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 Intelligenzverstärkung

Intelligenzverstärkung (IA) bezieht sich auf den Einsatz von Technologie zur Verbesserung der menschlichen Intelligenz. Dieses Konzept konzentriert sich darauf, Werkzeuge und Techniken zu nutzen, um die menschlichen Fähigkeiten im Denken, bei der Entscheidungsfindung und in der Kreativität zu steigern. Im Gegensatz zur künstlichen Intelligenz (KI), die oft unabhängig agiert, betont IA die menschliche Beteiligung und die Verbesserung der Intelligenz.

Die historische Entwicklung von IA reicht bis in die frühen Tage der Informatik zurück, insbesondere in Bereichen wie Informationsverarbeitung und Entscheidungsunterstützungssystemen. Mit den Fortschritten in der Technologie wurde IA schrittweise in Bereiche wie Datenanalyse, natürliche Sprachverarbeitung und maschinelles Lernen integriert, wodurch Menschen komplexe Informationen effizienter verarbeiten und fundierte Entscheidungen treffen können.

Typische Anwendungen von IA sind diagnostische Hilfestellungen im Gesundheitswesen, personalisierte Lernsysteme in der Bildung und Datenanalysewerkzeuge in Unternehmen. In Bezug auf zukünftige Trends wird IA wahrscheinlich mit virtueller Realität und Augmented Reality kombiniert, um den Nutzern intuitivere und effektivere Erfahrungen zur Intelligenzverstärkung zu bieten.

Die Vorteile von IA umfassen eine höhere Arbeitseffizienz, gesteigerte Kreativität und Unterstützung bei komplexen Entscheidungsprozessen. Allerdings wirft sie auch Herausforderungen in Bezug auf Datenschutz und Ethik auf, insbesondere in Bezug auf die Datenerhebung und -verarbeitung. Nutzer sollten bei der Verwendung von IA die Datensicherheit und mögliche Vorurteile berücksichtigen.