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.