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 un Modelo de Fundación

El término 'Modelo de Fundación' se refiere a un modelo a gran escala que se preentrena en un conjunto de datos diverso y se puede ajustar para tareas específicas. Esta arquitectura permite que el modelo capture patrones y estructuras complejas, lo que lo hace efectivo en varias aplicaciones posteriores.

Los Modelos de Fundación son importantes ya que reducen significativamente la necesidad de grandes cantidades de datos etiquetados. Al aprender a partir de grandes conjuntos de datos no etiquetados, estos modelos pueden generalizar conocimientos que pueden aplicarse a diferentes tareas. Esto acelera el desarrollo y la implementación de sistemas de IA.

Normalmente, los Modelos de Fundación utilizan técnicas de aprendizaje profundo, particularmente la arquitectura de transformadores. Su proceso de entrenamiento implica aprendizaje auto-supervisado, donde el modelo aprende la estructura y la semántica de los datos al predecir partes del texto. Ejemplos notables incluyen la serie GPT de OpenAI, BERT de Google y RoBERTa de Facebook, que demuestran las capacidades de estos modelos.

Las tendencias futuras para los Modelos de Fundación indican una evolución hacia sistemas más eficientes e interpretables. Sin embargo, también pueden enfrentarse a un escrutinio más riguroso en relación con la ética y la seguridad para garantizar que sus aplicaciones no causen daños sociales potenciales. Los desarrolladores también deben estar atentos a la interpretabilidad y la equidad de estos modelos para evitar perpetuar sesgos.