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 Ngôn ngữ lớn (LLM) là gì?

Mô hình Ngôn ngữ lớn (LLM) là công nghệ tiên tiến trong lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP), được thiết kế để hiểu và tạo ra ngôn ngữ của con người thông qua học sâu. Chúng được đào tạo trên một lượng lớn dữ liệu văn bản, cho phép thực hiện nhiều nhiệm vụ như tạo văn bản, dịch thuật và trả lời câu hỏi. Kiến trúc của những mô hình này thường dựa trên cấu trúc Transformer, giúp cải thiện đáng kể khả năng hiểu biết ngữ cảnh.

Ý nghĩa của LLM nằm ở việc ứng dụng rộng rãi của chúng trong các chatbot, trợ lý ảo, tạo nội dung và hỗ trợ lập trình. Chúng có thể xử lý nhiều ngôn ngữ và thích ứng với các ngữ cảnh khác nhau, khiến chúng ngày càng được đánh giá cao trong các lĩnh vực kinh doanh và công nghệ. Một số ví dụ nổi bật về LLM bao gồm dòng GPT của OpenAI, BERT và T5 của Google.

Mặc dù LLM mang lại nhiều lợi ích, chẳng hạn như khả năng xử lý và tạo ra thông tin hiệu quả, nhưng chúng cũng có một số nhược điểm như thiên lệch trong dữ liệu đào tạo và mối quan tâm về tính xác thực và an toàn của nội dung được tạo ra. Do đó, khi sử dụng LLM, điều quan trọng là phải nhận thức được những rủi ro và hạn chế tiềm ẩn này.

Trong tương lai, LLM dự kiến sẽ phát triển hơn nữa trong các lĩnh vực như hiểu ngôn ngữ đa dạng, tạo nội dung cá nhân hóa và tương tác giữa người và máy tính. Với sự tiến bộ công nghệ và sự gia tăng năng lực tính toán, chúng ta có thể dự đoán rằng LLM sẽ đóng một vai trò quan trọng hơn nữa trong nhiều lĩnh vực.