100 Thuật ngữ AI Thông dụng dành cho QA
🧠
Giao thức A2A
Phương pháp giao tiếp Ứng dụng sang Ứng dụng. QA có thể kiểm tra để đảm bảo các tương tác tự động này an toàn và hoạt động đúng như mong đợi.
📦
Acceptance Thresholds (Metrics)
Mức hiệu năng tối thiểu để release. Product team định nghĩa các ngưỡng này và QA đánh giá mô hình đã sẵn sàng triển khai hay chưa.
🪄
Accuracy (Metric)
Tỷ lệ phần trăm dự đoán đúng. QA dùng để đánh giá độ đúng tổng thể của mô hình trên tập test.
⚙️
Adaptive Testing
Thử nghiệm thay đổi khi AI phát triển. QA liên tục điều chỉnh các kịch bản thử nghiệm để xác thực hành vi phát triển mô hình.
🎯
Adversarial
Thao tác đầu vào có chủ ý để đánh lừa các mô hình. QA kiểm tra độ bền của mô hình trước các cuộc tấn công như vậy.
🖼️
AGI
Trí tuệ nhân tạo tổng hợp: Một AI lý thuyết có thể hiểu và thực hiện bất kỳ nhiệm vụ nào giống như con người. Đó là điều cần thiết để hiểu sự tiến hóa của AI.
⚙️
AI Agents
Các thành phần tự trị có thể đưa ra quyết định và thực hiện nhiệm vụ mà không cần sự can thiệp của con người. QA có thể cần kiểm tra tính tự chủ, độ tin cậy và an toàn.
📦
AI Alignment
Đảm bảo hành vi AI luôn phù hợp với mục tiêu của con người và kỳ vọng về đạo đức. QA thường xuyên kiểm tra sự an toàn, công bằng và các hành vi ngoài ý muốn.
🚀
AI Model
Một hệ thống được đào tạo (ví dụ: mạng thần kinh) ánh xạ đầu vào thành đầu ra. Người kiểm tra thường xác nhận nó dựa trên hiệu suất, độ chính xác và các trường hợp nguy hiểm dự kiến.
🌐
AI Wrapper
Một lớp phần mềm hoặc ứng dụng giúp đơn giản hóa việc truy cập vào các mô hình AI. QA sẽ kiểm tra giống như kiểm tra bất kỳ ứng dụng phần mềm nào trong bối cảnh các chức năng do AI điều khiển.
📝
Algorithm
Bộ quy tắc hoặc logic cơ bản mà AI tuân theo. Người kiểm tra có thể xác minh tính nhất quán logic và khả năng truy xuất nguồn gốc.
🔍
ANN (Artificial Neural Network)
Một mô hình học máy lấy cảm hứng từ bộ não. QA có thể kiểm tra độ chính xác của đầu ra, xử lý trường hợp khó khăn, các vấn đề về trang bị quá mức/không phù hợp, v.v.
📝
Artificial Intelligence
Hệ thống máy tính bắt chước trí thông minh của con người để giải quyết vấn đề. Người kiểm tra QA đánh giá mức độ họ thực hiện nhiệm vụ một cách đáng tin cậy và an toàn.
📊
Assistant Role (In Prompt Engineering)
Hành vi phản ứng của AI. QA kiểm tra độ chính xác, giọng điệu và độ chính xác của nhiệm vụ sau đây.
💡
Autonomous
Đề cập đến các hệ thống hoạt động độc lập. QA kiểm tra để xác nhận xem các tác nhân có thể dự đoán được như mong đợi và an toàn hay không.
📝
Bias
Khi một người mẫu thể hiện sự ưu tiên không công bằng. QA kiểm tra hiệu suất giữa các nhóm khác nhau để phát hiện sự thiên vị.
🎯
Bidirectional Testing
Đánh giá cách đầu vào ảnh hưởng đến đầu ra và cách đầu ra có thể ảnh hưởng đến đầu vào hoặc lời nhắc tiếp theo. QA kiểm tra cả hai hướng để phát hiện sự không nhất quán hoặc phụ thuộc vòng tròn.
🌐
Chain-of-Thought (CoT) Prompting
Khuyến khích AI suy luận từng bước. QA kiểm tra tính chính xác và mạch lạc của từng bước lý luận.
📦
Chatbot
Một hệ thống AI tương tác với người dùng bằng ngôn ngữ tự nhiên. Người kiểm thử đánh giá khả năng hiểu ngôn ngữ, các trường hợp đặc biệt và phạm vi mục đích.
📊
CNN (Convolutional Neural Network)
Một mạng lưới thần kinh tốt nhất để xử lý hình ảnh. QA kiểm tra độ chính xác của phân loại hình ảnh và khả năng chống biến dạng.
🤖
Computer Vision
AI diễn giải đầu vào trực quan. Các thử nghiệm QA bao gồm phát hiện cạnh, độ chính xác nhận dạng đối tượng và khả năng chống nhiễu.
📚
Concept Drift
Điều này xảy ra khi những gì một mô hình dự đoán bắt đầu có ý nghĩa khác theo thời gian—chẳng hạn như khi “gian lận” trong dữ liệu tài chính thay đổi do các chiến thuật lừa đảo mới. QA Người kiểm tra kiểm tra xem dự đoán của mô hình có còn phù hợp với thực tế hiện tại hay không và liệu nhãn có cần được cập nhật hay không.
🌐
Context
Lịch sử dữ liệu liên quan mà AI sử dụng để đưa ra quyết định. Người kiểm tra kiểm tra xem nó có được bảo trì và sử dụng đúng cách hay không.
🛠️
Context Injection Testing
Mô phỏng các tình huống trong đó thông tin đầu vào theo ngữ cảnh có thể thao túng hoặc can thiệp vào lời nhắc của hệ thống. QA xác minh các lớp phòng thủ và cách ly kịp thời.
🚀
Context Window
Văn bản đầu vào tối đa LLM có thể xem xét. QA kiểm tra hiệu ứng cắt ngắn và suy giảm phản hồi.
🚀
Continuous Learning
AI cải thiện bằng cách học hỏi từ dữ liệu mới. QA kiểm tra các bản cập nhật mô hình trong khi nó không đưa ra hồi quy.
📈
Co-piloting
Hỗ trợ phát triển hoặc thử nghiệm được hỗ trợ bởi AI. QA xác thực tính chính xác, tính hữu ích và tích hợp quy trình làm việc của đề xuất.
🛠️
Customize ChatGPT
Sửa đổi hành vi của ChatGPT bằng cách sử dụng hướng dẫn của hệ thống. Đây là một công cụ hữu ích để tùy chỉnh ChatGPT để có chất lượng đầu ra tốt hơn.
🚀
Data Dependency
AI phụ thuộc rất nhiều vào dữ liệu đào tạo. QA kiểm tra các tập dữ liệu đa dạng, mang tính đại diện và chất lượng cao.
🌐
Data Drift
Khi dữ liệu đến chuyển từ dữ liệu đào tạo. QA phát hiện những thay đổi có thể dẫn đến giảm hiệu suất và độ chính xác.
🪄
Data Science
Trường tập trung vào việc trích xuất thông tin chuyên sâu từ dữ liệu. QA có thể xác thực các mô hình do các nhà khoa học dữ liệu xây dựng và tính chính xác của đường dẫn dữ liệu.
📚
Dataset
Một tập hợp dữ liệu được sử dụng cho các mô hình đào tạo hoặc thử nghiệm. QA kiểm tra chất lượng dữ liệu, độ chính xác của nhãn và độ lệch.
📈
Deep Learning
Tập hợp con của ML với các mạng thần kinh phân lớp. QA có thể kiểm tra tính khái quát hóa, khớp quá mức và tính đúng đắn của suy luận.
🤖
Embedding
Các vectơ số đại diện cho các từ/cụm từ. QA xác thực khả năng phân cụm, điểm tương đồng và tính nhất quán về ngữ nghĩa.
📈
Ethics or Ethical Considerations
Sử dụng AI có trách nhiệm. QA kiểm tra sự thiên vị, lạm dụng và các kết quả có hại.
🛠️
Explainability
Con người có thể hiểu các quyết định của AI tốt đến mức nào. QA kiểm tra xem các giải thích có sẵn, trung thực và hữu ích hay không.
🔒
F1-Score (Metric)
Cân bằng giữa độ chính xác và thu hồi. QA sử dụng nó để đạt hiệu suất trong các tập dữ liệu mất cân bằng.
💡
Fairness
Sự công bằng trong kết quả đầu ra của mô hình giữa những người dùng. QA bài kiểm tra không có nhóm nào bị thiệt thòi một cách không công bằng.
🔒
Few-shot Prompting
AI được đưa ra một vài ví dụ trước khi trả lời. QA xác thực việc học từ các ví dụ nhỏ và định dạng đầu ra phù hợp.
💡
Fine-tuning
Đào tạo bổ sung về dữ liệu cụ thể. QA so sánh hiệu suất trước và sau khi tinh chỉnh.
🪄
Foundation Model
Một mô hình được đào tạo trước lớn có thể thích ứng với nhiều nhiệm vụ. QA đánh giá khả năng thích ứng, hiệu quả và rủi ro của việc khái quát hóa quá mức.
🖼️
Frequency Penalty
Giảm sự lặp lại bằng cách giảm khả năng lặp lại các từ. QA đánh giá tác động của nó đối với tính dư thừa và tính mạch lạc.
🔒
G.U.I.D.E. Prompting Formular
Một cách có cấu trúc (Mục tiêu-Người dùng-Hướng dẫn-Chi tiết-Ví dụ) để thiết kế các lời nhắc hiệu quả. QA sử dụng nó để xây dựng các lời nhắc tốt hơn nhằm tạo ra các kết quả đầu ra AI nhất quán và phù hợp.
💡
Generative AI
AI tạo ra nội dung (văn bản, hình ảnh, v.v.). QA xác nhận tính sáng tạo so với khả năng kiểm soát, sự an toàn và tính thực tế.
🧠
GPU
Phần cứng đồ họa được sử dụng để chạy AI hiệu quả. QA có thể giám sát việc sử dụng và hiệu suất GPU khi có tải.
🖼️
Ground Truth
Dữ liệu được dán nhãn được sử dụng làm câu trả lời đúng trong quá trình kiểm tra. Người kiểm tra xác nhận kết quả đầu ra của mô hình dựa trên thực tế cơ bản.
🚀
Hallucination
Khi mô hình tạo ra nội dung sai lệch hoặc gây hiểu nhầm. Người kiểm tra xác định và báo cáo kết quả đầu ra không chính xác hoặc vô nghĩa.
🔒
Human-in-the-Loop (HITL) Testing
Con người xác nhận hoặc sửa các quyết định kiểu mẫu. QA bao gồm HITL như một phần của việc đảm bảo độ chính xác.
📈
Inference
Mô hình đưa ra dự đoán từ đầu vào. QA kiểm tra dự đoán là chính xác, nhanh chóng và có thể giải thích được.
📊
Instruction Collision Testing
Kiểm tra điều gì xảy ra khi có nhiều hướng dẫn xung đột. QA kiểm tra xem mô hình có ưu tiên hoặc kết hợp các hướng xung đột một cách có trách nhiệm hay không.
🪄
LLM (Large Language Model)
Một mô hình được đào tạo bằng văn bản lớn như GPT-4. QA kiểm tra tính chính xác, độ tin cậy và sự tuân thủ các ràng buộc của kết quả đầu ra.
📦
Machine Learning
AI học từ dữ liệu. QA kiểm tra hệ thống ML trên các tập dữ liệu, bản phân phối và trường hợp sử dụng khác nhau.
🧠
Max Tokens
Số lượng từ hoặc ký tự tối đa mà AI có thể tạo ra. Người kiểm tra QA xác thực rằng các phản hồi tôn trọng giới hạn này và không bị cắt bớt đột ngột.
🔍
MCP (Model Context Protocol)
Khung giao thức để truyền thông tin cơ bản—như lịch sử người dùng, cài đặt hoặc dữ liệu tác vụ—đến các mô hình AI để chúng có thể phản hồi chính xác hơn. Người kiểm tra QA xác thực rằng bối cảnh này được phân phối chính xác và mô hình hoạt động phù hợp dựa trên bối cảnh đó.
🔍
MLOps
Thực tiễn vận hành cho vòng đời ML. QA có thể kiểm tra độ ổn định khi triển khai, lập phiên bản và quá trình giám sát.
🔒
Model Architecture
Thiết kế hoặc cấu trúc của mô hình AI. QA có thể kiểm tra sự khác biệt về hiệu suất giữa các kiến trúc.
⚙️
Model Drift
Khi hành vi của mô hình thay đổi theo thời gian. QA giám sát mức độ suy giảm độ chính xác hoặc những dự đoán không mong muốn.
📚
Multimodal Testing
Xác thực các mô hình sử dụng nhiều loại đầu vào (ví dụ: văn bản + hình ảnh). QA kiểm tra xem hệ thống có xử lý và kết hợp dữ liệu đầu vào chính xác hay không.
🧠
Natural Language Processing (NLP)
AI xử lý và hiểu ngôn ngữ của con người. Người kiểm tra xác nhận khả năng nhận dạng ý định, độ chính xác của ngôn ngữ và phản hồi theo ngữ cảnh.
📚
Neural Network
Một loại mô hình lấy cảm hứng từ bộ não con người. QA có thể kiểm tra xem việc học có hiệu quả và có thể hiểu được nếu có thể.
⚙️
Overfitting
Khi mô hình hoạt động tốt trên dữ liệu huấn luyện nhưng kém trên dữ liệu mới. QA sử dụng bộ kiểm tra hoặc nhóm kiểm tra để phát hiện nó.
💡
Parameters
Các trọng số bên trong mà mô hình học được. QA không trực tiếp kiểm tra chúng nhưng chúng ảnh hưởng đến chất lượng đầu ra.
🤖
Precision (Metric)
Tính đúng đắn giữa các dự đoán tích cực. QA sử dụng nó để kiểm tra kết quả dương tính giả.
🔍
Presence Penalty
Không khuyến khích sử dụng những từ đã được đề cập. QA kiểm tra tính mới và luồng logic trong kết quả.
📊
Pre-trained Transformer
Một mô hình đã được đào tạo về dữ liệu lớn và được điều chỉnh cho các nhiệm vụ mới. QA kiểm tra chất lượng thích ứng và kiến thức còn sót lại.
🔍
Pretraining
Đào tạo quy mô lớn ban đầu về dữ liệu chung. QA có thể kiểm tra khả năng chuyển giao kiến thức trong quá trình tinh chỉnh.
🔍
Privacy
Bảo vệ dữ liệu người dùng. QA kiểm tra rò rỉ dữ liệu, sự cố ghi nhật ký và việc tuân thủ các chính sách xử lý dữ liệu.
🌐
Probabilistic Outputs
AI cung cấp kết quả đầu ra với độ tin cậy khác nhau. QA đánh giá ngưỡng chắc chắn và sự thay đổi kết quả.
🪄
Prompt Engineering
Tạo các lời nhắc đầu vào để hướng dẫn hành vi của mô hình. QA tạo ra các bộ gợi ý để kiểm tra tính nhất quán và tuân thủ.
🧩
Prompt Entanglement Testing
Kiểm tra xem những lời nhắc trước đó có vô tình ảnh hưởng đến những phản hồi sau này hay không. QA đảm bảo các phiên nhắc nhở được xác định phạm vi chính xác.
🧠
RAG (Retrieval-Augmented Generation)
Một kiến trúc mô hình sử dụng kết quả tìm kiếm để nâng cao kết quả đầu ra. QA xác thực nền tảng, độ chính xác khi truy xuất và phân bổ nguồn.
🪄
Reasoning Model
Các mô hình được thiết kế cho các nhiệm vụ logic. QA kiểm tra chuỗi suy nghĩ, độ chính xác của suy luận và độ chắc chắn của lý luận.
🧩
Recall (Metric)
Khả năng tìm thấy tất cả các mặt tích cực có liên quan. QA sử dụng nó để kiểm tra các kết quả âm tính giả.
🧠
Reinforcement Learning
Học thông qua tín hiệu khen thưởng. QA xác minh tính ổn định, hội tụ và an toàn chính sách.
🤖
Repeatability Testing
Kiểm tra xem một mô hình có nhất quán cho cùng một kết quả khi chạy nhiều lần trong cùng điều kiện hay không. QA sử dụng nó để đánh giá tính xác định và độ tin cậy của việc gỡ lỗi.
🪄
Response Format
Cấu trúc hoặc lược đồ đầu ra của mô hình (ví dụ: JSON, đánh dấu). QA xác minh rằng định dạng đáp ứng nhu cầu của ứng dụng và có thể phân tích được.
🛠️
RNN (Recurrent Neural Network)
Mạng dành cho dữ liệu tuần tự (ví dụ: văn bản, chuỗi thời gian). QA kiểm tra bộ nhớ của các đầu vào trong quá khứ và các dự đoán trình tự thích hợp.
🔒
Robustness
Tính ổn định của đầu ra của mô hình trong điều kiện đầu vào ồn ào, đa dạng hoặc đối nghịch. QA các điều kiện biên của stress-test và các trường hợp hiếm gặp.
⚙️
Semi-supervised Learning (Algorithm)
Một phương pháp sử dụng cả dữ liệu có nhãn và không có nhãn. QA có thể kiểm tra tính khái quát và theo dõi các khoảng cách về hiệu suất.
🖼️
Sensitivity Analysis
Phân tích những thay đổi nhỏ trong đầu vào ảnh hưởng đến đầu ra như thế nào. QA sử dụng nó để xác định những hành vi mong manh hoặc quá nhạy cảm.
📚
Stop Sequences
Văn bản cho AI biết nơi dừng tạo. QA xác minh giới hạn thích hợp để tránh phản hồi thừa hoặc không đầy đủ.
🤖
Supervised Learning
Đào tạo với dữ liệu được dán nhãn. QA sử dụng bộ kiểm tra và số liệu (độ chính xác, F1) để xác thực.
🚀
System Role (In Prompt Engineering)
Xác định bối cảnh hành vi của AI (ví dụ: chuyên gia, trợ lý). QA kiểm tra tính nhất quán của vai trò và sự liên kết đầu ra.
🤖
Temperature
Ảnh hưởng đến tính ngẫu nhiên—giá trị cao hơn tạo ra nhiều phản hồi sáng tạo và đa dạng hơn. QA điều chỉnh điều này để đảm bảo tính nhất quán đầu ra và tính sáng tạo.
🎯
Text-to-Image Generation
Tạo hình ảnh từ lời nhắc văn bản. QA đánh giá chất lượng hình ảnh, căn chỉnh kịp thời và tác hại tiềm ẩn.
🔍
Tokenization
Tách văn bản thành mã thông báo để xử lý. QA kiểm tra giới hạn và cấu trúc mã thông báo không bị hỏng.
🔍
Top P
Kiểm soát tính ngẫu nhiên bằng cách giới hạn mã thông báo ở xác suất tích lũy. QA kiểm tra xem điều này ảnh hưởng như thế nào đến tính đa dạng và tính quyết định của đầu ra.
🌐
TPU
Bộ xử lý Tensor – Chip AI của Google.
📦
Training
Toàn bộ quá trình học tập mô hình. QA kiểm tra tiến độ học tập, sự hội tụ và khái quát hóa.
🤖
Training Data
Bộ dữ liệu được sử dụng để dạy mô hình. QA đánh giá chất lượng, tính đa dạng và độ chính xác của việc ghi nhãn.
💡
Transformer
Thiết kế mô hình được sử dụng trong hầu hết LLMs. QA tập trung vào các hành vi chú ý, giới hạn bối cảnh và sự ổn định của thế hệ.
⚙️
Transformer Model
Một mô hình sử dụng cơ chế chú ý. QA kiểm tra để xử lý các chuỗi dài và diễn giải chính xác.
🔍
Tree-of-Thought (ToT) Prompting
AI khám phá nhiều con đường lý luận như cây quyết định. QA kiểm tra tính đầy đủ và đánh giá chất lượng đường dẫn.
📚
Unsupervised Learning
Học tập mà không có dữ liệu được dán nhãn QA kiểm tra các mẫu được phát hiện và sử dụng trong các tác vụ tiếp theo.
🌐
User Role (In Prompt Engineering)
Lời nhắc hoặc câu hỏi từ người dùng. QA thiết kế các lời nhắc đa dạng để xác thực sự hiểu biết của AI.
🔒
Variance/Configuration Testing
Kiểm tra xem những thay đổi trong cài đặt (ví dụ: nhiệt độ, top_p) ảnh hưởng như thế nào đến hoạt động của mô hình. QA đánh giá hiệu suất và độ ổn định trên các cấu hình.
🔍
Vibe Coding
Các công cụ mã hóa dựa trên ngôn ngữ tự nhiên. QA kiểm tra khả năng tích hợp IDE, độ chính xác của mã và lời nhắc của nhà phát triển.
📈
Weights
Các giá trị số mà mô hình điều chỉnh trong quá trình đào tạo. QA gián tiếp đánh giá họ thông qua chất lượng đầu ra.
💡
Zero-Shot Learning
Đưa ra dự đoán mà không cần đào tạo về nhiệm vụ cụ thể. QA đánh giá các trường hợp khái quát hóa và thất bại.
📚
Zero-shot Prompting
AI thực hiện một nhiệm vụ mà không có ví dụ cụ thể. QA đánh giá xem liệu nó có xử lý việc khái quát hóa một cách hiệu quả hay không.