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 le biais

Le terme biais désigne une tendance ou une inclinaison qui entraîne un écart par rapport à une norme d'équité. Il se manifeste dans divers domaines, notamment la psychologie, la sociologie et les sciences des données.

En psychologie, le biais peut influencer les processus de prise de décision, amenant les individus à porter des jugements irrationnels basés sur des émotions plutôt que sur des faits. Par exemple, le biais de confirmation peut amener les gens à privilégier les informations qui soutiennent leurs croyances préexistantes, tout en ignorant les preuves contradictoires. Ce phénomène peut avoir un impact significatif sur les décisions personnelles et professionnelles.

En sociologie, le biais se manifeste souvent sous forme de stéréotypes ou de préjugés à l'égard de groupes spécifiques, affectant les interactions sociales et influençant les politiques publiques. La prise de conscience de ces biais est cruciale pour favoriser des communautés inclusives et promouvoir l'égalité.

Dans le domaine des sciences des données et de l'intelligence artificielle, le biais est devenu un problème critique, car les algorithmes formés sur des données biaisées peuvent perpétuer ou même aggraver les inégalités existantes. La recherche continue d'aborder comment identifier et atténuer le biais dans les systèmes d'IA pour garantir des résultats équitables.

À mesure que la société valorise de plus en plus la diversité et l'équité, la compréhension et la lutte contre le biais resteront un domaine d'étude essentiel. Les tendances futures indiquent un accent sur l'IA éthique et des pratiques de données équitables pour réduire l'impact du biais sur la prise de décision.