什么是数据增强（Data Augmentation）？
数据增强（Data Augmentation）是一种在机器学习中常用的技术，通过对原始训练数据进行一系列变换或修改来生成新的数据样本，从而扩充数据集规模。其核心目的是提升模型的泛化能力和鲁棒性，减少过拟合风险。常见操作包括在图像处理中的旋转 […]
分类： AI产品术语
什么是人工评估（Human Evaluation）？
人工评估（Human Evaluation）是指通过人类参与者直接测试和评估人工智能系统性能的过程，旨在利用真实用户的反馈、专家判断或任务完成情况，来衡量系统在准确性、可用性、公平性及用户体验等维度的表现。与传统自动化指标不同，人工评估能有 […]
什么是数据标注？
数据标注（Data Annotation）是指为原始数据添加标签或注释的过程，旨在为机器学习模型提供有监督学习的训练基础，使其能够识别和理解数据中的模式。在人工智能领域中，原始数据（如图像、文本或音频）本身缺乏语义信息，通过人工标注或自动化 […]
什么是灰度发布？
灰度发布（Gray Release），又称渐进式发布或金丝雀发布，是一种软件部署策略，指在推出新功能或版本时，仅将其逐步推送给一小部分用户群体进行测试，而非一次性全面上线。通过这种方式，开发团队能在真实环境中监控性能、收集反馈，并及早发现潜 […]
什么是A/B测试？
A/B测试（A/B Testing），又称分流测试或桶测试，是一种统计实验方法，通过将用户随机分配到两个或多个版本（如A版和B版）的产品、功能或内容中，测量关键指标（如点击率、转化率或用户留存率）的差异，以科学地评估哪个版本更优。这种方法旨 […]
什么是模型漂移（Model Drift）？
模型漂移（Model Drift）是指在机器学习模型部署后，随着时间推移，现实世界的数据分布或目标概念发生变化，导致模型在新数据上的预测性能逐渐下降的现象。这种漂移通常分为数据漂移（输入特征统计特性偏移）和概念漂移（特征与目标变量间关系演变 […]
什么是数据漂移（Data Drift）？
数据漂移（Data Drift）是指机器学习模型在部署后，输入数据的统计分布随时间发生变化的现象。这种变化可能源于外部环境变迁、用户行为演化或数据收集偏差的累积，导致模型基于历史训练数据的预测能力下降，从而影响AI产品的准确性和可靠性。数据 […]
什么是模型监控？
模型监控（Model Monitoring）是指对已部署的机器学习模型进行持续跟踪、评估和管理的过程，旨在确保其在真实环境中的性能、准确性和可靠性。这包括监测关键指标如预测偏差、数据漂移（如输入数据分布变化）、概念漂移（如目标变量含义演变） […]
什么是LLMops？
LLMops（大型语言模型运维）是专门针对大型语言模型（如GPT、BERT等）的运维框架，它借鉴并扩展了MLOps的理念，旨在高效管理模型从开发到生产的整个生命周期，包括部署、监控、维护、优化和安全合规。通过自动化工具和持续集成/持续部署（ […]
什么是短期记忆（Short-term Memory）？
短期记忆（Short-term Memory）是指在认知科学中，信息被暂时存储和处理的系统，具有有限的容量和较短的持续时间，通常用于支持即时决策和任务执行。在人工智能领域，这一概念被模型化为序列数据处理中的状态维护机制，如循环神经网络（RN […]