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 Großes Sprachmodell (LLM)?

Große Sprachmodelle (LLM) sind fortschrittliche Technologien im Bereich der Verarbeitung natürlicher Sprache (NLP), die entwickelt wurden, um die menschliche Sprache durch tiefes Lernen zu verstehen und zu generieren. Sie werden mit großen Mengen an Textdaten trainiert, wodurch sie verschiedene Aufgaben wie Textgenerierung, Übersetzung und Fragen beantworten können. Die Architektur dieser Modelle basiert häufig auf der Transformer-Struktur, die die Fähigkeit zur Kontextverständnis erheblich verbessert.

Die Bedeutung von LLM liegt in ihren breiten Anwendungen in Chatbots, virtuellen Assistenten, Inhaltserstellung und Programmierhilfe. Sie können mehrere Sprachen verarbeiten und sich an verschiedene Kontexte anpassen, was sie in den Geschäfts- und Technologiesektoren zunehmend wertvoll macht. Bemerkenswerte Beispiele für LLM sind die GPT-Serie von OpenAI, BERT und T5 von Google.

Obwohl LLM zahlreiche Vorteile bieten, wie effiziente Informationsverarbeitung und -generierung, gibt es auch einige Nachteile, wie Vorurteile in den Trainingsdaten und Bedenken hinsichtlich der Authentizität und Sicherheit der generierten Inhalte. Daher ist es wichtig, sich dieser potenziellen Risiken und Einschränkungen bewusst zu sein, wenn man LLM nutzt.

In Zukunft wird erwartet, dass LLM in Bereichen wie mehrsprachigem Verständnis, personalisierter Inhaltserstellung und Mensch-Computer-Interaktion weiterentwickelt werden. Mit den technologischen Fortschritten und der steigenden Rechenleistung können wir davon ausgehen, dass LLM eine noch wichtigere Rolle in verschiedenen Bereichen spielen werden.