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'Amplification de l'Intelligence

L'Amplification de l'Intelligence (IA) fait référence à l'utilisation de la technologie pour améliorer l'intelligence humaine. Ce concept se concentre sur l'utilisation d'outils et de techniques pour augmenter les capacités humaines en matière de pensée, de prise de décision et de créativité. Contrairement à l'intelligence artificielle (IA), qui opère souvent de manière indépendante, l'IA met l'accent sur la participation humaine et l'amélioration de l'intelligence.

Le développement historique de l'IA remonte aux débuts de l'informatique, notamment dans des domaines tels que le traitement de l'information et les systèmes d'aide à la décision. Avec les avancées technologiques, l'IA a progressivement été intégrée dans des domaines tels que l'analyse de données, le traitement du langage naturel et l'apprentissage automatique, permettant aux humains de traiter des informations complexes et de prendre des décisions éclairées de manière plus efficace.

Les applications typiques de l'IA incluent les assistants de diagnostic des maladies dans le domaine de la santé, les systèmes d'apprentissage personnalisés dans l'éducation et les outils d'analyse de données dans les entreprises. En termes de tendances futures, l'IA est susceptible de se combiner avec la réalité virtuelle et augmentée, offrant aux utilisateurs des expériences d'amplification de l'intelligence plus intuitives et efficaces.

Les avantages de l'IA incluent une efficacité accrue au travail, une créativité améliorée et un soutien pour des décisions complexes. Cependant, elle soulève également des défis en matière de confidentialité et d'éthique, notamment en ce qui concerne la collecte et le traitement des données. Les utilisateurs doivent prendre en compte la sécurité des données et les biais potentiels lors de l'utilisation de l'IA.