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

Deepfake là gì

Deepfake là một công nghệ sử dụng trí tuệ nhân tạo để tạo ra video hoặc âm thanh giả. Nó thường sử dụng các kỹ thuật học sâu, đặc biệt là Mạng đối kháng sinh (GAN), để thay thế khuôn mặt hoặc giọng nói của một người bằng của người khác.

Ngữ cảnh của Deepfake có thể được truy tìm về sự phát triển nhanh chóng của trí tuệ nhân tạo và các công nghệ học sâu trong những năm gần đây. Khi các công nghệ này tiến bộ, các ứng dụng của Deepfake đang mở rộng từ ngành công nghiệp giải trí sang mạng xã hội, thậm chí cả chính trị, giáo dục và liệu pháp tâm lý.

Mặc dù có một số ứng dụng sáng tạo và giải trí, nhưng những tác động tiêu cực tiềm tàng của Deepfake đã gây ra mối quan ngại đáng kể. Các vấn đề như tin tức giả, đánh cắp danh tính và vi phạm quyền riêng tư đã xuất hiện, dẫn đến sự suy giảm lòng tin xã hội vào công nghệ này. Do đó, nhiều quốc gia và khu vực đang cân nhắc việc lập pháp để đối phó với những thách thức này.

Trong tương lai, khi công nghệ tiếp tục phát triển, việc tạo ra Deepfake sẽ trở nên dễ dàng hơn và phổ biến hơn, dẫn đến các cuộc thảo luận ngày càng quan trọng về các khung đạo đức và pháp lý của nó. Mặc dù những lợi thế của nó bao gồm sự sáng tạo và biểu đạt nghệ thuật, nhưng những rủi ro và tác động tiêu cực liên quan không thể bị bỏ qua.