IA para Concursos FGV

Cartões · 20

Aprendizado Supervisionado

Técnica de Machine Learning em que o modelo é treinado com dados rotulados, associando entradas a saídas previamente conhecidas para predição ou classificação.

Aprendizado Não Supervisionado

Algoritmos que analisam dados sem rótulos predefinidos para descobrir padrões ocultos, agrupamentos (clusters) ou regras de associação.

Aprendizado por Reforço

Paradigma no qual um agente aprende a tomar decisões sequenciais por tentativa e erro, recebendo recompensas ou penalidades do ambiente.

Overfitting (Superajuste)

Ocorre quando o modelo decora os dados de treino, apresentando altíssimo desempenho no treinamento, mas baixa capacidade de generalização para dados novos.

Underfitting (Subajuste)

Situação em que o modelo é simples demais para capturar a estrutura dos dados, resultando em desempenho ruim tanto no treino quanto no teste.

Precisão vs. Revocação (Recall)

Precisão mede a proporção de positivos previstos corretamente; Revocação mede a capacidade do modelo de identificar todos os positivos reais.

Matriz de Confusão

Tabela utilizada para avaliar o desempenho de um classificador, detalhando verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos.

Deep Learning (Aprendizado Profundo)

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

Mecanismo de Atenção (Attention Mechanism)

Componente que permite ao modelo ponderar e focar dinamicamente em partes relevantes da entrada ao processar sequências, superando limitações de memória.

Arquitetura Transformer

Arquitetura baseada em autoatenção dispensando recorrências (RNNs), permitindo paralelismo massivo e servindo de base para os principais LLMs modernos.

LLM (Large Language Model)

Modelo de linguagem de grande escala treinado em vastos volumes de texto para compreender, gerar e manipular linguagem natural de forma contextualizada.

Alucinação em LLMs

Fenômeno em que o modelo gera informações factualmente incorretas, incoerentes ou inventadas, apresentadas com alta confiança superficial.

Fine-Tuning (Ajuste Fino)

Processo de adaptar um modelo pré-treinado genérico reutilizando seus pesos e treinando-o em um conjunto de dados específico para uma tarefa determinada.

RAG (Retrieval-Augmented Generation)

Técnica que combina modelos generativos com sistemas de recuperação de informação, injetando fatos de fontes externas no prompt para reduzir alucinações.

Engenharia de Prompt

Prática de formular, estruturar e refinar as instruções fornecidas a um modelo generativo para obter a saída mais precisa e desejada possível.

Zero-shot e Few-shot Learning

Zero-shot resolve tarefas sem exemplos prévios no prompt; Few-shot fornece ao modelo alguns exemplos de entrada e saída antes da tarefa principal.

Viés Algorítmico (Bias)

Distorção sistemática nas decisões do modelo decorrente de dados de treino enviesados ou design inadequado, gerando resultados discriminatórios.

Explicabilidade em IA (XAI)

Capacidade de fornecer explicações compreensíveis por humanos sobre como e por que um modelo chegou a determinada decisão ou predição.

LGPD e Decisões Automatizadas

Direito assegurado ao titular dos dados de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses.

RLHF (Reinforcement Learning from Human Feedback)

Método de alinhamento de LLMs que utiliza preferências humanas como sinal de recompensa para tornar as respostas mais úteis, honestas e inofensivas.