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 YAGNI (Vous N'En Aurez Pas Besoin) ?

YAGNI, qui signifie 'Vous N'En Aurez Pas Besoin', est un principe de développement logiciel qui décourage la mise en œuvre de fonctionnalités qui ne sont pas actuellement nécessaires. Ce principe trouve ses racines dans la Programmation Extrême (Extreme Programming, XP) et vise à promouvoir la simplicité et l'efficacité dans le processus de développement. En suivant YAGNI, les développeurs peuvent se concentrer sur la satisfaction des besoins actuels sans être distraits par des besoins futurs incertains.

Un des principaux avantages du YAGNI est sa capacité à aider les équipes à gérer efficacement leur temps et leurs ressources. En évitant les fonctionnalités inutiles, les équipes peuvent réduire la complexité de leur code et maintenir un focus plus clair sur ce qui est réellement important. Ce principe encourage également une collaboration étroite avec les clients pour garantir que les efforts de développement sont alignés avec les besoins réels des utilisateurs.

Cependant, il est important de reconnaître les limites du YAGNI. Une adhésion stricte à ce principe peut parfois conduire à négliger des fonctionnalités qui pourraient améliorer la fonctionnalité ou l'expérience utilisateur du logiciel. Par conséquent, trouver un équilibre entre YAGNI et d'autres principes de développement est crucial pour le succès de tout projet.

À mesure que le développement agile et DevOps continuent de gagner en popularité, la pertinence du YAGNI devrait également augmenter. Les équipes se concentrent de plus en plus sur la livraison rapide et les améliorations itératives, ce qui fait du principe YAGNI une directive essentielle dans le développement logiciel moderne.