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 YAGNI (You Aren't Gonna Need It)?

YAGNI, was für 'You Aren't Gonna Need It' steht, ist ein Prinzip der Softwareentwicklung, das davon abrät, Funktionen zu implementieren, die derzeit nicht erforderlich sind. Dieses Prinzip hat seine Wurzeln im Extreme Programming (XP) und zielt darauf ab, Einfachheit und Effizienz im Entwicklungsprozess zu fördern. Durch die Einhaltung von YAGNI können Entwickler ihre Bemühungen auf die Erfüllung aktueller Anforderungen konzentrieren, ohne sich von unsicheren zukünftigen Bedürfnissen ablenken zu lassen.

Ein wesentlicher Vorteil von YAGNI besteht darin, dass es Teams hilft, ihre Zeit und Ressourcen effektiv zu verwalten. Durch das Vermeiden unnötiger Funktionen können Teams die Komplexität ihres Codes reduzieren und einen klareren Fokus auf das legen, was wirklich wichtig ist. Dieses Prinzip fördert auch die enge Zusammenarbeit mit Kunden, um sicherzustellen, dass die Entwicklungsanstrengungen mit den tatsächlichen Benutzerbedürfnissen übereinstimmen.

Es ist jedoch wichtig, die Grenzen von YAGNI zu erkennen. Eine strikte Einhaltung dieses Prinzips kann manchmal dazu führen, dass Funktionen übersehen werden, die die Funktionalität oder Benutzererfahrung der Software verbessern könnten. Daher ist es entscheidend, ein Gleichgewicht zwischen YAGNI und anderen Entwicklungsprinzipien zu finden, um den Erfolg eines Projekts sicherzustellen.

Mit der zunehmenden Verbreitung von Agile Development und DevOps wird die Relevanz von YAGNI wahrscheinlich zunehmen. Teams konzentrieren sich zunehmend auf schnelle Bereitstellung und iterative Verbesserungen, wodurch das YAGNI-Prinzip zu einer wichtigen Richtlinie in der modernen Softwareentwicklung wird.