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 YAGNI (Você Não Vai Precisar Disso)?

YAGNI, que significa 'Você Não Vai Precisar Disso', é um princípio de desenvolvimento de software que desencoraja a implementação de funcionalidades que não são atualmente necessárias. Esse princípio tem raízes na Programação Extrema (Extreme Programming, XP) e visa promover a simplicidade e a eficiência no processo de desenvolvimento. Ao seguir o YAGNI, os desenvolvedores podem concentrar seus esforços em atender às demandas atuais, evitando distrações com necessidades futuras incertas.

Um dos principais benefícios do YAGNI é sua capacidade de ajudar as equipes a gerenciar seu tempo e recursos de forma eficaz. Ao evitar funcionalidades desnecessárias, as equipes podem reduzir a complexidade de seu código e manter um foco mais claro no que realmente importa. Esse princípio também incentiva a colaboração próxima com os clientes para garantir que os esforços de desenvolvimento estejam alinhados com as necessidades reais dos usuários.

No entanto, é importante reconhecer as limitações do YAGNI. A adesão estrita a esse princípio pode, às vezes, resultar na omissão de funcionalidades que poderiam melhorar a funcionalidade ou a experiência do usuário do software. Portanto, encontrar um equilíbrio entre o YAGNI e outros princípios de desenvolvimento é crucial para o sucesso de qualquer projeto.

À medida que o desenvolvimento ágil e o DevOps continuam a ganhar popularidade, a relevância do YAGNI provavelmente aumentará. As equipes estão se concentrando mais na entrega rápida e na melhoria iterativa, tornando o princípio YAGNI uma diretriz essencial no desenvolvimento de software moderno.