Glossary

0-9

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

A

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

B

Backpropagation BERT Bias Boosting Batch Normalization

C

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

D

Data Augmentation Deep Learning Deepfake Deterministic Model Discriminative Model

E

Ensemble Learning Embedding Encoder Epoch Explainable AI (XAI)

F

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

G

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

H

Hidden Layer Hallucination Heuristic Hyperparameter Hierarchical Model

I

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

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

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

L

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

M

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

N

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

O

Online Learning Objective Function One-hot Encoding Optimizer Overfitting

P

Parameter Policy / Reinforcement Learning Policy Pooling Pretraining Prompt

Q

Quality Estimation Queue / Buffer Q-learning Quantization Query

R

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

S

Sampling Self-Supervised Learning Supervised Learning Sequence Modeling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Unsupervised Learning Uncertainty Estimation Universal Approximation Theorem U-Net Underfitting

V

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

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

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

Y

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

Z

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

O que é Bias

O termo bias refere-se a uma tendência ou inclinação que resulta em um desvio de um padrão de justiça. Ele se manifesta em várias áreas, incluindo psicologia, sociologia e ciência de dados.

Na psicologia, o bias pode influenciar os processos de tomada de decisão, levando os indivíduos a fazer julgamentos irracionais com base em emoções em vez de fatos. Por exemplo, viés de confirmação pode fazer com que as pessoas favoreçam informações que apoiam suas crenças pré-existentes, ignorando evidências contraditórias. Esse fenômeno pode afetar significativamente decisões pessoais e profissionais.

Na sociologia, o bias frequentemente se manifesta como estereótipos ou preconceitos sobre grupos específicos, afetando interações sociais e influenciando políticas públicas. A conscientização sobre esses vieses é crucial para promover comunidades inclusivas e promover a igualdade.

Na ciência de dados e inteligência artificial, o bias emergiu como um problema crítico, uma vez que algoritmos treinados em dados enviesados podem perpetuar ou até mesmo exacerbar desigualdades existentes. A pesquisa continua a abordar como identificar e mitigar o bias em sistemas de IA para garantir resultados justos.

À medida que a sociedade valoriza cada vez mais a diversidade e a justiça, a compreensão e o enfrentamento do bias continuarão a ser uma área vital de estudo. Tendências futuras indicam um foco em IA ética e práticas de dados equitativas para reduzir o impacto do bias na tomada de decisões.