许多机器学习 (ML) 术语的主要可靠来源是 ML 词汇表。我们不会重复他们的工作，而只会收录机器学习词汇表中没有的常用字词和术语。
AI 系统蓝图
在构建新的 AI 功能或产品时，请定义 AI 系统蓝图，将 AI 的机会与您构建解决方案的方式相关联。您应定义：
- 您要构建什么？有哪些 AI 用例，它们能为用户带来哪些价值？
- 您的申请流程如何运作？
- 如何确保系统的每个部分都以负责任的方式开发？
如需了解蓝图，请参阅 Web 上的 AI 简介。
复合 AI 架构
复合 AI 架构，即一个或多个模型与其他组件（例如数据库、API 和安全防护措施）的组合，这些组件协同工作以提供强大的情境感知行为
上下文工程
上下文工程是指根据给定的请求动态选择最相关的信息（token），以最大限度地提高获得有价值结果的概率。
数据漂移
当训练数据不再能代表现实情况时，就会发生数据漂移。用户行为、数据收集和数据环境随时都可能发生变化，这可能会导致模型性能下降。
确定性软件
在给定特定输入的情况下，确定性软件始终遵循相同的步骤序列，从而产生相同的输出。这些是最可靠的软件类型，因为它们可预测且运行高效。
人工智能不是确定性的。即使使用相同的提示，生成路径和结果也可能大相径庭。
评估驱动型开发 (EDD)
评估驱动型开发 (EDD) 框架提供了一个可重复、可测试的流程，可帮助您以小而有把握的步骤改进输出、捕获回归，并随着时间的推移使模型行为与用户和产品预期保持一致。
您可以将其视为测试驱动开发 (TDD)，但针对 AI 的不确定性进行了调整。与确定性单元测试不同，AI 评估无法进行硬编码，因为输出（无论是格式正确的输出还是失败的输出）可能有很多不同的形式，您无法预料。
生成式 AI
生成式 AI 是一种可以创建内容的机器学习系统。这意味着，该模型可以撰写文本、生成图片、生成代码，甚至设计完整的界面。
治理
我们从三个维度介绍了 AI 治理：
- 隐私权：负责任地处理数据，说明收集的数据，并尽量减少离开浏览器的数据。
- 公平性：检查模型是否存在歧视性行为（偏差），并构建可让用户标记问题的反馈环。
- 信任和透明度：设计系统时要注重透明度和适当的信任度，这样即使存在不确定性和潜在错误，用户也能继续从中受益。
最后一个维度是安全性，这是 AI 治理的重要维度。我们打算在未来的模块中提供更多有关安全性的信息。
在此期间，我们建议您阅读 Google 的安全 AI 框架 (SAIF) 和 Google 安全博客。
型号
模型是 AI 系统最重要的主干。从核心本质上来说，模型是一组参数和结构，可支持系统进行预测。 模型的运作方式可能会因训练方式（监督式或非监督式）和模型用途（预测性或生成性）而异。
模型卡片
模型卡片是关于模型设计和评估方式的结构化概览。这些原则是支持 Google Responsible AI 方法的关键制品。
模型权重
模型权重是用于确定某些信息重要性的数值。这些值会在模型训练中不断更新，直到设置了理想的权重。您可以修改开放模型的权重，例如 Gemma。
AI 的应用机会
您可以从多个类别来构建 AI 解决方案：
- 数据洞见：改进决策流程。
- 便捷：消除阻力。
- 自动化：取代重复性工作。
- 增强：协助用户完成复杂或富有创意的任务。
- 个性化：根据个人的需求和偏好调整产品。
探索使用场景中对此进行了详细介绍。
平台
客户端 AI 直接在浏览器中运行。这意味着数据可以保留在用户设备上，保持私密性，并且不会出现网络延迟。不过，为了实现出色的性能，客户端 AI 需要高度具体、明确定义的应用场景。
服务器端 AI 包括在云端托管和运行推理的模型。这种设备功能强大且可扩缩，但价格可能更高，并且需要网络连接。
预测性 AI
预测性（或分析性）AI 是一组算法，可帮助您了解现有数据并预测接下来可能会发生的情况。预测性 AI 模型会根据历史模式学习预测结果、挖掘数据洞见，并促成更明智的决策。
提示工程
提示工程是指通过撰写和重写提示来生成符合用户预期的输出。撰写良好的提示：
- 说明 LLM 应如何构建回答。
- 包含多个可随时间推移进行版本控制、测试和改进的组件。
- 可作为共享制品，用于跨团队协作。
在提示工程中，您可以采用多种技巧，详情请参阅提示工程模块。
提示类型
您可以将提示类型视为提示受众群体。如需详细了解此内容，请参阅提示工程模块。
系统提示
系统提示由应用开发者提供，用于定义模型的总体行为。它可以设置模型的角色（“你是一位写作助理”）、预期语气、输出格式（例如严格的 JSON 架构）以及任何全局限制。此提示在不同请求之间保持稳定。
用户提示
用户提示包含直接促成输出的即时请求。用户提供某种形式的输入变量（例如所选文本或预期样式），并请求执行特定任务。例如，“为这篇帖子生成三个标题”“继续写这段内容”或“让这段内容更正式”。