Um glossário dos principais termos sobre IA

Compartilhe essa matéria:

Link copiado!

Entender minimamente sobre inteligência artificial está se tornando cada vez mais indispensável, seja para adotar novas ferramentas no trabalho, para compreender o noticiário em torno do assunto ou simplesmente para acompanhar o papo dos seus colegas mais ligados em tecnologia.

Ajudá-lo nessa missão é, claro, o objetivo central deste novo veículo. Então, nada como começarmos com um glossário da IA: eis uma lista dos termos e expressões mais importantes que um não especialista precisa saber.

Esta é uma área em constante e rápida evolução: sempre haverá conceitos nascendo ou ficando mais populares com o passar do tempo, e a redação da Você I.A. terá de correr atrás. Mas as palavras a seguir são um bom ponto de partida para você, caro leitor. Então, vamos em frente.

(A lista está em ordem alfabética e inclui os seguintes termos: agentes de IA, algoritmo, alucinação, automação, chatbot, engenharia de prompt, modelo de fundação, modelo multimodal, IA generativa, janela de contexto, LLM, machine learning, Natural Language Processing, open source, parâmetros, rede neural e tokens. Dê um Ctrl + F para buscar um termo específico e se dirigir diretamente a ele. 😉

***

Agentes de IA: entidades autônomas ou semi-autônomas que podem planejar e executar tarefas, determinar ou interpretar objetivos, usar ferramentas (navegadores de internet ou APIs, por exemplo) e tomar decisões de acordo com o feedback do usuário. Ao contrário dos chatbots, que respondem a um comando por vez, os agentes trabalham continuamente.

Algoritmo: um conjunto finito de regras e instruções claras que dizem a um computador como processar um input para resolver um problema ou completar uma tarefa. O algoritmo de uma rede social, por exemplo, define o que aparece no seu feed com base nas suas interações recentes (como as publicações que você engaja versus as que você ignora).

Alucinação: uma situação em que um sistema de IA gera uma informação ou uma resposta que é incoerente ou factualmente incorreta, mas apresenta como verdade. Um modelo de geração de imagens alucina quando produz a ilustração de uma mão com sete dedos, por exemplo – um erro comum de encontrarmos por aí. É um resultado indesejado, e ainda não há um método de prevenir a ocorrência de alucinações.

Automação: uso de máquinas e tecnologias, como inteligência artificial, para executar tarefas específicas sem interferência humana, com base em instruções explícitas previamente definidas e registradas… por um humano, claro.

Chatbot: um robô (bot) cuja razão de existir é simular uma conversa (chat) com humanos a partir de interações de voz ou texto. Pode ser bastante simples, como aqueles de atendimento ao consumidor que respondem a palavras-chave específicas e não sabem conversar sobre uma variedade de assuntos (como este chatbot mineiro, que só entende de queijo). Mas também podem usar técnicas de Natural Language Processing (NLP) e desenrolar conversas complexas.

Engenharia de prompt: a prática de criar instruções (prompts) eficientes para um modelo de linguagem. A expressão pressupõe certo cuidado e habilidade do criador, que deve se preocupar com a escolha de palavras e o contexto que oferece ao modelo, por exemplo. Prompts melhores tendem a gerar respostas melhores.

Modelo de fundação: modelos de IA que foram treinados com muitos e diversos dados e, portanto, podem servir como base para uma série de aplicativos, que desempenham tarefas variadas.

Modelo multimodal: um modelo de IA capaz de processar e gerar diversos formatos de input (um pedido) e output (uma resposta), como texto, imagem, áudio e vídeo. São as ferramentas que se popularizaram nos últimos anos, como o Gemini (da Google) e o Claude (da Anthropic).

IA generativa: sistemas que são capazes de criar conteúdos inéditos – seja texto, imagem, vídeo, música ou código de programação – porque analisaram e reconheceram padrões em conjuntos de dados, durante seu treinamento, e agora sabem quais seriam as características intrínsecas de “uma imagem de gatinho bebê tricotando um cachecol de bolinhas”.

Janela de contexto: a quantidade de texto (ou seja, de tokens) que um modelo de linguagem consegue considerar em certo momento. É como se fosse a memória do modelo. Ela determina, por exemplo, a extensão do diálogo que ele consegue sustentar com seu usuário (no caso de um chatbot), dando respostas coerentes sem esquecer detalhes do início da conversa, assim como o tamanho máximo de documentos que ele consegue processar de uma vez.

Large Language Model (LLM): “grande modelo de linguagem”, um sistema de IA treinado com quantidades colossais de texto para entender e gerar frases que uma pessoa poderia falar. Os LLMs, como o Chat GPT, usam técnicas de machine learning para prever quais seriam as próximas palavras em uma frase e produzir textos, responder perguntas e fazer outras tarefas que têm a linguagem escrita como cerne.

Machine learning: em tradução livre para o português, significa “aprendizado de máquina”. É um ramo da inteligência artificial e também uma técnica de aperfeiçoamento automático de algoritmos, que aprendem padrões e tomam decisões a partir de um conjunto de dados sem receberem instruções específicas para isso.

Algoritmos que funcionam à base do machine learning melhoram sua performance com o passar do tempo, adquirindo experiência em uma tarefa. Aplicações comuns desse método incluem filtros de spam no e-mail, sistemas de reconhecimento de imagem, sistemas de recomendação (como os presentes nos streamings) e assistentes de voz.

Natural Language Processing (NLP): um ramo da inteligência artificial responsável por tornar máquinas capazes de entender, interpretar e gerar linguagem como humanos. A NLP está por trás de chatbots, assistentes de voz e programas de tradução, por exemplo.

Open source: em tradução livre, “código aberto”. Vem de source code (“código-fonte”, em português), o conjunto de instruções escrito por um programador que dita como funciona um software, por exemplo. Quando um desenvolvedor constrói um programa open source, ele disponibiliza publicamente essas instruções para que outras pessoas possam estudar o código ou criar algo em cima dele.

Parâmetros: valores numéricos que determinam a forma como um modelo processa informação. O objetivo de um desenvolvedor trabalhando com machine learning é ajustar esses parâmetros para calibrar os outputs de um modelo. Existem diferentes tipos de parâmetros. Nas redes neurais, se chamam pesos (weights) e vieses (bias).

Rede neural: modelos inspirados na estrutura do cérebro humano, que consistem em camadas interligadas de “neurônios” (funções matemáticas), que recebem e processam inputs para transmitir informação aos neurônios da próxima camada. O tamanho de uma rede neural (sua a quantidade de parâmetros, que podem estar na casa dos bilhões ou trilhões) é proporcional à sua capacidade de realizar tarefas complexas e à quantidade de informação da qual ela necessita durante o treinamento.

Tokens: a menor unidade de texto que um modelo de linguagem consegue processar e entender. Podem ser palavras inteiras, sílabas, sinais de pontuação, espaços ou caracteres especiais, que o modelo converte em valores numéricos (os parâmetros), na fase de treinamento, para identificar os padrões de uma língua (por exemplo, a probabilidade de certas palavras aparecerem juntas em uma frase) e “conversar” com você.

Fontes: Human-Centered Artificial Intelligence, Stanford University; MIT Sloan Teaching & Learning Technologies; Quanta Magazine.