Glossary

0-9

1-shot learning 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 2-stage detector 4D data 0-shot learning 9-layer network 3D convolution

A

AGI / Artificial General Intelligence Autoencoder Attention Algorithm Artificial Intelligence (AI)

B

Backpropagation BERT Boosting Batch Normalization Bias

C

Chatbot Clustering CNN / Convolutional Neural Network Cross-Validation Classifier / Classification

D

Deep Learning Deepfake Discriminative Model Deterministic Model Data Augmentation

E

Embedding Encoder Epoch Ensemble Learning Explainable AI (XAI)

F

Fine-tuning Fusion / Multimodal Fusion Forward Propagation Foundation Model Feature Extraction

G

GAN / Generative Adversarial Network Gradient Descent Grounding Graph Neural Network (GNN)Generative AI

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

Imbalanced Data Interpretability Instruction tuning Instance / Sample Intelligence Amplification / Augmentation

J

JAX Jittering Joint Embedding JSONL / JSON-lines Juxtaposition

K

KL Divergence (Kullback–Leibler Divergence)K-means Clustering K-Shot Learning Kernel Trick Knowledge Distillation

L

Latent Variable Loss Function LSTM / Long Short-Term Memory Large Language Model (LLM)Learning Rate

M

Multimodal / Multimodality Machine Learning (ML)Meta-learning Model Multi-head Attention

N

Normalization Neural Network NLP / Natural Language Processing NLU / Natural Language Understanding Novelty Detection / Anomaly Detection

O

Objective Function Online Learning One-hot Encoding Overfitting Optimizer

P

Policy / Reinforcement Learning Policy Pooling Pretraining Prompt Parameter

Q

Queue / Buffer Quantization Q-learning Query Quality Estimation

R

Retrieval Augmented Generation (RAG)Representation Learning Reinforcement Learning (RL)Regularization RNN / Recurrent Neural Network

S

Supervised Learning Self-Supervised Learning Sequence Modeling Sampling Softmax

T

Training Data Tokenizer Transfer Learning Transformer Tuning / Hyperparameter Tuning

U

Universal Approximation Theorem Unsupervised Learning U-Net Underfitting Uncertainty Estimation

V

Variational Autoencoder (VAE)Vector Embedding Vanishing / Exploding Gradient Validation Set Vision Transformer (ViT)

W

Weak Supervision Weight Decay Whitening / Whitening Transformation Word Embedding Workflow

X

XOR problem X-axis / feature axis 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

Z-score Normalization Zero-gradient phenomenon Zero-shot Learning / Zero-shot inference Zero-centric / Zero-bias initialization Zygosity in augmentation

Trí tuệ nhân tạo (AI) là gì?

Trí tuệ nhân tạo (AI) đề cập đến khả năng của một hệ thống máy tính để bắt chước trí thông minh của con người. Nó có thể thực hiện các nhiệm vụ phức tạp như học hỏi, lý luận, giải quyết vấn đề và hiểu ngôn ngữ tự nhiên. Với sự gia tăng sức mạnh tính toán và khối lượng dữ liệu, các ứng dụng AI đang mở rộng nhanh chóng trong nhiều lĩnh vực, từ chăm sóc sức khỏe đến tài chính, lái xe tự động và nhà thông minh.

Ý nghĩa của AI nằm ở khả năng cải thiện hiệu suất, giảm chi phí lao động và hỗ trợ phân tích dữ liệu và ra quyết định. Tuy nhiên, AI cũng đem lại những mối quan tâm về đạo đức và quyền riêng tư, như an ninh dữ liệu, thiên lệch thuật toán và tác động của nó đến thị trường lao động. Các hệ thống AI thường hoạt động bằng cách sử dụng các kỹ thuật học máy và học sâu, cho phép máy tính học từ các tập dữ liệu lớn và đưa ra dự đoán.

Trong tương lai, AI dự kiến sẽ tiếp tục phát triển, có khả năng đạt được mức độ tự chủ và trí thông minh cao hơn. Khi công nghệ tiến bộ, việc quản lý xã hội và hướng dẫn đạo đức liên quan đến AI cũng sẽ trở nên ngày càng quan trọng. Người dùng cần nhận thức về những rủi ro tiềm ẩn liên quan đến công nghệ AI và đảm bảo sử dụng chúng một cách có trách nhiệm.