Naar inhoud
BetaAI Begrippen

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

Begrippen die beginnen met L (18)

Alle AI-termen die beginnen met de letter L, in gewone taal.

18 resultaten
‹2›
Taalmodellen
LLMO (Large Language Model Optimization)
LLMO (Large Language Model Optimization)
LLMO is een methode om teksten en merkgegevens zo in te richten dat een taalmodel het merk juist begrijpt. Dit verschilt van zoekmachineoptimalisatie, want een taalmodel (de techniek achter chatbots) moet het merk vertrouwen en juist noemen in zijn antwoord. Zo kan een chatbot een bedrijf met de juiste naam en feiten noemen als een gebruiker om advies over een product vraagt.
Infrastructuur
LLMOps
LLMOps
LLMOps is een vaste werkwijze om chatbots en andere toepassingen met grote taalmodellen in productie te beheren. Teams beheren prompts, testen de kwaliteit van antwoorden en volgen na publicatie snelheid, fouten en kosten, omdat een taalmodel niet altijd hetzelfde antwoord geeft. Zo houdt een organisatie een klantenservicechatbot betrouwbaar en betaalbaar, ook nadat teams een prompt of het model hebben vervangen.
Taalmodellen
Llms.txt
Llms.txt
llms.txt is een tekstbestand in de hoofdmap van een website, vergelijkbaar met robots.txt. Het bestand biedt AI-systemen een korte achtergrond, aanwijzingen en links naar de belangrijkste pagina's, in een vaste tekstvorm die een taalmodel direct kan lezen, anders dan een sitemap die elk adres van de site opsomt. Een chatbot die een vraag over een organisatie beantwoordt, kan zo de kernpagina's kiezen en het antwoord op die inhoud baseren.
Kennis en redeneren
Logisch programmeren
Logic programming
Logisch programmeren is een programmeerwijze die kennis als logische zinnen vastlegt. Een programma bestaat uit feiten en regels over een onderwerp, en de computer leidt daaruit zelf conclusies af, in plaats van een door de maker voorgeschreven reeks stappen te volgen. In talen zoals Prolog beantwoordt de computer vragen uit die kennis, bijvoorbeeld wie in een stamboom de grootouder van een persoon is.
Machine learning
Logistische regressie
Logistic regression
Een probabilistisch classificatiemodel berekent voor elke categorie de kans dat een nieuwe invoer daarbij hoort. Een gewoon model noemt vaak alleen het meest waarschijnlijke label, terwijl dit model alle kansen apart toont en die samen tot honderd procent optellen. Gebruikers kunnen daarna zelf een grens kiezen, bijvoorbeeld een spamfilter dat een bericht pas als spam markeert bij een hoge kans.
Neurale netwerken
Long short-term memory (LSTM)
Long short-term memory (LSTM)
Long short-term memory (LSTM) is een kunstmatig neuraal netwerk in deep learning voor reeksen gegevens. Anders dan een standaard neuraal netwerk, dat elk punt apart verwerkt, heeft LSTM terugkoppelingen die informatie uit eerdere stappen bewaren. Daardoor kan het model een hele reeks volgen, zoals een gesproken zin of een video, en bij elk nieuw deel rekening houden met wat daarvoor kwam.
Machine learning
LoRA
Lora
LoRA (Low-Rank Adaptation) is een methode om grote AI-modellen bij te stellen voor een concrete taak. In plaats van het hele bestaande model opnieuw te trainen, past deze methode alleen een klein en gericht deel van het model aan. Daardoor kost zo'n aanpassing minder tijd en minder rekenkracht wanneer het model een specifieke taak of een nieuwe verzameling gegevens moet leren.
Machine learning
Loss-functie
Verlies is een getal dat aangeeft hoe ver de voorspelling van een model van het juiste antwoord afwijkt. Gewone software volgt vaste regels, terwijl een model dit verlies gebruikt om zich tijdens het trainen zelf stap voor stap te verbeteren. Een groot verlies betekent een grote afwijking, bijvoorbeeld wanneer een model de prijs van een huis veel te hoog schat.
Neurale netwerken
LSTM
LSTM
LSTM is een speciaal type recurrent neuraal netwerk (een model voor reeksen) dat lange verbanden onthoudt. Het gebruikt geheugencellen en poorten die bepalen welke informatie binnenkomt, blijft of doorgaat, zodat eerdere stappen niet zo snel verdwijnen als bij een gewoon recurrent netwerk. Daardoor kan het tijdreeksen en andere reeksen beter volgen, bijvoorbeeld bij spraakherkenning of bij het voorspellen van toekomstige meetwaarden uit eerdere cijfers.