IA para Concursos FGV 7

Cartões · 20

Inteligência Artificial (IA)

Campo da ciência da computação focado no desenvolvimento de sistemas capazes de simular a inteligência e o comportamento humano para resolver problemas.

Aprendizado de Máquina (Machine Learning)

Subcampo da IA em que algoritmos aprendem padrões a partir de dados históricos para tomar decisões ou fazer previsões sem programação explícita de regras.

Aprendizado Supervisionado

Técnica de ML que treina modelos utilizando dados rotulados, associando entradas a saídas conhecidas para tarefas de classificação e regressão.

Aprendizado Não Supervisionado

Técnica de ML em que o modelo identifica padrões ocultos, agrupamentos (clustering) ou associações em dados que não possuem rótulos prévios.

Aprendizado por Reforço

Paradigma de ML em que um agente aprende a tomar decisões sequenciais interagindo com o ambiente por meio de recompensas e punições.

Overfitting (Superajuste)

Situação em que o modelo decora os dados de treino, apresentando alto desempenho no treinamento mas baixa capacidade de generalização para dados novos.

Underfitting (Subajuste)

Ocorre quando o modelo é excessivamente simples e não consegue capturar a estrutura ou os padrões subjacentes dos dados, errando no treino e no teste.

Deep Learning (Aprendizado Profundo)

Ramo do ML baseado em redes neurais artificiais com múltiplas camadas ocultas, capaz de extrair automaticamente representações complexas dos dados.

Rede Neural Convolucional (CNN)

Arquitetura de rede neural profunda especializada no processamento de dados em grade, sendo o padrão para visão computacional e imagens.

Rede Neural Recorrente (RNN)

Arquitetura projetada para dados sequenciais e temporais, mantendo um estado interno que funciona como memória para processar texto ou séries.

Arquitetura Transformer

Modelo baseado no mecanismo de autoatenção que processa sequências em paralelo, superando limitações de dependência longa das RNNs clássicas.

Mecanismo de Atenção (Self-Attention)

Componente que calcula dinamicamente a relevância de cada palavra em relação a todas as outras do texto, capturando o contexto global.

Large Language Models (LLMs)

Modelos de linguagem de grande escala baseados em Transformers, treinados com vastos volumes de texto para gerar, resumir e traduzir linguagem natural.

Modelos Generativos (IA Generativa)

Sistemas de IA treinados para criar novos conteúdos (texto, imagem, áudio ou código) que se assemelham estatisticamente aos dados de treino.

Redes Adversariais Generativas (GANs)

Arquitetura composta por duas redes em disputa: um gerador que cria dados sintéticos e um discriminador que avalia se os dados são reais ou falsos.

Alucinação em LLMs

Fenômeno em que o modelo gera informações factualmente incorretas, inventadas ou sem embasamento, mas apresentadas com tom plausível e confiante.

Engenharia de Prompt

Prática de formular, estruturar e refinar comandos textuais de entrada para guiar as respostas de um LLM com maior precisão e utilidade.

Viés Algorítmico (Algorithmic Bias)

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

Explicabilidade e Interpretabilidade (XAI)

Capacidade de compreender e descrever em termos humanos como e por que um modelo de inteligência artificial chegou a determinada conclusão.

Privacidade e Governança de Dados em IA

Conjunto de normas e práticas, como a LGPD, para garantir o uso ético, consentido e seguro de dados pessoais no ciclo de vida de sistemas de IA.