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 Amplificação de Inteligência

A Amplificação de Inteligência (IA) refere-se ao uso de tecnologia para aumentar a inteligência humana. Este conceito se concentra em aproveitar ferramentas e técnicas para melhorar as capacidades humanas em pensamento, tomada de decisão e criatividade. Ao contrário da inteligência artificial (IA), que muitas vezes opera de forma independente, a IA enfatiza a participação humana e o aprimoramento da inteligência.

O desenvolvimento histórico da IA remonta aos primeiros dias da ciência da computação, especialmente em campos como processamento de informações e sistemas de suporte à decisão. Com os avanços tecnológicos, a IA foi gradualmente integrada em áreas como análise de dados, processamento de linguagem natural e aprendizado de máquina, permitindo que os humanos processem informações complexas e tomem decisões informadas de maneira mais eficiente.

Aplicações típicas da IA incluem assistentes de diagnóstico de doenças na saúde, sistemas de aprendizado personalizado na educação e ferramentas de análise de dados em empresas. Em termos de tendências futuras, a IA provavelmente se combinará com realidade virtual e aumentada, proporcionando aos usuários experiências de aprimoramento da inteligência mais intuitivas e eficazes.

As vantagens da IA incluem maior eficiência no trabalho, criatividade aprimorada e suporte para tomada de decisões complexas. No entanto, também levanta desafios de privacidade e ética, especialmente em relação à coleta e processamento de dados. Os usuários devem considerar a segurança dos dados e os possíveis preconceitos ao usar a IA.