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 qu'un modèle de fondation

Le terme 'modèle de fondation' fait référence à un modèle à grande échelle qui est pré-entraîné sur un ensemble de données diversifié et qui peut être affiné pour des tâches spécifiques. Cette architecture permet au modèle de capturer des motifs et des structures complexes, ce qui le rend efficace dans diverses applications en aval.

Les modèles de fondation sont importants car ils réduisent de manière significative le besoin de grandes quantités de données étiquetées. En apprenant à partir de grands ensembles de données non étiquetées, ces modèles peuvent généraliser des connaissances applicables à différentes tâches. Cela accélère le développement et le déploiement de systèmes d'IA.

En général, les modèles de fondation utilisent des techniques d'apprentissage profond, en particulier l'architecture des transformateurs. Leur processus de formation implique un apprentissage auto-supervisé, où le modèle apprend la structure et la sémantique des données en prédisant des parties du texte. Des exemples notables incluent la série GPT d'OpenAI, BERT de Google et RoBERTa de Facebook, qui démontrent les capacités de ces modèles.

Les tendances futures pour les modèles de fondation indiquent une évolution vers des systèmes plus efficaces et interprétables. Cependant, ils pourraient également faire l'objet d'un examen plus strict en matière d'éthique et de sécurité afin de garantir que leurs applications ne causent pas de dommages sociaux potentiels. Les développeurs doivent également être attentifs à l'interprétabilité et à l'équité de ces modèles pour éviter de perpétuer les biais.