Kender du til al AI-jargonen? Lad os spille AI-bingo her:
-
AI-agenter: Disse er AI-systemer, der kan ræsonnere og handle autonomt for at opnå mål. I modsætning til chatbots, der reagerer på individuelle prompter, gennemgår AI-agenter en cyklus, hvor de opfatter deres miljø, ræsonnerer over de bedste næste skridt, handler på deres plan og observerer resultaterne. De kan udføre forskellige roller, fra booking af rejser til analyse af data eller styring af it-infrastruktur.
-
Store ræsonneringsmodeller (LRM'er): Disse er specialiserede store sprogmodeller (LLM'er), der er blevet finjusteret til ræsonnement. De er trænet til at arbejde sig igennem problemer trin for trin, i modsætning til standard LLM'er, der genererer øjeblikkelige svar. LRM'er er trænet på problemer med verificerbare svar (som matematik eller kode) og bruger forstærkningslæring til at generere ræsonneringssekvenser, der fører til korrekte resultater. De "tænkepauser", du måske ser fra en chatbot, er ofte resultatet af, at en LRM arbejder sig igennem sin ræsonneringsproces.
-
Blanding af eksperter (MoE): MoE er en arkitektonisk tilgang, der opdeler en stor sprogmodel i flere specialiserede "eksperter" (neurale sub-netværk). For enhver given opgave aktiverer en routingmekanisme kun de specifikke eksperter, der er nødvendige. Outputtene fra disse aktiverede eksperter flettes derefter for at danne en enkelt repræsentation. Dette giver mulighed for at opskalere modelstørrelsen uden en proportional stigning i beregningsomkostningerne, da kun en brøkdel af modellens samlede parametre bruges på inferenstidspunktet for et givet token.
-
Vektordatabase: I en vektordatabase gemmes data (som tekst eller billeder) ikke som råfiler, men konverteres til numeriske repræsentationer kaldet "vektorer" ved hjælp af en indlejringsmodel. Disse vektorer fanger den semantiske betydning af dataene. Fordelen ved dette er, at søgninger kan udføres som matematiske operationer, hvor man leder efter vektorer, der er "tæt" på hinanden, hvilket oversættes til at finde semantisk lignende indhold.
-
Model Context Protocol (MCP): MCP standardiserer, hvordan applikationer leverer kontekst til LLM'er, hvilket gør dem i stand til at interagere med eksterne datakilder, tjenester og værktøjer. Det skaber en standardiseret måde for AI at få adgang til systemer som databaser, kodearkiver eller e-mailservere, hvilket eliminerer behovet for, at udviklere skal bygge brugerdefinerede forbindelser til hvert nyt værktøj. En MCP-server fungerer som grænsefladen for AI til at forstå, hvordan man får adgang til disse eksterne systemer.
Så hvor mange kendte du? Lærte du noget nyt?