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

지능 증강이란 무엇인가

지능 증강(IA)은 기술을 사용하여 인간의 지능을 향상시키는 과정을 의미합니다. 이 개념은 도구와 기술을 활용하여 인간의 사고, 의사결정 및 창의성 능력을 향상시키는 데 중점을 둡니다. 인공지능(AI)과는 달리 IA는 인간의 참여와 지능 향상을 강조합니다.

IA의 역사적 발전은 컴퓨터 과학의 초기 단계로 거슬러 올라가며, 특히 정보 처리 및 의사결정 지원 시스템 분야에서 두드러집니다. 기술의 발전으로 IA는 데이터 분석, 자연어 처리 및 기계 학습과 같은 분야에 점점 더 통합되어, 인간이 복잡한 정보를 더 효율적으로 처리하고 정보에 기반한 결정을 내릴 수 있도록 해줍니다.

IA의 전형적인 응용 사례로는 의료 분야의 질병 진단 보조 도구, 교육에서의 개인화된 학습 시스템, 기업의 데이터 분석 도구가 있습니다. 미래 동향으로는 IA가 가상 현실 및 증강 현실과 결합하여 사용자에게 보다 직관적이고 효과적인 지능 향상 경험을 제공할 가능성이 있습니다.

IA의 장점은 업무 효율성 향상, 창의성 증대 및 복잡한 의사결정 지원입니다. 그러나 데이터 수집 및 처리와 관련된 개인 정보 및 윤리적 문제를 유발할 수 있습니다. IA를 사용할 때 사용자는 데이터 보안 및 잠재적 편향 문제를 신중히 고려해야 합니다.