Você abre um artigo sobre inteligência artificial e se depara com palavras como “algoritmo”, “rede neural” e “overfitting”. A sensação é de estar lendo outro idioma. A boa notícia: você não precisa ser um cientista da computação para entender esses termos. Este glossário reúne os 30 termos de IA que aparecem em praticamente todo curso, explicados de forma simples e direta. Guarde esta página como referência e volte sempre que encontrar uma palavra nova.
Termos essenciais de IA que todo iniciante precisa saber
Estes são os conceitos que formam a base de qualquer discussão sobre inteligência artificial. Dominá-los é o primeiro passo para aprender na prática.
- Inteligência Artificial (IA): área da computação que cria sistemas capazes de executar tarefas que normalmente exigem inteligência humana, como reconhecer imagens, entender texto e tomar decisões.
- Machine Learning (Aprendizado de Máquina): subárea da IA em que o computador aprende padrões a partir de dados, sem ser explicitamente programado para cada tarefa.
- Deep Learning (Aprendizado Profundo): subárea do machine learning que usa redes neurais com muitas camadas para processar informações complexas, como áudio e imagens.
- Algoritmo: sequência de passos definidos que um computador segue para resolver um problema ou executar uma tarefa.
- Dados: matéria-prima da IA. Podem ser números, textos, imagens, áudios ou qualquer informação usada para treinar modelos.
- Modelo: resultado do treinamento de um algoritmo com dados. É o que faz previsões ou classificações.
- Treinamento: processo em que o modelo aprende a partir de exemplos, ajustando seus parâmetros internos.
- Inferência: momento em que o modelo treinado é usado para fazer previsões com novos dados.
Como funcionam os modelos de linguagem e o processamento de texto
Os modelos de linguagem são a base de ferramentas como ChatGPT e outros assistentes. Entender esses termos ajuda a usar melhor essas tecnologias.
- Processamento de Linguagem Natural (PLN): área da IA que permite que computadores entendam, interpretem e gerem linguagem humana.
- Modelo de Linguagem: modelo treinado para prever a próxima palavra em uma sequência, o que permite gerar texto coerente.
- Token: unidade básica de texto que o modelo processa. Pode ser uma palavra, parte de uma palavra ou um caractere.
- Prompt: instrução ou pergunta que você dá ao modelo para gerar uma resposta.
- Engenharia de Prompt: prática de criar prompts eficazes para obter respostas mais precisas e úteis.
- Alucinação: quando o modelo gera informações plausíveis, mas incorretas. Acontece porque ele não sabe distinguir fato de ficção.
- Fine-tuning: técnica de pegar um modelo pré-treinado e treiná-lo ainda mais com dados específicos para melhorar seu desempenho em uma tarefa.
- Embeddings: representação numérica de palavras ou frases que captura seu significado, permitindo que o modelo entenda relações entre elas.
Conceitos de treinamento e avaliação de modelos
Para saber se um modelo é bom, é preciso entender como ele é treinado e avaliado. Esses termos aparecem em qualquer curso mais técnico.
- Conjunto de treinamento: parte dos dados usada para ensinar o modelo.
- Conjunto de validação: parte dos dados usada para ajustar os parâmetros do modelo durante o treinamento.
- Conjunto de teste: parte dos dados usada para avaliar o desempenho final do modelo com dados que ele nunca viu.
- Overfitting: quando o modelo decora os dados de treinamento, mas não generaliza para novos dados. Ou seja, vai bem no treino, mas mal no teste.
- Underfitting: quando o modelo é simples demais para capturar os padrões dos dados, resultando em baixo desempenho até no treino.
- Acurácia: proporção de previsões corretas em relação ao total. Útil para problemas equilibrados, mas pode enganar em casos desbalanceados.
- Precisão: entre as previsões positivas feitas pelo modelo, quantas realmente são positivas.
- Recall: entre os exemplos positivos reais, quantos o modelo conseguiu identificar.
- F1-Score: média harmônica entre precisão e recall, útil quando há desequilíbrio entre as classes.
Redes neurais e arquiteturas populares
As redes neurais são a base do deep learning. Conhecer esses termos ajuda a entender como os modelos modernos funcionam.
- Rede Neural: sistema inspirado no cérebro humano, composto por camadas de neurônios artificiais que processam informações.
- Camada: conjunto de neurônios que processa dados em um nível de abstração.
- Neurônio: unidade básica de uma rede neural que recebe entradas, aplica um cálculo e produz uma saída.
- Função de ativação: função que decide se um neurônio deve ser ativado, introduzindo não linearidade no modelo.
- Backpropagation: algoritmo usado para ajustar os pesos da rede durante o treinamento, calculando o erro e propagando-o de volta.
- Transformers: arquitetura de rede neural que revolucionou o processamento de linguagem, permitindo processar sequências em paralelo. É a base do ChatGPT.
- GPT: sigla para Generative Pre-trained Transformer, uma família de modelos de linguagem baseados em transformers.
- LLM (Large Language Model): modelo de linguagem com bilhões de parâmetros, capaz de gerar texto complexo e responder a perguntas.
Termos de IA aplicada e ética
Além dos aspectos técnicos, é importante conhecer os termos que envolvem o uso responsável e as aplicações práticas da IA.
- IA Generativa: tipo de IA que cria conteúdo novo, como texto, imagens, áudio ou código, a partir de prompts.
- Viés (Bias): tendência do modelo a produzir resultados injustos ou discriminatórios, geralmente por causa dos dados de treinamento.
- Explicabilidade: capacidade de entender e explicar as decisões de um modelo. Importante para confiança e auditoria.
- IA Responsável: prática de desenvolver e usar IA de forma ética, transparente e justa.
Perguntas frequentes sobre termos de IA
Preciso saber programar para entender esses termos?
Não. Muitos termos podem ser compreendidos com analogias e exemplos práticos. Nos cursos da UNEIA, você aprende os conceitos aplicados a projetos reais, sem exigência de programação.
Onde posso praticar esses conceitos?
A UNEIA oferece cursos gratuitos de IA na prática, como Fundamentos de IA, Engenharia de Prompt e Pensamento Analítico com Dados. Você pode se inscrever e começar hoje mesmo, com certificado opcional.
Como saber se um modelo está com overfitting?
Uma forma é comparar o desempenho no conjunto de treinamento e no conjunto de teste. Se o modelo vai muito bem no treino, mas mal no teste, é um forte indício de overfitting.
Com este glossário, você já tem um mapa para navegar por qualquer curso de IA. Quando encontrar um termo novo, volte aqui. E se quiser aprofundar na prática, conheça os cursos gratuitos da UNEIA e dê o próximo passo.
