Este glossário de inteligência artificial reúne os principais conceitos utilizados por profissionais da área. Desde algoritmos e redes neurais até ética e aprendizagem automática, este glossário de inteligência artificial é um recurso essencial para quem quer dominar os fundamentos da IA.

A

AI (Artificial Intelligence): Campo da ciência da computação focado na criação de sistemas capazes de realizar tarefas que normalmente requerem inteligência humana.

API (Application Programming Interface): Conjunto de definições e protocolos para a construção e integração de software de aplicação, permitindo que diferentes sistemas interajam entre si.

Artificial General Intelligence (AGI): Tipo de IA que pode entender, aprender e aplicar conhecimento de uma forma semelhante aos humanos, com capacidade de resolver qualquer problema cognitivo.

B

Backpropagation: Método utilizado no treino de redes neurais, onde os erros são propagados para trás através da rede para ajustar os pesos e melhorar a precisão.

Bot (Robô): Programa de software que executa tarefas automatizadas na internet, incluindo interação com utilizadores , processamento de pedidos e fornecimento de informações.

C

Chatbot: Programa de IA projetado para simular conversas com utilizadores humanos, frequentemente utilizado no atendimento ao cliente, vendas e suporte técnico.

Contextual Awareness: Capacidade de um sistema de IA de compreender e responder adequadamente ao contexto de uma interação ou pergunta.

Conversational AI: Tecnologia que permite aos dispositivos interagir com os utilizadores humanos de maneira natural, utilizando linguagem natural para comunicação.

Computer Vision (Visão Computacional): Campo da IA que treina computadores para interpretar e entender o mundo visual, identificando e processando imagens e vídeos.

D

Deep Learning (Aprendizado Profundo): Subcampo do machine learning que utiliza redes neurais artificiais com muitas camadas (profundas) para modelar e entender dados complexos.

Dialogue System: Sistema projetado para interagir com humanos através da linguagem natural, utilizando técnicas de processamento de linguagem natural (NLP) e aprendizado de máquina.

Domain-Specific AI: IA projetada para realizar tarefas específicas dentro de um domínio ou área de conhecimento particular.

E

Edge Computing: Processamento de dados próximo à fonte de dados, reduzindo a latência e a utilização de largura de banda.

Ethical AI: Prática de desenvolver e implementar IA de forma a respeitar princípios éticos, incluindo transparência, justiça e responsabilidade.

F

Fine-Tuning: Processo de ajustar um modelo de IA pré-treinado num conjunto de dados específico para melhorar o seu desempenho numa tarefa particular.

G

Generative Adversarial Network (GAN): Tipo de rede neural que consiste em dois modelos (gerador e discriminador) que se treinam mutuamente, utilizado para gerar novos dados a partir de exemplos treinados.

GPT (Generative Pre-trained Transformer): Modelo de linguagem desenvolvido pela OpenAI, treinado em grandes quantidades de texto para gerar texto de maneira coerente e contextualmente relevante.

H

Hyperparameter: Parâmetro cujos valores são definidos antes do início do processo de aprendizado de máquina e utilizados para controlar o treino do modelo.

I

Inference (Inferência): Processo de utilizar um modelo treinado para fazer previsões ou tomar decisões com base em dados novos.

Intent Recognition: Capacidade de um sistema de IA de identificar a intenção ou o propósito por trás de uma entrada de utilizador, essencial para chatbots e assistentes virtuais.

L

Language Model (Modelo de Linguagem): Modelo de IA treinado para prever a próxima palavra numa sequência de palavras, baseando-se no contexto fornecido pelas palavras anteriores.

Large Language Model (LLM): Modelo de linguagem de grande escala, treinado em vastas quantidades de dados textuais para compreender e gerar texto de alta qualidade.

Latent Space: Representação abstrata dos dados num espaço de dimensão mais baixa, utilizada em aprendizado profundo para capturar características ocultas.

M

Machine Learning (Aprendizado de Máquina): Subcampo da IA que envolve o treino de algoritmos para fazer previsões ou tomar decisões com base em dados.

Multimodal AI: IA que pode processar e integrar múltiplas formas de dados, como texto, imagem e áudio, para fornecer respostas mais ricas e contextualizadas.

N

Natural Language Processing (NLP): Subcampo da IA focado na interação entre computadores e humanos através da linguagem natural.

Neural Network (Rede Neural): Conjunto de algoritmos projetados para reconhecer padrões, modelando a maneira como o cérebro humano opera.

O

Overfitting (Sobreajuste): Situação onde um modelo de IA se ajusta excessivamente aos dados de treino, prejudicando o seu desempenho em novos dados.

OpenAI: Organização de pesquisa em IA que desenvolveu modelos de linguagem como o GPT-3 e GPT-4.

P

Pre-trained Model: Modelo de IA que foi treinado através de um grande conjunto de dados e pode ser ajustado para tarefas específicas, economizando tempo e recursos de treino.

Prompt: Entrada fornecida a um modelo de linguagem para gerar uma resposta, podendo esta ser uma pergunta, instrução ou contexto.

Proactive AI: IA que antecipa necessidades ou questões e toma medidas para atender ou resolver antes que o utilizador solicite.

R

Reinforcement Learning (Aprendizado por Reforço): Método de treino de IA onde agentes aprendem a tomar ações num ambiente para maximizar uma recompensa cumulativa.

Response Generation (Geração de Resposta): Processo de criar uma resposta adequada a uma entrada de utilizador, essencial para chatbots e assistentes virtuais.

Retrieval-Augmented Generation (RAG): An AI architecture that combines document retrieval with natural language generation.

S

Self-Supervised Learning: Técnica de aprendizado de máquina onde o modelo treina em partes não rotuladas dos dados, gerando as suas próprias etiquetas a partir do contexto.

Sentiment Analysis (Análise de Sentimentos): Técnica de NLP usada para identificar e extrair opiniões e emoções expressas num texto.

Supervised Learning (Aprendizado Supervisionado): Método de treinamento de IA utilizando dados rotulados, onde o modelo aprende a mapear entradas a saídas corretas.

T

Tokenization (Tokenização): Processo de dividir texto em unidades menores (tokens), como palavras ou sub-palavras, para processamento por modelos de IA.

Transfer Learning (Aprendizado por Transferência): Técnica onde um modelo treinado numa tarefa é reutilizado e ajustado para outra tarefa relacionada.

Transformer: Arquitetura de rede neural utilizada em modelos de linguagem como o GPT, que utiliza mecanismos de atenção para processar e gerar texto.

U

Unsupervised Learning (Aprendizado Não Supervisionado): Método de aprendizado de máquina onde o modelo encontra padrões e relações nos dados sem utilizar rótulos pré-definidos.

User Intent (Intenção do Usuário): Objetivo ou propósito por trás da interação do utilizador com um sistema de IA.

V

Voice Recognition (Reconhecimento de Voz): Tecnologia que permite a um sistema de IA reconhecer e processar a fala humana.

W

Word Embedding: Representação vetorial de palavras que captura os seus significados, semântica e relacionamento com outras palavras.

X

Explainable AI (XAI): Campo da IA focado em criar sistemas cujas decisões e ações podem ser compreendidas e explicadas por humanos.

Z

Zero-Shot Learning: Capacidade de um modelo de IA de realizar tarefas para as quais não foi explicitamente treinado, utilizando para tal, conhecimento de tarefas relacionadas.