Você começa um curso de IA e logo aparece uma enxurrada de palavras: machine learning, rede neural, overfitting, prompt… Se você se sente perdido, respire: isso é normal. A boa notícia é que você não precisa decorar tudo de uma vez. Neste glossário, você encontra os 50 termos mais comuns em cursos de IA, explicados de forma simples e direta, para você consultar quando precisar. Guarde esta página e volte sempre que bater aquela dúvida.
Termos essenciais de IA que você precisa conhecer
Antes de mergulhar nos termos, entenda que IA é um campo amplo. Estes são os conceitos que aparecem logo no início de qualquer curso e que vão te dar uma base sólida para acompanhar as aulas.
Inteligência Artificial (IA)
É a área da computação que cria sistemas capazes de realizar tarefas que, normalmente, exigiriam inteligência humana, como reconhecer imagens, entender linguagem ou tomar decisões.
Machine Learning (Aprendizado de Máquina)
É um subconjunto da IA. Em vez de programar regras explícitas, o sistema aprende padrões a partir de dados. Por exemplo, um algoritmo de machine learning pode aprender a identificar spam analisando milhares de e-mails.
Deep Learning (Aprendizado Profundo)
É uma técnica de machine learning que usa redes neurais com muitas camadas. É o que está por trás de assistentes de voz, carros autônomos e tradução automática.
Algoritmo
É uma sequência de passos lógicos que um computador segue para resolver um problema. Na IA, os algoritmos são as receitas que ensinam a máquina a aprender.
Dados
São as informações usadas para treinar e testar os modelos de IA. Podem ser números, textos, imagens, áudios, etc. Sem dados, não existe IA.
Termos de machine learning que você vai ouvir muito
Machine learning é a base de muitos cursos de IA. Esses termos aparecem em praticamente todas as aulas sobre modelos preditivos.
Modelo
É o resultado do treinamento de um algoritmo com dados. É como se fosse um cérebro artificial que aprendeu a fazer previsões ou classificações.
Treinamento
É o processo de alimentar o algoritmo com dados para que ele aprenda os padrões. Durante o treinamento, o modelo ajusta seus parâmetros para melhorar suas respostas.
Teste
É a etapa em que o modelo treinado é avaliado com dados que ele nunca viu, para verificar se ele generaliza bem, ou seja, se funciona em situações novas.
Overfitting
Acontece quando o modelo decora os dados de treinamento, mas não consegue acertar em dados novos. É como um aluno que decora a prova, mas não entende a matéria.
Underfitting
É o oposto: o modelo é simples demais e não consegue captar os padrões dos dados, tendo um desempenho ruim até no treinamento.
Features (Atributos)
São as características dos dados que o modelo usa para fazer previsões. Por exemplo, para prever o preço de uma casa, as features podem ser tamanho, localização e número de quartos.
Rótulo
É a resposta correta que queremos que o modelo aprenda a prever. No exemplo da casa, o rótulo seria o preço final.
Classificação
É um tipo de tarefa em que o modelo deve categorizar os dados em classes. Por exemplo, classificar e-mails como spam ou não spam.
Regressão
É um tipo de tarefa em que o modelo deve prever um valor numérico contínuo, como o preço de um imóvel ou a temperatura de amanhã.
Dados de treinamento
São os dados usados para ensinar o modelo. Eles precisam ser representativos do problema que você quer resolver.
Dados de validação
São usados durante o treinamento para ajustar os parâmetros do modelo e evitar overfitting.
Dados de teste
São usados no final para avaliar o desempenho do modelo em dados que ele nunca viu.
Termos de redes neurais e deep learning
Se o seu curso avança para deep learning, esses termos vão aparecer. Eles descrevem como as máquinas aprendem de forma mais complexa.
Rede Neural
É um modelo inspirado no cérebro humano, composto por camadas de neurônios artificiais que processam informações. É a base do deep learning.
Neurônio
É a unidade básica de uma rede neural. Ele recebe entradas, aplica um cálculo e produz uma saída.
Camada
É um conjunto de neurônios que processa as informações em paralelo. Redes neurais têm camadas de entrada, ocultas e de saída.
Pesos
São os valores que a rede ajusta durante o treinamento para aprender os padrões. Eles determinam a importância de cada entrada.
Viés (Bias)
É um valor adicional que ajuda a rede a ajustar suas previsões, permitindo mais flexibilidade.
Função de ativação
É uma função que decide se um neurônio deve ser ativado ou não, introduzindo não linearidade na rede. Exemplos: ReLU, sigmoide, tanh.
Backpropagation
É o algoritmo que calcula o erro da rede e ajusta os pesos de trás para frente, melhorando o modelo a cada iteração.
Época
É uma passagem completa pelo conjunto de dados de treinamento durante o treinamento.
Batch
É um subconjunto dos dados de treinamento usado em cada iteração do algoritmo.
Taxa de aprendizado
É um parâmetro que controla o tamanho dos ajustes nos pesos a cada passo. Muito alta pode fazer o modelo não convergir; muito baixa, demora demais.
Termos de processamento de linguagem natural (PLN)
Se o curso aborda chatbots, análise de texto ou geração de linguagem, você vai ver esses termos. Eles são a base de ferramentas como ChatGPT.
Processamento de Linguagem Natural (PLN)
É a área da IA que permite que computadores entendam, interpretem e gerem linguagem humana.
Token
É uma unidade de texto, como uma palavra ou parte dela, que o modelo processa. Por exemplo, a frase “Eu amo IA” pode ser dividida em tokens: “Eu”, “amo”, “IA”.
Embedding
É uma representação numérica de palavras ou frases em um espaço vetorial, que captura significados e relações semânticas.
Modelo de linguagem
É um modelo treinado para prever a próxima palavra em uma sequência, aprendendo padrões linguísticos. É a base de geradores de texto.
Prompt
É a instrução ou pergunta que você dá a um modelo de linguagem para obter uma resposta. Por exemplo: “Escreva um e-mail para meu chefe pedindo férias”.
Engenharia de Prompt
É a prática de criar prompts eficazes para obter respostas melhores dos modelos de IA. É uma habilidade valiosa e que a UNEIA ensina em um curso gratuito.
Chatbot
É um programa que conversa com usuários por texto ou voz, usando IA para entender e responder.
Análise de sentimentos
É uma técnica de PLN que identifica se um texto tem tom positivo, negativo ou neutro, muito usada em monitoramento de redes sociais.
Tradução automática
É a tarefa de traduzir texto de um idioma para outro usando IA, como o Google Tradutor.
Geração de texto
É a capacidade de criar texto novo e coerente, como artigos, resumos ou respostas, a partir de um prompt.
Termos de visão computacional
Se o curso aborda reconhecimento de imagens ou vídeos, esses termos são essenciais.
Visão Computacional
É a área da IA que permite que computadores interpretem e entendam o mundo visual, como imagens e vídeos.
Reconhecimento de imagem
É a tarefa de identificar objetos, pessoas ou cenas em uma imagem.
Detecção de objetos
É a tarefa de localizar e classificar objetos em uma imagem, desenhando caixas ao redor deles.
Segmentação de imagem
É a tarefa de dividir uma imagem em regiões, atribuindo um rótulo a cada pixel, como separar o céu do chão.
Redes Neurais Convolucionais (CNN)
São um tipo de rede neural especialmente eficaz para processar imagens, usando camadas de convolução para extrair características.
Data augmentation
É uma técnica que aumenta a variedade dos dados de treinamento aplicando transformações como rotação, zoom ou inversão, melhorando a robustez do modelo.
Termos de ética e prática de IA
Além da técnica, cursos de IA costumam discutir aspectos éticos e práticos. Esses termos ajudam você a entender o impacto da IA.
Viés algorítmico
É quando um modelo de IA produz resultados injustos ou discriminatórios, geralmente por causa de dados de treinamento enviesados.
Transparência
É a capacidade de entender e explicar como um modelo de IA toma decisões. É importante para confiança e responsabilidade.
Explicabilidade
É a capacidade de explicar as decisões de um modelo de IA em termos compreensíveis para humanos.
Privacidade
É a proteção dos dados pessoais usados em sistemas de IA, garantindo que não sejam usados indevidamente.
Regulamentação
São as leis e normas que governam o uso de IA, como a LGPD no Brasil ou o AI Act na Europa.
Perguntas frequentes sobre termos de IA
Preciso saber programar para entender esses termos?
Não. Muitos termos podem ser compreendidos com exemplos práticos, sem programação. Cursos como os da UNEIA explicam tudo de forma acessível, mesmo para iniciantes.
Onde posso aprender esses termos na prática?
Você pode começar com cursos gratuitos de IA, como os da UNEIA, que oferecem aulas práticas e projetos para você aplicar o que aprendeu.
Como montar um portfólio de IA sem saber programar?
Foque em projetos que usem ferramentas de IA prontas, como criar um chatbot com plataformas no-code, ou documentar experimentos com prompts. O importante é mostrar seu raciocínio e resultados.
Este glossário é um ponto de partida. Conforme você avança, novos termos vão surgir, mas com essa base você já vai se sentir mais confiante para acompanhar qualquer curso de IA. Se quiser colocar esse conhecimento em prática, explore os cursos gratuitos da UNEIA e comece hoje mesmo.