GBT 41867-2022 信息技術(shù) 人工智能 術(shù)語(yǔ)

信息技術(shù)人工智能術(shù)語(yǔ)2022-10-12發(fā)布國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)前言 I 2規(guī)范性引用文件 3術(shù)語(yǔ)和定義 3.1基礎(chǔ)術(shù)語(yǔ) 3.2關(guān)鍵通用技術(shù)相關(guān)術(shù)語(yǔ) 3.3關(guān)鍵領(lǐng)域技術(shù)相關(guān)術(shù)語(yǔ) 3.4安全/倫理相關(guān)術(shù)語(yǔ) 參考文獻(xiàn) IGB/T41867—2022本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起草。請(qǐng)注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別專利的責(zé)任。本文件由全國(guó)信息技術(shù)標(biāo)準(zhǔn)化技術(shù)委員會(huì)(SAC/TC28)提出并歸口。本文件起草單位：中國(guó)電子技術(shù)標(biāo)準(zhǔn)化研究院、華為技術(shù)有限公司、山東省計(jì)算中心(國(guó)家超級(jí)計(jì)算濟(jì)南中心)、中電長(zhǎng)城網(wǎng)際系統(tǒng)應(yīng)用有限公司、中國(guó)醫(yī)學(xué)科學(xué)院生物醫(yī)學(xué)工程研究所、北京電信規(guī)劃設(shè)計(jì)院有限公司、浪潮軟件科技有限公司、上海依圖網(wǎng)絡(luò)科技有限公司、北京曠視科技有限公司、江蘇諾安科技有限公司、北京百度網(wǎng)訊科技有限公司、北京眼神科技有限公司、沈陽(yáng)新松機(jī)器人自動(dòng)化股份有限公司、杭州?？低晹?shù)字技術(shù)股份有限公司、曙光信息產(chǎn)業(yè)股份有限公司、清華大學(xué)、北京智譜華章科技有限公司、國(guó)際商業(yè)機(jī)器(中國(guó))有限公司、北京海天瑞聲科技股份有限公司、北京電子工程總體研究所、中國(guó)人民解放軍國(guó)防科技大學(xué)、杭州中奧科技有限公司、西北工業(yè)大學(xué)、上海商湯智能科技有限公司、上海儀電(集團(tuán))有限公司、小米通訊技術(shù)有限公司、中國(guó)科學(xué)院軟件研究所、中科極限元(杭州)智能科技股份有限公司、中國(guó)科學(xué)院自動(dòng)化研究所、徐州醫(yī)科大學(xué)、浙江省杭州市余杭區(qū)數(shù)據(jù)資源管理局、中國(guó)航空綜合技術(shù)研究所、行為科技(北京)有限公司、深圳云天勵(lì)飛技術(shù)股份有限公司、海爾優(yōu)家智能科技(北京)有限公司、中國(guó)食品藥品檢定研究院、磅客策(上海)智能醫(yī)療科技有限公司、上海人工智能研究院有限公司、上海木木機(jī)器人技術(shù)有限公司、云從科技集團(tuán)股份有限公司、北京小馬智行科技有限公司、涇豐科技(深圳)有限公司、南京大學(xué)、上海智能制造系統(tǒng)創(chuàng)新中心有限公司、上海智能制造功能平臺(tái)有限公司、中國(guó)信息通信研究院、金稅信息技術(shù)服務(wù)股份有限公司、蘇州中德宏泰電子科技股份有限公司、英飛智信(北京)科技有限公司、杭州方得智能科技有限公司。蒲江波、馮霄鵬、韓霄、李婷、王功明、趙春昊、杜云鵬、張健、吳月升、楊春林、張鋒、任文奇、張棟棟、1信息技術(shù)人工智能術(shù)語(yǔ)本文件界定了信息技術(shù)人工智能領(lǐng)域中的常用術(shù)語(yǔ)及定義。本文件適用于人工智能領(lǐng)域概念的理解和信息交流，以及科研、教學(xué)和應(yīng)用。2規(guī)范性引用文件本文件沒(méi)有規(guī)范性引用文件。3術(shù)語(yǔ)和定義3.1基礎(chǔ)術(shù)語(yǔ)人工智能系統(tǒng)實(shí)現(xiàn)的一種方式，其中數(shù)據(jù)與指令在一組以特定拓?fù)浣Y(jié)構(gòu)相互連接的節(jié)點(diǎn)之間傳遞和處理，以完成人工智能任務(wù)。人工智能artificialintelligence;AI<學(xué)科>人工智能系統(tǒng)(3.1.8)相關(guān)機(jī)制和應(yīng)用的研究和開發(fā)。信息系統(tǒng)中能夠?yàn)槿斯ぶ悄軕?yīng)用提供高效能計(jì)算處理能力的服務(wù)器。注1:以通用服務(wù)器為基礎(chǔ)，配備人工智能加速卡后，為人工智能應(yīng)用提供專用計(jì)算加速能力的服務(wù)器，稱人工智能兼容服務(wù)器。注2:專為人工智能加速計(jì)算設(shè)計(jì)，提供人工智能專用計(jì)算能力的服務(wù)器，稱人工智能一體機(jī)服務(wù)器。人工智能集群artificialintelligencecluster遵循統(tǒng)一控制的，人工智能計(jì)算功能單元的集合。注1:人工智能計(jì)算功能單元可包含人工智能加速處理器、人工智能服務(wù)器、人工智能加速模組等。注2:當(dāng)由人工智能服務(wù)器組成時(shí)，人工智能集群可稱為人工智能服務(wù)器集群，其中的人工智能服務(wù)器可稱為人工智能加速處理器artificialintelligenceacceleratingprocessor具備適配人工智能算法的運(yùn)算微架構(gòu)，能夠完成人工智能應(yīng)用運(yùn)算處理的集成電路元件。2專為固定領(lǐng)域人工智能計(jì)算設(shè)計(jì)，部署在邊緣計(jì)算場(chǎng)景中的擴(kuò)展加速部件。一種組成人工智能應(yīng)用解決方案，幫助用戶實(shí)現(xiàn)不同規(guī)模的業(yè)務(wù)邏輯的軟硬件包。針對(duì)人類定義的給定目標(biāo)，產(chǎn)生諸如內(nèi)容、預(yù)測(cè)、推薦或決策等輸出的一類工程系統(tǒng)。注1:該工程系統(tǒng)使用人工智能(3.1.2)相關(guān)的多種技術(shù)和方法，開發(fā)表征數(shù)據(jù)、知識(shí)、過(guò)程等的模型，用于執(zhí)行任務(wù)。注2:人工智能系統(tǒng)具備不同的自動(dòng)化級(jí)別。一種將不同架構(gòu)、不同實(shí)現(xiàn)方式的人工智能計(jì)算資源組織起來(lái)，自動(dòng)按需滿足不同計(jì)算需求的統(tǒng)一調(diào)度軟件集合。注1:異構(gòu)資源池提供一種可伸縮計(jì)算架構(gòu)，有利于合理分配計(jì)算資源，為不同運(yùn)行環(huán)境(例如云、集群、移動(dòng)設(shè)備、物聯(lián)網(wǎng))的人工智能應(yīng)用系統(tǒng)的開發(fā)和部署提供計(jì)算能力、存儲(chǔ)、注2:人工智能計(jì)算資源包括中央處理單元(CPU)、圖形處理單元(GPU)、神經(jīng)網(wǎng)絡(luò)處理單元(NPU)、現(xiàn)場(chǎng)可編程邏輯門陣列(FPGA)、數(shù)字信號(hào)處理器(DSP)、專用集成電路(ASIC)等。3.2關(guān)鍵通用技術(shù)相關(guān)術(shù)語(yǔ)貝葉斯網(wǎng)絡(luò)Bayesiannetwork一種使用貝葉斯推理進(jìn)行概率計(jì)算并表示為有向無(wú)環(huán)圖的概率模型。半監(jiān)督機(jī)器學(xué)習(xí)semi-supervisedmachinelearning在訓(xùn)練過(guò)程中，能夠同時(shí)使用標(biāo)注數(shù)據(jù)和無(wú)標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練的一種機(jī)器學(xué)習(xí)任務(wù)。測(cè)試數(shù)據(jù)testdata評(píng)價(jià)數(shù)據(jù)evaluationdata用于評(píng)估最終機(jī)器學(xué)習(xí)模型性能的數(shù)據(jù)。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)longshort-termmemorynetwork;LSTMnetwork一種含有區(qū)塊結(jié)構(gòu)并能夠?qū)Σ欢〞r(shí)間長(zhǎng)度的數(shù)值形成記憶，決定輸入的記憶及輸出的循環(huán)神經(jīng)網(wǎng)絡(luò)。注：長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)處理長(zhǎng)、短程相關(guān)性序列數(shù)據(jù)均具備良好性能。迭代iteration針對(duì)一批樣本，重復(fù)地執(zhí)行系列步驟直至完成訓(xùn)練的過(guò)程。3注：一個(gè)(訓(xùn))期中的迭代數(shù)量等于該期中，訓(xùn)練樣本的批數(shù)。[來(lái)源：ISO/IEC2382:2015,2121826,有修改]<機(jī)器學(xué)習(xí)〉一種對(duì)給定輸入數(shù)據(jù)，輸出其所屬的一個(gè)或多個(gè)類別的機(jī)器學(xué)習(xí)模型?！礄C(jī)器學(xué)習(xí)>創(chuàng)建的模型過(guò)于精確地?cái)M合訓(xùn)練數(shù)據(jù)，對(duì)新數(shù)據(jù)缺乏泛化性。注1:過(guò)擬合可能由以下原因造成：訓(xùn)練的模型從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)了非必要的特征(例如，對(duì)有用輸出無(wú)效的特征),訓(xùn)練數(shù)據(jù)中過(guò)多的噪聲(例如，過(guò)多的離群點(diǎn)),訓(xùn)練數(shù)據(jù)與生產(chǎn)數(shù)據(jù)分布的顯著不匹配，或模型復(fù)雜度過(guò)高而與訓(xùn)練數(shù)據(jù)不匹配。注2:當(dāng)在訓(xùn)練數(shù)據(jù)測(cè)量的誤差與在獨(dú)立的測(cè)試及驗(yàn)證數(shù)據(jù)測(cè)量的誤差之間存在顯著差異時(shí)，過(guò)擬合能被識(shí)別。當(dāng)訓(xùn)練數(shù)據(jù)和生產(chǎn)數(shù)據(jù)之間存在嚴(yán)重不匹配時(shí)，過(guò)擬合模型的性能尤其會(huì)受到影響。回歸模型regressionmod以給定數(shù)值為輸入，預(yù)期的輸出為連續(xù)變量的機(jī)器學(xué)習(xí)模型。評(píng)價(jià)擔(dān)責(zé)變量與預(yù)測(cè)變量關(guān)系模型的技術(shù)。[來(lái)源：GB/T3358.3—2009,3.3,有修通過(guò)計(jì)算技術(shù)優(yōu)化模型參數(shù)的過(guò)程，使模型的行為反映數(shù)據(jù)或經(jīng)驗(yàn)。機(jī)器學(xué)習(xí)模型machinelearningmodel一種基于輸入數(shù)據(jù)或信息生成推理或預(yù)測(cè)的計(jì)算結(jié)構(gòu)。示例：如果一個(gè)單變量線性方程(y=θ。+0?x)經(jīng)由線性回歸訓(xùn)練，則結(jié)果模型為y=3+7x。注：一個(gè)機(jī)器學(xué)習(xí)模型是基于機(jī)器學(xué)習(xí)算法訓(xùn)練的結(jié)果。機(jī)器學(xué)習(xí)算法machinelearningalgorithm依據(jù)給定的準(zhǔn)則，根據(jù)數(shù)據(jù)確定機(jī)器學(xué)習(xí)模型參數(shù)的算法。示例：考慮求解一個(gè)單變量線性函數(shù)y=0?+0?x,其中y是輸出或結(jié)果，x是輸入，0。是截距(x=0時(shí)y的值),0?是權(quán)重。在機(jī)器學(xué)習(xí)中，確定線性函數(shù)的截距和權(quán)重的過(guò)程稱為線性回歸。卷積神經(jīng)網(wǎng)絡(luò)convolutionalneuralnetwork;CNN深度卷積神經(jīng)網(wǎng)絡(luò)deepconvolutionalneuralnetwork;DCNN一種前饋神經(jīng)網(wǎng)絡(luò)，在其至少一層中使用卷積。連接權(quán)重connectionweight一個(gè)系數(shù)，在它與其他輸入值結(jié)合前，乘以人工神經(jīng)元的輸入值。聯(lián)邦機(jī)器學(xué)習(xí)federatedmachinelearning一種框架或系統(tǒng)能在不泄漏參與方所擁有的原始數(shù)據(jù)和隱私數(shù)據(jù)的同時(shí)，使多個(gè)參與方合作建立4和使用機(jī)器學(xué)習(xí)模型且獲得好的性能。邏輯推理logicalinference利用符號(hào)、謂詞、函數(shù)和量詞等邏輯要素從給定的前模式識(shí)別patternrecognition通過(guò)功能單元對(duì)某一對(duì)象物理或抽象的模式以及結(jié)構(gòu)和配置的辨識(shí)。利用訓(xùn)練數(shù)據(jù)，基于機(jī)器學(xué)習(xí)算法，確定或改進(jìn)機(jī)器學(xué)習(xí)模型參數(shù)的過(guò)程。提升模型執(zhí)行速度，泛化能力，或改善利益相關(guān)方所關(guān)心的其他特性的方法。性重新安排聚合算子等。基于參考值的系統(tǒng)性偏差。由于訓(xùn)練數(shù)據(jù)不足或不充分導(dǎo)致創(chuàng)建的模型在面向新數(shù)據(jù)時(shí)性能表現(xiàn)不佳或不準(zhǔn)確。注：欠擬合可能會(huì)發(fā)生的情況：特征選擇不當(dāng)、訓(xùn)練時(shí)間不足，或者因模型能力有限(如表現(xiàn)力)使模型過(guò)于簡(jiǎn)單而無(wú)法從大量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)。一種將旨在解決一個(gè)問(wèn)題的模型應(yīng)用到不同問(wèn)題上的方法。前饋神經(jīng)網(wǎng)絡(luò)feedforwardneuralnetwork;FFNN一種神經(jīng)網(wǎng)絡(luò)，其中信息僅單向從輸入層傳送到輸出層。強(qiáng)化學(xué)習(xí)reinforcementlearning;RL一種通過(guò)與環(huán)境交互，學(xué)習(xí)最佳行動(dòng)序列，使回報(bào)最大化的機(jī)器學(xué)習(xí)方法。由一層或多層神經(jīng)元組成的網(wǎng)絡(luò)，通過(guò)權(quán)值可調(diào)的加權(quán)連接，接收輸入數(shù)據(jù)并產(chǎn)生輸出。注1:神經(jīng)網(wǎng)絡(luò)是連接主義方法的一個(gè)突出例子。注2:雖然神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)最初是受生物神經(jīng)元功能的啟發(fā)，但大多數(shù)神經(jīng)網(wǎng)絡(luò)的研究不再遵循這種啟發(fā)。5深度學(xué)習(xí)deeplearning深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)deepneuralnetworklearning通過(guò)訓(xùn)練具有許多隱層的神經(jīng)網(wǎng)絡(luò)來(lái)創(chuàng)建豐富層次表示的方法。注：深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集。生成式對(duì)抗網(wǎng)絡(luò)generativeadversarialnetwork;GAN一種由單個(gè)或多個(gè)生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)組成的神經(jīng)網(wǎng)絡(luò)架構(gòu)，兩個(gè)神經(jīng)網(wǎng)絡(luò)用相互博弈的方式進(jìn)行學(xué)習(xí)。注：生成器依據(jù)真實(shí)樣本創(chuàng)建具有代表性數(shù)據(jù)集的樣本，判別器用來(lái)區(qū)分生成的樣本與真實(shí)樣本。給數(shù)據(jù)樣本指定目標(biāo)變量和賦值的過(guò)程。從給定的前提進(jìn)行論證并得出結(jié)論。繼續(xù)訓(xùn)練的附加訓(xùn)練技術(shù)。無(wú)監(jiān)督機(jī)器學(xué)習(xí)unsupervisedmachinelearning僅用無(wú)標(biāo)注數(shù)據(jù)實(shí)施訓(xùn)練的機(jī)器學(xué)習(xí)。循環(huán)神經(jīng)網(wǎng)絡(luò)recurrentneuralnetwork;RNN一種神經(jīng)網(wǎng)絡(luò)，其中前一層和前一處理步驟的輸出都被傳送到當(dāng)前層。用于訓(xùn)練機(jī)器學(xué)習(xí)模型的輸入數(shù)據(jù)樣本子集。用于評(píng)估單個(gè)或多個(gè)候選機(jī)器學(xué)習(xí)模型性能的數(shù)據(jù)樣本。注1:驗(yàn)證數(shù)據(jù)與測(cè)試數(shù)據(jù)是不重復(fù)的，通常也與訓(xùn)練數(shù)據(jù)不重復(fù)。但是，在沒(méi)有足夠的數(shù)據(jù)進(jìn)行三種方式的訓(xùn)練、驗(yàn)證和測(cè)試集拆分的情況下，數(shù)據(jù)只被分成兩個(gè)集——一個(gè)測(cè)試集和一個(gè)訓(xùn)練或驗(yàn)證集。交叉驗(yàn)證或自助法是用于從訓(xùn)練或驗(yàn)證集中生成單獨(dú)的訓(xùn)練和驗(yàn)證集的常用方法。注2:驗(yàn)證數(shù)據(jù)用于調(diào)優(yōu)超參數(shù)或驗(yàn)證某些算法選擇，直至在專家系統(tǒng)中包含給定規(guī)則的效果。隱馬爾可夫模型hiddenMarkovmodel;HMM一種如下信號(hào)模型：其中各信號(hào)段的狀態(tài)都表示為馬爾可夫過(guò)程的狀態(tài)，且這些狀態(tài)不能直接觀6察到。注1:馬爾可夫過(guò)程是由一系列狀態(tài)組成的隨機(jī)過(guò)程，其中從一個(gè)狀態(tài)轉(zhuǎn)移到另一狀態(tài)的概率，只依賴于這兩個(gè)狀態(tài)而與此前的各狀態(tài)無(wú)關(guān)。注2:為識(shí)別某一講話，由系統(tǒng)去計(jì)算在訓(xùn)練期間導(dǎo)出的各模型所生成的似然性。該講話作為其模型給出最高似然分值的詞或其他實(shí)體識(shí)別出來(lái)。有監(jiān)督機(jī)器學(xué)習(xí)supervisedmachinelearning僅用標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練的機(jī)器學(xué)習(xí)。3.3關(guān)鍵領(lǐng)域技術(shù)相關(guān)術(shù)語(yǔ)通常與一組具有共同含義的字詞形式相關(guān)聯(lián)的抽象單元。詞性標(biāo)注part-of-speechtagging根據(jù)單詞的語(yǔ)法屬性為其指定類別(如動(dòng)詞、名詞、形容詞)的任務(wù)。對(duì)話管理dialogmanagement根據(jù)用戶輸入、對(duì)話歷史和其他上下文知識(shí)，在對(duì)話中選擇適當(dāng)?shù)南乱徊絼?dòng)作，以達(dá)到預(yù)期目標(biāo)的任務(wù)。關(guān)系抽取relationshipextraction識(shí)別文本中提到的實(shí)體之間關(guān)系的任務(wù)。光學(xué)字符識(shí)別opticalcharacterrecognition;OCR將打字、印刷或手寫文本的圖像轉(zhuǎn)換成機(jī)器編碼文本。使用計(jì)算機(jī)系統(tǒng)將文本或語(yǔ)音從一種自然語(yǔ)言自動(dòng)翻譯為另一種自然語(yǔ)言。識(shí)別并標(biāo)注文本或語(yǔ)音流中單詞序列的實(shí)體的指稱名稱及其類別的任務(wù)。注1:實(shí)體是指所關(guān)注的具體或抽象事物，包括事物之間的關(guān)聯(lián)。注2:“命名實(shí)體”是指具有特定或唯一含義的指稱名稱的實(shí)體。注3:指稱名稱包括人員、位置、組織的特定名稱，以及基于域或應(yīng)用的其他專有名稱。情緒識(shí)別emotionrecognition通過(guò)計(jì)算識(shí)別和分類一段文本、語(yǔ)音、視頻或圖像以及它們的組合中表達(dá)情緒的任務(wù)。7確定以自然語(yǔ)言提供的問(wèn)題最合適答案的任務(wù)。信息檢索informationretrieval根據(jù)關(guān)鍵字或自然語(yǔ)言查詢從數(shù)據(jù)集中檢索相關(guān)文檔或文檔部分的任務(wù)。旨在識(shí)別計(jì)算內(nèi)容含義和理解用戶意圖并以機(jī)器可處理的形式表達(dá)它們的計(jì)算領(lǐng)域。理解數(shù)據(jù)符號(hào)的語(yǔ)義信息，或在具體業(yè)務(wù)場(chǎng)景下的需求表達(dá)，并按照要求輸出正確反饋結(jié)果的過(guò)程。一種表示概念之間語(yǔ)義關(guān)系的網(wǎng)絡(luò)。自動(dòng)摘要automaticsummarization在保留重要語(yǔ)義信息的同時(shí)縮短自然語(yǔ)言內(nèi)容或文本的任務(wù)。自然語(yǔ)言理解naturallanguageunderstanding;NLU通過(guò)功能單元，從已傳入其中的自然語(yǔ)言文本或語(yǔ)音中提取信息，并輸出對(duì)給定文本或語(yǔ)音及其表示的描述。自然語(yǔ)言處理naturallanguageprocessing;NLP〈系統(tǒng)>基于自然語(yǔ)言理解和自然語(yǔ)言生成的信息處理。將帶有語(yǔ)義的數(shù)據(jù)轉(zhuǎn)換為自然語(yǔ)言的任務(wù)。尊重既定事實(shí)、社會(huì)規(guī)范和信仰，且不受偏袒或不公正歧視影響的對(duì)待、行為或結(jié)果。<人工智能>滿足利益相關(guān)方期望并可驗(yàn)證的能力。8GB/T41867—2022注1:依賴于語(yǔ)境或行業(yè)，也依賴于具體的產(chǎn)品或服務(wù)、數(shù)據(jù)以及所用技術(shù)，應(yīng)用不同的可信賴特征并對(duì)其進(jìn)行驗(yàn)性等?？山忉屝詄xplainability〈人工智能>系統(tǒng)以人能理解的方式，表達(dá)影響其(執(zhí)行)結(jié)果的重要因素的能力?？煽啃詒eliability〈人工智能>實(shí)施一致的期望行為并獲得結(jié)果的性質(zhì)?！慈斯ぶ悄?gt;系統(tǒng)被人類或其他外部主體干預(yù)的性質(zhì)?！慈斯ぶ悄?gt;系統(tǒng)及其利益相關(guān)方對(duì)其行動(dòng)、決定和行為負(fù)責(zé)任的狀態(tài)。注1:可問(wèn)責(zé)與分配的責(zé)任有關(guān)。責(zé)任可能基于法規(guī)或協(xié)議，也可能通過(guò)委托的一部分進(jìn)行指派。注2:可問(wèn)責(zé)涉及負(fù)責(zé)人或?qū)嶓w通過(guò)特定方法和依據(jù)特定條件，對(duì)其他人或?qū)嶓w的某些事物負(fù)責(zé)?？深A(yù)測(cè)性predictability〈人工智能>滿足利益相關(guān)方關(guān)于所提出輸出做出可靠假設(shè)的性質(zhì)?！慈斯ぶ悄?gt;開展人工智能技術(shù)基礎(chǔ)研究和應(yīng)用實(shí)踐時(shí)遵循的道德規(guī)范或準(zhǔn)則?！慈斯ぶ悄?gt;系統(tǒng)在任何情況下都保持其性能水平的特性。偏見bias〈人工智能可信賴>對(duì)待特定對(duì)象、人員或群體時(shí)，相較于其他實(shí)體出現(xiàn)系統(tǒng)性差別的特性。韌性resilience〈人工智能>系統(tǒng)在事故后在符合期望的時(shí)間段內(nèi)，恢復(fù)可操作條件的特性?！慈斯ぶ悄?gt;系統(tǒng)與利益相關(guān)方交流關(guān)于該系統(tǒng)適當(dāng)信息的特性。注2:對(duì)系統(tǒng)某些方面不適當(dāng)?shù)谋┞兑话銜?huì)違背安全、隱私或保密要求。9GB/T3358.3—2009統(tǒng)計(jì)學(xué)詞匯及符號(hào)第3部分：實(shí)驗(yàn)設(shè)計(jì)[2]GB/T5271.28—2001信息技術(shù)詞匯第28部分：人工智能基本概念與專家系統(tǒng)[3]GB/T5271.29—2006信息技術(shù)詞匯第29部分：人工智能語(yǔ)音識(shí)別與合成[4]GB/T5271.34—2006信息技術(shù)詞匯第34部分：人工智能神經(jīng)網(wǎng)絡(luò)[5]GB/T23703.2—2010知識(shí)管理第2部分：術(shù)語(yǔ)[6]GB/T36464.3—2018信息技術(shù)智能語(yǔ)音交互系統(tǒng)第3部分：智能客服[7]ISO/IEC2382:2015Information[9]ISO/IEC22989:2conceptsandterminology[10]ISO/IEC23053:2022FrameworkforArtificialIntLearning(ML)—漢語(yǔ)拼音索引B半監(jiān)督機(jī)器學(xué)習(xí)…………………3.2.2開發(fā)數(shù)據(jù)…………3.2.35貝葉斯網(wǎng)絡(luò)………3.2.1可解釋性…………3.4.3C測(cè)試數(shù)據(jù)…………3.2.3可問(wèn)責(zé)……………3.4.6長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)…………………3.2.4可信賴……………3.4.2詞位………………3.3.1可預(yù)測(cè)性…………3.4.7LD連接權(quán)重…………3.2.14迭代………………3.2.5聯(lián)邦機(jī)器學(xué)習(xí)……3.2.15對(duì)話管理…………3.3.3魯棒性……倫理………………3.4.8F邏輯推理…………3.2.16分布式人工智能…………………3.1.1M分類模型…………3.2.6G模式識(shí)別…………3.2.17公平性……………3.4.1模型訓(xùn)練…………3.2.18關(guān)系抽取…………3.3.4模型優(yōu)化…………3.2.19P過(guò)擬合……………3.2.7H偏見………………3.4.10回歸分析…………3.2.9偏置………………3.2.21回歸模型…………3.2.8評(píng)價(jià)數(shù)據(jù)…………3.2.3機(jī)器翻譯…………3.3.6遷移學(xué)習(xí)…………3.2.23機(jī)器學(xué)習(xí)…………3.2.10前饋神經(jīng)網(wǎng)絡(luò)……3.2.24機(jī)器學(xué)習(xí)模型…………………3.2.11欠擬合…………3.2.22機(jī)器學(xué)習(xí)算法……3.2.12強(qiáng)化學(xué)習(xí)…………3.2.25卷積神經(jīng)網(wǎng)絡(luò)……3.2.13情緒識(shí)別…………3.3.8R人工智能…………3.1.2人工智能服務(wù)器…………………3.1.3人工智能集群……3.1.4人工智能加速處理器…………3.1.5人工智能加速模組………………3.1.6人工智能加速芯片……………3.1.5人工智能設(shè)施包………………3.1.7人工智能系統(tǒng)……3.1.8韌性……………3.4S深度卷積神經(jīng)網(wǎng)絡(luò)………………3.2.13深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)……………3.2.27深度學(xué)習(xí)…………3.2.27神經(jīng)網(wǎng)絡(luò)………3.2.26生成式對(duì)抗網(wǎng)絡(luò)…………………3.2.28數(shù)據(jù)標(biāo)注…………3.2.29T透明性……………3.4.12推理………………3.2.30W微調(diào)………………3.無(wú)監(jiān)督機(jī)器學(xué)習(xí)………………3.2.32X信息檢索…………3.3.10循環(huán)神經(jīng)網(wǎng)絡(luò)……3.2.33訓(xùn)練數(shù)據(jù)…………3.2.34Y驗(yàn)證數(shù)據(jù)………3.2.35隱馬爾可夫模型…………………3.2.36有監(jiān)督機(jī)器學(xué)習(xí)…………………3.2.37語(yǔ)義計(jì)算………3.3.11語(yǔ)義理解…………3.3.語(yǔ)義網(wǎng)……………3.3.13Z自動(dòng)摘要………自然語(yǔ)言處理……3.3.16自然語(yǔ)言生成……3.3.17英文對(duì)應(yīng)詞索引AAI……………………artificialintelartificialintelligeartificialintelligenceaccelerator………………3.1.5artificialintelligenceportfolioGB/T41867—2022artificialintelligenceserver………………3.1.3artificialintelligeartificialintelligence……………………3.1.2automaticsummarization………………3.3.14Bbatchtraining……………3.2.20Bayesiannetwork……………3.bias………………………3.2.21bias………………………3.4.10Cclassificationmodel…………………………3.2.6CNN………………………3.2.13connectionweight………………………3.2.14connectionstrength………………………3.2.14controllability……………3.4.5convolutionalneuralnetwork……………3.2.13Ddatalabelling………………3.2.29DCNN………………………3.2.13deeplearning……………3.2.27deepneuralnetworklearning……………3.2.27dialogmanagement………………………3.3.3distributedartificialintelligence…………3.1.1Eemotionrecognition…………………………3.3.8ethics………………………3.4.8evaluationdata……………3.2.3explainability………………3.4.3Ffairness………………………3.4.1federatedmachinelearning……………3.2.15feedforwardneuralnetwork……………3.2.24FFNN……………………3.2.24fine-tuning…………………3.2.31GGAN…………………………3.2.28generativeadversarialnetwork……………3.2.28Hheterogeneousresourcepool………………3.1.9hiddenMarkovmodel……………………3.2.36HMM………………………3.2.36Iinference……………………3.2.30informationretrieval………………………3.3.10iteration………………………3.2.5Llexeme………………………3.3.1logicalinference…………………………3.2.16longshort-termmemorynetwork…………3.2.4LSTMnetwork………………3.2.4Mmachinelearning…………………………3.2.10machinelearningalgorithm………………3.2.12machinelearningmodel……………………3.2.11machinetranslation…………………………3.3.6modeloptimization………………………3.2.19modeltraining……………3.2.18MT……………………………3.3.6Nnamedentityrecognition…………………3.3.7naturallanguagegeneration………………3.3.17naturallanguageprocessing………………3.3.16natural-languageunderstanding…………3.3.15NER…………………………3.3.7neuralnetwork……………3.2.26neuralnet…………………3.2.26NLG…………………………3.3.17NLP………………3.3.16NLU………………3.3.15OOCR………………3.3.5opticalcharacterrecognition……………………3.3.5overfitting…………………………3.2.7Ppart-of-speechtagging……………3.3.2patternrecognition……………3.2.17predictability……………………3.4.7questionanswering………………3.3.9Rrecurrentneuralnetwork……………