IA é o assunto do momento em tecnologia, e há muito jargão de machine learning e IA circulando por aí, incluindo termos capazes de confundir até profissionais experientes.
Afinal, o que significam os termos de IA?
Se você trabalha com uma agência de desenvolvimento de IA, lidera um time de tecnologia interno ou quer usar IA no seu negócio, entender IA e machine learning, junto com o jargão que descreve os dois, é fundamental.
Seja você uma startup, uma empresa de médio porte ou uma grande corporação, dominar IA e o vocabulário ao redor dela dá vantagem competitiva em um campo que muda rápido.
Por isso montamos este glossário: uma lista de definições de IA para empresas. Você pode percorrer a lista para consultar rapidamente um termo novo e entender o que cada um significa.
Siga a leitura para ver termos de inteligência artificial explicados de um jeito que qualquer pessoa entende.
Glossário de inteligência artificial
IA generativa
Definição de IA generativa: IA generativa é um tipo de inteligência artificial que cria conteúdo novo, como texto, imagem, música ou código, aprendendo a partir de dados existentes.
Em vez de apenas analisar informação, ela produz algo original: um chatbot que redige e-mails, uma ferramenta de design que sugere layouts ou um app que gera texto de marketing.
Para startups e grandes empresas, a IA generativa acelera a criação de conteúdo, simplifica workflows e abre espaço para novas experiências de cliente.
Leia também: Como integrar IA em um app
Large language model (LLM)
Definição de LLM: Large language models (um tipo de rede neural) são um tipo de sistema de IA generativa. Eles são treinados com volumes enormes de dados em texto e usam esse conhecimento para prever sequências de palavras.
LLMs aprendem padrões da linguagem, como gramática, significado e contexto, para executar tarefas como escrever, resumir, traduzir, responder perguntas e analisar texto.
Hoje, as ferramentas e assistentes de IA mais populares rodam sobre large language models. É por isso que ChatGPT, Claude, Gemini e Copilot conseguem entender instruções, sustentar uma conversa e gerar respostas que soam naturais.
Para empresas, LLMs aceleram tarefas como redigir e-mails e relatórios. Eles podem alimentar chatbots que respondem a clientes de forma natural. E podem analisar texto para encontrar tendências e significado.
Leia também: AI agents vs. AI systems na arquitetura de software
Prompt engineering
Definição de prompt engineering: Prompts são as instruções que você dá a um modelo de IA para obter a resposta que quer. Prompt engineering (também chamado de prompt design) é o trabalho de construir esses prompts.
Prompts bem construídos fazem a IA dar respostas mais precisas e executar tarefas mais complexas. Conhecer as boas práticas de prompt engineering ajuda você a extrair mais das ferramentas de IA generativa.
Algumas boas práticas: quebrar tarefas complexas em passos menores, dar as informações de contexto relevantes e usar exemplos para guiar a saída da IA.
Modelo Transformer
O que é um modelo Transformer: Um modelo Transformer é um tipo de arquitetura de rede neural que lida com dados sequenciais de forma mais eficiente e mais eficaz que os modelos antigos. É a base da maioria dos large language models modernos.
Modelos Transformer processam todas as palavras de uma vez. Isso ajuda a pesar a importância de cada palavra em relação às outras e a entender melhor o contexto. Também torna o treinamento mais rápido, porque dá para usar computação paralela.
Na prática, dentro de um Transformer cada palavra olha para todas as outras da frase e aprende quais são mais importantes para interpretar seu significado.
Overfitting/underfitting
Definição de overfitting vs. underfitting: Overfitting é quando um modelo de IA aprende os dados de treino bem demais. É como decorar as respostas da prova sem entender a matéria.
Underfitting é quando o modelo é simples demais para capturar os padrões dos dados. Acontece com frequência quando falta dado ou quando o dado disponível não é o certo para a tarefa que você pediu à IA.
A diferença principal entre overfitting e underfitting está no alcance da falha: o overfitting vai mal só em dados novos, enquanto o underfitting vai mal tanto nos dados de treino quanto nos novos.
Leia também: Como usar classificação com IA para criar apps mais eficientes
Natural language processing (NLP)
Definição de natural language processing: Processamento de linguagem natural (NLP) é um campo da inteligência artificial. Ele se concentra em fazer a IA entender, interpretar e gerar linguagem humana de forma útil.
As tarefas centrais de NLP incluem tokenização, geração de texto, tradução e sumarização. Você também pode usar NLP para interpretar um texto, detectando tema, fatos principais ou sentimento.
Fine-tuning
Definição de fine-tuning: Fine-tuning é pegar um modelo de IA existente e treiná-lo para tarefas ou casos de uso específicos. Por exemplo, você pode partir de um modelo que já entende padrões dos dados, como regras de linguagem e gramática. Depois aplica esse modelo a uma tarefa específica, como documentos jurídicos, treinando com dados adicionais.
Entender como fazer fine-tune de modelos de IA ajuda você a adaptar a IA à sua necessidade sem treinar um modelo do zero. E ajuda a melhorar o desempenho na tarefa específica.
Viés e justiça em IA
Definição de viés em IA: Viés em IA são os erros ou injustiças produzidos por dados de treino enviesados. Esse viés pode fazer o modelo favorecer certos resultados ou certos grupos em detrimento de outros.
Alguns exemplos de viés em IA e suas implicações éticas:
- Reconhecimento facial: pessoas de certas etnias são identificadas de forma incorreta porque estão sub-representadas nos datasets de treino
- Sistemas de IA para contratação: o dado histórico mostra preferência por candidatos homens, então o sistema continua priorizando homens
Saber o que procurar ajuda você a entender como mitigar viés em machine learning. Você pode usar dados de treino diversos e representativos, e testar os modelos em busca de comportamento enviesado.
Leia também: IA para desenvolvimento de software: boas práticas e ferramentas
Alucinação (em LLMs)
Definição de alucinação em LLMs: Uma alucinação em um LLM é a produção de uma saída que parece plausível, mas está factualmente errada.
A saída alucinada acontece porque o modelo é otimizado para gerar texto que soa plausível a partir dos padrões dos dados de treino, não para conferir a resposta contra fatos verificados. Um LLM pode criar referências que não existem, despejar estatísticas incorretas e até inventar pessoas.
E faz tudo isso com convicção. Por isso, checar os fatos da saída de IA generativa é essencial. Quando você entende por que LLMs alucinam, fica melhor em verificar resultados e em fazer o fine-tune do seu modelo.
RAG (retrieval-augmented generation)
Definição de retrieval-augmented generation: Retrieval-augmented generation (RAG) é uma técnica que combina um large language model (LLM) com uma fonte de conhecimento externa, como um banco de dados ou um buscador.
A técnica ajuda a gerar respostas mais precisas e apoiadas em fatos, permite que a IA busque em fontes atualizadas e reduz o número de alucinações que o seu sistema produz. Custa menos tempo e menos dinheiro do que fazer fine-tune de um sistema de IA.
Entre os casos de uso de RAG em produção estão enriquecer o contexto do modelo com documentos internos da empresa, para apoiar decisões melhores, ou com relatórios financeiros atualizados, para gerar análises de investimento precisas.
Em resumo, RAG é uma camada de recuperação inteligente que enriquece o contexto do LLM em tempo de execução, o que permite gerar respostas mais precisas e mais ancoradas em fatos.
Leve IA para o seu negócio com a Cheesecake Labs
Como você provavelmente percebeu ao ler os termos e definições deste glossário, existem muitas formas de usar inteligência artificial em um negócio.
Aqui na Cheesecake Labs, ajudamos nossos clientes a:
- Construir apps web e mobile com IA
- Fazer deploy de chatbots conversacionais
- Construir sistemas de IA para automação e eficiência
- Usar IA em estratégia e execução
Como parte dos nossos serviços de desenvolvimento de IA, oferecemos suporte de ponta a ponta: não cuidamos só da engenharia, mas também de estratégia de IA, design, integração e deploy.
Também temos experiência ampla em modelos e infraestrutura de IA, e não somos casados com nenhum sistema específico. Uma abordagem agnóstica nos ajuda a encontrar a solução certa para cada cliente, sempre.
E agora?
Quando você entende IA, passa a enxergar o que ela pode fazer pelo seu negócio. E quando trabalha com especialistas em IA, como o time da Cheesecake Labs, começa a transformar algumas dessas ideias em realidade.
Quer saber como esses conceitos se aplicam ao seu produto? Conheça nossos serviços de desenvolvimento de IA ou entre em contato para mais informações.
Perguntas frequentes sobre termos de IA
Os sete principais campos da IA são:
– Machine learning
– Processamento de linguagem natural (NLP)
– Sistemas especialistas
– Robótica
– Deep learning
– Visão computacional
– Automação robótica de processos (RPA)
A IA generativa tem várias aplicações em diferentes setores. Ela apoia times de atendimento resumindo conversas e bases de conhecimento internas. Ajuda times de desenvolvimento a criar apps mais rápido. E ajuda times de marketing a entender perfis de cliente e gerar conteúdo personalizado.
Large language models são sistemas de IA treinados para entender e gerar texto parecido com o humano, aprendendo padrões, gramática e contexto a partir de volumes enormes de dados. É assim que eles funcionam:
– Treinamento: O modelo aprende padrões gerais de linguagem em um dataset gigante, com livros, artigos e sites. Isso permite que ele preveja a próxima palavra de uma frase.
– Fine-tuning: O modelo pré-treinado recebe treino extra em datasets específicos. Por exemplo, linguagem jurídica ou estratégias de atendimento. Isso melhora o desempenho dele em tarefas ou organizações específicas.
– Prompt-tuning: LLMs se adaptam conforme os prompts que você dá. Dá para construir prompts com cuidado para guiar o sistema até a saída desejada.
– Contexto em tempo de execução: Em aplicações reais, LLMs não dependem só do que aprenderam no treino. Eles também usam contexto adicional fornecido em tempo de execução, como documentos relevantes, dados ou histórico de conversa.
Treinamento e fine-tuning definem o que o modelo sabe internamente. Prompt e controle de contexto em tempo de execução determinam como esse conhecimento é usado e que informação extra está disponível.
Saída alucinada em modelos de IA é aquela que soa convincente, mas foi inventada. Acontece porque sistemas de IA geram texto a partir de padrões, não de fatos.
Alucinações viram problema quando você não confere a saída da IA com rigor. Você pode acabar publicando conteúdo enganoso e arranhando a reputação da empresa. Checagem de fatos é parte obrigatória do processo ao usar IA generativa.
RAG combina um modelo de linguagem com uma fonte de conhecimento externa. Isso permite que a IA recupere informação real e atualizada e produza saídas mais precisas. Alguns casos de uso de RAG:
– Atendimento ao cliente: Condensar as perguntas do usuário, recuperar informação relevante em uma base de conhecimento interna e gerar respostas precisas para apoiar o time de atendimento.
– Recomendações personalizadas: Usar preferências do usuário e histórico de compra para entregar recomendações de produto mais relevantes no e-commerce.
– Relatórios automatizados: Acessar informação atualizada para gerar e resumir relatórios automaticamente, ajudando você a decidir mais rápido.
