ПНСТ 553-2021. Предварительный национальный стандарт Российской Федерации. Информационные технологии. Искусственный интеллект. Термины и определения
(утв. и введен в действие Приказом Росстандарта от 26.11.2021 № 46-пнст)
Внимание
Документ утратил силу с 01.03.2023 в связи с истечением срока действия, установленного Приказом Росстандарта от 26.11.2021 № 46-пнст. Документ введен в действие с 01.03.2022 на период до 01.03.2023 (Приказ Росстандарта от 26.11.2021 № 46-пнст).
Утвержден и введен в действие
Приказом Федерального агентства
по техническому регулированию
и метрологии
от 26 ноября 2021 г. № 46-пнст
ПРЕДВАРИТЕЛЬНЫЙ НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
Information technology. Artificial intelligence.
Terms and definitions
до 1 марта 2023 года
Предисловие
1 РАЗРАБОТАН Федеральным государственным автономным образовательным учреждением высшего образования «Национальный исследовательский университет „Высшая школа экономики“ (НИУ ВШЭ)»
2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 «Искусственный интеллект»
3 УТВЕРЖДЕН и ВВЕДЕН в ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 26 ноября 2021 г. № 46-пнст
4 Настоящий стандарт разработан с учетом основных нормативных положений проекта международного стандарта ИСО/МЭК 22989 «Информационные технологии. Искусственный интеллект. Понятия и терминология искусственного интеллекта» (ISO/IEC DIS 22989 «Information technology — Artificial intelligence — Artificial intelligence concepts and terminology», NEQ)
Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТ Р 1.16-2011 (разделы 5 и 6).
Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: info@tc164.ru и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.
В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)
Введение
Установленные в настоящем стандарте термины расположены в систематизированном порядке, отражающем систему понятий данной области знаний.
Для каждого понятия установлен один стандартизованный термин.
Заключенная в круглые скобки часть термина может быть опущена при использовании термина в документах по стандартизации.
Наличие квадратных скобок в терминологической статье означает, что в нее включены два (три, четыре и т.п.) термина, имеющих общие терминоэлементы.
В алфавитном указателе данные термины приведены отдельно с указанием номера статьи.
В стандарте приведены иноязычные эквиваленты стандартизованных терминов на английском языке.
Стандартизованные термины набраны полужирным шрифтом, их краткие формы, представленные аббревиатурой, — светлым.
1 Область применения
Настоящий стандарт устанавливает основные термины и определения в области искусственного интеллекта, в том числе в области машинного обучения и нейронных сетей, включая термины и определения, относящиеся к отдельным свойствам и задачам систем искусственного интеллекта.
Термины, установленные настоящим стандартом, рекомендуется использовать в нормативных документах, правовой, технической и организационно-распорядительной документации, научной, учебной и справочной литературе.
2 Термины и определения
Термины, относящиеся к искусственному интеллекту
1 агент (agent): Автоматический субъект, способный воспринимать среду своего функционирования и предпринимать действия для достижения своих целей.
Примечание - Агент искусственного интеллекта — это агент, который максимизирует свое вознаграждение или свои возможности успешного достижения своих целей.
2 искусственный интеллект; ИИ (artificial intelligence, AI):
-
Способность приобретать, обрабатывать, создавать и применять знания, определенные в форме модели, для выполнения одной или нескольких поставленных задач;
| Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе то, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений. [1] |
|---|
3 система искусственного интеллекта; система ИИ (artificial intelligence system, AI system): Техническая система обработки информации, обладающая искусственным интеллектом.
4 знания (knowledge): Информация об объектах, событиях, понятиях и правилах, их отношениях и свойствах, упорядоченная для целевого систематического использования.
1 Сведения могут быть представлены в числовой или символьной форме.
2 Сведения — это данные, определенные в конкретном контексте и поэтому являющиеся интерпретируемыми. Данные создаются путем моделирования или измерений объектов реального мира.
| модель (model): Физическое, математическое или иное адекватное представление системы, объекта, эффекта, процесса или данных. [[2], пункт 3.1.11] |
|---|
6 задача (task): Набор действий, выполняемых для достижения конкретной цели.
1 Эти действия могут быть результатом физической, перцепционной и/или когнитивной деятельности.
2 В отличие от целей, которые не зависят от способов, используемых для их достижения, задачи описывают конкретные способы достижения целей.
3 Примеры задач: классификация, регрессия, ранжирование, кластеризация, уменьшение размерности.
7 автономность [автономный] (autonomy, autonomous): Характеристика системы, определяющая возможность системы функционировать без внешнего управления или воздействия.
8 гетерономность [гетерономный] (heteronomy, heteronomous): Характеристика системы, определяющая возможность системы функционировать в условиях ограничений, связанных с внешним управлением или воздействием.
| интегральная схема специального назначения; ASIC (application specific integrated circuit, ASIC): Интегральная схема, специализированная под конкретное применение. [[3], пункт 3.193] |
|---|
10 автоматический процесс (automatic process): Процесс, осуществляемый без участия человека.
11 автоматизированный процесс (automated process): Процесс, осуществляемый при совместном участии человека и средств автоматизации.
12 Байесовская сеть (Bayesian network): Вероятностная модель, которая использует байесовский вывод на направленном ациклическом графе для вычисления вероятности.
| интеллектуальный анализ данных (data mining): Вычислительный процесс извлечения повторяющихся признаков и структур на основе результатов анализа количественных данных в разных проекциях и измерениях, категоризации данных и обобщения их возможных взаимосвязей и зависимостей. [[4], пункт 3.13] |
|---|
14 когнитивные вычисления (cognitive computing): Класс технологий искусственного интеллекта, предназначенных для обеспечения более естественного взаимодействия людей с машинами.
Примечание - Технологии когнитивных вычислений включают в себя машинное обучение, обработку речи, обработку естественного языка, обработку изображений и человеко-машинный интерфейс.
[ГОСТ 33707-2016, пункт 4.540]
17 управляемость, управляемый (controllability, controllable): Свойство системы искусственного интеллекта, определяющее возможность внешней стороны вмешиваться в работу системы.
Примечание - Такая система гетерономна.
18 деревья решений (decision trees): Модель, вывод для которой кодируется путями от корня к листовой вершине в древовидной структуре.
19 экспертная система (expert system): Система искусственного интеллекта, которая накапливает актуальные знания человека-эксперта и позволяет неспециалистам использовать эти знания для решения задач.
20 общий искусственный интеллект; общий ИИ (general artificial intelligence, general AI): Искусственный интеллект, который выполняет широкий круг задач с приемлемым уровнем результативности.
21 генетический алгоритм (genetic algorithm): Алгоритм решения оптимизационных задач, имитирующий естественный отбор путем создания и развития популяций особей (решения).
22 интернет вещей; IoT (internet of things, IoT): Инфраструктура, включающая объекты, людей, системы и информационные ресурсы, и сервисы, которые обрабатывают и реагируют на информацию, поступающую из материального и виртуального миров.
23 устройство интернета вещей (internet of things device): Объект системы интернета вещей, который взаимодействует с материальным миром посредством применения сенсоров и исполнительных устройств.
Примечание - Интернет вещей может быть сенсором или исполнительным устройством.
| жизненный цикл (life cycle): Развитие системы, продукции, услуги, проекта или другого созданного человеком объекта от замысла до списания. [ГОСТ Р 57193-2016, пункт 4.1.19] |
|---|
25 прикладной [специальный] искусственный интеллект (narrow artificial intelligence): искусственный интеллект, который решает определенные задачи, связанные с конкретной проблемой.
26 оптическое распознавание символов (optical character recognition): Преобразование изображений машинописного, печатного или рукописного текста в машиночитаемый текст.
Примечание - Данная задача также включает задачу идентификации текстовой структуры, например заголовков, рисунков, таблиц и т.д.
27 показатель (performance): Измеримый результат.
1 Показатели могут относиться к количественным или качественным результатам.
2 Показатели могут относиться к управлению деятельностью, процессами, продуктами (включая услуги), системами или организациями.
28 планирование (planning): Вычислительные процессы, которые формируют рабочий процесс из набора действий, направленных на достижение определенной цели.
29 мягкие вычисления (soft computing): Обработка, допускающая и учитывающая неточности, неопределенности, частичную истинность и приближения во входных данных, обеспечивающая полезные результаты наряду с интерпретируемостью, робастностью и низкой стоимостью решения.
Примечание — Мягкие вычисления — это комплекс исследований в области эволюционных алгоритмов, генетического программирования, роевого интеллекта, нейронаук, нейросетевых систем, теории нечетких множеств, нечетких систем, вероятностной логики, теории хаоса, хаотических систем (см. [5]).
30 символьный искусственный интеллект (symbolic artificial intelligence): Система искусственного интеллекта, которая кодирует знания с использованием символов и структур.
31 подсимвольный искусственный интеллект (subsymbolic artificial intelligence): Система искусственного интеллекта, основанная на парадигме коннекционизма.
Примечание - Определение подсимвольного искусственного интеллекта сравнивают с определением символьного искусственного интеллекта.
[Адаптировано из [6], пункт 3.1]
робототехника (robotics): Наука и практика проектирования, производства и применения роботов.
[ГОСТ Р 60.0.0.4-2019/ИСО 8373:2012, статья 2.16]
Термины, относящиеся к машинному обучению
35 аннотирование [разметка] данных (data annotation): Процесс маркирования данных, выполняемый для того, чтобы сделать данные пригодными для машинного обучения.
36 проверка качества данных (data quality checking): Процесс определения того, какие дефекты входящих идентификационных записей могут быть исправлены системой и какие не могут быть исправлены, но при этом будут обработаны.
37 аугментация данных (data augmentation): Процесс создания новых экземпляров данных путем совершения действий с исходными данными.
38 выборка данных (data sampling): Метод статистического анализа, используемый для выбора, обработки и анализа представительного подмножества данных для выявления повторяющихся признаков и зависимостей в более крупном наборе данных, который исследуется.
39 глубокое обучение (нейронной сети) (deep learning): Подход к созданию обширных иерархических представлений посредством обучения нейронных сетей с большим количеством скрытых слоев.
40 взрывающийся градиент (exploding gradient): Эффект обучения нейронных сетей методом обратного распространения ошибки, при котором накапливаются большие градиенты ошибок, что приводит к очень большим изменениям весов, делая модель нестабильной.
41 человеко-машинное объединение (human-machine teaming): Эффективное взаимодействие человека и искусственного интеллекта.
Примечание - В отличие от автоматизации, где машина заменяет человеческий труд, в некоторых случаях машина может дополнить человека. Это может произойти как побочный эффект разработки искусственного интеллекта, или система может быть разработана специально с целью создания команды человек — машина. Системы, дополняющие человеческие когнитивные возможности, иногда определяют как дополняющие интеллект.
42 долгая краткосрочная память (long short-term memory): Тип рекуррентной нейронной сети, которая обрабатывает последовательные данные, такие как временные данные, для одновременно длинных и коротких временных зависимостей.
43 машинное обучение (machine learning): Процесс, реализующий вычислительные методы, которые предоставляют системам возможность обучаться на данных или на основе опыта.
44 алгоритм машинного обучения (machine learning algorithm): Алгоритм для определения в соответствии с заданными критериями параметров модели машинного обучения по данным.
Пример - Одномерная линейная модель зависимости y(x):
В машинном обучении процесс определения смещения и весов для линейной модели известен как восстановление линейной регрессии.
45 модель машинного обучения (machine learning model): Математическая модель, которая генерирует вывод, или предсказание на основе входных данных.
Примечание - Модель машинного обучения является результатом обучения алгоритма машинного обучения.
Пример — Если для одномерной линейной модели зависимости [см. формулу (1)] была восстановлена линейная регрессия, то результирующая зависимость может быть следующей:
46 обучение с подкреплением (reinforcement learning): Машинное обучение, при котором используется функция вознаграждения для оптимизации функции поведения или функции общего подкрепления путем последовательного взаимодействия агента со средой.
1 Функция поведения или функция общего подкрепления отражает стратегию, которая была выучена в среде.
2 Средой может быть любая модель с отслеживанием состояния.
47 повторное обучение (retraining): Обновление обученной модели путем обучения на новых обучающих данных.
48 полуконтролируемое машинное обучение (semi-supervised machine learning): Машинное обучение, при котором во время обучения используются как размеченные, так и неразмеченные данные.
Примечание - Обучающие данные для задачи полуконтролируемого машинного обучения могут в большинстве быть неразмеченными.
49 обучение с учителем (supervised machine learning): Машинное обучение, при котором во время обучения используются размеченные данные.
50 обучение без учителя (unsupervised machine learning): Машинное обучение, при котором во время обучения используются неразмеченные данные.
51 машины опорных векторов (support vector machines): Модель машинного обучения, которая максимизирует расстояние между границами решения.
1 Опорные векторы — это экземпляры данных, которые определяют положение границ решения (гиперплоскости).
2 Машины опорных векторов допускается использовать для решения задач классификации и регрессии.
52 обученная модель (trained model): Результат обучения модели.
53 обучение (модели) (training, model training): Процесс определения или улучшения параметров модели машинного обучения на основе алгоритма машинного обучения с использованием обучающих данных.
54 обучающие данные (training data): Подмножество образцов входных данных, используемых для настройки модели машинного обучения.
55 набор обучающих данных (training data set): Целевое множество обучающих данных.
56 исчезающий градиент (vanishing gradient): Эффект при обучении нейронных сетей, при котором значение функции ошибок перестает уменьшаться с дополнительными итерациями процесса обучения.
Примечание - Проблема исчезающего градиента может фактически остановить обучение нейронной сети, т.к. она предотвращает изменение и улучшение весов признаков нейронной сети при дополнительных итерациях процесса обучения.
57 (глубокие) сверточные нейронные сети (convolutional neural networks, deep convolutional neural networks): Нейронные сети прямого распространения, которые используют свертку по крайней мере в одном из слоев.
58 свертка (convolution): Математическая операция, реализующая скользящее скалярное произведение или кросс-корреляцию входных данных.
59 нейронная сеть прямого распространения (feed forward neural network): Нейронная сеть, в которой информация передается только в одном направлении от входного слоя к выходному слою.
60 (искусственная) нейронная сеть (neural network, neural net, artificial neural network): Сеть из двух или более слоев нейронов, соединенных взвешенными связями с регулируемыми весами, которая принимает входные данные и производит выходные.
1 В то время как некоторые нейронные сети предназначены для моделирования процессов функционирования нейронов нервной системы, большинство нейронных сетей используются в искусственном интеллекте как реализации коннекционистской модели.
2 Выход нейронной сети часто называют предсказанием.
61 нейрон (neuron): Элементарный элемент обработки данных, который принимает одно или несколько входных значений и производит выходное значение с использованием функции активации от входных значений.
Примечание - Примерами нелинейных функций являются пороговая функция, сигмоидная функция и полиномиальная функция.
62 рекуррентная нейронная сеть (recurrent neural network): Нейронная сеть, в которой выход предыдущего слоя и результат предыдущего шага вычислений подаются на вход текущему слою.
63 подотчетный (accountable): Обладающий способностью нести ответственность за действия, решения и показатели.
64 подотчетность (accountability): Состояние являться подотчетным.
Примечание - Подотчетность относится к распределенной ответственности. Ответственность может быть основана на нормах либо по соглашению, либо через назначение в рамках делегирования.
65 точность данных (accuracy of data): Степень, с которой данные обладают признаками, правильно отражающими истинные значения соответствующих признаков понятия или события в определенном контексте.
66 точность системы искусственного интеллекта (accuracy of artificial intelligence system): Степень, с которой продукт или система обеспечивает результаты с заданным уровнем погрешности.
67 доступность (availability): Свойство быть готовым к использованию по требованию уполномоченного лица.
68 смещенность [предвзятость] (bias): Систематическое различие в отношении к определенным объектам, людям или группам по сравнению с другими.
Примечание - Отношение — это любое действие, включая восприятие, наблюдение, представление, предсказание или решение.
| управление (control): Целенаправленное действие с процессом или в процессе для достижения определенных целей. [[7], пункт 3.2.6] |
|---|
70 объяснимость (explainability):
-
Свойство системы искусственного интеллекта отражать важные показатели, влияющие на результаты системы искусственного интеллекта, в виде, понятном для людей.
-
Способность приводить обоснования, объясняющие причину совершения своих действий.
Примечание - Данный термин вводится для ответа на вопрос «Почему?» без каких-либо попыток оценить оптимальность совершаемого порядка действий.
71 предсказуемость (predictability): Свойство, которое позволяет физическим лицам, владельцам и операторам делать достоверные предположения о результатах работы (выходе) системы искусственного интеллекта.
72 конфиденциальность (privacy): Право физических лиц управлять сбором, хранением, обработкой и раскрытием любой информации, которая может быть использована для их идентификации или может быть связана с ними.
73 надежность (reliability): Свойство соответствия ожидаемому поведению и результатам.
74 отказоустойчивость (resilience): Способность реагировать и адаптироваться к меняющейся среде.
| риск (risk): Следствие влияния неопределенности на достижение поставленных целей. Примечания 1 Под следствием влияния неопределенности необходимо понимать отклонение от ожидаемого результата или события (позитивное и/или негативное). 2 Цели могут быть различными по содержанию (в области экономики, здоровья, экологии и т.п.) и назначению (стратегические, общеорганизационные, относящиеся к разработке проекта, конкретной продукции и процессу). 3 Риск часто характеризуют путем описания возможного события и его последствий или их сочетания. 4 Риск часто представляют в виде последствий возможного события (включая изменения обстоятельств) и соответствующей вероятности. 5 Неопределенность — это состояние полного или частичного отсутствия информации, необходимой для понимания события, его последствий и их вероятностей. [ГОСТ Р ИСО 31000-2019, пункт 3.1] |
|---|
76 робастность (robustness): Способность системы поддерживать определенный уровень показателей при различных обстоятельствах.
| безопасность (safety): Отсутствие недопустимого риска. [ГОСТ ISO 14971-2011, пункт 2.24] |
|---|
| заинтересованное лицо (stakeholder): Любой человек, группа или организация, которые могут влиять или подвергаться влиянию, или ощущать себя подвергнувшимися влиянию какого-либо решения или действия. [ГОСТ Р ИСО/МЭК 38500-2017, пункт 2.24] |
|---|
79 прозрачность (transparency): Свойство организации, при котором ее деятельность и решения, влияющие на заинтересованные стороны, являются открытыми, всесторонними, доступными, ясными и понятными.
80 понятность (transparency): Свойство системы, определяющее доступность ее функций, компонентов, процедур и измерений для внешней проверки заинтересованными сторонами.
Примечание - Понятность систем искусственного интеллекта предполагает доступность для проверки данных, параметров, моделей, алгоритмов, методов обучения и процессов обеспечения качества.
81 свойство вызывать доверие [надежность] (trustworthiness): Способность оправдывать ожидания заинтересованных лиц верифицируемым способом.
1 В зависимости от контекста или области, а также от конкретного продукта или сервиса, данных и используемых технологий, определены и требуют верификации для целей подтверждения ожиданий заинтересованных лиц различные параметры.
2 Свойство вызывать доверие (надежность) включает, например, доступность, отказоустойчивость, безопасность, конфиденциальность, прозрачность, подотчетность, целостность, подлинность, качество, удобство использования.
3 Свойство вызывать доверие (надежность) — это показатель, который может применяться по отношению к услугам, продуктам, технологиям, данным и информации, а в контексте управления — к организациям.
| верификация (verification): Подтверждение посредством предоставления объективных доказательств того, что установленные требования были полностью выполнены. Примечание — Верификация позволяет убедиться только в том, что продукт соответствует спецификации. [[8], пункт 3.21] |
|---|
| валидация (validation): Подтверждение посредством предоставления объективных свидетельств того, что установленные требования к использованию или применению были полностью выполнены. [[9], пункт 3.16] |
|---|
Термины, относящиеся к обработке естественного языка
| машинный перевод (machine translation): Автоматический перевод текста или речи с одного естественного языка на другой с помощью компьютерной системы. [[10], пункт 2.2.2] |
|---|
| естественный язык (natural language): Язык, который активно используется или использовался в обществе, правила которого в основном определяются практикой его использования. Примечание — Естественный язык — это любой человеческий язык, который может быть выражен в тексте, речи, языке жестов и т.д. [Адаптировано из [11], пункт 3.82] |
|---|
86 обработка естественного языка; NLP (natural language processing, NLP):
1 Обработка естественного языка — это область искусственного интеллекта.
2 Естественный язык — это любой человеческий язык, например английский, испанский, арабский или японский, который необходимо отличать от формальных языков, таких как Java, Fortran, C++, Логика первого порядка.
3 Примерами выражения естественного языка являются текст, речь, жесты и язык жестов.
| 2) Область, охватывающая знания и методы, применяемые при обработке лингвистических данных компьютером. Примечание — Данный термин приведен в контексте инженерной дисциплины. |
|---|
87 задача обработки естественного языка (natural language processing task): Задача, для выполнения которой требуется обработка естественного языка с применением искусственного интеллекта.
понимание естественного языка (natural language understanding, natural language comprehension): Извлечение информации с помощью функционального блока из текста или речи, которые передаются ему на естественном языке, и описания как заданного текста или речи, так и того, что они представляют. Допустимый синоним: Осмысление естественного языка.
[ГОСТ 33707-2016, пункт 4.995]
89 маркирование частей речи (part-of-speech tagging): Задача, которая присваивает лексеме категорию на основе ее грамматических свойств.
Примечание - Категория — это глагол, существительное, прилагательное и т.д.
90 лексема (lexeme): Абстрактная единица, обычно связанная с набором словоформ, имеющих общее значение.
91 распознавание именованных сущностей; NER (named entity recognition, NER): Задача распознавания и маркирования денотационных имен сущностей и их категорий для последовательности слов в потоке текста или речи.
1 Сущность относится к конкретному или абстрактному объекту, включая их объединения.
2 Именованный объект относится к объекту с обозначением, определяющим конкретное или уникальное значение (смысл).
3 Типичные для распознавания и маркирования наименования включают имена людей, местоположения, организации и другие имена собственные в зависимости от области применения или задачи.
92 генерация естественного языка; NLG (natural language generation, NLG): Задача преобразования семантики данных в естественный язык.
93 извлечение взаимосвязей (relationship extraction): Задача определения отношений между именованными сущностями или другими объектами, упомянутыми в тексте.
94 анализ тональности (sentiment analysis): Задача вычислительной идентификации и категоризации мнений, выраженных во фрагменте текста, речи или изображения, для определения чувств и отношения от положительного к нейтральному и отрицательному.
Примечание - Примеры чувств: счастье, печаль, гнев, восторг, одобрение, неодобрение, положительное отношение, отрицательное отношение, согласие и несогласие.
95 автоматическое реферирование (automatic summarization): Задача сокращения фрагмента естественного языка при сохранении важной семантической информации.
96 поиск ответа на вопрос (question answering): Задача определения наиболее подходящего ответа на вопрос на естественном языке.
1 Вопрос может быть открытым или иметь конкретный ответ.
2 В сочетании с другими прикладными программными интерфейсами и расширенной аналитикой технология ответа на вопрос отличается от обычного поиска (который осуществляется по ключевым словам) тем, что предоставляет более интерактивное обсуждение.
| распознавание речи (speech recognition): Преобразование функциональной единицы речевого сигнала в некоторое представление содержания речи. [Адаптировано из [12], пункт 2120735] |
|---|
| синтез речи (speech synthesis): Формирование искусственного речевого сигнала. [Адаптировано из [12], пункт 2120745] |
|---|
99 семантические вычисления (semantic computing): Вычисления, осуществляемые с целью понимания намерений пользователей и значения информации, которые выражаются в машинно-обрабатываемой форме.
Алфавитный указатель терминов на русском языке
| автономность | 7 |
|---|---|
| автономный | 7 |
| агент | 1 |
| алгоритм генетический | 21 |
| алгоритм машинного обучения | 44 |
| анализ данных интеллектуальный | 13 |
| анализ тональности | 94 |
| аннотирование данных | 35 |
| аугментация данных | 37 |
| безопасность | 77 |
| валидация | 83 |
| верификация | 82 |
| выборка данных | 38 |
| вычисления когнитивные | 14 |
| вычисления мягкие | 29 |
| вычисления семантические | 99 |
| генерация естественного языка | 92 |
| гетерономность | 8 |
| гетерономный | 8 |
| градиент взрывающийся | 40 |
| градиент исчезающий | 56 |
| данные обучающие | 54 |
| деревья решений | 18 |
| доступность | 67 |
| задача | 6 |
| задача обработки естественного языка | 87 |
| знания | 4 |
| зрение компьютерное | 16 |
| извлечение взаимосвязей | 93 |
| ИИ | 2 |
| ИИ общий | 20 |
| интеллект искусственный | 2 |
| интеллект искусственный общий | 20 |
| интеллект искусственный подсимвольный | 31 |
| интеллект искусственный прикладной | 25 |
| интеллект искусственный символьный | 30 |
| интеллект искусственный специальный | 25 |
| интернет вещей | 22 |
| коннекционизм | 32 |
| конфиденциальность | 72 |
| лексема | 90 |
| лицо заинтересованное | 78 |
| маркирование частей речи | 89 |
| машины опорных векторов | 51 |
| модель | 5 |
| модель коннекционистская | 32 |
| модель машинного обучения | 45 |
| модель обученная | 52 |
| набор обучающих данных | 55 |
| надежность | 73 |
| нейрон | 61 |
| обработка естественного языка | 86 |
| обучение | 53 |
| обучение без учителя | 50 |
| обучение глубокое | 39 |
| обучение машинное | 43 |
| обучение машинное полуконтролируемое | 48 |
| обучение модели | 53 |
| обучение на протяжении всей жизни | 15 |
| обучение нейронной сети глубокое | 39 |
| обучение непрерывное | 15 |
| обучение повторное | 47 |
| обучение постоянное | 15 |
| обучение с подкреплением | 46 |
| обучение с учителем | 49 |
| объединение человеко-машинное | 41 |
| объяснимость | 70 |
| отказоустойчивость | 74 |
| память краткосрочная долгая | 42 |
| перевод машинный | 84 |
| планирование | 28 |
| подотчетность | 64 |
| подотчетный | 63 |
| подход коннекционистский | 32 |
| поиск ответа на вопрос | 96 |
| показатель | 27 |
| понимание естественного языка | 88 |
| понятность | 80 |
| предвзятость | 68 |
| предсказуемость | 71 |
| проверка качества данных | 36 |
| прозрачность | 79 |
| процесс автоматизированный | 11 |
| процесс автоматический | 10 |
| разметка данных | 35 |
| распознавание именованных сущностей | 91 |
| распознавание речи | 97 |
| распознавание символов оптическое | 26 |
| реферирование автоматическое | 95 |
| риск | 75 |
| робастность | 76 |
| робот | 33 |
| робототехника | 34 |
| свертка | 58 |
| свойство вызывать доверие | 81 |
| свойство вызывать надежность | 81 |
| сети нейронные сверточные | 57 |
| сети нейронные сверточные глубокие | 57 |
| сеть Байесовская | 12 |
| сеть нейронная | 60 |
| сеть нейронная искусственная | 60 |
| сеть нейронная рекуррентная | 62 |
| сеть прямого распространения нейронная | 59 |
| синтез речи | 98 |
| система ИИ | 3 |
| система искусственного интеллекта | 3 |
| система экспертная | 19 |
| смещенность | 68 |
| схема специального назначения интегральная | 9 |
| точность данных | 65 |
| точность системы искусственного интеллекта | 66 |
| управление | 69 |
| управляемость | 17 |
| управляемый | 17 |
| устройство интернета вещей | 23 |
| цикл жизненный | 24 |
| язык естественный | 85 |
Алфавитный указатель эквивалентов терминов на английском языке
| accountability | 64 |
|---|---|
| accountable | 63 |
| accuracy of artificial intelligence system | 66 |
| accuracy of data | 65 |
| agent | 1 |
| AI system | 3 |
| application specific integrated circuit | 9 |
| artificial intelligence | 2 |
| artificial intelligence system | 3 |
| artificial neural network | 60 |
| artificial vision | 16 |
| ASIC | 9 |
| automated process | 11 |
| automatic process | 10 |
| automatic summarization | 95 |
| autonomous | 7 |
| autonomy | 7 |
| availability | 67 |
| Bayesian network | 12 |
| bias | 68 |
| cognitive computing | 14 |
| computer vision | 16 |
| connectionism | 32 |
| connectionist approach | 32 |
| connectionist model | 32 |
| continual learning | 15 |
| continuous learning | 15 |
| control | 69 |
| controllable | 17 |
| controllability | 17 |
| convolution | 58 |
| convolutional neural networks | 57 |
| data annotation | 35 |
| data augmentation | 37 |
| data quality checking | 36 |
| data mining | 13 |
| data sampling | 38 |
| decision trees | 18 |
| deep convolutional neural networks | 57 |
| deep learning | 39 |
| expert system | 19 |
| explainability | 70 |
| exploding gradient | 40 |
| feed forward neural network | 59 |
| general AI | 20 |
| general artificial intelligence | 20 |
| genetic algorithm | 21 |
| heteronomous | 8 |
| heteronomy | 8 |
| human-machine teaming | 41 |
| internet of things | 22 |
| internet of things device | 23 |
| IoT | 22 |
| knowledge | 4 |
| lexeme | 90 |
| life cycle | 24 |
| lifelong learning | 15 |
| long short-term memory | 42 |
| machine learning | 43 |
| machine learning algorithm | 44 |
| machine learning model | 45 |
| machine translation | 84 |
| model | 5 |
| model training | 53 |
| named entity recognition | 91 |
| narrow artificial intelligence | 25 |
| natural language | 85 |
| natural language comprehension | 88 |
| natural language generation | 92 |
| natural language processing | 86 |
| natural language processing task | 87 |
| natural language understanding | 88 |
| NER | 91 |
| neural net | 60 |
| neural network | 60 |
| neuron | 61 |
| NLG | 92 |
| NLP | 86 |
| optical character recognition | 26 |
| part-of-speech tagging | 89 |
| performance | 27 |
| planning | 28 |
| predictability | 71 |
| privacy | 72 |
| question answering | 96 |
| recurrent neural network | 62 |
| reinforcement learning | 46 |
| relationship extraction | 93 |
| reliability | 73 |
| resilience | 74 |
| risk | 75 |
| retraining | 47 |
| robot | 33 |
| robotics | 34 |
| robustness | 76 |
| safety | 77 |
| semantic computing | 99 |
| semi-supervised machine learning | 48 |
| sentiment analysis | 94 |
| soft computing | 29 |
| speech recognition | 97 |
| speech synthesis | 98 |
| stakeholder | 78 |
| supervised machine learning | 49 |
| support vector machines | 51 |
| subsymbolic artificial intelligence | 31 |
| symbolic artificial intelligence | 30 |
| task | 6 |
| trained model | 52 |
| training | 53 |
| training data | 54 |
| training data set | 55 |
| transparency | 79 |
| transparency | 80 |
| trustworthiness | 81 |
| unsupervised machine learning | 50 |
| validation | 83 |
| vanishing gradient | 56 |
| verification | 82 |
БИБЛИОГРАФИЯ
| УДК 004.8:006.354 | ОКС 35.020 |
| Ключевые слова: информационные технологии, искусственный интеллект, понятия, терминология | |