Glossary

0-9

6DoF pose estimation 4D data 5G + AI 1-shot learning 0-shot learning 3D convolution 8-bit quantization 7D representation 2-stage detector 9-layer network

A

Artificial Intelligence (AI)AGI / Artificial General Intelligence Autoencoder Attention Algorithm

B

Backpropagation BERT Bias Boosting Batch Normalization

C

Classifier / Classification CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Encoder Embedding Epoch Explainable AI (XAI)

F

Fine-tuning Fusion / Multimodal Fusion Feature Extraction Forward Propagation Foundation Model

G

GAN / Generative Adversarial Network Gradient Descent Grounding Generative AI Graph Neural Network (GNN)

H

Hierarchical Model Heuristic Hallucination Hidden Layer Hyperparameter

I

Instance / Sample Instruction tuning Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

Juxtaposition Jittering JAX Joint Embedding JSONL / JSON-lines

K

K-Shot Learning Kernel Trick K-means Clustering Knowledge Distillation KL Divergence (Kullback–Leibler Divergence)

L

Learning Rate Large Language Model (LLM)Loss Function Latent Variable LSTM / Long Short-Term Memory

M

Machine Learning (ML)Meta-learning Model Multi-head Attention Multimodal / Multimodality

N

NLP / Natural Language Processing Novelty Detection / Anomaly Detection NLU / Natural Language Understanding Normalization Neural Network

O

Online Learning Objective Function One-hot Encoding Overfitting Optimizer

P

Pretraining Pooling Parameter Policy / Reinforcement Learning Policy Prompt

Q

Q-learning Queue / Buffer Quantization Quality Estimation Query

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Representation Learning Regularization RNN / Recurrent Neural Network

S

Self-Supervised Learning Supervised Learning Sequence Modeling Sampling Softmax

T

Tuning / Hyperparameter Tuning Tokenizer Training Data Transfer Learning Transformer

U

Unsupervised Learning Universal Approximation Theorem Underfitting Uncertainty Estimation U-Net

V

Vector Embedding Variational Autoencoder (VAE)Validation Set Vision Transformer (ViT)Vanishing / Exploding Gradient

W

Weight Decay Weak Supervision Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem XAI / Explainable AI X-axis / feature axis XLM XLNet

Y

Y-axis / feature axis Yield (model yield / throughput)YAGNI (You Aren't Gonna Need It)Y-transform / YUV Yoga of AI

Z

Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Z-score Normalization Zero-gradient phenomenon Zygosity in augmentation

Qué es la Atención

La atención se refiere al proceso cognitivo de centrarse selectivamente en estímulos específicos mientras se ignoran otros. Desempeña un papel crucial en varios campos, como la psicología, la educación y el marketing. Comprender los mecanismos de atención es esencial para mejorar los resultados de aprendizaje y potenciar la comunicación.

En psicología, la atención se puede categorizar en atención selectiva, atención sostenida y atención dividida. La atención selectiva permite a los individuos concentrarse en cierta información mientras ignoran las distracciones. La atención sostenida implica mantener la concentración durante un período prolongado, mientras que la atención dividida permite realizar múltiples tareas a la vez.

En el campo de la tecnología, especialmente en la inteligencia artificial, se han desarrollado mecanismos de atención para mejorar el rendimiento de los modelos en áreas como el procesamiento del lenguaje natural y la visión por computadora. Estos mecanismos permiten que los modelos se centren en las partes importantes de los datos de entrada, aumentando la precisión y la eficiencia.

El futuro de la investigación sobre la atención es prometedor, con posibles avances en la creación de sistemas inteligentes que puedan ajustar automáticamente la asignación de atención según las demandas ambientales. Además, su aplicación en la salud mental podría ofrecer valiosos conocimientos para gestionar la ansiedad y los trastornos relacionados con la atención.

No obstante, una concentración excesiva puede llevar a la fatiga y problemas psicológicos, lo que destaca la necesidad de un enfoque equilibrado en el diseño y la aplicación.