Glossário de IA: 20 termos essenciais para começar

O campo da inteligência artificial vem acompanhado de um vocabulário próprio que pode intimidar quem está chegando. Termos como token, embedding, fine-tuning e alucinação aparecem o tempo todo, muitas vezes sem explicação. Este glossário reúne vinte termos essenciais, explicados de forma direta, para você acompanhar conversas técnicas e ler documentação sem tropeçar no jargão.

A ordem vai do mais fundamental ao mais específico, então ler de cima para baixo constrói o entendimento de forma progressiva. Cada termo é curto de propósito: a ideia é dar a definição clara que abre a porta, não esgotar o assunto.

Fundamentos

1. Inteligência artificial

Inteligência artificial, ou IA, é o campo que busca fazer computadores realizarem tarefas que normalmente exigiriam inteligência humana, como reconhecer imagens, entender linguagem ou tomar decisões. É um termo guarda-chuva que abrange muitas técnicas diferentes, das quais o aprendizado de máquina é a mais relevante hoje.

2. Aprendizado de máquina

Aprendizado de máquina, ou machine learning, é a abordagem dominante da IA moderna. Em vez de programar regras explícitas, você mostra exemplos ao sistema e ele aprende os padrões sozinho. Um modelo que distingue fotos de gatos e cachorros não recebe regras sobre orelhas ou focinhos; ele infere o que importa a partir de milhares de exemplos rotulados.

3. Rede neural

Uma rede neural é um modelo de aprendizado de máquina inspirado, de forma solta, na estrutura do cérebro. Ela é composta de camadas de unidades matemáticas, os neurônios, conectadas entre si. Cada conexão tem um peso que é ajustado durante o treinamento. Redes neurais são a base da maioria dos avanços recentes em IA.

4. Aprendizado profundo

Aprendizado profundo, ou deep learning, é o uso de redes neurais com muitas camadas, daí o "profundo". Essa profundidade permite ao modelo aprender representações cada vez mais abstratas dos dados, e é o que viabilizou saltos de qualidade em visão computacional, reconhecimento de voz e processamento de linguagem.

5. Modelo

No contexto de IA, um modelo é o resultado do treinamento: o sistema que aprendeu os padrões e agora consegue fazer previsões sobre dados novos. Quando você usa uma ferramenta de IA, está interagindo com um modelo que foi treinado e depois disponibilizado para uso, uma fase chamada de inferência.

Modelos de linguagem

6. LLM

LLM, sigla para Large Language Model ou modelo de linguagem de grande porte, é um tipo de modelo treinado para entender e gerar texto, prevendo a próxima palavra numa sequência. É a tecnologia por trás dos assistentes conversacionais. Dedicamos um texto inteiro a explicá-lo em o que é um LLM, que vale a leitura para aprofundar.

7. Token

Um token é a unidade básica que um LLM processa. Não é exatamente uma palavra: pode ser uma palavra curta, parte de uma palavra maior ou um sinal de pontuação. Os modelos operam sobre tokens, e é por isso que provedores cobram por token e que existem limites medidos em tokens.

8. Janela de contexto

A janela de contexto é a quantidade máxima de tokens que um modelo consegue considerar de uma só vez, somando o que você envia e o que ele responde. Tudo que precisa ser levado em conta na resposta tem que caber nessa janela. Modelos mais recentes têm janelas cada vez maiores, o que permite processar documentos longos.

9. Prompt

O prompt é a entrada de texto que você fornece ao modelo, a instrução ou pergunta que orienta a resposta. A qualidade do prompt afeta enormemente a qualidade da saída, e existe toda uma prática dedicada a escrevê-los bem, a engenharia de prompt, que cobrimos no guia prático de engenharia de prompt.

10. Inferência

Inferência é o ato de usar um modelo já treinado para produzir uma saída a partir de uma entrada. Enquanto o treinamento é a fase de aprender, cara e demorada, a inferência é a fase de usar, que acontece toda vez que você faz uma pergunta a um modelo. É a inferência que consome recursos a cada requisição.

Treinamento e adaptação

11. Treinamento

Treinamento é o processo de ajustar os parâmetros de um modelo mostrando a ele grandes quantidades de dados, de forma que ele aprenda os padrões desejados. Para LLMs, isso envolve ler volumes enormes de texto. É a fase mais custosa em tempo e computação, feita antes de o modelo ser disponibilizado.

12. Parâmetros

Parâmetros são os valores internos ajustáveis de um modelo, os pesos que codificam o que ele aprendeu. Modelos de linguagem grandes têm bilhões deles. O número de parâmetros é uma medida aproximada do tamanho e da capacidade de um modelo, embora não seja o único fator de qualidade.

13. Fine-tuning

Fine-tuning, ou ajuste fino, é pegar um modelo já treinado e refiná-lo com dados adicionais específicos, para especializá-lo numa tarefa ou estilo. É mais barato que treinar do zero e útil quando você quer que o modelo adote um comportamento particular. Difere do RAG, que entrega conhecimento sem alterar o modelo.

14. RAG

RAG, de Retrieval-Augmented Generation, é uma técnica que conecta um modelo a uma base de conhecimento externa: antes de responder, o sistema busca trechos relevantes e os fornece ao modelo. Isso dá acesso a dados atualizados e privados sem re-treinar. Explicamos em detalhe no texto sobre o que é RAG.

15. Embedding

Um embedding é a representação de um texto, ou outro dado, como um vetor de números que captura seu significado. Textos com sentido parecido geram vetores próximos. Embeddings são o que permitem a busca semântica, base de sistemas como o RAG, porque tornam o significado algo que se pode medir matematicamente.

Comportamento e riscos

16. Alucinação

Alucinação é quando um modelo gera uma afirmação que soa correta e confiante, mas é falsa. Acontece porque o objetivo do modelo é produzir a continuação mais provável, não consultar uma base de fatos. É um dos maiores desafios ao usar IA, e mitigar alucinações é tema recorrente, especialmente quando a saída vira ação.

17. Temperatura

Temperatura é um parâmetro que controla o quão aleatória ou determinística é a saída do modelo. Temperatura baixa produz respostas mais previsíveis e conservadoras; temperatura alta produz respostas mais variadas e criativas, com mais risco de desvio. Ajustá-la é uma forma de calibrar o comportamento conforme a tarefa.

18. Alinhamento

Alinhamento é o esforço de fazer o comportamento de um modelo corresponder aos valores e intenções humanas, para que ele seja útil, honesto e não cause dano. Envolve técnicas de treinamento com feedback humano e é uma área ativa de pesquisa, central para o uso responsável de IA à medida que os modelos ficam mais capazes.

19. IA generativa

IA generativa é a categoria de modelos que criam conteúdo novo, seja texto, imagem, áudio ou código, em vez de apenas classificar ou prever rótulos. Os LLMs são um exemplo de IA generativa aplicada a texto. Foi essa capacidade de gerar, e não só analisar, que popularizou a IA nos últimos anos.

20. Agente

Um agente de IA é um sistema que usa um modelo de linguagem para não apenas responder, mas também planejar e executar ações, muitas vezes usando ferramentas externas como buscar na web, rodar código ou chamar APIs. Agentes dão autonomia ao modelo, o que amplia o que ele consegue fazer, mas também os riscos de segurança, tema que tratamos em segurança em aplicações que usam IA.

Termos que você vai encontrar em seguida

Os vinte termos acima formam o núcleo, mas o vocabulário de IA é vasto e alguns conceitos aparecem logo que você avança um pouco. Vale ter uma noção deles para não travar quando surgirem. Um transformer é a arquitetura de rede neural que tornou os LLMs modernos possíveis, especialmente boa em lidar com sequências de texto. Um prompt de sistema é a instrução de fundo que define o comportamento geral de um assistente, separada da pergunta específica do usuário. Multimodal descreve modelos que lidam com mais de um tipo de dado ao mesmo tempo, como texto e imagem juntos.

Você também vai ouvir falar de aprendizado por reforço com feedback humano, a técnica de alinhamento que usa avaliações de pessoas para moldar o comportamento do modelo, e de contexto, o termo geral para toda a informação que você fornece ao modelo numa interação. Nenhum desses precisa ser dominado de imediato, mas reconhecê-los remove boa parte do atrito ao ler material mais avançado. O vocabulário cresce naturalmente conforme você se aprofunda, e cada novo termo se apoia nos fundamentos que você já tem.

Como usar este glossário

Vocabulário é a porta de entrada de qualquer campo. Com esses vinte termos você já consegue ler documentação, acompanhar discussões técnicas e entender o que as ferramentas oferecem sem se perder no jargão. Não é preciso decorar tudo de uma vez; o entendimento se consolida conforme você encontra os termos em uso real.

Os conceitos também se conectam entre si de forma natural. Token e janela de contexto explicam limites e custos. Prompt e engenharia de prompt explicam como extrair melhores respostas. RAG e embedding explicam como dar conhecimento ao modelo. Alucinação e alinhamento explicam os riscos e os cuidados. À medida que você aprofunda cada um, o mapa completo do campo vai se formando.

Conclusão

A inteligência artificial parece cheia de termos impenetráveis à primeira vista, mas por trás do jargão estão ideias que, uma a uma, são bastante compreensíveis. Este glossário cobriu os vinte conceitos que aparecem com mais frequência para quem começa, do que é um token ao que é um agente. Guarde-o como referência e volte quando encontrar um termo em dúvida.

O melhor jeito de fixar esse vocabulário é usá-lo, lendo mais sobre cada assunto e experimentando com as ferramentas na prática. Cada conceito que você domina torna o próximo mais fácil, e em pouco tempo o que parecia um muro de jargão vira o idioma natural com que você pensa e conversa sobre IA.