AI时代测试工程师应该掌握的30个AI术语

AI时代汹涌而来，对AI的应用逐渐成为我们工作中必不可少的技能之一，AI也正在渗透进入测试领域的方方面面。作为测试工程师，要跟上这场技术变革的浪潮，并在基于AI的相关的应用和讨论中不成为局外人，对于一些AI技术术语和概念，我们还是应该掌握并了解其具体含义。下文整理30个关于AI和机器学习的术语，大家参考

基础概念

1. 1. 人工智能（Artificial Intelligence, AI）：指非人类程序能够解决需要人类智能的任务。
2. 2. AI系统（AI System）：包括模型、算法、数据集等在内的框架，用于执行特定功能。
3. 3. 窄AI（Narrow AI）：专注于执行特定任务的AI，如图像识别或语音识别。

机器学习相关

1. 4. 机器学习（Machine Learning, ML）：使计算机系统能从数据中学习并作出预测，而无需明确编程。
2. 5. 监督学习（Supervised Learning）：通过标记的数据进行训练的学习方式。
3. 6. 无监督学习（Unsupervised Learning）：从未标记的数据中发现模式的学习方法。
4. 7. 强化学习（Reinforcement Learning）：通过与环境互动及反馈来学习的过程。
5. 8. 特征工程（Feature Engineering）：将原始数据转换为特征，以便作为输入给模型。
6. 9. 超参数（Model Hyperparameter）：外部配置值，不能从数据估计，如学习率。

模型与算法

1. 10. 机器学习模型（Machine Learning Model）：代表了机器学习系统从训练数据中学到的知识。
2. 11. 机器学习算法（Machine Learning Algorithm）：具体的指令集，允许计算机从数据中学习。
3. 12. 神经网络（Neural Network）：模仿人脑结构的信息处理计算模型。
4. 13. 深度学习（Deep Learning）：使用多层神经网络分析大数据的一种AI形式。
5. 14. 生成式AI（Generative AI）：一种可以创建新内容，如文本、图像或音乐的AI模型。
6. 15. 大型语言模型（Large Language Model）：训练于大量文本数据以理解和生成准确的人类语言的AI模型。

自然语言处理

1. 16. 自然语言处理（Natural Language Processing, NLP）：让计算机理解、解释和生成人类语言的AI分支。
2. 17. 幻觉（Hallucination）：当AI模型生成没有事实依据的输出时发生的现象。

评估与伦理

1. 18. 模型评估（Model Evaluation）：评估模型性能的过程。
2. 19. 精度（Accuracy）：正确预测的比例。
3. 20. 精确率（Precision）：模型预测正确的频率。
4. 21. 召回率（Recall, True Positive Rate (TPR)）：模型正确识别所有实际正例的能力。
5. 22. F1分数（F1-Score）：精确率和召回率的调和平均数。
6. 23. 数据漂移（Data Drift）：输入数据随时间发生变化，超出模型训练范围的情况。
7. 24. 概念漂移（Concept Drift）：目标变量随时间变化的现象。
8. 25. 偏见（Bias）：数据中的系统性错误，可能导致不公平的结果。
9. 26. AI伦理（AI Ethics）：指导AI开发和使用的道德原则。

特定现象

1. 27. 模型工件（Model Artifact）：训练模型过程中产生的副产品，通常包含模型权重和其他必要文件。
2. 28. 批量大小（Batch Size）：每次更新前处理的样本数量。
3. 29. 批处理vs实时处理（Batch Vs Real-time processing）：前者指离线分析大量历史数据；后者则是在快速变化环境中实时处理数据。
4. 30. 反馈循环（Feedback Loop）：利用AI系统输出和用户行为改进模型的过程。

通过以上分类，有助于我们更清晰地理解每个术语的含义和具体作用。