IA para Concursos FGV 6

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

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

Aprendizado Não Supervisionado

Técnica de ML que busca identificar padrões, agrupamentos (clustering) ou associações intrínsecas em dados sem rótulos prévios.

Aprendizado por Reforço

Paradigma no qual um agente aprende a tomar decisões sequenciais interagindo com o ambiente por meio de recompensas e punições.

Overfitting (Sobreajuste)

Fenômeno em que o modelo decora o conjunto de treino, apresentando alto desempenho nele, mas baixa capacidade de generalização para novos dados.

Underfitting (Subajuste)

Ocorre quando o modelo é excessivamente simples para capturar os padrões dos dados, resultando em baixo desempenho no treino e no teste.

Deep Learning (Aprendizado Profundo)

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

Matriz de Confusão

Tabela usada para avaliar o desempenho de classificadores, exibindo verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.

Precisão vs. Revocação (Recall)

Precisão mede a proporção de acertos entre os positivos preditos; revocação mede a proporção de positivos reais identificados pelo modelo.

Modelos Generativos

Modelos estatísticos ou neurais capazes de gerar novos dados que compartilham características com o conjunto de treinamento original.

Large Language Models (LLMs)

Grandes modelos de linguagem baseados em redes neurais profundas, treinados em vastos volumes de texto para processamento de linguagem natural.

Arquitetura Transformer

Arquitetura de rede neural baseada no mecanismo de autoatenção (self-attention), superando limitações de dependências longas das RNNs.

Mecanismo de Atenção (Attention)

Técnica que permite ao modelo ponderar e focar dinamicamente em partes relevantes da entrada ao gerar uma saída ou predição.

Alucinação em LLMs

Geração de respostas incorretas, inventadas ou sem base factual com alta convicção gramatical e aparente coerência.

RAG (Retrieval-Augmented Generation)

Técnica que integra LLMs a fontes externas de dados para buscar fatos atualizados antes de gerar a resposta, reduzindo alucinações.

Fine-Tuning

Processo de ajustar os pesos de um modelo pré-treinado genérico usando um conjunto de dados menor e especializado em uma tarefa.

Viés Algorítmico (Bias)

Distorção sistemática nas decisões do modelo causada por preconceitos históricos presentes nos dados de treino ou no desenho do sistema.

Explicabilidade (XAI)

Conjunto de métodos para tornar as decisões de modelos complexos e caixas-pretas compreensíveis e transparentes para humanos.

Governança e Ética em IA

Princípios e diretrizes que garantem justiça, responsabilidade, transparência, privacidade de dados e segurança no uso de sistemas de IA.

Engenharia de Prompt

Prática de estruturar e otimizar comandos textuais para guiar modelos generativos na produção de respostas mais precisas e desejadas.