Data Labeling adalah proses mengidentifikasi data mentah (gambar, file teks, video, dll.) dan menambahkan satu atau lebih label yang bermakna dan informatif untuk memberikan konteks, sehingga model machine learning dapat belajar darinya.
Istilah Lambda bisa merujuk pada dua hal: 1) AWS Lambda, layanan komputasi serverless yang menjalankan kode sebagai respons terhadap event. 2) Lambda Function, fungsi anonim kecil dalam pemrograman (Python/JS).
LangChain adalah kerangka kerja (framework) open-source yang dirancang untuk menyederhanakan pengembangan aplikasi yang didukung oleh model bahasa besar (LLM). LangChain memungkinkan LLM untuk "sadar data" dan "agentic" (bisa berinteraksi dengan lingkungannya).
Latency (Latensi) adalah jeda waktu antara saat permintaan dikirim dan saat respons diterima. Dalam sistem komputer, ini adalah ukuran penundaan. Latensi rendah (low latency) sangat diinginkan.
Latent Space (Ruang Laten) adalah representasi abstrak multidimensi dari data yang dikompresi, di mana titik-titik data yang mirip berada berdekatan satu sama lain. Dalam Deep Learning, model belajar memetakan data kompleks (seperti gambar wajah) ke titik koordinat di ruang laten ini.
Layer Normalization adalah teknik untuk menstabilkan dan mempercepat pelatihan deep neural network dengan menormalisasi input neuron di seluruh fitur untuk satu sampel data, bukan di seluruh batch (seperti Batch Norm).
Lazy Loading adalah pola desain yang menunda pemuatan inisialisasi objek atau data berat sampai saat di mana ia benar-benar dibutuhkan. Ini kebalikan dari Eager Loading.
Leaky ReLU adalah variasi dari fungsi aktivasi ReLU (Rectified Linear Unit). Jika ReLU biasa mengubah nilai negatif menjadi mutlak 0 (mematikan neuron), Leaky ReLU membiarkan sedikit nilai negatif lewat (misal dikali 0.01).
Learning Rate adalah hyperparameter yang mengontrol seberapa banyak kita harus mengubah bobot model sesuai dengan gradien loss yang dihitung. Ini menentukan "panjang langkah" saat algoritma Gradient Descent menuruni bukit error.
Metode Kuadrat Terkecil (Least Squares) adalah pendekatan standar dalam analisis regresi untuk memperkirakan solusi sistem persamaan yang terlalu ditentukan. Tujuannya adalah meminimalkan jumlah kuadrat dari residu (selisih antara nilai yang diamati dan nilai yang diprediksi).