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 Qualitätsbewertung

Die Qualitätsbewertung ist der Prozess der Bewertung der Qualität von Produkten oder Dienstleistungen in verschiedenen Branchen. In der Softwareentwicklung umfasst dies oft die Analyse von Code, um die Leistung unter verschiedenen Bedingungen vorherzusagen. Techniken wie statische Codeanalyse und Benutzerfeedback werden verwendet, um die Qualität zu bewerten.

In der Fertigung spielen Echtzeitüberwachung und Datenanalyse eine entscheidende Rolle, um sicherzustellen, dass Produkte den festgelegten Standards entsprechen. Die Bedeutung der Qualitätsbewertung liegt in ihrer Fähigkeit, Unternehmen zu helfen, Mängel und Nacharbeiten zu reduzieren, was letztendlich die Kosten senkt und die Wettbewerbsfähigkeit erhöht.

Mit der Entwicklung von Datenanalytik und maschinellem Lernen sieht die Zukunft der Qualitätsbewertung vielversprechend aus, mit Potenzial für höhere Genauigkeit und Effizienz. Eine übermäßige Abhängigkeit von Algorithmen kann jedoch den Wert menschlichen Urteilsvermögens übersehen, und die Umsetzung dieser Maßnahmen kann zusätzliche Ressourcen erfordern. Unternehmen müssen Kosten und Nutzen in Einklang bringen, um die Qualitätsbewertung effektiv zu integrieren.