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

Khái niệm Tăng cường Trí tuệ là gì

Tăng cường Trí tuệ (IA) đề cập đến việc sử dụng công nghệ để nâng cao trí thông minh của con người. Khái niệm này tập trung vào việc tận dụng các công cụ và kỹ thuật để cải thiện khả năng tư duy, ra quyết định và sáng tạo của con người. Khác với trí tuệ nhân tạo (AI), mà thường hoạt động độc lập, IA nhấn mạnh vào sự tham gia của con người và việc nâng cao trí thông minh.

Sự phát triển lịch sử của IA có thể truy ngược về những ngày đầu của khoa học máy tính, đặc biệt trong các lĩnh vực như xử lý thông tin và hệ thống hỗ trợ quyết định. Với những tiến bộ công nghệ, IA đã dần được tích hợp vào các lĩnh vực như phân tích dữ liệu, xử lý ngôn ngữ tự nhiên và học máy, giúp con người xử lý thông tin phức tạp và đưa ra quyết định thông minh một cách hiệu quả hơn.

Các ứng dụng điển hình của IA bao gồm các trợ lý chẩn đoán bệnh trong y tế, hệ thống học tập cá nhân hóa trong giáo dục và các công cụ phân tích dữ liệu trong doanh nghiệp. Về xu hướng tương lai, IA có thể sẽ kết hợp với thực tế ảo và thực tế tăng cường, mang đến cho người dùng những trải nghiệm nâng cao trí thông minh một cách trực quan và hiệu quả hơn.

Các lợi ích của IA bao gồm tăng cường hiệu suất công việc, nâng cao sự sáng tạo và hỗ trợ cho các quyết định phức tạp. Tuy nhiên, nó cũng đặt ra những thách thức về quyền riêng tư và đạo đức, đặc biệt là trong việc thu thập và xử lý dữ liệu. Người dùng cần xem xét an toàn dữ liệu và những thiên lệch tiềm ẩn khi sử dụng IA.