Compreender a IA, conceito a conceito.
Definições diretas ligadas a exemplos, erros frequentes, decisões técnicas e análises editoriais verificadas.
Fundamentos
Unidades, capacidades e limites básicos para compreender como funciona um sistema de IA.
Multimodalidade: definição, funcionamento e limites
A multimodalidade permite que sistemas de IA processem e relacionem texto, imagens, áudio e vídeo. Esta ficha explica o pipeline técnico — codificação, projeção e fusão —, apresenta exemplos em saúde, indústria e veículos autónomos e descreve desafios como o custo computacional e o alinhamento dos dados.
Parâmetro
Valor numérico aprendido durante o treino que contribui para transformar entradas em saídas.
Token: definição, funcionamento e limites em modelos de linguagem
Um token é a unidade mínima de texto que um modelo de linguagem processa para compreender e gerar conteúdo. Não equivale a uma palavra nem a um caractere, mas a um fragmento definido pelo tokenizador específico de cada modelo. Esta ficha explica como o texto é dividido, como os identificadores são atribuídos, como os tokens influenciam os limites de contexto e os custos das APIs, e oferece exemplos práticos para otimizar seu uso.
Janela de contexto
Quantidade máxima de tokens que um modelo pode considerar entre entrada, histórico, ferramentas e saída num pedido.
Modelos e aprendizagem
Arquiteturas, treino e técnicas que determinam o comportamento de um modelo.
Ajuste fino: o que muda ao continuar treinando um modelo — e o que isso não garante
O ajuste fino é o treinamento adicional de um modelo previamente treinado para adaptá-lo a um objetivo específico. Este verbete explica o processo, apresenta três exemplos e distingue o conceito de outras formas de adaptar ou usar modelos.
Aprendizagem autossupervisionada: o que é e como funciona
A aprendizagem autossupervisionada gera objetivos de treinamento a partir dos próprios dados. Este guia explica o mecanismo, apresenta exemplos em linguagem, visão e áudio e esclarece seus limites e diferenças em relação a outras abordagens.
RLHF: o que é, como funciona e quais são seus limites
O aprendizado por reforço com feedback humano usa avaliações ou preferências para orientar o ajuste de um modelo. Seu fluxo habitual inclui gerar respostas, coletar comparações, treinar um modelo de recompensa e otimizar uma política; cada etapa envolve decisões e limites que precisam ser distinguidos.
Dados sintéticos: o que são, como são gerados e o que não garantem
Os dados sintéticos são gerados artificialmente para preservar propriedades relevantes de dados reais com um objetivo específico. A sua origem, por si só, não demonstra que sejam úteis, de qualidade ou privados.
Destilação do conhecimento: como um modelo estudante aprende com um modelo docente e o que isso não garante
A destilação transfere sinais de treinamento de um modelo docente para um modelo estudante. Pode seguir métodos diferentes; não implica que o estudante preserve todas as capacidades nem que seja mais eficiente em qualquer ambiente.
Função de perda: o que mede durante o treinamento e o que não diz sobre um modelo
Uma função de perda quantifica, segundo um critério definido, a discrepância entre uma previsão e um objetivo. Entender o que ela penaliza — e o que fica fora dessa medida — ajuda a interpretar o treinamento sem confundi-lo com uma avaliação completa do modelo.
LoRA: como adapta um modelo com matrizes de baixo escalão e o que não garante
A LoRA adapta um modelo pré-treinado mantendo fixos os pesos originais e aprendendo matrizes adicionais de baixo escalão. Esta ficha explica o mecanismo, compara-o com outras formas de adaptação e esclarece que conclusões não podem ser tiradas apenas com base no número de parâmetros treináveis.
Mecanismo de atenção: como um modelo relaciona diferentes partes da entrada
A atenção é uma operação matemática que combina representações de acordo com sua compatibilidade. Este guia explica Q, K e V, suas variantes e seus limites, sem confundir o mecanismo com a atenção humana nem com uma explicação automática do modelo.
Modelo destilado: o que significa o rótulo — e o que ele não comprova
Um modelo destilado é o estudante resultante de um processo que transfere parte do comportamento de um modelo professor. O rótulo descreve uma relação de treinamento, não uma garantia de equivalência, qualidade ou eficiência.
Modelo fundacional
Modelo treinado em grande escala sobre dados amplos e adaptável a múltiplas tarefas posteriores.
Pré-treinamento: o que um modelo aprende antes de ser adaptado
O pré-treinamento é uma fase de treinamento anterior a determinados usos ou adaptações. Seu objetivo, os dados utilizados e sua relação com outras etapas dependem do modelo: não existe uma receita universal, e essa fase, por si só, não garante que o sistema seja confiável.
Sobreajuste: definição, mecanismos de deteção e limites da generalização
O sobreajuste ocorre quando um modelo de machine learning memoriza o ruído e os padrões específicos dos dados de treinamento, atingindo alta precisão neles, mas falhando ao generalizar para novos dados. Esta ficha técnica explica o fenômeno através do equilíbrio viés-variancia, detalha os métodos de detecção por meio de curvas de perda e validação cruzada, e contrasta o sobreajuste com o subajuste e a contaminação de dados. Inclui exemplos aplicados em detecção de fraude, diagnóstico médico e logística, além de um protocolo de mitigação baseado em regularização, early stopping e aumento de dados.
Transformer
Arquitetura neuronal baseada principalmente em atenção que processa relações entre elementos de uma sequência ou várias modalidades.
Geração e interação
Conceitos usados ao pedir, controlar e validar uma resposta gerada.
Aprendizado com poucos exemplos (Few-shot): definição, mecanismo e limites do in-context learning
O few-shot prompting é uma técnica de engenharia de contexto que inclui pares de entrada-saída na solicitação para guiar a resposta do modelo sem atualizar seus pesos. Esta ficha explica o mecanismo de in-context learning, oferece três exemplos aplicados em diferentes domínios, distingue a técnica de zero-shot, fine-tuning e cadeia de pensamento, e delimita suas restrições operativas.
Aprendizagem em contexto (ICL): como um modelo responde aos exemplos do prompt
A aprendizagem em contexto permite orientar a resposta de um modelo com instruções e exemplos incluídos na entrada. Saiba o que significa, como testá-la e em que difere do treinamento e de outros métodos.
Cadeia de pensamento em IA: o que é e o que não demonstra
Uma cadeia de pensamento é uma sequência de etapas intermediárias expressas em texto, que um modelo gera ou recebe como exemplo. Ela pode ajudar a estruturar uma tarefa e tornar algumas etapas visíveis, mas sua coerência não prova que estejam corretas nem que reflitam fielmente o processo interno que produziu a resposta.
Engenharia de contexto: como selecionar e manter as informações recebidas por um sistema de IA
A engenharia de contexto consiste em decidir de quais informações um modelo precisa para realizar uma tarefa, como obtê-las e como mantê-las pertinentes durante a execução. Não é o mesmo que escrever um prompt mais longo: também envolve selecionar documentos, usar ferramentas e gerenciar o estado do sistema.
Prompt
Conjunto de instruções e contexto entregue a um modelo para orientar uma tarefa e o seu formato de saída.
Raciocínio em modelos: como funciona, exemplos e limites
Definição rigorosa da capacidade de raciocínio em modelos de linguagem, explicação do seu funcionamento, três exemplos aplicados, métodos de avaliação e análise dos limites documentados na literatura primária.
Saída estruturada: definição, mecanismos de coerção e limites da validação automática
A saída estruturada restringe a geração de um LLM a um esquema formal (JSON, XML) para permitir seu consumo programático. Esta ficha distingue entre a sugestão por prompt e a coerção técnica mediante decodificação restrita, analisa os limites da validação sintática frente à correção semântica e oferece exemplos aplicados em extração de dados, orquestração de agentes e geração de configuração.
Temperatura: definição, funcionamento e limites do parâmetro de amostragem em modelos de linguagem
A temperatura é um parâmetro de inferência que modifica a distribuição de probabilidade dos logits para controlar a aleatoriedade da saída. Esta ficha explica seu mecanismo matemático, sua interação com top-k e top-p, e seus limites para a reprodutibilidade e a avaliação.
Dados e conhecimento
Como os dados são representados, recuperados e ligados a respostas verificáveis.
Base de dados vetorial: o que armazena e como pesquisa por similaridade
Uma base de dados vetorial armazena representações numéricas e permite recuperar as mais próximas de uma consulta. Não gera necessariamente os embeddings nem decide, por si só, quais resultados são relevantes.
Pesquisa semântica
Recuperação de informação baseada em relações de significado, normalmente combinada com filtros ou pesquisa léxica.
Incorporação
Representação numérica que situa elementos num espaço onde certas relações podem ser medidas por proximidade.
Fragmentação de documentos (Chunking): definição, estratégias e limites
A fragmentação de documentos divide o conteúdo em unidades recuperáveis para sistemas de IA. Esta ficha explica como funciona, as principais estratégias, os parâmetros de tamanho e sobreposição, e como avaliar o resultado sem cair em erros comuns.
Fonte primária: o que é, como identificá-la e o que pode demonstrar
Uma fonte é primária em relação a uma pergunta quando apresenta diretamente o objeto, os dados, o método ou a decisão que se pretende estudar. Essa condição não garante que seja verdadeira, imparcial ou suficiente: é preciso avaliar o que afirma e quais são os seus limites.
Geração aumentada por recuperação (RAG)
Padrão que recupera informação externa relevante e a incorpora ao contexto antes de gerar uma resposta.
Grounding: definição, funcionamento e limites em IA
O grounding conecta a saída de um modelo de IA a evidências externas verificáveis. Este guia explica como funciona, como se diferencia de RAG e fine-tuning, e quais são suas limitações na prática.
Reordenação de resultados (Reranking): definição, funcionamento e limites em sistemas de recuperação
O reranking é a segunda etapa de pontuação em sistemas de recuperação que avalia pares de consulta e documento para melhorar a precisão. Esta ficha explica seu funcionamento técnico, diferencia entre arquiteturas de uma única etapa e duas etapas, e analisa seus limites operacionais em pipelines RAG e busca semântica.
Agentes e automatização
Ferramentas, memória e padrões para sistemas capazes de executar tarefas.
Agente de IA: o que é, como funciona e como se diferencia de um chatbot
Um agente de IA é um sistema que persegue um objetivo observando o seu ambiente e escolhendo ações. Este guia explica o seu ciclo de funcionamento, os seus limites e as diferenças em relação a um chatbot ou a uma automação fixa.
Chamada a ferramentas
Mecanismo pelo qual um modelo seleciona uma operação e propõe argumentos estruturados para que a aplicação a execute.
Memória de agente
Mecanismo para conservar e recuperar estado relevante entre passos ou sessões de um sistema baseado em modelos.
Model Context Protocol (MCP): o que conecta, como funciona e o que não garante
O MCP é um padrão aberto de integração para conectar aplicações de IA a sistemas externos, dados e ferramentas. Este verbete explica o que é possível afirmar com as fontes disponíveis, apresenta exemplos condicionais e diferencia o protocolo de uma API, da chamada de ferramentas e de um agente.
Avaliação
Métodos para medir qualidade, custo, robustez e utilidade em condições reproduzíveis.
Benchmark em inteligência artificial: o que mede e o que uma pontuação demonstra
Um benchmark é uma avaliação definida por tarefas, dados, protocolo e métricas. Sua pontuação descreve o desempenho nessas condições específicas; por si só, não comprova uma capacidade geral nem garante resultados em produção.
Contaminação de dados
Presença total ou parcial de dados de avaliação no treino, ajuste ou contexto prévio de um modelo.
Avaliação de IA
Teste reproduzível que mede um comportamento através de casos, condições, métricas e uma rubrica explícita.
Generalização em aprendizado de máquina: definição, funcionamento e limites
A generalização é a capacidade de um modelo de manter um comportamento útil diante de exemplos que não coincidem exatamente com os dados de treinamento. Esta ficha explica como ela é medida, os riscos de violar premissas como a independência dos dados e os limites empíricos observados em estudos recentes.
Incerteza: definição, tipos e métodos de quantificação em modelos preditivos
A incerteza mede o grau de falta de certeza sobre uma previsão ou medição. Esta ficha explica a distinção fundamental entre incerteza aleatória (ruído inerente) e epistêmica (falta de conhecimento), detalha métodos de quantificação como Monte Carlo e processos gaussianos, e oferece exemplos aplicados em meteorologia, engenharia e ciências sociais para avaliar a confiabilidade dos modelos.
Modelo como juiz (LLM-as-a-judge): o que avalia e que vieses verificar
Um modelo como juiz usa um modelo de linguagem para avaliar respostas ou ações com base em critérios explícitos. Este guia explica o processo, distingue diferentes tipos de julgamento e mostra o que convém verificar antes de confiar nos resultados.
Reprodutibilidade
Capacidade de repetir uma avaliação com versões, dados, configuração e procedimento documentados e obter resultados compatíveis.
Robustez: definição, funcionamento e limites em sistemas de aprendizado de máquina
A robustez não é uma propriedade absoluta, mas uma relação entre um objetivo, um modificador, um domínio de variação e uma tolerância. Esta ficha explica como operacionalizar o conceito, como auditar modelos diante de mudanças de distribuição e por que um alto desempenho em condições de laboratório não garante um comportamento confiável no mundo real.
Rubrica de avaliação: definição, conceção e limites na pontuação de resultados de IA
Uma rubrica organiza critérios e níveis de desempenho para tornar as avaliações mais interpretáveis. Esta ficha explica a sua estrutura, distingue os tipos analítico e holístico e analisa os seus limites na avaliação de respostas de IA, trabalhos académicos e sistemas de aprendizagem automática.
Segurança e governação
Riscos, controlos e responsabilidades ao longo de todo o ciclo de vida.
Alucinação em IA: o que significa e como reconhecer uma resposta sem respaldo
Uma resposta fluente não é necessariamente correta. Este guia explica o que se entende por alucinação em IA, como distingui-la de outros erros e que verificações ajudam a avaliar afirmações específicas.
Guardrail em IA: o que controla, onde atua e o que não garante
Um guardrail é um controle que verifica entradas, saídas ou ações de um sistema de IA com base em uma política definida. Seu alcance depende do que analisa e de quando intervém: pode reduzir certos riscos, mas, por si só, não demonstra que todo o sistema seja seguro.
Humano no circuito (HITL): o que uma pessoa decide e o que sua intervenção não garante
HITL descreve um projeto em que uma pessoa intervém em um ponto definido de um sistema automatizado. O rótulo, por si só, não informa que autoridade ela tem nem garante que consiga detectar erros.
Injeção de instruções
Ataque ou interferência em que conteúdo não confiável tenta desviar o sistema das suas regras ou objetivo legítimo.
Moderação: definição, funcionamento e limites em plataformas digitais
A moderação é o conjunto de ações, automatizadas ou humanas, que as plataformas aplicam para detectar, identificar e tratar conteúdo que viola seus termos ou a lei. Este glossário explica seu funcionamento, os marcos regulatórios como o DSA, e os desafios técnicos e éticos que a automação impõe.
Princípio do menor privilégio: o que significa e como aplicá-lo a sistemas de IA
O princípio do menor privilégio limita cada identidade — pessoa, processo ou serviço — às permissões necessárias para a sua tarefa. Em sistemas de IA, orienta o acesso de agentes, ferramentas e serviços, mas não substitui a autenticação nem garante, por si só, que o modelo atue de forma segura.
Testes Adversariais: definição, metodologia e limites em sistemas de IA
Os testes adversariais em IA são uma disciplina de avaliação intencional que busca romper as garantias de um sistema por meio de entradas hostis ou cenários projetados. Esta ficha define o conceito, distingue a prática manual da automação, detalha o ciclo de vida técnico e analisa seus limites inerentes de cobertura e reprodutibilidade.
Supervisão humana: definição, mecanismos de controle e limites operacionais em sistemas de IA
A supervisão humana não é a mera presença de um operador, mas a capacidade efetiva de compreender, monitorar, intervir e interromper um sistema de IA. Esta ficha distingue os níveis de autonomia, explica os mecanismos técnicos e organizativos exigidos pelo AI Act e delimita os limites cognitivos e operacionais onde a supervisão se torna ineficaz.
Verificação de factos
Processo de contrastar afirmações verificáveis com evidência identificável, vigente e suficientemente autorizada.
Operação e infraestrutura
Técnicas para implementar, otimizar e observar sistemas de IA em produção.
Cache de contexto em IA: o que reutiliza e o que não significa «lembrar»
Uma cache pode conservar cálculos do modelo para evitar repeti-los. Esta ficha distingue a cache KV da cache de prefixos, explica quando são reutilizadas e esclarece os seus limites.
Quantização em IA: o que muda ao reduzir a precisão numérica
A quantização representa números com menos níveis para reduzir o uso de recursos, mas “4 bits” não basta para prever a memória, a velocidade nem a qualidade de um modelo.
Inferência em IA: o que acontece quando um modelo processa uma entrada
Inferência é o uso de um modelo já treinado para calcular uma saída a partir de uma entrada. Pode resultar em uma classe, uma pontuação, uma representação ou conteúdo gerado; isso não garante que o resultado esteja correto.
Latência em IA: que intervalo é medido e por que o marco da resposta importa
Latência é o tempo entre um início e um fim definidos. Saiba distinguir o primeiro resultado, a resposta completa e o tempo percebido por quem usa uma aplicação de IA.
Desempenho de processamento
Quantidade de trabalho que um sistema completa por unidade de tempo, por exemplo, pedidos ou tokens por segundo.
Tente outra palavra, um alias ou uma área diferente.