automaticLAB - inteligência artificial

Dicionário de Inteligência Artificial: de A a Z

Navigar no universo da IA requer um glossário robusto. Este dicionário completo, organizado alfabeticamente, é a sua ferramenta definitiva para decifrar relatórios, entender discussões técnicas e tomar decisões estratégicas informadas. Cada termo inclui uma explicação contextualizada para o mundo da gestão de tecnologia e projetos.

Acurácia (Accuracy): A proporção de previsões corretas totais. Pode ser enganosa em conjuntos de dados desbalanceados.
AGI (Artificial General Intelligence): Inteligência Artificial Geral. Um tipo hipotético de IA que possuiria capacidade cognitiva humana generalizada, aplicável a qualquer problema. Ainda é teórico.
Agente Inteligente: Um sistema autônomo que percebe seu ambiente, toma decisões e age para atingir objetivos.
Algoritmo: Um conjunto de regras e instruções passo a passo projetadas para realizar uma tarefa ou resolver um problema. A "receita" da computação.
Alinhamento de IA (AI Alignment): Subcampo focado em garantir que sistemas de IA avançados atuem de acordo com os valores e interesses humanos.
API (Application Programming Interface): Um conjunto de definições e protocolos para integrar e interagir com software. APIs de IA permitem usar modelos poderosos sem treiná-los você mesmo.
Aprendizado de Máquina (Machine Learning - ML): Subcampo da IA onde sistemas aprendem com dados, identificam padrões e fazem decisões com intervenção humana mínima.
Aprendizado de Poucos Tiros (Few-Shot Learning): A capacidade de um modelo de aprender e generalizar a partir de muito poucos exemplos.
Aprendizado de Transferência (Transfer Learning): Técnica de pegar um modelo pré-treinado e ajustá-lo para uma tarefa específica com menos dados.
Aprendizado Federado (Federated Learning): Técnica descentralizada onde o modelo é treinado em dispositivos locais; apenas as atualizações do modelo (não os dados) são enviadas para um servidor central. Preserva a privacidade.
Aprendizado Não Supervisionado (Unsupervised Learning): Tipo de ML onde o modelo é treinado com dados não rotulados e deve encontrar padrões por conta própria (ex: agrupamento de clientes).
Aprendizado por Reforço (Reinforcement Learning): Tipo de ML onde um agente aprende a tomar decisões performando ações em um ambiente e recebendo recompensas ou penalidades.
Aprendizado por Reforço a partir de Feedback Humano (RLHF): Técnica para alinhar LLMs usando feedback humano para treinar um modelo de recompensa e ajustar o LLM.
Aprendizado por Reforço Profundo (Deep Reinforcement Learning - DRL): Combinação de Redes Neurais Profundas com Aprendizado por Reforço.
Aprendizado Profundo (Deep Learning - DL): Tipo de ML que usa redes neurais artificiais com muitas camadas para aprender representações complexas de dados.
Aprendizado Supervisionado (Supervised Learning): Tipo de ML onde o modelo é treinado em um conjunto de dados que já contém as respostas corretas (os labels).
Autoencoder: Tipo de rede neural não supervisionada usada para aprendizado de representação e redução de dimensionalidade.
Autoatenção (Self-Attention): Mecanismo fundamental da arquitetura Transformer que permite ao modelo pesar a importância de diferentes palavras em uma sequência.

BERT (Bidirectional Encoder Representations from Transformers): Modelo de linguagem pré-treinado que entende o contexto de uma palavra olhando para todas as palavras ao seu redor.

Caixa-Preta (Black Box): Termo para descrever modelos de IA cujas decisões internas são difíceis para humanos interpretarem.
Característica (Feature): Uma propriedade ou característica mensurável dos dados usada para análise e modelagem.
Chatbot: Um programa de computador que simula conversas humanas, usando técnicas de PLN.
Classificação: Tarefa de ML onde o objetivo é prever uma categoria discreta (ex: spam ou não spam).
Clustering (Agrupamento): Tarefa de Aprendizado Não Supervisionado que agrupa dados com características similares.
CNN (Redes Neurais Convolucionais): Classe de redes neurais profundas extremamente eficaz para tarefas de visão computacional.
Cognição: O processo mental de adquirir conhecimento e compreensão. A IA tenta emular aspectos da cognição humana.
Cognitive Automation (Automação Cognitiva): Uso de capacidades de IA (NLP, CV) para automatizar tarefas que envolvem julgamento e interpretação.
Computer Vision (CV): Visão Computacional.
Conjunto de Dados (Dataset): Coleção de dados. O combustível para treinar, validar e testar modelos de ML.
Conjunto de Teste (Test Set): Subconjunto de dados usado apenas uma vez para avaliar o desempenho final do modelo treinado.
Curva ROC / AUC (Receiver Operating Characteristic / Area Under the Curve): Ferramenta para visualizar o desempenho de um classificador em todos os limiares de decisão.

Data Drift (Drift de Dados): Mudança na distribuição dos dados de entrada ao longo do tempo, que pode degradar o desempenho de um modelo em produção.
Deep Learning (DL): Aprendizado Profundo.
Digital Twin (Gêmeo Digital): Representação virtual de um objeto ou sistema físico atualizada com dados em tempo real para simulação e previsão.
Diffusion Models: Arquitetura por trás de modelos de geração de imagem (ex: Stable Diffusion). Aprendem a reverter um processo de adição de "ruído".
Docker: Plataforma para desenvolver, enviar e executar aplicações dentro de contêineres, garantindo consistência entre ambientes.

Edge AI: Execução de modelos de IA diretamente em dispositivos locais (ex: câmeras, smartphones), oferecendo baixa latência e maior privacidade.
Embedding: Representação de um objeto (como uma palavra) como um vetor (lista de números) em um espaço multidimensional. Itens similares têm embeddings similares.
Ética em IA: Campo que estuda e aborda os impactos sociais, enviesamentos e implicações morais do desenvolvimento e uso da inteligência artificial.
Explainable AI (XAI): IA Explicável.

F1-Score: Métrica balanceada que é a média harmônica entre Precisão e Revocação.
Feature Engineering: Processo de usar conhecimento de domínio para selecionar, manipular e transformar features brutas em características mais eficientes para os algoritmos.
Fine-Tuning (Ajuste Fino): Processo de pegar um modelo pré-treinado e continuar treinando-o em um conjunto de dados menor e específico para uma tarefa ou domínio particular.
Função de Perda (Loss Function): Função que calcula o "erro" ou "custo" das previsões do modelo durante o treinamento.

GAN (Generative Adversarial Network): Arquitetura onde duas redes neurais (gerador e discriminador) são treinadas em um jogo adversário para gerar dados realistas.
GPT (Generative Pre-trained Transformer): Família de LLMs desenvolvida pela OpenAI. "Generativo", "Pré-treinado" e "Transformer" por sua arquitetura.
GPU (Graphics Processing Unit): Unidade de processamento gráfico, essencial para IA devido à sua arquitetura massivamente paralela que acelera cálculos.
Gradiente Descendente (Gradient Descent): Algoritmo de otimização iterativo usado para minimizar a função de perda.
Graph Neural Networks (GNNs): Redes neurais projetadas para trabalhar diretamente com dados estruturados em grafos.

Hallucination (Alucinação): Fenômeno onde um LLM gera informação incorreta ou inventada.
Hiperparâmetro (Hyperparameter): Configuração do modelo definida antes do treinamento (ex: taxa de aprendizado, número de camadas). Seu ajuste é crítico.
Hugging Face: Plataforma que se tornou o "hub" central da comunidade de IA, oferecendo milhares de modelos pré-treinados e datasets.
Hyperautomation: Conceito de usar uma combinação de tecnologias (RPA, IA, ML) para automatizar processos inteiros de forma inteligente.

Inferência (Inference): Fase onde o modelo treinado é usado para fazer previsões sobre dados novos.
Inteligência Artificial (IA): Campo da ciência da computação dedicado a criar sistemas capazes de realizar tarefas que exigiriam inteligência humana.
IA Explicável (XAI - Explainable AI): Conjunto de ferramentas para tornar as decisões dos modelos de IA mais transparentes e interpretáveis.

Kubernetes: Plataforma de orquestração de contêineres open-source fundamental para executar cargas de trabalho de ML em escala (MLOps).

Large Language Model (LLM): Modelo de Linguagem de Grande Escala. Tipo enorme de modelo de Deep Learning treinado em massivas quantidades de texto (ex: GPT-4, LLaMA).
Learning Rate (Taxa de Aprendizado): Hiperparâmetro crucial que controla o tamanho do passo a cada iteração do Gradient Descent.
LoRA (Low-Rank Adaptation): Técnica de fine-tuning eficiente que treina pequenos adaptadores para serem injetados em um LLM, em vez de ajustar todos os seus parâmetros.
LSTM (Long Short-Term Memory): Tipo avançado de rede neural recorrente capaz de aprender dependências de longo prazo em sequências de dados.

Matriz de Confusão (Confusion Matrix): Tabela que descreve o desempenho de um modelo de classificação.
MLOps (Machine Learning Operations): Conjunto de práticas que visa unificar o desenvolvimento de ML (Dev) e a operação do modelo (Ops), focando na automatização, implantação e monitoramento.
Modelo: O produto final de um algoritmo de treinamento de ML que pode ser usado para fazer previsões.
Modelo em Produção (Model in Production): Modelo de ML que foi implantado em um ambiente real e está sendo usado para tomar decisões.

Natural Language Processing (NLP): Processamento de Linguagem Natural.

OCR (Optical Character Recognition): Tecnologia de visão computacional que converte imagens de texto em texto machine-encoded.
ONNX (Open Neural Network Exchange): Formato aberto para representar modelos de machine learning, permitindo interoperabilidade entre diferentes frameworks.
Overfitting (Sobreajuste): Ocorre quando um modelo se ajusta perfeitamente aos dados de treinamento, capturando "ruído" em vez dos padrões subjacentes. Performa bem no treino mas mal em dados novos.

Precisão (Precision): Dentre todas as previsões positivas feitas pelo modelo, quantas são realmente positivas.
Privacidade Diferencial (Differential Privacy): Técnica que permite compartilhar informações sobre um conjunto de dados sem revelar informações sobre indivíduos específicos.
Processamento de Linguagem Natural (PLN ou NLP): Subcampo da IA que dá às máquinas a capacidade de ler, entender, interpretar e gerar linguagem humana.
Prompt: A instrução ou entrada de texto fornecida a um LLM para eliciar uma resposta específica. A qualidade do prompt impacta a qualidade da saída (Engenharia de Prompt).
PyTorch: Framework de machine learning de código aberto conhecido por sua facilidade de uso e flexibilidade. Muito popular na academia.

Quantização: Técnica de otimização que reduz a precisão dos números usados para representar os parâmetros de um modelo, reduzindo tamanho e latência.

RAG (Retrieval-Augmented Generation): Geração Aumentada por Recuperação. Técnica que combina um LLM com um sistema de recuperação de informações de uma fonte confiável antes de gerar uma resposta, reduzindo alucinações.
Recall (Revocação ou Sensitivity): Dentre todos os casos positivos reais, quantos o modelo conseguiu identificar.
Redes Neurais Artificiais (Artificial Neural Networks - ANNs): Sistemas computacionais vagamente inspirados nos neurônios do cérebro humano.
Redes Neurais Recorrentes (RNNs): Classe de redes neurais projetadas para trabalhar com dados sequenciais.
Regressão: Tarefa de ML onde o objetivo é prever um valor contínuo (ex: preço de uma ação).
Reinforcement Learning (RL): Aprendizado por Reforço.
RNN (Redes Neurais Recorrentes): Redes Neurais Recorrentes.
Robotic Process Automation (RPA): Automação Robótica de Processos. Uso de "robôs" de software para automatizar tarefas repetitivas e baseadas em regras.
Rotulação (Labeling): Processo de identificar e marcar dados com tags descritivas. Crucial para o Aprendizado Supervisionado.

Singularidade Tecnológica: Hipótese futurista sobre um ponto onde a IA se tornaria tão avançada que superaria a inteligência humana e se autoreplicaria de forma descontrolada.
Sistema Especialista (Expert System): Tipo de IA que imita a capacidade de decisão de um especialista humano usando um conjunto de regras.
Supervised Learning: Aprendizado Supervisionado.

Taxa de Aprendizado (Learning Rate): Hiperparâmetro que controla o tamanho do passo durante o treinamento.
TensorFlow: Framework de código aberto abrangente e popular para machine learning, desenvolvido pela Google.
Tokenização (Tokenization): Processo de quebrar um texto em unidades menores (tokens), como palavras ou subpalavras.
TPU (Tensor Processing Unit): Unidade de processamento de tensores, desenvolvida pela Google especificamente para acelerar operações de redes neurais.
Transformer: Arquitetura de rede neural revolucionária que utiliza autoatenção. Tornou-se a base para a maioria dos LLMs modernos.
Treinamento (Training): Processo de alimentar um algoritmo de ML com dados para que ele aprenda e ajuste seus parâmetros internos.
Transfer Learning: Aprendizado de Transferência.

Underfitting (Subajuste): Ocorre quando um modelo é muito simples e não consegue capturar o padrão subjacente dos dados.
Unsupervised Learning: Aprendizado Não Supervisionado.

Validação: Processo de avaliar o desempenho de um modelo durante o treinamento usando um conjunto de dados separado para ajustar hiperparâmetros.
Validação Cruzada (Cross-Validation): Técnica robusta para avaliar modelos onde os dados são divididos em k folds para treino e validação múltiplas vezes.
Vector Database (Banco de Dados Vetorial): Banco de dados especializado em armazenar e buscar eficientemente por vetores de embeddings. Fundamental para RAG.
Viés de Algoritmo (Algorithmic Bias): Tendência sistemática de um algoritmo de produzir resultados injustos ou preconceituosos, often devido a dados de treinamento tendenciosos.
Visão Computacional (Computer Vision): Campo da IA que treina computadores para interpretar e entender o mundo visual através de imagens e vídeos.

Weights & Biases (W&B): Ferramenta popular para rastreamento de experimentos de ML, versionamento de modelos e monitoramento.

XAI (Explainable AI): IA Explicável.

Zero-Shot Learning: A capacidade de um modelo de realizar uma tarefa para a qual não recebeu nenhum exemplo de treinamento específico.

Dicionário de inteligencia artificial

Dicionário de Inteligência Artificial: de A a Z

Deep Learning vs. Machine Learning

deep learning

machine learning