AI શબ્દભંડોળ

ન્યુરલ નેટવર્ક્સમાં બિન-રેખીયતા (non-linearity) દાખલ કરવા માટે વપરાતું ફંક્શન, જેમ કે ReLU, sigmoid અને Tanh. આ ફંક્શન નક્કી કરે છે કે ઇનપુટના આધારે ન્યુરોન સક્રિય થશે કે નહીં.

એક સોફ્ટવેર પ્રોગ્રામ જે પોતાના પર્યાવરણ સાથે ક્રિયા-પ્રતિક્રિયા કરી શકે છે, ડેટા એકત્રિત કરી શકે છે, અને પૂર્વ-નિર્ધારિત લક્ષ્યો મેળવવા માટે સ્વાયત્ત રીતે નિર્ણયો લઈને કાર્યો પૂર્ણ કરે છે.

નૈતિકતાની એ શાખા જે આર્ટિફિશિયલ ઇન્ટેલિજન્સના નિર્માણ અને ઉપયોગ સાથે સંકળાયેલી નૈતિક અસરો, જવાબદારીઓ, પૂર્વગ્રહો અને માનવીય મૂલ્યોનું પરીક્ષણ કરે છે.

એપ્લિકેશન પ્રોગ્રામિંગ ઇન્ટરફેસ જે વિવિધ એપ્લિકેશનો વચ્ચે માહિતીના આદાન-પ્રદાનને સક્ષમ બનાવે છે. ઉદાહરણ તરીકે, એક AI ચેટબોટ તૃતીય-પક્ષ સેવા પ્રદાતાના LLM સાથે જોડાવા માટે API નો ઉપયોગ કરે છે.

માનવીય બુદ્ધિમત્તા અને વિચારવાની ક્ષમતાનું કમ્પ્યુટર સિસ્ટમ્સ દ્વારા અનુકરણ કરવાની તકનીક. આમાં મશીન લર્નિંગ, નેચરલ લેંગ્વેજ પ્રોસેસિંગ, અને કોમ્પ્યુટર વિઝન જેવી પદ્ધતિઓનો સમાવેશ થાય છે જેથી મશીનો જાતે શીખી અને નિર્ણય લઈ શકે.

મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સમાં વપરાતી એક તકનીક, જે મોડેલને ઇનપુટ ડેટાના સૌથી મહત્વપૂર્ણ અને સંબંધિત ભાગો પર ધ્યાન કેન્દ્રિત કરવા માટે સક્ષમ બનાવીને પ્રદર્શન સુધારે છે.

RAG માં વપરાતી એક તકનીક જેમાં દસ્તાવેજને ટેક્સ્ટના મોટા ટુકડાઓ (parent chunks) માં વિભાજિત કરવામાં આવે છે અને વધુમાં તેને નાના ટુકડાઓ (child chunks) માં વહેંચવામાં આવે છે. શોધ દરમિયાન જો વધુ પડતા ચાઇલ્ડ ચંક્સ મળે, તો તેમને આપમેળે પેરન્ટ ચંક સાથે મર્જ કરવામાં આવે છે.

ન્યુરલ નેટવર્કને તાલીમ આપવા માટે વપરાતો એક મહત્વનો આલ્ગોરિધમ, જે અગાઉના રાઉન્ડ (epoch) માં મળેલી ભૂલોના આધારે ન્યુરોન્સના વજન (weights) ને એડજસ્ટ કરીને ત્રુટિઓ ઘટાડે છે.

ડિફ્યુઝન મોડલ્સમાં વપરાતી પ્રક્રિયા, જ્યાં મોડેલ ફોરવર્ડ ડિફ્યુઝન દરમિયાન ઉમેરાયેલા નોઈઝ (ઘોંઘાટ) ને ક્રમશઃ દૂર કરવાનું શીખે છે અને છેવટે નોઈઝમાંથી નવો સ્પષ્ટ ડેટા/ઈમેજ બનાવે છે.

માનવ જેવા લખાણ ઉત્પન્ન કરવા માટે ગુગલ દ્વારા વિકસાવવામાં આવેલ પ્રારંભિક કન્વર્સેશનલ AI મોડલ, જેનું નામ પાછળથી બદલીને જેમિની (Gemini) કરવામાં આવ્યું છે.

Bidirectional Encoder Representations from Transformers, જે ટ્રાન્સફોર્મર પર આધારિત ગૂગલનું ડીપ લર્નિંગ મોડેલ છે. તે વાક્યમાં ડાબી અને જમણી બંને બાજુના શબ્દોના સંદર્ભને એકસાથે સમજી શકે છે.

ડેટા અથવા આલ્ગોરિધમ્સમાં રહેલી વ્યવસ્થિત ભૂલ, જેના કારણે મોડેલના પરિણામો કોઈ ચોક્કસ જૂથ તરફ પક્ષપાતી, અચોક્કસ અથવા અન્યાયી બને છે.

પ્રોમ્પ્ટ એન્જિનિયરિંગની એક આધુનિક તકનીક, જે જનરેટ કરેલા ટેક્સ્ટમાં લંબાઈ વધાર્યા વિના વધુ માહિતીસભર અને મહત્વપૂર્ણ વિગતો ઉમેરીને માહિતીની ઘનતા (informational density) વધારે છે.

એવી પ્રોમ્પ્ટ પદ્ધતિ જે સચોટ અને સંદર્ભ-સભર જવાબો મેળવવા માટે પ્રોમ્પ્ટ્સને ડિક્શનરી જેવી વ્યાખ્યાઓ અને અર્થોનો ઉપયોગ કરીને બંધારણીય બનાવે છે.

એક પ્રોમ્પ્ટિંગ તકનીક જે મોડેલ પાસેથી ભાવનાત્મક રીતે યોગ્ય, સંવેદનશીલ અને સંદર્ભને અનુકૂળ જવાબો મેળવવા માટે પ્રોમ્પ્ટના માળખાને વ્યવસ્થિત કરે છે.

પ્રોમ્પ્ટ બનાવવાની એક વ્યુહરચના જે આપેલા વિષય અથવા પ્રશ્ન માટે મોડેલને માત્ર સીધો જવાબ આપવાને બદલે તેનું વિગતવાર સ્પષ્ટીકરણ અને કારણો આપવા માટે માર્ગદર્શન આપે છે.

એવી પ્રોમ્પ્ટિંગ પદ્ધતિ જે ચોક્કસ તથ્યો, પુરાવા અને સચોટ માહિતી પર આધારિત જવાબો મેળવવા માટે માળખાગત જ્ઞાનના પ્રોમ્પ્ટ્સનો લાભ લે છે.

ગણિતિક અને આંકડાકીય કોયડાઓ ઉકેલવા માટે તાર્કિક પગલાંઓનો ઉપયોગ કરવા માટે મોડેલને પ્રોત્સાહિત કરતું પ્રોમ્પ્ટ માળખું.

પ્રોમ્પ્ટ એન્જિનિયરિંગની એવી વ્યુહરચના જેમાં મોડેલને તાર્કિક શ્રેણીબદ્ધ પ્રશ્નો પૂછીને એક પછી એક પગલાં દ્વારા અંતિમ અને સચોટ ઉત્તર તરફ દોરી જવામાં આવે છે.

પ્રોમ્પ્ટ્સની અંદર પ્રતીકાત્મક (symbolic) રજૂઆતોનો ઉપયોગ કરવાની એક તકનીક, જેથી મોડેલ માળખાગત અને સાંકેતિક રીતે અર્થપૂર્ણ પરિણામો આપી શકે.

એક મહત્વની તકનીક જેમાં મોડેલ જટિલ સમસ્યાને નાના અને સમજી શકાય તેવા ભાગોમાં વિભાજિત કરીને ક્રમશઃ (step-by-step) તર્ક કરે છે. આ પદ્ધતિ મોડેલને માનવીય વિચારવાની શૈલીનું અનુકરણ કરવા દે છે અને તેની સમસ્યા ઉકેલવાની ક્ષમતા સુધારે છે.

એક એપ્લિકેશનને એકસાથે મલ્ટીપલ પ્રોસેસર્સ પર સમાંતર રીતે ચલાવવાની પદ્ધતિ, જેમાં ડેટાને અલગ-અલગ પ્રોસેસિંગ નોડ્સ વચ્ચે વહેંચવામાં આવે છે અને એક જ સમયે પ્રોસેસ કરવામાં આવે છે.

એક રિઇન્ફોર્સમેન્ટ લર્નિંગ એજન્ટ આલ્ગોરિધમ જે સતત એક્શન સ્પેસમાં શ્રેષ્ઠ કાર્યપદ્ધતિ (optimal policy) શોધે છે જેથી મહત્તમ લાંબા ગાળાનું વળતર મેળવી શકાય.

એક પ્રકારનું જનરેટિવ મોડેલ જે ડેટામાં ક્રમિક રીતે નોઈઝ ઉમેરીને તેને સંપૂર્ણ નોઈઝ બનાવે છે, અને પછી મોડેલ આ નોઈઝને સ્ટેપ-બાય-સ્ટેપ દૂર કરવાનું (denoise) શીખીને વાસ્તવિક ડેટા બનાવે છે.

સીક્વન્સ-ટુ-સીક્વન્સ (sequence-to-sequence) મોડલ્સનો એક ભાગ, જે એન્કોડર દ્વારા તૈયાર કરવામાં આવેલી રજૂઆતને સ્વીકારીને આઉટપુટ સીક્વન્સ (જેમ કે ભાષાંતરિત વાક્ય) જનરેટ કરે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ની એક પદ્ધતિ જે કમ્પ્યુટરને માનવ મગજની રચનાથી પ્રેરિત થઈને ડેટા પ્રોસેસ કરવાનું શીખવે છે. તે મલ્ટી-લેયર ન્યુરલ નેટવર્ક્સ પર આધારિત છે.

ડીપ લર્નિંગ મોડલ્સની ટ્રેનિંગને વધુ ઝડપી, કાર્યક્ષમ અને સ્કેલેબલ બનાવવા માટે માઇક્રોસોફ્ટ દ્વારા વિકસાવવામાં આવેલી ઓપ્ટિમાઇઝેશન લાઇબ્રેરી.

એક પ્રકારનું ઓટોએન્કોડર જે ઇનપુટ ડેટામાંથી નોઈઝ (નકામો કચરો કે ઘોંઘાટ) દૂર કરવા માટે વપરાય છે. આ મોડેલનો ઉપયોગ સામાન્ય રીતે બેકવર્ડ ડિફ્યુઝન પ્રોસેસમાં થાય છે.

એક પ્રકારનું જનરેટિવ મોડેલ જે પોતાની ટ્રેનિંગ ડેટા જેવા જ નવા ડેટા પોઈન્ટ્સ જનરેટ કરવા માટે વપરાય છે. તે ખાસ કરીને ઉચ્ચ ગુણવત્તાવાળી ઈમેજ બનાવવા માટે લોકપ્રિય છે (જેમ કે Stable Diffusion).

ન્યુરલ નેટવર્કનું એક સ્તર જે કેટેગરીકલ ડેટા (જેમ કે શબ્દો અથવા અક્ષરો) ને ગાણિતિક સળંગ વેક્ટર રજૂઆતો (continuous vectors) માં ફેરવે છે જેથી કમ્પ્યુટર શબ્દો વચ્ચેનો અર્થ સમજી શકે.

સીક્વન્સ-ટુ-સીક્વન્સ મોડલ્સનો એક ઘટક જે ઇનપુટ સીક્વન્સને પ્રોસેસ કરે છે અને તેને ચોક્કસ ગાણિતિક વેક્ટર (fixed representation) માં રૂપાંતરિત કરે છે.

ન્યુરલ નેટવર્કની ટ્રેનિંગ પ્રક્રિયા દરમિયાન, આખા ટ્રેનિંગ ડેટાસેટમાંથી મોડેલને એક સંપૂર્ણ વાર પસાર (pass) કરવાની પ્રક્રિયા.

RAG અને જનરેટિવ સિસ્ટમમાં એક મૂલ્યાંકન માપદંડ, જે તપાસે છે કે જનરેટ થયેલો જવાબ વાસ્તવિક સ્ત્રોત ડેટા (source documents) સાથે કેટલો સુસંગત અને સાચો છે.

ટેકનોલોજી ઇનોવેશન ઇન્સ્ટિટ્યૂટ (TII) દ્વારા વિકસાવવામાં આવેલ અત્યંત શક્તિશાળી ઓપન-સોર્સ લાર્જ લેંગ્વેજ મોડલ્સની શ્રેણી.

નેચરલ લેંગ્વેજ પ્રોસેસિંગમાં વપરાતી ટેકનિક, જેમાં મોડેલને કોઈ કાર્ય આપતી વખતે પ્રોમ્પ્ટની અંદર જ થોડા ઉદાહરણો (examples) આપવામાં આવે છે જેથી તે ઇચ્છિત ફોર્મેટમાં જવાબ આપી શકે.

પહેલેથી ટ્રેન કરેલા સામાન્ય મોડેલ (pre-trained model) ને લઈને કોઈ ચોક્કસ કામ કે નવો ડેટાસેટ આપીને તેના પર વધારે તાલીમ આપવાની પ્રક્રિયા, જેથી તે કાર્યમાં શ્રેષ્ઠ પરિણામ મેળવી શકાય.

ડિફ્યુઝન મોડલ્સમાં વપરાતી પ્રક્રિયા જેમાં ઓરિજિનલ ડેટા અથવા ઈમેજ પર પગલા-દર-પગલા ગાઉશિયન નોઈઝ ઉમેરીને તેને સંપૂર્ણપણે નોઈઝ (ઘોંઘાટ) માં બદલી નાખવામાં આવે છે.

મોટા પાયે ડેટા પર ટ્રેન થયેલા મૂળભૂત મોડેલ્સ (જેમ કે GPT-4, Gemini) જે વિવિધ કાર્યો જેવા કે પ્રશ્નોત્તરી, અનુવાદ અને લખાણ સર્જન માટે પાયા તરીકે ઉપયોગમાં લેવાય છે.

ડીપ લર્નિંગ મોડલ્સની ડિસ્ટ્રીબ્યુટેડ ટ્રેનિંગ માટેની પદ્ધતિ, જેમાં મોડેલના પેરામીટર્સ, ગ્રેડિયન્ટ્સ અને ઓપ્ટિમાઇઝર સ્ટેટ્સ બધી જ ડિવાઇસીસ (GPUs) વચ્ચે શાર્ડ (વિભાજિત) કરવામાં આવે છે જેથી મેમરી બચાવી શકાય.

મશીન લર્નિંગ ફ્રેમવર્ક જેમાં બે ન્યુરલ નેટવર્ક (Generator અને Discriminator) એકબીજા સામે સ્પર્ધા કરીને વાસ્તવિક જેવા જ ડેટા (જેમ કે ફેક ફેસિસ, આર્ટવર્ક) જનરેટ કરવાનું શીખે છે.

એક પ્રકારનો આંકડાકીય નોઈઝ (ઘોંઘાટ) જેની પ્રોબેબિલિટી ડેન્સિટી નોર્મલ ડિસ્ટ્રિબ્યુશન જેવી હોય છે. ફોરવર્ડ ડિફ્યુઝન પ્રક્રિયામાં સામાન્ય રીતે આ નોઈઝ ઉમેરવામાં આવે છે.

ગૂગલ ડીપમાઇન્ડ દ્વારા વિકસાવવામાં આવેલ અદ્યતન મલ્ટિમોડલ AI મોડેલ, જે ટેક્સ્ટ, ઈમેજ, ઓડિયો, વિડિયો અને કોડને એકસાથે સમજવાની અને તેના પર પ્રક્રિયા કરવાની ક્ષમતા ધરાવે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સની એક શાખા જે નવો ડેટા (ટેક્સ્ટ, ઈમેજ, ઓડિયો, કોડ) જનરેટ કરવા પર ધ્યાન કેન્દ્રિત કરે છે જે ઓરિજિનલ ટ્રેનિંગ ડેટા જેવો દેખાય છે. ઉદાહરણ તરીકે ChatGPT, Midjourney અને VAEs.

OpenAI દ્વારા વિકસાવવામાં આવેલ ગાઇડેડ લેંગ્વેજ-ટુ-ઈમેજ ડિફ્યુઝન મોડેલ, જે ટેક્સ્ટ વર્ણનોના આધારે ઈમેજીસ જનરેટ અને એડિટ કરી શકે છે.

OpenAI દ્વારા વિકસાવવામાં આવેલ ટ્રાન્સફોર્મર-આધારિત લાર્જ લેંગ્વેજ મોડેલ આર્કિટેક્ચર, જે સચોટ અને સંદર્ભ-સભર ટેક્સ્ટ જનરેટ કરવા માટે જાણીતું છે.

મશીન લર્નિંગમાં મોડેલના પેરામીટર્સને ક્રમશઃ એડજસ્ટ કરીને કોસ્ટ ફંક્શન (ભૂલો) ને લઘુત્તમ (minimize) કરવા માટે વપરાતો ઓપ્ટિમાઇઝેશન આલ્ગોરિધમ.

રિકરન્ટ ન્યુરલ નેટવર્ક (RNN) અથવા ટ્રાન્સફોર્મરમાં રહેલી એક વેક્ટર સ્થિતિ, જે અત્યાર સુધી પ્રોસેસ કરેલી ઇનપુટ સીક્વન્સની માહિતી સાચવી રાખે છે.

પૂર્વાનુમાન મોડેલ અથવા સર્ચ સિસ્ટમની ચોકસાઈ માપવા માટેનો મેટ્રિક, જે દર્શાવે છે કે કુલ સંબંધિત આઇટમ્સમાંથી સફળતાપૂર્વક કેટલી આઇટમ્સ શોધી શકાઈ.

એક અગ્રણી મશીન લર્નિંગ પ્લેટફોર્મ અને કોમ્યુનિટી, જ્યાં ડેવલપર્સ ફ્રીમાં AI મોડલ્સ, ડેટાસેટ્સ અને વેબ એપ્લિકેશન્સ (Spaces) શેર, ટ્રેન અને ડિપ્લોય કરી શકે છે.

માહિતી શોધવાની એક અદ્યતન પદ્ધતિ જે કીવર્ડ-આધારિત (sparse) અને અર્થ-આધારિત (dense/vector) એમ બંને પ્રકારની સર્ચ રીતોને ભેગી કરીને સચોટ પરિણામો આપે છે.

તાલીમ શરૂ કરતા પહેલા સેટ કરવામાં આવતી કન્ફિગરેશન્સ (જેમ કે લર્નિંગ રેટ, બેચ સાઇઝ અથવા ઇપોક્સ), જે મશીન લર્નિંગ મોડેલની ટ્રેનિંગ પ્રોસેસને નિયંત્રિત કરે છે.

કમ્પ્યુટર વિઝનની એવી ટેકનોલોજી જે આપેલા ડિજિટલ ઈમેજ અથવા વિડિયો ફ્રેમમાં કઈ વસ્તુ, વ્યક્તિ કે દ્રશ્ય છે તે ઓળખે છે.

ઝડપી માહિતી શોધ માટે ડેટાને વ્યવસ્થિત રીતે ગોઠવવાની પ્રક્રિયા. વેક્ટર ડેટાબેઝ અથવા સર્ચ એન્જિનમાં યોગ્ય ઇન્ડેક્સ માળખું ઝડપી સર્ચ માટે અત્યંત જરૂરી છે.

Intel® Extension for PyTorch નું ટૂંકું નામ, જે ઇન્ટેલ હાર્ડવેર (CPUs અને GPUs) પર PyTorch મોડલ્સના પર્ફોર્મન્સને ઑપ્ટિમાઇઝ કરે છે.

BERT જેવા મોડલ્સની ક્ષમતા, જે વાક્યના કોઈપણ શબ્દને સમજવા માટે તેની ડાબી અને જમણી બંને બાજુના શબ્દોના સંદર્ભને એકસાથે ધ્યાનમાં લે છે.

એક લોકપ્રિય ઓપન-સોર્સ ફ્રેમવર્ક જે ડેવલપર્સને લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) ને ડેટા સ્ત્રોતો અને અન્ય એક્સટર્નલ એપ્લિકેશન્સ સાથે સાંકળીને શક્તિશાળી એપ્સ બનાવવાની સુવિધા આપે છે.

LangChain ફ્રેમવર્કના અગાઉના કે જૂના સિંટેક્સ અથવા પદ્ધતિઓ, જે નવા લેંગચેઈન એક્સપ્રેશન લેંગ્વેજ (LCEL) ની રજૂઆત પહેલા વપરાતા હતા.

LangChain ટીમ દ્વારા વિકસાવવામાં આવેલ ફ્રેમવર્ક, જે ગ્રાફ-આધારિત માળખાનો ઉપયોગ કરીને મલ્ટી-એજન્ટ અને ચક્રીય (cyclic) સ્ટેટફુલ AI એપ્લિકેશન્સ બનાવવામાં મદદ કરે છે.

એક પ્લેટફોર્મ જે LangChain ની ચેઈન અથવા રનને REST API તરીકે સીધા જ સરળતાથી પ્રોડક્શન પર ડિપ્લોય કરવાની સુવિધા આપે છે.

LangChain એપ્લિકેશન્સનું ટેસ્ટિંગ, ઇવેલ્યુએશન, ડીબગિંગ અને મોનિટરિંગ કરવા માટેનું એન્ટરપ્રાઇઝ પ્લેટફોર્મ, જેથી મોડેલ પર્ફોર્મન્સ ટ્રેક કરી શકાય.

ટેરાબાઈટ્સ જેટલા લખાણ પર ટ્રેન થયેલું મોટું ન્યુરલ નેટવર્ક મોડેલ, જે વાક્યના શબ્દોની સંભાવના ગણીને નવું લખાણ લખી શકે છે, પ્રશ્નોત્તરી કરી શકે છે અને ભાષા સમજી શકે છે.

જનરેટિવ મોડેલિંગ તકનીક જેમાં ડિફ્યુઝન પ્રોસેસ સીધા પિક્સેલ્સ પર લાગુ કરવાને બદલે નાની સાઈઝની લેટન્ટ સ્પેસ (latent space) માં કરવામાં આવે છે, જેથી કોમ્પ્યુટેશનલ પાવર ઓછો વપરાય.

ડેટાના લક્ષણોની ઓછી પરિમાણીય (lower-dimensional) ગાણિતિક રજૂઆત, જ્યાં સમાન અર્થ કે દેખાવ ધરાવતા ડેટા પોઈન્ટ્સ એકબીજાની નજીક ગોઠવાયેલા હોય છે.

Less Is More for Alignment - એક અભ્યાસ અને અભિગમ જે દર્શાવે છે કે માત્ર થોડા જ (દા.ત. 1000) ઉચ્ચ ગુણવત્તાવાળા ડેટા પર ફાઇન-ટ્યુનિંગ કરવાથી પણ મોડેલને માનવીય પસંદગીઓ સાથે સારી રીતે સંરેખિત કરી શકાય છે.

એક સરળ અને લવચીક ડેટા ફ્રેમવર્ક જે કસ્ટમ ડેટા સોર્સિસને કનેક્ટ કરીને લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) સાથે પ્રશ્નોત્તરી કરવાની સવલત પુરી પાડે છે.

Large Language Model Operations - લાર્જ લેંગ્વેજ મોડલ્સના મેનેજમેન્ટ, લાઈફસાયકલ, પ્રોમ્પ્ટ વર્ઝનિંગ, ફાઈન-ટ્યુનિંગ અને સુરક્ષિત ડિપ્લોયમેન્ટ માટેની પદ્ધતિઓ અને ટૂલ્સ.

મોટા પેરામીટર વાળા LLM મોડલ્સને ઓછા સંસાધનો અને ઓછી મેમરી સાથે ફાઇન-ટ્યુન કરવાની અદ્યતન ટેકનિક. તે માત્ર ન્યુરલ નેટવર્કના નાના ચોક્કસ ભાગ (low-rank matrices) ને જ અપડેટ કરે છે.

એક પ્રકારનું સ્પેશિયલ રિકરન્ટ ન્યુરલ નેટવર્ક (RNN) આર્કિટેક્ચર, જે સીક્વન્સિયલ ડેટા (જેમ કે લખાણ કે ટાઇમ-સિરીઝ) માં રહેલા લાંબા ગાળાના સંબંધો અને ડિપેન્ડન્સીસને યાદ રાખવામાં સક્ષમ છે.

એક સંભવિત પ્રક્રિયા (stochastic process) જ્યાં ભવિષ્યની ઘટનાની સંભાવના માત્ર તેના વર્તમાન સ્ટેટ પર જ આધાર રાખે છે, ભૂતકાળ પર નહીં. ડિફ્યુઝન પ્રોસેસમાં આ પદ્ધતિનો ઉપયોગ થાય છે.

ટેક્સ્ટ વર્ણનોમાંથી અત્યંત સુંદર, વાસ્તવિક અને કલાત્મક ચિત્રો (photorealistic images) બનાવવા માટેનું એક અત્યંત લોકપ્રિય આર્ટિફિશિયલ ઇન્ટેલિજન્સ ટૂલ.

Machine Learning Operations - મશીન લર્નિંગ મોડલ્સને પ્રોડક્શન પર સફળતાપૂર્વક મૂકવા, મોનિટર કરવા અને જાળવણી કરવા માટે સોફ્ટવેર એન્જિનિયરિંગ (DevOps) અને મશીન લર્નિંગ પ્રથાઓનું સંયોજન.

મશીન લર્નિંગ મોડેલની આંતરિક રચના અને ડિઝાઇન, જેમાં સ્તરો (layers), નોડ્સ (nodes) અને તેમની વચ્ચે થતા જોડાણો નક્કી કરવામાં આવે છે.

ડીપ લર્નિંગ મોડલ્સને ટ્રેન કરવાની એવી પદ્ધતિ જેમાં કોઈ મોડેલ એક સિંગલ GPU માં ન સમાય એટલું મોટું હોય, ત્યારે મોડેલના જુદા-જુદા ભાગોને અલગ-અલગ ડિવાઇસ અથવા GPUs પર સમાંતર ગણતરી માટે વહેંચવામાં આવે છે.

શોધ અથવા ભલામણ પદ્ધતિઓ (recommendation systems) ની અસરકારકતા માપવા માટેનો એક મેટ્રિક, જે પ્રથમ સાચા પરિણામના ક્રમ (rank) ના વ્યસ્તનું સરેરાશ મૂલ્ય દર્શાવે છે.

એવા અદ્યતન AI એજન્ટ્સ જે એક જ સમયે અનેક જુદા-જુદા દસ્તાવેજોમાંથી માહિતી શોધીને, તેનું વિશ્લેષણ કરીને સંકલિત અને સચોટ જવાબો કે સારાંશ તૈયાર કરે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સનું એ ક્ષેત્ર જે કોમ્પ્યુટર અને મનુષ્ય વચ્ચે માનવીય ભાષા (ગુજરાતી, હિન્દી, અંગ્રેજી વગેરે) દ્વારા થતા સંવાદોને સમજવા, અર્થ કાઢવા અને જનરેટ કરવા માટે આલ્ગોરિધમ્સ બનાવે છે.

ટેકનિકલ જ્ઞાન કે કોડિંગ આવડત ન ધરાવતા સામાન્ય યુઝર્સ પણ વિઝ્યુઅલ ઇન્ટરફેસ (drag-and-drop) દ્વારા સરળતાથી AI મોડલ્સ અને ઓટોમેશન બનાવી શકે તેવા પ્લેટફોર્મ.

ડિફ્યુઝન પ્રોસેસમાં વપરાતું પૂર્વ-નિર્ધારિત લિસ્ટ અથવા મેપ, જે નક્કી કરે છે કે ફોરવર્ડ ડિફ્યુઝન દરમિયાન દરેક સ્ટેપ પર કેટલા પ્રમાણમાં નોઈઝ ઉમેરવો.

પ્રોમ્પ્ટ એન્જિનિયરિંગની પદ્ધતિ જેમાં મોડેલને કાર્યની સમજ આપવા માટે માત્ર એક જ સ્પષ્ટ ઉદાહરણ (example) આપવામાં આવે છે અને તેના આધારે નવો જવાબ મેળવવામાં આવે છે.

એવા સોફ્ટવેર કમ્પોનન્ટ્સ જે LLM દ્વારા આપવામાં આવેલા સાદા લખાણ (raw text) ને સ્વીકારીને તેને કોઈ ચોક્કસ સ્ટ્રક્ચર્ડ ફોર્મેટ (જેમ કે JSON, XML અથવા List) માં રૂપાંતરિત કરે છે.

સમાંતર પ્રોસેસિંગનો સિદ્ધાંત જેમાં એક સમાન ઓપરેશન્સ એક જ સમયે મલ્ટિપલ ડેટા પોઈન્ટ્સ પર રન થાય છે. ગ્રાફિક્સ કાર્ડ્સ (GPUs) આ પેરાડાઈમ પર કામ કરે છે જે AI ટ્રેનિંગને ઝડપી બનાવે છે.

આખી પૂર્વ-તાલીમ પામેલી ન્યુરલ નેટવર્કના બધા પેરામીટર્સને બદલવાને બદલે માત્ર થોડાક પેરામીટર્સ અપડેટ કરીને મોડેલને નવી ટાસ્ક માટે ફાઇન-ટ્યુન કરવાની અદ્યતન પદ્ધતિ.

ભાષા મોડલ્સ (LLMs) ના મૂલ્યાંકન માટે વપરાતો એક માપદંડ. મોડેલ કોઈ લખાણ અથવા શબ્દની આગાહી કરવામાં કેટલું મૂંઝાયેલું (perplexed) છે તે આનાથી માપવામાં આવે છે. પરપ્લેક્સિટી જેટલી ઓછી હોય, મોડેલનું પ્રદર્શન તેટલું જ સારું ગણાય છે.

મોડેલ પેરેલેલિઝમનો એક પ્રકાર જેમાં મોડેલના જુદા-જુદા ભાગોને સળંગ સિક્વન્શિયલ સ્ટેજીસ (stages) માં વહેંચવામાં આવે છે. એક સ્ટેજ પોતાનું આઉટપુટ તરત જ નીચેના સ્ટેજને પાસ કરે છે.

ટ્રાન્સફોર્મર મોડલ્સમાં વપરાતી ટેકનિક જે વાક્યના દરેક શબ્દને ઇનપુટ વેક્ટરમાં ચોક્કસ પોઝિશનલ સિગ્નલ ઉમેરીને શબ્દોના ક્રમ (order) વિશેની માહિતી મોડેલને પૂરી પાડે છે.

ChatGPT અથવા Gemini જેવા AI મોડલ્સ પાસેથી શ્રેષ્ઠ અને ઉપયોગી જવાબો મેળવવા માટે ઇનપુટ્સ (પ્રોમ્પ્ટ્સ) ડિઝાઇન કરવાની, પ્રયોગો કરવાની અને તેને શાર્પ કરવાની કળા અને ટેકનિક.

Apache Spark માટેની Python API લાઇબ્રેરી, જે ખૂબ જ મોટા પ્રમાણમાં ડેટા પ્રોસેસ કરવા (Big Data processing) અને ડેટા સાયન્સ કાર્યો માટે ડિસ્ટ્રીબ્યુટેડ કમ્પ્યુટિંગ પ્રદાન કરે છે.

LoRA નું વધુ પ્રિસાઇઝ ફોર્મેટ, જે પેરામીટર્સને 4-bit પ્રિસિઝનમાં ક્વોન્ટાઇઝ કરે છે જેથી 65B જેટલા વિશાળ લાર્જ મોડેલને પણ એક 48GB GPU પર સફળતાપૂર્વક ફાઇન-ટ્યુન કરી શકાય.

મોડેલના પેરામીટર્સની ન્યુમેરિકલ પ્રિસિઝન (જેમ કે FP32 થી INT8) ઘટાડીને મોડેલની મેમરી સાઇઝ નાની કરવાની પદ્ધતિ, જેથી મોડેલ ઓછી મેમરી વાળા નાના ડિવાઇસીસ પર પણ ચાલી શકે.

ડેટાબેઝ અથવા ઓબ્જેક્ટ ઓરિએન્ટેડ પ્રોગ્રામિંગમાં વપરાતું ક્લાસ માળખું જે ઓબ્જેક્ટ્સ અને ડેટા પર સુરક્ષિત રીતે ક્વેરીઝ અથવા સર્ચ કરવાની પરવાનગી આપે છે.

Retrieval-Augmented Generation - એક આર્કિટેક્ચર અભિગમ જે કસ્ટમ અથવા પ્રાઇવેટ દસ્તાવેજોમાંથી માહિતી ખેંચીને (Retrieve) તેને LLM પ્રોમ્પ્ટ સાથે જોડે છે, જેથી મોડેલ સૌથી અપ-ટુ-ડેટ અને સાચો જવાબ આપી શકે.

મૂળ ઇનપુટ ડેટા અને ઓટોએન્કોડર દ્વારા પુનઃઉત્પાદિત કરાયેલા ડેટા વચ્ચેના તફાવતનું માપન. ડીનોઇઝિંગ અને જનરેટિવ મોડલ્સની ટ્રેનિંગમાં આ લોસ ઘટાડવામાં આવે છે.

RAG પ્રક્રિયા દરમિયાન દસ્તાવેજો વચ્ચેના સંબંધો નક્કી કરીને ક્રમશઃ અને પદાનુક્રમ રીતે (recursively) સંબંધિત ડેટા ચંક્સ પાછા મેળવવામાં મદદ કરતું ટૂલ.

મશીન લર્નિંગની પદ્ધતિ જેમાં સોફ્ટવેર એજન્ટ ટ્રાયલ અને એરર (ભૂલ અને સુધાર) દ્વારા પર્યાવરણમાંથી રિવોર્ડ્સ અને પેનલ્ટીઝ મેળવીને સાચો નિર્ણય લેવાનું જાતે શીખે છે.

એક અગ્રણી નો-કોડ પ્લેટફોર્મ જે ઓર્ગેનાઇઝેશન્સને કસ્ટમ AI એજન્ટ્સ અને વર્કફ્લો ઓટોમેશન સરળતાથી બિલ્ડ અને ડિપ્લોય કરવાની સુવિધા પૂરી પાડે છે.

એઆઈ સિસ્ટમ્સના એવા નૈતિક અને કાયદાકીય વિકાસ પર ધ્યાન કેન્દ્રિત કરતો દ્રષ્ટિકોણ, જે ખાતરી કરે છે કે AI સુરક્ષિત, પારદર્શક, ભેદભાવ રહિત અને વિશ્વાસપાત્ર હોય.

સર્ચ સિસ્ટમના પાયાના ઘટકો જે વપરાશકર્તાની ક્વેરીના આધારે વિશાળ દસ્તાવેજ સંગ્રહમાંથી સૌથી સુસંગત ડોક્યુમેન્ટ્સ અથવા પેરેગ્રાફ્સ શોધીને બહાર લાવે છે. તે RAG પાઇપલાઇનનું મુખ્ય અંગ છે.

એક પદ્ધતિ જેમાં મનુષ્યોના પ્રતિસાદ (feedback) નો ઉપયોગ કરીને મોડેલને ટ્રેન કરવામાં આવે છે જેથી તેના જવાબો વધુ કુદરતી, ઉપયોગી અને માનવ-સંરેખિત (aligned) બને.

એક લોકપ્રિય ક્લાઉડ કમ્પ્યુટિંગ પ્લેટફોર્મ જે મશીન લર્નિંગ, મોડેલ ટ્રેનિંગ અને ડિપ્લોયમેન્ટ માટે પોસાય તેવી કિંમતે ગ્રાફિક્સ કાર્ડ્સ (GPU ઇન્સ્ટન્સ) પૂરા પાડે છે.

જનરેટિવ મોડલ્સમાં શીખેલા સંભાવના વિતરણ (probability distribution) માંથી નવા અજોડ ડેટા પોઈન્ટ્સ અથવા પિક્સેલ્સ જનરેટ કરવાની ગાણિતિક પ્રક્રિયા.

એવી પ્રોમ્પ્ટ પદ્ધતિ જે એક જ પ્રોમ્પ્ટને મોડેલ સમક્ષ અનેક વાર ચલાવે છે અને સૌથી વધુ વખત આવતા સમાન બહુમતીવાળા ઉત્તર (majority vote) ને અંતિમ ઉત્તર તરીકે પસંદ કરે છે.

માહિતી રિટ્રીવલની એવી ટેકનિક જે વાક્યના ચોક્કસ સંદર્ભને જાળવી રાખીને, માત્ર એક સિંગલ સેન્ટેન્સ અને તેની આજુબાજુના નાના ટુકડાઓ (window) જ મોડેલ માટે સંદર્ભ તરીકે બહાર લાવે છે.

Apache Spark ની ફ્રી મશીન લર્નિંગ લાઇબ્રેરી, જેનો હેતુ ક્લાસિફિકેશન, રીગ્રેસન અને ક્લસ્ટરિંગ જેવા અલ્ગોરિધમ્સને પાયાના સ્તરે ડિસ્ટ્રીબ્યુટેડ ડેટા સેટ્સ પર સ્કેલ કરવાનો છે.

વર્ષ 2022માં લોન્ચ થયેલું એક અત્યંત લોકપ્રિય ડીપ લર્નિંગ મોડેલ, જે આપેલા ટેક્સ્ટ ડિસ્ક્રિપ્શનમાંથી ખૂબ જ ઝીણવટભરી અને અદ્ભુત ઈમેજીસ જનરેટ કરવા માટે સક્ષમ છે.

ડેટા સાયન્ટિસ્ટ્સ અને AI ડેવલપર્સ માટેની એક ફ્રી પાયથન લાઇબ્રેરી, જેનાથી માત્ર થોડી લાઈનનો કોડ લખીને સુંદર અને ઇન્ટરેક્ટિવ વેબ એપ્લિકેશન્સ બનાવી શકાય છે.

ડીપ લર્નિંગ મોડલ્સની ટ્રેનિંગમાં વપરાતી ટેકનિક, જે મોટા ન્યુરલ નેટવર્કના ટેન્સર્સ (મલ્ટી-ડાયમેન્શનલ એરે) ની ગણતરીઓને સમાંતર રીતે અનેક ડિવાઇસીસમાં વિભાજિત કરીને સ્પીડ વધારે છે.

એવી આધુનિક ટેકનોલોજી જે સામાન્ય ટેક્સ્ટ વર્ણનોને સમજીને તેમાંથી ડિજિટલ 3D મોડલ્સ અને ઓબ્જેક્ટ્સ તૈયાર કરે છે.

લખાણ અથવા ડેટાને મશીન લર્નિંગ મોડલ્સ દ્વારા પ્રક્રિયા કરી શકાય તેવા નાના એકમોમાં વિભાજિત કરવાની રીત. આ એકમો શબ્દો, સબ-વર્ડ્સ (અડધા શબ્દો) અથવા સિંગલ અક્ષરો હોઈ શકે છે.

ન્યુરલ નેટવર્કનું એક વિશિષ્ટ આર્કિટેક્ચર, જે સેલ્ફ-અટેન્શન મિકેનિઝમનો ઉપયોગ કરે છે. આજના તમામ શક્તિશાળી લાર્જ લેંગ્વેજ મોડલ્સ (જેમ કે GPT, Gemini) નો પાયો ટ્રાન્સફોર્મર છે.

પ્રોમ્પ્ટ એન્જિનિયરિંગની વ્યુહરચના જે મોડેલને સમસ્યાના બહુવિધ સંભવિત વિચારો અને શાખાઓ (branches) ને એક વૃક્ષ (tree) ના રૂપમાં એક સાથે મૂલ્યાંકન કરવાની સુવિધા આપે છે.

મશીન લર્નિંગ મોડેલની એવી સામાન્ય ભૂલ કે જ્યારે મોડેલ ખૂબ સાદું હોય અને ટ્રેનિંગ ડેટાની અંદર રહેલા મૂળભૂત પેટર્નને સમજવામાં જ અસમર્થ રહે છે.

એક કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક (CNN) આર્કિટેક્ચર, જે સામાન્ય રીતે બાયોમેડિકલ ઈમેજ સેગ્મેન્ટેશન અને ઈમેજ ડિફ્યુઝન સ્ટેબલ મોડલ્સમાં પિક્સેલ કંટ્રોલ માટે વપરાય છે.

મશીન લર્નિંગનો પ્રકાર જેમાં કમ્પ્યુટર મોડેલને આપેલા ડેટામાં કોઈ પૂર્વ-નિર્ધારિત લેબલ્સ (કોઈ સાચા-ખોટા જવાબો) આપેલા નથી હોતા. મોડેલ જાતે જ ડેટાની અંદર રહેલા પેટર્ન્સ અને ક્લસ્ટર્સ શોધે છે.

એક પ્રકારનું જનરેટિવ મોડેલ જે ડેટાના મૂળ સંભાવના વિતરણ (probability distribution) ને કેપ્ચર કરીને તેના જેવા જ તદ્દન નવા ડેટા સેમ્પલ્સ ઉત્પન્ન કરી શકે છે.

ગાણિતિક ઓપ્ટિમાઇઝેશન પદ્ધતિ, જે જનરેટિવ મોડલ્સમાં જટિલ અને અઘરી સંભાવના વિતરણોની આસપાસની ગણતરીઓ સરળ કરવા માટે વપરાય છે.

એવો ખાસ ડિઝાઇન કરેલો ડેટાબેઝ જે વેક્ટર એમ્બેડિંગ્સ (ગાણિતિક વેક્ટર્સ) ને સાચવી શકે છે અને તેમની વચ્ચે ખૂબ જ ઝડપથી સમાનતા આધારિત સર્ચ (similarity search) કરી શકે છે.

એવી પ્રોમ્પ્ટિંગ ટેકનિક જેમાં પ્રથમ આઉટપુટ મળ્યા પછી તેને આપમેળે ચકાસીને (verify), સુધારો (edit) કરીને મોડેલને ફરી મોકલવામાં આવે છે જેથી આઉટપુટની ગુણવત્તા વધારી શકાય.

ન્યુરલ નેટવર્કના જોડાણો વચ્ચે રહેલો ગાણિતિક પેરામીટર જે નક્કી કરે છે કે એક ન્યુરોન બીજા ન્યુરોનને કેટલો મજબૂત સિગ્નલ મોકલશે. ટ્રેનિંગ દરમિયાન આ જ વજન બદલાય છે.

શબ્દોની એવી ગાણિતિક રજૂઆત જેમાં એક સમાન અર્થ ધરાવતા શબ્દોના ગાણિતિક વેક્ટર એકબીજાથી અત્યંત નજીક હોય છે (દા.ત. "રાજા" અને "રાણી").

પ્રોમ્પ્ટ એન્જિનિયરિંગની એવી રીત જેમાં મોડેલને કોઈ જ પૂર્વ ઉદાહરણ આપ્યા વિના સીધું જ નવું કાર્ય સોંપવામાં આવે છે અને મોડેલ પોતાની પ્રી-ટ્રેનિંગના આધારે તેનો જવાબ આપે છે.