Glossary

0-9

1-shot learning 3D convolution 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 2-stage detector 9-layer network 0-shot learning 4D data

A

AGI / Artificial General Intelligence Attention Autoencoder Algorithm Artificial Intelligence (AI)

B

Backpropagation Batch Normalization BERT Bias Boosting

C

Clustering CNN / Convolutional Neural Network Chatbot Classifier / Classification Cross-Validation

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Encoder Embedding Ensemble Learning Epoch Explainable AI (XAI)

F

Foundation Model Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation

G

Graph Neural Network (GNN)GAN / Generative Adversarial Network Generative AI Gradient Descent Grounding

H

Hierarchical Model Hyperparameter Hidden Layer Hallucination Heuristic

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

Kernel Trick KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Knowledge Distillation

L

Learning Rate Large Language Model (LLM)Latent Variable Loss Function LSTM / Long Short-Term Memory

M

Model Machine Learning (ML)Meta-learning Multi-head Attention Multimodal / Multimodality

N

Neural Network Novelty Detection / Anomaly Detection NLP / Natural Language Processing NLU / Natural Language Understanding Normalization

O

Objective Function Optimizer One-hot Encoding Online Learning Overfitting

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Q-learning Quality Estimation Quantization Queue / Buffer

R

Representation Learning Regularization Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)RNN / Recurrent Neural Network

S

Sampling Self-Supervised Learning Sequence Modeling Softmax Supervised Learning

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Universal Approximation Theorem U-Net Underfitting Uncertainty Estimation Unsupervised Learning

V

Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)Vector Embedding Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis XAI / Explainable AI XLM XLNet

Y

Y-axis / feature axis Y-transform / YUV YAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Z-score Normalization Zero-shot Learning / Zero-shot inference Zygosity in augmentation

Was ist Bias

Der Begriff Bias bezieht sich auf eine Tendenz oder Neigung, die zu einer Abweichung von einem Standard der Fairness führt. Er manifestiert sich in verschiedenen Bereichen, einschließlich Psychologie, Soziologie und Datenwissenschaft.

In der Psychologie kann Bias die Entscheidungsprozesse beeinflussen und dazu führen, dass Personen irrational urteilen, basierend auf Emotionen statt auf Fakten. Zum Beispiel kann der Bestätigungsfehler dazu führen, dass Menschen Informationen bevorzugen, die ihre bestehenden Überzeugungen unterstützen, während sie widersprüchliche Beweise ignorieren. Dieses Phänomen kann persönliche und berufliche Entscheidungen erheblich beeinflussen.

In der Soziologie zeigt sich Bias häufig als Stereotypen oder Vorurteile gegenüber bestimmten Gruppen, was soziale Interaktionen beeinflussen und öffentliche Politiken beeinflussen kann. Das Bewusstsein für diese Vorurteile ist entscheidend, um integrative Gemeinschaften zu fördern und Gleichheit zu unterstützen.

Im Bereich der Datenwissenschaft und künstlichen Intelligenz hat sich Bias als kritisches Problem herausgestellt, da Algorithmen, die auf voreingenommenen Daten trainiert werden, bestehende Ungleichheiten perpetuieren oder sogar verschärfen können. Die Forschung konzentriert sich weiterhin darauf, wie Bias in KI-Systemen identifiziert und gemindert werden kann, um gerechte Ergebnisse zu gewährleisten.

Da die Gesellschaft zunehmend Vielfalt und Fairness schätzt, wird das Verständnis und die Bekämpfung von Bias ein wichtiges Forschungsfeld bleiben. Zukünftige Trends deuten auf einen Fokus auf ethische KI und faire Datenpraktiken hin, um die Auswirkungen von Bias auf Entscheidungsprozesse zu verringern.