Each category is a question people ask about a technology, and its elements are the answers. Choose a category, then an element, to see its icon and what it means. New to the terms? Read the concepts.
由什么算法或模型处理数据？
由什么来处理输入——将输入转化为输出所使用的算法族、模型类别或技术。
情感与情绪分析根据文字、语音、面部表情或生理信号推断情绪状态、心情或态度倾向的技术。用于了解人群情绪、评估服务体验或筛查心理困扰。情感推断的准确性和文化公平性存在争议，一些司法管辖区限制在工作场所和公共服务中使用。
异常检测能标记异常事件、模式或数值的技术，这些异常偏离了系统学习到的正常行为基线。用于设备故障预测、欺诈筛查、入侵检测、漏水监测和人流异常预警。其输出通常是按阈值判定的评分，而非直接的决定。
生物特征识别根据生物信号——面部、指纹、声音、虹膜或步态——识别或核验特定个人的技术。它有别于一般的计算机视觉，因为其输出与具名的个人相关联。许多司法管辖区限制或禁止在公众可进入的场所使用生物特征识别。
分类与预测为输入贴上标签或估算数值结果的技术——包括分类器（是否为垃圾邮件、风险等级）、回归模型（预测需求、预计等候时间）和时间序列预测模型（下一小时客流、能源负荷）。利用统计模型或机器学习模型，由带标签的历史数据构建而成。
聚类与细分不使用预先定义的标签，而是根据相似性将人、地点或事件归为若干群组的技术。用于细分受众、出行模式、用能特征或服务需求区域。其输出是群组归属，下游系统可能将其当作类别使用——尽管这些群组是推断出来的，而非人为设定的。
计算机视觉解读图像或视频的技术——清点人数、检测物体、读取图片中的文字、跟踪运动或分割场景。常见于空间占用感知、交通和人流监测、无障碍辅助和标牌巡检。有别于生物特征识别，后者识别的是特定个人。
语言模型能用人类语言阅读、写作、总结、翻译或对话的模型。包括大语言模型（LLM）、聊天机器人和文本生成系统。其工作原理是根据输入和已有上下文，预测最可能出现的后续词元。
优化在约束条件下寻找最佳指派、路线、排程或分配方案的技术。包括车辆路径规划、交通信号配时、能源和暖通空调调度、人员排班和资源分配。其工作方式是探索各种可能，使成本、时间或排放等既定目标最大化或最小化。
隐私保护转换这类技术的主要任务是转换输入数据，在数据进入任何下游使用之前，去除、模糊或替换其中可识别身份的细节。包括人脸模糊、车牌遮挡、令牌化、k-匿名化、差分隐私和合成数据生成。在收集的原始数据与用于分析或决定的数据之间起到屏障作用。
推荐与排序根据偏好、行为或与他人的相似性，为个人推荐或排列服务、信息条目、新闻、导览选项等项目的技术。包括协同过滤、基于内容的推荐系统和学习排序。让每个人从同一份底层目录中看到个性化的内容。
搜索与检索根据查询，从大量文档、记录或媒体中找出并呈现相关内容的技术。包括语义搜索、向量检索，以及将相关段落送入语言模型的检索增强生成（RAG）流程。用于文档问答、公共记录查询以及图书馆或档案检索。
语音与音频在口语与其他形式之间进行转换，或对非语音声音进行分类的技术。包括语音转文字（转写）、文字转语音（合成语音）、关键词检出和声音事件检测。以声音识别身份（识别说话人是谁）属于“生物特征识别”。不使用预先定义的标签，而是根据相似性将人、地点或事件归为若干群组的技术。用于细分受众、出行模式、用能特征或服务需求区域。其输出是群组归属，下游系统可能将其当作类别使用——尽管这些群组是推断出来的，而非人为设定的。