Se você se interessa pelo assunto de IA mas fica confuso(a) com tanta palavras novas e diferentes, não se assuste, você não está sozinho(a)! O mundo da IA é um dos que mais se transforma nos últimos anos e novas palavras que nunca ouvimos falar começam a surgir e acabam mesmo nos deixando confusos(as). Mas calma, a equipe do Blog DeepSeek está aqui para te ajudar! E… confessamos que fizemos esse glossário da inteligência artificial até para nós mesmos entendermos como funciona esse mundo tão novo e tão fascinante que é a inteligência artificial.
Claro! Aqui está um glossário abrangente com termos importantes relacionados à inteligência artificial, organizados alfabeticamente para facilitar a consulta:
Glossário de inteligência artificial (IA)
A
- Agente inteligente: Sistema que percebe seu ambiente e realiza ações para atingir um objetivo.
- Algoritmo: Conjunto de regras ou instruções que orientam a resolução de um problema.
- Aprendizado automático (Machine Learning): Capacidade das máquinas aprenderem com dados sem serem explicitamente programadas.
- Aprendizado profundo (Deep Learning): Subconjunto do aprendizado automático baseado em redes neurais profundas.
- AutoML (Automated Machine Learning): Conjunto de ferramentas e técnicas que automatizam o processo de desenvolvimento de modelos de aprendizado automático, como seleção de algoritmos, ajuste de hiperparâmetros e feature engineering.
- Attention Mechanism (Mecanismo de Atenção): Técnica usada em modelos de IA, especialmente em redes neurais como transformers, que permite focar em partes específicas dos dados de entrada ao processar ou gerar saídas, melhorando a eficiência e o desempenho.
B
- Big Data: Conjunto de dados extremamente grande que exige técnicas especiais para análise e processamento.
- Bot: Programa automatizado que realiza tarefas repetitivas ou simula conversas humanas.
- Bias em IA: Viés introduzido em modelos de IA devido a dados enviesados ou decisões de design, que podem levar a resultados injustos ou discriminatórios.
C
- Chatbot: Software projetado para simular conversas humanas. (O ChatGPT e o DeepSeek são exemplos de chatbot)
- Classificação: Processo de atribuir categorias a dados com base em características específicas.
- Computer Vision (Visão Computacional): Área da IA que permite às máquinas interpretar e processar imagens ou vídeos, como em reconhecimento facial ou detecção de objetos.
- Clustering: Técnica de aprendizado não supervisionado que agrupa dados semelhantes com base em suas características, sem rótulos prévios.
D
- Dados estruturados: Dados organizados em formato definido, como tabelas.
- Dados não estruturados: Informações sem formato pré-definido, como textos ou vídeos.
- Dataset: Conjunto de dados utilizado para treinar modelos de IA.
- Deep Reinforcement Learning: Combinação de aprendizado profundo com aprendizado por reforço, usada em tarefas complexas como jogos ou robótica, onde o modelo aprende estratégias otimizadas por tentativa e erro.
- Domain Adaptation: Técnica que ajusta um modelo treinado em um domínio (conjunto de dados) para funcionar bem em um domínio diferente, com características distintas.
E
- Ética em IA: Conjunto de princípios que regem o uso responsável e justo da inteligência artificial.
- Embedding: Representação numérica de dados, como palavras, imagens ou outros tipos, em um espaço de menor dimensão, preservando suas propriedades semânticas ou contextuais.
- Explainable AI (IA Explicável): Abordagem para desenvolver modelos de IA cujas decisões podem ser entendidas e interpretadas por humanos, aumentando a transparência e confiança.
- Engenharia de prompt: Técnica de formular comandos ou instruções de forma clara, estratégica e otimizada para obter os melhores resultados de um modelo de linguagem ou sistema de IA generativa. Envolve o entendimento do funcionamento da IA, testes iterativos e refinamento dos prompts para alcançar respostas mais relevantes, precisas e úteis.
F
- Feature Engineering: Processo de selecionar e criar variáveis importantes para melhorar o desempenho de modelos de IA.
- Fine-tuning: Ajuste fino de um modelo pré-treinado para uma tarefa específica.
- Federated Learning (Aprendizado Federado): Técnica que permite treinar modelos de IA em dispositivos distribuídos (como smartphones) sem compartilhar dados brutos, preservando a privacidade.
G
- GAN (Generative Adversarial Network): Rede neural composta por duas partes que competem para gerar dados realistas.
- Gradient Descent (Descida de Gradiente): Algoritmo de otimização usado para minimizar a função de perda em modelos de aprendizado automático, ajustando os parâmetros do modelo iterativamente.
H
- Hiperparâmetro: Parâmetro ajustado manualmente antes do treinamento do modelo para influenciar o aprendizado.
I
- Inferência: Processo pelo qual um modelo treinado aplica o conhecimento aprendido para fazer previsões sobre novos dados.
- Inteligência artificial forte (General AI): IA com capacidade intelectual igual ou superior à humana em todas as áreas.
- Inteligência artificial fraca (Narrow AI): IA especializada em tarefas específicas, sem consciência geral.
- IoT (Internet of Things) e IA: Integração da IA com dispositivos conectados à Internet das Coisas, permitindo análise de dados em tempo real para automação e tomada de decisão.
K
- Knowledge Graph (Grafo de Conhecimento): Estrutura de dados que representa informações como entidades e suas relações, usada em sistemas de IA para melhorar a compreensão e busca de informações.
L
- Linguagem natural: Linguagem usada pelos humanos, como português, inglês, etc.
- Linguagem natural (NLP – Natural Language Processing): Área que ensina máquinas a entender e gerar linguagem humana.
- LLM (Large Language Model): Modelo de inteligência artificial baseado em redes neurais, treinado em grandes quantidades de dados textuais, capaz de entender e gerar linguagem natural para tarefas como tradução, geração de texto e resposta a perguntas.
M
- Modelo de IA: Sistema treinado em dados que pode realizar previsões ou decisões.
- Modelo de linguagem (Language Model): Modelo que gera ou interpreta texto com base em padrões linguísticos.
- Multi-task Learning (Aprendizado Multitarefa): Técnica em que um modelo é treinado para realizar várias tarefas simultaneamente, compartilhando conhecimento entre elas para melhorar a eficiência.
N
- Neurônio artificial: Unidade básica de uma rede neural que simula o comportamento de neurônios biológicos.
- Rede neural: Sistema de aprendizado inspirado no funcionamento do cérebro humano.
- NLP – Natural Language Processing: Área que ensina máquinas a entender e gerar linguagem humana.
O
- Overfitting: Situação em que um modelo de IA aprende tão bem os dados de treinamento que perde capacidade de generalizar novos dados.
P
- Prompt: Instrução dada a uma IA, especialmente modelos generativos, indicando a tarefa a ser realizada.
- Pre-trained Model (Modelo Pré-treinado): Modelo de IA treinado em um grande conjunto de dados genérico, que pode ser adaptado (fine-tuned) para tarefas específicas, como BERT ou GPT.
Q
- Quantization: Técnica que reduz a precisão numérica dos pesos de um modelo de IA (por exemplo, de ponto flutuante para inteiro) para diminuir o uso de memória e acelerar a inferência.
R
- Reconhecimento de padrões: Capacidade das máquinas de detectar regularidades e características comuns em dados.
- Reinforcement Learning (Aprendizado por reforço): Técnica em que modelos aprendem através de recompensas e penalidades.
- Robotics (Robótica): Campo que combina IA com sistemas mecânicos para criar robôs capazes de realizar tarefas autônomas ou semi-autônomas, como navegação ou manipulação de objetos.
S
- Supervised Learning (Aprendizado supervisionado): Aprendizado baseado em exemplos rotulados (dados com respostas conhecidas).
- Unsupervised Learning (Aprendizado não supervisionado): Técnica que identifica padrões em dados não rotulados.
- Self-supervised Learning (Aprendizado Autossupervisionado): Método em que o modelo gera seus próprios rótulos a partir dos dados de entrada, usado em tarefas como pré-treinamento de modelos de linguagem ou visão computacional.
T
- Treinamento: Processo em que um modelo aprende com exemplos fornecidos pelos dados.
- Transformer: Arquitetura de rede neural amplamente usada em NLP e visão computacional, baseada em mecanismos de atenção, que revolucionou o processamento de sequências longas.
U
- Underfitting: Situação em que um modelo não consegue capturar a complexidade dos dados, gerando previsões pobres.
V
- Validação: Processo de avaliar um modelo usando dados diferentes daqueles usados no treinamento.
X
XAI (eXplainable Artificial Intelligence): Sinônimo de IA explicável, focado em criar sistemas transparentes cujas decisões podem ser compreendidas por usuários finais.
W
- Web scraping: Técnica usada para extrair dados automaticamente de sites na internet.