Inteligência Artificial

Cartões · 52

Inteligência Artificial (IA)

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

Aprendizado de Máquina (Machine Learning)

Subcampo da IA em que algoritmos identificam padrões em dados para aprender e fazer previsões sem programação explícita.

Aprendizado Profundo (Deep Learning)

Subconjunto do Machine Learning baseado em redes neurais artificiais profundas, capaz de processar dados não estruturados complexos.

IA Estreita (ANI / Narrow AI)

IA projetada e treinada para executar com eficiência uma única tarefa específica, como reconhecimento facial ou jogos de xadrez.

IA Geral (AGI / General AI)

Conceito hipotético de IA que possui capacidade cognitiva geral equivalente ou superior à inteligência humana em qualquer tarefa.

Superinteligência Artificial (ASI)

Forma teórica de inteligência artificial que supera com larga vantagem o intelecto humano em todas as áreas do conhecimento.

Dados de Treinamento (Training Data)

Conjunto de exemplos alimentado a um algoritmo para ajustar seus parâmetros e ensiná-lo a fazer previsões corretas.

Dados de Teste (Test Data)

Subconjunto de dados nunca visto pelo modelo durante o treino, usado para avaliar sua capacidade real de generalização.

Aprendizado Supervisionado

Técnica de treino que utiliza dados rotulados, na qual o modelo aprende a mapear entradas diretamente para saídas conhecidas.

Aprendizado Não Supervisionado

Técnica que analisa dados sem rótulos prévios para descobrir estruturas ocultas, agrupamentos naturais ou padrões intrínsecos.

Aprendizado por Reforço

Método em que um agente aprende a tomar decisões sequenciais recebendo recompensas ou penalidades com base em suas ações.

Aprendizado Semissupervisionado

Abordagem que combina uma pequena quantidade de dados rotulados com um grande volume de dados não rotulados durante o treino.

Classificação

Tarefa supervisionada de atribuir itens de entrada a uma ou mais categorias pré-definidas e discretas.

Regressão

Tarefa supervisionada focada em prever um valor numérico contínuo com base nas variáveis de entrada.

Agrupamento (Clustering)

Método não supervisionado de dividir dados em grupos cujos elementos compartilham características semelhantes.

Redução de Dimensionalidade

Técnica usada para simplificar o número de variáveis de entrada de um conjunto de dados preservando a informação essencial.

Rede Neural Artificial

Modelo computacional inspirado no cérebro humano, composto por nós interconectados organizados em camadas de processamento.

Neurônio Artificial (Perceptron)

Unidade básica de uma rede neural que recebe entradas ponderadas, soma-as com um viés e passa o resultado por uma função.

Pesos (Weights)

Valores numéricos ajustáveis associados às conexões entre neurônios que determinam a força do sinal transmitido.

Viés (Bias)

Valor numérico adicionado à soma ponderada das entradas de um neurônio para deslocar sua função de ativação.

Função de Ativação

Equação matemática que introduz não linearidade na saída de um neurônio, permitindo aprender relações complexas.

Função de Perda (Loss Function)

Medida matemática que quantifica o erro entre a previsão feita pelo modelo e o resultado real esperado.

Gradiente Descendente

Algoritmo de otimização que atualiza iterativamente os pesos do modelo na direção oposta ao gradiente da função de perda.

Backpropagation

Algoritmo que calcula o gradiente do erro camada por camada de trás para frente para calibrar os pesos da rede.

Época (Epoch)

Ciclo completo no qual todo o conjunto de dados de treino é processado uma vez pelo modelo de aprendizado.

Taxa de Aprendizado (Learning Rate)

Hiperparâmetro que define o tamanho do passo dado pelo algoritmo de otimização a cada atualização de pesos.

Overfitting (Sobreajuste)

Problema em que o modelo decora os dados de treino com perfeição, mas falha em generalizar para dados inéditos.

Underfitting (Subajuste)

Situação em que o modelo é simples demais para captar os padrões essenciais dos dados, tendo baixo desempenho geral.

Regularização

Conjunto de técnicas aplicadas ao treino para evitar o overfitting e incentivar o modelo a generalizar melhor.

Dropout

Técnica de regularização em que frações aleatórias de neurônios são desativadas temporariamente a cada passo do treino.

Processamento de Linguagem Natural (PLN / NLP)

Área da IA que estuda a interpretação, geração e manipulação automática de línguas humanas por computadores.

Tokenização

Processo de quebrar um texto em unidades menores, como palavras, caracteres ou subpalavras chamadas tokens.

Embeddings (Incorporações)

Representações numéricas de palavras, conceitos ou dados em vetores contínuos que preservam relações de similaridade semântica.

Modelo de Linguagem de Grande Escala (LLM)

Modelo avançado treinado em enormes volumes textuais para gerar, traduzir e raciocinar sobre linguagem natural.

Mecanismo de Atenção

Componente computacional que permite ao modelo focar dinamicamente em partes relevantes da entrada ao gerar uma saída.

Arquitetura Transformer

Estrutura de rede neural baseada em autoatenção que revolucionou o processamento paralelo e contextual de sequências.

Visão Computacional

Campo da IA voltado à extração automática de informações significativas, descrição e análise a partir de imagens e vídeos.

Rede Neural Convolucional (CNN)

Tipo de rede neural especializada em dados espaciais com grade, amplamente empregada no processamento de imagens.

Segmentação de Imagem

Divisão de uma imagem em regiões ou pixels individuais para delimitar com precisão os objetos visíveis nela.

IA Generativa

Ramo da IA focado em criar novos conteúdos autênticos, como textos, áudios, imagens ou códigos, a partir de padrões aprendidos.

Redes Adversárias Generativas (GANs)

Arquitetura com duas redes em disputa mútua: um gerador cria amostras falsas e um discriminador tenta identificá-las.

Modelos de Difusão

Modelos generativos que aprendem a criar dados invertendo gradualmente um processo prévio de ruído aleatório aplicado.

Prompt

Instrução textual ou comando fornecido pelo usuário a um modelo de IA generativa para guiar sua resposta.

Alucinação de IA

Fenômeno em que um modelo generativo produz informações factualmente incorretas ou inventadas com aparência de certeza.

Ajuste Fino (Fine-Tuning)

Processo de retreinar um modelo pré-treinado em um conjunto específico de dados para adaptá-lo a uma tarefa nichada.

Engenharia de Recursos (Feature Engineering)

Prática de selecionar, transformar e criar variáveis informativas a partir de dados brutos para melhorar o algoritmo.

Geração Aumentada por Recuperação (RAG)

Técnica que combina modelos generativos com sistemas de busca em bancos de dados externos para embasar respostas em fontes reais.

RLHF (Aprendizado por Reforço com Feedback Humano)

Método de alinhamento em que humanos avaliam saídas de modelos para calibrá-los em segurança, utilidade e clareza.

Matriz de Confusão

Tabela comparativa usada para visualizar o desempenho de um classificador, mostrando verdadeiros e falsos positivos e negativos.

Precisão e Revocação (Precision & Recall)

Métricas que medem, respectivamente, a exatidão das previsões positivas e a capacidade de encontrar todos os casos positivos reais.

Viés Algorítmico (Algorithmic Bias)

Distorção sistemática nas decisões de um modelo gerada por preconceitos ou assimetrias presentes nos dados de treinamento.

Explicabilidade (XAI / Explainable AI)

Conjunto de métodos desenvolvidos para tornar as decisões e o funcionamento interno de modelos complexos de IA transparentes a humanos.