Glossário de IA em ordem alfabética

Vocabulário conciso com termos populares na comunidade de IA e suas definições.

A

AGI: Inteligência artificial geral; um sistema capaz de realizar qualquer tarefa intelectual que um humano consegue.
Algoritmo: Conjunto de instruções lógicas e finitas para resolver um problema ou executar uma tarefa.
Aprendizado de máquina (ML): Área da IA em que modelos aprendem padrões a partir de dados para fazer previsões ou decisões.
Aprendizado profundo (Deep Learning): Subárea do ML que usa redes neurais com muitas camadas para aprender representações complexas.

B

Backpropagation: Método de treinamento de redes neurais que ajusta pesos calculando gradientes do erro de saída em relação aos pesos.
Bias (viés): Tendência sistemática do modelo que leva a erros previsíveis; pode ser estatístico ou social.

C

Classificação: Tarefa de prever rótulos discretos (por exemplo, spam vs. não-spam).
Clusterização: Agrupamento não supervisionado de dados com base em similaridade.
Computer vision: Campo que ensina máquinas a “ver” e entender imagens e vídeos.

D

Dataset: Conjunto de dados utilizado para treinar e avaliar modelos.
Detecção de objetos: Identificação e localização de instâncias (por exemplo, pessoas, carros) em imagens.
Distribuição de dados: Características estatísticas dos dados (média, variância, suporte) usadas para modelagem.

E

Embedding: Vetor numérico que representa entidades (palavras, usuários, itens) em um espaço contínuo.
Explicabilidade (XAI): Técnicas para tornar modelos mais interpretáveis e suas decisões compreensíveis.

F

Fine-tuning: Ajuste de um modelo pré-treinado em um conjunto de dados específico para uma tarefa-alvo.
Frequência de atualização: Número de vezes que pesos ou parâmetros são atualizados durante o treinamento.

G

Generalização: Capacidade do modelo de performar bem em dados novos e não vistos.
Gradient descent: Otimizador que atualiza parâmetros na direção negativa do gradiente para minimizar uma função de perda.
GPU: Unidade de processamento gráfico; acelera o treinamento, especialmente em deep learning.

H

Hyperparameter (hiperparâmetro): Configurações externas ao treinamento (por exemplo, taxa de aprendizado, número de camadas).
Hallucination: Quando um modelo gera informações plausíveis, porém incorretas ou inventadas.

I

Inferência: Processo de usar um modelo treinado para fazer previsões em novos dados.
Interpretabilidade: Grau em que se consegue compreender como um modelo produz suas saídas.

J

JSON: Formato leve de dados (texto) usado para troca de informações entre sistemas, comum em APIs de IA.

K

K-fold cross-validation: Técnica de validação que divide dados em K partes e alterna treinamentos/testes para avaliar desempenho.
Knowledge distillation: Processo de treinar um modelo menor (aluno) usando a saída de um modelo maior (professor).

L

Largura de banda: Capacidade de transferência de dados por unidade de tempo, relevante em treinamento distribuído.
LLM: Modelo de linguagem de grande porte, treinado em grandes quantidades de texto para compreender e gerar linguagem natural.
Loss function (função de perda): Medida do erro que o treinamento tenta minimizar.

M

Métricas: Critérios de avaliação (por exemplo, acurácia, precisão, recall, F1, BLEU).
Model drift: Mudança de desempenho do modelo ao longo do tempo devido à alteração na distribuição de dados.
Multimodal: Modelos que processam múltiplos tipos de dados (texto, imagem, áudio).

N

NLP: Processamento de linguagem natural; ensina máquinas a entender e gerar linguagem humana.
Normalização: Transformação dos dados (por exemplo, escalar, padronizar) para estabilizar e acelerar treinamento.

O

Overfitting: Quando o modelo memoriza o conjunto de treino e performa mal em dados novos.
Optimizers (otimizadores): Algoritmos de atualização de parâmetros (SGD, Adam, RMSProp).

P

Parâmetros: Valores internos do modelo (pesos, vieses) aprendidos durante o treinamento.
Prompt: Entrada textual que orienta o comportamento de um modelo de linguagem.
Pretraining (pré-treinamento): Treinar um modelo em tarefas gerais antes de ajustá-lo para tarefas específicas.

Q

Quantization: Redução da precisão numérica dos parâmetros (por exemplo, de float32 para int8) para acelerar inferência e reduzir memória.

R

Reforço (RL): Paradigma de aprendizado em que um agente aprende por recompensas ao interagir com um ambiente.
Regularização: Técnicas para reduzir overfitting (L2, dropout, early stopping).
Retrieval: Mecanismos de busca/recuperação de informação para complementar modelos (por exemplo, RAG).

S

Safeguards: Controles e políticas de segurança para uso responsável de modelos.
Sampling: Estratégias de geração (top-k, top-p, temperatura) em modelos de linguagem.
Supervisionado: Aprendizado com rótulos; o modelo é treinado para mapear entradas a saídas conhecidas.

T

Token: Unidade mínima de entrada/saída em modelos de linguagem (pedaços de palavras, caracteres).
Tokenizer: Ferramenta que transforma texto em tokens (BPE, WordPiece).
Transformer: Arquitetura baseada em atenção, dominante em NLP e visão.

U

Unsupervisionado: Aprendizado sem rótulos; o modelo descobre padrões por conta própria.
Underfitting: Quando o modelo é simples demais para capturar padrões dos dados.

V

Validação: Conjunto de dados usado para ajustar hiperparâmetros e evitar overfitting.
Vetorialização: Conversão de dados (texto, imagem) em vetores numéricos para processamento por modelos.

W

Weights (pesos): Parâmetros que determinam a força das conexões em redes neurais.
Word embedding: Representação vetorial densa de palavras que captura semelhanças semânticas.

X

XGBoost: Biblioteca de gradient boosting eficiente e popular para ML tabular.
XML: Formato de dados estruturado; menos comum que JSON em pipelines modernos de IA.

Y

YOLO: Modelo de detecção de objetos em tempo real, famoso por velocidade e precisão.

Z

Zero-shot: Capacidade de um modelo de resolver tarefas sem exemplos prévios, usando conhecimento geral.

### Em atualização.