AIのインタラクティブマップ

AIのマップをナビゲートします。Artifipediaのすべての概念と、それらの間のすべてのリンクです。ノードをドラッグし、ホバーして接続をたどり、クリックして読みます。ディープラーニング言語 & LLMAIエージェント生成AI機械学習コンピュータビジョン安全性と倫理基盤ツール & エコシステムドラッグ・ホバー・クリックで開くこのマップを埋め込むマップを埋め込む任意のサイトで無料で利用できます。表示したい場所に貼り付けてください — 百科事典が成長するにつれて、それは最新の状態に保たれます。サイズ標準トールコンパクト埋め込みコードコードをコピー閉じるこのマップの読み方各円は概念です。各線は、2つが実際に 関連していることを意味します — 一方が他方を説明している、一方が他方から構築されている、または一方が他方を理解せずに理解できない。円のサイズは接続数です。色は分野です。マップには56の概念と150のリンクがあり、平均して各概念に5.4の接続があります。密度は9.7% — 可能なペアのほとんどはリンクされていませんが、それがポイントです。すべてがすべてに接続されているマップは何も教えてくれません。形状が語ること大規模言語モデル（LLM）は最も接続されている概念で、21のリンクがあります。それは編集上の選択ではありません — グラフから導き出されます。最も接続されている5つは、大規模言語モデル（LLM）（21）、ニューラルネットワーク（12）、Embeddings（11）、機械学習（11）、ディープラーニング（9）です。ゼロから始めるなら、そこから始めてください：他の概念が必要とする概念です。150のリンクのうち78は分野をまたいでいます。それらが興味深いものです。それ自体にしか接続しない分野はサイロです。このマップをまとめている概念は、大規模言語モデル（LLM）、Embeddings、ニューラルネットワーク、ディープラーニングです。それらが、AIを一度に1つのトピックずつ学べない理由です。周辺部は現実であり、見落としではありません。OCR（光学文字認識）、物体検出、知能は、接続が少ないエッジの近くにあります。それは分野を反映しています：一部のアイデアは自己完結しており、他の多くのものなしで学ぶことができます。そうでなかったと偽るマップは、正確ではなく、お世辞になるでしょう。リンクの作成方法正直に言うと、概念ごとに手作業で行っています。各エントリは接続先を宣言し、グラフはその宣言から組み立てられます。それには既知の結果があります — リンクは局所的には理にかなっていますが、大域的には不均一です。早期に書かれた基本的な概念は、マップ全体を視野に入れて書かれた新しい概念よりもリンクが少ない場合があります。それらはテキストの類似性、共起、またはモデルから生成されたものではありません。それは、単に一緒に現れるものをリンクするのではなく、互いを説明するものをリンクするため、より密で滑らかなグラフと、より正直でないグラフを生成するでしょう。リンクが間違っているように見える場合は、そうかもしれません。私に教えてください — それは私がする修正です。このマップの使用方法任意のサイトに無料で埋め込むことができます — 上のボタンにiframeがあります。概念が追加されるにつれて、それは最新の状態に保たれます。基盤となるデータもオープンです：content.jsonにはすべての概念と関係が含まれており、llms-full.txtはプレーンテキストとしてのコーパス全体です。以下のすべての概念、分野別にグループ化されています。マップはインデックスです。これらはエントリです。すべての概念エージェントメモリモデル自体がセッション終了時にすべてを忘れるため、AIに会話をまたいで記憶させる方法。AGI（人工汎用知能）ドメイン全体にわたる広範な人間レベルの能力を持つ仮説上のシステム — 人々が到着したかどうかを議論できるほど未定義です。AIエージェント目標を達成するために、一度応答して停止するのではなく、独自のステップ（決定、行動、反応）を取るソフトウェア。AIアラインメントAIシステムが実際に意図したことを行うようにすること — 私たちが意図した目標を確実に追求すること、単に誤って指定した目標だけではなく。人工知能知能を必要とするように見えることを機械に行わせる分野 — 機械が成功するたびに移動する定義。アテンションAIが単語を解釈する際に、他のどの単語が重要かを決定できるようにするメカニズム — トランスフォーマーの核となるアイデア。バックプロパゲーション間違いの原因となった重みとその量を計算するアルゴリズム — ニューラルネットワークが学習できる理由。バイアスと公平性AIシステムが不公平または差別的な結果を生み出す問題 — 通常、トレーニングデータに存在するバイアスを吸収することによって。Chain-of-Thoughtモデルに回答する前にステップバイステップで推論させること — 困難な問題でのパフォーマンスを劇的に向上させます。クラスタリング互いに似ているものをグループ化すること — そして、アルゴリズムが、存在するかどうかに関わらず、常にグループを返すという事実。CNN（畳み込みニューラルネットワーク）画像上の小さなフィルターをスライドさせて局所的なパターンを見つけるネットワーク — コンピュータビジョンを機能させたアーキテクチャ。コンテキストウィンドウAIが一度に考慮できるテキストの最大量 — トークンで測定される短期作業メモリ。ディープラーニング多くの層を持つニューラルネットワークを使用した機械学習 — ほぼすべての最近のAIブレークスルーの背後にあるアプローチ。拡散モデルほとんどのAI画像ツールが機能する方法 — ランダムノイズから始まり、プロンプトによってガイドされ、画像が表示されるまで、ノイズをステップバイステップで除去します。Embeddings単語（または画像、またはその他すべて）を数値のリストに変換し、類似した意味が互いに近くに配置されるように配置します。説明可能性モデルに作業を表示させること — そして、ほとんどの方法が決定ではなく説明を説明するという不快な事実。特徴エンジニアリングモデルが実際に使用できるものに生データを整形すること — ディープラーニング以外では、正確さの多くが依然としてここから来ています。ファインチューニングモデルの動作を変更するために、独自の例でモデルのトレーニングを続けること — 回答時に提供されるのではなく、モデルに組み込まれています。GAN（敵対的生成ネットワーク）互いに訓練された2つのネットワーク — 一方は偽造し、他方は検出する — 偽造が合格するまで。拡散が大部分置き換えたテクニック。GPUディープラーニングを可能にしたチップ — 数千の小さなコアが同時に同じ数学を行うこと、それはニューラルネットワークが必要とするものです。勾配降下法エラーサーフェスを一度に一歩ずつ下っていくこと — モデルの重みが実際に更新される方法。ガードレールモデルが受け入れられるもの、言えるもの、できることを決定するモデルの周りのチェック — デモがインシデントになるのを防ぐ部分。幻覚AIが流暢で自信に満ちた、しかし単に誤ったものを生成すること — 流暢さは正確さと同じではありません。画像分類AIに画像を見させて、それが何であるかを言わせること — コンピュータビジョンの基本的なタスク。画像セグメンテーションボックスを描画するのではなく、すべてのピクセルにラベルを付けること — 正確な形状が重要な場合に必要です。推論APIリクエストごとにモデルをレンタルすること — ほとんどの人が実際にAIを使用する方法、およびそれに伴う依存関係。知能「人工知能」の下にある言葉 — 絶えず使用され、誰も定義しておらず、分野最大の議論が決して解決されない理由です。ジェイルブレイクモデルに拒否するように訓練されたことを実行させること — そしてそれが機能し続ける構造的な理由。LLM（大規模言語モデル）膨大な量のテキストでトレーニングされ、次の文章を予測するAI — ChatGPTやClaudeのようなチャットボットの背後にあるテクノロジー。損失関数モデルがどれだけ間違っているかを示す数値 — したがって、それがなりたいものの定義。機械学習ルールで明示的にプログラムされるのではなく、データからパターンを学習してタスクを改善するコンピューター。マルチエージェントシステム1つの問題で協力する複数のAIエージェント、それぞれが役割を持つ — デモでは強力ですが、本番では扱いにくい。マルチモーダルAIテキストと画像、場合によっては音声とビデオなど、複数の種類の入力を単一の共有表現で処理するモデル。ニューラルネットワーク例からパターンを学習する単純な接続ユニットのシステム — ディープラーニングと現代AIの基盤。物体検出画像内の物体の場所とその物体が何であるかを見つけること — 各オブジェクトの周りにラベル付きボックスを描画します。OCR（光学文字認識）テキストの画像をテキストに変換すること — クリーンなドキュメントでは解決済みですが、それ以外のすべてでは依然として非常に困難です。オープンウェイトモデル重みをダウンロードして自分で実行できるモデル