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

JSONL / JSON-lines là gì

JSONL (JSON Lines) là một định dạng để lưu trữ dữ liệu có cấu trúc, trong đó mỗi bản ghi là một dòng riêng biệt theo định dạng JSON. Định dạng này có lợi cho việc xử lý các tập dữ liệu lớn, cho phép xử lý theo luồng và đọc theo dòng. JSONL được sử dụng rộng rãi trong xử lý big data, ghi nhật ký và học máy.


Mục đích thiết kế của JSONL là cung cấp một cách đơn giản và hiệu quả để xử lý dữ liệu JSON. Khác với các tệp JSON truyền thống, mỗi dòng trong tệp JSONL là một đối tượng JSON hoàn chỉnh, giúp việc đọc dữ liệu gia tăng trở nên đơn giản. Người dùng có thể đọc và phân tích dữ liệu theo từng dòng mà không cần tải toàn bộ tệp vào bộ nhớ, điều này đặc biệt quan trọng cho các tập dữ liệu lớn.


Trong các ứng dụng thực tế, định dạng JSONL thường được sử dụng cho việc trao đổi và lưu trữ dữ liệu, chẳng hạn như khi dữ liệu được chuyển từ một hệ thống sang hệ thống khác trong các pipeline dữ liệu. Tính chất theo dòng của JSONL giúp đảm bảo tính toàn vẹn và nhất quán của dữ liệu. Thêm vào đó, nhiều công cụ và khung xử lý dữ liệu hiện đại (như Apache Kafka, Spark, v.v.) hỗ trợ định dạng JSONL, khiến nó trở thành công cụ quan trọng cho các nhà khoa học dữ liệu và kỹ sư.


Trong tương lai, khi lượng dữ liệu tiếp tục tăng, định dạng JSONL có thể trở nên phổ biến hơn trong lưu trữ và xử lý dữ liệu, đặc biệt trong các kịch bản yêu cầu chuyển giao và xử lý dữ liệu hiệu quả. Tuy nhiên, việc sử dụng JSONL cũng có một số điểm cần lưu ý, chẳng hạn như sự phức tạp tương đối khi phân tích các cấu trúc lồng ghép phức tạp. Hơn nữa, các tệp JSONL không có cơ chế mô tả siêu dữ liệu tiêu chuẩn, điều này có thể ảnh hưởng đến khả năng giải thích dữ liệu.