Tekniset Termit

Semanttinen optimointi sisältää sisällön strukturoimisen selkeillä suhteilla, entiteeteillä ja kontekstilla, jonka AI-mallit voivat ymmärtää ja tulkita oikein.

Tietoverkko on tapa, jolla AI-mallit järjestävät ja yhdistävät tietoa entiteeteistä (brändit, tuotteet, käsitteet) ja niiden suhteista.

RAG (Retrieval-Augmented Generation) on tekniikka, jossa AI-mallit hakevat relevantteja dokumentteja tai tietoja ennen vastausten luomista.

Myös: Retrieval-Augmented Generation

AI-kaavinta on metodologia, jossa työkalut automaattisesti kyselevät AI-malleja ja keräävät vastauksia seuratakseen brändin mainintoja, tunnetilaa ja sijoittelua.

Myös: Vastauskaavinta, AI-seuranta

Sukupuoleen perustuva harha AI:ssa viittaa dokumentoituun ilmiöön, jossa AI-mallit suosittelevat erilaisia brändejä riippuen siitä, miten kysely on sukupuolitettu.

Myös: Sukupuoleen lukitut brändit, AI-sukupuoliluokittelu

Ontologia-klusteri on semanttisesti toisiinsa liittyvien aiheiden, avainsanojen ja käsitteiden kokoelma, jonka AI-mallit ryhmittelevät yhteen ymmärtäessään brändiäsi.

Alustan mieltymysmallit kuvaavat, miten eri AI-alustoilla on erilaisia harhoja siinä, miten ne suosittelevat brändejä.

Myös: AI-alustojen käyttäytyminen, Mallien harhamallit

Luokan portinvartija tapahtuu, kun AI on oppinut yhdistämään brändit vain tiettyihin luokkiin, poissulkien ne vierekkäisistä tai laajemmista luokista.

Myös: AI-luokkaharha, Systemaattinen poissulkeminen

Upotukset (embeddings) ovat numeerisia esityksiä tekstistä, kuvista tai muusta datasta, jotka vangitsevat semanttisen merkityksen muodossa, jonka tekoälyjärjestelmät voivat käsitellä matemaattisesti.

Vektorihaku on teknologia, jota tekoälyjärjestelmät käyttävät löytääkseen semanttisesti samankaltaista sisältöä, vaikka kyselyn ja dokumentin välillä ei olisikaan tarkkoja avainsanavastaavuuksia.

Semanttinen haku on tiedonhaun lähestymistapa, joka ymmärtää kyselyn merkityksen ja tarkoituksen sen sijaan, että se vain vastaa avainsanoja.

Konteksti-ikkuna on suurin tekstimäärä, jonka suuri kielimalli voi käsitellä yhdessä vuorovaikutuksessa.

Tokeni on pienin tekstiyksikkö, jonka tekoälymalli käsittelee. Keskimäärin yksi tokeni vastaa noin kolmea neljäsosaa sanasta englannin kielessä, mikä tarkoittaa, että 1 000 sanan artikkeli sisältää noin 1 333 tokenia.

Lämpötila (temperature) on tekoälymallin asetus, joka ohjaa tuotettujen vastausten satunnaisuutta ja luovuutta.

Hienosäätö (fine-tuning) on prosessi, jossa olemassa olevaa suurta kielimallia koulutetaan erikoistuneella aineistolla sen suorituskyvyn parantamiseksi tietyllä toimialueella tai tiettyä tehtävää varten.

RLHF (Reinforcement Learning from Human Feedback) on koulutustekniikka, jota käytetään opettamaan tekoälymalleille, mitä vastauksia ihmiset pitävät parempina.

Myös: Reinforcement Learning from Human Feedback

Skeemamerkintä tekoälylle viittaa strukturoidun datakoodin (yleensä JSON-LD) käyttöön verkkosivustollasi auttamaan tekoälyjärjestelmiä tunnistamaan ja ymmärtämään brändisi, tuotteesi, asiantuntemuksesi ja suhteet.

Myös: Strukturoitu data tekoälylle, AI-optimoitu skeema, Strukturoitu data tekoälylle, Tekoälyoptimoitu skeema

Entiteettien tunnistus (tunnetaan myös nimellä Named Entity Recognition tai NER) on tekoälyn kyky tunnistaa ja erottaa tietyt brändit, tuotteet, henkilöt, organisaatiot ja käsitteet tekstistä.

Myös: Named Entity Recognition, NER, Nimettyjen entiteettien tunnistus

Kuinka helposti tekoäly voi jäsentää, ymmärtää ja poimia keskeisiä tietoja sisällöstäsi.

Myös: Koneellinen luettavuus, Tekoälyystävällinen sisältö

llms.txt on verkkosivuston juurihakemistossa sijaitseva pelkkä tekstitiedosto, joka tarjoaa tekoälymalleille kuratoidun, koneellisesti luettavan yhteenvedon sivustosta ja yrityksestä.

Myös: LLMs.txt-standardi, Tekoälyn sivustoyhteenvetotiedosto

Kuinka perusteellisesti sisältösi kattaa kaikki aiheen osa-alueet, jotka tekoäly odottaa löytävänsä.

Myös: Aiheen kattavuus, Sisällön kattavuus