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 YAGNI (No Lo Vas a Necesitar)?

YAGNI, que significa 'No Lo Vas a Necesitar', es un principio de desarrollo de software que desalienta la implementación de funciones que no son necesarias en el momento actual. Este principio tiene sus raíces en la Programación Extrema (Extreme Programming, XP) y busca promover la simplicidad y la eficiencia en el proceso de desarrollo. Al seguir YAGNI, los desarrolladores pueden concentrarse en satisfacer las necesidades actuales sin distraerse con necesidades futuras inciertas.

Uno de los principales beneficios de YAGNI es su capacidad para ayudar a los equipos a gestionar su tiempo y recursos de manera efectiva. Al evitar funciones innecesarias, los equipos pueden reducir la complejidad de su código y mantener un enfoque más claro en lo que realmente importa. Este principio también fomenta la colaboración cercana con los clientes para garantizar que los esfuerzos de desarrollo estén alineados con las necesidades reales de los usuarios.

Sin embargo, es importante reconocer las limitaciones de YAGNI. La adherencia estricta a este principio puede, a veces, resultar en la omisión de funciones que podrían mejorar la funcionalidad o la experiencia del usuario del software. Por lo tanto, encontrar un equilibrio entre YAGNI y otros principios de desarrollo es crucial para el éxito de cualquier proyecto.

A medida que el desarrollo ágil y DevOps continúan ganando popularidad, la relevancia de YAGNI probablemente aumentará. Los equipos se están enfocando más en la entrega rápida y la mejora iterativa, lo que convierte al principio YAGNI en una guía esencial en el desarrollo moderno de software.