AI glossary
اصطلاحات پیچیده را با تعریف کوتاه، مثال ذهنی و سطح دشواری مشخص یاد بگیر.
دستورالعمل مرحله‌به‌مرحله برای حل یک مسئله.
مرتب‌کردن فهرست نام‌ها با یک روش مشخص، یک الگوریتم ساده است.
با جزئیات: در AI الگوریتم مشخص می‌کند داده چگونه پردازش شود و تصمیم یا پیش‌بینی چطور شکل بگیرد.
وقتی استفاده کن که: وقتی می‌خواهی دربارهٔ روش حل یک مسئله، مستقل از ابزار، صحبت کنی.
مجموعه‌ای از آزمون‌های ثابت برای مقایسهٔ عملکرد مدل‌ها یا سیستم‌ها.
پنجاه سؤال ثابت را به دو مدل بده و دقت و زمان پاسخ را مقایسه کن.
با جزئیات: بدون سناریوی مشترک، مقایسهٔ دو مدل بیشتر شبیه حدس است تا ارزیابی.
وقتی استفاده کن که: وقتی لازم است مدل‌ها یا نسخه‌های مختلف را با یک سناریوی ثابت مقایسه کنی.
بیشترین مقدار متنی که مدل در یک درخواست می‌تواند ببیند.
اگر متن ورودی از پنجرهٔ زمینه بزرگ‌تر باشد، بخشی از آن باید حذف یا خلاصه شود.
با جزئیات: طول context روی حافظهٔ گفتگو، هزینه و کیفیت پاسخ اثر می‌گذارد.
وقتی استفاده کن که: وقتی پاسخ ناقص می‌شود یا باید بدانی چه مقدار متن را می‌توانی به مدل بدهی.
مجموعه‌ای از نمونه‌ها برای آموزش، ارزیابی یا آزمایش.
فهرست تیکت‌های برچسب‌خوردهٔ پشتیبانی می‌تواند دیتاست طبقه‌بندی باشد.
با جزئیات: کیفیت، نمایندگی و مجوز داده معمولاً از حجم خام آن مهم‌تر است.
وقتی استفاده کن که: وقتی دربارهٔ مجموعهٔ نمونه‌های آموزشی، ارزیابی یا آزمایش حرف می‌زنی.
تبدیل متن، تصویر یا داده به بردار عددی که شباهت معنایی را حفظ می‌کند.
دو متن دربارهٔ یک موضوع، حتی با واژه‌های متفاوت، embedding نزدیک‌تری می‌سازند.
با جزئیات: بردارها پایهٔ جست‌وجوی معنایی و بسیاری از سیستم‌های RAG هستند.
وقتی استفاده کن که: وقتی جست‌وجوی معنایی، پیشنهاد مشابه یا RAG می‌سازی.
آموزش بیشتر یک مدل روی نمونه‌های تخصصی برای تغییر رفتار یا سبک خروجی.
برای ثابت‌کردن سبک پاسخ روی نمونه‌های تاییدشده، می‌توان مدل را fine-tune کرد.
با جزئیات: قبل از fine-tuning باید با prompt، RAG و ارزیابی پایه مسئله را دقیق کرد.
وقتی استفاده کن که: وقتی prompt و دادهٔ زمینه‌ای کافی نیستند و به تغییر پایدار رفتار مدل نیاز داری.
قواعد و فیلترهایی که رفتار سیستم را در محدودهٔ مورد انتظار نگه می‌دارند.
محدودکردن ابزار agent به خواندن فایل‌ها یک guardrail دسترسی است.
با جزئیات: guardrail جایگزین تست و نظارت انسانی نیست؛ فقط سطح ریسک را پایین می‌آورد.
وقتی استفاده کن که: وقتی می‌خواهی ورودی، خروجی یا اقدام سیستم را در محدودهٔ امن نگه داری.
تولید پاسخ نادرست یا ساختگی با لحن مطمئن.
مدل برای کتابی که وجود ندارد، نام نویسنده و لینک ساختگی می‌سازد.
با جزئیات: منبع، citation، محدود کردن دامنه و ارزیابی منظم راه‌های کاهش این ریسک هستند.
وقتی استفاده کن که: وقتی پاسخ مطمئن به نظر می‌رسد اما منبع یا شواهد قابل بررسی ندارد.
مرحلهٔ استفاده از مدل آموزش‌دیده برای تولید پیش‌بینی یا پاسخ.
تولید پاسخ برای یک prompt در زمان استفاده، inference است.
با جزئیات: latency، هزینه و محدودیت context در زمان inference تجربهٔ کاربر را تعیین می‌کنند.
وقتی استفاده کن که: وقتی دربارهٔ زمان اجرا، latency، هزینه یا خروجی مدل آموزش‌دیده صحبت می‌کنی.
تلاش برای وادار کردن مدل به نقض دستورها یا سیاست‌های ایمنی.
کاربر تلاش می‌کند با دستورهای چندلایه، محدودیت ابزار را بی‌اثر کند.
با جزئیات: سیستم تولیدی به threat model، تست adversarial و ثبت رخداد نیاز دارد.
وقتی استفاده کن که: وقتی یک ورودی قصد دورزدن قوانین یا مرزهای ایمنی سیستم را دارد.
نمایش موجودیت‌ها و رابطه‌های آن‌ها به شکل گره و یال.
رابطهٔ «شخص در شرکت کار می‌کند» را می‌توان به شکل دو گره و یک یال ذخیره کرد.
با جزئیات: گراف دانش برای سؤال‌هایی مفید است که رابطه و مسیر از خود متن مهم‌تر است.
وقتی استفاده کن که: وقتی رابطه‌ها، مسیرها و موجودیت‌ها از متن خام مهم‌تر هستند.
مدلی آموزش‌دیده روی حجم بزرگی از متن برای فهم و تولید زبان.
یک LLM می‌تواند متن را خلاصه، بازنویسی یا بر اساس context تولید کند.
با جزئیات: LLM ابزار عمومی است؛ کیفیت کار واقعی به context، ابزارها، داده و ارزیابی وابسته است.
وقتی استفاده کن که: وقتی دربارهٔ مدل عمومی تولید یا فهم زبان صحبت می‌کنی.
استانداردی برای اتصال agent به ابزارها و منابع داده با قرارداد مشخص.
یک سرور MCP می‌تواند فهرست فایل‌های مجاز را به agent ارائه کند.
با جزئیات: MCP می‌تواند اتصال را استاندارد کند، اما مجوز و مرز دسترسی همچنان باید جداگانه کنترل شود.
وقتی استفاده کن که: وقتی می‌خواهی ابزار و منبع داده را با قرارداد مشخص به agent وصل کنی.
حوزه‌ای برای فهم، تحلیل و تولید زبان انسانی توسط ماشین.
استخراج نام شرکت‌ها از متن فارسی یک کار NLP است.
با جزئیات: جست‌وجو، خلاصه‌سازی، طبقه‌بندی و استخراج موجودیت از کاربردهای رایج NLP هستند.
وقتی استفاده کن که: وقتی مسئله‌ات فهم، طبقه‌بندی یا تولید زبان انسانی است.
مدلی که کد، وزن یا مجوز آن تا حدی برای بررسی و استفاده منتشر شده است.
پیش از استفادهٔ تجاری، مجوز وزن‌ها و دادهٔ مدل را بررسی کن.
با جزئیات: متن‌باز بودن همیشه به معنی آزاد بودن برای هر کاربرد یا ساده بودن استقرار نیست.
وقتی استفاده کن که: وقتی دربارهٔ دسترسی، اجرا یا مجوز یک مدل منتشرشده تصمیم می‌گیری.
طراحی ورودی، زمینه و محدودیت برای گرفتن خروجی قابل اتکاتر.
تعریف نقش، ورودی، فرمت JSON و معیار قبولی یک prompt مهندسی‌شده است.
با جزئیات: prompt خوب باید نقش، هدف، دادهٔ مجاز، فرمت خروجی و معیار موفقیت را روشن کند.
وقتی استفاده کن که: وقتی با تغییر ساختار ورودی می‌خواهی کیفیت و ثبات خروجی را بهتر کنی.
کاهش دقت عددی وزن‌های مدل برای کم کردن حجم و هزینهٔ اجرا.
مدل 8-bit معمولاً حافظهٔ کمتری از نسخهٔ کامل مصرف می‌کند.
با جزئیات: کاهش حجم می‌تواند هزینهٔ سرعت یا دقت داشته باشد و باید روی سناریوی واقعی سنجیده شود.
وقتی استفاده کن که: وقتی می‌خواهی مدل را ارزان‌تر یا روی سخت‌افزار محدود اجرا کنی.
بازیابی اطلاعات مرتبط از منبع بیرونی پیش از تولید پاسخ.
پیش از پاسخ به سؤال قرارداد، بندهای مرتبط از اسناد بازیابی می‌شوند.
با جزئیات: RAG مشکل به‌روز بودن و citation را بهتر می‌کند، اما کیفیت retrieval و منبع تعیین‌کننده است.
وقتی استفاده کن که: وقتی پاسخ باید به اسناد، داده یا اطلاعاتی بیرون از حافظهٔ مدل تکیه کند.
دستورالعمل سطح بالایی که رفتار کلی مدل یا agent را تعیین می‌کند.
دستور سیستمی می‌گوید پاسخ کوتاه باشد و فقط از منابع مشخص استفاده شود.
با جزئیات: system prompt به‌تنهایی مرز امنیتی کافی نیست و باید با ابزار، مجوز و تست همراه شود.
وقتی استفاده کن که: وقتی می‌خواهی رفتار پایه و قرارداد خروجی یک مدل یا agent را تعریف کنی.
معماری شبکهٔ عصبی مبتنی بر attention که پایهٔ بسیاری از مدل‌های امروزی است.
attention به مدل کمک می‌کند ارتباط واژه‌های دور از هم را در متن ببیند.
با جزئیات: توانایی پردازش رابطه‌های دور در متن باعث شد transformer در زبان و تصویر گسترده شود.
وقتی استفاده کن که: وقتی دربارهٔ معماری اصلی بسیاری از مدل‌های زبانی و چندرسانه‌ای صحبت می‌کنی.
agentی که برای انجام کار با عناصر رابط کاربری برنامه‌ریزی و تعامل می‌کند.
agent یک فرم را باز می‌کند، مقدار را وارد می‌کند و پیش از ارسال تأیید می‌گیرد.
با جزئیات: هر اقدام بیرونی باید قابل مشاهده، محدود و در صورت نیاز تأییدپذیر باشد.
وقتی استفاده کن که: وقتی agent با صفحه، دکمه، فرم یا مرورگر مثل کاربر تعامل می‌کند.
پایگاه داده‌ای برای ذخیره و جست‌وجوی embedding بر اساس شباهت.
embedding اسناد در vector database ذخیره می‌شود تا نزدیک‌ترین بخش‌ها پیدا شوند.
با جزئیات: انتخاب مدل embedding، chunking و metadata به اندازهٔ خود دیتابیس مهم است.
وقتی استفاده کن که: وقتی باید حجم زیادی از بردارها را بر اساس شباهت معنایی جست‌وجو کنی.
سیستمی که چند مرحلهٔ تعریف‌شده را با ابزار و شرط اجرا می‌کند.
agent ابتدا داده را می‌خواند، اعتبارسنجی می‌کند و سپس گزارش را ذخیره می‌کند.
با جزئیات: workflow agent باید توقف، retry، timeout و مسیر خطای مشخص داشته باشد.
وقتی استفاده کن که: وقتی کار چند مرحلهٔ ثابت، ابزار و مسیر خطا دارد.
روش‌ها و ابزارهایی برای فهم دلیل یک خروجی یا تصمیم مدل.
سیستم نشان می‌دهد کدام ویژگی‌ها بیشترین اثر را بر امتیاز داشته‌اند.
با جزئیات: توضیح‌پذیری برای debug، اعتماد و تصمیم‌های حساس مهم است؛ توضیح ساده الزاماً توضیح کامل نیست.
وقتی استفاده کن که: وقتی کاربر یا تیم باید دلیل یک پیش‌بینی یا تصمیم مدل را بفهمد.
قالب خوانایی برای نوشتن تنظیمات و داده‌های ساختاریافته.
نام محیط، پورت و feature flagها را می‌توان در YAML نگه داشت.
با جزئیات: فایل‌های design و pipeline از YAML استفاده می‌کنند، اما indentation و نوع داده باید تست شود.
وقتی استفاده کن که: وقتی دادهٔ ساختاریافته‌ای می‌خواهی که انسان هم به‌راحتی بخواند و ویرایش کند.
انجام یک کار بدون ارائهٔ نمونهٔ حل‌شده و فقط با توضیح دستور.
از مدل می‌خواهی یک متن را بدون نمونهٔ قبلی در سه bullet خلاصه کند.
با جزئیات: وقتی قرارداد خروجی دقیق باشد، zero-shot برای نمونه‌سازی سریع مفید است.
وقتی استفاده کن که: وقتی می‌خواهی با توضیح مسئله و بدون ارائهٔ نمونه شروع کنی.
