Glossari

Els investigadors han desenvolupat un conjunt de processos i mètodes que permeten als humans comprendre millor els resultats i els resultats dels algorismes d’aprenentatge automàtic. Això ajuda els desenvolupadors d’eines mediades per IA a entendre com funcionen els sistemes que dissenyen i els pot ajudar a assegurar-se que funcionen correctament i compleixen els requisits i les normes reguladores.

El disseny d’experiència d’usuari/interfície d’usuari es refereix a l’experiència global que tenen els usuaris amb un producte. Aquests enfocaments no es limiten al treball d’IA. Els dissenyadors de productes implementen enfocaments UX/UI per dissenyar i entendre les experiències que tenen els seus usuaris amb les seves tecnologies.

Els robots són màquines mecàniques encarnades que són capaços de fer una tasca física per als humans. Els “bots” solen ser agents de programari que realitzen tasques en una aplicació de programari (p. ex., en un sistema de tutoria intel·ligent poden oferir ajuda). Els bots de vegades s’anomenen agents conversacionals. Tant els robots com els robots poden contenir IA, inclòs l’aprenentatge automàtic, però no cal que la tinguin. La IA

El processament del llenguatge natural és un camp de la lingüística i la informàtica que també s’encavalca amb la IA. La PNL utilitza la comprensió de l’estructura, la gramàtica i el significat de les paraules per ajudar els ordinadors a “entendre i comprendre” el llenguatge. La PNL requereix un gran corpus de text (normalment mig milió de paraules).

Els models d’aprenentatge profund són un subconjunt de xarxes neuronals. Amb múltiples capes ocultes, els algorismes d’aprenentatge profund poden reconèixer patrons més subtils i complexos. Igual que les xarxes neuronals, els algorismes d’aprenentatge profund impliquen nodes interconnectats on s’ajusten els pesos, però com s’ha esmentat anteriorment, hi ha més capes i més càlculs que poden fer ajustos a la sortida per determinar cada decisió. Les decisions dels models d’aprenentatge profund

Les xarxes neuronals també s’anomenen xarxes neuronals artificials (ANN) i són un subconjunt d’algorismes ML. Es van inspirar en les interconnexions de neurones i sinapsis en un cervell humà. En una xarxa neuronal, després que les dades entren a la primera capa, les dades passen per una capa oculta de nodes on es realitzen càlculs que ajusten la força de les connexions als nodes i després passen a una capa

L’aprenentatge automàtic és un camp d’estudi amb una varietat d’enfocaments per desenvolupar algorismes que es poden utilitzar en sistemes d’IA. La IA és un terme més general. En ML, un algorisme identificarà regles i patrons a les dades sense que un humà especifiqui aquestes regles i patrons. Aquests algorismes construeixen un model per a la presa de decisions a mesura que passen per les dades. (De vegades escoltareu el terme

Anomenem “caixes negres” les coses que no entenem per què no es veu el que passa dins de la caixa. Molts algorismes d’aprenentatge automàtic són “caixes negres”, el que significa que no entenem com un sistema utilitza les característiques de les dades quan pren les seves decisions (en general, sabem quines característiques s’utilitzen, però no com s’utilitzen). Actualment, hi ha dues maneres principals de tirar el teló de les caixes

L’aprenentatge automàtic interpretable, de vegades també anomenat IA interpretable, descriu la creació de models que són inherentment interpretables, ja que proporcionen les seves pròpies explicacions per a les seves decisions. Aquest enfocament és preferible al de l’aprenentatge automàtic explicable (vegeu la definició a continuació) per moltes raons, inclòs el fet que hauríem d’entendre què està passant des del principi als nostres sistemes, en lloc d’intentar “explicar” les caixes negres després

L’assignatura o el material del curs s’ajusta en funció del rendiment de l’alumne. La dificultat del material, el ritme, la seqüència, el tipus d’ajuda donada o altres característiques es poden adaptar en funció de les respostes prèvies de l’alumne.