{"meta":{"title":"واژه‌نامه A to Z هوش مصنوعی","description":"هوش مصنوعی این روزها همه‌جا هست، از تیتر اخبار تا جلسات کاری، اما خیلی از واژه‌هایی که هر روز می‌شنویم، مثل «مدل زبانی بزرگ» یا «RAG» یا «فاین‌تیون»، هنوز برای خیلی‌ها گنگ و مبهم مانده‌اند. این واژه‌نامه‌ی A تا Z قرار است دقیقاً همین شکاف را پر کند: مرجعی ساده، دقیق و همیشه به‌روز از مهم‌ترین اصطلاحات هوش مصنوعی، از پایه‌ای‌ترین مفاهیم تا تکنیک‌های پیشرفته‌ای که تیم‌های فنی هر روز با آن‌ها سروکار دارند.","language":"fa-IR","url":"https://eskandari.prof/atoz-ai","canonical":"https://eskandari.prof/atoz-ai","termCount":85,"letters":["A","B","C","D","E","F","G","H","I","J","K","L","M","N","O","P","Q","R","S","T","U","V","W","X","Z"],"updatedAt":"2026-08-09","license":"Free to read and cite with attribution to eskandari.prof"},"terms":[{"id":"algorithm","name":"Algorithm (الگوریتم)","letter":"A","difficulty":"simple","difficultyLabel":"ساده","summary":"مجموعه‌ای از دستورالعمل‌های گام به گام برای حل یک مسئله","description":"الگوریتم پایه هر برنامه و مدل هوش مصنوعی است. در ML، الگوریتم مشخص می‌کند مدل چگونه از داده یاد بگیرد و تصمیم بگیرد.","url":"https://eskandari.prof/atoz-ai#algorithm","readMoreUrl":"https://en.wikipedia.org/wiki/Algorithm"},{"id":"artificial-general-intelligence-agi","name":"Artificial General Intelligence, AGI (هوش مصنوعی عمومی)","letter":"A","difficulty":"hard","difficultyLabel":"سخت","summary":"هوشی فرضی که در همه‌ی وظایف شناختی به سطح انسان یا فراتر از آن برسد","description":"برخلاف مدل‌های امروزی که در یک حوزه‌ی خاص خوب عمل می‌کنند، AGI باید بتواند مثل انسان در هر زمینه‌ای یاد بگیرد و استدلال کند. هنوز هیچ سیستمی به این سطح نرسیده و زمان رسیدن به آن هم بین متخصصان اختلاف‌نظر جدی است.","url":"https://eskandari.prof/atoz-ai#artificial-general-intelligence-agi","readMoreUrl":"https://en.wikipedia.org/wiki/Artificial_general_intelligence"},{"id":"attention-mechanism","name":"Attention Mechanism (مکانیزم توجه)","letter":"A","difficulty":"hard","difficultyLabel":"سخت","summary":"روشی در شبکه‌های عصبی که به مدل اجازه می‌دهد روی بخش‌های مهم‌تر ورودی تمرکز کند","description":"مکانیزم توجه به مدل کمک می‌کند وزن متفاوتی به کلمات مختلف یک جمله بدهد، به‌جای پردازش یکسان همه‌چیز. این ایده پایه‌ی معماری ترنسفورمر و موفقیت مدل‌های زبانی امروزی است.","url":"https://eskandari.prof/atoz-ai#attention-mechanism","readMoreUrl":"https://www.ibm.com/topics/attention-mechanism"},{"id":"api","name":"API (رابط برنامه‌نویسی کاربردی)","letter":"A","difficulty":"simple","difficultyLabel":"ساده","summary":"پلی که به دو نرم‌افزار اجازه می‌دهد با هم صحبت کنند","description":"اکثر مدل‌های زبانی مثل GPT از طریق API در دسترس توسعه‌دهنده‌ها قرار می‌گیرند، یعنی بدون دسترسی به کد داخلی مدل می‌توان از آن در اپلیکیشن خودت استفاده کرد.","url":"https://eskandari.prof/atoz-ai#api","readMoreUrl":"https://aws.amazon.com/what-is/api/"},{"id":"agent-ai-agent","name":"Agent, AI Agent (ایجنت هوش مصنوعی)","letter":"A","difficulty":"medium","difficultyLabel":"متوسط","summary":"سیستمی که برای رسیدن به یک هدف، خودش برنامه‌ریزی می‌کند و از ابزارها استفاده می‌کند","description":"برخلاف چت‌بات ساده که فقط پاسخ می‌دهد، ایجنت می‌تواند وظیفه را به مراحل کوچک‌تر بشکند، ابزار یا API صدا بزند و بدون دخالت مداوم انسان تا رسیدن به نتیجه ادامه دهد.","url":"https://eskandari.prof/atoz-ai#agent-ai-agent","readMoreUrl":"https://www.anthropic.com/news/visible-extended-thinking"},{"id":"bias","name":"Bias (سوگیری)","letter":"B","difficulty":"simple","difficultyLabel":"ساده","summary":"گرایش ناخواسته مدل به نتایج نادرست یا ناعادلانه به‌خاطر داده‌های آموزشی","description":"سوگیری وقتی رخ می‌دهد که داده‌ی آموزشی مدل نماینده‌ی کامل واقعیت نباشد. نتیجه‌اش می‌تواند تبعیض علیه یک گروه خاص یا خطای سیستماتیک در پیش‌بینی‌ها باشد.","url":"https://eskandari.prof/atoz-ai#bias","readMoreUrl":"https://www.ibm.com/topics/ai-bias"},{"id":"backpropagation","name":"Backpropagation (پس‌انتشار خطا)","letter":"B","difficulty":"hard","difficultyLabel":"سخت","summary":"الگوریتمی که میزان خطای مدل را از خروجی به عقب، لایه به لایه، منتقل می‌کند تا وزن‌ها اصلاح شوند","description":"پس‌انتشار خطا موتور اصلی آموزش شبکه‌های عصبی است. بدون آن، مدل نمی‌داند هر وزن چقدر در اشتباه نهایی سهیم بوده و چطور باید تنظیم شود.","url":"https://eskandari.prof/atoz-ai#backpropagation","readMoreUrl":"https://en.wikipedia.org/wiki/Backpropagation"},{"id":"bounding-box","name":"Bounding Box (کادر محدودکننده)","letter":"B","difficulty":"medium","difficultyLabel":"متوسط","summary":"مستطیلی که دور یک شیء در تصویر رسم می‌شود تا موقعیتش را مشخص کند","description":"در تشخیص اشیا، مدل باید هم نوع شیء را بگوید و هم مختصات این کادر را دور آن بکشد. پایه‌ی بسیاری از سیستم‌های بینایی ماشین مثل خودروهای خودران است.","url":"https://eskandari.prof/atoz-ai#bounding-box","readMoreUrl":"https://www.v7labs.com/blog/bounding-box-annotation"},{"id":"benchmark","name":"Benchmark (معیار سنجش)","letter":"B","difficulty":"medium","difficultyLabel":"متوسط","summary":"مجموعه‌ای استاندارد از تست‌ها برای مقایسه‌ی عملکرد مدل‌های مختلف","description":"بنچمارک‌هایی مثل MMLU یا HumanEval به همه اجازه می‌دهند مدل‌ها را روی یک معیار مشترک مقایسه کنند. البته بنچمارک همیشه بازتاب دقیق عملکرد در دنیای واقعی نیست.","url":"https://eskandari.prof/atoz-ai#benchmark","readMoreUrl":"https://www.nvidia.com/en-us/glossary/large-language-model-benchmarks/"},{"id":"chatbot","name":"Chatbot (چت‌بات)","letter":"C","difficulty":"simple","difficultyLabel":"ساده","summary":"برنامه‌ای که با کاربر به زبان طبیعی گفتگو می‌کند","description":"چت‌بات‌های قدیمی بر اساس قوانین ثابت کار می‌کردند، اما چت‌بات‌های امروزی مثل ChatGPT روی مدل‌های زبانی بزرگ ساخته شده‌اند و می‌توانند مکالمه‌ی باز و پیچیده داشته باشند.","url":"https://eskandari.prof/atoz-ai#chatbot","readMoreUrl":"https://www.oracle.com/chatbots/what-is-a-chatbot/"},{"id":"classification","name":"Classification (طبقه‌بندی)","letter":"C","difficulty":"simple","difficultyLabel":"ساده","summary":"فرایند دسته‌بندی داده به یک یا چند برچسب از پیش تعیین‌شده","description":"مثلاً تشخیص اسپم بودن یا نبودن یک ایمیل، یک مسئله طبقه‌بندی است. یکی از پرکاربردترین وظایف در یادگیری ماشین محسوب می‌شود.","url":"https://eskandari.prof/atoz-ai#classification","readMoreUrl":"https://developers.google.com/machine-learning/glossary#classification-model"},{"id":"context-window","name":"Context Window (پنجره زمینه)","letter":"C","difficulty":"medium","difficultyLabel":"متوسط","summary":"حداکثر مقدار متنی که مدل زبانی می‌تواند در یک لحظه ببیند و به آن توجه کند","description":"اگر مکالمه یا سندی از پنجره زمینه بزرگ‌تر شود، مدل بخش‌های ابتدایی را فراموش می‌کند. اندازه‌ی این پنجره معمولاً بر حسب تعداد توکن اندازه‌گیری می‌شود.","url":"https://eskandari.prof/atoz-ai#context-window","readMoreUrl":"https://www.ibm.com/think/topics/context-window"},{"id":"chain-of-thought","name":"Chain of Thought (زنجیره تفکر)","letter":"C","difficulty":"hard","difficultyLabel":"سخت","summary":"تکنیکی که مدل را وادار می‌کند قبل از پاسخ نهایی، مراحل استدلال خود را قدم‌به‌قدم بنویسد","description":"این روش دقت مدل را در مسائل ریاضی و منطقی به‌شدت بالا می‌برد، چون مدل به‌جای حدس مستقیم، مسیر رسیدن به جواب را می‌سازد.","url":"https://eskandari.prof/atoz-ai#chain-of-thought","readMoreUrl":"https://www.promptingguide.ai/techniques/cot"},{"id":"convolutional-neural-network-cnn","name":"Convolutional Neural Network, CNN (شبکه عصبی کانولوشنی)","letter":"C","difficulty":"hard","difficultyLabel":"سخت","summary":"نوعی شبکه عصبی که برای پردازش تصویر و الگوهای مکانی طراحی شده","description":"CNN با استفاده از فیلترهای کوچک روی بخش‌های مختلف تصویر حرکت می‌کند تا لبه‌ها، بافت‌ها و اشکال را شناسایی کند. سال‌ها پیش از ترنسفورمرها، استاندارد بینایی ماشین بود.","url":"https://eskandari.prof/atoz-ai#convolutional-neural-network-cnn","readMoreUrl":"https://www.ibm.com/topics/convolutional-neural-networks"},{"id":"corpus","name":"Corpus (پیکره متنی)","letter":"C","difficulty":"medium","difficultyLabel":"متوسط","summary":"مجموعه‌ی بزرگی از متن که برای آموزش یا تحلیل مدل زبانی استفاده می‌شود","description":"مثلاً کل ویکی‌پدیا یا آرشیو کتاب‌ها می‌تواند یک پیکره‌ی متنی باشد. کیفیت و تنوع این پیکره تاثیر مستقیم روی توانایی زبانی مدل دارد.","url":"https://eskandari.prof/atoz-ai#corpus","readMoreUrl":"https://en.wikipedia.org/wiki/Text_corpus"},{"id":"deep-learning","name":"Deep Learning (یادگیری عمیق)","letter":"D","difficulty":"simple","difficultyLabel":"ساده","summary":"زیرشاخه‌ای از یادگیری ماشین که از شبکه‌های عصبی چندلایه استفاده می‌کند","description":"یادگیری عمیق پشت اکثر پیشرفت‌های اخیر هوش مصنوعی، از تشخیص تصویر تا مدل‌های زبانی بزرگ، قرار دارد. هرچه لایه‌های شبکه بیشتر باشد، مدل می‌تواند الگوهای پیچیده‌تری یاد بگیرد.","url":"https://eskandari.prof/atoz-ai#deep-learning","readMoreUrl":"https://www.ibm.com/topics/deep-learning"},{"id":"dataset","name":"Dataset (مجموعه داده)","letter":"D","difficulty":"simple","difficultyLabel":"ساده","summary":"مجموعه‌ای از داده که برای آموزش یا آزمایش یک مدل استفاده می‌شود","description":"کیفیت و تنوع دیتاست مستقیم روی کیفیت مدل نهایی اثر می‌گذارد. اصطلاح معروف «garbage in, garbage out» دقیقاً همین موضوع را توصیف می‌کند.","url":"https://eskandari.prof/atoz-ai#dataset","readMoreUrl":"https://en.wikipedia.org/wiki/Data_set"},{"id":"diffusion-model","name":"Diffusion Model (مدل انتشار)","letter":"D","difficulty":"medium","difficultyLabel":"متوسط","summary":"مدلی که تصویر یا صدا را با یاد گرفتن حذف تدریجی نویز از یک داده‌ی کاملاً نویزی می‌سازد","description":"ابزارهایی مثل Midjourney و Stable Diffusion بر پایه‌ی همین ایده کار می‌کنند: مدل یاد می‌گیرد چطور از یک تصویر پر از نویز، قدم‌به‌قدم به یک تصویر واضح برسد.","url":"https://eskandari.prof/atoz-ai#diffusion-model","readMoreUrl":"https://www.ibm.com/topics/diffusion-models"},{"id":"data-labeling","name":"Data Labeling (برچسب‌گذاری داده)","letter":"D","difficulty":"simple","difficultyLabel":"ساده","summary":"فرایند اضافه کردن تگ یا برچسب به داده خام برای آموزش مدل","description":"مثلاً مشخص کردن این‌که در یک عکس کدام بخش «گربه» است. این کار معمولاً توسط انسان یا نیمه‌خودکار انجام می‌شود و برای یادگیری نظارت‌شده ضروری است.","url":"https://eskandari.prof/atoz-ai#data-labeling","readMoreUrl":"https://www.techtarget.com/whatis/definition/data-labeling"},{"id":"distillation","name":"Distillation (تقطیر دانش مدل)","letter":"D","difficulty":"hard","difficultyLabel":"سخت","summary":"فرایند انتقال دانش یک مدل بزرگ به یک مدل کوچک‌تر و سریع‌تر","description":"مدل کوچک، به‌جای یادگیری مستقیم از داده خام، سعی می‌کند رفتار مدل بزرگ‌تر را تقلید کند. نتیجه، مدلی سبک‌تر با عملکرد نزدیک به مدل اصلی است.","url":"https://eskandari.prof/atoz-ai#distillation","readMoreUrl":"https://www.ibm.com/topics/knowledge-distillation"},{"id":"embedding","name":"Embedding (بردار جاسازی)","letter":"E","difficulty":"medium","difficultyLabel":"متوسط","summary":"نمایش عددی یک کلمه، جمله یا تصویر در فضایی چندبعدی که معنا را حفظ می‌کند","description":"مفاهیم مشابه در فضای embedding به هم نزدیک قرار می‌گیرند. این تکنیک پایه‌ی جستجوی معنایی و RAG است.","url":"https://eskandari.prof/atoz-ai#embedding","readMoreUrl":"https://www.pinecone.io/learn/vector-embeddings/"},{"id":"explainable-ai-xai","name":"Explainable AI, XAI (هوش مصنوعی قابل تفسیر)","letter":"E","difficulty":"medium","difficultyLabel":"متوسط","summary":"مجموعه‌ای از روش‌ها برای فهمیدن این‌که چرا مدل به یک نتیجه‌ی خاص رسیده","description":"هرچه مدل پیچیده‌تر می‌شود، تصمیمش شبیه یک جعبه‌سیاه‌تر می‌شود. XAI تلاش می‌کند این جعبه سیاه را باز کند، به‌خصوص در حوزه‌های حساس مثل پزشکی و مالی.","url":"https://eskandari.prof/atoz-ai#explainable-ai-xai","readMoreUrl":"https://www.ibm.com/topics/explainable-ai"},{"id":"epoch","name":"Epoch (دوره آموزشی)","letter":"E","difficulty":"medium","difficultyLabel":"متوسط","summary":"یک بار عبور کامل مدل از تمام داده‌های آموزشی","description":"مدل معمولاً برای رسیدن به عملکرد خوب، باید چندین epoch روی داده تکرار شود. تعداد epoch زیاد می‌تواند باعث overfitting شود.","url":"https://eskandari.prof/atoz-ai#epoch","readMoreUrl":"https://www.geeksforgeeks.org/deep-learning/epoch-in-machine-learning/"},{"id":"ethics-in-ai","name":"Ethics in AI (اخلاق در هوش مصنوعی)","letter":"E","difficulty":"simple","difficultyLabel":"ساده","summary":"حوزه‌ای که به تاثیرات اجتماعی، عادلانه بودن و ایمنی سیستم‌های هوش مصنوعی می‌پردازد","description":"موضوعاتی مثل حریم خصوصی، سوگیری، شفافیت تصمیم‌گیری مدل و تاثیر بر اشتغال، همه زیرمجموعه‌ی اخلاق در AI هستند.","url":"https://eskandari.prof/atoz-ai#ethics-in-ai","readMoreUrl":"https://www.unesco.org/en/artificial-intelligence/recommendation-ethics"},{"id":"fine-tuning","name":"Fine-tuning (تنظیم دقیق مدل)","letter":"F","difficulty":"medium","difficultyLabel":"متوسط","summary":"آموزش بیشتر یک مدل از پیش‌آموزش‌دیده روی یک دیتاست کوچک‌تر و تخصصی","description":"فاین‌تیون به‌جای ساخت مدل از صفر، رفتار یک مدل پایه را برای وظیفه یا لحن خاصی تنظیم می‌کند، مثلاً یک مدل عمومی را متخصص پزشکی می‌کند.","url":"https://eskandari.prof/atoz-ai#fine-tuning","readMoreUrl":"https://www.ibm.com/topics/fine-tuning"},{"id":"few-shot-learning","name":"Few-shot Learning (یادگیری با نمونه‌های کم)","letter":"F","difficulty":"medium","difficultyLabel":"متوسط","summary":"توانایی مدل در یادگیری یک وظیفه جدید فقط با دیدن چند نمونه در پرامپت","description":"به‌جای فاین‌تیون کردن مدل، فقط چند مثال ورودی-خروجی داخل پرامپت می‌گذاری تا مدل الگو را بفهمد و همان‌طور ادامه دهد.","url":"https://eskandari.prof/atoz-ai#few-shot-learning","readMoreUrl":"https://www.promptingguide.ai/techniques/fewshot"},{"id":"feature-engineering","name":"Feature Engineering (مهندسی ویژگی)","letter":"F","difficulty":"medium","difficultyLabel":"متوسط","summary":"فرایند انتخاب یا ساخت ویژگی‌های مناسب از داده خام برای بهبود عملکرد مدل","description":"مثلاً از تاریخ تولد، «سن» را به‌عنوان یک ویژگی جدید می‌سازی. در مدل‌های کلاسیک یادگیری ماشین، کیفیت این کار تاثیر زیادی روی دقت نهایی دارد.","url":"https://eskandari.prof/atoz-ai#feature-engineering","readMoreUrl":"https://www.geeksforgeeks.org/machine-learning/what-is-feature-engineering/"},{"id":"foundation-model","name":"Foundation Model (مدل پایه)","letter":"F","difficulty":"simple","difficultyLabel":"ساده","summary":"مدلی بزرگ که روی حجم عظیمی از داده آموزش دیده و پایه‌ی کاربردهای مختلف قرار می‌گیرد","description":"مدل‌هایی مثل GPT یا Claude، مدل‌های پایه هستند. یعنی به‌جای ساخت مدل از صفر، می‌توان همین مدل را برای کاربردهای خاص فاین‌تیون یا پرامپت کرد.","url":"https://eskandari.prof/atoz-ai#foundation-model","readMoreUrl":"https://en.wikipedia.org/wiki/Foundation_model"},{"id":"generative-ai","name":"Generative AI (هوش مصنوعی مولد)","letter":"G","difficulty":"simple","difficultyLabel":"ساده","summary":"هوش مصنوعی که محتوای جدید مثل متن، تصویر یا صدا تولید می‌کند","description":"برخلاف مدل‌های سنتی که فقط طبقه‌بندی یا پیش‌بینی می‌کنند، هوش مصنوعی مولد چیز تازه‌ای خلق می‌کند که قبلاً وجود نداشته.","url":"https://eskandari.prof/atoz-ai#generative-ai","readMoreUrl":"https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-generative-ai"},{"id":"gan-generative-adversarial-network","name":"GAN, Generative Adversarial Network (شبکه تخاصمی مولد)","letter":"G","difficulty":"hard","difficultyLabel":"سخت","summary":"دو شبکه عصبی که در رقابت با هم، یکی داده جعلی می‌سازد و دیگری سعی می‌کند آن را تشخیص دهد","description":"این رقابت باعث می‌شود شبکه‌ی سازنده، خروجی‌هایی به‌مرور واقعی‌تر تولید کند. پیش از مدل‌های انتشار، GAN استاندارد اصلی تولید تصویر مصنوعی بود.","url":"https://eskandari.prof/atoz-ai#gan-generative-adversarial-network","readMoreUrl":"https://developers.google.com/machine-learning/gan"},{"id":"gpu","name":"GPU (پردازنده گرافیکی)","letter":"G","difficulty":"simple","difficultyLabel":"ساده","summary":"سخت‌افزاری که به‌خاطر پردازش موازی، برای آموزش مدل‌های هوش مصنوعی ضروری است","description":"GPU در اصل برای رندر گرافیک بازی طراحی شده بود، اما ساختار موازی‌اش برای محاسبات سنگین شبکه‌های عصبی هم فوق‌العاده مناسب از آب درآمد.","url":"https://eskandari.prof/atoz-ai#gpu","readMoreUrl":"https://www.nvidia.com/en-us/glossary/data-science/gpu/"},{"id":"guardrails","name":"Guardrails (محافظ‌ها)","letter":"G","difficulty":"simple","difficultyLabel":"ساده","summary":"قوانین و فیلترهایی که رفتار مدل را در محدوده‌ی امن و مطلوب نگه می‌دارند","description":"گاردریل‌ها جلوی خروجی‌های مضر، خارج از موضوع یا خطرناک را می‌گیرند. می‌توانند در سطح پرامپت، کد یا حتی خود مدل پیاده‌سازی شوند.","url":"https://eskandari.prof/atoz-ai#guardrails","readMoreUrl":"https://www.nvidia.com/en-us/glossary/ai-guardrails/"},{"id":"gradient-descent","name":"Gradient Descent (گرادیان کاهشی)","letter":"G","difficulty":"hard","difficultyLabel":"سخت","summary":"الگوریتم بهینه‌سازی که وزن‌های مدل را قدم‌به‌قدم در جهت کاهش خطا تغییر می‌دهد","description":"تصورش مثل پایین آمدن از یک تپه در مه غلیظ است، هر قدم را در جهتی برمی‌داری که سریع‌تر پایین بروی. این فرایند قلب آموزش تقریباً هر شبکه عصبی است.","url":"https://eskandari.prof/atoz-ai#gradient-descent","readMoreUrl":"https://www.ibm.com/topics/gradient-descent"},{"id":"hallucination","name":"Hallucination (توهم مدل)","letter":"H","difficulty":"simple","difficultyLabel":"ساده","summary":"وقتی مدل زبانی با اعتمادبه‌نفس، اطلاعات غلط یا ساختگی تولید می‌کند","description":"هالوسینیشن یکی از بزرگ‌ترین چالش‌های LLMها است، چون مدل هیچ راهی برای تشخیص «دانستن» از «حدس زدن» ندارد و هر دو را با لحن یکسان بیان می‌کند.","url":"https://eskandari.prof/atoz-ai#hallucination","readMoreUrl":"https://www.ibm.com/topics/ai-hallucinations"},{"id":"hyperparameter","name":"Hyperparameter (فراپارامتر)","letter":"H","difficulty":"medium","difficultyLabel":"متوسط","summary":"تنظیماتی که پیش از شروع آموزش توسط انسان مشخص می‌شوند، نه توسط خود مدل","description":"مثل نرخ یادگیری یا تعداد لایه‌های شبکه. برخلاف پارامترهای مدل که در آموزش تنظیم می‌شوند، فراپارامترها را باید از قبل انتخاب کرد.","url":"https://eskandari.prof/atoz-ai#hyperparameter","readMoreUrl":"https://www.ibm.com/topics/hyperparameter-tuning"},{"id":"human-in-the-loop","name":"Human-in-the-Loop (انسان در حلقه)","letter":"H","difficulty":"medium","difficultyLabel":"متوسط","summary":"فرایندی که در آن انسان در بخشی از تصمیم‌گیری یا آموزش مدل دخالت می‌کند","description":"مثلاً بررسی و اصلاح خروجی مدل توسط انسان پیش از استفاده نهایی. این روش دقت و ایمنی سیستم را بالا می‌برد، به‌خصوص در تصمیمات حساس.","url":"https://eskandari.prof/atoz-ai#human-in-the-loop","readMoreUrl":"https://en.wikipedia.org/wiki/Human-in-the-loop"},{"id":"inference","name":"Inference (استنتاج)","letter":"I","difficulty":"medium","difficultyLabel":"متوسط","summary":"مرحله‌ای که مدل آموزش‌دیده، روی داده‌ی جدید پیش‌بینی یا پاسخ تولید می‌کند","description":"برخلاف آموزش که هزینه‌بر و یک‌بار انجام می‌شود، استنتاج هر بار که کاربر از مدل سوال می‌پرسد اتفاق می‌افتد و هزینه‌ی اجرایی مداوم دارد.","url":"https://eskandari.prof/atoz-ai#inference","readMoreUrl":"https://www.digitalocean.com/community/tutorials/llm-inference-optimization"},{"id":"image-recognition","name":"Image Recognition (تشخیص تصویر)","letter":"I","difficulty":"simple","difficultyLabel":"ساده","summary":"توانایی مدل در شناسایی اشیا، افراد یا صحنه‌ها درون یک تصویر","description":"از فیلتر عکس گوشی تا خودروهای خودران، همه به نوعی از تشخیص تصویر استفاده می‌کنند. این حوزه بخشی از بینایی ماشین محسوب می‌شود.","url":"https://eskandari.prof/atoz-ai#image-recognition","readMoreUrl":"https://cloud.google.com/vision"},{"id":"instruction-tuning","name":"Instruction Tuning (تنظیم دستوری)","letter":"I","difficulty":"hard","difficultyLabel":"سخت","summary":"فاین‌تیون کردن مدل روی مجموعه‌ای از دستور و پاسخ، تا بهتر از دستورات انسانی پیروی کند","description":"این مرحله باعث می‌شود مدل خام که فقط دنباله متن را پیش‌بینی می‌کند، به دستیاری تبدیل شود که واقعاً به سوال یا درخواست پاسخ می‌دهد.","url":"https://eskandari.prof/atoz-ai#instruction-tuning","readMoreUrl":"https://www.superannotate.com/blog/instruction-fine-tuning"},{"id":"jailbreak-prompt-injection","name":"Jailbreak / Prompt Injection (فرار از محدودیت / تزریق پرامپت)","letter":"J","difficulty":"medium","difficultyLabel":"متوسط","summary":"تکنیک‌هایی برای دور زدن محدودیت‌های ایمنی مدل با پرامپت‌های هوشمندانه","description":"جیل‌بریک روی خود مدل انجام می‌شود، اما تزریق پرامپت معمولاً از طریق داده‌ی خارجی (مثل یک سند یا صفحه‌ی وب) دستورات مخفی را وارد سیستم می‌کند. هر دو از چالش‌های اصلی امنیت LLM هستند.","url":"https://eskandari.prof/atoz-ai#jailbreak-prompt-injection","readMoreUrl":"https://www.ibm.com/topics/prompt-injection"},{"id":"knowledge-graph","name":"Knowledge Graph (گراف دانش)","letter":"K","difficulty":"medium","difficultyLabel":"متوسط","summary":"ساختاری که موجودیت‌ها و روابط بین آن‌ها را به‌صورت گره و یال نمایش می‌دهد","description":"مثلاً «تهران، پایتخت، ایران» یک رابطه در گراف دانش است. این ساختار به سیستم‌ها کمک می‌کند دانش را دقیق‌تر و قابل جستجوتر نگه دارند.","url":"https://eskandari.prof/atoz-ai#knowledge-graph","readMoreUrl":"https://www.ibm.com/topics/knowledge-graph"},{"id":"k-nearest-neighbors-k-nn-k","name":"k-Nearest Neighbors, k-NN (نزدیک‌ترین همسایگان k)","letter":"K","difficulty":"hard","difficultyLabel":"سخت","summary":"الگوریتمی ساده که یک نمونه جدید را بر اساس شباهتش به k نمونه‌ی نزدیک در داده آموزشی طبقه‌بندی می‌کند","description":"مدل هیچ یادگیری واقعی ندارد و در لحظه‌ی پیش‌بینی، فاصله‌ی نمونه جدید تا همه‌ی داده‌ها را حساب می‌کند. ساده اما برای دیتاست‌های بزرگ کند است.","url":"https://eskandari.prof/atoz-ai#k-nearest-neighbors-k-nn-k","readMoreUrl":"https://www.ibm.com/topics/knn"},{"id":"llm-large-language-model","name":"LLM, Large Language Model (مدل زبانی بزرگ)","letter":"L","difficulty":"simple","difficultyLabel":"ساده","summary":"مدلی که روی حجم عظیمی از متن آموزش دیده تا زبان انسان را بفهمد و تولید کند","description":"GPT، Claude و Gemini همه LLM هستند. اندازه‌ی «بزرگ» به میلیاردها پارامتر مدل اشاره دارد که به آن قدرت درک زمینه و تولید متن روان می‌دهد.","url":"https://eskandari.prof/atoz-ai#llm-large-language-model","readMoreUrl":"https://www.cloudflare.com/learning/ai/what-is-large-language-model/"},{"id":"latency","name":"Latency (تاخیر)","letter":"L","difficulty":"simple","difficultyLabel":"ساده","summary":"مدت زمانی که طول می‌کشد تا مدل بعد از دریافت درخواست، پاسخ بدهد","description":"تاخیر کم برای اپلیکیشن‌های real-time مثل چت‌بات یا دستیار صوتی حیاتی است. مدل‌های بزرگ‌تر معمولاً تاخیر بیشتری دارند.","url":"https://eskandari.prof/atoz-ai#latency","readMoreUrl":"https://www.cloudflare.com/learning/performance/glossary/what-is-latency/"},{"id":"loss-function","name":"Loss Function (تابع خطا)","letter":"L","difficulty":"hard","difficultyLabel":"سخت","summary":"فرمولی که میزان اشتباه پیش‌بینی مدل نسبت به پاسخ درست را عددی می‌کند","description":"هدف کل فرایند آموزش، کمینه کردن همین عدد است. انتخاب تابع خطای مناسب برای هر مسئله، تاثیر زیادی روی نتیجه‌ی نهایی مدل دارد.","url":"https://eskandari.prof/atoz-ai#loss-function","readMoreUrl":"https://www.datacamp.com/tutorial/loss-function-in-machine-learning"},{"id":"lora-low-rank-adaptation","name":"LoRA, Low-Rank Adaptation (لورا)","letter":"L","difficulty":"hard","difficultyLabel":"سخت","summary":"روشی سبک برای فاین‌تیون مدل‌های بزرگ، بدون تغییر همه‌ی پارامترهای اصلی","description":"به‌جای آموزش دوباره‌ی میلیاردها پارامتر، LoRA فقط چند لایه‌ی کوچک اضافه می‌کند و آموزش می‌دهد، که هزینه و حافظه‌ی مورد نیاز را به‌شدت کاهش می‌دهد.","url":"https://eskandari.prof/atoz-ai#lora-low-rank-adaptation","readMoreUrl":"https://www.ibm.com/topics/lora"},{"id":"machine-learning","name":"Machine Learning (یادگیری ماشین)","letter":"M","difficulty":"simple","difficultyLabel":"ساده","summary":"شاخه‌ای از هوش مصنوعی که در آن مدل از داده یاد می‌گیرد، نه از قوانین از پیش نوشته‌شده","description":"به‌جای برنامه‌نویسی دستی هر قانون، مدل با دیدن نمونه‌های زیاد، الگوها را خودش کشف می‌کند. زیربنای اکثر سیستم‌های هوش مصنوعی امروزی است.","url":"https://eskandari.prof/atoz-ai#machine-learning","readMoreUrl":"https://www.ibm.com/topics/machine-learning"},{"id":"model","name":"Model (مدل)","letter":"M","difficulty":"simple","difficultyLabel":"ساده","summary":"فایل یا سیستمی که پس از آموزش روی داده، می‌تواند پیش‌بینی یا تصمیم بگیرد","description":"مدل حاصل نهایی فرایند یادگیری ماشین است، شامل وزن‌ها و پارامترهایی که در طول آموزش تنظیم شده‌اند.","url":"https://eskandari.prof/atoz-ai#model","readMoreUrl":"https://developers.google.com/machine-learning/glossary#model"},{"id":"multimodal-ai","name":"Multimodal AI (هوش مصنوعی چندوجهی)","letter":"M","difficulty":"medium","difficultyLabel":"متوسط","summary":"سیستمی که می‌تواند بیش از یک نوع داده مثل متن، تصویر و صدا را همزمان بفهمد یا تولید کند","description":"مدلی که هم عکس را توصیف می‌کند و هم به سوال متنی درباره‌ی آن پاسخ می‌دهد، چندوجهی است. این قابلیت روزبه‌روز به بخش استاندارد مدل‌های پیشرفته تبدیل می‌شود.","url":"https://eskandari.prof/atoz-ai#multimodal-ai","readMoreUrl":"https://www.ibm.com/topics/multimodal-ai"},{"id":"mcp-model-context-protocol","name":"MCP, Model Context Protocol (پروتکل زمینه مدل)","letter":"M","difficulty":"hard","difficultyLabel":"سخت","summary":"استانداردی باز که به مدل‌های زبانی اجازه می‌دهد به‌شکل یکسان به ابزارها و منابع داده‌ی خارجی وصل شوند","description":"پیش از MCP، هر اتصال بین مدل و ابزار (مثل گوگل درایو یا اسلک) باید جداگانه پیاده‌سازی می‌شد. این پروتکل مثل یک زبان مشترک، اتصال ایجنت‌ها به دنیای بیرون را ساده‌تر می‌کند.","url":"https://eskandari.prof/atoz-ai#mcp-model-context-protocol","readMoreUrl":"https://docs.claude.com/en/docs/mcp"},{"id":"mixture-of-experts","name":"Mixture of Experts (ترکیب متخصصان)","letter":"M","difficulty":"hard","difficultyLabel":"سخت","summary":"معماری‌ای که به‌جای فعال کردن کل مدل، برای هر ورودی فقط زیرمجموعه‌ای از «متخصص‌ها» را فعال می‌کند","description":"این روش اجازه می‌دهد مدل خیلی بزرگ باشد اما در لحظه‌ی پاسخ‌دهی، فقط بخش کوچکی از آن محاسبه شود، که سرعت و بهره‌وری را بالا می‌برد.","url":"https://eskandari.prof/atoz-ai#mixture-of-experts","readMoreUrl":"https://www.ibm.com/topics/mixture-of-experts"},{"id":"neural-network","name":"Neural Network (شبکه عصبی)","letter":"N","difficulty":"simple","difficultyLabel":"ساده","summary":"ساختاری از لایه‌های به‌هم‌متصل که با الهام از مغز انسان طراحی شده","description":"شبکه عصبی از نورون‌های مصنوعی تشکیل شده که در لایه‌های ورودی، پنهان و خروجی قرار دارند. پایه‌ی اصلی یادگیری عمیق است.","url":"https://eskandari.prof/atoz-ai#neural-network","readMoreUrl":"https://www.ibm.com/topics/neural-networks"},{"id":"nlp-natural-language-processing","name":"NLP, Natural Language Processing (پردازش زبان طبیعی)","letter":"N","difficulty":"simple","difficultyLabel":"ساده","summary":"شاخه‌ای از هوش مصنوعی که به ماشین کمک می‌کند زبان انسان را بفهمد و تولید کند","description":"ترجمه ماشینی، تحلیل احساسات متن و چت‌بات‌ها همه از NLP استفاده می‌کنند. مدل‌های زبانی بزرگ امروزی، پیشرفته‌ترین شکل NLP هستند.","url":"https://eskandari.prof/atoz-ai#nlp-natural-language-processing","readMoreUrl":"https://www.ibm.com/topics/natural-language-processing"},{"id":"named-entity-recognition","name":"Named Entity Recognition (تشخیص موجودیت‌های نامدار)","letter":"N","difficulty":"medium","difficultyLabel":"متوسط","summary":"توانایی مدل در پیدا کردن و برچسب زدن اسم‌های خاص مثل افراد، مکان‌ها و سازمان‌ها در متن","description":"مثلاً در جمله «علی در تهران کار می‌کند»، مدل باید «علی» را شخص و «تهران» را مکان تشخیص دهد. این کار پایه‌ی بسیاری از سیستم‌های استخراج اطلاعات است.","url":"https://eskandari.prof/atoz-ai#named-entity-recognition","readMoreUrl":"https://www.ibm.com/topics/named-entity-recognition"},{"id":"overfitting","name":"Overfitting (بیش‌برازش)","letter":"O","difficulty":"medium","difficultyLabel":"متوسط","summary":"وقتی مدل داده‌ی آموزشی را «حفظ» می‌کند به‌جای یاد گرفتن الگوی کلی","description":"مدلی که overfit شده، روی داده‌ای که دیده عالی عمل می‌کند اما روی داده‌ی جدید ضعیف است، چون به‌جای یادگیری واقعی، جزئیات را حفظ کرده.","url":"https://eskandari.prof/atoz-ai#overfitting","readMoreUrl":"https://www.ibm.com/topics/overfitting"},{"id":"open-source-model","name":"Open Source Model (مدل متن‌باز)","letter":"O","difficulty":"simple","difficultyLabel":"ساده","summary":"مدلی که وزن‌ها یا کدش عمومی و قابل دانلود است","description":"مدل‌های متن‌باز مثل Llama یا Mistral به توسعه‌دهنده‌ها اجازه می‌دهند مدل را روی سرور خودشان اجرا و حتی فاین‌تیون کنند، برخلاف مدل‌های بسته که فقط از طریق API در دسترس‌اند.","url":"https://eskandari.prof/atoz-ai#open-source-model","readMoreUrl":"https://opensource.org/ai/open-source-ai-definition"},{"id":"one-shot-learning","name":"One-shot Learning (یادگیری تک‌نمونه‌ای)","letter":"O","difficulty":"medium","difficultyLabel":"متوسط","summary":"توانایی مدل در یادگیری یک وظیفه فقط با دیدن یک نمونه‌ی واحد","description":"حالت خاصی از few-shot learning است که در آن فقط یک مثال به مدل نشان داده می‌شود تا الگوی درخواست شده را بفهمد.","url":"https://eskandari.prof/atoz-ai#one-shot-learning","readMoreUrl":"https://www.geeksforgeeks.org/machine-learning/one-shot-learning-in-machine-learning-1/"},{"id":"prompt-engineering","name":"Prompt Engineering (مهندسی پرامپت)","letter":"P","difficulty":"simple","difficultyLabel":"ساده","summary":"هنر و مهارت نوشتن ورودی برای گرفتن بهترین خروجی از مدل زبانی","description":"یک پرامپت خوب می‌تواند کیفیت خروجی مدل را کاملاً متفاوت کند، بدون این‌که خود مدل تغییری کرده باشد. شامل تکنیک‌هایی مثل مثال دادن یا مشخص کردن فرمت خروجی است.","url":"https://eskandari.prof/atoz-ai#prompt-engineering","readMoreUrl":"https://www.promptingguide.ai/"},{"id":"parameter","name":"Parameter (پارامتر)","letter":"P","difficulty":"simple","difficultyLabel":"ساده","summary":"مقادیر عددی درون مدل که در فرایند آموزش تنظیم می‌شوند","description":"تعداد پارامترها معمولاً به‌عنوان معیاری از «اندازه» مدل استفاده می‌شود، مثلاً مدلی با ۷۰ میلیارد پارامتر. پارامتر بیشتر لزوماً به معنی مدل بهتر نیست.","url":"https://eskandari.prof/atoz-ai#parameter","readMoreUrl":"https://www.techtarget.com/searchenterpriseai/definition/parameter"},{"id":"pretraining","name":"Pretraining (پیش‌آموزش)","letter":"P","difficulty":"medium","difficultyLabel":"متوسط","summary":"مرحله‌ی اول و پرهزینه‌ی آموزش مدل، روی حجم عظیمی از داده‌ی عمومی و بدون برچسب","description":"در این مرحله مدل زبان، دستور زبان و دانش عمومی را یاد می‌گیرد. مراحل بعدی مثل فاین‌تیون، روی همین پایه ساخته می‌شوند.","url":"https://eskandari.prof/atoz-ai#pretraining","readMoreUrl":"https://www.ibm.com/topics/pretraining"},{"id":"perceptron","name":"Perceptron (پرسپترون)","letter":"P","difficulty":"hard","difficultyLabel":"سخت","summary":"ساده‌ترین واحد محاسباتی در شبکه عصبی، الهام‌گرفته از یک نورون زیستی","description":"پرسپترون ورودی‌ها را با وزن‌های مختلف جمع می‌زند و از یک تابع فعال‌سازی عبور می‌دهد. ترکیب هزاران پرسپترون در لایه‌های مختلف، شبکه عصبی امروزی را می‌سازد.","url":"https://eskandari.prof/atoz-ai#perceptron","readMoreUrl":"https://en.wikipedia.org/wiki/Perceptron"},{"id":"quantization","name":"Quantization (کوانتیزاسیون)","letter":"Q","difficulty":"hard","difficultyLabel":"سخت","summary":"فشرده‌سازی مدل با کاهش دقت عددی وزن‌ها، مثلاً از ۳۲ بیت به ۴ بیت","description":"کوانتیزاسیون حجم مدل و مصرف حافظه را به‌شدت کاهش می‌دهد و اجازه می‌دهد مدل‌های بزرگ روی سخت‌افزار ضعیف‌تر یا حتی موبایل اجرا شوند، البته با کمی افت دقت.","url":"https://eskandari.prof/atoz-ai#quantization","readMoreUrl":"https://www.ibm.com/topics/quantization"},{"id":"query","name":"Query (پرس‌وجو)","letter":"Q","difficulty":"simple","difficultyLabel":"ساده","summary":"درخواستی که کاربر یا سیستم برای جستجو یا دریافت اطلاعات ارسال می‌کند","description":"در سیستم‌های RAG یا جستجوی معنایی، کوئری همان سوال یا عبارتی است که قرار است به نتایج یا اسناد مرتبط تبدیل شود.","url":"https://eskandari.prof/atoz-ai#query","readMoreUrl":"https://en.wikipedia.org/wiki/Query_language"},{"id":"rag-retrieval-augmented-generation","name":"RAG, Retrieval Augmented Generation (تولید افزوده با بازیابی)","letter":"R","difficulty":"medium","difficultyLabel":"متوسط","summary":"تکنیکی که پیش از پاسخ دادن، مدل اطلاعات مرتبط را از یک منبع خارجی (مثل پایگاه داده یا اسناد) بازیابی می‌کند","description":"RAG به مدل کمک می‌کند بدون نیاز به فاین‌تیون، از اطلاعات به‌روز یا اختصاصی سازمان استفاده کند و هالوسینیشن را هم کاهش می‌دهد.","url":"https://eskandari.prof/atoz-ai#rag-retrieval-augmented-generation","readMoreUrl":"https://www.ibm.com/topics/retrieval-augmented-generation"},{"id":"reinforcement-learning","name":"Reinforcement Learning (یادگیری تقویتی)","letter":"R","difficulty":"medium","difficultyLabel":"متوسط","summary":"روشی که مدل از طریق پاداش و جریمه، رفتار بهینه را یاد می‌گیرد","description":"مدل با آزمون و خطا در یک محیط عمل می‌کند و بر اساس نتیجه‌ی هر عمل، پاداش یا جریمه می‌گیرد. در بازی‌ها، رباتیک و تنظیم رفتار LLM کاربرد دارد.","url":"https://eskandari.prof/atoz-ai#reinforcement-learning","readMoreUrl":"https://www.ibm.com/topics/reinforcement-learning"},{"id":"rlhf-reinforcement-learning-from-human-feedback","name":"RLHF, Reinforcement Learning from Human Feedback (یادگیری تقویتی از بازخورد انسانی)","letter":"R","difficulty":"hard","difficultyLabel":"سخت","summary":"روشی که در آن ترجیحات انسانی برای آموزش مدل به سیگنال پاداش تبدیل می‌شود","description":"انسان‌ها بین چند پاسخ مدل، بهترین را انتخاب می‌کنند، سپس مدل با یادگیری تقویتی یاد می‌گیرد پاسخ‌هایی شبیه گزینه‌ی برتر تولید کند. نقش کلیدی در همسو کردن رفتار مدل‌های زبانی امروزی دارد.","url":"https://eskandari.prof/atoz-ai#rlhf-reinforcement-learning-from-human-feedback","readMoreUrl":"https://www.ibm.com/topics/rlhf"},{"id":"regression","name":"Regression (رگرسیون)","letter":"R","difficulty":"medium","difficultyLabel":"متوسط","summary":"وظیفه‌ای در یادگیری ماشین که خروجی آن یک عدد پیوسته است، نه یک دسته","description":"مثلاً پیش‌بینی قیمت خانه یا دمای فردا، مسئله‌ی رگرسیون است، برخلاف طبقه‌بندی که خروجی آن یک برچسب مشخص است.","url":"https://eskandari.prof/atoz-ai#regression","readMoreUrl":"https://www.ibm.com/topics/linear-regression"},{"id":"supervised-learning","name":"Supervised Learning (یادگیری نظارت‌شده)","letter":"S","difficulty":"simple","difficultyLabel":"ساده","summary":"روشی که مدل از داده‌های دارای برچسب یاد می‌گیرد","description":"در این روش، به مدل هم ورودی و هم پاسخ درست داده می‌شود تا رابطه‌ی بین آن‌ها را یاد بگیرد. اکثر مدل‌های طبقه‌بندی و پیش‌بینی با این روش آموزش می‌بینند.","url":"https://eskandari.prof/atoz-ai#supervised-learning","readMoreUrl":"https://www.ibm.com/topics/supervised-learning"},{"id":"semantic-search","name":"Semantic Search (جستجوی معنایی)","letter":"S","difficulty":"medium","difficultyLabel":"متوسط","summary":"جستجویی که بر اساس معنای عبارت کار می‌کند، نه فقط تطابق کلمه‌به‌کلمه","description":"با استفاده از embedding، سیستم می‌تواند نتایجی را پیدا کند که از نظر مفهومی مرتبط‌اند حتی اگر کلمات دقیقاً یکسان نباشند. پایه‌ی موتورهای جستجوی هوشمند و RAG است.","url":"https://eskandari.prof/atoz-ai#semantic-search","readMoreUrl":"https://www.elastic.co/what-is/semantic-search"},{"id":"synthetic-data","name":"Synthetic Data (داده مصنوعی)","letter":"S","difficulty":"medium","difficultyLabel":"متوسط","summary":"داده‌ای که به‌جای جمع‌آوری از دنیای واقعی، توسط الگوریتم یا مدل دیگر تولید می‌شود","description":"وقتی داده‌ی واقعی کم، گران یا حساس (مثل داده پزشکی) باشد، داده‌ی مصنوعی می‌تواند جایگزین یا مکمل آن برای آموزش مدل باشد.","url":"https://eskandari.prof/atoz-ai#synthetic-data","readMoreUrl":"https://www.ibm.com/topics/synthetic-data"},{"id":"system-prompt","name":"System Prompt (پرامپت سیستمی)","letter":"S","difficulty":"simple","difficultyLabel":"ساده","summary":"دستورالعملی که پیش از شروع گفتگو، رفتار کلی مدل را تعیین می‌کند","description":"برخلاف پرامپت کاربر که هر بار تغییر می‌کند، پرامپت سیستمی معمولاً ثابت است و لحن، نقش و محدودیت‌های مدل را در طول کل مکالمه مشخص می‌کند.","url":"https://eskandari.prof/atoz-ai#system-prompt","readMoreUrl":"https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/system-prompts"},{"id":"transformer","name":"Transformer (ترنسفورمر)","letter":"T","difficulty":"hard","difficultyLabel":"سخت","summary":"معماری شبکه عصبی که بر پایه‌ی مکانیزم توجه ساخته شده و پایه‌ی اکثر مدل‌های زبانی امروزی است","description":"ترنسفورمر برخلاف مدل‌های قدیمی‌تر، کل جمله را همزمان پردازش می‌کند نه کلمه‌به‌کلمه، که هم سرعت آموزش و هم درک زمینه را به‌شدت بهبود داد.","url":"https://eskandari.prof/atoz-ai#transformer","readMoreUrl":"https://www.ibm.com/topics/transformer-model"},{"id":"token-tokenization","name":"Token / Tokenization (توکن و توکن‌سازی)","letter":"T","difficulty":"simple","difficultyLabel":"ساده","summary":"واحدهای کوچکی که متن قبل از پردازش توسط مدل به آن‌ها تقسیم می‌شود","description":"یک توکن می‌تواند یک کلمه کامل، بخشی از کلمه یا حتی یک حرف باشد. قیمت‌گذاری API اکثر مدل‌های زبانی هم بر اساس تعداد توکن است.","url":"https://eskandari.prof/atoz-ai#token-tokenization","readMoreUrl":"https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them"},{"id":"training-data","name":"Training Data (داده آموزشی)","letter":"T","difficulty":"simple","difficultyLabel":"ساده","summary":"داده‌ای که برای یاد دادن الگوها به مدل استفاده می‌شود","description":"کیفیت، حجم و تنوع داده آموزشی مستقیماً روی عملکرد نهایی مدل اثر می‌گذارد. منبع داده آموزشی یکی از بحث‌برانگیزترین موضوعات حقوقی هوش مصنوعی امروز است.","url":"https://eskandari.prof/atoz-ai#training-data","readMoreUrl":"https://en.wikipedia.org/wiki/Training,_validation,_and_test_data_sets"},{"id":"temperature","name":"Temperature (دما در نمونه‌گیری)","letter":"T","difficulty":"medium","difficultyLabel":"متوسط","summary":"پارامتری که میزان تصادفی بودن و خلاقیت خروجی مدل زبانی را تنظیم می‌کند","description":"دمای پایین پاسخ‌های قابل‌پیش‌بینی‌تر و محافظه‌کارانه‌تر می‌دهد، دمای بالا پاسخ‌های متنوع‌تر اما گاهی کمتر منسجم تولید می‌کند.","url":"https://eskandari.prof/atoz-ai#temperature","readMoreUrl":"https://www.ibm.com/topics/llm-temperature"},{"id":"turing-test","name":"Turing Test (آزمون تورینگ)","letter":"T","difficulty":"simple","difficultyLabel":"ساده","summary":"آزمونی که بررسی می‌کند آیا انسان می‌تواند ماشین را از انسان تشخیص دهد یا نه","description":"این آزمون در سال ۱۹۵۰ توسط آلن تورینگ پیشنهاد شد. اگر انسان نتواند در گفتگو تشخیص دهد طرف مقابلش ماشین است یا انسان، مدل این آزمون را «رد» کرده است.","url":"https://eskandari.prof/atoz-ai#turing-test","readMoreUrl":"https://en.wikipedia.org/wiki/Turing_test"},{"id":"unsupervised-learning","name":"Unsupervised Learning (یادگیری بدون نظارت)","letter":"U","difficulty":"medium","difficultyLabel":"متوسط","summary":"روشی که مدل بدون برچسب، خودش الگو یا خوشه‌ها را در داده پیدا می‌کند","description":"مثلاً دسته‌بندی مشتریان بر اساس رفتار خریدشان، بدون این‌که از قبل دسته‌ها مشخص شده باشند. برخلاف یادگیری نظارت‌شده، اینجا پاسخ درستی از قبل وجود ندارد.","url":"https://eskandari.prof/atoz-ai#unsupervised-learning","readMoreUrl":"https://www.ibm.com/topics/unsupervised-learning"},{"id":"underfitting","name":"Underfitting (کم‌برازش)","letter":"U","difficulty":"medium","difficultyLabel":"متوسط","summary":"وقتی مدل حتی الگوهای ساده‌ی داده آموزشی را هم درست یاد نمی‌گیرد","description":"برخلاف overfitting، مدل underfit شده روی داده آموزشی و داده جدید هر دو ضعیف عمل می‌کند، معمولاً به‌خاطر ساده بودن بیش از حد مدل یا آموزش ناکافی.","url":"https://eskandari.prof/atoz-ai#underfitting","readMoreUrl":"https://www.ibm.com/topics/underfitting"},{"id":"vector-database","name":"Vector Database (پایگاه داده برداری)","letter":"V","difficulty":"medium","difficultyLabel":"متوسط","summary":"پایگاه داده‌ای که به‌جای جدول معمولی، embedding را ذخیره و بر اساس شباهت جستجو می‌کند","description":"این نوع پایگاه داده قلب اصلی سیستم‌های RAG است، چون به مدل اجازه می‌دهد سریع‌ترین اسناد مرتبط با یک سوال را از میان میلیون‌ها سند پیدا کند.","url":"https://eskandari.prof/atoz-ai#vector-database","readMoreUrl":"https://www.pinecone.io/learn/vector-database/"},{"id":"vision-transformer-vit","name":"Vision Transformer, ViT (ترنسفورمر بینایی)","letter":"V","difficulty":"hard","difficultyLabel":"سخت","summary":"اعمال معماری ترنسفورمر روی تصویر، به‌جای متن","description":"تصویر به قطعات کوچک تقسیم می‌شود و هر قطعه مثل یک توکن متنی پردازش می‌شود. ViT در بسیاری از وظایف بینایی ماشین، جایگزین CNN شده است.","url":"https://eskandari.prof/atoz-ai#vision-transformer-vit","readMoreUrl":"https://www.ibm.com/topics/vision-transformer"},{"id":"validation-set","name":"Validation Set (مجموعه اعتبارسنجی)","letter":"V","difficulty":"medium","difficultyLabel":"متوسط","summary":"بخشی از داده که برای تنظیم مدل در حین آموزش استفاده می‌شود، نه برای آموزش مستقیم","description":"این مجموعه جدا از داده آموزشی و داده تست است و کمک می‌کند تشخیص دهی مدل دارد overfit می‌شود یا نه، پیش از این‌که روی داده تست نهایی امتحان شود.","url":"https://eskandari.prof/atoz-ai#validation-set","readMoreUrl":"https://developers.google.com/machine-learning/glossary#validation-set"},{"id":"weights","name":"Weights (وزن‌ها)","letter":"W","difficulty":"hard","difficultyLabel":"سخت","summary":"اعداد درون شبکه عصبی که قدرت اتصال بین نورون‌ها را مشخص می‌کنند","description":"وزن‌ها همان چیزی هستند که در طول آموزش، بارها و بارها تنظیم می‌شوند تا مدل به خروجی درست برسد. «دانلود کردن مدل» در واقع یعنی دانلود همین فایل وزن‌ها.","url":"https://eskandari.prof/atoz-ai#weights","readMoreUrl":"https://www.geeksforgeeks.org/deep-learning/the-role-of-weights-and-bias-in-neural-networks/"},{"id":"weak-ai-narrow-ai","name":"Weak AI / Narrow AI (هوش مصنوعی ضعیف یا محدود)","letter":"W","difficulty":"simple","difficultyLabel":"ساده","summary":"سیستمی که فقط برای یک وظیفه‌ی خاص طراحی شده، نه هوشمندی عمومی","description":"تمام مدل‌های امروزی، از جمله LLMها، در دسته‌ی هوش مصنوعی محدود قرار می‌گیرند، چون در یک یا چند حوزه‌ی خاص خوب عمل می‌کنند اما درک عمومی و آگاهانه ندارند.","url":"https://eskandari.prof/atoz-ai#weak-ai-narrow-ai","readMoreUrl":"https://en.wikipedia.org/wiki/Weak_artificial_intelligence"},{"id":"zero-shot-learning","name":"Zero-shot Learning (یادگیری بدون نمونه)","letter":"Z","difficulty":"medium","difficultyLabel":"متوسط","summary":"توانایی مدل در انجام یک وظیفه‌ی جدید بدون دیدن حتی یک نمونه از آن، فقط با توضیح متنی","description":"مدل صرفاً بر اساس دانشی که در پیش‌آموزش کسب کرده، وظیفه را حدس می‌زند. هرچه مدل بزرگ‌تر و پیش‌آموزش قوی‌تر باشد، عملکرد zero-shot بهتر است.","url":"https://eskandari.prof/atoz-ai#zero-shot-learning","readMoreUrl":"https://www.ibm.com/topics/zero-shot-learning"},{"id":"zero-day-prompt-attack","name":"Zero-day Prompt Attack (حمله پرامپت روز-صفر)","letter":"Z","difficulty":"hard","difficultyLabel":"سخت","summary":"روش تازه و ناشناخته‌ای برای دور زدن ایمنی مدل که هنوز گاردریل‌ها آن را پوشش نمی‌دهند","description":"این حملات معمولاً پیش از این‌که سازنده‌ی مدل بتواند وصله‌اش کند کشف و منتشر می‌شوند، شبیه به مفهوم آسیب‌پذیری روز-صفر در امنیت سایبری سنتی.","url":"https://eskandari.prof/atoz-ai#zero-day-prompt-attack","readMoreUrl":"https://www.ibm.com/topics/prompt-injection"}]}