Генеративный глоссарий ИИ
Погрузитесь глубже в мир искусственного интеллекта и улучшите свое понимание ключевых терминов и концепций с помощью этого генеративного глоссария по искусственному интеллекту.
При правильном применении генеративный ИИ усиливает креативность и интеллектуальность рабочих процессов, не заменяя при этом красоту и мощь человеческого интеллекта и изобретательности. Использование повседневного языка для создания нового, выдающегося визуального контента открывает безграничные возможности для дизайнеров, маркетологов, представителей малого бизнеса и индивидуальных предпринимателей.
Этот глоссарий по генеративному ИИ познакомит вас с основами, а затем вам понадобится усвоить все аспекты ИИ и увидеть общую картину при создании уникальных, потрясающих изображений и текста с помощью нейросетей.
Развенчание мифов об искусственном интеллекте и генеративном ИИ
Генераторы изображений и изображений на основе ИИ, являясь разновидностью генеративной технологии искусственного интеллекта, работают аналогично другим типам ИИ, используя модель машинного обучения и большие наборы данных для получения определённого результата. Благодаря возможности генерировать изображения на основе простых текстовых вводов, генераторы изображений на основе ИИ совершают революцию в творческом процессе, предоставляя быстрый и эффективный способ воплощения ваших визуальных идей в бесчисленном множестве приложений.
Генеративный ИИ, относящийся к классу алгоритмов машинного обучения, предназначен для создания нового и оригинального контента, подобного примерам живописных изображений, представленным далее в этом блоге. Качество и разнообразие генерируемых результатов зависят от качества и разнообразия обучающих данных, архитектуры и параметров модели, а также процесса обучения. Любой может использовать повседневный язык и другие входные данные для создания изображений, видео, документов, цифрового контента, а в случае Adobe Firefly и ему подобных: красивых изображений, преобразованного текста, игры с цветом и многого другого. Понимание общей картины развития ИИ — отличное начало.
Глоссарий генеративного ИИ / Generative AI glossary
Практических применений множество, а результаты могут быть фантастическими, но ИИ — это не магия и не научная фантастика. Следующий глоссарий по этой инновационной и развивающейся области содержит основные термины и понятия, которые вам понадобятся для освоения искусственного интеллекта и инструментов генеративного ИИ.
1. Искусственный интеллект (ИИ) / Artificial Intelligence (AI)
ИИ — это область компьютерных наук, целью которой является создание интеллектуальных систем, способных выполнять задачи, требующие человеческого интеллекта. Он охватывает различные методы и алгоритмы, позволяющие машинам обучаться на основе данных, делать выводы и адаптироваться к новой информации. Искусственный интеллект использует модель машинного обучения, большие наборы данных и распознавание образов для получения результатов определённого типа, таких как персонализированные рекомендации, распознавание голоса, переводы и многое другое.
2. Генеративный ИИ / Generative AI
Генеративный ИИ — это тип искусственного интеллекта, способный преобразовывать обычные слова и другие входные данные в выдающиеся результаты. Хотя обсуждение этой технологии в основном сосредоточено на создании изображений и произведений искусства с помощью ИИ, генеративный ИИ способен на гораздо большее, чем просто генерировать статичные изображения из текстовых подсказок.
С помощью нескольких простых слов и подходящего ИИ-генератора каждый может создавать видео, документы и цифровые материалы, а также качественные изображения и иллюстрации. ИИ-генераторы также могут быть полезны для создания «творческих строительных блоков», таких как кисти, векторы и текстуры, которые могут дополнять или составлять основу для отдельных элементов контента.
3. Текстовые подсказки / Text prompts
Текстовая подсказка — это определённый набор входных данных, передаваемых языковой модели ИИ для генерации желаемого контента или ответов. Обычно она представляет собой короткое предложение или фразу, которые задают контекст и дают ИИ сигнал для генерации текста, соответствующего данной подсказке. Текстовые подсказки широко используются в обработке естественного языка и творческих приложениях ИИ.
Написание текстовых подсказок подразумевает создание конкретных письменных инструкций или вопросов, которые будут направлять работу генеративных моделей ИИ и формировать их вывод в соответствии с желаемым содержанием и стилем. Эффективные подсказки играют решающую роль в достижении желаемых результатов.
4. Adobe Firefly
Adobe Firefly — это новое семейство креативных генеративных ИИ-моделей, появляющихся в продуктах Adobe. Изначально они ориентированы на создание эффектов изображений и текста. Firefly предложит новые способы создания идей, творчества и коммуникации, значительно улучшив творческие рабочие процессы. Firefly — это естественное развитие технологий, которые Adobe создавала последние 40 лет, руководствуясь убеждением, что люди должны иметь возможность воплощать свои идеи именно в том виде, в каком они их представляют.
5. Большие языковые модели / Large language models
Крупные языковые модели, такие как популярная ChatGPT-3, содержат миллиарды параметров и превосходно справляются с обработкой и генерацией языка, похожего на человеческий. Они отлично зарекомендовали себя в различных задачах понимания и генерации естественного языка.
6. Машинное обучение / Machine learning
Машинное обучение — это подвид искусственного интеллекта, позволяющий системам обучаться на основе данных и со временем повышать свою производительность без явного программирования. Оно включает в себя методы контролируемого, неконтролируемого и подкреплённого обучения.
7. Нейронные сети / Neural networks
Нейронные сети — это вычислительные модели, вдохновлённые структурой человеческого мозга. Они состоят из взаимосвязанных узлов или нейронов, организованных в слои, и широко используются в различных задачах искусственного интеллекта.
8. Глубокое обучение / Deep Learning
Глубокое обучение — это подвид машинного обучения, который использует нейронные сети с несколькими скрытыми слоями для обработки сложных данных и решения замысловатых задач, таких как распознавание изображений и обработка естественного языка.
9. Генерация изображения / Image generation
Генерация изображений с помощью ИИ подразумевает создание реалистичных изображений с нуля с использованием генеративных моделей, таких как генеративные сети (GAN), виртуальные анимационные сети (VAE) или трансформаторы, что производит революцию в креативных приложениях и создании визуального контента. Будучи разновидностью технологий генеративного ИИ, генераторы изображений на основе ИИ работают аналогично другим типам искусственного интеллекта, которые используют модель машинного обучения и большие наборы данных для получения определённого результата.
10. Генерация текста / Text generation
Генерация текста в ИИ относится к процессу создания связного и контекстно релевантного письменного контента с использованием больших языковых моделей или рекуррентных нейронных сетей.
11. Неконтролируемое обучение / Unsupervised learning
Неконтролируемое обучение — это подход к машинному обучению искусственного интеллекта, при котором модель обучается на немаркированных данных, находя закономерности и структуры без явного контроля.
12. Передача обучения / Transfer learning
Перенос обучения — это метод искусственного интеллекта, при котором знания, полученные в ходе обучения по одной задаче, применяются для улучшения обучения и производительности по другой связанной задаче, что снижает потребность в обширных данных для обучения.
13. Дополнение данных / Data augmentation
Расширение данных подразумевает искусственное увеличение размера набора данных путем применения различных преобразований к исходным данным, что повышает обобщающие возможности модели.
14. Предвзятость в ИИ / Bias in AI
Предвзятость в ИИ означает наличие несправедливых или необоснованных предпочтений в моделях ИИ, которые часто отражают человеческие предубеждения, присутствующие в обучающих данных, что приводит к дискриминационным результатам.
15. Объяснимый ИИ / Explainable AI
Целью объяснимого ИИ является сделать процессы принятия решений моделями ИИ понятными и прозрачными, что необходимо для создания доверия и понимания их поведения, особенно в критически важных приложениях.
16. Этика в ИИ / Ethics in AI
Этика в сфере ИИ касается ответственной разработки, внедрения и использования технологий ИИ, решая проблемы, связанные с конфиденциальностью, предвзятостью, прозрачностью и подотчетностью.
17. Искусственный интеллект / AI art
Искусство ИИ включает в себя произведения искусства, созданные или совместно созданные системами ИИ с использованием генеративных алгоритмов, что отражает слияние человеческого творчества и возможностей искусственного интеллекта. Генераторы ИИ, такие как Adobe Firefly, могут стимулировать творческие способности, предоставляя людям новые возможности для воображения, экспериментов и воплощения своих идей в жизнь.
По мнению Firefly, будущее видение заключается в том, что создатели смогут использовать повседневный язык и другие входные данные для применения ИИ, чтобы быстро тестировать варианты дизайна, удалять отвлекающие элементы с фотографий, добавлять элементы в иллюстрации, менять настроение видео, добавлять текстуру к 3D-объектам, создавать цифровые впечатления и многое другое.
18. Конфиденциальность данных / Data privacy
Конфиденциальность данных подразумевает защиту личной и конфиденциальной информации, используемой в наборах данных для обучения ИИ, для предотвращения несанкционированного доступа и потенциального неправомерного использования.
19. Перевод изображения в изображение / Image-to-image translation
Перевод изображений в изображения — это генеративная технология искусственного интеллекта, которая преобразует изображения из одной области в другую, позволяя выполнять такие задачи, как преобразование эскизов в фотореалистичные изображения или изменение дневных сцен на ночные.
20. Языковые модели / Language models
Языковые модели — это системы искусственного интеллекта, предназначенные для обработки и генерации человеческого языка, имеющие решающее значение для различных задач обработки естественного языка, таких как машинный перевод и реферирование текста.
21. Предварительно обученные модели / Pre-trained models
Предварительно обученные модели — это модели ИИ, обученные на больших наборах данных и доступные для дальнейшей настройки или переноса обучения на конкретные задачи.
22. Обработка естественного языка (НЛП) / Natural language processing (NLP)
NLP — это область искусственного интеллекта, направленная на то, чтобы дать компьютерам возможность понимать, интерпретировать и генерировать человеческий язык, лежащий в основе таких приложений, как чат-боты и анализ настроений.
23. Передача стиля / Style transfer
Передача стиля в ИИ подразумевает объединение стиля одного изображения с содержанием другого, создавая новые и художественные визуальные результаты.
24. Вписывание / Inpainting
Inpainting — это метод генерации изображений с помощью искусственного интеллекта, используемый для заполнения недостающих частей изображения, часто применяемый в целях реставрации и улучшения.
25. Настройка гиперпараметров / Hyperparameter tuning
Настройка гиперпараметров — это процесс оптимизации настроек (гиперпараметров) моделей ИИ для достижения более высокой производительности.
26. Переносимость / Transferability
Под переносимостью понимается способность моделей ИИ применять знания, полученные в одной области, для повышения производительности в другой области.
27. Мультимодальный ИИ / Multi-modal AI
Мультимодальный ИИ обрабатывает и генерирует контент из различных типов данных, таких как текст, изображения и аудио, что позволяет создавать более разнообразные и креативные результаты.
28. Генеративно-состязательные сети (GAN) / Generative adversarial networks (GANs)
GAN — это класс генеративных моделей ИИ, состоящих из двух нейронных сетей, генератора и дискриминатора, работающих совместно для получения высококачественных синтетических данных.
29. Вариационные автоэнкодеры (ВАЭ). / Variational autoencoders (VAEs)
VAE — это генеративные модели, которые используют кодер и декодер для изучения скрытых представлений данных и генерации новых образцов.
30. Трансформеры / Transformers
Трансформеры — это тип архитектуры глубокого обучения, широко используемый в больших языковых моделях, который упрощает параллельную обработку данных и повышает эффективность вычислений.
31. Коллективный ИИ / Collaborative AI
Совместный ИИ включает в себя системы ИИ, предназначенные для совместной работы с людьми, расширения их возможностей и содействия совместному принятию решений.
32. Этические проблемы генеративного ИИ / Ethical issues in generative AI
Этические проблемы генеративного ИИ включают опасения по поводу предвзятой генерации контента, ответственного развертывания ИИ и влияния контента, создаваемого ИИ, на общество и арт-индустрию.
33. Предметно-ориентированные языковые модели / Domain-specific language models
Предметно-ориентированные языковые модели — это модели ИИ, точно настроенные для конкретных отраслей или сфер деятельности с целью предоставления индивидуальных и точных результатов.
34. Лицензирование контента, созданного с помощью ИИ / AI-generated content licensing
Лицензирование контента, создаваемого с помощью ИИ, решает правовые вопросы, связанные с правами собственности и использования контента, создаваемого системами ИИ.
35. Сотрудничество человека и искусственного интеллекта в творчестве / Human-AI collaboration in creativity
Сотрудничество человека и искусственного интеллекта подразумевает интеграцию технологий искусственного интеллекта с человеческим вкладом, способствуя созданию симбиотических отношений для использования сильных сторон обеих сторон в творческих начинаниях.
36. Смягчение предвзятости в генеративном ИИ / Bias mitigation in generative AI
Методы смягчения предвзятости направлены на снижение предвзятости в моделях ИИ, обеспечивая справедливые и равноправные результаты при создании контента и принятии решений.
37. Интерфейс / Inference
Логический интерфейс — это процесс использования обученной модели ИИ для составления прогнозов или создания контента на основе новых входных данных.
38. Данные из области применения для обучения ИИ / In-domain data for AI training
Данные в предметной области относятся к обучающим наборам данных, которые точно отражают конкретную предметную область или целевую задачу для оптимальной производительности модели ИИ.
39. Глубокие мечты / Deep dream
Deep Dream — это метод визуализации на основе нейронных сетей, используемый для улучшения и изменения изображений, создавая сюрреалистические и сновидные визуальные эффекты.
40. Очистка данных / Data cleansing
Очистка данных включает в себя выявление и исправление ошибок и несоответствий в наборах данных для обеспечения точного и надежного обучения модели ИИ.
41. Автоэнкодеры / Autoencoders
Автоэнкодеры — это класс нейронных сетей, используемых в неконтролируемом обучении для сжатия и последующей реконструкции данных, часто используемых в задачах генеративного ИИ.
42. Стохастичность / Stochasticity
Стохастичность относится к элементу случайности в моделях ИИ, способствующему разнообразию генерируемых результатов.
43. Обучение с нуля / Zero-shot learning
Обучение с нулями — это подход к машинному обучению, при котором модель может выполнять задачи, которым она явно не обучалась, имея только текстовое описание задачи.
44. Однократное обучение / One-shot learning
Однократное обучение — это подход к машинному обучению, при котором модель может обучаться на основе всего лишь одного примера, имитируя человеческие возможности обучения.
45. Самостоятельное обучение / Self-supervised learning
Самообучение — это парадигма обучения, в которой модель использует внутреннюю структуру данных для генерации собственных обучающих меток, что снижает потребность в обширных наборах данных, размеченных человеком.
46. Совместные платформы искусственного интеллекта / Collaborative AI platforms
Платформы для совместной работы на основе ИИ, такие как Adobe Firefly, предоставляют художникам и создателям инструменты для взаимодействия с ИИ, позволяя создавать инновационный контент и исследовать новые грани творчества.
47. Инициатива по обеспечению подлинности контента / Content Authenticity Initiative
Инициатива по обеспечению подлинности контента (CAI) — это совместная инициатива различных организаций и технологических компаний, направленная на разработку стандартов и технологий для проверки подлинности цифрового медиаконтента. CAI стремится бороться с дезинформацией и дипфейками, предоставляя инструменты для отслеживания происхождения и истории изменений медиафайлов, обеспечивая целостность и прозрачность контента.
48. Учетные данные контента / Content Credentials
Учетные данные контента — это метаданные или цифровые сертификаты, прикрепленные к цифровому контенту, которые подтверждают его происхождение, авторство и историю изменений. Эти учетные данные являются частью структуры Инициативы по подлинности контента и играют ключевую роль в подтверждении легитимности и надежности медиафайлов.
49. Перерисовка / Outpainting
Перерисовка — это метод в области искусственного интеллекта и компьютерного зрения, используемый для создания контента, выходящего за границы существующего изображения. В отличие от зарисовки, которая заполняет недостающие части изображения, перерисовка расширяет контент за пределы исходных границ, часто создавая креативные и реалистичные экстраполяции.
50. Бета / Beta
В контексте программного обеспечения и приложений искусственного интеллекта бета-тестирование означает этап тестирования, на котором продукт или услуга предоставляется ограниченному кругу пользователей перед официальным релизом. Бета-тестирование позволяет разработчикам собирать отзывы, выявлять ошибки и вносить улучшения на основе реального использования, обеспечивая более стабильную и качественную финальную версию.
51. Коммерческое использование/возмещение ущерба / Commercial use/indemnification
Коммерческое использование в контексте ИИ означает использование моделей, программного обеспечения или созданного ИИ контента в целях получения прибыли. Возмещение ущерба, в свою очередь, относится к правовой защите или компенсации, предоставляемой пользователям от любых потенциальных убытков, ущерба или ответственности, возникающих в результате использования продуктов или услуг ИИ.
52. Коалиция за происхождение и подлинность контента / Coalition for Content Provenance and Authenticity
Коалиция за происхождение и подлинность контента (C2PA) — это альянс организаций, работающих над разработкой стандартов и технологий для сертификации происхождения, подлинности и достоверности цифрового контента. C2PA тесно связана с Инициативой по подлинности контента и направлена на борьбу с распространением дезинформации и обеспечение целостности медиаресурсов.
53. Заливка с учетом содержимого / Content Aware Fill
Content Aware Fill — это технология компьютерного зрения и редактирования изображений, которая позволяет программам на базе искусственного интеллекта (ИИ) интеллектуально удалять объекты или заполнять недостающие области на изображении. ИИ анализирует окружающие пиксели и текстуры, чтобы создать плавную замену, что приводит к визуально однородному и естественному результату.
54. Учет/кредит / Metering/credit
Учет или кредитование — это процесс надлежащего признания или признания создателей или владельцев контента, созданного с помощью ИИ. Он включает в себя предоставление соответствующей аккредитации для предотвращения плагиата и соблюдения прав интеллектуальной собственности.
55. Шум / Noise
В контексте искусственного интеллекта шумом называют нерелевантные или случайные данные, присутствующие в наборе данных. Эта лишняя информация может негативно повлиять на производительность и точность моделей машинного обучения, поэтому шумоподавление становится важным этапом предварительной обработки при подготовке данных.
56. Варианты / Variants
В контексте моделей или алгоритмов ИИ варианты относятся к различным версиям или итерациям, созданным путём внесения определённых изменений или корректировок в исходную модель. Эти изменения могут включать изменение гиперпараметров, обучающих данных или архитектурных конфигураций для исследования различных подходов и повышения производительности.
57. Семена / Seeds
В контексте обучения модели ИИ начальные значения (seeds) — это начальные случайные значения, задаваемые для инициализации параметров модели. Использование различных начальных значений может привести к различным результатам обучения модели, и это распространённый метод контроля случайности и обеспечения воспроизводимости.
58. ControlNet / ControlNet
ControlNet — это концепция в исследованиях искусственного интеллекта, которая предполагает обучение отдельной нейронной сети параллельно с основной моделью для мониторинга и регулирования её выходных данных. Эта вспомогательная сеть выступает в качестве механизма управления, помогая повысить стабильность, надёжность и соответствие модели заданному поведению.
59. Список NSFW, черный список / NSFW list, blocklist
NSFW расшифровывается как «Not Safe for Work» (небезопасно для работы), что указывает на контент, который может быть неприемлемым или откровенным в определённых условиях. Список NSFW или чёрный список — это набор ключевых слов, фраз или описаний контента, используемых системами искусственного интеллекта для обнаружения и фильтрации неприемлемого или конфиденциального контента из пользовательского контента или результатов поиска.
