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 planejar e executar tarefas de várias etapas, muitas vezes chamando ferramentas.
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.
Context window: A quantidade máxima de texto, medida em tokens, que um modelo pode considerar de uma vez.
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: Uma representação vetorial numérica de texto ou outros dados que captura aspectos de seu significado.
Few-shot learning: Orientar um modelo com alguns exemplos no prompt em vez de retreiná-lo.
Fine-tuning: Treinamento adicional de um modelo pré-treinado em um conjunto de dados mais restrito para adaptá-lo a uma tarefa ou domínio específico.
Foundation model: Um modelo grande treinado com dados amplos que pode ser adaptado a muitas tarefas derivadas.
Hallucination: Quando um modelo gera texto fluente, porém factualmente incorreto ou sem fundamento.
Inference: Executar um modelo treinado para produzir saídas, em oposição a treiná-lo.
Large language model (LLM): Uma rede neural treinada com grandes quantidades de texto para prever e gerar linguagem.
Mixture of experts (MoE): Uma arquitetura de modelo que direciona cada entrada a um subconjunto de sub-redes especializadas para economizar computação.
Multimodal: Descreve um modelo capaz de processar ou gerar mais de um tipo de dado, como texto e imagens.
Open weights: Parâmetros de modelo divulgados publicamente para que outros possam executá-lo ou adaptá-lo.
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 recupera documentos relevantes e os fornece a um modelo para fundamentar suas respostas.
Speech recognition (ASR): Converter automaticamente áudio falado em texto escrito.
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.
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.