Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

AGI / Artificial General Intelligence Algorithm Autoencoder Artificial Intelligence (AI)Attention

B

BERT Backpropagation Batch Normalization Boosting Bias

C

CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot Classifier / Classification

D

Deepfake Deep Learning Data Augmentation Deterministic Model Discriminative Model

E

Epoch Ensemble Learning Encoder Explainable AI (XAI)Embedding

F

Fine-tuning Forward Propagation Fusion / Multimodal Fusion Foundation Model Feature Extraction

G

GAN / Generative Adversarial Network Grounding Graph Neural Network (GNN)Gradient Descent Generative AI

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

Instruction tuning Instance / Sample Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX JSONL / JSON-lines Jittering Joint Embedding Juxtaposition

K

K-Shot Learning K-means Clustering KL Divergence (Kullback–Leibler Divergence)Kernel Trick Knowledge Distillation

L

LSTM / Long Short-Term Memory Learning Rate Latent Variable Loss Function Large Language Model (LLM)

M

Multi-head Attention Multimodal / Multimodality Meta-learning Model Machine Learning (ML)

N

NLP / Natural Language Processing NLU / Natural Language Understanding Neural Network Novelty Detection / Anomaly Detection Normalization

O

One-hot Encoding Overfitting Optimizer Online Learning Objective Function

P

Pooling Parameter Pretraining Prompt Policy / Reinforcement Learning Policy

Q

Q-learning Queue / Buffer Query Quality Estimation Quantization

R

RNN / Recurrent Neural Network Retrieval Augmented Generation (RAG)Reinforcement Learning (RL)Regularization Representation Learning

S

Softmax Sampling Sequence Modeling Supervised Learning Self-Supervised Learning

T

Tuning / Hyperparameter Tuning Tokenizer Transformer Training Data Transfer Learning

U

U-Net Underfitting Universal Approximation Theorem Unsupervised Learning Uncertainty Estimation

V

Vision Transformer (ViT)Vector Embedding Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)

W

Weight Decay Whitening / Whitening Transformation Workflow Word Embedding Weak Supervision

X

XAI / Explainable AI XLM XLNet XOR problem X-axis / feature axis

Y

Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)Y-axis / feature axis Yield (model yield / throughput)

Z

Z-score Normalization Zero-shot Learning / Zero-shot inference Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zygosity in augmentation

YAGNI（あなたはそれを必要としない）は何ですか？

YAGNIは「あなたはそれを必要としない」という意味で、現在必要でない機能の実装を避けることを目的としたソフトウェア開発の原則です。この原則はエクストリームプログラミング（XP）に由来し、開発プロセスにおけるシンプルさと効率性を促進することを目指しています。YAGNIに従うことで、開発者は現在のニーズに集中でき、将来の必要性に対する不確実性に惑わされることがありません。

YAGNIの主な利点の一つは、チームが時間とリソースを効果的に管理できることです。不必要な機能を避けることで、チームはコードベースの複雑さを減らし、真に重要なことに焦点を合わせることができます。この原則は、顧客との密接な協力を促進し、開発の努力が実際のユーザーのニーズに合致することを確保します。

しかし、YAGNIの限界を認識することも重要です。この原則を厳格に守ることで、ソフトウェアの機能やユーザー体験を向上させる可能性のある機能を見逃すことがあります。したがって、成功するプロジェクトのためには、YAGNIと他の開発原則との間にバランスを見つけることが重要です。

アジャイル開発とDevOpsの普及が進むにつれて、YAGNIの重要性はますます高まるでしょう。チームは迅速な提供と反復的な改善にますます焦点を合わせるようになり、YAGNIの原則は現代のソフトウェア開発において重要なガイドラインとなるでしょう。