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 Inteligência Artificial Explicável (XAI)

A Inteligência Artificial Explicável (XAI) refere-se a métodos de inteligência artificial que fornecem explicações compreensíveis para humanos sobre suas decisões e ações. À medida que os sistemas de IA se tornam mais prevalentes em setores críticos, como saúde e finanças, a necessidade de transparência é fundamental. Os usuários devem entender a lógica por trás das decisões da IA para confiar na tecnologia.

A XAI opera por meio de várias técnicas, incluindo análise de importância de características, visualização de modelos e geração de regras de decisão interpretáveis. Esses métodos permitem que os usuários compreendam melhor as saídas dos modelos de IA, aumentando assim a confiança nos sistemas. Por exemplo, ferramentas como LIME (Explicações Locais de Modelos Independentes) e SHAP (Explicações Aditivas de Shapley) podem revelar como características específicas influenciam as previsões.

Olhando para o futuro, à medida que as aplicações de IA se expandem, espera-se que a XAI se torne um padrão da indústria, especialmente em um contexto de crescente rigor regulatório. Suas vantagens incluem a melhoria da confiança dos usuários, a aceitação aprimorada dos modelos e a ajuda aos desenvolvedores na identificação de preconceitos e problemas éticos nos modelos. No entanto, a XAI também apresenta desvantagens, como o custo computacional adicional, a possibilidade de simplificação excessiva das explicações e a dificuldade de aplicação a todos os tipos de sistemas de IA.

Ao implementar a XAI, os desenvolvedores precisam equilibrar a relação entre a explicabilidade e o desempenho do modelo, garantindo que as explicações fornecidas sejam realmente úteis para os usuários finais. No geral, a XAI é um passo crucial para promover a transparência e a responsabilidade na IA, contribuindo para um desenvolvimento de IA mais seguro e justo.