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 Prompt

Der Begriff Prompt spielt in mehreren Bereichen, insbesondere in der Informatik, der künstlichen Intelligenz und der Mensch-Computer-Interaktion, eine entscheidende Rolle. Im Wesentlichen dient ein Prompt als Anleitung oder Signal, das Benutzer oder Systeme anweist, eine bestimmte Aufgabe auszuführen.

Im Bereich der generativen künstlichen Intelligenz, insbesondere im Bereich der Verarbeitung natürlicher Sprache (NLP), bezieht sich ein Prompt auf den Texteingang, der einem Modell gegeben wird, um es zu leiten, entsprechende Ausgaben zu generieren. Das Design eines Prompts hat direkte Auswirkungen auf die Qualität des generierten Inhalts.

Beispielsweise kann ein Benutzerprompt in einem Chatbot eine Frage sein, auf die das System antwortet. Mit dem Fortschritt der Technologie wird das Design von Prompts zunehmend komplexer und umfasst Aspekte wie Kontextverständnis und emotionale Erkennung.

In der praktischen Anwendung werden Prompts häufig in der Inhaltserstellung, in Dialogsystemen und in Programmierassistenten verwendet. In Zukunft wird die Optimierung und automatisierte Erstellung von Prompts wahrscheinlich ein Forschungsschwerpunkt werden, während die künstliche Intelligenz weiter fortschreitet.

Die Erstellung effektiver Prompts stellt jedoch auch Herausforderungen dar, darunter die Gewährleistung von Genauigkeit, die Vermeidung von Mehrdeutigkeiten und die Erfüllung vielfältiger Benutzerbedürfnisse. Daher sollten Benutzer beim Entwerfen von Prompts ihre Zielgruppe berücksichtigen, ihre Absichten klar ausdrücken und, wenn möglich, iterieren und testen.