IA & Aprendizado de Máquina
59 termos de IA & Aprendizado de Máquina explicados com clareza, e como o GAIA coloca cada um para trabalhar.
Agente de IA
Um agente de IA é um sistema de software autônomo que percebe seu ambiente, avalia o que deve ser feito e toma ações para atingir objetivos específicos sem a necessidade de orientação humana constante.
IA Agente
IA Agente descreve sistemas de inteligência artificial projetados para operar de forma autônoma, tomando decisões e executando tarefas em múltiplas etapas com o mínimo de supervisão humana.
IA Proativa
IA proativa é a IA que age antes de você pedir: ela acompanha eventos (um e-mail novo, uma reunião que se aproxima, um prazo), decide quando algo precisa de atenção e começa o trabalho ou avisa você por conta própria. A IA reativa é o oposto: não faz nada até você enviar um prompt ou um comando, e só então responde.
Memória Baseada em Grafo
Memória baseada em grafo é uma arquitetura de memória de IA que armazena informações como nós e relações interconectados, permitindo compreensão contextual rica e conhecimento persistente ao longo das interações.
Busca Semântica
Busca semântica é uma técnica de busca que entende o significado e a intenção por trás de uma consulta, retornando resultados com base na relevância conceitual e não apenas pela correspondência exata de palavras-chave.
Modelo de Linguagem de Grande Porte (LLM)
Um Modelo de Linguagem de Grande Porte (LLM) é um modelo de inteligência artificial treinado em enormes quantidades de dados textuais, capaz de compreender, gerar e raciocinar sobre a linguagem humana com grande fluência.
Consciência de contexto
Consciência de contexto em IA é a capacidade de compreender toda a situação em torno de uma tarefa ou interação, incluindo quem está envolvido, o que já aconteceu, projetos relacionados, prazos e as preferências e padrões do usuário.
Orquestração de IA
Orquestração de IA é a coordenação de múltiplos agentes, modelos e ferramentas de IA trabalhando juntos para completar tarefas complexas e multietapas que nenhum componente sozinho seria capaz de realizar.
Transformer
Um transformer é uma arquitetura de rede neural introduzida em 2017 que utiliza mecanismos de autoatenção para processar sequências de dados em paralelo, formando a base de todos os modernos grandes modelos de linguagem.
Ajuste Fino
Ajuste fino é o processo de pegar um modelo de IA pré-treinado e continuar seu treinamento em um conjunto de dados menor e específico, para adaptar o comportamento do modelo para um domínio ou aplicação particular.
Embeddings
Embeddings são representações densas em vetor numérico de dados, como texto, imagens ou áudio, que capturam significados e relações semânticas em um espaço de alta dimensão.
Banco de Dados Vetorial
Um banco de dados vetorial é um sistema de banco de dados projetado para armazenar, indexar e consultar embeddings vetoriais de alta dimensão em escala, permitindo buscas rápidas por similaridade em grandes coleções de dados embutidos.
Geração Aumentada por Recuperação (RAG)
Geração Aumentada por Recuperação (RAG) é uma técnica que aprimora as respostas de LLMs ao primeiro recuperar documentos ou dados relevantes de uma base de conhecimento externa e injetar esse contexto no prompt do modelo.
Engenharia de Prompt
Engenharia de prompt é a prática de projetar e refinar entradas para modelos de linguagem de IA, a fim de obter respostas desejadas de forma consistente, moldando o comportamento do modelo sem modificar seus pesos.
Zero-Shot Learning
Zero-shot learning é a capacidade de um modelo de IA realizar tarefas para as quais nunca foi treinado explicitamente, confiando em conhecimento geral e raciocínio, em vez de exemplos específicos da tarefa.
Few-Shot Learning
Few-shot learning é a capacidade de um modelo de IA adaptar-se a uma nova tarefa ou formato de saída a partir de apenas alguns exemplos de entrada e saída fornecidos no prompt, sem qualquer atualização dos pesos.
Raciocínio em cadeia
Raciocínio em cadeia (Chain-of-thought, CoT) é uma técnica de prompting que instrui o modelo de IA a expor seus passos intermediários de raciocínio antes de chegar a uma resposta final, melhorando significativamente a precisão em problemas complexos de múltiplas etapas.
Alucinação
Alucinação de IA é o fenômeno onde um modelo de linguagem gera informações aparentemente confiantes, mas que são factualmente incorretas, inventadas ou sem sentido, e que não estão fundamentadas nos dados de entrada ou de treinamento.
Tokenização
Tokenização é o processo de dividir o texto em unidades menores chamadas tokens, que servem como unidades básicas de entrada para modelos de linguagem. Tokens normalmente representam fragmentos de palavras, palavras inteiras ou pontuação.
Janela de Contexto
A janela de contexto é o número máximo de tokens que um modelo de linguagem pode processar em uma única chamada de inferência, incluindo o prompt do sistema, histórico da conversa, documentos recuperados e saída gerada.
Rede Neural
Uma rede neural é um modelo computacional inspirado em sistemas neurais biológicos, composto por camadas interconectadas de nós que aprendem a transformar dados de entrada em saídas, ajustando os pesos das conexões durante o treinamento.
Processamento de Linguagem Natural (PLN)
Processamento de Linguagem Natural (PLN) é um ramo da inteligência artificial que foca em permitir que computadores compreendam, interpretem, gerem e respondam à linguagem humana de forma significativa.
IA multimodal
IA multimodal refere-se a sistemas de inteligência artificial capazes de processar e gerar vários tipos de dados, como texto, imagens, áudios e vídeos, dentro de um único modelo ou pipeline integrado.
Modelo Fundamental
Um modelo fundamental é um grande modelo de IA treinado em larga escala com dados amplos, que pode ser adaptado para uma ampla variedade de tarefas por meio de ajuste fino, prompts ou integração em arquiteturas de aplicações.
Inferência
Inferência é o processo de executar um modelo de IA treinado em novos dados de entrada para gerar previsões, respostas ou decisões, em oposição ao treinamento, que é o processo de construir o modelo a partir dos dados.
Alinhamento de IA
Alinhamento de IA é o campo de pesquisa e engenharia dedicado a garantir que sistemas de IA busquem objetivos que sejam benéficos, seguros e consistentes com os valores e intenções humanas, mesmo à medida que se tornam mais capazes e autônomos.
Uso de Ferramentas
O uso de ferramentas é a habilidade dos agentes de IA de invocar funções, APIs, bancos de dados e serviços externos para recuperar informações ou executar ações no mundo real, indo além da simples geração de texto.
Chamada de Função
Chamada de função é um recurso de modelos de IA que permite gerar invocações estruturadas e legíveis por máquina de funções predefinidas, possibilitando que sistemas de IA acessem APIs e ferramentas externas com os argumentos corretos.
Agente Autônomo
Um agente autônomo é um sistema de IA capaz de perceber seu ambiente, tomar decisões e agir de forma independente para alcançar objetivos específicos sem precisar de intervenção humana em cada etapa.
Orquestração
Orquestração em IA refere-se à coordenação sistemática de múltiplos agentes, modelos, ferramentas e fontes de dados para executar tarefas complexas de múltiplas etapas com gerenciamento de dependências, estado e tratamento de erros.
Memória do Agente
Memória do agente é a capacidade de um agente de IA armazenar, recuperar e utilizar informações de interações, observações e ações anteriores para informar futuros comportamentos, possibilitando contexto persistente entre sessões.
Temperatura (IA)
Temperatura é um parâmetro na inferência de modelos de linguagem que controla a aleatoriedade na escolha de tokens — temperaturas mais altas produzem saídas mais variadas e criativas, enquanto temperaturas mais baixas geram respostas mais consistentes e determinísticas.
Prompt do Sistema
Prompt do sistema é um conjunto de instruções fornecidas a um modelo de linguagem no início da sessão, que define sua persona, restrições, tom e diretrizes de comportamento antes de qualquer interação com o usuário.
Saída Estruturada
Saída estruturada é uma técnica que limita um LLM a responder em um formato predefinido — normalmente JSON ou XML — permitindo a análise programática confiável das respostas do modelo, em vez de texto livre.
Guardrails
Guardrails são restrições de segurança aplicadas a sistemas de IA para limitar, filtrar ou redirecionar as respostas do modelo, prevenindo comportamentos nocivos, incorretos ou indesejados, ao mesmo tempo permitindo usos benéficos.
Agent Loop
Um agent loop é o ciclo de execução iterativa de um agente de IA no qual ele analisa o estado atual, seleciona e executa uma ação (frequentemente uma chamada de ferramenta), observa o resultado e repete até a tarefa ser concluída ou uma condição de parada ser alcançada.
Agente Supervisor
Um agente supervisor é o agente de IA que comanda um sistema multiagente. Ele recebe o pedido, divide em subtarefas, entrega cada uma a um agente trabalhador especializado (um subagente) com as ferramentas certas, confere o que volta e junta os resultados em uma resposta só. Os trabalhadores executam; o supervisor decide quem faz o quê e quando o trabalho está pronto.
Subagente
Um subagente é um agente de IA que outro agente inicia para cuidar de uma parte de uma tarefa maior. O agente principal (muitas vezes chamado de supervisor ou orquestrador) passa a ele uma tarefa por escrito, um conjunto restrito de ferramentas e um contexto novo só dele; o subagente trabalha nessa parte de forma independente e devolve apenas o resultado. Dividir o trabalho assim permite rodar vários subagentes em paralelo e mantém limpo o contexto do agente principal.
Agentes Paralelos
Agentes paralelos são múltiplos agentes de IA que executam ao mesmo tempo tarefas independentes, combinando seus resultados para concluir fluxos de trabalho complexos mais rapidamente do que um processamento sequencial de agente único permitiria.
Estado do Agente
Estado do agente é o conjunto de dados estruturados que um agente de IA mantém durante a execução de uma tarefa, registrando o que foi feito, o que foi aprendido e quais etapas ainda restam — permitindo o raciocínio em múltiplas etapas sem repetição de tarefas.
Encadeamento de Prompts
Encadeamento de prompts é uma técnica onde a saída de um prompt de LLM é usada como entrada para o próximo, criando uma sequência de chamadas conectadas que, coletivamente, realizam uma tarefa complexa que nenhum único prompt conseguiria executar de forma confiável.
Roteamento Semântico
Roteamento semântico é a prática de classificar a entrada do usuário pelo significado e intenção para direcioná-la ao manipulador, agente ou estratégia de resposta apropriados — permitindo que uma única interface de IA gerencie inteligentemente diferentes tipos de solicitações.
LLM local
Um LLM local é um modelo de linguagem grande que roda inteiramente no seu próprio hardware — seja laptop, workstation ou servidor autogerenciado — sem enviar dados para provedores de APIs externas.
Aprendizado por Transferência
O aprendizado por transferência em IA é uma técnica em que um modelo treinado para uma tarefa reaproveita o que aprendeu como ponto de partida para outra tarefa diferente, mas relacionada, em vez de ser treinado do zero. É isso que torna os grandes modelos de linguagem viáveis: eles são pré-treinados uma vez com enormes volumes de texto e depois adaptados para conversa, programação ou um domínio específico com uma pequena fração dos dados e do processamento.
Aprendizado por Reforço
Aprendizado por reforço (RL) é um paradigma de aprendizado de máquina no qual um agente aprende a tomar decisões ao receber sinais de recompensa por ações que alcançam resultados desejados e sinais de penalidade por ações indesejadas.
Reconhecimento de Intenção
Reconhecimento de intenção é o processo pelo qual um sistema de IA identifica o objetivo ou propósito subjacente à entrada de um usuário, permitindo selecionar a resposta ou ação adequada, em vez de apenas reagir à forma superficial da mensagem.
Extração de Entidade
A extração de entidades é o processo de PLN que identifica e classifica informações específicas — como pessoas, organizações, datas, locais e tarefas — dentro de textos não estruturados.
Reconhecimento de Entidades Nomeadas (NER)
Reconhecimento de entidades nomeadas (NER) é uma tarefa de processamento de linguagem natural que identifica e classifica entidades nomeadas em textos em categorias predefinidas, como pessoas, organizações, locais, datas e entidades específicas de cada domínio.
Análise de Sentimento
Análise de sentimento é o uso de processamento de linguagem natural (PLN) e IA para identificar o tom emocional de um texto e rotulá-lo, normalmente como positivo, negativo ou neutro, às vezes com uma nota para a intensidade do sentimento ou um rótulo mais fino, como frustrado, animado ou urgente.
Reconhecimento de Voz
Reconhecimento de voz (Speech-to-Text, STT), também chamado de reconhecimento automático de fala (ASR), é a tecnologia de IA que converte áudio falado em texto escrito: você fala e o software escreve o que você disse. Ele está por trás do ditado no celular, das legendas ao vivo, dos assistentes de voz e dos chatbots de voz, e é o primeiro passo sempre que um sistema de IA precisa entender a fala.
Texto para Fala
Texto para fala (TTS) é a tecnologia que converte textos escritos em áudio falado sintetizado, permitindo que computadores e sistemas de IA se comuniquem verbalmente por meio de vozes naturais.
Arquitetura Cognitiva
Arquitetura cognitiva em IA é o framework estrutural que define como um agente inteligente percebe seu ambiente, processa informações, armazena e recupera conhecimento, toma decisões e executa ações.
IA Aumentada por Memória
IA aumentada por memória é uma arquitetura de inteligência artificial que expande as capacidades de um modelo de linguagem conectando-o a sistemas externos de memória persistente, permitindo que o agente se lembre e recupere informações além dos limites de uma única janela de contexto.
Modelo de Raciocínio
Um modelo de raciocínio é um modelo de linguagem de IA especialmente otimizado para pensar em problemas passo a passo, utilizando uma deliberação interna antes de gerar a resposta final, alcançando maior precisão em tarefas que exigem raciocínio complexo.
Reinforcement Learning from Human Feedback (RLHF)
Reinforcement Learning from Human Feedback (RLHF) é uma técnica de aprendizado de máquina que treina modelos de IA para gerar resultados preferidos por humanos, aprendendo a partir de classificações ou avaliações humanas em vez de apenas dados brutos.
IA Constitucional
IA Constitucional (CAI) é uma metodologia de treinamento desenvolvida pela Anthropic que alinha modelos de IA aos valores humanos, fazendo com que a IA avalie e revise suas próprias respostas com base em um conjunto de princípios escritos — uma "constituição" — em vez de depender exclusivamente de dados de preferência rotulados por humanos.
Token
Em IA, um token é a unidade básica de texto processada por modelos de linguagem — aproximadamente equivalente a 4 caracteres ou ¾ de uma palavra inglesa média. Tokens são usados para medir a capacidade da janela de contexto e determinar os custos de uso da API.
Chatbot vs assistente de IA
Um chatbot é um software que conversa com você: responde perguntas em uma janela de chat usando regras programadas ou um modelo de linguagem. A diferença entre um chatbot e um assistente de IA é a ação. Um chatbot responde; um assistente de IA (muitas vezes chamado de assistente virtual ou digital) também faz o trabalho, como enviar o e-mail, marcar a reunião ou criar a tarefa, nas ferramentas que você já usa.
Assistente de IA vs. agente de IA
Um assistente de IA é uma IA que ajuda uma pessoa quando ela pede: você pergunta, ele responde ou executa a tarefa, e você continua no comando. Um agente de IA é uma IA que recebe um objetivo e trabalha sozinha para alcançá-lo, decidindo quais passos dar e quais ferramentas usar pelo caminho. Hoje, a maioria dos assistentes de IA mais capazes funciona com agentes por trás.
