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'Interprétabilité

L'interprétabilité désigne le degré auquel un humain peut comprendre la cause d'une décision prise par un modèle ou un algorithme. Dans les domaines de l'intelligence artificielle et de l'apprentissage automatique, elle a pris de plus en plus d'importance à mesure que la complexité des modèles augmente.

À mesure que les modèles deviennent plus complexes, le processus de décision peut ressembler à une 'boîte noire', rendant difficile pour les utilisateurs de comprendre comment les conclusions sont atteintes. Cette complexité a suscité un intérêt pour la recherche sur l'interprétabilité, en particulier dans des domaines à haut risque tels que la santé et la finance, où la transparence des décisions d'un modèle a un impact direct sur les responsabilités éthiques et légales.

Les techniques permettant d'atteindre l'interprétabilité comprennent l'analyse de l'importance des caractéristiques, les outils de visualisation et les modèles interprétables localement (comme LIME et SHAP). Ces outils aident les utilisateurs à comprendre la base des décisions du modèle.

Avec l'accent croissant mis sur la réglementation et les normes, en particulier les règlements de l'UE sur l'IA, l'interprétabilité deviendra un aspect critique de la conception et du développement de modèles.

Bien que les avantages de l'interprétabilité incluent une augmentation de la confiance et de la transparence, une recherche excessive de l'interprétabilité peut limiter la complexité et la performance des modèles. Les développeurs doivent trouver un équilibre entre la précision des modèles et leur interprétabilité pour garantir que les utilisateurs finaux reçoivent des informations utiles.