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 Fine-tuning

Fine-tuning é um conceito crucial em aprendizado de máquina e inteligência artificial, referindo-se ao processo de treinamento adicional de um modelo pré-treinado para melhorar seu desempenho em tarefas específicas. Essa técnica permite que pesquisadores adaptem um modelo a conjuntos de dados particulares, aumentando sua precisão e eficácia.

O histórico do fine-tuning remonta ao rápido desenvolvimento do deep learning, especialmente com o surgimento de modelos pré-treinados em larga escala, como BERT e GPT, que demonstraram desempenho excepcional em várias tarefas e impulsionaram a adoção generalizada do fine-tuning.

Normalmente, o fine-tuning envolve a seleção de um modelo pré-treinado, o carregamento de seus pesos e, em seguida, o treinamento em um conjunto de dados específico. Essa abordagem permite que os pesquisadores obtenham bons resultados mesmo em conjuntos de dados menores, pois o modelo já aprendeu características úteis.

O fine-tuning é amplamente aplicado em cenários como processamento de linguagem natural e visão computacional. Por exemplo, em tarefas de análise de sentimentos, os pesquisadores podem fine-tunar um modelo de linguagem pré-treinado para entender melhor a terminologia e o contexto de um domínio específico.

No futuro, o fine-tuning pode continuar a evoluir, especialmente no contexto de automação e aprendizado não supervisionado, com pesquisadores explorando maneiras de melhorar sua eficiência e eficácia. Além disso, à medida que o tamanho dos modelos continua a crescer, o fine-tuning enfrentará novos desafios.

As vantagens incluem economia de tempo e recursos, além de melhorar o desempenho do modelo em tarefas específicas. As desvantagens podem incluir o risco de overfitting e a necessidade de um conjunto de dados bem organizado para tarefas específicas.

É importante observar que, ao realizar o fine-tuning, a escolha da taxa de aprendizado e do número de épocas de treinamento é crucial, pois esses fatores afetam diretamente o desempenho final do modelo.