IA para Concursos FGV 4

Cartões · 20

Aprendizado Supervisionado

Técnica de machine learning que treina modelos usando dados rotulados, associando pares de entradas e saídas esperadas para tarefas como classificação e regressão.

Aprendizado Não Supervisionado

Método de treinamento que utiliza dados sem rótulos prévios, buscando padrões ocultos, agrupamentos (clustering) ou redução de dimensionalidade.

Aprendizado por Reforço

Abordagem em que um agente aprende a tomar decisões sequenciais interagindo com o ambiente por meio de recompensas e penalidades.

Overfitting (Sobreajuste)

Fenômeno em que o modelo decora os dados de treino, apresentando alto desempenho no treino e baixa capacidade de generalização em dados novos.

Underfitting (Subajuste)

Situação em que o modelo é excessivamente simples e não consegue capturar a estrutura subjacente dos dados, falhando tanto no treino quanto no teste.

Matriz de Confusão

Tabela que compara previsões do modelo com classes reais, discriminando verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.

Precisão vs. Revocação (Recall)

Precisão mede a exatidão das predições positivas feitas; revocação mede a capacidade de identificar todos os casos positivos reais presentes nos dados.

Redes Neurais Artificiais (RNA)

Modelos computacionais inspirados no cérebro humano, compostos por camadas de nós interconectados que ajustam pesos para mapear relações complexas.

Deep Learning (Aprendizado Profundo)

Subcampo do machine learning baseado em redes neurais com múltiplas camadas ocultas, capaz de extrair representações de dados brutos e complexos.

Processamento de Linguagem Natural (PLN)

Área da IA dedicada a viabilizar a compreensão, interpretação, análise e geração de linguagem humana por sistemas computacionais.

Mecanismo de Atenção (Attention)

Técnica que permite ao modelo focar dinamicamente em partes relevantes da entrada ao processar uma sequência, sem depender de memória linear.

Arquitetura Transformer

Estrutura neural baseada em mecanismos de autoatenção paralelizáveis, substituindo redes recorrentes e servindo de base para as LLMs modernas.

Large Language Models (LLMs)

Modelos de linguagem com bilhões de parâmetros treinados em imensos volumes textuais, capazes de gerar texto contextualizado e resolver tarefas diversas.

Alucinação em LLMs

Geração de saídas linguisticamente plausíveis e coerentes, porém factualmente incorretas ou totalmente inventadas pelo modelo gerador.

Prompt Engineering

Prática de estruturar e refinar instruções de entrada fornecidas a um modelo de IA generativa para obter respostas mais precisas e adequadas.

Fine-Tuning

Processo de ajustar os pesos de um modelo pré-treinado genérico utilizando um conjunto específico de dados para adaptá-lo a uma tarefa delimitada.

RAG (Retrieval-Augmented Generation)

Técnica que consulta fontes externas de dados atualizados para enriquecer o prompt da LLM antes da resposta, reduzindo o risco de alucinações.

Viés Algorítmico (Bias)

Distorção sistemática nas decisões do modelo, decorrente de dados de treino preconceituosos, desbalanceados ou premissas inadequadas no projeto.

Explicabilidade (XAI)

Conjunto de métodos que tornam compreensíveis para humanos as decisões e a lógica interna de funcionamento de modelos complexos do tipo caixa-preta.

Privacidade e LGPD na IA

Princípios ético-legais que exigem anonimização, consentimento, finalidade legítima e segurança no uso de dados pessoais alimentados em modelos de IA.