Frešē iegulšanas attālums (Fréchet inception distance, FID) ir metrika MI ģenerētu attēlu kvalitātes novērtēšanai. Īstie un ģenerētie attēli tiek laisti caur iepriekš apmācītu attēlu atpazīšanas tīklu (Inception v3), un tiek salīdzināti to pazīmju statistiskie sadalījumi. Jo zemāka vērtība, jo tuvāk ģenerētie attēli ir īstām fotogrāfijām reālisma un daudzveidības ziņā. FID ieviests 2017. gadā un ir standarts attēlu ģeneratoru salīdzināšanai.
Ģeneratīvais sacīkšu tīkls (GAN) sastāv no diviem neironu tīkliem, kas tiek apmācīti pretī viens otram: ģenerators rada mākslīgus datus, piemēram, attēlus, bet diskriminators mēģina tos atšķirt no īstajiem. Šādā sacensībā rezultāti kļūst arvien reālistiskāki. GAN ieviesa 2014. gadā, un tie noteica attēlu ģenerēšanu, pirms plašāk izplatījās difūzijas modeļi; tos izmanto, piemēram, sintētiskiem apmācības datiem vai attēlu uzlabošanai.
Stable Diffusion ir attēlu ģenerēšanas modeļu saime, kas veido attēlus pēc teksta apraksta. Pirmā versija tika izlaista 2022. gadā, un to izstrādāja Stability AI vadībā kopā ar pētniecības partneriem. Tehniski tas ir latentās difūzijas modelis, kas pakāpeniski pārvērš attēla troksni attēlā. Tā kā modeļa svari ir publicēti, to var darbināt un pielāgot lokāli; jaunāko versiju komerciālo izmantošanu regulē paša Stability AI licence (stāvoklis uz 2026. gada oktobri).
MI jomā etalontestēšana (benchmarking) nozīmē sistemātisku modeļu vai sistēmu salīdzināšanu, izmantojot noteiktus uzdevumus un kritērijus. Publiski etalontesti mēra, piemēram, vispārējās zināšanas, spriešanas vai programmēšanas spējas; praktiskai izmantošanai tomēr vissvarīgākie ir testa gadījumi no jūsu pašu ikdienas darba. Tipiski kritēriji ir precizitāte, pilnīgums, atbildes laiks un izmaksas. Tas palīdz izlemt, vai mazāks, lētāks modelis konkrētam uzdevumam ir pietiekami labs.
Attēlu atpazīšana ir datorredzes joma, kurā programmatūra nosaka, kas attēlā redzams – objekti, cilvēki, teksts, logotipi vai ainas. Tās pamatā parasti ir neironu tīkli, kas apmācīti ar lielu skaitu marķētu attēlu. Lietojumi ir no kvalitātes kontroles ražošanā un produktu fotoattēlu šķirošanas līdz medicīniskās attēldiagnostikas atbalstam. Attēlos ar cilvēkiem īpaša uzmanība jāpievērš datu aizsardzībai un iespējamai neobjektivitātei.
