Círculo de compartilhamento de IA

A imparcialidade da IA é o campo interdisciplinar que visa garantir que os sistemas de IA tratem todos os indivíduos e grupos de pessoas de maneira justa e imparcial durante todo o ciclo de vida de seu projeto, desenvolvimento, implantação e operação.

O meta-aprendizado, ou aprender a aprender, é um ramo importante do campo de aprendizado de máquina que se concentra no desenvolvimento de algoritmos de aprendizado que podem se adaptar rapidamente a novas tarefas.

A Segurança da Inteligência Artificial (Segurança da IA) é o campo interdisciplinar de ponta para garantir que os sistemas de IA, especialmente aqueles que são cada vez mais poderosos e autônomos, ajam de forma confiável e previsível durante todo o seu ciclo de vida, de acordo com as intenções humanas, sem consequências prejudiciais.

A aprendizagem autossupervisionada (SSL) é um paradigma de aprendizagem emergente no campo da aprendizagem de máquina, em que a ideia central é gerar automaticamente sinais supervisionados a partir de dados não rotulados e treinar modelos para aprender representações úteis dos dados.

A Superinteligência Artificial (ASI) é um sistema inteligente que supera a inteligência humana, com recursos que excedem os dos seres humanos em todos os domínios, incluindo cognição, criatividade, solução de problemas e tomada de decisões.

O aprendizado por transferência (TL) é um ramo importante no campo do aprendizado de máquina, cuja ideia central é aplicar o conhecimento aprendido em uma tarefa ou domínio a outra tarefa ou domínio relacionado, mas diferente.

A governança de IA é uma estrutura abrangente que engloba tecnologia, ética, legislação e sociedade, que orienta, gerencia e supervisiona de forma eficaz todo o ciclo de vida dos sistemas de IA - desde o projeto, o desenvolvimento, a implantação e o uso final. O objetivo principal não é impedir a inovação tecnológica, mas garantir que o desenvolvimento e a aplicação das tecnologias de IA comecem...

O aprendizado semissupervisionado é um ramo importante no campo do aprendizado de máquina, que usa uma pequena quantidade de dados rotulados e uma grande quantidade de dados não rotulados para treinar em conjunto um modelo e melhorar o efeito do aprendizado e a capacidade de generalização.

O aprendizado não supervisionado (ULS) é um ramo importante do aprendizado de máquina que se concentra no processamento de conjuntos de dados que não são pré-rotulados.

O aprendizado por reforço é um ramo importante do aprendizado de máquina, centrado em permitir que as inteligências aprendam de forma autônoma a tomar decisões ideais para maximizar as recompensas cumulativas de longo prazo por meio da interação contínua com seu ambiente.