TopAIToolsTopAITools

Glossary

0-9
1-shot learning5G + AI6DoF pose estimation7D representation8-bit quantization2-stage detector4D data0-shot learning9-layer network3D convolution
A
AGI / Artificial General IntelligenceAutoencoderAttentionAlgorithmArtificial Intelligence (AI)
B
BackpropagationBERTBoostingBatch NormalizationBias
C
ChatbotClusteringCNN / Convolutional Neural NetworkCross-ValidationClassifier / Classification
D
Deep LearningDeepfakeDiscriminative ModelDeterministic ModelData Augmentation
E
EmbeddingEncoderEpochEnsemble LearningExplainable AI (XAI)
F
Fine-tuningFusion / Multimodal FusionForward PropagationFoundation ModelFeature Extraction
G
GAN / Generative Adversarial NetworkGradient DescentGroundingGraph Neural Network (GNN)Generative AI
H
HyperparameterHeuristicHidden LayerHierarchical ModelHallucination
I
Imbalanced DataInterpretabilityInstruction tuningInstance / SampleIntelligence Amplification / Augmentation
J
JAXJitteringJoint EmbeddingJSONL / JSON-linesJuxtaposition
K
KL Divergence (Kullback–Leibler Divergence)K-means ClusteringK-Shot LearningKernel TrickKnowledge Distillation
L
Latent VariableLoss FunctionLSTM / Long Short-Term MemoryLarge Language Model (LLM)Learning Rate
M
Multimodal / MultimodalityMachine Learning (ML)Meta-learningModelMulti-head Attention
N
NormalizationNeural NetworkNLP / Natural Language ProcessingNLU / Natural Language UnderstandingNovelty Detection / Anomaly Detection
O
Objective FunctionOnline LearningOne-hot EncodingOverfittingOptimizer
P
Policy / Reinforcement Learning PolicyPoolingPretrainingPromptParameter
Q
Queue / BufferQuantizationQ-learningQueryQuality Estimation
R
Retrieval Augmented Generation (RAG)Representation LearningReinforcement Learning (RL)RegularizationRNN / Recurrent Neural Network
S
Supervised LearningSelf-Supervised LearningSequence ModelingSamplingSoftmax
T
Training DataTokenizerTransfer LearningTransformerTuning / Hyperparameter Tuning
U
Universal Approximation TheoremUnsupervised LearningU-NetUnderfittingUncertainty Estimation
V
Variational Autoencoder (VAE)Vector EmbeddingVanishing / Exploding GradientValidation SetVision Transformer (ViT)
W
Weak SupervisionWeight DecayWhitening / Whitening TransformationWord EmbeddingWorkflow
X
XOR problemX-axis / feature axisXAI / Explainable AIXLMXLNet
Y
Y-axis / feature axisY-transform / YUVYAGNI (You Aren't Gonna Need It)Yield (model yield / throughput)Yoga of AI
Z
Z-score NormalizationZero-gradient phenomenonZero-shot Learning / Zero-shot inferenceZero-centric / Zero-bias initializationZygosity in augmentation

Trí tuệ nhân tạo Giải thích được (XAI) là gì

Trí tuệ nhân tạo Giải thích được (XAI) đề cập đến các phương pháp trí tuệ nhân tạo cung cấp các giải thích dễ hiểu cho con người về các quyết định và hành động của chúng. Khi các hệ thống AI trở nên phổ biến hơn trong các lĩnh vực quan trọng như y tế và tài chính, nhu cầu về tính minh bạch trở nên rất quan trọng. Người dùng phải hiểu được logic đứng sau quyết định của AI để tin tưởng vào công nghệ này.


XAI hoạt động thông qua nhiều kỹ thuật khác nhau, bao gồm phân tích tầm quan trọng của các đặc điểm, trực quan hóa mô hình và tạo ra các quy tắc quyết định có thể giải thích. Những phương pháp này cho phép người dùng hiểu rõ hơn về đầu ra của các mô hình AI, từ đó tăng cường sự tin tưởng vào các hệ thống. Ví dụ, các công cụ như LIME (Giải thích mô hình không phụ thuộc địa phương) và SHAP (Giải thích cộng thêm của Shapley) có thể tiết lộ cách mà các đặc điểm cụ thể ảnh hưởng đến các dự đoán.


Nhìn về tương lai, khi các ứng dụng AI mở rộng, XAI được kỳ vọng sẽ trở thành tiêu chuẩn trong ngành, đặc biệt là trong bối cảnh các yêu cầu quy định ngày càng nghiêm ngặt. Các lợi ích của nó bao gồm nâng cao lòng tin của người dùng, cải thiện khả năng chấp nhận mô hình và hỗ trợ các nhà phát triển xác định thiên lệch và các vấn đề đạo đức trong các mô hình. Tuy nhiên, XAI cũng có những nhược điểm như chi phí tính toán bổ sung, khả năng đơn giản hóa quá mức các giải thích và khó khăn trong việc áp dụng cho tất cả các loại hệ thống AI.


Khi triển khai XAI, các nhà phát triển cần cân bằng giữa khả năng giải thích và hiệu suất của mô hình, đảm bảo rằng các giải thích được cung cấp thực sự hữu ích cho người dùng cuối. Tổng thể, XAI là một bước quan trọng để thúc đẩy tính minh bạch và trách nhiệm trong AI, góp phần vào sự phát triển AI an toàn và công bằng hơn.