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 Interpretabilidad

La interpretabilidad se refiere al grado en el que un humano puede entender la causa de una decisión tomada por un modelo o algoritmo. En los campos de la inteligencia artificial y el aprendizaje automático, ha cobrado cada vez más importancia a medida que crece la complejidad de los modelos.

A medida que los modelos se vuelven más intrincados, el proceso de toma de decisiones puede parecer una 'caja negra', lo que dificulta a los usuarios comprender cómo se alcanzan las conclusiones. Esta complejidad ha suscitado interés en la investigación relacionada con la interpretabilidad, especialmente en dominios de alto riesgo como la salud y las finanzas, donde la transparencia de las decisiones del modelo impacta directamente en las responsabilidades éticas y legales.

Las técnicas para lograr la interpretabilidad incluyen análisis de importancia de características, herramientas de visualización y explicaciones localmente interpretables (como LIME y SHAP). Estas herramientas ayudan a los usuarios a entender las bases de las decisiones del modelo.

Con el creciente énfasis en las regulaciones y estándares, particularmente las regulaciones de IA de la UE, la interpretabilidad se convertirá en un aspecto crítico del diseño y desarrollo de modelos.

Mientras que las ventajas de la interpretabilidad incluyen una mayor confianza y transparencia, la búsqueda excesiva de interpretabilidad puede limitar la complejidad y el rendimiento de los modelos. Los desarrolladores deben equilibrar la precisión de los modelos con su interpretabilidad para garantizar que los usuarios finales reciban información útil.