TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI7D representation0-shot learning3D convolution4D data2-stage detector6DoF pose estimation8-bit quantization9-layer network
A
AGI / Artificial General IntelligenceAlgorithmAttentionAutoencoderArtificial Intelligence (AI)
B
BackpropagationBERTBiasBoostingBatch Normalization
C
ChatbotClassifier / ClassificationClusteringCNN / Convolutional Neural NetworkCross-Validation
D
Data AugmentationDeep LearningDeepfakeDeterministic ModelDiscriminative Model
E
Ensemble LearningEmbeddingEncoderEpochExplainable AI (XAI)
F
Feature ExtractionFine-tuningFusion / Multimodal FusionFoundation ModelForward Propagation
G
Gradient DescentGAN / Generative Adversarial NetworkGroundingGenerative AIGraph Neural Network (GNN)
H
Hidden LayerHallucinationHeuristicHyperparameterHierarchical Model
I
Intelligence Amplification / AugmentationImbalanced DataInstance / SampleInstruction tuningInterpretability
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
Knowledge DistillationKL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel Trick
L
Loss FunctionLSTM / Long Short-Term MemoryLearning RateLarge Language Model (LLM)Latent Variable
M
Machine Learning (ML)Meta-learningModelMulti-head AttentionMultimodal / Multimodality
N
Novelty Detection / Anomaly DetectionNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNormalizationNeural Network
O
Online LearningObjective FunctionOne-hot EncodingOptimizerOverfitting
P
ParameterPolicy / Reinforcement Learning PolicyPoolingPretrainingPrompt
Q
Quality EstimationQueue / BufferQ-learningQuantizationQuery
R
Representation LearningReinforcement Learning (RL)Retrieval Augmented Generation (RAG)RegularizationRNN / Recurrent Neural Network
S
SamplingSelf-Supervised LearningSupervised LearningSequence ModelingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Unsupervised LearningUncertainty EstimationUniversal Approximation TheoremU-NetUnderfitting
V
Vector EmbeddingVanishing / Exploding GradientValidation SetVariational Autoencoder (VAE)Vision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
X-axis / feature axisXOR problemXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Zero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZ-score NormalizationZero-gradient phenomenonZygosity in augmentation

O que é Aprendizado Zero-shot / Inferência Zero-shot

O Aprendizado Zero-shot (Zero-shot Learning, ZSL) é uma abordagem de aprendizado de máquina que permite que modelos façam inferências sobre classes não vistas sem terem sido treinados nelas. Essa abordagem é particularmente útil em cenários onde o modelo precisa lidar com novas categorias, como no reconhecimento de imagens. A essência do ZSL está em utilizar as características ou atributos das classes conhecidas para inferir aqueles de classes desconhecidas. Por exemplo, um modelo pode classificar uma nova categoria de objeto entendendo suas propriedades, como reconhecer um 'pássaro' ao saber que é um 'animal com asas'.


Nas aplicações práticas, o Aprendizado Zero-shot é amplamente utilizado em processamento de linguagem natural, visão computacional e sistemas de recomendação. Ao usar descrições de atributos ou embeddings semânticos, os modelos podem entender e inferir a natureza de novas categorias. Por exemplo, na classificação de imagens, um modelo pode identificar um 'pássaro' ao compreender o conceito de 'animais com asas', mesmo que nunca tenha encontrado uma imagem de pássaro antes.


A inferência zero-shot refere-se à aplicação das capacidades de aprendizado zero-shot durante o processo de inferência. Essa habilidade é crucial em muitos cenários de aplicação, especialmente em áreas com escassez de dados ou em campos emergentes, como direção autônoma, robótica e recomendações personalizadas.


As vantagens dessa tecnologia incluem a melhoria da capacidade de generalização e flexibilidade dos modelos, reduzindo a dependência de grandes quantidades de dados rotulados. No entanto, desafios permanecem, como definir com precisão as relações entre categorias e lidar com atributos ruidosos.


Olhando para o futuro, à medida que a inteligência artificial e as tecnologias de aprendizado profundo evoluem, espera-se que o Aprendizado Zero-shot e a Inferência Zero-shot encontrem aplicações mais amplas em várias áreas, impulsionando a capacidade de aprendizado autônomo de sistemas inteligentes.