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 Yield (Modell-Output / Durchsatz)?

Yield bezieht sich auf das Verhältnis von guten Produkten, die in einem Fertigungsprozess hergestellt werden, zu der Gesamtzahl der produzierten Produkte. In Branchen wie der Halbleiterindustrie ist der Yield ein kritischer Indikator für die Produktionseffizienz.

Wenn beispielsweise eine Fabrik 100 Chips produziert und 90 davon qualifiziert sind, beträgt der Yield 90%. Der Yield kann durch Prozessoptimierung, Verbesserung der Geräteleistung und strenge Qualitätskontrolle erhöht werden. Niedriger Yield kann hingegen zu höheren Kosten und Ressourcenverschwendung führen.

Mit dem Fortschritt der Technologie, insbesondere der Automatisierung und künstlichen Intelligenz, können die Methoden zur Steigerung des Yields vielfältiger und effizienter werden. Echtzeitanalysen und maschinelles Lernen können helfen, potenzielle Probleme im Produktionsprozess zu identifizieren und die Erzeugung von nicht konformen Produkten zu reduzieren.

Es gibt jedoch auch Nachteile und Überlegungen. Ein übermäßiger Fokus auf den Yield kann zu einem Rückgang der Qualität führen, daher ist es wichtig, Effizienz und Qualität in den Initiativen zur Yield-Verbesserung in Einklang zu bringen. Darüber hinaus müssen auch die Umweltauswirkungen und die Nachhaltigkeit der Produktionsprozesse berücksichtigt werden.