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

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

B

Batch Normalization Boosting Backpropagation Bias BERT

C

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

D

Deterministic Model Data Augmentation Deep Learning Discriminative Model Deepfake

E

Explainable AI (XAI)Ensemble Learning Encoder Embedding Epoch

F

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

G

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

H

Hierarchical Model Hidden Layer Hyperparameter Hallucination Heuristic

I

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

J

Juxtaposition Joint Embedding Jittering JAX JSONL / JSON-lines

K

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

L

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

M

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

N

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

O

Objective Function Overfitting Online Learning Optimizer One-hot Encoding

P

Parameter Policy / Reinforcement Learning Policy Prompt Pretraining Pooling

Q

Quantization Query Queue / Buffer Quality Estimation Q-learning

R

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

S

Supervised Learning Sampling Sequence Modeling Self-Supervised Learning Softmax

T

Transfer Learning Tokenizer Tuning / Hyperparameter Tuning Transformer Training Data

U

Uncertainty Estimation Unsupervised Learning Underfitting Universal Approximation Theorem U-Net

V

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

W

Whitening / Whitening Transformation Weak Supervision Word Embedding Workflow Weight Decay

X

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

Y

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

Z

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

AGI / 인공지능 일반 지능이란?

AGI, 즉 인공지능 일반 지능은 인간과 유사한 방식으로 지식을 이해하고 학습하며 적용할 수 있는 인공지능의 한 유형을 의미합니다. 현재의 좁은 인공지능과는 달리, AGI는 다양한 작업을 처리하고 새로운 환경에 적응하며 추론 및 의사 결정을 수행할 수 있는 폭넓은 능력을 가지고 있습니다.

AGI 개념은 20세기 중반 인공지능 연구로 거슬러 올라갑니다. 많은 과학자와 연구자들은 AGI를 달성하기 위해서는 인간 지능의 본질을 이해하고 이를 컴퓨터에 복제하는 것이 중요하다고 믿고 있습니다. AGI의 실현은 경제, 교육, 의료 등 여러 분야에 혁신적인 변화를 가져올 수 있습니다.

AGI의 작동 방식은 완전히 이해되지 않았지만, 이론적으로는 심층 학습, 강화 학습 및 기타 복잡한 알고리즘 조합을 통해 인간의 사고 과정을 시뮬레이션하는 데 의존하게 될 것입니다. 전형적인 사례로는 자율주행차, 지능형 비서 및 복잡한 문제 해결 시스템이 있습니다.

하지만 AGI의 발전은 많은 도전과 위험을 동반합니다. 안전성과 윤리 문제는 주요 관심사입니다. AGI는 실업, 개인 정보 침해 및 사회적 불평등을 초래할 수 있습니다. 따라서 AGI 연구를 진행하는 동시에 적절한 윤리적 틀과 정책을 수립하는 것이 중요합니다.

미래 전망으로는 AGI 연구가 컴퓨터 성능과 빅데이터 분석의 발전에 힘입어 계속 증가할 것으로 예상됩니다. 기술이 발전함에 따라 AGI는 점차 인간의 지능 수준에 접근하게 될 것이며, 이는 더 깊은 논의와 연구를 촉발할 것입니다.

AGI의 장점은 생산성 향상, 복잡한 문제 해결, 과학 기술의 발전을 촉진하는 잠재력이 있다는 것입니다. 반면에 단점으로는 통제 상실의 잠재적 위험과 인간 사회에 미치는 심각한 영향을 포함합니다.