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 Prompt

Le terme prompt est essentiel dans plusieurs domaines, notamment l'informatique, l'intelligence artificielle et l'interaction homme-machine. Essentiellement, un prompt sert d'instruction ou de signal qui guide les utilisateurs ou les systèmes à effectuer une tâche spécifique.

Dans le domaine de l'intelligence artificielle générative, en particulier dans le traitement du langage naturel (NLP), un prompt fait référence au texte d'entrée donné à un modèle pour l'orienter vers la génération de sorties correspondantes. La conception d'un prompt influence directement la qualité du contenu généré.

Par exemple, dans les chatbots, un prompt de l'utilisateur peut être une question à laquelle le système répond. À mesure que la technologie progresse, la conception des prompts devient de plus en plus complexe, englobant la compréhension du contexte et la reconnaissance émotionnelle.

Dans les applications pratiques, les prompts sont largement utilisés dans la génération de contenu, les systèmes de dialogue et les assistants de programmation. À l'avenir, à mesure que l'intelligence artificielle progresse, l'optimisation et la génération automatisée de prompts deviendront probablement un point focal de la recherche.

Cependant, créer des prompts efficaces présente également des défis, notamment la garantie de précision, l'évitement de l'ambiguïté et la satisfaction des divers besoins des utilisateurs. Par conséquent, lors de la conception de prompts, les utilisateurs doivent prendre en compte leur public cible, exprimer clairement leurs intentions et, si possible, itérer et tester.