AI, ML, Deep Learning, LLM — What's the Difference? 18 Terms Explained in Amharic

ሰላም። ተቀመጥ። ዛሬ የቃላት ግራ መጋባትን አንዴ ለመጨረሻ ጊዜ እናጠራለን። ☕

ችግሩ

ስለ AI ማንበብ ስትጀምር እንዲህ ያለ ዓረፍተ ነገር ይገጥመሀል፦ “ይህ LLM ነው። በ deep learning የተሠራ machine learning ሞዴል ነው። 200 ቢሊዮን parameters አሉት፣ 1 ሚሊዮን token context አለው፣ በ RAG ይሠራል፣ አሁን ደግሞ agent ሆኗል።”

እና አንተ… “እሺ።” 😅

ማንም እነዚህን ቃላት ከመሠረቱ አያስረዳም። ስለዚህ ዛሬ እናደርገዋለን። ግን በአንድ ስዕል እንጀምር — ያ ስዕል ካለህ የቀረው ሁሉ ቀላል ይሆናል።

🪆 ትልቁ ስዕል — አራት ንብርብሮች

የሩሲያ አሻንጉሊት (matryoshka) ታውቃለህ? አንዱ በአንዱ ውስጥ የሚገባ? AI እንደዚያ ነው። አራት ሳጥኖች — አንዱ በአንዱ ውስጥ።

1️⃣ AI — ሰው ሰራሽ አስተውሎት (ትልቁ ሳጥን)

አንድ ማሽን የሰው አእምሮ የሚጠይቀውን ሥራ ሲሠራ AI ይባላል። ትርጓሜው ግን በጣም ሰፊ ነው።

የልብስ ማጠቢያ ማሽንህ “ልብሱ ብዙ ነው፤ ውሃ ልጨምር” ካለ — ያ AI ነው። በ1997 ካስፓሮቭን ያሸነፈው የቼዝ ኮምፒውተር AI ነበር። ግን ቼዝ ብቻ ነው የሚያውቀው። ደብዳቤ ሊጽፍልህ አይችልም።

ስለዚህ “AI” ማለት ሞዴል ማለት አይደለም። ምድብ ማለት ነው።

2️⃣ ML — ማሽን ለርኒንግ (በውስጡ ያለው ሳጥን)

ማሽን ለርኒንግ ማለት፦ ደንብ ከመጻፍ ይልቅ ምሳሌ ማሳየት።

በምሳሌ እንየው። ስፓም ኢሜይል ለመለየት ሁለት መንገድ አለ፦

• 🧾 የድሮው መንገድ፦ ለእያንዳንዱ ሁኔታ ደንብ ትጽፋለህ። “አሸንፈሃል” የሚል ቃል ካለ ስፓም ነው። “ገንዘብ ላክ” የሚል ካለ ስፓም ነው። እንዲህ እያልክ አንድ ሚሊዮን ደንብ ትጽፋለህ — መጨረሻ ግን የለውም።
• 🎓 የ ML መንገድ፦ 100,000 ኢሜይል ታሳየዋለህ — “ይህ ስፓም ነው፣ ይህ አይደለም” እያልክ። እሱ ራሱ ንድፉን ያገኛል። ደንብ አልጻፍክለትም። አስተማርከው።

ስለዚህ ሁሉም ML የ AI ክፍል ነው። ሁሉም AI ግን ML አይደለም።

3️⃣ Deep Learning — ጥልቅ ትምህርት (ተጨማሪ ውስጠኛ ሳጥን)

ይህ የ ML አንድ ዓይነት ነው — ኒውራል ኔትወርክ የሚባል ነገር የሚጠቀም።

ኒውራል ኔትወርክ ምንድን ነው? በሰው አንጎል ነርቮች የተነሳሳ ሥርዓት ነው። መረጃው በብዙ ንብርብሮች ውስጥ ያልፋል፤ እያንዳንዱ ንብርብር ትንሽ ነገር ይለያል።

ፎቶ ላይ ድመት ለመለየት፦ የመጀመሪያው ንብርብር ጠርዞችን ያያል። ሁለተኛው ቅርጾችን። ሦስተኛው ጆሮና ጢም። አሥረኛው “ድመት” ይላል።

“ጥልቅ” የሚባለው ለምንድን ነው? ብዙ ንብርብር ስላለው ነው። ያ ብቻ። 🙂

4️⃣ LLM — ትልቅ የቋንቋ ሞዴል (ትንሹ ውስጠኛ ሳጥን)

Large Language Model — በጣም ብዙ ጽሑፍ ላይ የሠለጠነ ጥልቅ ትምህርት ሞዴል።

የሚሠራው አንድ ነገር ብቻ ነው፦ ቀጣዩን ቃል መገመት። በክፍል 1 እንዳልነው — አያውቅም፤ ይገምታል። ግን በጣም በጣም ጥሩ ገማች ነው።

ChatGPT፣ Claude፣ Gemini፣ Muse Spark — ሁሉም LLM ናቸው።

✅ ስለዚህ በአንድ ዓረፍተ ነገር፦ LLM የ deep learning ዓይነት ነው፤ deep learning የ ML ዓይነት ነው፤ ML የ AI ዓይነት ነው። አራቱ ሳጥኖች።

---

🔧 አሁን — የግንባታ ቃላት

ፓራሜትር (Parameters)

ሞዴል ሲሠለጥን የሚያስተካክላቸው ቁጥሮች ናቸው። እንደ ራዲዮ ቁልፍ አስበው — በሚሊዮን የሚቆጠሩ ቁልፎች፣ እያንዳንዳቸው ትንሽ እየተጠማዘዙ ድምፁ እስኪጠራ።

“200 ቢሊዮን ፓራሜትር” ማለት 200 ቢሊዮን እንደዚህ ያለ ቁጥር ማለት ነው። ብዙ ፓራሜትር ብዙ ጊዜ የተሻለ ማለት ነው — ግን ሁልጊዜ አይደለም። ትንሽ ግን በደንብ የሠለጠነ ሞዴል ትልቁን ሊያሸንፍ ይችላል።

ስልጠና (Training) እና ኢንፈረንስ (Inference)

ሁለት የተለያዩ ደረጃዎች ናቸው — ብዙ ሰው ይቀላቅላቸዋል፦

• 🏋️ ስልጠና፦ ሞዴሉ ሲማር። አንድ ጊዜ ብቻ ይደረጋል፤ ወራት ይወስዳል፤ ወጪው በሚሊዮን ዶላር ይቆጠራል፤ በሺዎች የሚቆጠሩ GPU ይፈልጋል።
• 💬 ኢንፈረንስ፦ ሞዴሉ ሥራ ላይ ሲውል። ጥያቄ ስትጠይቅ የሚሆነው ይህ ነው። ርካሽ ነው፣ ፈጣን ነው፣ በየቀኑ ይደገማል።

ምሳሌ፦ ሐኪም ስድስት ዓመት ይማራል (ስልጠና)፤ ከዚያ በየቀኑ ታካሚ ያክማል (ኢንፈረንስ)።

GPU

መጀመሪያ ለጨዋታ ግራፊክስ የተሠራ ቺፕ። ብዙ ስሌት በአንድ ጊዜ መሥራት ስለሚችል ለ AI ፍጹም ሆነ። ለዚህ ነው NVIDIA በዓለም ትልቁ ኩባንያ የሆነው።

---

💬 የቋንቋ ቃላት

ቶከን (Token)

ሞዴል ቃላትን አያይም — ቶከን ያያል። ቶከን የቃል ቁራጭ ነው። በእንግሊዝኛ አንድ ቃል ብዙ ጊዜ አንድ ቶከን ነው። በአማርኛ ግን አንድ ቃል 13 ቶከን ሊሆን ይችላል።

ክፍያው በቶከን ስለሆነ፣ በአማርኛ መሥራት ውድ ይሆናል — አንድ ቃል ብዙ ቶከን ስለሚበላ። “የቶከን ቀረጥ” ብለን የጠራነው ይኸው ነው።

ኮንቴክስት ዊንዶው (Context Window)

ሞዴሉ በአንድ ጊዜ ሊይዘው የሚችለው መጠን — የአጭር ጊዜ ማስታወሻው። “1 ሚሊዮን ቶከን ኮንቴክስት” ማለት አንድ ሙሉ መጽሐፍ አስገብተህ ስለ እሱ መጠየቅ ትችላለህ ማለት ነው።

ሲሞላ ግን የመጀመሪያውን ይረሳል። ውይይትህ ሲረዝም “የጠየቅሁህን ረሳኸው” የምትለው ለዚህ ነው። 😄

ፕሮምፕት (Prompt)

ለሞዴሉ የምትሰጠው ጽሑፍ። ያ ብቻ። ጥሩ ፕሮምፕት መጻፍ ግን ክህሎት ነው — በክፍል 3 አምስቱን ክፍሎች አይተናል።

---

⚠️ የባህርይ ቃላት

ሃሉሲኔሽን (Hallucination)

ሞዴሉ በሙሉ በራስ መተማመን የተሳሳተ ነገር ሲፈጥር። ስም፣ ቁጥር፣ ምንጭ — ያልነበረ።

ለምን ይሆናል? ምክንያቱም ሥራው ቀጣዩን ቃል መገመት ነው እንጂ እውነት መናገር አይደለም። በክፍል 4 በዝርዝር አይተነዋል።

ቴምፕሬቸር (Temperature)

ሞዴሉ ምን ያህል “ደፋር” እንደሚሆን የሚወስን ቅንብር። ዝቅተኛ = የተረጋጋ፣ ተገማች። ከፍተኛ = ፈጠራዊ፣ ያልተጠበቀ። ለሒሳብ ዝቅተኛ፤ ለግጥም ከፍተኛ።

ቤንችማርክ (Benchmark)

ሞዴሎችን የሚያወዳድር ፈተና። ግን ተጠንቀቅ — እንዳልነው ብዙዎቹን ቤንችማርኮች የሚለኩት ኩባንያዎቹ ራሳቸው ናቸው። አንድ ቁጥር ብቻ ካየህ የቀሩትን ጠይቅ።

---

🚀 የማሻሻያ ቃላት

ፋይን-ቲዩኒንግ (Fine-tuning)

የሠለጠነ ሞዴል ወስደህ በራስህ መረጃ ትንሽ ተጨማሪ ማሠልጠን። ሙሉ ስልጠና ሚሊዮን ዶላር ነው፤ ፋይን-ቲዩኒንግ ግን በጣም ርካሽ ነው።

ምሳሌ፦ አጠቃላይ ሐኪም ወስደህ በዓይን ሕክምና ላይ ማሠልጠን።

RAG

ሞዴሉ ስለ አንተ መረጃ እንዲያውቅ የሚያደርግ ዘዴ — ሳታሠለጥነው። ሰነዶችህን በልዩ ማከማቻ ውስጥ አስቀምጠህ፣ ጥያቄ ሲመጣ የሚመለከቱትን ክፍሎች አውጥቶ ከጥያቄው ጋር ይልካል።

በዝርዝር እዚህ ጽፈናል — ከ MCP እና Skills ጋር።

Open-weight እና Closed

• 🔓 Open-weight፦ ሞዴሉን አውርደህ በራስህ ኮምፒውተር ማስኬድ ትችላለህ። Mistral፣ Llama። ለኢትዮጵያ ትልቅ በር — ክፍያ የለም፣ ኢንተርኔት ጥገኝነት ያንሳል።
• 🔒 Closed፦ በኩባንያው አገልጋይ ብቻ። ChatGPT፣ Claude። ብዙ ጊዜ ጠንካራ — ግን ትከፍላለህ።

---

🆕 አዲሶቹ ቃላት

ኤጀንት (Agent)

ከመመለስ አልፎ የሚሠራ AI። ፋይል ይነካል፣ መልእክት ይልካል፣ ብዙ ደረጃ ይሠራል። አምስቱን ንድፎች እዚህ አይተናል፤ የሜታ Muse እና Claude Cowork ምሳሌዎች ናቸው።

ሙልቲሞዳል (Multimodal)

ጽሑፍ ብቻ ሳይሆን ፎቶ፣ ድምፅና ቪዲዮ የሚረዳ ሞዴል። ፎቶ አንስተህ “ይህ ምንድን ነው?” ስትል የሚሠራው ይህ ነው።

AGI

ሰው የሚሠራውን ማንኛውንም የአእምሮ ሥራ የሚሠራ AI። ግን ሁሉም የሚስማማበት ትርጉም የለውም — ለዚህ ነው ክርክሩ የማያልቀው። በዝርዝር እዚህ።

---

📋 ፈጣን ማጣቀሻ

• AI — ማሽን ብልህ ሲመስል (ትልቁ ምድብ)
• ML — ደንብ ሳይሆን ምሳሌ በማሳየት ማስተማር
• Deep Learning — ባለብዙ ንብርብር ኒውራል ኔትወርክ የሚጠቀም ML
• LLM — በጽሑፍ የሠለጠነ፤ ቀጣዩን ቃል ይገምታል
• ፓራሜትር — ሞዴሉ የሚያስተካክላቸው ቁጥሮች
• ስልጠና — ሲማር · ኢንፈረንስ — ሲሠራ
• ቶከን — የቃል ቁራጭ (አማርኛ ብዙ ይበላል)
• ኮንቴክስት — በአንድ ጊዜ የሚይዘው መጠን
• ሃሉሲኔሽን — በራስ መተማመን መሳሳት
• ፋይን-ቲዩኒንግ — በራስ መረጃ ተጨማሪ ስልጠና
• RAG — ሳታሠለጥን መረጃህን ማሳወቅ
• ኤጀንት — ከመመለስ አልፎ የሚሠራ

🇪🇹 ለኢትዮጵያ የትኞቹ ይመለከቱናል?

አሥራ ስምንቱን ሁሉ ማወቅ አያስፈልግም። አራት ብቻ።

1. ቶከን። ወጪህ በዚህ ይለካል፤ አማርኛ ደግሞ ውድ ነው። ይህን ማወቅ ገንዘብ ይቆጥባል።

2. ሃሉሲኔሽን። ካላወቅኸው የተሳሳተ መረጃ ትልካለህ። ካወቅኸው ታረጋግጣለህ።

3. Open-weight። ክፍያ ሳትከፍል የምትጠቀምበት በር። ከኢትዮጵያ መክፈል ቀላል ስላልሆነ ይህ ትልቅ ነው።

4. RAG። በአማርኛ ሰነዶች ላይ የሚሠራ ሥርዓት ማንም አልገነባም። ክፍት ገበያ ነው።

🎓 ማጠቃለያ

ተማሪዎቼን የምነግራቸው፦ ቃላቱን ሁሉ ማወቅ ብልህ አያደርግህም። ስዕሉን ማወቅ ግን ያደርግሃል።

ስለዚህ አንድ ነገር ብቻ ውሰድ፦ አራቱ ሳጥኖች። AI ⊃ ML ⊃ Deep Learning ⊃ LLM። ያ ካለህ ማንኛውንም የ AI ዜና ስታነብ የት እንደሚገባ ታውቃለህ።

እና አንድ ሰው ብዙ ቃል እየደረደረ ግራ ሊያጋባህ ሲሞክር — አሁን ትችላለህ። 😄

---

In brief (English): A plain-language Amharic glossary of 18 core AI terms, built around one organising image: four nested boxes. AI is the broadest category — any machine doing something that appears intelligent. Machine learning (ML) is a subset: instead of writing rules, you show examples and the system finds the pattern. Deep learning is a subset of ML that uses multi-layer neural networks — "deep" simply means many layers. LLMs are deep-learning models trained on vast text whose single job is predicting the next token. The article then defines parameters, training vs inference, GPUs, tokens (and the Amharic token tax), context windows, prompts, hallucination, temperature, benchmarks, fine-tuning, RAG, open-weight vs closed models, agents, multimodal and AGI — each with an everyday analogy and cross-links to earlier Bina explainers. It closes by identifying the four terms that matter most for Ethiopian readers: tokens (cost), hallucination (verification), open-weight (access without foreign payment) and RAG (the unbuilt Amharic-document opportunity).

ይህ ጽሑፍ የትምህርት ዓላማ ያለው ማጣቀሻ ነው። ጥያቄ ካለህ ወይም የጎደለ ቃል ካለ በአስተያየት ንገረን — እናዘምነዋለን። 🙂