با گذر زمان، مقولهٔ Artificial Intelligence اندک‌اندک از یک گزینهٔ پر رمز و راز و مبهم به یک گزینهٔ مهم تجاری تبدیل شده و از همین روی آشنایی با مفاهیم و اصطلاحات رایج در این فناوری، امروزه نَه یک امتیاز بلکه یک نیاز، به‌خصوص برای دولوپرها، محسوب می‌شود که در همین راستا در ادامه به ۲۵ مورد از مهم‌ترین اصطلاحات کاربردی در ارتباط با مقولهٔ هوش مصنوعی خواهیم پرداخت.
A
- Algorithm: مجموعه‌ای از قوانین یا دستوالعمل‌هایی که به منظور کمک به یادگیری مستقل یک شبکهٔ عصبی هوش مصنوعی می‌کند و این در حالی است که الگوریتم‌های Recommendation ،Regression ،Classification و Clustering جزو رایج‌ترین الگوریتم‌های مورد استفاده در صنعت هوش مصنوعی هستند.
- Artificial Intelligence: هوش مصنوعی عبارت است از توانایی یک سیستم برای تصمیم‌گیری و اجرای وظایفی که هوش و رفتار انسان‌ها را شبیه‌سازی می‌نماید (برای کسب اطلاعات بیشتر، به مقالهٔ هوش مصنوعی چیست؟ مراجعه نمایید.)
- Artificial Neural Network: شبکهٔ عصبی مصنوعی یا اصطلاحاً ANN یک مدل یادگیری است که مشابه مغز انسان عمل نموده و مسائلی را حل می‌کند که حل آنها برای سیستم‌های کامپیوتری عادی دشوار است.
- Autonomic Computing: این اصطلاح به ظرفیت و توان سیستم جهت مدیریت خودکار منابع به منظور اجرای توابع سطح بالای محاسباتی بدون نیاز به ورودی کاربر اشاره دارد.
C
- Chatbot: چت‌بات به منظور شبیه‌سازی گفتگوی انسان‌ها طراحی شده و با استفاده از متن، صوت و یا هر دو، به عنوان یک رابط با کاربران برنامه‌های کامپیوتری ارتباط برقرار می‌کند.
- Classification: الگوریتم‌های رده‌بندی این امکان را برای سیستم فراهم می‌آورند تا بر اساس آنچه که قبلاً آموخته‌اند، داده‌های مختلف را در دسته‌های مشخصی قرار دهند تا در آینده راحت‌تر بتوان آنها را مورد استفاده قرار داد.
- Cluster Analysis: نوعی یادگیری بدون نظارت یا اصطلاحاً Unsupervised Learning است که به منظور کشف الگوهای پنهان موجود در داده‌ها و یا گروه‌بندی آنها مورد استفاده قرار می‌گیرد. به طور کلی، خوشه‌بندی‌ها با سنجش تشابه میان داده‌ها بر اساس معیار‌هایی همچون آمار و احتمالات و ... صورت می‌گیرد.
- Clustering: الگوریتم‌های خوشه‌بندی امکان گروه‌بندی داده‌ها را با توجه به ویژگی‌های مشابه میان آنها فراهم می‌آورند.
- Cognitive Computing: یک مدل کامپیوتری است که روش تفکر مغز انسان را تقلید می‌نماید به طوری که این روش یادگیری بدون نظارت در حین بررسی داده‌ها، تحلیل زبان و تشخیص الگوها را نیز شامل می‌شود.
- Convolutional Neural Network: اصطلاح CNN نوعی شبکهٔ عصبی است که امکان شناسایی و درک تصاویر را برای ماشین فراهم می‌کند.
D
- Data Mining: بررسی مجموعه‌ای از داده‌ها به منظور یافتن و استخراج الگوهای موجود در داده‌ها را داده‌کاوی یا اصطلاحاً Data Mining می‌گویند (برای کسب اطلاعات بیشتر، به مقالهٔ Data Mining چیست؟ مراجعه نمایید.)
- Data Science: علمی میان‌رشته‌ای است که روش‌ها، سیستم‌ها و فرآیند‌های عملی مورد استفاده در علوم آمار، اطلاعات و کامپیوتر را با یکدیگر ترکیب نموده و آنها را به منظور درک یک پدیده با استفاده از داده‌های ساختارمند یا غیرساختارمند مورد استفاده قرار می‌دهد.
- Decision Tree: یک مُدل درخت‌مانند و شاخه‌ای است که به منظور به تصویر کشیدن تصمیمات و پی‌آمد‌های احتمالی آنها مورد استفاده قرار می‌گیرد (چیزی شبیه به فلوچارت برای توسعهٔ برنامه‌های کامپیوتری است.)
- Deep Learning: توانایی سیستم‌ها برای تقلید خودمختار الگوهای تفکر انسانی با استفاده از شبکه‌های عصبی مصنوعی متشکل از لایه‌های مختلفی از داده‌ها را یادگیری ژرف یا به اصطلاح Deep Learning می‌گویند (برای کسب اطلاعات بیشتر، به مقالهٔ یادگیری ژرف چیست و چگونه کار می‌کند؟ مراجعه نمایید.)
F
- Fluent: به نوعی از حالات و شرایط گفته می‌شود که در طول زمان تغییر می‌کنند.
G
- Game AI: مُدلی از هوش مصنوعی مخصوص توسعهٔ گیم است که از الگوریتم‌هایی برای جایگزینی اتفاقی رویدادها استفاده می‌کند و این در حالی است که این مُدل از هوش مصنوعی می‌تواند در مقابل تصمیمات کاربر تصمیم‌گیری نموده و با شبیه‌سازی هوش انسانی، به عنوان بازیکن مقابل ایفای نقش نماید.
K
- Knowledge Engineering: بر ساخت سیستم‌های دانش‌بنیان متمرکز است به طوری که در این پروسه تمامی جنبه‌های علمی، فنی و اجتماعی آنها را در نظر می‌گیرد.
M
- Machine Intelligence: اصطلاحی جهان‌شمول است که مفاهیم یادگیری ماشینی، یادگیری ژرف و الگوریتم‌های یادگیری کلاسیک را شامل می‌شود.
- Machine Learning: یکی از جنبه‌های هوش مصنوعی است که بر روی الگوریتم‌ها متمرکز بوده و به ماشین‌ها این امکان را می‌دهد تا بدون نیاز به برنامه‌نویسی مجدد در هنگام مواجهه با داده‌های جدید، قادر به تغییر و یادگیری باشند (برای کسب اطلاعات بیشتر، به مقالهٔ یادگیری ماشینی چیست؟ مراجعه نمایید.)
- Machine Perception: توانایی سیستم‌ها برای دریافت و تفسیر داده‌ها با روشی مشابه آنچه که انسان با استفاده از حواس خود انجام می‌دهد را Machine Perception می‌گویند به طوری که این قابلیت معمولاً با استفاده از سخت‌افزارهای پیشرفته در اختیار دولوپرها قرار می‌گیرد اما در عین حال تحت شرایط خاصی و با استفاده از نرم‌افزارهای به خصوصی نیز می‌توان این امکان را برای سیستم‌ها فراهم نمود.
N
- Natural Language Processing: توانایی یک برنامه برای درک صحبت‌های کاربران به همان شکلی که یک انسان قادر به درک آن است را پردازش زبان طبیعی یا NLP گویند.
R
- Recurrent Neural Network: اصطلاح RNN نوعی از شبکه‌های عصبی است که قادر به درک اطلاعات زنجیره‌ای و تشخیص الگوهای موجود در این اطلاعات بوده و می‌تواند بر اساس محاسبات صورت‌گرفته، خروجی مناسب را تولید نماید.
S
- Supervised Learning: یادگیری نظارت‌شده نوعی از یادگیری ماشینی است که در آن با توجه به داده‌های خروجی، سیستم‌ها برای تولید الگوریتم‌های مناسب‌تر و درست‌تر آموزش داده می‌شوند (درست مانند معلمی که به دانش‌آموزان خود درس می‌دهد.) و این در حالی است که نسبت به روش یادگیری Unsupervised (بدون نظارت)، رایج‌تر است.
- Swarm Behavior: اصطلاح دیگری که در رابطه با AI به کار می‌رود Swarm Intelligence است که از آن به‌عنوان «هوش گروهی» یاد می‌شود. به طور کلی، هوش گروهی متودولوژی‌ای در صنعت هوش مصنوعی است که متکی بر رفتارهای گروهی در سیستم‌های نامتمرکز و مستقل است که در نهایت منجر به پیدایش رفتارهایی عمومی می‌شوند (نمونه‌هایی از چنین اکوسیستم‌هایی را می‌توان در طبیعت در گروه‌های مورچگان، پرندگان، گله‌های حیوانات، باکتری‌ها و غیره مشاهده کرد که دانشمندان علوم کامپیوتری از طبیعت الهام گرفته و چنین اکوسیستمی را در سیستم‌های کامپیوتری شبیه‌سازی کرده‌اند.)
U
- Unsupervised Learning: یادگیری بدون نظارت نوعی از الگوریتم‌های یادگیری ماشینی است که به منظور استخراج نتایج از داده‌های بدون برچسب مورد استفاده قرار می‌گیرد به طوری که تحلیل خوشه‌ای (Cluster Analysis) رایج‌ترین روش یادگیری بدون نظارت است.