Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

AI Begrippen en TrefwoordenAI Trefwoorden

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

718 resultaten
Machine learning
Few-shot learning
Few-Shot Learning
Few-shot learning is een methode in machine learning waarbij een model een nieuwe taak leert met weinig voorbeelden. Gewone modellen trainen vaak met honderden of duizenden voorbeelden, terwijl few-shot learning eerder geleerde kennis gebruikt en die met een handvol nieuwe voorbeelden aanpast. Zo kan een model een zeldzame diersoort of een zeldzame ziekte herkennen nadat het maar enkele gelabelde voorbeelden van die categorie heeft gezien.
Taalmodellen
Few-shot prompting
Multishot Prompting (Few-Shot Prompting)
Multishot prompting (few-shot prompting) is een methode waarbij een prompt meerdere uitgewerkte voorbeelden bevat. Die voorbeelden, meestal een invoer met het gewenste antwoord, sturen een taalmodel naar een vaste vorm van het antwoord, anders dan one-shot prompting met één voorbeeld of een zero-shot prompt zonder voorbeeld. Goed gekozen voorbeelden verbeteren het resultaat, maar meer is niet vanzelf beter: irrelevante, onevenwichtige of slecht geordende voorbeelden kunnen het resultaat verslechteren.
Machine learning
Fine-tuning
Fine-Tuning
Fine-tuning is een methode in machine learning die een vooraf getraind model aanpast aan één specifieke taak. Het model traint verder op een kleinere, taakgerichte dataset en met een lagere leersnelheid, zodat de brede kennis uit de eerste training blijft. Een klantenservice gebruikt zo een algemeen taalmodel (de techniek achter chatbots) dat antwoorden schrijft in de termen en de toon van het bedrijf.
Machine learning
Finetuning
Finetuning
Finetuning (verfijning) is extra training van een al getraind model met nieuwe gegevens. Het model leert zo een taak, een vakgebied of een stijl, en dat kost meestal minder rekenkracht dan een vergelijkbaar model vanaf het begin trainen. Een helpdesk kan een chatbot zo verder trainen op eigen klantvragen, maar moet oppassen dat andere vaardigheden van het model niet verzwakken.
Kennis en redeneren
Fluent
Fluent
Een fluent is een eigenschap van de wereld die in de loop van de tijd kan veranderen. In logische methoden om over acties te redeneren staat het tijdstip in de formule, zodat de eigenschap op het ene moment waar is en op het andere niet. Zo kan een systeem bijhouden dat een doos op een bepaald tijdstip op de tafel staat en later niet meer.
Kennis en redeneren
Formele taal
Formal language
Een formele taal is een verzameling woorden die zijn opgebouwd uit letters van een eindig alfabet. Vaste regels bepalen welke reeksen tot de verzameling horen, en de betekenis van die reeksen telt niet mee, anders dan bij een natuurlijke taal zoals het Nederlands. Een computer gebruikt die regels om bij een programmeertaal te bepalen of een stuk code de juiste vorm heeft en dus geldig is.
Data
Fout-negatief
False negative
Een foutnegatief is een voorbeeld dat tot de positieve klasse hoort, maar dat een model ten onrechte als negatief voorspelt. Bij binaire classificatie mist het model een positief geval, anders dan een foutpositief dat een negatief geval als positief ziet. Een model dat een patiënt met een ziekte als gezond voorspelt, maakt een foutnegatief en laat dat ziektegeval zo onopgemerkt.
Data
Fout-positief
False positive
Een foutpositief (valspositief) is een geval uit de negatieve klasse dat een model toch als positief voorspelt. Bij een binaire classificatietaak kiest het model tussen twee klassen en markeert dit geval ten onrechte als positief, terwijl de echte klasse negatief is. Een spamfilter kan zo een gewone e-mail als ongewenst aanmerken, en een gebruiker mist die boodschap dan in het postvak.
Data
Foutmatrix
Confusion matrix
Een verwarringsmatrix is een tabel die laat zien welke fouten een classificatiemodel maakt. Elke klasse staat daarin tegenover elke klasse, met de echte uitkomst langs de ene kant en de voorspelling langs de andere kant. Juiste voorspellingen staan op de diagonaal van linksboven naar rechtsonder, zodat zichtbaar wordt welke klassen het model verwisselt, bijvoorbeeld een kat die als hond wordt gezien.