Glossário de IA - os principais termos (até então!)
A Inteligência Artificial (IA) transformou rapidamente vários aspectos de nossas vidas, influenciando diversos segmentos e moldando a forma como interagimos com a tecnologia. À medida que a IA continua a evoluir, compreender seus conceitos e sua terminologia é essencial para todos. Montei este glossário para ser uma referência abrangente para termos-chave relacionados à IA e temas próximos. A ideia é tornar o conhecimento acessível e simples. Conforme utilizamos esta tecnologia em nosso dia a dia, ter uma base sobre a linguagem nos capacita a participar de maneira significativa das discussões em andamento sobre o potencial e os desafios da IA.
1. AI (Inteligência Artificial): Uma ramificação da ciência da computação que se concentra na criação de sistemas capazes de realizar tarefas que normalmente requerem inteligência humana, podendo atuar em diversas novas tecnologias como dirigir veículos autônomos, diagnosticar doenças ou personalizar experiências online.
2. Machine Learning (Aprendizado de Máquina): Um subcampo da IA que utiliza algoritmos para permitir que os sistemas aprendam com dados e melhorem significativamente seu desempenho ao longo do tempo.
3. Deep Learning: Uma técnica de aprendizado de máquina que utiliza redes neurais profundas para analisar grandes volumes de dados e realizar tarefas extremamente complexas.
4. Neural Network (Rede Neural): Um modelo computacional inspirado no cérebro humano, composto por camadas de neurônios artificiais que processam informações.
5. Algorithm (Algoritmo): Um conjunto de regras ou instruções que os sistemas de IA adaptam para resolver problemas ou realizar tarefas, demonstrando sua flexibilidade e adaptabilidade.
6. NLP (Processamento de Linguagem Natural): Uma área da IA que foca na interação entre computadores e humanos usando linguagem natural, possibilitando a compreensão e a geração de texto.
7. Computer Vision (Visão Computacional): Um subcampo da IA que permite que os sistemas interpretem e entendam imagens e vídeos.
8. Robotics (Robótica): Um campo que combina IA e engenharia para desenvolver robôs capazes de realizar tarefas físicas de forma autônoma ou semiautônoma.
9. Training (Treinamento): O processo de ajuste dos parâmetros de um modelo de IA usando um conjunto de dados.
10. Overfitting (Sobreajuste): Quando um modelo de IA se torna especializado nos dados de treinamento, ele pode ter dificuldade em se sair bem com novos dados ou dados não vistos, como um estudante que decora respostas, mas não consegue resolver novos problemas.
11. Training Data (Dados de Treinamento): O conjunto de dados utilizado para treinar um modelo de IA.
12. Test Data (Dados de Teste): O conjunto de dados utilizado para avaliar o desempenho de um modelo após o treinamento.
13. AGI (IA Geral - Artificial General Intelligence): O conceito teórico de uma IA que pode entender, aprender e aplicar conhecimento em qualquer tarefa, semelhante à inteligência humana.
14. Narrow AI (IA Restrita - ou Fraca): Sistemas de IA que realizam tarefas específicas, como assistentes virtuais ou sistemas de recomendação, sem capacidades gerais de raciocínio.
15. AI Ethics (Ética em IA): A discussão sobre as implicações morais e sociais do uso da IA, incluindo privacidade, viés algorítmico e responsabilidade.
Recomendados pelo LinkedIn
16. LLM (Modelos de Linguagem de Grande Escala - Large Language Model): Modelos de IA treinados em vastas quantidades de texto, capazes de gerar e compreender linguagem natural em um nível sofisticado.
17. SLM (Modelos de Linguagem de Tamanho Pequeno - Small Language Model): Modelos de linguagem menores que LLMs, que requerem menos recursos computacionais, mas potencialmente oferecem menos poder em tarefas de geração e compreensão.
18. Tokenization (Tokenização): O processo de dividir texto em unidades menores (tokens), como palavras ou subpalavras, para que os modelos de linguagem possam processá-los.
19. Context (Contexto): Informações adicionais que ajudam os modelos de linguagem a interpretar e gerar respostas mais relevantes. É como fornecer algumas frases de contexto ao fazer uma pergunta, para que a resposta seja mais precisa.
20. Fine-tuning (Ajuste Fino): O refinamento de um modelo pré-treinado em um conjunto de dados específico para melhorar seu desempenho em uma tarefa particular.
21. Transfer Learning (Aprendizado por Transferência): Uma técnica onde um modelo treinado em uma tarefa é reutilizado ou adaptado para uma tarefa diferente, economizando tempo e recursos.
22. Algorithmic Bias (Viés Algorítmico): A tendência de um modelo de IA a fazer previsões ou decisões com base em dados de treinamento enviesados que contêm preconceitos ou desigualdades.
23. Chatbot (Chatbot): Um programa de IA que simula conversas humanas, frequentemente utilizado em atendimento ao cliente ou suporte técnico.
24. Reinforcement Learning (Aprendizado por Reforço): Uma abordagem onde um agente aprende a tomar decisões por meio de recompensas e penalidades, visando maximizar a recompensa total ao longo do tempo.
25. Generative AI (IA Generativa): Um subcampo da IA focado na criação de novos conteúdos, como texto, imagens ou música, com base em padrões aprendidos a partir de dados existentes.
26. IoT (Internet das Coisas - Internet of Things): Uma rede de dispositivos interconectados que coletam e trocam dados, permitindo automação e monitoramento em tempo real.
27. Deepfake (Deepfake): Uma técnica de IA que utiliza aprendizado profundo para criar vídeos ou áudios falsos que imitam o comportamento ou a fala de uma pessoa, frequentemente usados para engano ou manipulação.
28. AI Hallucination (Alucinação em IA): Um fenômeno onde um modelo de IA gera informações incorretas ou fabricadas, apresentando-as como se fossem verdadeiras, muitas vezes sem base nos dados de treinamento. Isso pode ocorrer quando o modelo está sobreajustado ou quando encontra dados que são significativamente diferentes dos que foi treinado. É importante estar ciente desse potencial problema ao usar sistemas de IA, pois isso pode levar a resultados enganosos ou imprecisos.
29. Big Data (Big Data): Conjuntos de dados enormes e complexos que não podem ser processados rapidamente por métodos tradicionais, frequentemente utilizados para análise e descoberta de padrões por meio de técnicas de IA.
30. Data Mining (Mineração de Dados): O processo de descobrir padrões e extrair informações valiosas de grandes conjuntos de dados utilizando técnicas de estatística, aprendizado de máquina e sistemas de banco de dados.