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 l'IA Générative

L'IA Générative fait référence à une classe de technologies d'intelligence artificielle capables de créer de nouveaux contenus basés sur des modèles appris à partir de données existantes. Cela inclut des textes, des images, et même de la musique, ce qui en fait un outil puissant dans divers secteurs, y compris les arts créatifs, l'éducation et la santé.

La technologie repose principalement sur des algorithmes avancés tels que les Réseaux Antagonistes Génératifs (GAN) et les Autoencodeurs Variationnels (VAE). Les GAN se composent de deux réseaux neuronaux : un générateur qui crée de nouvelles données et un discriminateur qui évalue leur authenticité. Ce processus antagoniste améliore la qualité du contenu généré au fil du temps.

Dans des scénarios pratiques, l'IA Générative a trouvé des applications dans la création de contenu, la réalité virtuelle, le développement de jeux et l'analyse d'images médicales. Par exemple, les modèles GPT d'OpenAI peuvent générer du texte cohérent, tandis que DALL-E génère des images à partir de descriptions textuelles. Cependant, la technologie soulève également des préoccupations éthiques, telles que des questions de droits d'auteur et la diffusion de fausses informations.

À l'avenir, on s'attend à ce que l'IA Générative s'attaque à des tâches plus complexes, telles que l'éducation personnalisée et le service client intelligent. Ses avantages incluent l'efficacité et la créativité, mais il est également nécessaire de gérer soigneusement les abus potentiels et les biais.