Você abre um artigo sobre inteligência artificial e esbarra em palavras como “alucinação”, “fine-tuning” ou “LLM”. Se isso te trava, respira: este glossário reúne os 40 termos mais comuns em qualquer curso de IA, explicados de forma direta e com exemplos práticos. Guarde esta página para consultar quando precisar.
Termos básicos de IA que você precisa saber
Antes de mergulhar em conceitos complexos, é essencial dominar o vocabulário fundamental. Estes termos aparecem em praticamente toda introdução à inteligência artificial.
- Inteligência Artificial (IA): campo da computação que cria sistemas capazes de realizar tarefas que normalmente exigem inteligência humana, como reconhecer imagens, traduzir idiomas ou tomar decisões.
- Machine Learning (Aprendizado de Máquina): subárea da IA em que o sistema aprende padrões a partir de dados, sem ser explicitamente programado para cada tarefa. Exemplo: um filtro de spam que aprende a identificar e-mails indesejados.
- Deep Learning (Aprendizado Profundo): técnica de machine learning que usa redes neurais com muitas camadas para processar dados complexos, como imagens e áudio. É a base de assistentes de voz e carros autônomos.
- Algoritmo: sequência de passos lógicos que um computador segue para resolver um problema. Na IA, os algoritmos definem como o modelo aprende e faz previsões.
- Dados de Treinamento: conjunto de exemplos usados para ensinar um modelo de IA. Por exemplo, para reconhecer gatos, o modelo precisa ver milhares de fotos de gatos.
- Modelo de IA: programa resultante do treinamento com dados. É o que faz previsões ou gera respostas. O GPT-4 é um exemplo de modelo de linguagem.
Termos de modelos de linguagem e processamento de linguagem natural (PLN)
Se você quer trabalhar com chatbots ou gerar texto, precisa entender como os modelos de linguagem funcionam. Aqui estão os termos essenciais.
- Processamento de Linguagem Natural (PLN): área da IA que permite que computadores entendam, interpretem e gerem linguagem humana. É o que possibilita conversas com assistentes virtuais.
- LLM (Large Language Model): modelo de linguagem treinado com enormes quantidades de texto para gerar respostas coerentes. O ChatGPT é um exemplo de LLM.
- Token: unidade básica de texto que o modelo processa. Pode ser uma palavra, parte de uma palavra ou um caractere. O custo de uso de APIs de IA é frequentemente calculado por tokens.
- Prompt: instrução ou pergunta dada a um modelo de IA para gerar uma resposta. Um bom prompt é claro e específico.
- Alucinação: quando o modelo gera informações falsas ou inventadas com confiança. Por exemplo, citar um livro que não existe. Sempre verifique os fatos.
- Fine-tuning: processo de ajustar um modelo pré-treinado com dados específicos de uma área para melhorar seu desempenho em tarefas particulares. Por exemplo, treinar um modelo para responder perguntas sobre direito.
- Embedding: representação numérica de palavras ou frases que captura seu significado. Permite que o modelo entenda relações entre palavras, como “rei” e “rainha”.
- Transformers: arquitetura de rede neural que revolucionou o PLN, permitindo processar texto em paralelo e capturar contextos longos. É a base de modelos como o BERT e o GPT.
- Zero-shot learning: capacidade do modelo de realizar uma tarefa sem ter sido treinado especificamente para ela. Por exemplo, classificar sentimentos sem nunca ter visto exemplos daquela tarefa.
Termos de técnicas e conceitos de aprendizado de máquina
Para entender como os modelos aprendem e como avaliar seu desempenho, confira estes termos.
- Aprendizado Supervisionado: tipo de machine learning em que o modelo é treinado com dados rotulados, ou seja, com a resposta correta. Exemplo: prever o preço de uma casa com base em características e preços históricos.
- Aprendizado Não Supervisionado: o modelo recebe dados sem rótulos e deve encontrar padrões por conta própria. Exemplo: agrupar clientes por comportamento de compra.
- Aprendizado por Reforço: o modelo aprende por tentativa e erro, recebendo recompensas ou punições. É usado em jogos e robótica.
- Classificação: tarefa de prever uma categoria. Exemplo: identificar se um e-mail é spam ou não.
- Regressão: tarefa de prever um valor numérico. Exemplo: prever a temperatura de amanhã.
- Overfitting: quando o modelo decora os dados de treinamento e não generaliza para novos dados. É como um aluno que memoriza a prova, mas não entende a matéria.
- Underfitting: quando o modelo é simples demais para capturar os padrões dos dados, resultando em baixo desempenho.
- Validação Cruzada: técnica de dividir os dados em partes para testar o modelo em diferentes conjuntos, garantindo que ele generalize bem.
- Métricas de Avaliação: medidas que indicam o desempenho do modelo, como acurácia, precisão, recall e F1-score.
- Hiperparâmetros: configurações que controlam o processo de treinamento, como taxa de aprendizado e número de camadas. Ajustá-los é parte importante do trabalho de um cientista de dados.
Termos de ferramentas e aplicações práticas de IA
No dia a dia de quem trabalha com IA, você vai encontrar essas ferramentas e aplicações.
- API (Interface de Programação de Aplicações): conjunto de regras que permite que programas se comuniquem. APIs de IA, como a do ChatGPT, permitem que você integre recursos de IA em seus projetos.
- Chatbot: programa que simula conversa humana. Pode ser usado para atendimento ao cliente ou assistência pessoal.
- IA Generativa: tipo de IA que cria conteúdo novo, como texto, imagens, áudio ou código. Exemplos: ChatGPT, DALL-E, Midjourney.
- Visão Computacional: área da IA que permite que computadores interpretem imagens e vídeos. Usada em reconhecimento facial e diagnóstico por imagem.
- Reconhecimento de Voz: tecnologia que converte fala em texto. Presente em assistentes como Siri e Alexa.
- Automação: uso de IA para executar tarefas repetitivas sem intervenção humana, como responder e-mails ou classificar documentos.
- RAG (Retrieval-Augmented Generation): técnica que combina geração de texto com busca em bases de conhecimento, permitindo que o modelo responda com informações atualizadas e específicas.
- Agente de IA: sistema que percebe o ambiente e age para atingir objetivos, podendo usar ferramentas e tomar decisões. Exemplo: um assistente que agenda reuniões.
Termos de ética, vieses e futuro da IA
Entender os desafios éticos é fundamental para usar IA com responsabilidade. Estes termos aparecem em discussões sérias sobre o impacto da tecnologia.
- Viés Algorítmico: quando um modelo de IA reproduz ou amplifica preconceitos presentes nos dados de treinamento. Por exemplo, um sistema de recrutamento que discrimina mulheres.
- Privacidade de Dados: proteção das informações pessoais usadas em sistemas de IA. Leis como a LGPD no Brasil regulam o uso de dados.
- Transparência: capacidade de explicar como um modelo de IA tomou uma decisão. Importante em áreas como saúde e finanças.
- Explicabilidade: esforço para tornar os modelos de IA compreensíveis para humanos. Ferramentas como SHAP ajudam a entender quais características influenciaram a previsão.
- IA Responsável: conjunto de práticas para desenvolver e usar IA de forma ética, justa e segura.
- Singularidade: hipotético ponto futuro em que a IA supera a inteligência humana. É um conceito especulativo, não uma realidade atual.
- AGI (Inteligência Artificial Geral): IA com capacidade de realizar qualquer tarefa intelectual humana. Ainda não existe; os sistemas atuais são de IA estreita.
- Alinhamento: garantir que os objetivos de um sistema de IA estejam alinhados com os valores humanos.
- Regulamentação de IA: conjunto de leis e normas que buscam governar o desenvolvimento e uso da IA. A União Europeia está na frente com o AI Act.
Como usar este glossário de IA na prática
Este glossário não é para decorar, é para consultar. Quando encontrar um termo desconhecido em um curso ou artigo, volte aqui. Aos poucos, esses conceitos vão se tornar naturais.
Uma dica: crie seus próprios exemplos para cada termo. Se você entende “overfitting” explicando para um amigo, você realmente aprendeu.
Perguntas frequentes sobre termos de IA
Qual a diferença entre IA, machine learning e deep learning?
IA é o campo amplo. Machine learning é uma subárea que aprende com dados. Deep learning é uma técnica de machine learning que usa redes neurais profundas. Pense em um guarda-chuva: IA é o guarda-chuva, machine learning é uma das camadas, e deep learning é uma técnica específica dentro dessa camada.
O que é um prompt e por que ele é importante?
Prompt é a instrução que você dá a um modelo de IA. A qualidade da resposta depende muito da qualidade do prompt. Um prompt bem elaborado, com contexto e detalhes, gera resultados muito melhores. Por isso, a engenharia de prompt é uma habilidade valorizada.
O que significa quando um modelo de IA “alucina”?
Alucinação é quando o modelo gera informações falsas ou inventadas, mas com tom de confiança. Isso acontece porque o modelo não tem consciência, apenas prevê a próxima palavra com base em padrões. Sempre verifique informações importantes em fontes confiáveis.
Preciso saber programar para trabalhar com IA?
Não necessariamente. Existem muitas funções em IA que não exigem programação, como análise de negócios, ética, design de interação e curadoria de dados. Mas entender os conceitos básicos, como os deste glossário, é fundamental. Cursos práticos podem ajudar você a dar os primeiros passos.
Agora que você já conhece os termos essenciais, que tal colocá-los em prática? A Uneia oferece cursos gratuitos de IA na prática, como Fundamentos de IA, Engenharia de Prompt e Pensamento Analítico com Dados. Você aprende fazendo projetos reais e ainda pode compartilhar oportunidades com a comunidade. Conheça os cursos e comece sua caminhada hoje mesmo.