Conteúdo da Conversa

Cartões · 50

Inteligência Artificial (IA)

Campo da ciência da computação focado em criar sistemas capazes de realizar tarefas que normalmente exigiriam inteligência humana.

Aprendizado de Máquina (Machine Learning)

Subcampo da IA em que algoritmos aprendem padrões a partir de dados históricos para tomar decisões sem regras fixas.

Aprendizado Profundo (Deep Learning)

Subconjunto do Machine Learning baseado em redes neurais com múltiplas camadas, ideal para dados complexos e não estruturados.

Rede Neural Artificial

Modelo computacional inspirado na estrutura biológica do cérebro, composto por neurônios interconectados em camadas.

Processamento de Linguagem Natural (PLN)

Área da IA voltada para a compreensão, interpretação e geração de linguagem humana por computadores.

Modelo de Linguagem Amplo (LLM)

Modelo de IA treinado em enormes volumes de texto para prever a próxima palavra e gerar texto coerente.

Transformer

Arquitetura de rede neural baseada em mecanismos de atenção que permite processar palavras em paralelo no contexto textual.

Mecanismo de Atenção (Self-Attention)

Técnica que permite ao modelo ponderar a relevância de diferentes palavras em uma frase, independentemente da distância entre elas.

Token

Unidade básica de texto (como uma palavra, sílaba ou caractere) usada por modelos de linguagem durante o processamento.

Tokenização

Processo de dividir uma cadeia de texto bruto em unidades menores e discretas chamadas tokens.

Embedding

Representação vetorial de palavras ou conceitos em um espaço multidimensional onde significados próximos ficam próximos.

Prompt

Instrução textual, pergunta ou contexto fornecido a um modelo de IA generativa para orientar a resposta desejada.

Engenharia de Prompt

Prática de estruturar e refinar perguntas e instruções para extrair respostas mais precisas e úteis de um modelo.

Janela de Contexto

Quantidade máxima de tokens que um modelo consegue processar simultaneamente em uma única interação.

Alucinação em IA

Fenômeno em que um modelo generativo produz informações incorretas, inventadas ou sem embasamento de forma convincente.

Ajuste Fino (Fine-Tuning)

Processo de treinar adicionalmente um modelo pré-treinado em um conjunto específico de dados para adaptá-lo a uma tarefa.

Aprendizado por Reforço com Feedback Humano (RLHF)

Método de alinhamento em que avaliadores humanos classificam respostas da IA para ajustar o modelo aos valores e intenções humanas.

RAG (Geração Aumentada por Recuperação)

Técnica que busca informações em fontes externas atualizadas antes de enviar o contexto ao modelo para gerar a resposta.

Banco de Dados Vetorial

Sistema de armazenamento otimizado para indexar e realizar buscas por similaridade semântica em embeddings de alta dimensão.

Aprendizado Supervisionado

Método de treinamento onde o algoritmo recebe exemplos rotulados com pares de entrada e resposta esperada.

Aprendizado Não Supervisionado

Método de treinamento em que o algoritmo busca padrões intrínsecos e agrupamentos em dados sem rótulos prévios.

Aprendizado por Reforço

Abordagem onde um agente aprende a tomar decisões sequenciais recebendo recompensas ou penalidades por suas ações.

Overfitting (Sobreajuste)

Problema em que o modelo decora os dados de treino com excesso de detalhes, perdendo a capacidade de generalizar novos casos.

Underfitting (Subajuste)

Situação em que o modelo é simples demais para captar os padrões fundamentais dos dados, apresentando baixo desempenho.

Temperatura (Parâmetro de IA)

Hiperparâmetro que regula a aleatoriedade da saída: valores baixos geram respostas lógicas e previsíveis; altos trazem criatividade.

Top-p (Amostragem de Núcleo)

Técnica que restringe a escolha do próximo token ao subconjunto mais provável cuja soma de probabilidades atinja o limiar p.

Agente Autônomo de IA

Sistema capaz de perceber o ambiente, decompor tarefas complexas em passos, executar ferramentas externas e tomar decisões.

Função de Perda (Loss Function)

Métrica matemática que quantifica a diferença entre a resposta gerada pelo modelo e o resultado correto esperado.

Gradiente Descendente

Algoritmo de otimização usado para ajustar os pesos da rede neural minimizando o erro da função de perda.

Backpropagation (Retropropagação)

Algoritmo que calcula o gradiente do erro camada por camada de trás para frente, permitindo atualizar os pesos da rede.

Parâmetros do Modelo

Variáveis internas (como pesos e vieses) ajustadas durante o treinamento que determinam o comportamento da rede.

IA Multimodal

Modelo capaz de processar e relacionar múltiplos tipos de dados simultaneamente, como texto, imagens, áudio e vídeo.

Zero-shot Learning

Capacidade de um modelo de resolver uma tarefa sem nunca ter visto exemplos prévios específicos daquela tarefa.

Few-shot Learning

Técnica de fornecer alguns poucos exemplos no próprio prompt para orientar o formato e o estilo da resposta do modelo.

Inferência

Etapa operacional em que um modelo já treinado é executado para fazer previsões ou gerar respostas com dados novos.

Latência

Tempo decorrido entre o envio da requisição pelo usuário e a entrega da primeira ou última parte da resposta da IA.

Quantização

Técnica de compressão que reduz a precisão numérica dos pesos do modelo para diminuir o consumo de memória e acelerar a inferência.

Viés Algorítmico

Distorção sistemática nas saídas do modelo decorrente de preconceitos presentes nos dados de treinamento históricos.

Alinhamento de IA

Esforço de pesquisa voltado para garantir que os sistemas de IA ajam de acordo com valores, segurança e metas humanas.

API (Interface de Programação de Aplicação)

Conjunto de regras e protocolos que permite a softwares externos se conectarem e utilizarem serviços de modelos de IA.

Taxa de Aprendizado (Learning Rate)

Hiperparâmetro que controla o tamanho do passo que o algoritmo dá a cada iteração na direção do erro mínimo.

Validação Cruzada

Técnica de dividir dados em partes para treinar e testar múltiplos modelos, garantindo maior confiabilidade na generalização.

Normalização de Dados

Processo de ajustar a escala das variáveis de entrada para que todas tenham peso equilibrado durante o treinamento.

GPU (Unidade de Processamento Gráfico)

Hardware projetado para cálculos paralelos maciços, essencial para o treinamento e inferência de redes neurais profundas.

Chain of Thought (Cadeia de Pensamento)

Estratégia de incentivar a IA a detalhar o raciocínio passo a passo antes de dar o resultado final, reduzindo erros lógicos.

Amostragem Greedy

Método de decodificação que seleciona sempre a palavra com maior probabilidade isolada a cada etapa de geração.

Dataset (Conjunto de Dados)

Coleção estruturada de dados usada para treinar, validar e testar algoritmos de aprendizado de máquina.

Matriz de Confusão

Tabela usada para avaliar o desempenho de modelos classificadores, comparando valores reais com previsões da IA.

Precisão e Revocação (Precision e Recall)

Métricas de avaliação: precisão mede acertos entre os positivos preditos; revocação mede capacidade de encontrar todos os positivos.

IA Generativa

Ramo da IA focado na criação de conteúdo inédito e original, como textos, imagens, código ou áudios realistas.