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

Ước lượng chất lượng là gì

Ước lượng chất lượng là quá trình đánh giá chất lượng của sản phẩm hoặc dịch vụ trong nhiều ngành. Trong phát triển phần mềm, điều này thường liên quan đến việc phân tích mã để dự đoán hiệu suất trong các điều kiện khác nhau. Các kỹ thuật như phân tích mã tĩnh và phản hồi từ người dùng được sử dụng để đánh giá chất lượng.

Trong sản xuất, giám sát theo thời gian thực và phân tích dữ liệu đóng vai trò quan trọng trong việc đảm bảo sản phẩm đáp ứng các tiêu chuẩn đã đặt ra. Tầm quan trọng của ước lượng chất lượng nằm ở khả năng giúp doanh nghiệp giảm thiểu khuyết điểm và tái công việc, từ đó giảm chi phí và tăng khả năng cạnh tranh.

Với sự phát triển của phân tích dữ liệu và học máy, tương lai của ước lượng chất lượng có vẻ hứa hẹn, với tiềm năng tăng độ chính xác và hiệu quả. Tuy nhiên, việc phụ thuộc quá nhiều vào thuật toán có thể làm lu mờ giá trị của phán đoán con người, và việc thực hiện các biện pháp này có thể cần thêm tài nguyên. Các doanh nghiệp phải cân bằng giữa chi phí và lợi ích để tích hợp hiệu quả ước lượng chất lượng.