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

Mô hình cơ sở là gì

Thuật ngữ 'Mô hình cơ sở' đề cập đến một mô hình quy mô lớn được tiền huấn luyện trên một tập dữ liệu đa dạng và có thể được tinh chỉnh cho các nhiệm vụ cụ thể. Kiến trúc này cho phép mô hình nắm bắt các mẫu và cấu trúc phức tạp, giúp nó hiệu quả trong nhiều ứng dụng hạ nguồn khác nhau.

Các Mô hình cơ sở rất quan trọng vì chúng giảm đáng kể nhu cầu về một lượng lớn dữ liệu đã được gán nhãn. Bằng cách học từ các tập dữ liệu không có nhãn quy mô lớn, các mô hình này có thể tổng quát hóa kiến thức có thể áp dụng cho các nhiệm vụ khác nhau. Điều này thúc đẩy tốc độ phát triển và triển khai hệ thống AI.

Thông thường, các Mô hình cơ sở sử dụng các kỹ thuật học sâu, đặc biệt là kiến trúc transformer. Quy trình đào tạo của chúng bao gồm học tự giám sát, nơi mô hình học cấu trúc và ngữ nghĩa của dữ liệu bằng cách dự đoán các phần của văn bản. Các ví dụ nổi bật bao gồm chuỗi GPT của OpenAI, BERT của Google và RoBERTa của Facebook, cho thấy khả năng của các mô hình này.

Các xu hướng tương lai cho các Mô hình cơ sở chỉ ra một sự tiến hóa hướng tới các hệ thống hiệu quả và có thể giải thích hơn. Tuy nhiên, chúng cũng có thể đối mặt với sự kiểm tra nghiêm ngặt hơn về mặt đạo đức và an toàn để đảm bảo rằng các ứng dụng của chúng không gây ra thiệt hại xã hội tiềm tàng. Các nhà phát triển cũng cần chú ý đến khả năng giải thích và công bằng của các mô hình này để tránh kéo dài sự thiên kiến.