Glossário de inteligência artificial: entenda 25 termos

Glossário de inteligência artificial é o ponto de partida para quem deseja compreender siglas que surgem a cada novo avanço tecnológico. De LLM a RLHF, passando por AGI e difusão, reunimos 25 conceitos indispensáveis que circulam em reportagens, conferências e salas de reunião do setor.

Neste material, mantemos a fidelidade aos fatos publicados originalmente pelo TechCrunch, mas apresentamos tudo em português brasileiro, em formato objetivo e 100% inédito. A leitura rápida poupa o desconforto de concordar com termos desconhecidos e garante entendimento claro de como esses recursos moldam produtos e serviços baseados em IA.

Glossário de inteligência artificial: entenda 25 termos

A seguir, detalhamos cada expressão de forma sucinta, sem perder precisão técnica, facilitando a vida de executivos, desenvolvedores e curiosos.

1. AGI (Artificial General Intelligence)

Representa um sistema capaz de igualar — ou superar — o desempenho humano na maior parte das tarefas cognitivas. A OpenAI descreve a AGI como “altamente autônoma” e superior em trabalhos de valor econômico.

2. Agente de IA

Ferramenta dotada de autonomia para executar sequências de ações, como reservar passagens ou corrigir código, integrando múltiplos modelos e serviços.

3. Endpoint de API

“Botões” nos bastidores de softwares que permitem a outros programas acionarem funções específicas, algo explorado por agentes para automação avançada.

4. Chain-of-thought

Método que divide um problema em etapas menores, melhorando a precisão de modelos linguísticos em questões lógicas ou de programação.

5. Agente de código

Versão especializada de agente capaz de escrever, testar e depurar softwares sem intervenção humana constante.

6. Compute

Termo-guarda-chuva que indica o poder de processamento (GPUs, CPUs, TPUs) essencial para treinar e executar modelos de IA.

7. Deep learning

Subcampo de machine learning que utiliza redes neurais multilayer para identificar padrões complexos e aprender com erros.

8. Difusão

Tecnologia que adiciona ruído progressivamente a dados e depois aprende a reverter o processo, base de geradores de imagem, vídeo e áudio.

9. Destilação

Técnica “professor-aluno” que cria um modelo menor a partir de outro maior, reduzindo custo sem perder muito desempenho — caso do GPT-4 Turbo.

10. Fine-tuning

Treinamento adicional em dados específicos para otimizar um modelo a uma tarefa ou setor.

11. GAN

Redes generativas adversariais formadas por gerador e discriminador que competem para criar saídas cada vez mais realistas.

12. Alucinação

Quando o modelo “inventa” informações; lacunas no conjunto de treino costumam ser a causa principal.

13. Inferência

Momento em que o modelo já treinado gera previsões ou respostas, exigindo hardware adequado à sua dimensão.

14. LLM (Large Language Model)

Redes neurais com bilhões de parâmetros que analisam padrões linguísticos e respondem a solicitações em assistentes como ChatGPT ou Gemini.

15. Cache de memória

Otimização que armazena cálculos prévios, reduzindo esforço computacional durante a inferência; KV cache é o exemplo mais comum.

16. Rede neural

Estrutura inspirada no cérebro humano, alicerce de deep learning e, por consequência, dos sistemas generativos atuais.

17. Código aberto

Modelos ou softwares cujo código-fonte é público, como a família Llama da Meta, permitindo auditoria e evolução colaborativa.

18. Paralelização

Distribuir tarefas simultaneamente em múltiplos chips para acelerar treinamento e inferência, pilar dos data centers de IA.

19. RAMageddon

Escassez global de memória RAM provocada pelo consumo maciço de data centers de IA, encarecendo consoles, smartphones e servidores.

20. Reforço (Reinforcement Learning)

Modelo aprende por tentativa e erro, recebendo recompensas; variante RLHF usa feedback humano para refinar assistentes.

21. Token e throughput

Tokens são pedaços de texto processados pelo modelo; a taxa de throughput mede quantos tokens podem ser manipulados por segundo.

22. Treinamento

Processo de alimentar o modelo com grandes volumes de dados para que ele reconheça padrões e gere saídas úteis.

23. Transfer learning

Aproveita um modelo previamente treinado como base para outra tarefa, economizando recursos quando há poucos dados disponíveis.

24. Pesos

Parâmetros numéricos que definem a importância de cada característica na saída do modelo, ajustados ao longo do treinamento.

25. Validation loss

Métrica que avalia em tempo real se o modelo está aprendendo ou memorizando demais (overfitting); valores menores indicam melhor performance.

Este vocabulário será atualizado conforme surgirem novos termos. Para aprofundar alguns conceitos, o Massachusetts Institute of Technology mantém pesquisas abertas que ajudam a dimensionar impactos e aplicações futuras.

Quer saber como otimizar conteúdo para motores de busca usando estes conceitos? Visite nosso portal e continue acompanhando análises e tutoriais exclusivos.

Crédito da imagem: TechCrunch