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 Interpretierbarkeit

Interpretierbarkeit bezieht sich auf das Maß, in dem ein Mensch die Ursache einer Entscheidung, die von einem Modell oder Algorithmus getroffen wird, verstehen kann. In den Bereichen der künstlichen Intelligenz und des maschinellen Lernens hat sie zunehmend an Bedeutung gewonnen, da die Komplexität der Modelle zunimmt.

Da Modelle immer komplexer werden, kann der Entscheidungsprozess wie eine 'Black Box' erscheinen, was es den Benutzern erschwert, zu verstehen, wie die Schlussfolgerungen zustande kommen. Diese Komplexität hat das Interesse an der Forschung zur Interpretierbarkeit geweckt, insbesondere in hochriskanten Bereichen wie Gesundheitswesen und Finanzen, wo die Transparenz der Entscheidungen eines Modells direkte Auswirkungen auf ethische und rechtliche Verantwortlichkeiten hat.

Techniken zur Erreichung von Interpretierbarkeit umfassen die Analyse der Merkmalswichtigkeit, Visualisierungstools und lokal interpretierbare Modelle (wie LIME und SHAP). Diese Werkzeuge helfen den Benutzern, die Grundlagen der Modellentscheidungen zu verstehen.

Mit dem zunehmenden Fokus auf Vorschriften und Standards, insbesondere den AI-Vorschriften der EU, wird Interpretierbarkeit zu einem kritischen Aspekt des Designs und der Entwicklung von Modellen.

Während die Vorteile der Interpretierbarkeit ein erhöhtes Vertrauen und Transparenz umfassen, kann eine übermäßige Verfolgung der Interpretierbarkeit die Komplexität und Leistung der Modelle einschränken. Entwickler müssen ein Gleichgewicht zwischen der Genauigkeit der Modelle und ihrer Interpretierbarkeit finden, um sicherzustellen, dass Endbenutzer nützliche Informationen erhalten.