Criamos um glossário que explica os termos de IA mais importantes em linguagem simples. Sempre que você esbarrar em um termo de inteligência artificial que não conhece, é só consultá-lo rapidamente aqui.
Criamos um glossário que explica os termos de IA mais importantes em linguagem simples. Sempre que você esbarrar em um termo de inteligência artificial que não conhece, é só consultá-lo rapidamente aqui.
Um agente é um software de IA capaz de trabalhar de forma independente para concluir tarefas, sem supervisão humana constante, usando ferramentas quando precisa e tomando decisões por conta própria. Diferente dos chatbots, que apenas respondem a perguntas, os agentes perseguem objetivos ativamente e adaptam sua abordagem conforme o que encontram pela frente.
Um algoritmo nada mais é do que um conjunto de instruções passo a passo para realizar uma tarefa específica. Na IA, os algoritmos dizem aos computadores como processar dados, reconhecer padrões ou fazer previsões. Analistas de dados usam algoritmos para organizar informações, enquanto cientistas de dados os utilizam para criar modelos capazes de aprender com a experiência.
Alinhamento diz respeito a garantir que os sistemas de IA persigam objetivos compatíveis com os valores e as intenções humanas. Esse é um dos maiores desafios do desenvolvimento de IA. Um sistema pode, tecnicamente, fazer exatamente o que você pediu e, ainda assim, causar danos não intencionais ou simplesmente passar longe da real intenção.
Uma API é um conjunto de regras que permite que diferentes programas conversem entre si e troquem informações. Quando você usa um aplicativo que puxa dados de outro serviço, é uma API que faz essa conexão acontecer nos bastidores. Na IA, as APIs permitem que desenvolvedores integrem recursos poderosos de IA aos seus aplicativos sem precisar construir tudo do zero. Em geral, elas são escritas em linguagens de programação como C++ ou JavaScript.
AGI se refere a uma IA capaz de realizar qualquer tarefa intelectual que um ser humano consiga fazer. Pesquisadores da Microsoft a definiram como uma inteligência artificial que iguala a capacidade humana em todas as tarefas intelectuais. Ainda não chegamos à AGI, e os especialistas discordam sobre se faltam décadas ou séculos para alcançá-la.
ASI descreve uma IA que superaria a inteligência humana em todas as áreas. Enquanto a AGI iguala a capacidade humana, a ASI a ultrapassaria. Trata-se ainda de um conceito teórico, e os especialistas debatem se é sequer possível. Se a ASI um dia fosse criada, ela seria capaz de resolver problemas e gerar descobertas muito além do que qualquer ser humano poderia alcançar.
Atenção é um mecanismo das redes neurais que ajuda os modelos de IA a focar nas partes mais relevantes da entrada. Quando você lê uma frase longa, presta naturalmente mais atenção a certas palavras de acordo com o contexto. Os modelos de IA usam os mecanismos de atenção da mesma forma. Essa tecnologia é essencial para a compreensão da linguagem e tornou a IA moderna muito mais eficaz no processamento de informações complexas.
Viés na IA se refere a erros sistemáticos ou resultados injustos causados por dados de treinamento falhos. Se um modelo de IA aprende a partir de dados que refletem preconceitos históricos ou informações incompletas, ele vai reproduzir esses problemas em suas previsões.
Big data se refere a conjuntos de dados extremamente grandes que revelam padrões e tendências quando analisados. Hoje, as organizações conseguem coletar quantidades enormes de informações complexas usando ferramentas modernas de coleta de dados. O big data alimenta muitas aplicações de IA, porque os modelos de aprendizado de máquina precisam de imensos volumes de informação para aprender com eficácia.
O chain-of-thought, ou encadeamento de raciocínio, é uma técnica em que você pede ao modelo de IA para mostrar seu raciocínio passo a passo antes de dar a resposta final. Essa abordagem melhora a precisão em problemas complexos, como questões de matemática ou quebra-cabeças lógicos.
Um chatbot é um software criado para simular uma conversa humana por texto ou voz. Overchat AI, ChatGPT e Claude são exemplos de chatbots. Os chatbots usam processamento de linguagem natural para entender o que você está perguntando e oferecer respostas relevantes.
O CLIP é um modelo de IA desenvolvido pela OpenAI que conecta imagens e texto. Ele consegue entender conteúdo visual e gerar descrições, ou fazer o caminho inverso, encontrando imagens que correspondem a descrições em texto. Essa tecnologia preenche a lacuna entre linguagem e visão, permitindo que os sistemas de IA atuem nos dois meios.
Computação cognitiva é, na essência, outro nome para IA, embora costume ser usado em contextos de marketing. Refere-se a sistemas de computador que imitam os processos do pensamento humano, como compreender a linguagem natural, reconhecer padrões e aprender com a experiência.
Compute se refere aos recursos computacionais necessários para treinar ou rodar modelos de IA. Isso inclui o poder de processamento de CPUs e GPUs, memória e tempo. Treinar grandes modelos de IA exige enormes quantidades de compute, e é por isso que os principais avanços em IA costumam vir de organizações com acesso a uma infraestrutura de computação massiva.
A janela de contexto é a quantidade máxima de texto que um modelo de IA consegue processar e lembrar de uma só vez. Você pode pensar nela como a memória de trabalho do modelo durante uma conversa. Modelos com janelas de contexto maiores conseguem lidar com documentos mais longos, manter a coerência ao longo de conversas extensas e trabalhar com entradas mais complexas. Isso é medido em tokens, que equivalem aproximadamente a palavras ou partes de palavras.
O aumento de dados é o processo de criar variações de dados de treinamento já existentes para oferecer aos modelos de IA mais exemplos para aprender. Em vez de coletar dados totalmente novos, você faz pequenas modificações no que já tem. No reconhecimento de imagens, isso pode significar girar fotos, ajustar o brilho ou inverter as imagens na horizontal.
A mineração de dados é o processo de examinar grandes conjuntos de dados para descobrir padrões e extrair insights úteis. É uma parte central da análise de dados, que ajuda as empresas a tomar decisões mais bem fundamentadas. As técnicas de mineração de dados podem revelar tendências de comportamento dos clientes, identificar oportunidades de mercado ou detectar padrões de fraude.
A ciência de dados é um campo interdisciplinar que combina estatística, programação e conhecimento de domínio para extrair conhecimento a partir de dados. Os cientistas de dados usam algoritmos e métodos analíticos para encontrar padrões em grandes conjuntos de dados e fazer previsões. Esse campo fica na interseção entre matemática, ciência da computação e inteligência de negócios.
O aprendizado profundo é uma técnica de aprendizado de máquina que usa redes neurais artificiais com múltiplas camadas. Essas redes são inspiradas na estrutura do cérebro humano e conseguem aprender padrões complexos a partir dos dados. Diferentemente das abordagens mais simples de aprendizado de máquina, os modelos de deep learning conseguem melhorar sua precisão pela repetição, sem intervenção humana.
Difusão é uma técnica para gerar conteúdo novo aprendendo a reverter um processo de adição de ruído. Um modelo de difusão parte de dados reais, adiciona ruído aleatório a eles e, então, treina uma rede neural para prever como remover esse ruído. Uma vez treinado, o modelo consegue gerar imagens, áudios ou outros conteúdos totalmente novos que se assemelham aos dados de treinamento. Essa abordagem se tornou popular na criação de imagens de IA de alta qualidade.
Um embedding é uma forma de representar dados como números em um espaço multidimensional. Palavras, imagens ou outros dados complexos são convertidos em vetores nos quais itens semelhantes acabam ficando próximos uns dos outros. Por exemplo, as palavras "rei" e "rainha" teriam embeddings parecidos, porque são conceitos relacionados. Essa representação matemática permite que os modelos de IA compreendam relações e significados nos dados que processam.
Comportamento emergente se refere a capacidades inesperadas que os sistemas de IA desenvolvem e que não foram explicitamente programadas. Essas habilidades só surgem quando o sistema atinge certa escala ou complexidade. Grandes modelos de linguagem já demonstraram comportamentos emergentes, como escrever poesia, compor música ou resolver quebra-cabeças lógicos, mesmo sem terem sido treinados especificamente para essas tarefas. Esse fenômeno ao mesmo tempo empolga e preocupa os pesquisadores de IA.
O aprendizado ponta a ponta é uma abordagem de aprendizado de máquina em que os modelos aprendem diretamente a partir de dados brutos, sem a necessidade de atributos definidos manualmente. Em vez de humanos indicarem quais aspectos dos dados importam, o próprio modelo descobre isso sozinho. Você fornece os dados brutos de um lado, e o modelo produz os resultados do outro, aprendendo tudo o que está no meio de forma automática.
Um sistema especialista é um software de IA criado para resolver problemas complexos dentro de um domínio específico, imitando a expertise humana. Esses sistemas usam bases de conhecimento e regras lógicas para tomar decisões ou fornecer recomendações. Os sistemas especialistas foram populares nos primórdios da IA e ainda são usados em áreas como diagnóstico médico e planejamento financeiro, onde conseguem codificar décadas de conhecimento especializado.
O ajuste fino pega um modelo de IA pré-treinado e o adapta para uma tarefa ou domínio específico. O modelo já aprendeu padrões gerais a partir de um grande conjunto de dados. Você, então, o treina um pouco mais com um conjunto de dados menor e especializado para melhorar seu desempenho no seu caso de uso específico.
A propagação direta é a forma como as redes neurais processam a informação, da entrada até a saída. Os dados entram na rede e passam por cada camada, onde são transformados por pesos e funções de ativação. Esse fluxo para a frente produz a previsão ou a resposta da rede.
Modelos de fundação são grandes sistemas de IA treinados em conjuntos de dados amplos e variados, que podem ser adaptados para muitas tarefas diferentes. Em vez de construir modelos especializados do zero, os desenvolvedores podem fazer o ajuste fino de modelos de fundação para aplicações específicas. Alguns exemplos são GPT, BERT e CLIP.
As GANs são formadas por duas redes neurais que competem entre si para gerar conteúdo realista. Uma rede cria dados falsos, enquanto a outra tenta detectá-los. Por meio desse processo adversarial, a geradora vai melhorando até conseguir criar imagens, vídeos ou outros conteúdos convincentes.
A IA generativa cria conteúdos novos, como texto, imagens, música ou código, com base em padrões aprendidos a partir dos dados de treinamento. Diferentemente da IA que apenas analisa ou classifica informações, a IA generativa produz resultados originais. ChatGPT, DALL-E e ferramentas semelhantes são exemplos de sistemas de IA generativa.
As GPUs são processadores especializados originalmente projetados para renderizar gráficos, mas que hoje são essenciais para a IA. Elas se destacam por realizar muitos cálculos simultaneamente, o que as torna muito mais rápidas do que as CPUs comuns no treinamento de redes neurais. A maioria dos avanços modernos em IA depende do poder de computação das GPUs.
A alucinação acontece quando os modelos de IA geram informações falsas ou sem sentido e as apresentam como se fossem fatos. Os grandes modelos de linguagem às vezes inventam fontes, criam estatísticas falsas ou descrevem acontecimentos que nunca existiram. Isso ocorre porque os modelos preveem textos que soam plausíveis, em vez de recuperar informações verificadas.
As camadas ocultas são as camadas de uma rede neural que ficam entre a camada de entrada e a de saída. Elas são chamadas de ocultas porque não ficam diretamente visíveis para os usuários. Essas camadas transformam e processam a informação, permitindo que a rede aprenda padrões e relações complexas nos dados.
O ajuste de hiperparâmetros é o processo de escolher as melhores configurações para um modelo de aprendizado de máquina antes de o treinamento começar. Diferentemente dos parâmetros, que o modelo aprende sozinho, os hiperparâmetros são definidos por humanos e controlam como o processo de aprendizado funciona. Encontrar os hiperparâmetros ideais influencia bastante o desempenho do modelo.
O reconhecimento de imagens é a capacidade dos sistemas de IA de identificar objetos, pessoas, lugares ou textos em imagens e vídeos. Essa tecnologia está por trás de aplicações que vão do reconhecimento facial em smartphones ao controle de qualidade automatizado na indústria. O reconhecimento de imagens moderno usa modelos de aprendizado profundo treinados com milhões de imagens rotuladas.
Inferência é o processo de usar um modelo de IA já treinado para fazer previsões sobre dados novos. Depois que um modelo aprendeu com os dados de treinamento, a inferência é o momento em que ele realmente coloca isso em prática. Toda vez que você faz uma pergunta ao ChatGPT ou usa o desbloqueio facial do celular, isso é inferência em ação.
O instruction tuning é uma técnica de ajuste fino em que os modelos aprendem a seguir instruções específicas dadas nos prompts. Em vez de apenas prever texto, os modelos ajustados por instruções entendem comandos como "resuma isto", "traduza aquilo" ou "explique este conceito". Isso torna os assistentes de IA mais úteis e fáceis de controlar.
Grandes modelos de linguagem são sistemas de IA treinados em enormes quantidades de texto para compreender e gerar linguagem parecida com a humana. Eles funcionam prevendo quais palavras devem vir a seguir em uma sequência. LLMs como o GPT-4 e o Claude conseguem escrever redações, responder perguntas e realizar diversas tarefas de linguagem.
O espaço latente é uma representação matemática compactada dos dados que os modelos de IA criam internamente. Conceitos ou imagens semelhantes ficam posicionados próximos uns dos outros nesse espaço. Entender o espaço latente ajuda a explicar como os modelos de IA organizam e compreendem os padrões que aprenderam.
Uma função de perda mede o quanto as previsões de um modelo estão erradas durante o treinamento. O modelo tenta minimizar essa perda ajustando seus parâmetros internos. Pense nela como uma nota que diz ao modelo o quanto ele ainda precisa melhorar.
O aprendizado de máquina é um subcampo da IA em que os sistemas aprendem a partir de dados, em vez de seguir uma programação explícita. Esses sistemas identificam padrões e melhoram seu desempenho ao longo do tempo por meio da experiência. O aprendizado de máquina alimenta de tudo, de filtros de spam a sistemas de recomendação.
A mistura de especialistas é uma técnica em que vários modelos de IA especializados trabalham em conjunto. Diferentes modelos "especialistas" lidam com diferentes tipos de entrada ou de tarefa, e um mecanismo de roteamento decide quais especialistas usar. Essa abordagem pode ser mais eficiente do que usar um único modelo gigantesco para tudo.
A IA multimodal consegue processar e gerar vários tipos de dados, como texto, imagens, áudio e vídeo. Em vez de ficar limitada a um único formato, os modelos multimodais entendem as relações entre diferentes tipos de mídia. O GPT-4 com visão é um exemplo capaz de analisar tanto texto quanto imagens.
O Processamento de Linguagem Natural permite que os computadores compreendam, interpretem e gerem a linguagem humana. O NLP está por trás de recursos como autocorreção, aplicativos de tradução e assistentes de voz. É a tecnologia que preenche a lacuna entre a forma como os humanos se comunicam e a forma como os computadores processam informações.
Uma rede neural é um modelo de IA inspirado no funcionamento do cérebro humano. Ela é formada por nós interconectados, chamados de neurônios, organizados em camadas. Cada neurônio processa informações e passa sinais para outros neurônios, permitindo que a rede aprenda padrões complexos a partir dos dados.
O NeRF é uma técnica para criar cenas 3D a partir de imagens 2D usando redes neurais. Ele consegue gerar visões fotorrealistas de objetos ou ambientes a partir de ângulos que não estavam nas fotos originais. Essa tecnologia viabiliza aplicações em realidade virtual, produção de filmes e visualização arquitetônica.
Uma função objetivo é aquilo que um modelo de aprendizado de máquina tenta otimizar durante o treinamento. Pode ser algo que o modelo queira maximizar (como a precisão) ou minimizar (como o erro). A função objetivo orienta todo o processo de aprendizado e define o que significa "sucesso" para o modelo.
O sobreajuste acontece quando um modelo aprende os dados de treinamento bem demais, incluindo seus ruídos e suas peculiaridades. O modelo se sai muito bem nos exemplos de treinamento, mas falha diante de dados novos que nunca viu antes. É como decorar as respostas de uma prova em vez de entender os conceitos por trás delas.
Parâmetros são as variáveis internas que um modelo de aprendizado de máquina aprende durante o treinamento. Nas redes neurais, os parâmetros incluem os pesos e os vieses que determinam como a rede processa a informação. Os grandes modelos de linguagem podem ter centenas de bilhões de parâmetros, que guardam o conhecimento que eles aprenderam.
O pré-treinamento é a fase inicial em que um modelo de IA aprende padrões gerais a partir de grandes conjuntos de dados, antes de ser adaptado para tarefas específicas. Durante o pré-treinamento, o modelo desenvolve um conhecimento básico sobre linguagem, imagens ou outros tipos de dados. Esse conhecimento de base pode, depois, passar por ajuste fino para aplicações especializadas.
Um prompt é a entrada ou instrução que você dá a um modelo de IA para obter a resposta desejada. Na IA baseada em texto, os prompts podem ser perguntas, comandos ou contextos que orientam a saída do modelo. Prompts bem elaborados melhoram bastante a qualidade e a relevância das respostas da IA.
A engenharia de prompt é a prática de elaborar prompts eficazes para obter resultados melhores dos modelos de IA. Isso envolve escolher as palavras certas, fornecer exemplos, definir restrições e estruturar os pedidos de forma estratégica. Uma boa engenharia de prompt pode melhorar drasticamente a qualidade do resultado da IA sem mexer no modelo em si.
O RAG combina modelos de linguagem com fontes externas de informação, como documentos ou bancos de dados. Quando você faz uma pergunta, o sistema primeiro recupera as informações relevantes e, em seguida, usa esse conteúdo para gerar uma resposta precisa. Isso ajuda os modelos de IA a oferecer respostas mais atualizadas e factuais.
As técnicas de regularização evitam que os modelos sofram sobreajuste, adicionando restrições durante o treinamento. Esses métodos desencorajam o modelo de se tornar complexo demais ou de depender excessivamente de padrões específicos dos dados de treinamento. A regularização ajuda os modelos a generalizar melhor para situações novas.
O aprendizado por reforço treina a IA fazendo com que ela aprenda por tentativa e erro. O modelo realiza ações em um ambiente e recebe recompensas pelas boas escolhas e penalidades pelas ruins. Com o tempo, ele aprende estratégias que maximizam as recompensas, de forma parecida com a maneira como os humanos aprendem com as consequências.
O RLHF aprimora os modelos de IA incorporando as preferências humanas ao processo de treinamento. Pessoas avaliam diferentes saídas do modelo, e o sistema aprende a gerar respostas alinhadas a essas preferências. Essa técnica foi essencial para tornar os chatbots mais úteis e seguros.
O aprendizado supervisionado treina os modelos usando dados rotulados, nos quais as respostas corretas são fornecidas. O modelo aprende a mapear entradas em saídas estudando esses exemplos. Essa abordagem funciona bem para tarefas como classificação de imagens ou detecção de spam, em que você tem muitos dados de treinamento rotulados.
A IA simbólica usa lógica e regras para representar conhecimento e resolver problemas. Diferentemente das redes neurais, que aprendem padrões de forma estatística, a IA simbólica trabalha com símbolos e relações explícitos. Os primeiros sistemas de IA dependiam bastante dessa abordagem, antes de o aprendizado de máquina se tornar dominante.
A temperatura controla o quanto as saídas de um modelo de IA são criativas ou determinísticas. Temperaturas mais baixas tornam as respostas mais focadas e previsíveis. Temperaturas mais altas produzem resultados mais variados e imaginativos, porém com menos consistência.
Um token é a unidade básica de texto que os modelos de linguagem processam. Em inglês, um token equivale aproximadamente a três quartos de uma palavra ou cerca de quatro caracteres. Os modelos dividem o texto em tokens para analisar e gerar linguagem com eficiência.
Os transformers são arquiteturas de rede neural projetadas para processar dados sequenciais, como texto. Eles usam mecanismos de atenção para entender as relações entre as palavras, independentemente da posição delas na frase. Os transformers estão por trás da maioria dos modelos de linguagem modernos, incluindo o GPT e o
BERT.
O transfer learning aplica o conhecimento de uma tarefa a outra tarefa relacionada. Um modelo treinado em reconhecimento de imagens em geral pode ser adaptado para imagens médicas com bem menos treinamento adicional. Essa abordagem economiza tempo e recursos e, ainda assim, alcança um desempenho forte.
O subajuste ocorre quando um modelo é simples demais para captar os padrões por trás dos dados. O modelo se sai mal tanto nos dados de treinamento quanto nos dados novos, porque não aprendeu o suficiente. É como tentar ajustar uma linha reta a dados que fazem curvas.
O aprendizado não supervisionado encontra padrões nos dados sem exemplos rotulados ou categorias predefinidas. O modelo explora a estrutura dos dados por conta própria, descobrindo agrupamentos ou relações. Essa abordagem é útil para segmentação de clientes, detecção de anomalias e análise exploratória.
Os dados de validação são um conjunto de dados separado, usado para ajustar as configurações de um modelo durante o desenvolvimento. Eles são diferentes tanto dos dados de treinamento (usados para ensinar o modelo) quanto dos dados de teste (usados para a avaliação final). Os dados de validação ajudam você a tomar decisões sobre a arquitetura do modelo e os hiperparâmetros sem cair no sobreajuste.
O reconhecimento de voz permite que os computadores compreendam e interpretem a linguagem falada. Também chamado de reconhecimento de fala, essa tecnologia converte o áudio da fala humana em texto ou comandos. Assistentes de voz como a Siri e a Alexa dependem do reconhecimento de voz para entender o que você está dizendo.
O aprendizado zero-shot permite que os modelos lidem com tarefas para as quais não foram explicitamente treinados. O modelo usa seu conhecimento geral para fazer previsões sobre categorias ou situações totalmente novas. Por exemplo, um modelo de linguagem pode traduzir entre idiomas que nunca viu durante o treinamento por compreender os padrões da linguagem de forma geral.
Isso cobre os principais termos de IA! Esta coletânea oferece uma base sólida para entender a inteligência artificial. Ela está organizada em ordem alfabética, mas os conceitos são interligados, então você vai ver esses termos sendo usados em conjunto à medida que se aprofundar na IA.
