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 sinh tạo là gì

Trí tuệ nhân tạo sinh tạo đề cập đến một loại công nghệ trí tuệ nhân tạo có khả năng tạo ra nội dung mới dựa trên các mẫu đã học từ dữ liệu hiện có. Điều này bao gồm văn bản, hình ảnh và thậm chí cả âm nhạc, khiến nó trở thành một công cụ mạnh mẽ trong nhiều ngành công nghiệp, bao gồm nghệ thuật sáng tạo, giáo dục và y tế.

Công nghệ này chủ yếu dựa vào các thuật toán tiên tiến như Mạng đối kháng sinh tạo (GAN) và Bộ mã hóa biến thể (VAE). GAN bao gồm hai mạng nơ-ron: một mạng sinh ra dữ liệu mới và một mạng phân biệt để đánh giá tính xác thực. Quy trình đối kháng này cải thiện chất lượng nội dung được tạo ra theo thời gian.

Trong các tình huống thực tế, trí tuệ nhân tạo sinh tạo đã được áp dụng rộng rãi trong việc tạo nội dung, thực tế ảo, phát triển trò chơi và phân tích hình ảnh y tế. Ví dụ, mô hình GPT của OpenAI có thể tạo ra văn bản mạch lạc, trong khi DALL-E tạo ra hình ảnh dựa trên mô tả bằng văn bản. Tuy nhiên, công nghệ này cũng đặt ra những lo ngại về đạo đức, chẳng hạn như các vấn đề bản quyền và sự phát tán thông tin sai lệch.

Trong tương lai, dự đoán rằng trí tuệ nhân tạo sinh tạo sẽ đối mặt với những nhiệm vụ phức tạp hơn như giáo dục cá nhân hóa và dịch vụ khách hàng thông minh. Những lợi ích của nó bao gồm hiệu quả và sự sáng tạo, nhưng cũng cần phải quản lý cẩn thận việc lạm dụng và thiên lệch tiềm ẩn.