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

Yield (năng suất mô hình / thông lượng) là gì

Yield đề cập đến tỷ lệ sản phẩm đạt tiêu chuẩn được sản xuất trong một quy trình sản xuất so với tổng số sản phẩm được sản xuất. Trong các ngành như bán dẫn, năng suất là một chỉ số quan trọng về hiệu quả sản xuất.

Ví dụ, nếu một nhà máy sản xuất 100 chip và 90 cái đạt tiêu chuẩn, thì năng suất là 90%. Việc cải thiện năng suất có thể đạt được thông qua tối ưu hóa quy trình, nâng cao hiệu suất thiết bị và kiểm soát chất lượng nghiêm ngặt. Ngược lại, năng suất thấp có thể dẫn đến chi phí tăng và lãng phí tài nguyên.

Với những tiến bộ trong công nghệ, đặc biệt là tự động hóa và trí tuệ nhân tạo, các phương pháp nâng cao năng suất có thể trở nên đa dạng và hiệu quả hơn. Phân tích dữ liệu theo thời gian thực và học máy có thể giúp xác định các vấn đề tiềm ẩn trong quy trình sản xuất, từ đó giảm thiểu việc phát sinh các sản phẩm không đạt tiêu chuẩn.

Tuy nhiên, cũng có những nhược điểm và xem xét. Việc quá chú trọng vào năng suất có thể dẫn đến giảm chất lượng, vì vậy cần phải cân bằng giữa hiệu quả và chất lượng trong các sáng kiến cải thiện năng suất. Ngoài ra, tác động đến môi trường và tính bền vững trong quy trình sản xuất cũng cần được chú trọng.