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 Multimodal / Multimodalität

Multimodal bezieht sich auf die Verwendung mehrerer Modi oder Methoden zur Übertragung von Informationen und hebt die Bedeutung der Integration verschiedener Formen wie Text, Bilder, Audio und Video hervor. Dieser Ansatz verbessert die Zugänglichkeit und das Verständnis von Informationen.

Im Bildungsbereich erfüllen multimodale Lernstrategien die Bedürfnisse verschiedener Lernender und fördern ein tieferes Verständnis und Gedächtnis. Durch die Kombination visueller, auditiver und kinästhetischer Elemente können die Lernenden das Material aus verschiedenen Perspektiven verstehen und die Lernergebnisse verbessern.

Im Technologiebereich wird multimodale Interaktion, die Sprache, Gesten und Berührung umfasst, zu einem Trend im Design der Benutzererfahrung. Dies erhöht nicht nur die Nutzerbeteiligung, sondern verbessert auch die Zugänglichkeit, sodass Technik für Menschen mit unterschiedlichen Fähigkeiten leichter nutzbar wird.

In Zukunft wird der Fortschritt in der künstlichen Intelligenz und im maschinellen Lernen multimodale Systeme weiter verbreiten, die in der Lage sind, Daten aus verschiedenen Modi zu analysieren und zu integrieren, um genauere Dienste und Erfahrungen anzubieten.

Die multimodale Herangehensweise steht jedoch vor Herausforderungen, darunter, wie Informationen aus verschiedenen Modi effektiv integriert, wie Benutzeroberflächen gestaltet werden können, die mehrere Eingaben unterstützen, und wie die Ergebnisse multimodalen Lernens bewertet und gemessen werden können.