IA para Concursos FGV 2

Cartões · 20

Aprendizado Supervisionado

Técnica de Machine Learning que treina modelos utilizando dados rotulados, prevendo saídas para novas entradas através de classificação ou regressão.

Aprendizado Não Supervisionado

Abordagem que identifica padrões, estruturas ocultas ou agrupamentos em dados não rotulados, utilizando métodos como clustering e redução de dimensionalidade.

Aprendizado por Reforço

Método em que um agente aprende a tomar decisões sequenciais interagindo com o ambiente por meio de tentativa, erro, recompensas e punições.

Overfitting

Sobreajuste no qual o modelo decora os dados de treino e ruídos, perdendo a capacidade de generalização para dados novos e não vistos.

Underfitting

Subajuste em que o modelo é excessivamente simples e não consegue capturar o padrão subjacente dos dados, resultando em baixo desempenho geral.

Matriz de Confusão

Tabela usada para avaliar a performance de um modelo de classificação, cruzando valores reais e preditos com falsos e verdadeiros positivos/negativos.

Acurácia vs. F1-Score

Acurácia mede a taxa global de acertos, sendo falha em classes desbalanceadas; o F1-Score é a média harmônica entre precisão e revocação.

Deep Learning

Subcampo do Machine Learning baseado em redes neurais artificiais profundas com múltiplas camadas, capaz de extrair características complexas.

Rede Neural Convolucional (CNN)

Arquitetura de rede neural profunda otimizada para processamento de dados com grade espacial, sendo amplamente aplicada em visão computacional.

Rede Neural Recorrente (RNN)

Arquitetura projetada para dados sequenciais e temporais, mantendo um estado interno de memória para processar séries temporais e texto.

Arquitetura Transformer

Modelo baseado no mecanismo de autoatenção que processa sequências em paralelo, superando as limitações de contexto e velocidade das RNNs.

Mecanismo de Atenção (Attention)

Técnica que permite ao modelo ponderar dinamicamente a relevância de diferentes partes da entrada ao gerar cada elemento da saída.

Modelos de Linguagem Grande (LLM)

Modelos neurais generativos com bilhões de parâmetros treinados em vastos volumes de texto para compreender e gerar linguagem natural.

Alucinação em LLMs

Geração de informações incorretas, inventadas ou sem embasamento factual, apresentadas pelo modelo de forma convincente e fluida.

Geração Aumentada por Recuperação (RAG)

Arquitetura que combina recuperação de dados externos atualizados a um modelo generativo, reduzindo alucinações e fornecendo fontes confiáveis.

Ajuste Fino (Fine-Tuning)

Processo de retreinamento de um modelo pré-treinado em um conjunto específico de dados para adaptá-lo a tarefas ou domínios particulares.

Viés Algorítmico (Bias)

Distorção sistemática nas decisões do modelo decorrente de preconceitos históricos presentes nos dados de treino ou no design do sistema.

Explicabilidade da IA (XAI)

Conjunto de métodos para tornar os processos e decisões de modelos de caixa-preta compreensíveis e auditáveis para seres humanos.

Governança e LGPD na IA

Exigência legal de transparência, proteção de dados pessoais, consentimento e direito à revisão humana de decisões automatizadas.

Alinhamento de IA (AI Alignment)

Prática de garantir que os objetivos e comportamentos de um sistema de IA correspondam aos valores éticos e intenções humanas.