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

Prompt là gì

Thuật ngữ prompt rất quan trọng trong nhiều lĩnh vực, đặc biệt là trong khoa học máy tính, trí tuệ nhân tạo và tương tác giữa người và máy. Về bản chất, một prompt hoạt động như một chỉ dẫn hoặc tín hiệu để hướng dẫn người dùng hoặc hệ thống thực hiện một nhiệm vụ cụ thể.

Trong lĩnh vực trí tuệ nhân tạo sinh sinh, đặc biệt là trong xử lý ngôn ngữ tự nhiên (NLP), một prompt là văn bản đầu vào được cung cấp cho một mô hình để hướng dẫn nó tạo ra các đầu ra tương ứng. Thiết kế của một prompt ảnh hưởng trực tiếp đến chất lượng nội dung được tạo ra.

Ví dụ, trong chatbot, một prompt từ người dùng có thể là một câu hỏi, mà hệ thống sẽ trả lời. Khi công nghệ phát triển, việc thiết kế các prompt trở nên ngày càng phức tạp, bao gồm việc hiểu ngữ cảnh và nhận diện cảm xúc.

Trong các ứng dụng thực tế, prompt được sử dụng rộng rãi trong việc tạo nội dung, hệ thống đối thoại và trợ lý lập trình. Trong tương lai, khi trí tuệ nhân tạo phát triển, việc tối ưu hóa và tự động hóa việc tạo prompt có thể sẽ trở thành một trọng tâm nghiên cứu.

Tuy nhiên, việc tạo ra các prompt hiệu quả cũng đặt ra những thách thức, bao gồm việc đảm bảo tính chính xác, tránh sự mơ hồ và đáp ứng các nhu cầu đa dạng của người dùng. Do đó, khi thiết kế các prompt, người dùng cần xem xét đối tượng mục tiêu của mình, diễn đạt rõ ràng ý định và, khi có thể, thực hiện nhiều lần lặp và kiểm tra.