیکِج | نشت داده در یادگیری ماشین؛ ورود ناخواسته اطلاعاتی به آموزش که در زمان پیش‌بینی واقعی در دسترس نخواهد بود. |
| Evaluation Leakage | ایوَلیوئِیشِن لیکِج | نشت اطلاعات ارزیابی؛ استفاده ناخواسته از اطلاعات آزمون برای انتخاب یا بهبود مدل و ایجاد برآورد خوش‌بینانه از عملکرد. |
| Error Analysis | اِرِر اَنَلِسِس | تحلیل خطا؛ بررسی نمونه‌های ناموفق برای شناسایی علت‌ها و الگوهای اشتباه مدل. |
| Failure Mode | فِیلیِر مُود | حالت شکست؛ شیوه مشخصی که مدل یا سیستم در اون دچار خطا یا عملکرد نامطلوب می‌شه. |
| Model Regression | مادِل ریگْرِشِن | پسرفت عملکرد مدل؛ کاهش کیفیت مدل جدید نسبت به نسخه قبلی در یک یا چند معیار. |
| Performance Drift | پِرفورمِنس دریفت | افت یا تغییر عملکرد؛ تغییر کیفیت پیش‌بینی‌های مدل در طول زمان. |
| Safety Evaluation | سِیفتی ایوَلیوئِیشِن | ارزیابی ایمنی؛ بررسی رفتار مدل در شرایط پرخطر یا درخواست‌های نامناسب. |
| Red Team Evaluation | رِد تیم ایوَلیوئِیشِن | ارزیابی تیم قرمز؛ آزمایش هدفمند سیستم برای پیداکردن آسیب‌پذیری‌ها و رفتارهای ناخواسته. |
| Model Reliability | مادِل ریلایَبیلِتی | قابلیت اطمینان مدل؛ میزان ثبات عملکرد درست مدل در شرایط استفاده موردنظر. |
| Reproducibility | ریپرُدیوسِبیلِتی | بازتولیدپذیری؛ امکان رسیدن به نتایج مشابه با تکرار آزمایش طبق روش و شرایط مستند. |
نکته:
Accuracy با Precision یکسان نیست. همچنین امتیاز بالای یک مدل در بنچمارک، لزوماً به معنی عملکرد مناسب اون در شرایط واقعی نیست.
برای ارزیابی قابل‌اعتماد باید علاوه بر کیفیت پاسخ، خطاها، داده‌های آزمون، پایداری عملکرد و تناسب معیارها با کاربرد واقعی مدل بررسی بشن.
اصطلاحات امنیت، اخلاق، حریم خصوصی و هوش مصنوعی مسئولانه (AI Safety, Ethics & Governance)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| AI Alignment | اِی‌آی اَلاینمِنت | هم‌راستاسازی هوش مصنوعی؛ تلاش برای هماهنگ‌کردن رفتار سیستم با هدف‌ها، ارزش‌ها و الزامات موردنظر انسان. |
| Prompt Injection | پرامپت اینجِکشِن | تزریق پرامپت؛ حمله‌ای که با قراردادن دستورهای نامعتبر یا مخرب در ورودی یا منابع کم‌اعتماد تلاش می‌کنه دستورهای معتبر سیستم رو دور بزنه. |
| Direct Prompt Injection | دایرِکت پرامپت اینجِکشِن | تزریق مستقیم پرامپت؛ تلاش مهاجم برای تأثیرگذاری بر رفتار مدل از طریق دستورهای مستقیم. |
| Indirect Prompt Injection | ایندایرِکت پرامپت اینجِکشِن | تزریق غیرمستقیم پرامپت؛ قراردادن دستورهای مخرب در منابعی مثل صفحه وب یا سندی که مدل می‌خونه. |
| Jailbreak Prompt | جِیل‌بْرِیک پرامپت | پرامپت دورزدن محدودیت؛ درخواستی با هدف عبور از قواعد یا محدودیت‌های رفتاری مدل. |
| Prompt Leakage | پرامپت لیکِج | افشای پرامپت؛ آشکارشدن ناخواسته دستورهای داخلی یا محرمانه سیستم. |
| Instruction Hierarchy | اینستْراکْشِن هایِرارکی | سلسله‌مراتب دستورها؛ قواعد تعیین اولویت میان دستورهای سطوح مختلف در یک سیستم هوش مصنوعی. |
| Prompt Guardrail | پرامپت گاردریل | محافظ پرامپت؛ کنترل‌هایی برای شناسایی یا محدودکردن ورودی‌های نامعتبر، مخرب یا خارج از چارچوب. |
| Human-in-the-Loop (HITL) | هیومَن این دِ لوپ | انسان در حلقه؛ مشارکت مستقیم انسان در مراحل مشخص تصمیم‌گیری یا اجرای سیستم. |
| Human-on-the-Loop (HOTL) | هیومَن آن دِ لوپ | انسان ناظر بر فرایند؛ نظارت انسان بر عملکرد خودکار سیستم با امکان مداخله در صورت نیاز. |
| Human Approval | هیومَن اَپرووِل | تأیید انسانی؛ الزام دریافت اجازه انسان پیش از انجام یک اقدام مشخص. |
| Approval Gate | اَپرووِل گِیت | دروازه تأیید؛ مرحله‌ای که ادامه اجرای کار به دریافت مجوز وابسته است. |
| Agent Guardrails | اِیجِنت گاردریلْز | محدودیت‌های حفاظتی ایجنت؛ کنترل‌هایی برای محدودکردن اقدامات نامجاز یا پرخطر. |
| AI Safety | اِی‌آی سِیفتی | ایمنی هوش مصنوعی؛ کاهش احتمال آسیب‌های ناشی از رفتار یا عملکرد سیستم‌های هوش مصنوعی. |
| AI Security | اِی‌آی سِکیورِتی | امنیت هوش مصنوعی؛ محافظت از مدل‌ها، داده‌ها و سیستم‌های هوش مصنوعی در برابر حملات و دسترسی‌های غیرمجاز. |
| AI Ethics | اِی‌آی اِثیکس | اخلاق هوش مصنوعی؛ بررسی اصول اخلاقی مربوط به طراحی، توسعه و استفاده از هوش مصنوعی. |
| Responsible AI | ریسپانسیبِل اِی‌آی | هوش مصنوعی مسئولانه؛ توسعه و استفاده از هوش مصنوعی با توجه به ایمنی، عدالت، شفافیت و حقوق انسان‌ها. |
| Trustworthy AI | تراست‌وِرذی اِی‌آی | هوش مصنوعی قابل اعتماد؛ سیستمی که ویژگی‌هایی مانند اعتبار، ایمنی، امنیت و پاسخ‌گویی اون متناسب با کاربردش ارزیابی شده باشه. |
| AI Governance | اِی‌آی گاوِرنِنس | حکمرانی هوش مصنوعی؛ مجموعه سیاست‌ها، مسئولیت‌ها و سازوکارهای نظارت بر توسعه و استفاده از هوش مصنوعی. |
| AI Risk Management | اِی‌آی ریسک مَنِجمِنت | مدیریت ریسک هوش مصنوعی؛ شناسایی، ارزیابی و کنترل خطرهای احتمالی سیستم‌های هوش مصنوعی. |
| AI Risk Assessment | اِی‌آی ریسک اَسِسمِنت | ارزیابی ریسک هوش مصنوعی؛ بررسی احتمال و شدت پیامدهای نامطلوب یک سیستم. |
| AI Impact Assessment | اِی‌آی ایمپَکت اَسِسمِنت | ارزیابی اثرات هوش مصنوعی؛ بررسی پیامدهای احتمالی استفاده از هوش مصنوعی بر افراد، سازمان‌ها و جامعه. |
| AI Audit | اِی‌آی آدیت | ممیزی هوش مصنوعی؛ بررسی مستند و نظام‌مند عملکرد، فرایندها و کنترل‌های یک سیستم هوش مصنوعی. |
| AI Accountability | اِی‌آی اَکاونتَبیلِتی | پاسخ‌گویی در هوش مصنوعی؛ مشخص‌بودن مسئولیت تصمیم‌ها، اقدامات و پیامدهای استفاده از سیستم. |
| AI Transparency | اِی‌آی تْرَنسپَرِنسی | شفافیت هوش مصنوعی؛ ارائه اطلاعات مناسب درباره نحوه طراحی، استفاده، توانایی‌ها و محدودیت‌های سیستم. |
| Explainable AI (XAI) | اِکسپْلِینِبِل اِی‌آی | هوش مصنوعی توضیح‌پذیر؛ روش‌ها و ابزارهایی برای ارائه توضیح درباره خروجی یا رفتار مدل؛ توضیح‌پذیری به‌معنی شناخت کامل سازوکار داخلی نیست. |
| Interpretability | اینتِرپْرِتَبیلِتی | تفسیرپذیری؛ میزان امکان فهم ارتباط میان اجزای مدل، داده‌ها و خروجی اون. |
| Mechanistic Interpretability | مِکَنیستیک اینتِرپْرِتَبیلِتی | تفسیرپذیری سازوکاری؛ مطالعه محاسبات و ساختارهای داخلی مدل برای شناخت نحوه ایجاد رفتارهای اون. |
| Black-Box Model | بْلَک باکس مادِل | مدل جعبه‌سیاه؛ مدلی که فهم سازوکار داخلی تصمیم‌گیری اون دشوار یا محدود باشه. |
| White-Box Model | وایت باکس مادِل | مدل جعبه‌سفید؛ مدلی که ساختار و نحوه تصمیم‌گیری اون برای تحلیلگران قابل بررسی و فهم باشه. |
| Model Card | مادِل کارد | کارت مدل؛ سندی برای معرفی کاربردها، عملکرد، محدودیت‌ها و ملاحظات استفاده از یک مدل. |
| System Card | سیستِم کارد | کارت سیستم؛ گزارشی درباره توانایی‌ها، ارزیابی‌ها و خطرهای یک سیستم هوش مصنوعی. |
| Data Card | دِیتا کارد | کارت داده؛ مستندی درباره منبع، ویژگی‌ها، محدودیت‌ها و نحوه استفاده از یک مجموعه‌داده. |
| Datasheet for Datasets | دِیتاشیت فور دِیتاسِتس | شناسنامه مجموعه‌داده؛ مستندی درباره شیوه جمع‌آوری، ترکیب، کاربرد و محدودیت‌های داده. |
| Algorithmic Bias | اَلگِریذمیک بایِس | سوگیری الگوریتمی؛ نتایج نظام‌مند نامطلوب یا ناعادلانه ناشی از طراحی، داده یا اجرای الگوریتم؛ نام مرتبط یا جایگزین: AI Bias. |
| Dataset Bias | دِیتاسِت بایِس | سوگیری مجموعه‌داده؛ نامتوازن‌بودن یا جهت‌داربودن داده‌ها به شکلی که بر عملکرد مدل اثر بذاره. |
| Selection Bias | سِلِکشِن بایِس | سوگیری انتخاب؛ خطایی ناشی از روش انتخاب نمونه‌ها که باعث می‌شه داده‌ها نماینده مناسبی از جامعه هدف نباشن. |
| Representation Bias | رِپرِزِنتِیشِن بایِس | سوگیری بازنمایی؛ پوشش نامناسب بعضی گروه‌ها یا شرایط در داده‌های آموزشی. |
| Automation Bias | آتُمِیشِن بایِس | سوگیری اتوماسیون؛ تمایل انسان به اعتماد بیش‌ازحد به پیشنهادهای سیستم خودکار، حتی هنگام وجود شواهد مخالف. |
| Fairness | فِرنِس | عدالت الگوریتمی؛ بررسی و کاهش تفاوت‌های ناموجه در عملکرد یا نتایج مدل برای افراد و گروه‌های مختلف، با معیارهایی متناسب با کاربرد. |
| Fairness Metric | فِرنِس مِتریک | معیار عدالت؛ شاخصی برای سنجش تفاوت عملکرد یا نتایج مدل میان گروه‌ها. |
| Bias Mitigation | بایِس میتیگِیشِن | کاهش سوگیری؛ روش‌هایی برای شناسایی و کم‌کردن سوگیری‌های نامطلوب مدل. |
| Disparate Impact | دیسپِرِت ایمپَکت | اثر نامتوازن؛ وضعیتی که یک تصمیم یا سیاست، پیامدهای متفاوت و ناموجهی برای گروه‌های مختلف ایجاد کنه. |
| Value Alignment | وَلیو اَلاینمِنت | هم‌راستاسازی ارزشی؛ تلاش برای سازگارکردن رفتار هوش مصنوعی با ارزش‌ها و معیارهای انسانی. |
| Goal Misalignment | گُول میس‌اَلاینمِنت | ناهماهنگی اهداف؛ وضعیتی که رفتار یا هدف عملی سیستم با هدف واقعی موردنظر انسان سازگار نباشه. |
| Specification Gaming | اِسپِسیفیکِیشِن گِیمینگ | سوءاستفاده از تعریف هدف؛ دستیابی سیستم به معیار تعیین‌شده از روشی که برخلاف مقصود اصلی طراحه. |
| Goal Misgeneralization | گُول میس‌جِنِرَلایزِیشِن | تعمیم نادرست هدف؛ یادگیری هدفی متفاوت از هدف موردنظر که ممکنه در محیط‌های جدید آشکار بشه. |
| Corrigibility | کارِجِبیلِتی | اصلاح‌پذیری؛ ویژگی سیستمی که امکان اصلاح، محدودسازی یا خاموش‌کردن اون توسط انسان حفظ بشه. |
| Human Oversight | هیومَن اُوِرسایت | نظارت انسانی؛ بررسی عملکرد و تصمیم‌های سیستم با امکان مداخله انسان. |
| Human Control | هیومَن کِنترُل | کنترل انسانی؛ حفظ اختیار انسان برای تعیین محدودیت‌ها و کنترل اقدامات سیستم. |
| Meaningful Human Control | مینینگفول هیومَن کِنترُل | کنترل معنادار انسانی؛ نظارتی که انسان در اون واقعاً توان فهم، ارزیابی و اثرگذاری بر تصمیم‌های مهم رو داشته باشه. |
| AI Guardrails | اِی‌آی گاردریلْز | محافظ‌های هوش مصنوعی؛ قواعد و کنترل‌هایی برای محدودکردن ورودی‌ها، خروجی‌ها یا اقدامات نامجاز. |
| Input Guardrails | اینپوت گاردریلْز | محافظ‌های ورودی؛ کنترل‌هایی برای بررسی درخواست‌ها و داده‌ها پیش از پردازش مدل. |
| Output Guardrails | آوتپوت گاردریلْز | محافظ‌های خروجی؛ کنترل‌هایی برای بررسی یا محدودکردن پاسخ مدل پیش از ارائه یا اجرا. |
| Content Moderation | کانتِنت مادِرِیشِن | نظارت بر محتوا؛ شناسایی و مدیریت محتوای نامناسب یا مغایر با قواعد تعیین‌شده. |
| Safety Filter | سِیفتی فیلتِر | فیلتر ایمنی؛ سازوکاری برای شناسایی یا محدودکردن ورودی‌ها و خروجی‌های پرخطر. |
| Safety Refusal | سِیفتی ریفیوزِل | امتناع ایمنی؛ خودداری مدل از انجام درخواستی که با محدودیت‌های ایمنی اون مغایرت داره. |
| Red Teaming | رِد تیمینگ | آزمون تیم قرمز؛ آزمایش هدفمند سیستم برای شناسایی آسیب‌پذیری‌ها، خطاها و رفتارهای ناخواسته. |
| Adversarial Testing | اَدوِرسِریِل تِستینگ | آزمون خصمانه؛ بررسی عملکرد مدل در برابر ورودی‌های عمداً دشوار یا دستکاری‌شده. |
| Adversarial Example | اَدوِرسِریِل اِگزامپِل | نمونه خصمانه؛ ورودی طراحی‌شده برای ایجاد خطا یا فریب مدل. |
| Adversarial Attack | اَدوِرسِریِل اَتَک | حمله خصمانه؛ تلاش عمدی برای مختل‌کردن عملکرد مدل یا ایجاد خروجی نامطلوب. |
| Evasion Attack | ایوِیژِن اَتَک | حمله گریز؛ دستکاری ورودی هنگام استفاده از مدل برای فرار از تشخیص یا ایجاد پیش‌بینی اشتباه. |
| Data Poisoning | دِیتا پویزِنینگ | مسموم‌سازی داده؛ دستکاری داده‌های آموزشی برای تغییر نامطلوب رفتار مدل. |
| Model Poisoning | مادِل پویزِنینگ | مسموم‌سازی مدل؛ دستکاری فرایند آموزش یا پارامترهای مدل برای ایجاد رفتار مخرب. |
| Backdoor Attack | بَک‌دور اَتَک | حمله درِ پشتی؛ ایجاد رفتار مخفی در مدل که با ورودی یا نشانه خاصی فعال می‌شه. |
| Model Extraction Attack | مادِل اِکسترَکشِن اَتَک | حمله استخراج مدل؛ تلاش برای بازسازی یا تقلید رفتار مدل هدف از طریق دسترسی به خروجی‌های اون. |
| Model Inversion Attack | مادِل اینوِرژِن اَتَک | حمله وارون‌سازی مدل؛ تلاش برای بازسازی اطلاعات حساس درباره داده‌ها از طریق مدل یا خروجی‌های اون. |
| Membership Inference Attack | مِمبِرشیپ اینفِرِنس اَتَک | حمله استنتاج عضویت؛ تلاش برای تشخیص اینکه داده مشخصی در مجموعه آموزش مدل وجود داشته یا نه. |
| Training Data Extraction | تْرِینینگ دِیتا اِکسترَکشِن | استخراج داده آموزشی؛ تلاش برای بازیابی نمونه‌ها یا اطلاعات موجود در داده‌های آموزش مدل. |
| Data Privacy | دِیتا پرایوِسی | حریم خصوصی داده؛ حفاظت از اطلاعات افراد در جمع‌آوری، پردازش و استفاده از داده‌ها. |
| Privacy-Preserving Machine Learning (PPML) | پرایوِسی پرِزِروینگ مَشین لِرنینگ | یادگیری ماشین حافظ حریم خصوصی؛ روش‌های آموزش و استفاده از مدل با کاهش خطر افشای اطلاعات حساس. |
| Differential Privacy | دیفِرِنشِل پرایوِسی | حریم خصوصی تفاضلی؛ چارچوبی ریاضی برای محدودکردن میزان افشای اطلاعات مربوط به یک فرد در نتایج محاسبات. |
| Differentially Private Training | دیفِرِنشِلی پرایوِت تْرِینینگ | آموزش با حریم خصوصی تفاضلی؛ آموزش مدل با روش‌هایی که تضمین‌های مشخصی درباره حفاظت از اطلاعات نمونه‌های فردی ارائه می‌دن. |
| Data Minimization | دِیتا مینیمایزِیشِن | کمینه‌سازی داده؛ جمع‌آوری و پردازش فقط اطلاعات ضروری برای هدف مشخص. |
| Personally Identifiable Information (PII) | پِرسِنَلی آیدِنتیفایِبِل اینفِرمِیشِن | اطلاعات شناسایی‌کننده شخص؛ داده‌هایی که می‌تونن به شناسایی مستقیم یا غیرمستقیم یک فرد منجر بشن. |
| PII Detection | پی‌آی‌آی دیتِکشِن | شناسایی اطلاعات شخصی؛ تشخیص اطلاعات شناسایی‌کننده افراد در متن یا داده. |
| PII Redaction | پی‌آی‌آی ریدَکشِن | حذف یا پوشاندن اطلاعات شخصی؛ پنهان‌کردن داده‌های حساس پیش از استفاده یا نمایش اون‌ها. |
| Data Anonymization | دِیتا اَنانیمایزِیشِن | ناشناس‌سازی داده؛ پردازش اطلاعات برای جلوگیری از شناسایی افراد با درنظرگرفتن خطر بازشناسایی. |
| AI Privacy Risk | اِی‌آی پرایوِسی ریسک | ریسک حریم خصوصی هوش مصنوعی؛ احتمال افشای اطلاعات یا استفاده نامناسب از داده‌های شخصی توسط سیستم هوش مصنوعی. |
| Copyright Risk in AI | کاپی‌رایت ریسک این اِی‌آی | ریسک حق نشر در هوش مصنوعی؛ خطرهای حقوقی مربوط به استفاده از داده‌های آموزشی یا خروجی‌های تولیدشده. |
| AI-Generated Content Disclosure | اِی‌آی جِنِرِیتِد کانتِنت دیسکلوژِر | اعلام محتوای تولیدشده با هوش مصنوعی؛ اطلاع‌رسانی درباره نقش هوش مصنوعی در ساخت محتوا. |
| AI Content Watermarking | اِی‌آی کانتِنت واتِرمارکینگ | واترمارک‌گذاری محتوای هوش مصنوعی؛ افزودن نشانه‌هایی برای کمک به تشخیص منشأ یا دستکاری محتوا؛ تشخیص قطعی و همیشگی رو تضمین نمی‌کنه. |
| Digital Provenance | دیجیتِل پراوِنِنس | منشأشناسی دیجیتال؛ ثبت اطلاعات مربوط به منشأ و تغییرات یک فایل یا محتوای دیجیتال. |
| Content Credentials | کانتِنت کْرِدِنشِلز | اعتبارنامه محتوا؛ اطلاعات قابل بررسی درباره منشأ و تاریخچه ویرایش یک محتوای دیجیتال. |
| AI Incident | اِی‌آی اینسیدِنت | رخداد هوش مصنوعی؛ رویدادی که در اون استفاده یا عملکرد هوش مصنوعی به آسیب واقعی یا پیامد نامطلوب منجر شده. |
| AI Incident Reporting | اِی‌آی اینسیدِنت ریپورتینگ | گزارش رخداد هوش مصنوعی؛ ثبت و اطلاع‌رسانی درباره خطاها، آسیب‌ها یا رویدادهای مهم مرتبط با سیستم. |
| AI Misuse | اِی‌آی میس‌یوز | سوءاستفاده از هوش مصنوعی؛ استفاده عمدی از هوش مصنوعی برای اهداف مخرب، فریبکارانه یا غیرمجاز. |
| Dual-Use AI | دوئِل یوز اِی‌آی | هوش مصنوعی دومنظوره؛ فناوری‌ای که می‌تونه هم کاربرد مفید و هم کاربرد آسیب‌زا داشته باشه. |
| Frontier AI | فرانتیر اِی‌آی | هوش مصنوعی پیشرو؛ اصطلاحی برای مدل‌های بسیار توانمند در مرز قابلیت‌های فناوری، با تعریف وابسته به چارچوب ارزیابی. |
| Frontier Model Safety | فرانتیر مادِل سِیفتی | ایمنی مدل‌های پیشرو؛ بررسی و کنترل خطرهای بالقوه مدل‌های بسیار توانمند. |
| AI Safety Case | اِی‌آی سِیفتی کِیس | پرونده استدلال ایمنی؛ مجموعه‌ای ساختاریافته از ادعاها و شواهد برای پشتیبانی از ایمن‌بودن یک سیستم در کاربرد مشخص. |
| AI Compliance | اِی‌آی کِمپْلایِنس | انطباق هوش مصنوعی؛ رعایت الزامات قانونی، مقرراتی و استانداردهای مرتبط با سیستم‌های هوش مصنوعی. |
نکته:
AI Safety بیشتر بر پیشگیری از آسیب‌های ناشی از رفتار و عملکرد هوش مصنوعی تمرکز داره، اما AI Security به محافظت سیستم در برابر تهدیدها و حملات مربوط می‌شه.
همچنین Explainability، Interpretability و Transparency مفاهیم مرتبط ولی متفاوتی هستن؛ توضیح‌دادن یک پاسخ لزوماً به معنی شناخت کامل سازوکار داخلی مدل نیست.
اصطلاحات زیرساخت، اجرای مدل و پردازش هوش مصنوعی (AI Infrastructure & Model Deployment)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Maximum Output Tokens | مَکسیمِم آوتپوت توکِنز | حداکثر توکن خروجی؛ سقف تعداد توکن‌هایی که مدل اجازه داره در یک پاسخ تولید کنه؛ نام مرتبط یا جایگزین: Output Token Limit. |
| Model Monitoring | مادِل مانیتِرینگ | پایش مدل؛ بررسی مستمر کیفیت، خطاها و تغییر عملکرد مدل پس از استقرار. |
| AI Infrastructure | اِی‌آی اینفراستراکچِر | زیرساخت هوش مصنوعی؛ منابع سخت‌افزاری و نرم‌افزاری موردنیاز برای آموزش، اجرا و مدیریت مدل‌های هوش مصنوعی. |
| AI Compute | اِی‌آی کِمپیوت | توان محاسباتی هوش مصنوعی؛ منابع پردازشی موردنیاز برای آموزش یا اجرای مدل. |
| Compute Budget | کِمپیوت باجِت | بودجه محاسباتی؛ مقدار منابع پردازشی اختصاص‌داده‌شده به یک وظیفه یا فرایند مدل. |
| Graphics Processing Unit (GPU) | گْرَفیکس پراسِسینگ یونیت | واحد پردازش گرافیکی؛ پردازنده‌ای که به‌دلیل توان انجام محاسبات موازی، در آموزش و اجرای بسیاری از مدل‌های هوش مصنوعی استفاده می‌شه. |
| Tensor Processing Unit (TPU) | تِنسِر پراسِسینگ یونیت | واحد پردازش تنسوری؛ شتاب‌دهنده سخت‌افزاری طراحی‌شده برای محاسبات یادگیری ماشین. |
| Neural Processing Unit (NPU) | نیورال پراسِسینگ یونیت | واحد پردازش عصبی؛ پردازنده تخصصی برای اجرای محاسبات شبکه‌های عصبی، به‌ویژه روی دستگاه‌های شخصی. |
| AI Accelerator | اِی‌آی اَکسِلِرِیتِر | شتاب‌دهنده هوش مصنوعی؛ سخت‌افزاری که برای افزایش سرعت محاسبات هوش مصنوعی طراحی شده. |
| GPU Memory (VRAM) | جی‌پی‌یو مِمِری | حافظه پردازنده گرافیکی؛ حافظه مورد استفاده برای نگهداری وزن‌ها و داده‌های میانی مدل هنگام پردازش. |
| Tensor | تِنسِر | تنسور؛ ساختار عددی چندبُعدی که برای نمایش داده‌ها و محاسبات مدل‌های یادگیری عمیق استفاده می‌شه. |
| Floating-Point Precision | فلوتینگ پوینت پْرِسیژِن | دقت ممیز شناور؛ میزان دقت عددی مورد استفاده برای نمایش وزن‌ها و محاسبات مدل. |
| FP32 | اِف‌پی ثِرتی‌تو | ممیز شناور ۳۲ بیتی؛ قالب عددی ممیز شناور ۳۲ بیتی که در محاسبات و آموزش مدل استفاده می‌شه. |
| FP16 | اِف‌پی سیکستین | ممیز شناور ۱۶ بیتی؛ قالب عددی ممیز شناور ۱۶ بیتی برای کاهش مصرف حافظه و افزایش سرعت محاسبات سازگار. |
| BF16 (BFloat16) | بی‌فِلوت سیکستین | بی‌فِلوت ۱۶ بیتی؛ قالب عددی ۱۶ بیتی با گستره نمایی مشابه FP32 که در آموزش و اجرای بسیاری از مدل‌ها کاربرد داره. |
| INT8 | اینت اِیت | عدد صحیح ۸ بیتی؛ نمایش اعداد صحیح ۸ بیتی که در بعضی روش‌های کم‌دقت‌سازی مدل استفاده می‌شه. |
| Model Parameters | مادِل پَرامِتِرز | پارامترهای مدل؛ مقادیر قابل‌آموزش مانند وزن‌ها و بایاس‌ها که مدل هنگام آموزش تنظیم می‌کنه. |
| Parameter Count | پَرامِتِر کاونت | تعداد پارامترها؛ شمار پارامترهای مدل، مستقل از دقت عددی ذخیره‌شدن اون‌ها. |
| Model Weights | مادِل وِیتس | وزن‌های مدل؛ بخشی از پارامترهای آموخته‌شده که تأثیر ورودی‌ها یا مسیرهای محاسباتی رو تعیین می‌کنن. |
| Model Size | مادِل سایز | اندازه مدل؛ بسته به زمینه، تعداد پارامترها یا حجم فایل و حافظه موردنیاز برای ذخیره و اجرا. |
| Model Architecture | مادِل آرکیتِکچِر | معماری مدل؛ ساختار محاسباتی و نحوه ارتباط اجزای یک مدل هوش مصنوعی. |
| Model Repository | مادِل ریپازیتوری | مخزن مدل؛ محل نگهداری و مدیریت فایل‌ها، نسخه‌ها و اطلاعات مدل‌های هوش مصنوعی. |
| Model Registry | مادِل رِجیستری | دفتر ثبت مدل؛ سامانه‌ای برای ثبت نسخه‌ها، مشخصات و وضعیت مدل‌ها در چرخه توسعه. |
| Model Versioning | مادِل وِرژِنینگ | نسخه‌بندی مدل؛ مدیریت تغییرات و نسخه‌های مختلف یک مدل برای مقایسه یا بازگشت به نسخه قبلی. |
| Model Artifact | مادِل آرتیفَکت | خروجی ذخیره‌شده مدل؛ فایل‌هایی مانند وزن‌ها، تنظیمات و اطلاعات لازم برای بازیابی یا اجرای مدل. |
| Model Format | مادِل فورمَت | قالب مدل؛ ساختار فایل مورد استفاده برای ذخیره و انتقال یک مدل. |
| SafeTensors | سِیف تِنسِرز | سیف‌تنسورز؛ قالبی برای ذخیره وزن‌های مدل به‌صورت تنسور که با هدف بارگذاری ایمن‌تر و کارآمد طراحی شده. |
| ONNX (Open Neural Network Exchange) | اُوپِن نیورال نِتوِرک اِکسچِینج | قالب تبادل شبکه عصبی باز؛ قالب تبادل مدل‌های یادگیری ماشین برای کمک به جابه‌جایی مدل میان چارچوب‌ها و محیط‌های اجرایی. |
| Open-Weight Model | اُوپِن وِیت مادِل | مدل با وزن‌های در دسترس؛ مدلی که وزن‌هاش منتشر شده، ولی ممکنه کد، داده‌های آموزش یا مجوزهای باز و آزاد نداشته باشه. |
| Open-Source AI | اُوپِن سورس اِی‌آی | هوش مصنوعی متن‌باز؛ سیستم هوش مصنوعی که اجزای لازم برای استفاده، بررسی، تغییر و توزیع اون طبق تعریف و مجوز مربوط در دسترس قرار می‌گیرن. |
| Proprietary AI Model | پرُپرایِتِری اِی‌آی مادِل | مدل اختصاصی؛ مدلی که مالک اون دسترسی، استفاده یا تغییرش رو طبق شرایط مشخص محدود می‌کنه. |
| Model License | مادِل لایسِنس | مجوز مدل؛ شرایط حقوقی استفاده، تغییر یا توزیع یک مدل و اجزای اون. |
| AI Model Deployment | اِی‌آی مادِل دیپلویْمِنت | استقرار مدل؛ آماده‌سازی و در دسترس قراردادن مدل برای استفاده در یک برنامه یا محیط عملیاتی. |
| Model Serving | مادِل سِروینگ | سرویس‌دهی مدل؛ فراهم‌کردن امکان ارسال ورودی به مدل و دریافت خروجی از اون. |
| Inference | اینفِرِنس | استنتاج مدل؛ اجرای مدل آموزش‌دیده روی ورودی جدید برای تولید پیش‌بینی یا پاسخ؛ متفاوت از استنتاج منطقی در سیستم‌های خبره. |
| Model Inference Runtime | مادِل اینفِرِنس ران‌تایم | محیط اجرای استنتاج مدل؛ نرم‌افزاری برای اجرای محاسبات مدل آموزش‌دیده روی سخت‌افزار و تولید خروجی؛ با موتور استنتاج قواعد در سیستم خبره متفاوت است. |
| Inference Server | اینفِرِنس سِروِر | سرور استنتاج؛ سامانه‌ای که درخواست‌های اجرای مدل رو دریافت و پردازش می‌کنه. |
| Inference Endpoint | اینفِرِنس اِندپوینت | نقطه دسترسی استنتاج؛ نشانی ارتباطی مشخص برای ارسال درخواست به مدل و دریافت نتیجه. |
| Local Inference | لوکَل اینفِرِنس | اجرای محلی مدل؛ پردازش ورودی با مدل روی دستگاه یا زیرساخت خود کاربر. |
| Cloud Inference | کْلاود اینفِرِنس | استنتاج ابری؛ اجرای مدل روی زیرساخت پردازشی راه‌دور. |
| On-Device AI | آن دیوایس اِی‌آی | هوش مصنوعی روی دستگاه؛ اجرای پردازش هوش مصنوعی مستقیماً روی دستگاهی مثل موبایل یا رایانه شخصی. |
| Edge AI | اِج اِی‌آی | هوش مصنوعی لبه‌ای؛ اجرای پردازش هوش مصنوعی نزدیک محل تولید داده، به‌جای وابستگی کامل به مرکز داده. |
| On-Premises AI | آن پْرِمِسِز اِی‌آی | هوش مصنوعی در زیرساخت سازمان؛ استقرار و اجرای مدل در تجهیزات تحت مدیریت خود سازمان. |
| Hybrid AI Deployment | هایبْرید اِی‌آی دیپلویْمِنت | استقرار ترکیبی هوش مصنوعی؛ استفاده هم‌زمان از زیرساخت محلی و ابری برای اجرای سیستم. |
| Real-Time Inference | ریل تایم اینفِرِنس | استنتاج بلادرنگ؛ تولید خروجی در محدوده زمانی لازم برای پاسخ‌گویی به رویداد یا درخواست. |
| Batch Inference | بَچ اینفِرِنس | استنتاج دسته‌ای؛ پردازش مجموعه‌ای از ورودی‌ها به‌صورت گروهی، معمولاً بدون نیاز به پاسخ فوری برای هر مورد. |
| Streaming Inference | استریمینگ اینفِرِنس | استنتاج جریانی؛ دریافت ورودی یا ارسال خروجی به‌صورت تدریجی در طول پردازش. |
| Inference Latency | اینفِرِنس لِیتِنسی | تأخیر استنتاج؛ مدت‌زمان لازم برای پردازش درخواست و تولید خروجی مدل. |
| Throughput | ثْروپوت | توان عملیاتی؛ مقدار پردازش انجام‌شده در واحد زمان، مثل تعداد درخواست یا توکن در ثانیه. |
| Time to First Token (TTFT) | تایم تو فِرست توکِن | زمان تولید نخستین توکن؛ فاصله دریافت درخواست تا آماده‌شدن اولین توکن خروجی مدل زبانی. |
| Time per Output Token (TPOT) | تایم پِر آوتپوت توکِن | زمان هر توکن خروجی؛ میانگین زمان لازم برای تولید توکن‌های بعدی پاسخ. |
| Tokens per Second (TPS) | توکِنز پِر سِکِند | توکن بر ثانیه؛ شاخص سرعت تولید یا پردازش توکن‌ها توسط مدل. |
| Prefill | پری‌فیل | پردازش اولیه ورودی؛ مرحله پردازش اولیه توکن‌های ورودی پیش از تولید توکن‌های پاسخ در مدل‌های خودبازگشتی. |
| Decode Phase | دیکود فِیز | مرحله تولید خروجی؛ بخش استنتاج که مدل توکن‌های پاسخ رو به‌ترتیب تولید می‌کنه. |
| KV Cache (Key-Value Cache) | کی وَلیو کَش | حافظه موقت کلیدـمقدار؛ ذخیره محاسبات توجه مربوط به توکن‌های قبلی برای کاهش محاسبات تکراری هنگام تولید متن. |
| Prefix Caching | پری‌فیکس کَشینگ | ذخیره موقت پیشوند؛ استفاده مجدد از محاسبات بخش‌های مشترک ورودی برای کاهش زمان و هزینه پردازش. |
| Prompt Caching | پرامپت کَشینگ | ذخیره موقت پردازش پرامپت؛ نگهداری و استفاده مجدد از محاسبات ورودی‌های تکراری یا مشترک. |
| Continuous Batching | کِنتینیوئِس بَچینگ | دسته‌بندی پیوسته؛ ورود و خروج پویا‌ی درخواست‌ها از دسته پردازش برای استفاده بهتر از منابع مدل. |
| Dynamic Batching | داینامیک بَچینگ | دسته‌بندی پویا؛ ترکیب درخواست‌ها در زمان اجرا براساس شرایط و ظرفیت سیستم. |
| Speculative Decoding | اِسپِکیولِیتیو دیکودینگ | تولید حدسی توکن؛ روشی که با پیشنهاد توکن‌ها توسط یک مدل یا سازوکار سریع‌تر و تأیید اون‌ها، سرعت تولید رو افزایش می‌ده. |
| Model Parallelism | مادِل پَرَلِلیزِم | موازی‌سازی مدل؛ تقسیم محاسبات یا اجزای مدل میان چند پردازنده. |
| Data Parallelism | دِیتا پَرَلِلیزِم | موازی‌سازی داده؛ پردازش بخش‌های مختلف داده با نسخه‌های موازی مدل. |
| Tensor Parallelism | تِنسِر پَرَلِلیزِم | موازی‌سازی تنسوری؛ تقسیم عملیات تنسوری یک مدل میان چند پردازنده. |
| Pipeline Parallelism | پایپ‌لاین پَرَلِلیزِم | موازی‌سازی خط لوله‌ای؛ تقسیم لایه‌ها یا مراحل مدل میان پردازنده‌ها برای پردازش هماهنگ. |
| Distributed Training | دیستْریبیوتِد تْرِینینگ | آموزش توزیع‌شده؛ آموزش مدل با استفاده از چند دستگاه یا پردازنده به‌صورت هماهنگ. |
| Distributed Inference | دیستْریبیوتِد اینفِرِنس | استنتاج توزیع‌شده؛ اجرای محاسبات مدل با همکاری چند دستگاه پردازشی. |
| Memory Bandwidth | مِمِری بَندویدث | پهنای باند حافظه؛ سرعت انتقال داده میان حافظه و واحد پردازشی که روی عملکرد اجرای مدل اثر می‌ذاره. |
| Memory Footprint | مِمِری فوت‌پرینت | مصرف حافظه مدل؛ مقدار حافظه موردنیاز برای نگهداری وزن‌ها و داده‌های پردازش. |
| Compute-Bound | کِمپیوت باوند | محدود به توان محاسباتی؛ وضعیتی که سرعت پردازش عمدتاً به ظرفیت انجام محاسبات وابسته است. |
| Memory-Bound | مِمِری باوند | محدود به حافظه؛ وضعیتی که سرعت پردازش عمدتاً تحت تأثیر دسترسی یا انتقال داده از حافظه قرار می‌گیره. |
| Inference Optimization | اینفِرِنس آپتیمایزِیشِن | بهینه‌سازی استنتاج؛ کاهش زمان، هزینه یا مصرف منابع هنگام اجرای مدل. |
| Model Optimization | مادِل آپتیمایزِیشِن | بهینه‌سازی مدل؛ بهبود کارایی یا عملکرد مدل با تغییر روش اجرا، ساختار یا پارامترها. |
| MLOps (Machine Learning Operations) | مَشین لِرنینگ آپِرِیشِنز | عملیات یادگیری ماشین؛ مجموعه روش‌ها برای توسعه، استقرار، پایش و نگهداری مدل‌ها در محیط واقعی. |
| LLMOps (Large Language Model Operations) | لارج لَنگویج مادِل آپِرِیشِنز | عملیات مدل‌های زبانی بزرگ؛ مدیریت استقرار، نسخه‌ها، ارزیابی، پایش و بهینه‌سازی مدل‌های زبانی. |
| Model Rollback | مادِل رول‌بَک | بازگشت نسخه مدل؛ جایگزین‌کردن نسخه جدید با نسخه قبلی در صورت بروز مشکل. |
| Shadow Deployment | شَدو دیپلویْمِنت | استقرار سایه‌ای؛ اجرای نسخه جدید مدل در کنار نسخه اصلی برای ارزیابی، بدون استفاده مستقیم از خروجی اون در تصمیم نهایی. |
| Canary Deployment | کَنِری دیپلویْمِنت | استقرار تدریجی؛ ارائه نسخه جدید مدل به بخش محدودی از درخواست‌ها برای بررسی عملکرد پیش از گسترش استفاده. |
| A/B Testing for AI Models | اِی بی تِستینگ فور اِی‌آی مادِلز | آزمون A/B مدل؛ مقایسه دو نسخه مدل یا سیستم هوش مصنوعی روی گروه‌های متفاوت درخواست برای سنجش نتیجه. |
| Model Observability | مادِل آبزِروَبیلِتی | مشاهده‌پذیری مدل؛ امکان بررسی داده‌های ورودی، خروجی‌ها، تأخیر، هزینه و رفتار سیستم در زمان اجرا. |
| Inference Cost | اینفِرِنس کاست | هزینه استنتاج؛ منابع یا هزینه مالی مصرف‌شده برای اجرای مدل و تولید خروجی. |
| Cost per Token | کاست پِر توکِن | هزینه هر توکن؛ شاخص قیمت پردازش یا تولید توکن در خدمات مدل‌های زبانی. |
| Token Pricing | توکِن پرایسینگ | قیمت‌گذاری توکنی؛ محاسبه هزینه استفاده از مدل براساس تعداد توکن‌های ورودی و خروجی، با توجه به تعرفه سرویس. |
نکته: Training فرایند یادگیری مدل از داده‌هاست، اما Inference اجرای مدل آموزش‌دیده برای تولید خروجیه. همچنین مدل متن‌باز (Open-Source AI) با مدل دارای وزن‌های در دسترس (Open-Weight Model) لزوماً یکسان نیست؛ انتشار وزن‌ها به‌تنهایی به معنی دسترسی آزاد به تمام اجزای ساخت و آموزش مدل نیست.
اصطلاحات یادگیری تقویتی و تصمیم‌گیری عامل‌ها (Reinforcement Learning)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Reinforcement Learning (RL) | ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی؛ یادگیری انتخاب اقدام از طریق تعامل با محیط و دریافت پاداش. |
| Policy | پالِسی | سیاست؛ قاعده یا مدلی که مشخص می‌کنه عامل در یک وضعیت چه اقدامی انتخاب کنه. |
| Policy Optimization | پالِسی آپتیمایزِیشِن | بهینه‌سازی سیاست؛ تنظیم شیوه انتخاب اقدامات برای افزایش پاداش موردانتظار. |
| Proximal Policy Optimization (PPO) | پراکسیمِل پالِسی آپتیمایزِیشِن | بهینه‌سازی سیاست نزدیک؛ الگوریتم یادگیری تقویتی برای به‌روزرسانی نسبتاً کنترل‌شده سیاست. |
| On-Policy Learning | آن پالِسی لِرنینگ | یادگیری هم‌سیاست؛ یادگیری از داده‌هایی که معمولاً با سیاست فعلی یا نزدیک به اون جمع‌آوری شدن. |
| Off-Policy Learning | آف پالِسی لِرنینگ | یادگیری برون‌سیاست؛ استفاده از تجربه‌هایی که ممکنه با سیاستی متفاوت از سیاست در حال آموزش تولید شده باشن. |
| Imitation Learning | ایمیتِیشِن لِرنینگ | یادگیری تقلیدی؛ آموزش عامل برای انجام وظیفه با استفاده از رفتار نمونه یا نمایش‌های یک متخصص. |
| Behavior Cloning | بِهِیویِر کلونینگ | تقلید رفتار؛ یادگیری مستقیم نگاشت وضعیت‌ها به اقدامات از نمونه‌های رفتاری. |
| Environment | اِنوایرِنمِنت | محیط؛ فضای فیزیکی یا شبیه‌سازی‌شده‌ای که عامل در اون مشاهده و اقدام می‌کنه. |
| Observation | آبزِروِیشِن | مشاهده؛ اطلاعاتی که عامل در هر مرحله از محیط دریافت می‌کنه. |
| State | اِستِیت | حالت؛ اطلاعات توصیف‌کننده وضعیت محیط در یک لحظه مشخص. |
| Action | اَکشِن | اقدام؛ عملی که عامل برای تأثیرگذاری بر محیط انتخاب می‌کنه. |
| Action Space | اَکشِن اِسپِیس | فضای اقدام؛ مجموعه اقداماتی که عامل اجازه یا امکان انتخاب اون‌ها رو داره. |
| Reward | ریوارد | پاداش؛ سیگنالی که در یادگیری تقویتی، مطلوب‌بودن نتیجه یک اقدام رو مشخص می‌کنه. |
| Reward Function | ریوارد فانکشِن | تابع پاداش؛ قاعده محاسبه پاداش عامل براساس وضعیت یا اقدامات انجام‌شده. |
| Return | ریتِرن | بازده تقویتی؛ مجموع پاداش‌های دریافتی در طول زمان، معمولاً با درنظرگرفتن ضریب تنزیل. |
| Discount Factor | دیسکاونت فَکتِر | ضریب تنزیل؛ پارامتری که اهمیت پاداش‌های آینده رو در محاسبه بازده تعیین می‌کنه. |
| Value Function | وَلیو فانکشِن | تابع ارزش؛ تخمین بازده موردانتظار از یک وضعیت یا وضعیت و اقدام مشخص. |
| Q-Learning | کیو لِرنینگ | یادگیری Q؛ الگوریتم یادگیری تقویتی برای یادگیری ارزش انتخاب اقدامات در وضعیت‌های مختلف. |
| Deep Q-Network (DQN) | دیپ کیو نِتوِرک | شبکه Q عمیق؛ ترکیب یادگیری Q با شبکه عصبی برای تخمین ارزش اقدامات. |
| Actor-Critic | اَکتِر کْریتیک | بازیگرـمنتقد؛ خانواده‌ای از روش‌های یادگیری تقویتی که انتخاب اقدام و ارزیابی اون رو ترکیب می‌کنن. |
| Exploration | اِکسپلورِیشِن | اکتشاف؛ آزمایش اقدامات جدید برای کسب اطلاعات و پیداکردن راه‌حل‌های بهتر. |
| Exploitation | اِکسپلویتِیشِن | بهره‌برداری؛ استفاده از دانسته‌های فعلی برای انتخاب اقدامی با پاداش موردانتظار بیشتر. |
| Exploration–Exploitation Tradeoff | اِکسپلورِیشِن اِکسپلویتِیشِن تْرِیدآف | بده‌بستان اکتشاف و بهره‌برداری؛ ایجاد تعادل میان امتحان‌کردن گزینه‌های جدید و استفاده از بهترین گزینه شناخته‌شده. |
| Markov Decision Process (MDP) | مارکوف دِسیژِن پراسِس | فرایند تصمیم‌گیری مارکوف؛ چارچوب ریاضی مدل‌سازی تصمیم‌های متوالی در شرایط احتمالی. |
| Model-Based Reinforcement Learning | مادِل بِیست ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی مبتنی بر مدل؛ استفاده از مدل محیط برای پیش‌بینی پیامد اقدامات و کمک به تصمیم‌گیری. |
| Model-Free Reinforcement Learning | مادِل فْری ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی بدون مدل محیط؛ یادگیری سیاست یا ارزش اقدامات بدون نیاز به یادگیری صریح مدل انتقال محیط. |
| Offline Reinforcement Learning | آفلاین ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی آفلاین؛ آموزش عامل با تجربه‌های ثبت‌شده، بدون نیاز به تعامل جدید با محیط هنگام آموزش. |
| Multi-Agent Reinforcement Learning (MARL) | مالتی اِیجِنت ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی چندعاملی؛ آموزش چند عامل که تصمیم‌ها و پاداش‌های اون‌ها می‌تونن بر یکدیگر اثر بذارن. |
نکته: یادگیری تقویتی فقط مخصوص ربات‌ها نیست؛ در بازی‌ها، برنامه‌ریزی و تنظیم بعضی مدل‌های هوش مصنوعی هم استفاده می‌شه.
اصطلاحات رباتیک و هوش مصنوعی فیزیکی (Robotics & Physical AI)
| اصطلاح انگلیسی | تلفظ فارسی | معنی فارسی |
|---|---|---|
| Robotics AI | روباتیکس اِی‌آی | هوش مصنوعی رباتیک؛ استفاده از هوش مصنوعی برای درک محیط، تصمیم‌گیری و کنترل رفتار ربات‌ها. |
| Physical AI | فیزیکِل اِی‌آی | هوش مصنوعی فیزیکی؛ کاربرد مدل‌های هوشمند برای ادراک، تصمیم‌گیری یا اقدام در جهان فیزیکی، مانند ربات‌ها و خودروهای خودران. |
| Embodied AI | اِمبادید اِی‌آی | هوش مصنوعی تجسم‌یافته؛ هوشی که از طریق یک عامل دارای بدن فیزیکی یا مجازی با محیط تعامل می‌کنه. |
| Embodied Agent | اِمبادید اِیجِنت | عامل تجسم‌یافته؛ عاملی که با حسگرها و اقداماتش در محیط فیزیکی یا شبیه‌سازی‌شده فعالیت می‌کنه. |
| Robot Learning | روبات لِرنینگ | یادگیری ربات؛ آموزش ربات برای کسب مهارت یا بهبود عملکرد با استفاده از داده و تجربه. |
| Robot Perception | روبات پِرسِپشِن | ادراک ربات؛ دریافت و تفسیر اطلاعات محیط با استفاده از دوربین، حسگر و مدل‌های هوش مصنوعی. |
| Robot Manipulation | روبات مَنیپیولِیشِن | دستکاری اشیا توسط ربات؛ توانایی گرفتن، جابه‌جاکردن یا تغییر وضعیت اشیا. |
| Robotic Grasping | روباتیک گْرَسپینگ | گرفتن اشیا با ربات؛ انتخاب و اجرای روش مناسب برای برداشتن یا نگه‌داشتن یک شیء. |
| Robot Navigation | روبات نَویگِیشِن | مسیریابی ربات؛ تعیین مسیر و حرکت در محیط برای رسیدن به مقصد. |
| Autonomous Navigation | آتانِمِس نَویگِیشِن | مسیریابی خودمختار؛ حرکت و انتخاب مسیر بدون هدایت مستقیم انسان در هر مرحله. |
| Motion Planning | موشِن پِلَنینگ | برنامه‌ریزی حرکت؛ محاسبه مسیر یا حرکات لازم برای رسیدن به هدف با رعایت محدودیت‌های محیط. |
| Path Planning | پَث پِلَنینگ | برنامه‌ریزی مسیر؛ یافتن مسیر مناسب میان نقطه شروع و مقصد. |
| Obstacle Avoidance | آبستِکِل اَوُیدِنس | اجتناب از مانع؛ شناسایی و دورزدن موانع هنگام حرکت. |
| Robot Localization | روبات لوکَلایزِیشِن | مکان‌یابی ربات؛ تخمین موقعیت و جهت ربات در محیط. |
| Simultaneous Localization and Mapping (SLAM) | سایمِلتِینیِس لوکَلایزِیشِن اَند مَپینگ | مکان‌یابی و نقشه‌سازی هم‌زمان؛ ساخت نقشه محیط همراه با تخمین موقعیت ربات در اون. |
| Sensor Fusion | سِنسِر فیوژِن | تلفیق داده‌های حسگر؛ ترکیب اطلاعات چند حسگر برای درک دقیق‌تر وضعیت محیط. |
| World Model | وِرلد مادِل | مدل جهان؛ نمایش آموخته‌شده‌ای از محیط و تغییرات احتمالی اون برای پیش‌بینی یا برنامه‌ریزی. |
| Sim-to-Real Transfer | سیم تو ریل تْرَنسفِر | انتقال از شبیه‌سازی به واقعیت؛ استفاده از مهارت‌های یادگرفته‌شده در محیط شبیه‌سازی‌شده روی ربات واقعی. |
| Domain Randomization | دُمِین رَندِمایزِیشِن | تصادفی‌سازی محیط آموزش؛ تغییر ویژگی‌های شبیه‌سازی برای افزایش سازگاری مدل با شرایط واقعی. |
| Digital Twin for Robotics | دیجیتِل تویین فور روباتیکس | دوقلوی دیجیتال رباتیک؛ نمایش دیجیتال یک ربات یا سامانه فیزیکی برای شبیه‌سازی، پایش یا آزمایش عملکرد اون. |
| Robot Policy | روبات پالِسی | سیاست کنترلی ربات؛ مدل یا قاعده‌ای که براساس مشاهده محیط، اقدام بعدی ربات رو تعیین می‌کنه. |
| Vision-Language-Action Model (VLA) | ویژِن لَنگویج اَکشِن مادِل | مدل بینایی‌زبان‌اقدام؛ مدلی که اطلاعات تصویری و دستورهای زبانی رو برای تولید اقدامات ربات ترکیب می‌کنه. |
| End-to-End Robot Learning | اِند تو اِند روبات لِرنینگ | یادگیری سرتاسری ربات؛ آموزش مستقیم ارتباط میان ورودی‌های حسی و خروجی‌های کنترلی در یک مدل. |
| Learning from Demonstration (LfD) | لِرنینگ فرام دِمانستْرِیشِن | یادگیری از نمایش عملی؛ آموزش ربات با مشاهده نمونه اجرای یک وظیفه توسط انسان یا عامل دیگر. |
| Human-Robot Interaction (HRI) | هیومَن روبات اینتِرَکشِن | تعامل انسان و ربات؛ مطالعه و طراحی شیوه ارتباط، همکاری و کنترل میان انسان و ربات‌های هوشمند. |
| Human-Robot Collaboration (HRC) | هیومَن روبات کُلَبِرِیشِن | همکاری انسان و ربات؛ انجام وظایف مشترک با هماهنگی انسان و ربات. |
| Autonomous Mobile Robot (AMR) | آتانِمِس موبایل روبات | ربات متحرک خودمختار؛ رباتی که با حسگرها و سامانه‌های تصمیم‌گیری در محیط حرکت می‌کنه. |
| Humanoid Robot | هیومَنوید روبات | ربات انسان‌نما؛ رباتی با ساختار یا ویژگی‌های حرکتی مشابه بدن انسان. |
| Autonomous Driving AI | آتانِمِس درایوینگ اِی‌آی | هوش مصنوعی رانندگی خودکار؛ سیستم‌های ادراک، پیش‌بینی و برنامه‌ریزی برای هدایت خودرو. |
| Behavior Prediction | بِهِیویِر پریدیکشِن | پیش‌بینی رفتار؛ تخمین اقدامات احتمالی عوامل محیط، مانند حرکت خودروها و عابران پیاده. |
نکته: Physical AI به تعامل هوش مصنوعی با محیط فیزیکی اشاره داره، اما Embodied AI می‌تونه در محیط مجازی هم بررسی بشه.
جدول مخفف‌های رایج هوش مصنوعی
این جدول، مخفف‌هایی رو که در مدخل‌های واژه‌نامه آمده‌اند به همراه عبارت کامل انگلیسی، تلفظ فارسی عبارت کامل و معنی فارسی نشون می‌ده. برای توضیح و کاربرد هر اصطلاح، به تعریف اصلی اون در دسته موضوعی مربوط مراجعه کنید. تلفظِ خودِ مخفف ستون جداگانه‌ای نداره.
| مخفف | عبارت کامل انگلیسی | تلفظ فارسی عبارت کامل | معنی فارسی |
|---|---|---|---|
| A2A | Agent-to-Agent Protocol | اِیجِنت تو اِیجِنت پروتُکال | پروتکل ارتباط عامل‌به‌عامل |
| AGI | Artificial General Intelligence | آرتیفیشِل جِنِرِل اینتِلیجِنس | هوش مصنوعی عمومی |
| AI | Artificial Intelligence | آرتیفیشِل اینتِلیجِنس | هوش مصنوعی |
| AIGC | AI-Generated Content | اِی‌آی جِنِرِیتِد کانتِنت | محتوای تولیدشده با هوش مصنوعی |
| AMR | Autonomous Mobile Robot | آتانِمِس موبایل روبات | ربات متحرک خودمختار |
| ANI | Artificial Narrow Intelligence | آرتیفیشِل نَرو اینتِلیجِنس | هوش مصنوعی محدود |
| ANN | Artificial Neural Network | آرتیفیشِل نیورال نِتوِرک | شبکه عصبی مصنوعی |
| APO | Automatic Prompt Optimization | آتومَتیک پرامپت آپتیمایزِیشِن | بهینه‌سازی خودکار پرامپت |
| ASI | Artificial Superintelligence | آرتیفیشِل سوپِراینتِلیجِنس | ابرهوش مصنوعی |
| ASR | Automatic Speech Recognition | آتومَتیک اسپیچ رِکاگنیشِن | تشخیص خودکار گفتار |
| AUC | Area Under the Curve | اِریا آندِر دِ کِرو | مساحت زیر منحنی |
| BERT | Bidirectional Encoder Representations from Transformers | بای‌دایرِکشِنَل اِنکودِر رِپرِزِنتِیشِنز فرام تْرَنسفورمِرز | مدل بِرت |
| BF16 | Brain Floating Point 16 | بِرِین فلوتینگ پوینت سیکستین | قالب عددی بی‌فِلوت ۱۶ بیتی |
| BFS | Breadth-First Search | بِرِدث فِرست سِرچ | جست‌وجوی سطح‌اول |
| BPE | Byte Pair Encoding | بایت پِر اِنکودینگ | کدگذاری جفت‌واحد |
| CER | Character Error Rate | کَرَکتِر اِرِر رِیت | نرخ خطای نویسه |
| CFG | Classifier-Free Guidance | کْلَسیفایِر فْری گایدِنس | هدایت بدون طبقه‌بند |
| CLM | Causal Language Modeling | کازِل لَنگویج مادِلینگ | مدل‌سازی زبان علّی |
| CNN | Convolutional Neural Network | کانوالووشِنَل نیورال نِتوِرک | شبکه عصبی کانولوشنی |
| CoT | Chain-of-Thought Prompting | چِین آو ثات پرامپتینگ | پرامپت‌نویسی زنجیره استدلال |
| CSP | Constraint Satisfaction Problem | کِنسترِینت سَتیسفَکشِن پرابلِم | مسئله ارضای محدودیت |
| CV | Computer Vision | کِمپیوتِر ویژِن | بینایی ماشین |
| DAPT | Domain-Adaptive Pre-training | دُمِین اَدَپتیو پری‌تْرِینینگ | پیش‌آموزش سازگار با حوزه |
| DFS | Depth-First Search | دِپث فِرست سِرچ | جست‌وجوی عمق‌اول |
| DL | Deep Learning | دیپ لِرنینگ | یادگیری عمیق |
| DPO | Direct Preference Optimization | دایرِکت پْرِفِرِنس آپتیمایزِیشِن | بهینه‌سازی مستقیم ترجیحات |
| DQN | Deep Q-Network | دیپ کیو نِتوِرک | شبکه Q عمیق |
| FN | False Negative | فالس نِگِتیو | منفی کاذب |
| FNN | Feedforward Neural Network | فیدفوروِرد نیورال نِتوِرک | شبکه عصبی پیش‌خور |
| FOL | First-Order Logic | فِرست اُردِر لاجیک | منطق مرتبه اول |
| FP | False Positive | فالس پازِتیو | مثبت کاذب |
| GAN | Generative Adversarial Network | جِنِرِیتیو اَدوِرسِریِل نِتوِرک | شبکه مولد تخاصمی |
| GCN | Graph Convolutional Network | گراف کانوالووشِنَل نِتوِرک | شبکه کانولوشنی گرافی |
| GNN | Graph Neural Network | گراف نیورال نِتوِرک | شبکه عصبی گرافی |
| GPT | Generative Pre-trained Transformer | جِنِرِیتیو پری‌تْرِیند تْرَنسفورمِر | ترنسفورمر مولد پیش‌آموزش‌دیده |
| GPU | Graphics Processing Unit | گْرَفیکس پراسِسینگ یونیت | واحد پردازش گرافیکی |
| GRU | Gated Recurrent Unit | گِیتِد ریکِرِنت یونیت | واحد بازگشتی دروازه‌دار |
| HITL | Human-in-the-Loop | هیومَن این دِ لوپ | انسان در حلقه |
| HOTL | Human-on-the-Loop | هیومَن آن دِ لوپ | انسان ناظر بر فرایند |
| HRC | Human-Robot Collaboration | هیومَن روبات کُلَبِرِیشِن | همکاری انسان و ربات |
| HRI | Human-Robot Interaction | هیومَن روبات اینتِرَکشِن | تعامل انسان و ربات |
| HWR | Handwriting Recognition | هَندرایتینگ رِکاگنیشِن | بازشناسی دست‌خط |
| ICL | In-Context Learning | این کانتِکست لِرنینگ | یادگیری درون‌زمینه‌ای |
| KBQA | Knowledge Base Question Answering | نالِج بِیس کْوِسچِن اَنسِرینگ | پاسخ‌گویی مبتنی بر پایگاه دانش |
| KBS | Knowledge-Based System | نالِج بِیست سیستِم | سیستم مبتنی بر دانش |
| LDM | Latent Diffusion Model | لِیتِنت دیفیوژِن مادِل | مدل انتشار نهفته |
| LfD | Learning from Demonstration | لِرنینگ فرام دِمانستْرِیشِن | یادگیری از نمایش عملی |
| LLM | Large Language Model | لارج لَنگویج مادِل | مدل زبانی بزرگ |
| LM | Language Model | لَنگویج مادِل | مدل زبانی |
| LoRA | Low-Rank Adaptation | لو رَنک اَدَپتِیشِن | سازگارسازی کم‌رتبه |
| LSTM | Long Short-Term Memory | لانگ شورت تِرم مِمِری | حافظه بلندمدت کوتاه‌مدت |
| MAE | Mean Absolute Error | مین اَبسولوت اِرِر | میانگین خطای مطلق |
| MARL | Multi-Agent Reinforcement Learning | مالتی اِیجِنت ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی چندعاملی |
| MAS | Multi-Agent System | مالتی اِیجِنت سیستِم | سیستم چندعاملی |
| MCP | Model Context Protocol | مادِل کانتِکست پروتُکال | پروتکل زمینه مدل |
| MDP | Markov Decision Process | مارکوف دِسیژِن پراسِس | فرایند تصمیم‌گیری مارکوف |
| ML | Machine Learning | مَشین لِرنینگ | یادگیری ماشین |
| MLLM | Multimodal Large Language Model | مالتی‌مودَل لارج لَنگویج مادِل | مدل زبانی بزرگ چندوجهی |
| MLM | Masked Language Modeling | مَسکت لَنگویج مادِلینگ | مدل‌سازی زبان با پوشاندن توکن |
| MLP | Multilayer Perceptron | مالتی‌لِیِر پِرسِپتران | پرسپترون چندلایه |
| MoE | Mixture of Experts | میکسچِر آو اِکسپِرتس | ترکیب خبرگان |
| MOT | Multi-Object Tracking | مالتی آبجِکت تْرَکینگ | ردیابی چندشیئی |
| MSE | Mean Squared Error | مین اِسکوئِرد اِرِر | میانگین مربعات خطا |
| MT | Machine Translation | مَشین تْرَنزلِیشِن | ترجمه ماشینی |
| NER | Named Entity Recognition | نِیمد اِنتیتی رِکاگنیشِن | شناسایی موجودیت‌های نام‌دار |
| NeRF | Neural Radiance Fields | نیورال رِیدیِنس فیلدز | میدان‌های تابشی عصبی |
| NLG | Natural Language Generation | نَچِرِل لَنگویج جِنِرِیشِن | تولید زبان طبیعی |
| NLP | Natural Language Processing | نَچِرِل لَنگویج پراسِسینگ | پردازش زبان طبیعی |
| NLU | Natural Language Understanding | نَچِرِل لَنگویج آندِراِستَندینگ | درک زبان طبیعی |
| NMT | Neural Machine Translation | نیورال مَشین تْرَنزلِیشِن | ترجمه ماشینی عصبی |
| NNS | Nearest Neighbor Search | نیرِست نِیبِر سِرچ | جست‌وجوی نزدیک‌ترین همسایه |
| NPU | Neural Processing Unit | نیورال پراسِسینگ یونیت | واحد پردازش عصبی |
| OCR | Optical Character Recognition | آپتیکِل کَرَکتِر رِکاگنیشِن | تشخیص نوری نویسه‌ها |
| PCA | Principal Component Analysis | پرینسیپِل کامپونِنت اَنَلِسِس | تحلیل مؤلفه‌های اصلی |
| PDDL | Planning Domain Definition Language | پِلَنینگ دُمِین دِفینیشِن لَنگویج | زبان توصیف مسائل برنامه‌ریزی هوش مصنوعی |
| PEFT | Parameter-Efficient Fine-Tuning | پَرامِتِر اِفیشِنت فاین‌تیونینگ | تنظیم دقیق کم‌پارامتر |
| PII | Personally Identifiable Information | پِرسِنَلی آیدِنتیفایِبِل اینفِرمِیشِن | اطلاعات شناسایی‌کننده شخص |
| PPML | Privacy-Preserving Machine Learning | پرایوِسی پرِزِروینگ مَشین لِرنینگ | یادگیری ماشین حافظ حریم خصوصی |
| PPO | Proximal Policy Optimization | پراکسیمِل پالِسی آپتیمایزِیشِن | بهینه‌سازی سیاست نزدیک |
| PTQ | Post-Training Quantization | پُست‌تْرِینینگ کوانتایزِیشِن | کم‌دقت‌سازی پس از آموزش |
| QA | Question Answering | کْوِسچِن اَنسِرینگ | پاسخ‌گویی به سؤال |
| QAT | Quantization-Aware Training | کوانتایزِیشِن اَوِر تْرِینینگ | آموزش آگاه از کم‌دقت‌سازی |
| QLoRA | Quantized Low-Rank Adaptation | کوانتایزد لو رَنک اَدَپتِیشِن | تنظیم دقیق کم‌رتبه روی مدل کم‌دقت‌شده |
| RAG | Retrieval-Augmented Generation | ریتریوِل آگمِنتِد جِنِرِیشِن | تولید تقویت‌شده با بازیابی |
| ReLU | Rectified Linear Unit | رِکتیفاید لینیِر یونیت | واحد خطی اصلاح‌شده |
| RL | Reinforcement Learning | ری‌اِنفورسْمِنت لِرنینگ | یادگیری تقویتی |
| RLAIF | Reinforcement Learning from AI Feedback | ری‌اِنفورسْمِنت لِرنینگ فرام اِی‌آی فیدبَک | یادگیری تقویتی از بازخورد هوش مصنوعی |
| RLHF | Reinforcement Learning from Human Feedback | ری‌اِنفورسْمِنت لِرنینگ فرام هیومَن فیدبَک | یادگیری تقویتی از بازخورد انسانی |
| RMSE | Root Mean Squared Error | روت مین اِسکوئِرد اِرِر | ریشه میانگین مربعات خطا |
| RNN | Recurrent Neural Network | ریکِرِنت نیورال نِتوِرک | شبکه عصبی بازگشتی |
| SED | Sound Event Detection | ساوند ایوِنت دیتِکشِن | تشخیص رویداد صوتی |
| Seq2Seq | Sequence-to-Sequence | سیکوئِنس تو سیکوئِنس | معماری دنباله‌به‌دنباله |
| SER | Speech Emotion Recognition | اسپیچ ایموشِن رِکاگنیشِن | تشخیص احساس از گفتار |
| SFT | Supervised Fine-Tuning | سوپِروایزد فاین‌تیونینگ | تنظیم دقیق نظارت‌شده |
| SGD | Stochastic Gradient Descent | اِستاکَستیک گْرِیدیِنت دیسِنت | گرادیان کاهشی تصادفی |
| SLAM | Simultaneous Localization and Mapping | سایمِلتِینیِس لوکَلایزِیشِن اَند مَپینگ | مکان‌یابی و نقشه‌سازی هم‌زمان |
| SLM | Small Language Model | اِسمال لَنگویج مادِل | مدل زبانی کوچک |
| SVM | Support Vector Machine | سِپورت وِکتِر مَشین | ماشین بردار پشتیبان |
| TAPT | Task-Adaptive Pre-training | تَسک اَدَپتیو پری‌تْرِینینگ | پیش‌آموزش سازگار با وظیفه |
| TMS | Truth Maintenance System | تروث مِینتِنِنس سیستِم | سیستم نگهداری سازگاری باورها |
| TN | True Negative | ترو نِگِتیو | منفی درست |
| ToT | Tree of Thoughts | تْری آو ثاتس | درخت افکار |
| TP | True Positive | ترو پازِتیو | مثبت درست |
| TPOT | Time per Output Token | تایم پِر آوتپوت توکِن | زمان هر توکن خروجی |
| TPS | Tokens per Second | توکِنز پِر سِکِند | توکن بر ثانیه |
| TPU | Tensor Processing Unit | تِنسِر پراسِسینگ یونیت | واحد پردازش تنسوری |
| TTFT | Time to First Token | تایم تو فِرست توکِن | زمان تولید نخستین توکن |
| TTS | Text-to-Speech | تِکست تو اسپیچ | تبدیل متن به گفتار |
| VAD | Voice Activity Detection | وُیس اَکتیوِتی دیتِکشِن | تشخیص فعالیت گفتاری |
| VAE | Variational Autoencoder | وِری‌اِیشِنَل آتو اِنکودِر | خودرمزگذار تغییراتی |
| ViT | Vision Transformer | ویژِن تْرَنسفورمِر | ترنسفورمر بینایی |
| VLA | Vision-Language-Action Model | ویژِن لَنگویج اَکشِن مادِل | مدل بینایی‌زبان‌اقدام |
| VLM | Vision-Language Model | ویژِن لَنگویج مادِل | مدل بینایی‌زبان |
| VQA | Visual Question Answering | ویژوئِل کْوِسچِن اَنسِرینگ | پاسخ‌گویی به سؤال تصویری |
| VRAM | GPU Memory | جی‌پی‌یو مِمِری | حافظه پردازنده گرافیکی |
| WER | Word Error Rate | وِرد اِرِر رِیت | نرخ خطای واژه |
| WSD | Word Sense Disambiguation | وِرد سِنس دیس‌اَمبیگیوئِیشِن | رفع ابهام معنای واژه |
| XAI | Explainable AI | اِکسپْلِینِبِل اِی‌آی | هوش مصنوعی توضیح‌پذیر |
| FP16 | 16-bit Floating Point | سیکستین بیت فلوتینگ پوینت | ممیز شناور ۱۶ بیتی |
| FP32 | 32-bit Floating Point | ثِرتی تو بیت فلوتینگ پوینت | ممیز شناور ۳۲ بیتی |
| INT8 | 8-bit Integer | اِیت بیت اینتِجِر | عدد صحیح ۸ بیتی |
| ONNX | Open Neural Network Exchange | اُوپِن نیورال نِتوِرک اِکسچِینج | قالب تبادل مدل‌های شبکه عصبی |
تفاوت اصطلاحات مشابه و پرکاربرد هوش مصنوعی
این مقایسه‌ها فقط مرز کاربرد مفاهیم رو روشن می‌کنن؛ تعریف کامل هر واژه در جدول اصلی اومده و اینجا تکرار نمی‌شه.
| اصطلاحات مشابه | تفاوت کلیدی |
|---|---|
| AI و Machine Learning و Deep Learning | هوش مصنوعی مفهوم گسترده‌تره؛ یادگیری ماشین یکی از رویکردهای اونه و یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشینه. |
| Generative AI و Predictive AI | اولی بیشتر برای ساخت خروجی جدید استفاده می‌شه؛ دومی برای پیش‌بینی مقدار، دسته یا رخداد. یک مدل می‌تونه هر دو کارکرد رو داشته باشه. |
| LLM و Chatbot و AI Agent | LLM نوعی مدله؛ چت‌بات یک برنامه گفت‌وگومحوره؛ ایجنت می‌تونه ابزار به کار بگیره و چند اقدام رو در جهت یک هدف هماهنگ کنه. |
| Prompt و Prompt Engineering | پرامپت خودِ ورودی یا درخواست مدله؛ مهندسی پرامپت فرایند طراحی و آزمایش اون برای رسیدن به خروجی مناسب‌تره. |
| Token و Word و Context Window | توکن لزوماً یک واژه کامل نیست؛ پنجره زمینه سقف محتواییه که مدل در یک پردازش می‌تونه در نظر بگیره. |
| RAG و Fine-tuning | RAG اطلاعات بازیابی‌شده رو هنگام پاسخ‌گویی وارد زمینه می‌کنه؛ فاین‌تیونینگ پارامترهای مدل رو در فرایند آموزش تغییر می‌ده. |
| Hallucination و Model Bias | توهم به ادعای ساختگی یا نادرست در خروجی اشاره داره؛ سوگیری به گرایش یا خطای نظام‌مند مربوطه. |
| Accuracy و Precision و Recall | صحت کلی نسبت پیش‌بینی‌های درست به تمام نمونه‌هاست؛ Precision کیفیت پیش‌بینی‌های مثبت و Recall پوشش موارد مثبت واقعی رو می‌سنجه. |
| Speech Recognition و Speaker Recognition | اولی تشخیص محتوای گفتاره؛ دومی تشخیص هویت گوینده. Speaker Diarization هم مشخص می‌کنه چه کسی در کدام بخش صحبت کرده. |
| Image Classification و Object Detection و Segmentation | اولی برچسب کلی تصویر رو پیش‌بینی می‌کنه؛ دومی موقعیت اشیا رو پیدا می‌کنه؛ سومی ناحیه‌های پیکسلی رو مشخص می‌کنه. |
| ANI و AGI و ASI | ANI به توانایی محدود، AGI به توانایی عمومی مورد بحث و ASI به ابرهوش فرضی اشاره داره؛ این اصطلاحات سه محصول آماده یا سه مرحله قطعی پیشرفت نیستن. |
| AI Safety و AI Security | ایمنی بر کاهش آسیب‌های ناشی از رفتار سیستم تمرکز داره؛ امنیت بر محافظت در برابر حمله و سوءاستفاده. |
| Open-Weight و Open-Source AI | دردسترس‌بودن وزن‌ها به‌تنهایی به معنی بازبودن همه اجزا، اطلاعات آموزش و مجوزهای استفاده نیست. |
| Physical AI و Embodied AI | هوش مصنوعی فیزیکی با جهان واقعی تعامل می‌کنه؛ عامل تجسم‌یافته می‌تونه در محیط واقعی یا شبیه‌سازی‌شده عمل کنه. |
جمع‌بندی
این واژه‌نامه برای این نوشته شده که وقتی در مقاله، ابزار یا گفت‌وگوی تخصصی با اصطلاحی روبه‌رو شدید، بتونید سریع معنی اون رو پیدا کنید. از مفاهیم ساده‌ای مانند پرامپت و توکن شروع کنید و فقط در صورت نیاز سراغ مباحث تخصصی‌تر مانند آموزش مدل، بازیابی اطلاعات یا رباتیک برید. هدف حفظ‌کردن تمام واژه‌ها نیست؛ مهم اینه که تفاوت مفاهیم رو بشناسید و بدونید هرکدوم در چه موقعیتی به کار میان.
سوالات متداول
ابتدا بخش «اصطلاحات پایه» رو بخونید. بعد اگر از چت‌بات‌ها استفاده می‌کنید سراغ مدل‌های زبانی و پرامپت‌نویسی برید؛ اگر هدف‌تون تولید محتواست، دسته هوش مصنوعی مولد رو انتخاب کنید. نیازی به خواندن همه اصطلاحات تخصصی نیست.
بعضی نام‌ها مترادف یا صورت کوتاه یک اصطلاح هستن و بعضی به مفاهیم نزدیک اما متفاوت اشاره می‌کنن. برای جلوگیری از تکرار، توضیح اصلی در دسته مربوط آورده شده و جدول مخفف‌ها صرفاً برای پیدا کردن عبارت کامل کاربرد داره.
پرامپت همون ورودی یا درخواستی‌ه که برای هدایت مدل ارائه می‌کنید؛ ممکنه شامل سؤال، دستور، زمینه یا نمونه باشه. برای روش‌های طراحی بهترش به دسته «پرامپت‌نویسی» مراجعه کنید.
توکن واحد پردازش مدل زبانیه و می‌تونه یک کلمه، قسمتی از کلمه یا علامت باشه. بنابراین تعداد توکن‌ها الزاماً با تعداد کلمات برابر نیست.
خیر. مدل زبانی بزرگ موتور پردازش و تولید زبان می‌تونه باشه، اما چت‌بات یک محصول یا برنامه برای گفت‌وگو با کاربره که ممکنه از اون مدل استفاده کنه.
AGI به مفهوم هوش مصنوعی با توانایی عمومی در طیف گسترده‌ای از وظایف اشاره داره، درحالی‌که ASI مفهوم ابرهوشی فراتر از توانایی شناختی انسانه. تعریف و معیار تحقق این مفاهیم محل بحثه.
خیر. این صفحه یک مرجع برای مراجعه هنگام مواجهه با اصطلاحات ناآشناست. برای استفاده روزمره از هوش مصنوعی، تسلط بر مفاهیم پایه و اصطلاحات حوزه کاری خودتون کفایت می‌کنه.
وقتی پاسخ مدل باید به اسناد یا اطلاعات مشخص و قابل به‌روزرسانی متکی باشه، RAG می‌تونه بازیابی اطلاعات مرتبط رو به تولید پاسخ اضافه کنه. البته بازیابی منبع به‌تنهایی صحت پاسخ رو تضمین نمی‌کنه.
روی دکمه «مشاوره آنلاین» کلیک کنید تا مهندس ایمان پاکراه و تیم آکادمی پاکراه به‌صورت آنلاین و کاملاً رایگان راهنمایی‌تان کنند.
مشاوره آنلاین