Media Clorians · IA para negócios Glossário de IA

Juntar itens parecidos em grupos sem categorias definidas previamente. Uso típico: segmentação de clientes por comportamento.

Fundamentos

Sequência de passos bem definidos para resolver um problema. Em ML, o algoritmo é a "receita de aprendizado" que, aplicada aos dados, produz o modelo.

Fundamentos

Uso de IA para identificar a emoção ou opinião num texto (positiva, negativa, neutra). Clássico em monitoramento de marca e redes sociais.

Fundamentos

Uso de dados históricos e modelos estatísticos/ML para estimar o que tende a acontecer: vendas do próximo mês, cliente que vai cancelar, lead mais propenso a comprar.

Fundamentos

O modelo cria seus próprios "exercícios" a partir de dados brutos. Por exemplo: esconder uma palavra da frase e tentar adivinhá-la. É assim que os grandes modelos de linguagem são pré-treinados sem precisar de rótulos humanos.

Fundamentos

Técnica que ensina o modelo comparando pares: aproximar coisas parecidas (foto e legenda correta) e afastar as diferentes. Base de muitos sistemas que conectam texto e imagem.

Fundamentos

Treinar um modelo usando dados que ficam espalhados em vários dispositivos ou empresas, sem centralizá-los. Só os aprendizados (atualizações) viajam, não os dados, o que é bom para a privacidade.

Fundamentos

O modelo recebe dados sem rótulo e encontra estruturas sozinho, como grupos de clientes parecidos. Muito usado em segmentação de mercado.

Fundamentos

O sistema (agente) aprende por tentativa e erro, recebendo recompensas ou punições pelas ações que toma em um ambiente. Foi usado para ensinar IA a jogar Go e é parte do refinamento de chatbots.

Fundamentos

Reaproveitar um modelo treinado em uma tarefa como ponto de partida para outra relacionada, economizando dados e tempo.

Fundamentos

Combina poucos dados rotulados com muitos não rotulados. Reduz o custo de rotulagem mantendo boa parte da qualidade do supervisionado.

Fundamentos

O modelo aprende a partir de exemplos com a resposta certa (rótulo). Serve para classificar e prever: aprovar/negar crédito, prever o preço de um imóvel.

Fundamentos

Modelo que decide por uma sequência de perguntas de sim/não, como um fluxograma. É fácil de explicar para quem não é técnico.

Fundamentos

Cada característica de entrada que o modelo usa para decidir: idade do cliente, valor do tíquete, horário da compra. Escolher bons atributos é metade do trabalho em ML tradicional.

Fundamentos

Técnica de multiplicar os exemplos de treino criando variações dos existentes: girar, recortar ou escurecer imagens; parafrasear frases. Ajuda o modelo a generalizar melhor.

Fundamentos

Volumes de dados tão grandes, variados ou rápidos que ferramentas tradicionais não dão conta. É o "combustível" que viabilizou o machine learning moderno.

Fundamentos

Disciplina que combina estatística, programação e conhecimento do negócio para extrair valor de dados. ML é uma das ferramentas do cientista de dados.

Fundamentos

Tarefa de colocar algo em uma categoria: e-mail é spam ou não, sentimento é positivo/negativo/neutro, cliente é de alto ou baixo risco.

Fundamentos

Coleção organizada de dados usada para treinar, validar ou testar um modelo. Por exemplo: 1 milhão de avaliações de produtos com a nota dada pelo cliente.

Fundamentos

Os dados costumam ser divididos em três partes: treino (para aprender), validação (para ajustar o modelo durante o desenvolvimento) e teste (uma "prova final" com dados nunca vistos). Isso evita que o modelo seja avaliado com as mesmas questões que estudou.

Fundamentos

Grande coleção de textos usada para treinar modelos de linguagem (livros, sites, artigos). O plural é "corpora".

Fundamentos

Os exemplos usados para ensinar o modelo. A qualidade, diversidade e representatividade desses dados determina boa parte do comportamento do sistema, e também dos seus vieses.

Fundamentos

Quando uma categoria é muito mais rara que outra (ex.: 1 fraude para cada 10 mil transações). O modelo pode "aprender" a sempre chutar a classe comum e parecer preciso sem ser útil.

Fundamentos

Quantitativos são números mensuráveis (preço, idade); qualitativos são categorias ou descrições (cor, opinião). Os modelos precisam converter tudo em números para processar.

Fundamentos

Dados rotulados trazem a resposta junto (foto + "gato"); não rotulados são brutos (só a foto). A maior parte dos dados do mundo não é rotulada, o que motiva técnicas não supervisionadas e autossupervisionadas.

Fundamentos

Dados criados artificialmente (muitas vezes por outra IA) para imitar dados reais. Úteis quando os dados reais são escassos, caros ou sensíveis (ex.: dados de saúde), mas podem herdar ou ampliar distorções.

Fundamentos

Subárea do machine learning que usa redes neurais com muitas camadas empilhadas. É a tecnologia por trás dos avanços recentes em reconhecimento de voz, visão e IA generativa.

Fundamentos

Identificar o que foge do padrão: transação suspeita, queda estranha no tráfego do site, sensor com defeito.

Fundamentos

Capacidades que aparecem em modelos grandes sem terem sido treinadas explicitamente, como resolver problemas de lógica ou traduzir idiomas raros. O conceito é debatido: parte dos pesquisadores acha que é efeito da forma de medir.

Fundamentos

Trabalho de criar, transformar e selecionar as variáveis mais úteis para o modelo. Por exemplo: transformar "data da última compra" em "dias desde a última compra".

Fundamentos

Dilema de testar opções novas (explorar) ou repetir o que já funciona (aproveitar). Aparece em RL e em testes A/B de marketing.

Fundamentos

Técnica de recomendação que usa o comportamento de usuários semelhantes ("quem comprou isto também comprou aquilo").

Fundamentos

Conjunto de muitas árvores de decisão que "votam" na resposta final. Costuma ser mais precisa e estável do que uma árvore sozinha.

Fundamentos

IA que classifica ou prevê algo a partir de dados, em vez de gerar conteúdo: prever churn, detectar fraude, aprovar crédito, estimar demanda. Ainda é a maior parte da IA usada em empresas.

Fundamentos

IA que é boa em uma tarefa específica (recomendar filmes, jogar xadrez, traduzir), mas não transfere essa competência para outros assuntos. Toda IA existente hoje é classificada assim, mesmo as mais impressionantes.

Fundamentos

Tipo de IA que cria conteúdo novo (texto, imagem, áudio, vídeo, código) a partir dos padrões aprendidos em grandes volumes de dados. É a categoria do ChatGPT, Claude, Gemini, Midjourney etc.

Fundamentos

IA hipotética capaz de aprender e realizar praticamente qualquer tarefa intelectual que um ser humano faz, com a mesma flexibilidade. Não existe consenso sobre como medir se ela foi alcançada; o termo aparece muito em discursos de empresas de IA.

Fundamentos

Abordagem mais antiga de IA, baseada em regras lógicas e conhecimento escrito explicitamente por pessoas ("se X, então Y"). Funciona bem em problemas bem definidos, mas é frágil diante de situações novas e dados bagunçados.

Fundamentos

Campo da computação que cria sistemas capazes de fazer tarefas que normalmente exigiriam inteligência humana: entender linguagem, reconhecer imagens, tomar decisões, prever resultados. Hoje, quase toda IA prática funciona aprendendo padrões a partir de dados, e não seguindo regras escritas à mão.

Fundamentos

Método simples que classifica algo olhando para os k exemplos mais parecidos já conhecidos. "Diga-me com quem andas…" em versão matemática.

Fundamentos

Observação empírica de que modelos tendem a melhorar de forma previsível quando se aumenta, juntos, o tamanho do modelo, a quantidade de dados e o poder de computação. Explica a corrida por data centers e GPUs.

Fundamentos

Princípio de que a qualidade da saída de um sistema nunca supera a qualidade dos dados de entrada. Resume por que governança de dados importa tanto em projetos de IA.

Fundamentos

Ramo da IA em que o computador aprende padrões a partir de exemplos, em vez de ser programado regra por regra. Quanto mais dados relevantes e de qualidade, melhor tende a ser o aprendizado.

Fundamentos

Algoritmo clássico de classificação que traça a "fronteira" mais ampla possível entre duas categorias. Muito usado antes do boom do deep learning.

Fundamentos

Combinar vários modelos para obter uma resposta melhor do que qualquer um isolado.

Fundamentos

Processo de vasculhar grandes bases de dados em busca de padrões úteis e não óbvios (ex.: produtos comprados juntos). Precede e se sobrepõe ao machine learning.

Fundamentos

O resultado do treinamento: um arquivo matemático que recebe uma entrada (texto, imagem, números) e devolve uma saída (resposta, classificação, previsão). É o "cérebro" que de fato é usado no produto.

Fundamentos

Colocar variáveis em escalas comparáveis (ex.: renda em milhares e idade em anos, ambas convertidas para 0 a 1) para que nenhuma domine o aprendizado só por ter números maiores.

Fundamentos

Dificuldade de recomendar para um usuário ou produto novo, sobre o qual ainda não há histórico.

Fundamentos

No aprendizado por reforço, é o "placar" que indica ao agente se a ação foi boa ou ruim. Uma recompensa mal desenhada leva o sistema a "trapacear" para maximizar pontos sem cumprir o objetivo real.

Fundamentos

Capacidade de identificar regularidades em dados, como rostos em fotos, palavras em áudio, tendências em vendas. É, no fundo, o que todo modelo de ML faz.

Fundamentos

Resumir dados com muitas variáveis em poucas, mantendo o essencial. Facilita visualização e acelera modelos.

Fundamentos

Tarefa de prever um número contínuo: faturamento do próximo trimestre, valor de vida do cliente (LTV), preço ideal.

Fundamentos

A "resposta certa" associada a um exemplo de treinamento: "spam" ou "não spam", "gato" ou "cachorro", o preço real de uma casa. Rotular dados costuma ser caro e feito por pessoas.

Fundamentos

Ideia de um ponto no futuro em que a IA passaria a se aprimorar sozinha tão rápido que as mudanças na sociedade se tornariam imprevisíveis. É mais uma hipótese filosófica e de ficção científica do que um marco técnico.

Fundamentos

Sistema que sugere produtos, conteúdos ou ofertas com base no comportamento do usuário e de pessoas parecidas. É o motor de Netflix, Spotify e marketplaces.

Fundamentos

Programa que imita o raciocínio de um especialista humano em um domínio restrito (ex.: diagnóstico de defeitos) usando uma base de regras. Foi a "IA de negócio" dos anos 1980 e é o exemplo clássico de IA simbólica.

Fundamentos

Estágio hipotético em que a IA superaria amplamente a inteligência humana em praticamente todas as áreas, incluindo criatividade e estratégia. É um conceito de futuro e de debate ético, não uma tecnologia disponível.

Fundamentos

Proposto por Alan Turing em 1950: se uma pessoa conversando por texto não consegue distinguir a máquina de um humano, a máquina "passa". Hoje é mais um marco histórico do que uma medida séria de inteligência.

Fundamentos

Checagem de que os dados estão corretos, completos e no formato esperado antes de entrar no modelo. Dados sujos geram modelos ruins.

Fundamentos

Esforço para que o comportamento do modelo corresponda a valores e intenções humanas: ser útil, honesto e não causar dano. RLHF e Constitutional AI são ferramentas de alinhamento.

Redes neurais e treino

Modelo gerativo que comprime dados em uma representação resumida e aprende a recriá-los e a gerar variações novas. Componente comum em geradores de imagem.

Redes neurais e treino

Modelo cujas decisões são difíceis ou impossíveis de explicar em termos humanos, mesmo para quem o construiu. Problema sério em crédito, saúde e RH.

Redes neurais e treino

As redes são organizadas em camadas: a de entrada recebe os dados, as ocultas processam, a de saída entrega o resultado. "Profundo", em deep learning, significa muitas camadas ocultas.

Redes neurais e treino

Método criado pela Anthropic em que o modelo recebe uma lista de princípios (a "constituição") e aprende a criticar e corrigir as próprias respostas com base neles, com uso de feedback de IA (RLAIF).

Redes neurais e treino

Momento em que o treino estabiliza: mais iterações já não melhoram o modelo de forma relevante.

Redes neurais e treino

Treinar um modelo menor ("aluno") para imitar as respostas de um modelo grande ("professor"). O resultado é mais barato e rápido, com boa parte da qualidade.

Redes neurais e treino

Alternativa mais simples ao RLHF: usa pares de respostas "preferida vs. rejeitada" para ajustar o modelo diretamente, sem um modelo de recompensa separado.

Redes neurais e treino

Técnica de regularização que desliga neurônios aleatoriamente durante o treino, forçando a rede a não depender de poucos caminhos.

Redes neurais e treino

Uma passada completa por todos os dados de treino. Modelos costumam ser treinados por várias épocas.

Redes neurais e treino

"Mapa" interno e comprimido onde o modelo organiza o que aprendeu; coisas parecidas ficam próximas. Gerar imagens, em parte, é "passear" por esse mapa.

Redes neurais e treino

Treinar um pouco mais um modelo já pronto com dados específicos (ex.: atendimentos da empresa) para que ele se especialize num estilo, domínio ou tarefa. É mais caro e trabalhoso que escrever bons prompts; costuma valer a pena só quando prompts e RAG não bastam.

Redes neurais e treino

Conta aplicada em cada neurônio que decide "quanto" ele dispara. É o que permite à rede aprender relações não lineares (complexas). ReLU é a mais comum.

Redes neurais e treino

Fórmula que mede o quanto o modelo errou. O treino consiste em reduzir esse número.

Redes neurais e treino

Capacidade do modelo de funcionar bem em dados novos, não vistos no treino. É o objetivo real de todo projeto de ML.

Redes neurais e treino

Família de modelos que gera texto prevendo a próxima palavra, pré-treinada em grandes volumes de dados e baseada em transformer. O nome virou quase sinônimo de chatbot, mas é uma arquitetura, não uma marca genérica.

Redes neurais e treino

Método de otimização mais usado: dá pequenos passos na direção que mais reduz o erro, repetidamente.

Redes neurais e treino

Estrutura de três objetivos usada pela Anthropic para orientar o treino: ajudar de verdade, não inventar nem enganar, e recusar o que for perigoso.

Redes neurais e treino

Configuração definida por pessoas antes do treino (não aprendida pelo modelo): velocidade de aprendizado, número de camadas, quantas vezes revisar os dados.

Redes neurais e treino

Tipo de fine-tuning com milhares de exemplos de "pedido → boa resposta", que ensina o modelo base a seguir instruções. É o que transforma um "autocompletar" em assistente.

Redes neurais e treino

Forma barata de fazer fine-tuning: em vez de mexer em todos os pesos, treina-se um pequeno "módulo extra" acoplado ao modelo. Popular para personalizar modelos abertos.

Redes neurais e treino

Pedaço dos dados processado de uma vez durante o treino; o tamanho do lote é um hiperparâmetro.

Redes neurais e treino

Variante de RNN que consegue lembrar informações por mais tempo em uma sequência. Muito usada em tradução e voz antes de 2018.

Redes neurais e treino

Modelo gerativo que aprende a partir de imagens "sujadas" com ruído até virarem chuvisco, e depois aprende a fazer o caminho inverso: tirar o ruído passo a passo até formar uma imagem nova. É a base de Stable Diffusion, DALL-E 3, Midjourney e muitos geradores de vídeo.

Redes neurais e treino

Modelo auxiliar, treinado com as preferências humanas, que dá uma "nota" às respostas durante o RLHF. Ele substitui o avaliador humano em escala.

Redes neurais e treino

Modelo que já passou pelo pré-treinamento e pode ser usado ou adaptado. Empresas raramente treinam do zero; partem de um pré-treinado.

Redes neurais e treino

Unidade básica da rede neural: recebe números, faz uma conta simples e passa o resultado adiante.

Redes neurais e treino

Processo (e algoritmo) que ajusta os parâmetros para minimizar a perda.

Redes neurais e treino

Conjunto de etapas após o pré-treino (ajuste fino com instruções, RLHF, testes de segurança) que transforma um "previsor de texto" em um assistente útil e alinhado.

Redes neurais e treino

Reduzir a precisão dos números internos do modelo (ex.: de 16 para 4 bits) para que ele ocupe menos memória e rode em máquinas mais simples, com pequena perda de qualidade.

Redes neurais e treino

Duas redes competem: uma gera imagens falsas (gerador) e a outra tenta detectá-las (discriminador). A disputa faz o gerador ficar cada vez mais realista. Muito associada a deepfakes.

Redes neurais e treino

Estrutura matemática inspirada (vagamente) no cérebro: camadas de "neurônios" interligados que transformam números de entrada em uma saída. Aprende ajustando a força das conexões.

Redes neurais e treino

Arquitetura especializada em imagens: examina a figura em pequenos "recortes" para detectar bordas, texturas e formas. Foi a base da revolução em visão computacional nos anos 2010.

Redes neurais e treino

Tipo mais simples: a informação flui em uma só direção, da entrada para a saída, sem voltas.

Redes neurais e treino

Arquitetura para sequências (texto, áudio, séries temporais) que processa um item de cada vez, guardando uma "memória" do que veio antes. Foi amplamente substituída pelos transformers.

Redes neurais e treino

Conjunto de técnicas que "penalizam" a complexidade excessiva do modelo para reduzir sobreajuste.

Redes neurais e treino

Técnica que calcula quanto cada peso contribuiu para o erro, permitindo corrigir a rede de trás para frente. É o que torna possível treinar redes profundas.

Redes neurais e treino

Variação do RLHF em que quem avalia as respostas é outro modelo de IA, guiado por critérios escritos, em vez de pessoas. Reduz custo e permite escala.

Redes neurais e treino

Técnica em que pessoas comparam respostas do modelo e dizem qual é melhor; o modelo é então ajustado para preferir o tipo de resposta que agrada aos avaliadores. Foi decisiva para tornar os chatbots úteis e educados.

Redes neurais e treino

Fine-tuning com exemplos rotulados (a resposta certa já vem pronta). Normalmente é a primeira etapa depois do pré-treino.

Redes neurais e treino

Quando o modelo "decora" os dados de treino, inclusive ruídos, e vai mal em dados novos.

Redes neurais e treino

O oposto: o modelo é simples demais e não captura nem os padrões básicos, indo mal até nos dados de treino.

Redes neurais e treino

Tamanho de cada "passo" de ajuste no treino. Grande demais, o modelo oscila e não aprende; pequeno demais, demora eternamente.

Redes neurais e treino

Estrutura de dados em forma de tabela com várias dimensões (lista, matriz, "cubo" de números). É o formato em que redes neurais recebem e processam tudo: texto, imagem, áudio.

Redes neurais e treino

Aplicação da arquitetura transformer a imagens: a foto é dividida em pequenos quadrados tratados como se fossem "palavras".

Redes neurais e treino

Processo de ajustar os parâmetros do modelo usando dados até ele acertar bem a tarefa. Em modelos grandes, custa milhões de dólares em computação e leva semanas.

Redes neurais e treino

Testar o modelo várias vezes com fatias diferentes dos dados para ter uma avaliação mais confiável.

Redes neurais e treino

Na matemática da rede neural, é um número extra somado em cada neurônio para ajustar o ponto de partida. Não confundir com viés no sentido ético (preconceito). Ver "Viés algorítmico".

Redes neurais e treino

Equilíbrio entre um modelo rígido demais (alto viés → subajuste) e sensível demais aos dados (alta variância → sobreajuste). Ajustar esse equilíbrio é parte central do trabalho do cientista de dados.

Redes neurais e treino

Quando o modelo inventa algo com tom de total confiança: um dado, uma citação, uma fonte ou uma lei que não existe. Acontece porque ele gera texto plausível, não porque consulta a verdade. Por isso fatos, números e referências precisam ser checados.

LLMs e linguagem

Nome geral para a forma como o modelo escolhe cada próximo token entre as opções possíveis. Temperatura, top-p e top-k são estratégias de amostragem.

LLMs e linguagem

Mecanismo interno do Transformer que decide, para cada palavra, em quais outras partes do texto prestar mais atenção. É o que permite ao modelo entender que "ele" numa frase se refere a certa pessoa citada antes.

LLMs e linguagem

Programa que conversa com pessoas por texto ou voz. Os antigos seguiam roteiros fixos; os atuais usam LLMs e respondem de forma aberta.

LLMs e linguagem

Recurso em que o modelo indica de qual trecho de um documento ou página tirou cada afirmação. Facilita a checagem e aumenta a confiança na resposta.

LLMs e linguagem

Subárea de NLP focada em entender intenção e sentido (o que o cliente realmente quer dizer).

LLMs e linguagem

Queda de qualidade que acontece quando o contexto fica muito longo, mesmo antes de atingir o limite da janela. O modelo passa a perder detalhes, se confundir com trechos parecidos e ignorar informação do meio do texto. A lição prática: colocar menos, e mais relevante, no contexto.

LLMs e linguagem

Data até a qual foram coletados os dados de treino do modelo. Sobre fatos posteriores ele não sabe nada, a menos que receba a informação no prompt ou use uma busca na web.

LLMs e linguagem

Vídeo, áudio ou imagem sintética gerada por IA que imita uma pessoa real de forma convincente. Tema crítico de reputação de marca e desinformação.

LLMs e linguagem

Localizar e marcar onde estão os objetos dentro de uma imagem, não só dizer que eles existem.

LLMs e linguagem

Subárea de NLP focada em produzir texto: relatórios automáticos, descrições de produto, respostas de chatbot.

LLMs e linguagem

Prática de amarrar a resposta do modelo a fontes concretas (documentos da empresa, resultados de busca) em vez de depender só da "memória" dele. É uma das principais defesas contra alucinação.

LLMs e linguagem

IA que "tem corpo": está em um robô ou dispositivo e aprende interagindo fisicamente com o ambiente.

LLMs e linguagem

Momento em que o modelo já treinado é usado para responder a alguém. Cada pergunta feita ao ChatGPT é uma inferência. Treinar é caro uma vez; inferir é um custo recorrente, cobrado por uso.

LLMs e linguagem

Capacidade de uma IA entender e raciocinar sobre o mundo em 3D: objetos, distâncias, movimento. Frente de pesquisa ligada a robótica e realidade aumentada.

LLMs e linguagem

Quantidade máxima de texto (em tokens) que o modelo consegue "ter em mente" numa interação: instruções, histórico da conversa, documentos anexados e a própria resposta. O que passa desse limite fica de fora.

LLMs e linguagem

Programa de IA treinado com uma quantidade enorme de texto para prever qual palavra (token) vem em seguida. Dessa habilidade simples saem tarefas úteis: escrever, resumir, traduzir, responder perguntas e programar. ChatGPT, Claude e Gemini funcionam sobre LLMs.

LLMs e linguagem

Tendência observada de os modelos aproveitarem melhor a informação que está no começo e no fim de um texto longo do que a que está no meio. É um dos sintomas do context rot.

LLMs e linguagem

Limite de tamanho da resposta definido por quem usa o modelo. Serve para controlar custo e evitar respostas longas demais; se for pequeno demais, a resposta sai cortada.

LLMs e linguagem

Técnica não supervisionada que descobre os principais assuntos em uma grande coleção de textos (ex.: temas recorrentes em avaliações de clientes).

LLMs e linguagem

Modelo que gera a resposta um pedaço por vez, sempre usando o que já escreveu para decidir o próximo pedaço. É por isso que a resposta "aparece digitando" na tela.

LLMs e linguagem

O modelo base é o resultado bruto do pré-treino: só continua textos. O modelo de instrução passou por etapas extras para seguir pedidos e conversar. Os produtos que usamos no dia a dia são modelos de instrução.

LLMs e linguagem

Modelo grande e genérico, treinado uma vez com dados amplos, que serve de base para muitos produtos e usos diferentes. Empresas adaptam esse modelo em vez de treinar um do zero.

LLMs e linguagem

Modelo que cria conteúdo novo (texto, imagem, áudio, vídeo, código) em vez de apenas classificar ou prever um número. LLMs são o tipo mais conhecido.

LLMs e linguagem

Capacidade de um modelo de lidar com mais de um tipo de dado, como texto, imagem, áudio e vídeo, na entrada ou na saída. Exemplo: enviar a foto de uma vitrine e pedir sugestões de copy.

LLMs e linguagem

O mesmo pedido pode gerar respostas diferentes a cada vez. Isso é normal em LLMs e vale mesmo com configurações "conservadoras". Para processos de negócio, significa testar várias vezes antes de confiar.

LLMs e linguagem

Números internos que o modelo ajusta durante o treino e que guardam o que ele aprendeu. Modelos grandes têm bilhões ou trilhões deles. Em geral, mais parâmetros significam mais capacidade, mas também mais custo para rodar.

LLMs e linguagem

Primeira e mais cara fase de criação de um LLM: o modelo lê trilhões de palavras e aprende a prever o próximo token. Ao final ele "sabe muito", mas ainda não se comporta bem como assistente.

LLMs e linguagem

Área da IA dedicada a fazer computadores entenderem e produzirem linguagem humana: tradução, resumo, chatbots, análise de sentimento, transcrição.

LLMs e linguagem

Converter áudio de voz em texto. Base de assistentes de voz, legendas automáticas e transcrição de reuniões.

LLMs e linguagem

Tarefa de identificar o que há numa imagem (objeto, pessoa, logotipo, cena).

LLMs e linguagem

Área que une IA a máquinas físicas capazes de perceber e agir no mundo real (braços industriais, robôs de armazém, carros autônomos).

LLMs e linguagem

Texto específico que, quando aparece, faz o modelo parar de escrever. Útil para controlar formato em automações.

LLMs e linguagem

Ajuste que controla o quanto a resposta é previsível ou criativa. Temperatura baixa gera respostas mais estáveis e repetíveis; alta gera mais variedade e surpresa, com mais risco de erro.

LLMs e linguagem

Pedaço de texto que o modelo realmente processa: pode ser uma palavra, parte de palavra ou pontuação. Preço, limites e velocidade dos LLMs são medidos em tokens. Em inglês, um token dá em média 3 a 4 caracteres; em português costuma render um pouco menos por token.

LLMs e linguagem

Etapa que quebra o texto em tokens e os converte em números antes de entregá-los ao modelo. Cada família de modelos tem seu próprio "tokenizador", por isso o mesmo texto pode custar quantidades diferentes de tokens em serviços diferentes.

LLMs e linguagem

Variação do top-p: o modelo sorteia apenas entre as k palavras mais prováveis (ex.: as 40 melhores). Limita escolhas muito improváveis.

LLMs e linguagem

Outro ajuste de variedade: o modelo só sorteia entre as palavras mais prováveis cuja probabilidade somada chega a certo percentual (ex.: 90%). Costuma-se mexer na temperatura ou no top-p, não nos dois ao mesmo tempo.

LLMs e linguagem

Desenho técnico de rede neural, lançado em 2017, que está por trás de quase todos os LLMs atuais. A novidade é que ele analisa todas as palavras de um texto ao mesmo tempo e pesa quais importam mais umas para as outras.

LLMs e linguagem

Lista ordenada de números que representa algo (palavra, imagem, cliente) como um ponto num espaço matemático. É a forma pela qual a IA "enxerga" significado.

LLMs e linguagem

Área da IA que permite interpretar imagens e vídeos: reconhecer produtos na gôndola, ler placas, detectar defeitos, analisar exames.

LLMs e linguagem

O agente registra aprendizados e progresso num arquivo fora do contexto (ex.: NOTES.md) e consulta depois. É memória externa, como um caderno.

Prompt e contexto

Banco de dados feito para guardar embeddings e encontrar rapidamente os mais parecidos com uma pergunta. É o "arquivo" por trás de muitos sistemas de RAG (ex.: Pinecone, Chroma, Weaviate, pgvector).

Prompt e contexto

Conjunto de documentos da organização (FAQs, políticas, catálogos) que alimenta o RAG ou o assistente.

Prompt e contexto

Coleção organizada de prompts testados que uma equipe reutiliza. Ajuda a padronizar qualidade e tom de marca.

Prompt e contexto

A busca por palavra-chave procura termos exatos; a híbrida combina essa com a semântica para ter o melhor dos dois (acertar códigos de produto e também sinônimos).

Prompt e contexto

Busca pelo sentido, não pela palavra exata. Quem procura "como devolver um produto" encontra a página "política de trocas", mesmo sem termos em comum.

Prompt e contexto

Técnica de pedir que o modelo raciocine passo a passo antes de dar a resposta final. Melhora bastante tarefas de lógica, cálculo e análise.

Prompt e contexto

Dividir documentos longos em pedaços menores antes de gerar embeddings, para que a busca recupere só o trecho relevante. O tamanho das fatias afeta muito a qualidade do RAG.

Prompt e contexto

Quando a conversa se aproxima do limite, o sistema resume o histórico e continua a partir do resumo, mantendo o essencial e descartando o resto.

Prompt e contexto

Usar marcações (como `<documento>...</documento>` ou `###`) para separar claramente instruções, dados e exemplos dentro do prompt. Reduz confusão sobre o que é ordem e o que é material de apoio.

Prompt e contexto

Representação de um texto como uma lista de números em que textos de sentido parecido ficam "próximos". Permite ao computador comparar significados, não só palavras.

Prompt e contexto

Evolução da engenharia de prompt: em vez de só caprichar nas palavras, decidir quais informações, documentos, ferramentas e histórico entram (e quais saem) da janela de contexto a cada momento. Ganhou força com os agentes de IA.

Prompt e contexto

Conjunto de práticas para escrever prompts que produzam resultados melhores e mais consistentes: dar contexto, definir papel, mostrar exemplos, pedir formato, dividir tarefas e testar variações.

Prompt e contexto

Capacidade de salvar o estado do agente em pontos de controle, para que ele retome de onde parou se cair, travar ou precisar esperar uma aprovação humana.

Prompt e contexto

Capacidade do modelo de "aprender" uma tarefa só com as instruções e exemplos do prompt, sem ser retreinado. É o que torna o few-shot possível. O aprendizado some quando a conversa acaba.

Prompt e contexto

Recurso que permite ao assistente guardar informações entre conversas (preferências, fatos sobre o usuário ou projeto). Na prática, é contexto salvo e reinserido depois, não aprendizado do modelo.

Prompt e contexto

O que o agente lembra dentro da mesma sessão ou conversa: basicamente, o histórico que está no contexto.

Prompt e contexto

Informação guardada entre sessões (preferências do cliente, decisões anteriores, fatos aprendidos), normalmente num banco de dados, e recuperada quando relevante.

Prompt e contexto

Usar o próprio modelo para escrever, criticar ou melhorar prompts. Ex.: "Reescreva este prompt para ficar mais claro e completo".

Prompt e contexto

Incluir no prompt um ou alguns exemplos de entrada e saída desejadas para o modelo imitar o padrão. É uma das formas mais eficazes de controlar tom e formato.

Prompt e contexto

A ideia de que a atenção do modelo é um recurso limitado: cada informação extra "consome" um pouco dela. Serve de argumento para enxugar o contexto.

Prompt e contexto

Começar a resposta do modelo por ele (ex.: iniciar com "{" para forçar JSON). Direciona formato e tom. Disponível só em algumas APIs e modelos.

Prompt e contexto

O texto (e eventuais arquivos) que você envia ao modelo para dizer o que quer. A qualidade da resposta depende muito da clareza, do contexto e dos exemplos colocados nele.

Prompt e contexto

Quebrar uma tarefa grande em etapas, em que a saída de um prompt vira a entrada do próximo (ex.: pesquisar → resumir → escrever → revisar). Dá mais controle e facilita achar onde algo deu errado.

Prompt e contexto

A mensagem que a pessoa digita a cada rodada da conversa. Ela se soma ao system prompt e ao histórico.

Prompt e contexto

Técnica em que, antes de responder, o sistema busca trechos relevantes numa base de conhecimento (manuais, políticas, catálogo) e os coloca no prompt. Assim o modelo responde com informação atualizada e da própria empresa, e alucina menos.

Prompt e contexto

Em vez de carregar todos os documentos de antemão, o agente guarda só "endereços" (links, caminhos de arquivo) e busca o conteúdo na hora em que precisa.

Prompt e contexto

Pedir ao modelo que revise a própria resposta, aponte falhas e produza uma versão melhor. Simples e muitas vezes eficaz.

Prompt e contexto

Segunda etapa da busca em que um modelo reavalia os resultados encontrados e reordena pelos mais relevantes antes de mandá-los ao LLM.

Prompt e contexto

Pedir ao modelo que atue como alguém específico ("você é um diretor de marketing de varejo com 15 anos de experiência"). Isso ajusta vocabulário, foco e nível de profundidade.

Prompt e contexto

Gerar várias respostas para a mesma pergunta e ficar com a que aparece mais vezes. Reduz erros ocasionais em tarefas de raciocínio.

Prompt e contexto

Turno é uma troca (pergunta e resposta); thread é o histórico de uma conversa; sessão é o período contínuo de interação. Importante porque muitos agentes "zeram" a memória entre sessões.

Prompt e contexto

Cálculo matemático mais comum para medir o quão "próximos" dois embeddings estão, ou seja, o quão parecidos em significado são dois textos.

Prompt e contexto

Instruções de fundo, definidas por quem constrói o produto, que valem para toda a conversa: papel do assistente, tom, regras, limites. O usuário final geralmente não vê.

Prompt e contexto

Prompt padronizado com espaços variáveis (ex.: {produto}, {público}) reaproveitado em escala. É como empresas transformam um bom prompt em processo.

Prompt e contexto

Técnica em que o modelo explora vários caminhos de raciocínio em paralelo, avalia cada um e segue pelos mais promissores. Mais cara, útil para problemas de planejamento.

Prompt e contexto

Pedir a tarefa diretamente, sem dar nenhum exemplo de resposta esperada. Funciona bem para tarefas simples e comuns.

Prompt e contexto

Nome genérico para hardware especializado em IA: GPUs, TPUs, NPUs e chips sob medida.

Modelos e mercado

Porta de acesso para que sistemas conversem com o modelo por código, sem a tela do chat. É assim que empresas colocam IA dentro de CRMs, sites, apps e automações.

Modelos e mercado

Ferramentas que automatizam etapas de ML (escolha de algoritmo, ajuste de hiperparâmetros), permitindo que não especialistas criem modelos.

Modelos e mercado

Enviar muitos pedidos de uma vez para serem processados sem pressa, geralmente com desconto. Útil para classificar milhares de avaliações de clientes durante a noite.

Modelos e mercado

Senha única que identifica quem está usando a API e para quem vai a cobrança. Deve ser guardada em local seguro, nunca colada em código público ou planilha compartilhada.

Modelos e mercado

Degradação que ocorre quando modelos são treinados repetidamente com conteúdo gerado por outras IAs, perdendo diversidade e qualidade.

Modelos e mercado

Jargão para a capacidade de processamento necessária para treinar ou rodar modelos, medida em horas de GPU ou operações matemáticas. É hoje um dos principais custos e gargalos da IA.

Modelos e mercado

Chips projetados para imitar a estrutura física do cérebro, com potencial de gastar muito menos energia. Ainda experimental.

Modelos e mercado

O processador "generalista" de qualquer computador. Faz de tudo, mas é lenta para as contas massivas de IA.

Modelos e mercado

Plataforma de software da NVIDIA que permite programar suas GPUs para tarefas gerais, como IA. É um dos grandes trunfos competitivos (o "fosso") da empresa.

Modelos e mercado

Perda de desempenho ao longo do tempo porque o mundo mudou e os dados reais já não se parecem com os de treino (ex.: comportamento de compra pós-pandemia).

Modelos e mercado

Duas famílias de modelos Transformer. Encoders (ex.: BERT) são bons em entender e classificar textos; decoders (ex.: GPT, Claude) são bons em gerar texto. Os LLMs de chat são decoders.

Modelos e mercado

Configuração que define quanto o modelo pode "pensar" antes de responder. Mais esforço tende a dar respostas melhores em tarefas difíceis, com mais tempo e custo.

Modelos e mercado

Chip criado para gráficos de games que, por fazer milhares de contas em paralelo, virou o motor do treino e da inferência de IA. A NVIDIA domina esse mercado.

Modelos e mercado

Rodar modelos diretamente no dispositivo (celular, câmera, carro) em vez de na nuvem. É mais rápido, mais privado e não depende de internet.

Modelos e mercado

Movimento para reduzir o consumo de energia e a pegada de carbono do treino e uso de IA.

Modelos e mercado

Tempo entre enviar o pedido e receber a resposta. Depende do tamanho do modelo, do prompt, da resposta e da rede. Em atendimento ao cliente, baixa latência é experiência do usuário.

Modelos e mercado

Práticas e ferramentas para colocar modelos em produção e mantê-los funcionando: versionamento, monitoramento, re-treino, controle de custos. LLMOps é a versão para aplicações com LLMs.

Modelos e mercado

Nos modelos de pesos abertos (ex.: Llama, Mistral, Qwen, DeepSeek), os pesos podem ser baixados e rodados na própria infraestrutura. Nos fechados (ex.: GPT, Claude, Gemini), o acesso é só por app ou API do fornecedor. "Open weights" não é sinônimo de open source completo: dados e código de treino costumam continuar fechados.

Modelos e mercado

Modelo especializado em transformar textos (ou imagens) em listas de números que representam o significado. Não conversa; serve de base para busca semântica e RAG.

Modelos e mercado

Os modelos mais avançados disponíveis num dado momento, geralmente dos grandes laboratórios. Costumam ser os mais caros e os mais regulados.

Modelos e mercado

Modelo treinado para "pensar" antes de responder, gerando um raciocínio interno longo. Vai melhor em matemática, lógica, planejamento e análise complexa, mas demora mais e custa mais por resposta.

Modelos e mercado

Arquitetura em que o modelo é dividido em vários "especialistas" internos e, para cada token, só alguns são ativados. Assim o modelo pode ser enorme no total, mas gastar menos processamento por resposta.

Modelos e mercado

Chip (ou parte do chip) dedicado a IA em celulares e notebooks, permitindo rodar modelos localmente com baixo consumo de energia.

Modelos e mercado

Uso mais rigoroso do termo: além dos pesos, liberar código, informações sobre os dados e licença que permita uso e modificação amplos. Muitos modelos chamados de "open" na prática são só open weights.

Modelos e mercado

Ambiente web do fornecedor para testar prompts e configurações (temperatura, modelo) antes de levar para produção.

Modelos e mercado

Modelo de cobrança das APIs: paga-se por milhão de tokens de entrada (o que você envia) e de saída (o que o modelo escreve), com saída geralmente mais cara. Prompts enormes e respostas longas pesam no custo.

Modelos e mercado

Recurso que guarda por um tempo a parte inicial de um prompt que se repete (ex.: manual da marca, instruções longas) para não reprocessá-la a cada pedido. Reduz custo e latência em usos repetitivos.

Modelos e mercado

Teto de uso por minuto ou por dia imposto pelo fornecedor da API. Passou do limite, os pedidos são recusados temporariamente.

Modelos e mercado

Fazer o modelo responder num formato fixo e legível por máquina, como JSON com campos definidos (ex.: {"sentimento": "positivo", "produto": "tênis"}). Essencial para integrar IA a planilhas, dashboards e sistemas.

Modelos e mercado

Descrição formal dos campos, tipos e regras que a saída estruturada deve seguir. O modelo é obrigado (ou orientado) a respeitá-la.

Modelos e mercado

Modelo com bem menos parâmetros, pensado para ser barato, rápido e até rodar no celular ou computador. Ótimo para tarefas focadas, como classificar e-mails ou extrair dados.

Modelos e mercado

Entregar a resposta aos poucos, à medida que é gerada, em vez de esperar tudo ficar pronto. É o efeito "digitando" dos chats.

Modelos e mercado

Ideia de gastar mais processamento na hora de responder (pensando mais, testando alternativas), em vez de só no treino, para obter respostas melhores. É o princípio por trás dos modelos de raciocínio.

Modelos e mercado

Modo em que o modelo dedica uma parte dos tokens para raciocinar antes da resposta final. Em alguns produtos esse raciocínio é mostrado (às vezes resumido); em outros fica oculto.

Modelos e mercado

Velocidade com que o modelo escreve depois que começa, ou quantos pedidos um sistema aguenta por período.

Modelos e mercado

Chip criado pelo Google especificamente para as contas de redes neurais, usado em seus data centers para treinar e rodar modelos como o Gemini.

Modelos e mercado

Quanto tempo leva para a primeira palavra da resposta aparecer. Um TTFT baixo dá sensação de rapidez, mesmo que a resposta completa demore mais.

Modelos e mercado

Protocolo aberto anunciado pelo Google em abril de 2025 e doado à Linux Foundation em junho de 2025, para que agentes de fornecedores diferentes conversem entre si: descobrem o que o outro sabe fazer, delegam tarefas e trocam resultados, sem precisar expor como funcionam por dentro. Resumo prático: MCP liga agente a ferramenta; A2A liga agente a agente.

Agentes

Padrão que conecta agentes de código a editores e IDEs, para que um mesmo agente funcione em diferentes ferramentas de programação. Atenção: a sigla ACP também já foi usada para outros protocolos; confirme o contexto.

Agentes