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

인공지능(AI)란 무엇인가

인공지능(AI)은 컴퓨터 시스템이 인간의 지능을 모방하는 능력을 의미합니다. AI는 학습, 추론, 문제 해결 및 자연어 이해와 같은 복잡한 작업을 수행할 수 있습니다. 계산 능력이 향상되고 데이터 양이 증가함에 따라 AI 응용 프로그램은 의료, 금융, 자율주행 및 스마트 홈에 이르기까지 다양한 분야에서 빠르게 확장되고 있습니다.

AI의 중요성은 효율성을 높이고 인건비를 절감하며 데이터 분석 및 의사 결정에 도움을 줄 수 있다는 점에 있습니다. 그러나 AI는 데이터 보안, 알고리즘 편향 및 고용 시장에 미치는 영향과 같은 윤리적 및 개인 정보 보호 문제를 동반합니다. AI 시스템은 일반적으로 머신러닝 및 딥러닝 기술을 사용하여 작동하며, 이러한 기술은 컴퓨터가 대량의 데이터에서 학습하고 예측할 수 있게 합니다.

미래에는 AI가 계속 발전하고 더 높은 수준의 자율성과 지능을 달성할 것으로 예상됩니다. 기술 발전에 따라 AI에 대한 사회적 규제와 윤리적 지침도 더욱 중요해질 것입니다. 사용자는 AI 기술의 잠재적 위험을 인지하고 책임 있게 사용해야 합니다.