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

YAGNI(당신은 그것이 필요하지 않을 것입니다)는 무엇인가요?

YAGNI는 '당신은 그것이 필요하지 않을 것입니다'의 약어로, 현재 필요하지 않은 기능을 구현하지 말라는 소프트웨어 개발 원칙입니다. 이 원칙은 익스트림 프로그래밍(Extreme Programming, XP)에서 유래되었으며, 개발 과정에서의 단순성과 효율성을 촉진하기 위해 만들어졌습니다. YAGNI를 준수함으로써 개발자는 현재의 요구에 집중하고 미래의 필요에 대한 불확실성에 휘말리지 않도록 할 수 있습니다.

YAGNI의 주요 이점 중 하나는 팀이 시간과 자원을 효과적으로 관리하는 데 도움을 준다는 것입니다. 불필요한 기능을 피함으로써 팀은 코드베이스의 복잡성을 줄이고 진정으로 중요한 것에 대한 명확한 초점을 유지할 수 있습니다. 이 원칙은 또한 고객과의 긴밀한 협조를 장려하여 개발 노력이 실제 사용자 요구에 부합하도록 합니다.

그러나 YAGNI의 한계를 인식하는 것도 중요합니다. 이 원칙을 엄격하게 준수하면 소프트웨어 기능이나 사용자 경험을 향상시킬 수 있는 기능을 간과할 수 있습니다. 따라서 성공적인 프로젝트를 위해 YAGNI와 다른 개발 원칙 간의 균형을 찾는 것이 중요합니다.

애자일 개발과 DevOps가 계속해서 확산됨에 따라 YAGNI의 중요성은 점점 더 커질 것입니다. 팀은 신속한 전달과 반복 개선에 더욱 집중하게 되어 YAGNI 원칙이 현대 소프트웨어 개발에서 중요한 지침으로 자리 잡게 될 것입니다.