Glossaire des termes liés à l'intelligence artificielle

Modèle de diffusion texte-image développé par OpenAI, capable de générer des images à partir de descriptions textuelles.

Une stratégie de décodage simple pour les modèles génératifs qui sélectionne la sortie la plus probable à chaque étape.

Les modèles d'apprentissage profond sont un sous-ensemble des réseaux neuronaux. Ils comportent plusieurs couches (réseaux neuronaux profonds) et sont utilisés pour des tâches telles que la reconnaissance d'images, le traitement du langage naturel et les systèmes de recommandation.

Utilisation de modèles génératifs pour créer des sons, des vidéos ou des images synthétiques qui semblent réels.

La capacité d'un modèle génératif à apprendre des représentations démêlées, où différentes variables latentes correspondent à des facteurs ou attributs distincts des données.

La descente de gradient est un algorithme d'optimisation utilisé pour minimiser la fonction de perte pendant la formation du réseau neuronal. Il ajuste les paramètres du modèle en fonction du gradient de la perte par rapport aux poids.

Méthode d'optimisation pour minimiser une fonction objective, typiquement utilisée dans l'entraînement des réseaux neuronaux.

Le processus de filtrage ou de modification des résultats des modèles de langage afin d'en éliminer le contenu toxique, nuisible ou biaisé.Le processus de filtrage ou de modification des résultats des modèles de langage afin d'en éliminer le contenu toxique, nuisible ou biaisé.

La détection des anomalies permet d'identifier des modèles inhabituels ou inattendus dans les données. Elle est utilisée pour détecter les fraudes, les défauts ou les anomalies dans divers domaines.

Utilisation de modèles génératifs pour détecter les anomalies ou les valeurs aberrantes dans les données, en modélisant la distribution des données normales et en identifiant les écarts par rapport à celle-ci.

Le processus de distillation des connaissances factuelles à partir de grands modèles de langage ou d'autres sources de données dans des modèles génératifs.

Dans les modèles graphiques probabilistes, la distribution de probabilité conjointe représente la probabilité d'observer plusieurs variables ensemble. Elle est essentielle pour les réseaux bayésiens et les champs aléatoires de Markov.

Les données déséquilibrées font référence aux ensembles de données dans lesquels une classe est nettement plus répandue que les autres. Des techniques telles que le suréchantillonnage, le sous-échantillonnage et le SMOTE permettent de résoudre ce problème.