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 Multimodal / Multimodalité

Multimodal fait référence à l'utilisation de plusieurs modes ou méthodes pour transmettre des informations, soulignant l'importance d'intégrer différentes formes telles que le texte, les images, l'audio et la vidéo. Cette approche améliore l'accessibilité et la compréhension des informations.

Dans le domaine de l'éducation, les stratégies d'apprentissage multimodal répondent aux besoins de divers apprenants, facilitant une compréhension et une rétention plus profondes. En combinant des éléments visuels, auditifs et kinesthésiques, les apprenants peuvent comprendre le matériel sous différents angles, améliorant ainsi l'efficacité de l'apprentissage.

Dans le domaine de la technologie, l'interaction multimodale, impliquant la voix, les gestes et le toucher, devient une tendance dans la conception de l'expérience utilisateur. Cela non seulement augmente l'engagement des utilisateurs, mais améliore également l'accessibilité, rendant la technologie plus utilisable pour les personnes ayant des capacités diverses.

À l'avenir, les avancées en intelligence artificielle et en apprentissage automatique rendront les systèmes multimodaux plus courants, capables d'analyser et d'intégrer des données provenant de différentes modalités, offrant ainsi des services et des expériences plus précis.

Cependant, l'approche multimodale fait face à des défis, notamment comment intégrer efficacement des informations de différents modes, comment concevoir des interfaces qui prennent en charge plusieurs entrées et comment évaluer et mesurer les résultats de l'apprentissage multimodal.