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 ein Foundation Model

Der Begriff 'Foundation Model' bezieht sich auf ein groß angelegtes Modell, das auf einem vielfältigen Datensatz vortrainiert wird und für spezifische Aufgaben feinjustiert werden kann. Diese Architektur ermöglicht es dem Modell, komplexe Muster und Strukturen zu erfassen, wodurch es in verschiedenen nachgelagerten Anwendungen effektiv ist.

Foundation Models sind wichtig, da sie den Bedarf an großen Mengen an gekennzeichneten Daten erheblich reduzieren. Durch das Lernen aus großen, unbeschrifteten Datensätzen können diese Modelle Wissen verallgemeinern, das auf verschiedene Aufgaben anwendbar ist. Dies beschleunigt die Entwicklung und Implementierung von KI-Systemen.

Normalerweise verwenden Foundation Models tiefes Lernen, insbesondere die Transformer-Architektur. Ihr Trainingsprozess umfasst selbstüberwachtes Lernen, bei dem das Modell die Struktur und Semantik der Daten erlernt, indem es Teile des Textes vorhersagt. Bemerkenswerte Beispiele sind die GPT-Serie von OpenAI, Googles BERT und Facebooks RoBERTa, die die Fähigkeiten dieser Modelle demonstrieren.

Die zukünftigen Trends für Foundation Models deuten auf eine Evolution hin zu effizienteren und interpretierbaren Systemen hin. Sie könnten jedoch auch strengerer Prüfung hinsichtlich Ethik und Sicherheit ausgesetzt sein, um sicherzustellen, dass ihre Anwendungen keine potenziellen sozialen Schäden verursachen. Entwickler müssen auch auf die Interpretierbarkeit und Fairness dieser Modelle achten, um Vorurteile zu vermeiden.