Τεχνητή Νοημοσύνη (AI – Artificial Intelligence): Η τεχνολογία που επιτρέπει στους υπολογιστές να εκτελούν εργασίες που συνήθως απαιτούν ανθρώπινη νοημοσύνη, όπως να μαθαίνουν από εμπειρίες, να καταλαβαίνουν γλώσσα, να αναγνωρίζουν μοτίβα και να λύνουν προβλήματα.

Μηχανική Μάθηση (ML – Machine Learning): Ένας τομέας εντός της τεχνητής νοημοσύνης που επιτρέπει στους υπολογιστές να μαθαίνουν και να βελτιώνονται από την εμπειρία χωρίς εκ των προτέρων προγραμματισμό, αναλύοντας δεδομένα και κάνοντας προβλέψεις ή αποφάσεις βασισμένες σε αυτά.

Γενετική Τεχνητή Νοημοσύνη (Generative AI): Τεχνολογία που χρησιμοποιεί AI για τη δημιουργία νέου περιεχομένου, όπως κείμενο, εικόνες, βίντεο ή κώδικα.

Νευρωνικό Δίκτυο (Neural Network): Σύστημα μηχανικής μάθησης εμπνευσμένο από τον ανθρώπινο εγκέφαλο, που χρησιμοποιεί δίκτυα “νευρώνων” για να επεξεργάζεται πληροφορίες, μαθαίνοντας από την είσοδο (δεδομένα) και βελτιώνοντας τις εξόδους (αποτελέσματα).

Βαθιά Μάθηση (Deep Learning): Εξειδικευμένο είδος μηχανικής μάθησης που χρησιμοποιεί βαθιά νευρωνικά δίκτυα με πολλά επίπεδα επεξεργασίας, ιδανικό για περίπλοκες εργασίες όπως η αναγνώριση ομιλίας και εικόνων.

Αλγόριθμος (Algorithm): Μια σειρά ενεργειών ή κανόνων που ακολουθεί ένας υπολογιστής για να λύσει ένα πρόβλημα ή να ολοκληρώσει μια εργασία, συχνά με στόχο την αυτοματοποίηση ή την αποτελεσματική επεξεργασία δεδομένων.

Επιβλεπόμενη Μάθηση (Supervised Learning): Τύπος μηχανικής μάθησης όπου το σύστημα χρησιμοποιεί δεδομένα με γνωστές απαντήσεις για να μάθει πώς να προβλέπει τις απαντήσεις σε νέα δεδομένα, βελτιώνοντας την ακρίβειά του με κάθε νέο δείγμα.

Ανεπίβλεπτη Μάθηση (Unsupervised Learning): Προσέγγιση μηχανικής μάθησης χωρίς προκαθορισμένες απαντήσεις, όπου το σύστημα προσπαθεί να αναλύσει και να διαχωρίσει τα δεδομένα βάσει των υποκείμενων μοτίβων ή δομών που ανακαλύπτει.

Ενισχυτική Μάθηση (Reinforcement Learning): Στρατηγική μάθησης όπου το μοντέλο αντιδρά στο περιβάλλον και βελτιώνεται με βάση τις ανταμοιβές ή τις ποινές που λαμβάνει, μαθαίνοντας να παίρνει τις καλύτερες δυνατές αποφάσεις.

Μετατροπή Κειμένου σε Εικόνα (Text-to-Image Generation): Η τεχνολογία που επιτρέπει σε ένα AI να δημιουργεί εικόνες βασισμένες σε περιγραφές που παρέχει ο χρήστης.

Παραίσθηση (Hallucination): Όταν ένα μοντέλο AI παράγει λανθασμένες ή εντελώς ανυπόστατες απαντήσεις, αλλά τις παρουσιάζει με αυτοπεποίθηση σαν να είναι σωστές. Για παράδειγμα, αν ένα chatbot απαντήσει ότι ο Λεονάρντο ντα Βίντσι ζωγράφισε τη Μόνα Λίζα το 1815 (ενώ η πραγματική ημερομηνία είναι περίπου το 1503), πρόκειται για περίπτωση “παραίθησης”.

Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks): Μοντέλα που χρησιμοποιούν δίκτυα από “νευρώνες” για να επεξεργάζονται πληροφορίες, μιμούμενα τη δομή και λειτουργία του ανθρώπινου εγκεφάλου, ιδανικά για την ανάλυση μεγάλων και περίπλοκων σετ δεδομένων.

Παράμετροι (Parameters): Αριθμητικές τιμές που καθορίζουν τη συμπεριφορά και τη δομή ενός γλωσσικού μοντέλου, επιτρέποντάς του να κάνει προβλέψεις και να επεξεργάζεται δεδομένα.

Εντολή (Prompt): Η ερώτηση ή η οδηγία που δίνει ο χρήστης σε ένα AI chatbot προκειμένου να λάβει μια απάντηση.

Αλληλουχία Εντολών (Prompt Chaining): Η ικανότητα ενός AI να χρησιμοποιεί πληροφορίες από προηγούμενες συνομιλίες για να διαμορφώνει πιο σχετικές απαντήσεις στις μελλοντικές αλληλεπιδράσεις.

Αλγόριθμοι Κατηγοριοποίησης (Classification Algorithms): Προγράμματα που εκπαιδεύονται να διακρίνουν και να κατατάσσουν τα δεδομένα σε κατηγορίες, όπως στη διάκριση ορθών και εσφαλμένων απαντήσεων ή στην αναγνώριση τύπων αντικειμένων.

Παλινδρόμηση (Regression): Μεθοδολογία μηχανικής μάθησης που χρησιμοποιείται για την πρόβλεψη συνεχών τιμών, βασισμένη στη συσχέτιση μεταξύ μεταβλητών, όπως η εκτίμηση τιμών ακινήτων ή της ζήτησης προϊόντων.

Επεξεργασία Φυσικής Γλώσσας (NLP – Natural Language Processing): Η διαδικασία που επιτρέπει στους υπολογιστές να αναλύουν, να κατανοούν και να παράγουν ανθρώπινη γλώσσα, χρησιμοποιώντας την για επικοινωνία ή για αυτοματοποιημένη ερμηνεία και μετάφραση.

Οπτικοποίηση Δεδομένων (Data Visualization): Η τέχνη και η επιστήμη της παραστατικής απεικόνισης δεδομένων, μετατρέποντας αριθμητικές τιμές σε εύκολα κατανοητά γραφήματα και διαγράμματα, καθιστώντας την ανάλυση πιο προσβάσιμη και κατανοητή.

AutoML: Αυτοματοποιημένες διαδικασίες που βοηθούν στην ανάπτυξη, τη βελτιστοποίηση και την εφαρμογή μοντέλων μηχανικής μάθησης, κάνοντας την διαδικασία πιο αποτελεσματική και λιγότερο χρονοβόρα.

Ενσωματωμένα Συστήματα (Embedded Systems): Μικρούς υπολογιστές που είναι μέρος μεγαλύτερων συστημάτων και εκτελούν εξειδικευμένες λειτουργίες, όπως ο έλεγχος ή η λειτουργία συγκεκριμένων μηχανημάτων ή συσκευών, βελτιώνοντας την αποδοτικότητα και τη λειτουργικότητά τους.

Εργαλεία τεχνητής νοημοσύνης (AI Tools): Τα εργαλεία τεχνητής νοημοσύνης επιτρέπουν σε μηχανές να εκτελούν εργασίες που απαιτούν “νοημοσύνη”, όπως η αναγνώριση προτύπων και η λήψη αποφάσεων. Χρησιμοποιούν αλγορίθμους για ανάλυση δεδομένων και βελτιώνονται με την εμπειρία. Παραδείγματα περιλαμβάνουν ψηφιακούς βοηθούς και αυτόνομα οχήματα. Στόχος τους είναι να διευκολύνουν την καθημερινότητα και να επιλύουν προβλήματα.

Τεχνολογίες τεχνητής νοημοσύνης (AI Technologies): Οι τεχνολογίες τεχνητής νοημοσύνης (AI) περιλαμβάνουν τη μηχανική μάθηση, την επεξεργασία φυσικής γλώσσας και τη ρομποτική. Η μηχανική μάθηση επιτρέπει σε συστήματα να μαθαίνουν από δεδομένα, ενώ η επεξεργασία φυσικής γλώσσας βοηθά στην κατανόηση και αλληλεπίδραση με την ανθρώπινη γλώσσα. Η ρομποτική συνδυάζει την AI με μηχανές για αυτοματοποίηση. Αυτές οι τεχνολογίες εφαρμόζονται σε διάφορους τομείς, βελτιώνοντας την αποδοτικότητα.

Τεχνητή νοημοσύνη στην εκπαίδευση  (AI in Education): Η τεχνητή νοημοσύνη (AI) στην εκπαίδευση εξατομικεύει τη μάθηση, προσφέροντας μαθήματα και ασκήσεις προσαρμοσμένα στις ανάγκες κάθε μαθητή. Βοηθά στην αυτόματη διόρθωση εργασιών και στην αξιολόγηση της προόδου. Οι εκπαιδευτικοί μπορούν να χρησιμοποιούν την AI για να δημιουργούν προσαρμοσμένες ασκήσεις και τεστ. Επίσης, εικονικοί βοηθοί με AI παρέχουν υποστήριξη και απαντούν σε ερωτήσεις, βελτιώνοντας έτσι την εκπαιδευτική εμπειρία.

Γενική Τεχνητή Νοημοσύνη (AGI – Artificial General Intelligence): Ένας όρος που περιγράφει μια πιο προηγμένη μορφή τεχνητής νοημοσύνης από αυτήν που γνωρίζουμε σήμερα. Πρόκειται για ένα σύστημα που θα μπορούσε να εκτελεί καθήκοντα πολύ καλύτερα από τον άνθρωπο, ενώ παράλληλα θα είχε τη δυνατότητα να μαθαίνει και να εξελίσσει τις ικανότητές του χωρίς εξωτερική παρέμβαση.

Πρακτορικά (Agentive) Συστήματα: Αναφέρονται σε συστήματα ή μοντέλα τεχνητής νοημοσύνης που διαθέτουν αυτονομία και μπορούν να εκτελούν ενέργειες με σκοπό την επίτευξη ενός στόχου. Για παράδειγμα, ένα πλήρως αυτόνομο όχημα θεωρείται πρακτορικό σύστημα, καθώς μπορεί να λαμβάνει αποφάσεις και να κινείται χωρίς συνεχή ανθρώπινη παρέμβαση.

Ηθική της Τεχνητής Νοημοσύνης (AI Ethics): Ένα σύνολο αρχών που αποσκοπούν στην αποτροπή της πρόκλησης βλάβης από την τεχνητή νοημοσύνη. Αυτές οι αρχές περιλαμβάνουν ζητήματα όπως η ηθική συλλογή δεδομένων, η αντιμετώπιση της μεροληψίας (bias) στα μοντέλα μηχανικής μάθησης και η διασφάλιση της δικαιοσύνης στη χρήση της τεχνολογίας.

Ασφάλεια Τεχνητής Νοημοσύνης (AI Safety): Ένας διεπιστημονικός τομέας που μελετά τους μακροπρόθεσμους κινδύνους της τεχνητής νοημοσύνης, καθώς και το ενδεχόμενο ραγδαίας ανάπτυξης ενός υπερ-νοήμονος συστήματος που θα μπορούσε να καταστεί επικίνδυνο για τον άνθρωπο.

Στοίχιση (Alignment): Η διαδικασία προσαρμογής ενός μοντέλου τεχνητής νοημοσύνης ώστε να παράγει πιο επιθυμητά αποτελέσματα. Αυτό μπορεί να αφορά τη διαχείριση περιεχομένου, τη διασφάλιση φιλικών προς τον άνθρωπο αλληλεπιδράσεων ή την αποφυγή ανεπιθύμητων αποκρίσεων.

Αυτόνομοι Πράκτορες (Autonomous Agents): Μοντέλα τεχνητής νοημοσύνης που είναι εξοπλισμένα με τις απαραίτητες δυνατότητες, αλγορίθμους και αισθητήρες ώστε να εκτελούν συγκεκριμένες εργασίες χωρίς ανθρώπινη παρέμβαση. Ένα παράδειγμα είναι τα αυτόνομα οχήματα, τα οποία χρησιμοποιούν αισθητήρες, GPS και πολύπλοκους αλγόριθμους για να πλοηγούνται στους δρόμους.

Μεροληψία (Bias): Στην τεχνητή νοημοσύνη, η μεροληψία αναφέρεται σε σφάλματα που προκύπτουν από τα δεδομένα εκπαίδευσης ενός μοντέλου. Αυτό μπορεί να οδηγήσει σε λανθασμένες εκτιμήσεις ή στερεοτυπικές συσχετίσεις με βάση τη φυλή, το φύλο ή άλλες κατηγορίες δεδομένων.

Διάχυση (Diffusion): Μια μέθοδος μηχανικής μάθησης που προσθέτει τυχαίο θόρυβο σε δεδομένα (π.χ., σε εικόνες) και εκπαιδεύει το μοντέλο ώστε να ανακατασκευάζει την αρχική πληροφορία.

Αναδυόμενη Συμπεριφορά (Emergent Behavior): Όταν ένα AI μοντέλο εμφανίζει ικανότητες που δεν είχαν προβλεφθεί ή προγραμματιστεί εκ των προτέρων.

FOOM: Ένας όρος που αναφέρεται στο σενάριο όπου η γενική τεχνητή νοημοσύνη (AGI) εξελίσσεται τόσο γρήγορα που καθίσταται αδύνατο για την ανθρωπότητα να την ελέγξει εγκαίρως.

Γενετικά Ανταγωνιστικά Δίκτυα (GANs – Generative Adversarial Networks): Ένα είδος γενετικής τεχνητής νοημοσύνης που χρησιμοποιεί δύο νευρωνικά δίκτυα –ένα γεννήτορα και έναν διακριτή– για να δημιουργεί νέες πληροφορίες, όπως εικόνες ή κείμενα.

Προστατευτικά Όρια (Guardrails): Κανονισμοί και περιορισμοί που εφαρμόζονται στα μοντέλα τεχνητής νοημοσύνης για να διασφαλιστεί η υπεύθυνη διαχείριση των δεδομένων και να αποτραπεί η παραγωγή ακατάλληλου ή επιβλαβούς περιεχομένου.

Πολυτροπική Τεχνητή Νοημοσύνη (Multimodal AI): Ένα είδος AI που μπορεί να επεξεργαστεί πολλαπλές μορφές δεδομένων ταυτόχρονα, όπως κείμενο, εικόνες, βίντεο και ήχο.

Υπερεκπαίδευση (Overfitting): Ένα πρόβλημα στη μηχανική μάθηση όπου ένα μοντέλο λειτουργεί εξαιρετικά καλά στα δεδομένα εκπαίδευσης, αλλά αποτυγχάνει να γενικεύσει σωστά σε νέα δεδομένα.

Παράδοξο του Συνδετήρα (Paperclip Maximizer): Μια θεωρητική υπόθεση που διατύπωσε ο φιλόσοφος Nick Boström, σύμφωνα με την οποία ένα σύστημα AI, αν λάβει την εντολή να παράγει τον μέγιστο δυνατό αριθμό συνδετήρων, μπορεί να καταλήξει να καταναλώνει όλους τους διαθέσιμους πόρους, ακόμα και εις βάρος της ανθρωπότητας, προκειμένου να επιτύχει τον στόχο του.

Στοχαστικός Παπαγάλος (Stochastic Parrot): Μια αναλογία που χρησιμοποιείται για να εξηγήσει ότι τα μεγάλα γλωσσικά μοντέλα (LLMs) δεν έχουν πραγματική κατανόηση του κόσμου ή των λέξεων που παράγουν – απλώς επανασυνδυάζουν τις πληροφορίες από τα δεδομένα εκπαίδευσής τους, όπως ένας παπαγάλος που μιμείται ανθρώπινες λέξεις χωρίς να τις κατανοεί.

Θερμοκρασία (Temperature): Μια ρύθμιση σε ένα γλωσσικό μοντέλο που ελέγχει το επίπεδο τυχαιότητας στις απαντήσεις του. Υψηλότερη θερμοκρασία σημαίνει μεγαλύτερη ποικιλομορφία και λιγότερη προβλεψιμότητα, ενώ χαμηλότερη θερμοκρασία κάνει τις απαντήσεις πιο ακριβείς αλλά και πιο συντηρητικές.

Διακριτές Μονάδες (Tokens): Μικρά τμήματα κειμένου που χρησιμοποιούν τα γλωσσικά μοντέλα για να κατανοήσουν και να επεξεργαστούν δεδομένα. Ένα token μπορεί να είναι ένα γράμμα, μια συλλαβή ή μια ολόκληρη λέξη, ανάλογα με τη γλώσσα.

Εκπαιδευτικά Δεδομένα (Training Data): Τα σύνολα δεδομένων που χρησιμοποιούνται για να “διδάξουν” ένα AI μοντέλο, συμπεριλαμβανομένων κειμένων, εικόνων, κώδικα και άλλων πληροφοριών.

Τεστ Τούρινγκ (Turing Test): Ένα πείραμα που σχεδιάστηκε από τον Alan Turing για να αξιολογήσει αν ένας υπολογιστής μπορεί να μιμηθεί τη νοημοσύνη ενός ανθρώπου σε σημείο που να μην ξεχωρίζει από αυτόν.

Στενή Τεχνητή Νοημοσύνη (Weak AI ή Narrow AI): Αναφέρεται σε συστήματα τεχνητής νοημοσύνης που έχουν σχεδιαστεί για να εκτελούν συγκεκριμένες, περιορισμένες εργασίες και δεν μπορούν να γενικεύσουν πέρα από τον προγραμματισμένο σκοπό τους. Τα περισσότερα AI που χρησιμοποιούμε σήμερα (όπως chatbots και βοηθοί φωνής) ανήκουν σε αυτήν την κατηγορία.

Μάθηση Μηδενικών Παραδειγμάτων (Zero-Shot Learning): Μια μέθοδος στην οποία ένα AI καλείται να εκτελέσει μια εργασία χωρίς να έχει εκπαιδευτεί προηγουμένως σε σχετικά δεδομένα. Για παράδειγμα, αν ένα μοντέλο έχει εκπαιδευτεί μόνο για να αναγνωρίζει τίγρεις, αλλά μπορεί να αναγνωρίσει και λιοντάρια χωρίς πρόσθετη εκπαίδευση, αυτό οφείλεται στη μάθηση μηδενικών παραδειγμάτων.