IA para Concursos FGV 5

Cartões · 20

Inteligência Artificial (IA)

Campo da ciência da computação focado em desenvolver sistemas capazes de simular o raciocínio, aprendizado e tomada de decisão humana.

Aprendizado Supervisionado

Treinamento de modelos a partir de dados rotulados, com pares explícitos de entrada e saída esperada para prever novos resultados.

Aprendizado Não Supervisionado

Algoritmos que analisam dados sem rótulos prévios para descobrir padrões ocultos, agrupamentos (clusters) ou associações.

Aprendizado por Reforço

Método em que um agente aprende a tomar decisões em um ambiente por meio de tentativa e erro, recebendo recompensas ou penalidades.

Overfitting (Superajuste)

Fenômeno em que o modelo decora os dados de treino com excesso de ruído, perdendo a capacidade de generalizar para dados novos.

Underfitting (Subajuste)

Ocorre quando o modelo é excessivamente simples e não consegue capturar as relações subjacentes nem nos dados de treino.

Rede Neural Artificial (RNA)

Modelo computacional inspirado no cérebro humano, composto por nós (neurônios) organizados em camadas conectadas por pesos ajustáveis.

Deep Learning (Aprendizado Profundo)

Subcampo do ML baseado em redes neurais com múltiplas camadas ocultas, ideal para dados não estruturados como imagens e áudio.

Processamento de Linguagem Natural (PLN)

Área da IA dedicada à compreensão, interpretação, geração e manipulação da linguagem humana por computadores.

IA Generativa

Categoria de modelos capazes de gerar novos conteúdos originais, como textos, códigos e imagens, baseando-se em padrões aprendidos.

Large Language Model (LLM)

Modelo de linguagem de grande escala treinado em vastos volumes de texto para prever tokens e processar linguagem de forma contextual.

Arquitetura Transformer

Estrutura de rede neural baseada em mecanismos de atenção que processa sequências em paralelo, base dos principais LLMs modernos.

Mecanismo de Atenção (Self-Attention)

Técnica que permite ao modelo ponderar a relevância de diferentes palavras em uma frase simultaneamente, capturando o contexto.

Alucinação em LLMs

Geração de informações incorretas, falsas ou inventadas pelo modelo apresentadas com tom de certeza e coerência gramatical.

Fine-Tuning

Processo de ajustar os pesos de um modelo pré-treinado utilizando um conjunto menor e específico de dados para uma tarefa dedicada.

RAG (Retrieval-Augmented Generation)

Técnica que combina LLMs com busca em bases de dados externas para recuperar fatos atualizados antes de gerar a resposta.

Viés Algorítmico (Bias)

Preconceitos sistemáticos reproduzidos pelo modelo decorrentes de dados de treino desbalanceados ou decisões de projeto tendenciosas.

Explicabilidade e Transparência (XAI)

Capacidade de auditar, entender e explicar de forma compreensível aos humanos como um modelo chegou a determinada decisão.

RLHF (Aprendizado por Reforço com Feedback Humano)

Método de alinhamento que utiliza avaliações humanas para treinar um modelo de recompensa e orientar as respostas da IA.

Prompt Engineering (Engenharia de Prompt)

Prática de formular, estruturar e refinar comandos de entrada para orientar LLMs a produzir os resultados mais precisos possíveis.