Referência

Glossário

Definições em linguagem simples de termos comuns de IA, para leitores e mecanismos de resposta.

AI agent: Um sistema que usa um modelo para perseguir um objetivo em várias etapas, decide o que fazer a seguir e muitas vezes chama ferramentas externas como busca, execução de código ou uma API interna antes de apresentar um resultado. Exemplo: um agente que lê um relatório de erro, abre o repositório, edita um arquivo e executa os testes. Não confundir com um chatbot nem com um classificador de um único turno, que responde uma vez sem planejar nem agir sobre outros sistemas.
Alignment: O esforço para fazer com que sistemas de IA se comportem de acordo com as intenções e os valores humanos.
Attention: Um mecanismo que permite a um modelo ponderar quais partes da entrada importam mais para cada saída.
Chain-of-thought: Uma abordagem de prompting ou treinamento em que um modelo percorre etapas intermediárias de raciocínio antes de responder.
Citation: Uma citação é uma referência anexada a uma saída que aponta de onde veio uma afirmação, uma fala citada ou um número, geralmente nomeando um documento, uma página ou uma fonte para que o leitor possa conferir. Exemplo: uma resposta que apresenta um número e liga ao parágrafo do relatório de onde ele foi tirado. Não confundir com ancoragem nem com exatidão: a citação mostra apenas qual fonte o sistema anexou, e o mesmo sistema pode anexar uma citação plausível a uma afirmação que a fonte não sustenta.
Commercial use: Uso comercial é qualquer uso de um modelo, de uma ferramenta ou da sua saída com a finalidade de gerar receita ou sustentar um negócio, como vender um produto feito com ele, integrá-lo a um serviço pago ou aplicá-lo a trabalhos cobrados de clientes. Exemplo: um estúdio gera imagens com um modelo e as entrega a clientes pagantes. Não confundir com acesso pago: comprar uma assinatura não concede por si só direitos comerciais, e alguns termos gratuitos permitem sim trabalho comercial.
Context window: A quantidade máxima de texto, medida em tokens, que um modelo consegue considerar numa única requisição, incluindo as instruções, a conversa até ali e os documentos enviados; o que excede esse limite é descartado ou truncado. Exemplo: um contrato longo que ultrapassa a janela precisa ser dividido ou resumido antes de se perguntar sobre o todo. Não confundir com uma memória nem com os dados de treinamento: a janela é um limite por requisição e não armazena tudo o que o modelo já viu.
Diffusion model: Um modelo generativo que produz imagens ou outras mídias removendo iterativamente o ruído de um sinal aleatório.
Distillation: Treinar um modelo menor para imitar um maior, mantendo grande parte de sua capacidade a um custo menor.
Embedding: Um vetor numérico que representa um texto, uma imagem ou outro item, de modo que itens de significado parecido fiquem próximos num espaço de muitas dimensões, o que viabiliza a busca semântica e o agrupamento. Exemplo: uma central de ajuda guarda um vetor por artigo para que a pergunta de um usuário seja associada aos artigos mais próximos. Não confundir com um prompt nem com um resumo: um embedding não é texto legível e seus números não podem ser interpretados pela leitura.
Few-shot learning: Orientar um modelo com alguns exemplos no prompt em vez de retreiná-lo.
Fine-tuning: Treinamento adicional de um modelo já pré-treinado num conjunto de dados mais restrito, para que ele siga mais de perto uma tarefa, um tom ou um domínio específico. Exemplo: uma empresa treina um modelo-base com seus próprios pares de pergunta e resposta selecionados para que as respostas sigam o seu estilo editorial. Não confundir com a geração aumentada por recuperação, que mantém os pesos intactos e acrescenta documentos ao responder, nem com a engenharia de prompt, que apenas reescreve as instruções.
Foundation model: Um modelo grande treinado com dados amplos que pode ser adaptado a muitas tarefas derivadas.
Free tier: Um nível gratuito é uma camada de acesso sem custo que um serviço oferece ao lado dos planos pagos, normalmente limitada por cotas de uso, recursos disponíveis, assentos ou tempo, para que as pessoas testem o produto ou mantenham um uso leve sem pagar. Exemplo: uma interface que permite certa quantidade de requisições por mês antes de exigir um plano pago. Não confundir com software livre nem com código aberto: é uma oferta comercial que pode mudar ou ser encerrada e não diz nada sobre a licença do modelo por trás.
Function calling: Uma capacidade do modelo de retornar chamadas estruturadas a funções definidas pelo desenvolvedor em vez de texto simples.
Grounding: Conectar as respostas de um modelo a fontes externas verificáveis, como documentos ou resultados de busca.
Guardrails: Regras e filtros que restringem as saídas de um sistema de IA para mantê-las seguras, precisas e relevantes.
Hallucination: Uma saída em que o modelo afirma algo falso ou sem respaldo, ou inventa um detalhe como uma citação, um número ou o nome de uma função, escrevendo com a mesma fluência e segurança de quando acerta. Exemplo: um resumo que cita uma seção de um documento que não contém a afirmação atribuída. Não confundir com uma mentira nem com um viés: a alucinação vem de como o modelo gera o texto, não de uma intenção de enganar nem de um ponto de vista específico.
Inference: Executar um modelo já treinado sobre uma entrada nova para produzir uma saída, como uma previsão, uma tradução ou uma imagem gerada. É a etapa em que um serviço consome computação por requisição e é separada do treinamento, que ocorreu antes. Exemplo: um aplicativo envia uma foto carregada a um modelo e recebe uma legenda em um segundo. Não confundir com treinamento nem com ajuste fino, que ajustam os parâmetros do modelo sobre um conjunto de dados e costumam custar muito mais por execução.
Large language model (LLM): Uma rede neural treinada com grandes quantidades de texto para prever e gerar linguagem.
License: Uma licença é a permissão legal que o titular dos direitos concede sobre como um modelo, seus pesos ou um software podem ser usados, copiados, modificados e redistribuídos, e estabelece as condições ligadas a esses direitos em vez de descrever a tecnologia. Exemplo: um modelo pode ser liberado apenas para pesquisa, enquanto outro permite produtos comerciais, mas exige que as versões modificadas mantenham os mesmos termos. Não confundir com pesos abertos nem com código aberto: pesos podem ser baixados sob termos que proíbem uso comercial, e uma licença de código permissiva não diz nada sobre os dados de treinamento.
Mixture of experts (MoE): Uma arquitetura de modelo que direciona cada entrada a um subconjunto de sub-redes especializadas para economizar computação.
Model Context Protocol (MCP): Um protocolo aberto que padroniza como assistentes e outros aplicativos movidos por modelos se conectam a fontes de dados e ferramentas externas, para que um mesmo conector seja reutilizado por vários clientes em vez de reescrito para cada combinação de aplicativo e serviço. Exemplo: um servidor que expõe o sistema de chamados de uma empresa pode ser ligado sem alterações a um assistente de desktop e a uma ferramenta de programação. Não confundir com um modelo nem com a API de um único fornecedor: ele descreve como as ferramentas são oferecidas e chamadas e não diz nada sobre a qualidade do modelo do outro lado.
Multimodal: Descreve um modelo capaz de processar ou gerar mais de um tipo de dado, como texto e imagens.
Open weights: Parâmetros de modelo publicados para que outros possam baixá-los, executá-los e, muitas vezes, modificá-los, em contraste com um modelo acessível apenas pelo serviço hospedado de um fornecedor. Exemplo: uma equipe baixa os pesos publicados e os executa em máquinas próprias para manter os dados dentro da sua rede. Não confundir com código aberto: os pesos sozinhos não dizem nada sobre a licença, os dados de treinamento ou o código de treinamento, então um modelo com pesos abertos não é automaticamente de código aberto.
Prompt: O texto ou outra entrada fornecida a um modelo para instruí-lo ou obter uma resposta.
Prompt engineering: A prática de projetar e refinar prompts para obter saídas de modelo mais confiáveis ou úteis.
Quantization: Reduzir a precisão numérica dos pesos de um modelo para que ele rode mais rápido e use menos memória.
Reasoning model: Um modelo treinado para dedicar computação extra a pensar um problema passo a passo antes de responder.
Red-teaming: Testar deliberadamente um sistema de IA em busca de comportamentos nocivos, inseguros ou não intencionais antes e depois do lançamento.
Reinforcement learning from human feedback (RLHF): Um método de treinamento que usa julgamentos de preferência humanos para orientar um modelo a um comportamento mais útil.
Retrieval-augmented generation (RAG): Uma técnica que pesquisa num corpus externo os trechos relevantes para uma pergunta e os entrega a um modelo, para que a resposta se apoie nas fontes recuperadas e não apenas no conhecimento armazenado pelo modelo. Exemplo: um assistente de suporte que localiza o parágrafo correspondente num manual do produto e o cita na resposta. Não confundir com o ajuste fino, que altera os pesos do modelo: a geração aumentada por recuperação mantém os pesos intactos e muda apenas o texto que o modelo vê ao responder.
Self-hosting: Auto-hospedagem significa executar um modelo ou aplicativo em infraestrutura que você controla, como servidores próprios, uma nuvem privada ou um notebook, em vez de acessá-lo pelo serviço hospedado de um fornecedor. Exemplo: uma empresa instala modelos de pesos abertos dentro da própria rede para que prompts e documentos nunca saiam dela. Não confundir com pesos abertos: poder executar um modelo por conta própria depende da licença, e um modelo cujos pesos são baixáveis ainda pode ser oferecido principalmente como serviço hospedado.
Small language model (SLM): Um modelo de linguagem compacto projetado para rodar com eficiência em dispositivos ou a baixo custo com qualidade competitiva.
Speech recognition (ASR): Converter automaticamente áudio falado em texto escrito.
Synthetic data: Dados gerados artificialmente usados para treinar ou avaliar modelos quando dados reais são escassos ou sensíveis.
System prompt: Uma instrução oculta que define o papel, as regras e o comportamento de um modelo antes da entrada do usuário.
Temperature: Um ajuste de amostragem que controla o quão aleatórias ou previsíveis são as saídas de um modelo.
Text-to-image: Gerar imagens a partir de descrições escritas usando um modelo generativo.
Text-to-video: Gerar clipes de vídeo a partir de descrições em linguagem natural usando modelos generativos.
Token: Uma unidade de texto, como uma palavra ou parte de palavra, que um modelo de linguagem lê e gera.
Tool use (function calling): A capacidade de um modelo de chamar funções externas, APIs ou aplicativos para concluir uma tarefa.
Transformer: Uma arquitetura de rede neural baseada em atenção que sustenta a maioria dos modelos modernos de linguagem e multimodais.
Vector database: Um banco de dados que armazena embeddings e encontra itens por similaridade, muito usado para recuperação em apps de IA.
Vibe coding: Um estilo de desenvolvimento de software em que os desenvolvedores descrevem objetivos em linguagem natural e deixam a IA gerar o código.
Voice cloning: A clonagem de voz constrói uma voz sintética a partir de gravações de uma pessoa falando, para que um texto novo possa ser lido em voz alta com uma voz parecida com a dela; os métodos vão de uma amostra curta a horas de áudio. Exemplo: um narrador grava poucos minutos uma vez e depois faz a mesma voz ler uma frase corrigida sem agendar outra sessão. Não confundir com reconhecimento de fala: ele converte áudio em texto, enquanto a clonagem converte texto em áudio que imita um determinado falante.
World model: Um sistema de IA que aprende uma representação interna de um ambiente para prever como ele muda ao longo do tempo.
Zero-shot learning: A capacidade de um modelo de realizar uma tarefa sem ter visto exemplos dela no prompt.