人工智能已经从新兴技术发展为主流商业的必需品，而不再只是技术专家的专属领域。为了跟上潮流，各行业的业务领导者需要学会掌握 AI 的“语言”。这就是我们编写这份术语表的初衷：为您提供关键术语和短语以便在企业内讨论和实施 AI 解决方案，从而释放其变革性潜力。
AI 术语表
主动学习 / Active learning
主动学习是一种 AI 方法，能够高效结合监督学习和无监督学习各自的特点。AI 模型通过识别模式，自主决定下一步的学习内容，仅在必要时寻求人工干预。这种方法能更快、更精准地训练出专业化的 AI 模型，非常适合希望采用可靠高效 AI 解决方案的企业。
AI 对齐 / AI alignment
AI 对齐是 AI 研究与训练的一个子领域，旨在让 AI 系统的目标与其设计者和/或用户的目标协同一致。这不仅能确保 AI 实现预期目标，还能让 AI 系统在决策过程中融入设计者和/或用户的价值观和道德标准。
AI 幻觉 / AI hallucinations
AI 幻觉是 AI 系统生成的不正确或具有误导性的输出。这些错误可由多种因素导致，包括训练数据不足或存在偏差，或者模型本身的错误假设。
AI 驱动的自动化 / AI-powered automation
AI 驱动的自动化，或称“智能自动化”，是指将基于规则的自动化技术（如：机器人流程自动化 / RPA）与 AI 能力（如：机器学习 / ML、自然语言处理 / NLP，以及计算机视觉 / CV）结合，以模拟人类大范围的决策和问题解决过程，从而扩展可自动化工作的规模。公司在业务流程中策略性整合自动化与 AI，能够提升员工生产力、优化客户体验，推动快速、敏捷的数字化转型。
AI 使用审计 / AI usage auditing
AI 使用审计对您的 AI 项目进行全面评估，以确保其达到既定目标、遵守既定标准，并符合所有法律要求。如同定期健康检查能够保障您的健康一样，AI 使用审计对于保障系统准确并符合伦理至关重要。
通用人工智能 / Artificial general intelligence（AGI）
通用人工智能是指一种具有与人类相同智力和适应能力的理论 AI 系统。这种系统在本质上可以匹配人类的技能和能力。目前 AGI 主要被认为是未来的概念，许多专家预测实现真正的 AGI 可能还需要几十年甚至几个世纪。
人工智能 / Artificial intelligence（AI）
人工智能指的是能够执行传统上只有人类能够完成的复杂任务（如推理、决策和问题解决）的计算机系统。
偏见 / Bias
偏见是一种现象，它会扭曲由 AI 驱动的决策结果，从而对某种观点、目标或某类人群不利。这种错误通常由 AI 模型的训练数据不足或不具代表性导致。
置信评分 / Confidence score
AI 置信评分是指一个概率分值，用于表示 AI 模型对其正确执行指定任务的确定程度。
会话式 AI / Conversational AI
会话式 AI 指的是旨在模拟和促进类人对话的 AI 技术。这包括聊天机器人、虚拟助手以及其他能够理解、处理并以自然语言响应人类输入的交互式系统。
数据标注 / Data annotation（或称数据标签化 / Data labeling）
指对数据集进行标记的过程，标注出希望 AI 模型学习和识别的具体特征。
深度学习 / Deep learning
深度学习是机器学习的一种，它通过多层神经网络（也被称为“深度神经网络”）来模拟人类复杂的决策过程。
企业级 AI / Enterprise AI
企业级 AI 是将人工智能（即机器具备学习、理解和以接近人类方式互动的能力）与为满足组织需求而设计的软件相结合的技术。企业级 AI 必须遵守严格的企业治理、合规性和安全性规则。UiPath 业务流程自动化平台提供的 UiPath AI Trust Layer、人在回路以及基于规则的工作流功能，让企业级 AI 成为可能。
基础模型 / Foundational models
基础模型通过大量数据进行学习，可以针对特定任务进行微调，从而具备高度的通用性。这种适应性降低了为每项任务构建单独模型的需求，使其成为一种具有成本效益的选择。如检索增强生成（RAG）及更先进的方法等各类技术，都被用于弥补基础 AI 的通用知识与专业 AI 模型所需精度之间的差距。
生成式 AI / Generative AI
指一种能够生成新内容的人工智能，包括文本、图像、音频以及合成数据。合成数据是人工创建的，旨在类似于真实数据，但并不复制现实世界中的细节。这项技术通过大量现有数据进行学习，生成的新内容与原始数据相似但明显不同。
生成式 AI 功能治理 / Generative AI feature governance
指一组原则、方针和实践，旨在推动并确保组织内负责任地使用生成式 AI 技术。这种治理方式保证了生成式 AI 的使用符合组织价值观和更广泛的社会规范。
生成式标注 / Generative annotation
利用生成式 AI 的能力来优化数据集的标注过程。这通常以一种预标注的形式进行使用，但最终标注仍需要人工判断。
生成式分类 / Generative classification
利用人工智能和自然语言查询对文档或通信等信息格式进行分类。
生成式提取 / Generative extraction
利用人工智能和自然语言查询来准确理解特定类型的信息（如文档或消息），并从中提取数据。
生成式验证 / Generative validation
使用生成式 AI 审查并验证专业 AI 模型输出结果的过程。尽管无法完全取代“人在回路”的作用，但可以通过自动审查部分案例减轻人类审查者的工作量。
有害内容过滤 / Harmful content filtering
有害内容过滤是 AI 系统中的一种保护方法，用于检测并过滤有害内容。该方法主要针对四大类内容——仇恨言论、性露骨材料、暴力内容，以及与自残相关的内容。根据严重程度，这些内容会被分级为“安全”“低”“中”和“高”四个等级，从而在数字环境中营造更安全健康的氛围。
人在回路 / Human in the loop（HITL）
一种反馈机制，由个人（或员工团队）对 AI 模型的输出进行关键性审查。这种协作既是改进 AI 模型训练的核心方法，也是一种验证 AI 决策的安全保障，以避免其对现实世界产生不良影响。
智能文档处理 / Intelligent document processing（IDP）
是一种能够从多种类型的文档中提取数据（包括表单、合同以及邮件等通信内容）的技术，实现文档任务的自动化与分析。IDP 结合了多种 AI 技术，包括自然语言处理和计算机视觉，以从结构化、半结构化和非结构化内容中提取数据。
大语言模型 / Large language model（LLM）
大语言模型能够理解和生成基于文本的内容。它通过大量数据进行专业训练（因此被称为“大”），并基于机器学习原理。大语言模型采用一种称为“Transformer 模型”（Transformer model）的特殊神经网络，是现代人工智能技术的关键组成部分，对语言理解和生成做出了显著贡献。
大语言模型网关 / LLM gateway
大语言模型网关是用户与 LLM 服务之间的重要桥梁。它不仅负责将请求导向服务并管理响应，还通过执行关键的后处理任务来提高 LLM 交互的实用性和效率。此网关通过确保 LLM 的有效、安全和负责任使用，保障其符合 AI 应用实践要求。
机器学习 / Machine learning（ML）
机器学习是人工智能的一个分支，它利用数据和算法，通过模仿人类学习的方式，逐渐提高 AI 模型的准确性。
模型准确性 / Model accuracy
模型准确性衡量 AI 模型正确执行任务的频率。更加技术性的评估通常包括“F1 分数”，该指标结合了精准度（避免误报的能力）和召回率（发现所有相关实例的能力）。
自然语言处理 / Natural language processing（NLP）
自然语言处理是一种人工智能技术，结合了语言学、统计学和 AI 模型，使机器能够识别、理解和生成文本和/或语音。
个人身份信息及敏感数据遮蔽 / PII and sensitive data masking
个人身份信息（PII）数据遮蔽是企业中的一种关键安全措施。它通过精确检测和隐藏敏感数据（如社会保障号码、电子邮件地址和信用卡号码等标准 PII 类别的数据）来保护用户数据的隐私和机密性。此措施确保机器学习过程不会无意中暴露或共享任何敏感信息。
精准度 / Precision
精准度指的是 AI 模型预测的准确性。换句话说，它是模型预测正确的比例。通常来说，精准度越高，模型结果的相关性越强。
提示词 / Prompt
提示词是用户或程序向 AI 大语言模型提供的输入、查询或请求，以获取所需输出。提示词可以是文本和/或代码的任何组合，通常以对话性问题或代码片段的形式出现。
召回率 / Recall
召回率衡量 AI 模型识别所有目标数据点的能力。换句话说，它是正确预测的目标占所有目标的比例。召回率在宁可误报不愿漏报的场景中尤为重要，例如在医学诊断中，高召回率可以确保更多潜在的疾病都能被检测到，即使这意味着一些有待进一步调查的假阳性也被标记。
负责任的 AI / Responsible AI
负责任的 AI 是一种以善意设计、开发和部署 AI 的实践，目的是赋能员工和企业，同时公平地影响客户和社会。这种方法能够建立信任，使企业有信心扩展其 AI 项目。通过优先考虑负责任的 AI 实践，我们可以确保这一强大的技术在全球范围内产生积极影响。
检索增强生成 / Retrieval augmented generation（RAG）
检索增强生成是一种通过利用从外部来源获取的数据或“上下文”来提高生成式 AI 准确性和可靠性的技术。
半监督学习 / Semi-supervised learning
半监督学习是机器学习的一种。它结合了监督学习和无监督学习技术，使用标记数据和未标记数据来训练 AI 模型。
专业 AI / Specialized AI
专业 AI 指的是为执行特定任务或解决特定问题而设计的人工智能系统，通常集中在狭窄的领域或范围内。可以将其视为一个非常擅长做某一工作的“个人专家”。由于专注于特定任务或问题，它能够深入研究并提供高水平的准确性和效率。通常运行成本较低（因为它的规模较小），且输出更为准确，但仍需训练以提高准确性。
监督学习 / Supervised learning
监督学习是机器学习的一种。它的特点是使用标注数据集来训练 AI 模型，从而准确预测结果。
分类法 / Taxonomy
在 AI 模型训练中，分类法是一个用于组织数据标注标签的分类系统。这些标签用于训练模型，帮助其理解和学习各种模式、趋势和结果。分类法通过将不同类别的信息按层次结构组织（例如：客户投诉是一种电子邮件，而电子邮件是一种通信方式），在训练过程中提供清晰性和准确性。
Transformer 模型 / Transformer model
Transformer 模型是一种人工智能技术，通过追踪顺序数据中的关系（例如句子中的单词或序列中的数字）来学习意义。这些模型应用名为“注意力”或“自注意力”的数学技术，来检测数据点之间的微妙趋势和关系。
无监督学习 / Unsupervised learning
无监督学习是机器学习的一个子集。它使用机器学习算法分析和聚类未标记的数据集，无需人工干预。
向量数据库 / Vector database
向量数据库是以向量形式存储的数据集合。向量数据库使 AI 模型更容易记住先前的输入和用户提示。这使得 AI 在搜索、推荐和文本生成等应用场景中更加高效。
向量 / Vector
向量是 AI 模型通过一系列数字创建的，代表单词、图像、视频和音频的序列。向量对于帮助 AI 模型理解意义和上下文至关重要。
还有 AI 相关的问题吗？
人工智能的世界发展迅速，很多公司没有足够的资源来独立实施和管理这些技术。对于大多数企业来说，一个让您能够快速启动并运行的全方位解决方案是更好的选择。
UiPath 业务自动化平台拥有让 AI 在您的企业中发挥作用所需的工具。随着 AI 的发展，我们不断添加新功能，确保您拥有更新、更强大的能力可供使用。
对 AI 如何转变您的业务感到好奇吗？我们提供您所需的答案和专业知识，指导您迈向成功。现在联系我们，了解如何通过 UiPath 平台将 AI + 自动化提升到新的水平。 |
