Glossary

0-9

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

A

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

B

BERT Batch Normalization Backpropagation Bias Boosting

C

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

D

Deterministic Model Discriminative Model Deepfake Data Augmentation Deep Learning

E

Epoch Encoder Ensemble Learning Embedding Explainable AI (XAI)

F

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

G

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

H

Hyperparameter Hidden Layer Hallucination Heuristic Hierarchical Model

I

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

J

JAX Joint Embedding JSONL / JSON-lines Juxtaposition Jittering

K

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

L

Large Language Model (LLM)Latent Variable Loss Function Learning Rate 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

Optimizer Online Learning Objective Function Overfitting One-hot Encoding

P

Parameter Prompt Policy / Reinforcement Learning Policy Pooling Pretraining

Q

Query Quality Estimation Quantization Q-learning Queue / Buffer

R

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

S

Self-Supervised Learning Supervised Learning Sampling Sequence Modeling Softmax

T

Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning Training Data

U

Unsupervised Learning Uncertainty Estimation Underfitting Universal Approximation Theorem U-Net

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

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

Y

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

Z

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

Qu'est-ce que la Génération Augmentée par Récupération (RAG) ?

La Génération Augmentée par Récupération (RAG) est un modèle qui combine des techniques de récupération et de génération, largement utilisé dans le domaine du traitement du langage naturel (NLP).

L'idée centrale de RAG est d'améliorer les capacités des modèles générateurs en récupérant des informations pertinentes, ce qui améliore la pertinence et la précision du texte généré. En général, RAG fonctionne en récupérant d'abord des segments de texte pertinents à partir d'une base de connaissances, puis en utilisant ces segments comme contexte pour le modèle générateur.

Cette approche permet au modèle de s'appuyer non seulement sur ses connaissances internes, mais aussi sur des sources d'information externes pour améliorer la qualité de sa sortie. Un scénario typique pour RAG est celui des systèmes de questions-réponses, où le modèle peut récupérer des informations d'une base de données en fonction des questions des utilisateurs et générer des réponses plus informatives.

Le futur de RAG est prometteur. À mesure que les bases de connaissances continuent de s'élargir et de se mettre à jour, les modèles RAG seront mieux en mesure de traiter des questions complexes et de fournir des réponses plus précises. De plus, RAG peut être appliqué à de nombreux autres domaines, tels que la génération de contenu et les systèmes de dialogue.

Cependant, RAG fait face à plusieurs défis. Comment récupérer efficacement des informations pertinentes, comment traiter les données récupérées et comment maintenir la cohérence et la consistance du contenu généré sont des questions qui méritent d'être explorées. Néanmoins, les avantages de RAG sont évidents, car il combine les forces de la récupération et de la génération, améliorant ainsi considérablement les performances des tâches de traitement du langage naturel.