Inteligência artificial geral, hipotética capacidade de uma IA realizar qualquer tarefa intelectual humana

Conjunto de instruções finitas que um sistema de IA segue para resolver um problema

Processo de garantir que os objetivos e comportamentos de um sistema de IA estejam alinhados com valores humanos e intenções desejadas

Subcampo da IA voltado a algoritmos que aprendem com dados

Modelo encontra padrões por conta própria em dados sem rótulos

Técnica em que um agente aprende por tentativa e erro, recebendo recompensas/punições e aprimorando suas ações para maximizar recompensas

Treinamento de modelos usando dados rotulados (com respostas corretas conhecidas)

Técnica de machine learning usando redes neurais com múltiplas camadas (inspiradas no cérebro)

Algoritmo que propaga o erro de saída de volta pelas camadas de uma rede neural para ajustar os pesos sinápticos

Termo para modelos de IA cujos processos internos são opacos, ou seja, não dá para explicar facilmente como chegaram a certa decisão

Descrição curta teste

Programas de IA que conversam em linguagem natural, simulando diálogo humano

Áreas correlatas: ciência de dados foca em extrair insights de dados (interdisciplinar, englobando estatística e ML), enquanto data mining é a mineração de dados em busca de padrões ocultos

Tipos de redes neurais: Redes Neurais Convolucionais (CNN), muito usadas em visão computacional, e Redes Neurais Recorrentes (RNN), antes populares em processamento de sequência (texto, séries temporais). Embora hoje Transformers estejam prevalecendo, esses termos ainda aparecem em conteúdos técnicos e históricos de IA.

Execução de algoritmos de IA localmente em dispositivos (smartphones, IoT), em vez de depender de nuvem. Termos como inferência on-device, edge AI e Intel AI Boost, Qualcomm Hexagon (tecnologias de chip para IA embarcada) podem ser mencionados, pois fabricantes divulgam esses recursos

Infraestrutura remota onde muitos modelos são treinados e hospedados. Conceitos de clusters de servidores, serviços de IA na nuvem (como APIs da AWS, Azure AI) podem constar para situar leitores sobre onde a “mágica” da IA acontece.

Tecnologias de Texto para Fala (TTS) e Fala para Texto (ASR) também integram glossários, pois são aplicações práticas importantes

A “matéria-prima” do aprendizado de máquina. Big Data refere-se a conjuntos massivos de dados que muitas vezes exigem métodos avançados para armazenamento e análise

Técnicas de aumentar artificialmente o conjunto de treino (por exemplo, rotacionar ou inverter imagens)

Conteúdo (vídeo, imagem ou áudio) sintético criado por IA fingindo ser real, geralmente através de técnicas como GANs

Representações vetoriais de palavras, frases ou imagens em um espaço numérico de forma que similaridades semânticas sejam capturadas

Refinamento de um modelo pré-treinado em uma tarefa específica, com um conjunto de dados menor

Arquitetura gerativa que envolve duas redes neurais (gerador vs. discriminador) competindo para produzir dados sintéticos realistas

Hardware originalmente de gráficos, hoje fundamental para treinar modelos de Deep Learning graças ao processamento paralelo

Algoritmo iterativo de otimização usado para ajustar os parâmetros de redes neurais, minimizando o erro passo a passo

Modelos com bilhões de parâmetros treinados em massivos conjuntos de textos, capazes de gerar e compreender linguagem natural

Conjunto de técnicas para tornar modelos mais interpretáveis, permitindo entender os motivos de suas saídas

Refere-se a sistemas de IA capazes de criar novos conteúdos originais (textos, imagens, música, código) a partir de padrões aprendidos

Práticas e diretrizes para desenvolver e usar IA de forma ética, evitando discriminação, garantindo transparência e privacidade

Conceito amplo de máquinas simulando habilidades cognitivas humanas

Representação computacional treinada para realizar uma tarefa específica usando dados. Ex.: um modelo de classificação de imagens, um chatbot de linguagem.

Modelo gerativo de imagens que parte de ruído aleatório e refina gradualmente até formar uma imagem coerente conforme o prompt

Modelos que conseguem processar múltiplos tipos de dados ao mesmo tempo (texto, imagem, áudio)

Processadores especializados em cargas de IA. NPU (Neural Processing Unit) é um acelerador neural presente em dispositivos modernos para executar inferência de IA de forma eficiente

No contexto de software de IA, vale explicar termos como “modelo open-source” (código/pesos abertos, ex.: Stable Diffusion, LLaMA) e contrastar com modelos fechados (ex.: GPT-4). Isso ajuda o leitor a entender notícias sobre comunidades liberando novos modelos e implicações de uso.

Parâmetros são valores internos que o modelo aprende (pesos, vieses na rede neural)

Campo que une linguística e IA para entender e gerar linguagem humana

Prompt é a entrada textual dada a um modelo de linguagem para instruí-lo

Modelos inspirados no cérebro humano, compostos de neurônios artificiais interconectados

Abrange as preocupações e medidas para evitar que sistemas de IA causem danos, intencionais ou não. Inclui mitigação de alucinações

Discussões se uma IA pode tornar-se senciente (ter consciência e emoções). O termo “IA senciente” ganhou manchetes em casos como o do engenheiro que alegou que o LaMDA teria consciência. Glossários, como o da McAfee, definem senciente como “algo que tem consciência de sentimentos e sensações” no contexto de IA futura

Ponto hipotético no futuro em que a inteligência artificial ultrapassaria a humana de forma irreversível, desencadeando mudanças imprevisíveis

Jargões que descrevem problemas de modelagem. Overfitting é quando o modelo “decorou” demais os dados de treino e vai mal em dados novos

Inteligência artificial superior à humana em todos os aspectos

Experimento clássico proposto por Alan Turing para avaliar se uma máquina demonstra inteligência indistinguível da humana

Métrica de performance muito citada para hardware de IA, indicando quantas trilhões de operações por segundo um chip realiza

Aproveitar conhecimentos aprendidos por um modelo em uma tarefa para outra diferente. Ex.: usar uma rede treinada em milhões de imagens para iniciar o treinamento em um dataset médico menor.

Arquitetura de rede neural revolucionária para sequências, baseada em mecanismos de atenção

Tendência de modelos tomarem decisões enviesadas por causa de dados de treinamento desbalanceados

Subcampo da IA focado em interpretar imagens e vídeos (extrair informações visuais)