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 Workflow

Workflow - AI and technology concept illustration

© 2025 / unsplash.com

Workflow bezieht sich auf eine strukturierte Abfolge von Aufgaben und Aktivitäten, die darauf ausgelegt sind, ein bestimmtes Ziel zu erreichen. Es wird in verschiedenen Bereichen wie Wirtschaft, Softwareentwicklung, Bildung und Gesundheitswesen weit verbreitet eingesetzt. Das Hauptziel eines Workflows ist es, die Effizienz zu steigern, Fehler zu reduzieren und Prozesse zu vereinfachen.

Im Bereich der Informationstechnologie beinhalten Workflows oft Automatisierungstools und Softwaresysteme. Diese Tools ermöglichen es Teams, Projekte und Aufgaben effektiver zu verwalten. Das Design des Workflows kann an spezifische Bedürfnisse und Szenarien angepasst werden, insbesondere in der Softwareentwicklung, wo es Phasen wie Anforderungserhebung, Entwicklung, Test und Bereitstellung umfassen kann.

Mit dem technologischen Fortschritt wird die Zukunft von Workflows wahrscheinlich stärker auf intelligente Automatisierung ausgerichtet sein. Die Integration von Künstlicher Intelligenz und maschinellem Lernen wird die Ressourcenzuteilung und die Aufgabenerfüllung optimieren. Die Gestaltung eines effektiven Workflows ist jedoch nicht einfach und erfordert Überlegungen zur Teamzusammenarbeit, Aufgabenpriorisierung und Zeitmanagement.

Organisationen müssen Transparenz und Kommunikation sicherstellen, wenn sie Workflows nutzen, um Probleme durch Informationssilos zu vermeiden. Obwohl Workflows viele Vorteile bieten, wie z. B. die Steigerung der Produktivität und die Senkung der Kosten, kann eine falsche Implementierung zu Widerständen bei den Mitarbeitern und Herausforderungen im Änderungsmanagement führen.