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 Workflow

Workflow - AI and technology concept illustration

© 2025 / unsplash.com

Workflow fait référence à une séquence structurée de tâches et d'activités conçues pour atteindre un objectif spécifique. Il est largement utilisé dans divers domaines tels que les affaires, le développement de logiciels, l'éducation et la santé. L'objectif principal d'un workflow est d'améliorer l'efficacité, de réduire les erreurs et de simplifier les processus.

Dans le domaine des technologies de l'information, les workflows impliquent souvent des outils d'automatisation et des systèmes logiciels. Ces outils permettent aux équipes de gérer des projets et des tâches de manière plus efficace. La conception du workflow peut être adaptée pour répondre à des besoins et des scénarios spécifiques, en particulier dans le développement de logiciels, où il peut inclure des étapes telles que la collecte des exigences, le développement, les tests et le déploiement.

Avec l'avancement de la technologie, l'avenir des workflows sera probablement davantage axé sur l'automatisation intelligente. L'intégration de l'intelligence artificielle et de l'apprentissage automatique optimisera l'allocation des ressources et l'exécution des tâches. Cependant, concevoir un workflow efficace n'est pas simple ; il est nécessaire de prendre en compte la collaboration de l'équipe, la priorisation des tâches et la gestion du temps.

Les organisations doivent garantir la transparence et la communication lors de l'utilisation de workflows pour éviter les problèmes causés par des silos d'information. Bien que les workflows offrent de nombreux avantages, tels que l'augmentation de la productivité et la réduction des coûts, une mise en œuvre inadéquate peut entraîner une résistance des employés et des défis dans la gestion du changement.