1. Embedding
روشی برای تبدیل متن، تصویر یا دادههای دیگه به مجموعهای از عددهاست؛ طوری که اطلاعاتی با معنی مشابه، از نظر عددی هم به هم نزدیکتر باشن. این کار به سیستم کمک میکنه ارتباط و شباهت بین اطلاعات مختلف رو تشخیص بده.
🟢 مثال: سیستم میتونه تشخیص بده جملههای «ماشین میخوام بخرم» و «دنبال خرید خودرو هستم» از نظر معنی به هم نزدیکن.
2. Vector Database — پایگاه داده برداری
نوعی پایگاه داده یا سیستم جستوجوئه که اطلاعات رو به شکل بردارهای عددی ذخیره میکنه و میتونه مواردی رو پیدا کنه که از نظر معنی به هم نزدیک هستن؛ حتی اگر دقیقاً از کلمات یکسانی استفاده نکرده باشن.
🟢 مثال: وقتی درباره «خرید لپتاپ برای برنامهنویسی» جستوجو میکنی، میتونه مطالبی درباره «کامپیوتر مناسب کدنویسی» رو هم پیدا کنه.
3. Semantic Search — جستوجوی معنایی
نوعی جستوجوئه که فقط دنبال تطابق دقیق کلمات نمیگرده و سعی میکنه معنی و منظور عبارت جستوجوشده رو هم درک کنه. به همین دلیل میتونه نتایج مرتبطی پیدا کنه که کلمات متفاوتی دارن.
🟢 مثال: با جستوجوی «چطور هزینههام رو کمتر کنم؟» میتونه مطلبی با عنوان «راههای کاهش مخارج ماهانه» رو پیدا کنه.
4. Transformer
یک معماری برای ساخت مدلهای هوش مصنوعیه که پایه بسیاری از مدلهای زبانی و مدلهای مولد امروزی محسوب میشه. این معماری به مدل کمک میکنه اطلاعات موجود در ورودی رو پردازش کنه و ارتباط بین بخشهای مختلف اون رو یاد بگیره.
🟢 مثال: مدلهای خانواده GPT بر پایه معماری Transformer ساخته شدن.
5. MCP — Model Context Protocol
یک استاندارد باز برای اتصال دستیارها و مدلهای هوش مصنوعی به ابزارها و منابع داده بیرونیه. با MCP، یک سیستم AI میتونه به شکل استانداردتری به چیزهایی مثل فایلها، APIها یا ابزارهای مختلف دسترسی پیدا کنه.
🟢 مثال: یک دستیار AI میتونه از طریق MCP به فایلهای کاری متصل بشه، اطلاعات موردنیازش رو بخونه و از اونها برای انجام یک کار استفاده کنه.
📌 این پست رو سیو کن؛ منتظر قسمت بعدی باش
1️⃣ واژهنامه هوش مصنوعی | قسمت ۱
2️⃣ واژهنامه هوش مصنوعی | قسمت ۲
🤖 بوتکمپ ایجنتهای هوشمصنوعی
🤖 سلسله وبینارهای رایگان AI Agents
📍 کانال هوشمصنوعی کافهتدریس:
@Cafetadrispro