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 Langage de Grande Taille (LLM) ?

Les Modèles de Langage de Grande Taille (LLM) sont des technologies avancées dans le domaine du Traitement Automatique des Langues (NLP), conçues pour comprendre et générer le langage humain grâce à l'apprentissage profond. Ils sont formés sur de grandes quantités de données textuelles, leur permettant d'effectuer diverses tâches telles que la génération de texte, la traduction et la réponse à des questions. L'architecture de ces modèles est souvent basée sur la structure des transformateurs, qui améliore considérablement leur capacité de compréhension contextuelle.

L'importance des LLM réside dans leurs larges applications dans les chatbots, les assistants virtuels, la génération de contenu et l'assistance à la programmation. Ils peuvent traiter plusieurs langues et s'adapter à différents contextes, ce qui les rend de plus en plus valorisés dans les secteurs des affaires et de la technologie. Des exemples notables de LLM incluent la série GPT d'OpenAI, BERT et T5 de Google.

Bien que les LLM offrent de nombreux avantages, tels que le traitement efficace des informations et la capacité de génération, ils présentent également des inconvénients, tels que les biais dans les données d'entraînement et les préoccupations concernant l'authenticité et la sécurité du contenu généré. Par conséquent, lors de l'utilisation de LLM, il est crucial d'être conscient de ces risques et limitations potentiels.

À l'avenir, les LLM devraient progresser dans des domaines tels que la compréhension multilingue, la génération de contenu personnalisée et l'interaction homme-machine. Avec les avancées technologiques et l'augmentation de la puissance de calcul, nous pouvons prévoir que les LLM joueront un rôle encore plus important dans divers domaines.