Англо-русский толковый словарь по искусственному интеллекту и робототехнике

imperfect knowledge – неполные знания # знания, характеризующиеся недостатком истинной информации, наличием неверной или ненужной сопутствующей информации, нечёткостью и противоречивостью. Такие реальные знания могут структурироваться, обрабатываться и использоваться, например, в системах интеллектуальной поддержки принятия решений и в компьютерных обучающих системах (см. также knowledge).

implant – 1. имплантат, имплант # трансплантат из чуждых организму материалов; например, имплантируемый (вживляемый в организм человека или животного) элемент, чип, микрочип, прибор, искусственный орган и т. п. (implantable device) – с целью улучшения возможностей организма, контроля параметров, установления местонахождения, идентификации и др. (см. также bioengineering, biohacking, bioprosthesis);

2. имплантировать, вживлять # частичный синоним – chipping, чипирование.

implicit information – имплицитная информация, неявная (подразумеваемая) информация # скрытый смысл текста; то, что можно прочитать “между строк” – в отличие от эксплицитной информации (см. также

explicit information, explicit knowledge, implicit knowledge, knowledge).

implicit knowledge – имплицитное знание, неявные (глубинные, личностные) знания, знания в неявной форме # знания принято делить на эксплицитные и имплицитные, последние не сформулированы, а представляют собой индивидуальный духовный опыт. Особенностью имплицитного знания является его спонтанный характер, оно возникает практически мгновенно, не давая времени на размышления. Термины “эксплицитное” и “имплицитное” знание ввёл английский физик и философ Майкл Поланьи (Michael Polanyi) (см. также explicit knowledge, knowledge).

imprecise – неточный; неопределённый # см. также imprecise knowledge.

imprecise knowledge – неточные знания, неопределённые знания # подобные знания, описываемые качественно (qualitatively), являются абстракцией соответствующих количественных знаний и служат основой качественного подхода к пространственно-временному [логическому] выводу (qualitative spatial and temporal reasoning

) (см. также spatio-temporal reasoning).

inaccuracy – 1. погрешность, ошибка [измерения] # неточность измерения. В зависимости от причин их появления погрешности разделяют на систематические (systematic error, systematic inaccuracy) и случайные (random error). Синонимы – imprecision, uncertainty;

2. неточность.

in-car network – бортовая сеть автомобиля, БСА # внутренняя компьютерная сеть автомобиля (см. также network).

in-car operating system (in-car OS) – бортовая операционная система автомобиля, бортовая ОС автомобиля # основа современных и перспективных автомобилей, оснащённых электроникой и компьютерными средствами, упрощающими управление (см. также automotive electronics, CarOS, car telematics, in-car network, operating system, self-driving car).

inception – 1. начало; отправная точка; исходное положение. Синонимы – beginning, origination, starting point;

2. внедрение;

3. зарождение # см. также inception layer, inception module, inception network.

inception layer – см. inception module.

inception module – inception-модуль; начальный (входной) модуль, начальный (входной) слой [СНС] # в свёрточной нейронной сети (СНС) – специальный модуль, слой, выполняющий свёртку входных данных с использованием не одного, а трёх фильтров, матриц, ядер свёртки разных размеров (1×1, 3×3, 5×5) и макс-пулинга (max pooling); упрощает архитектуру, уменьшает глубину (за счёт увеличения ширины), число слоёв СНС, снижает требуемую вычислительную мощность и повышает эффективность, точность результатов. Такие решения важны для особой обработки изображений самого разного характера, с разнообразным контентом и признаками изображений, называемых также значимыми частями изображений (salient parts). Синоним – inception layer (см. также convolutional neural network, inception, inception network).

inception network – inception-сеть # свёрточная нейронная сеть (СНС) – например, сеть GoogLeNet, состоящая в основном из inception-модулей; является победителем соревнования ImageNet 2014 года по решению задач обработки и распознавания изображений с результатом 93,3 % точности (см. также convolutional neural network, inception, inception layer, inception module).