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 Geração Aumentada por Recuperação (RAG)

A Geração Aumentada por Recuperação (RAG) é um modelo que combina técnicas de recuperação e geração, amplamente aplicado na área de processamento de linguagem natural (NLP).

A ideia central do RAG é aprimorar as capacidades dos modelos geradores por meio da recuperação de informações relevantes, melhorando assim a relevância e a precisão do texto gerado. Normalmente, o RAG opera primeiro recuperando segmentos de texto relevantes de uma base de conhecimento e, em seguida, usando esses segmentos como contexto para o modelo gerador.

Essa abordagem permite que o modelo aproveite não apenas seu conhecimento interno, mas também fontes de informação externas para melhorar a qualidade de sua saída. Um cenário típico para o RAG é em sistemas de perguntas e respostas, onde o modelo pode recuperar informações de um banco de dados com base nas perguntas dos usuários e gerar respostas mais informativas.

O futuro do RAG é promissor. À medida que as bases de conhecimento continuam a se expandir e a serem atualizadas, os modelos RAG poderão lidar melhor com perguntas complexas e fornecer respostas mais precisas. Além disso, o RAG pode ser aplicado a muitos outros campos, como geração de conteúdo e sistemas de diálogo.

No entanto, o RAG enfrenta alguns desafios. Questões como como recuperar informações relevantes de forma eficiente, como processar as informações recuperadas e como manter a coerência e a consistência no conteúdo gerado são pontos que merecem pesquisa. Apesar disso, as vantagens do RAG são evidentes, pois ele combina as forças da recuperação e da geração, melhorando significativamente o desempenho das tarefas de processamento de linguagem natural.