Glossário de IA

Campo amplo onde máquinas imitam capacidades cognitivas humanas.

Subcampo de IA onde modelos aprendem padrões a partir de dados sem serem explicitamente programados.

ML com redes neurais de múltiplas camadas que aprendem representações hierárquicas.

Arquitetura de rede neural baseada em mecanismos de atenção — base de todos os LLMs modernos.

Técnica que permite ao modelo focar nas partes mais relevantes da entrada ao gerar cada token.

Unidade básica de texto processada pelo LLM — ~¾ de palavra em inglês, mais em português.

Instrução ou contexto enviado ao modelo para guiar sua resposta.

Instrução de configuração enviada antes da conversa — define personalidade, escopo e restrições do modelo.

Processo de usar um modelo treinado para gerar respostas — o "uso" do modelo em produção.

Parâmetro que controla a criatividade/aleatoriedade das respostas do modelo.

Quando o modelo gera informações falsas com aparência de verdadeiras.

Ancoragem da resposta do modelo em fontes de dados verificáveis e reais.

Técnica de prompt que instrui o modelo a "pensar passo a passo" antes de responder.

Zero-shot: sem exemplos no prompt. Few-shot: com 2-5 exemplos para guiar formato e estilo.

Language Model — modelo que aprende padrões em texto para prever a próxima palavra.

Large Language Model — LM de grande escala treinado em bilhões de textos com bilhões de parâmetros.

Small Language Model — modelos compactos (1B–7B parâmetros) que rodam em hardware limitado.

Modelo que processa múltiplos tipos de entrada: texto, imagem, áudio, vídeo.

Modelo especializado em converter texto em vetores numéricos semânticos — diferente de LLMs geradores.

Ajuste supervisionado de um LLM pré-treinado com exemplos input/output específicos do domínio.

Técnicas eficientes de fine-tuning que treinam apenas matrizes pequenas adicionadas ao modelo base.

Reinforcement Learning from Human Feedback — alinha o modelo com preferências humanas via recompensas.

Redução da precisão numérica dos pesos do modelo para diminuir tamanho e acelerar inferência.

Pesos numéricos aprendidos durante o treinamento — o "conhecimento" codificado no modelo.

Conjunto padronizado de tarefas para avaliar e comparar modelos de forma objetiva.

Representação numérica (vetor) de texto em espaço de alta dimensão que captura significado semântico.

Processo de converter dados (texto, imagens) em vetores numéricos — sinônimo de criar embeddings.

Divisão de documentos longos em pedaços menores antes de vetorizar — etapa crucial do pipeline RAG.

Retrieval-Augmented Generation — busca trechos relevantes e os injeta no prompt antes de gerar.

RAG que navega um grafo de conhecimento em vez de buscar chunks isolados.

RAG em que um agente decide dinamicamente quando e como buscar — não apenas uma busca fixa.

Busca por similaridade usando distância entre vetores em vez de palavras-chave.

Busca orientada pelo significado da consulta, não pela correspondência literal de palavras.

Combina busca vetorial (semântica) com busca full-text (BM25/TF-IDF) para melhor precisão.

Etapa pós-busca que reordena os resultados por relevância usando um modelo de cross-encoder.

Banco de dados especializado em armazenar e buscar vetores de alta dimensão com eficiência.

Limite máximo de tokens que o modelo processa de uma vez — entrada + saída juntos.

Mecanismo pelo qual agentes persistem e recuperam informações entre sessões.

Sistema que usa LLM para perceber, planejar e agir de forma autônoma usando ferramentas.

Paradigma onde sistemas de IA tomam iniciativa, planejam e executam objetivos de longo prazo.

Sistema com múltiplos agentes especializados que colaboram para completar tarefas complexas.

Componente que coordena a execução de agentes, ferramentas e fluxos numa pipeline de IA.

Capacidade do LLM de invocar funções externas (APIs, banco de dados, código) dentro do fluxo de raciocínio.

Model Context Protocol — protocolo aberto da Anthropic que padroniza como agentes acessam ferramentas e dados externos.

Capacidades modulares e reutilizáveis que ensinam o agente como executar um tipo específico de tarefa.

Sequências definidas de etapas automatizadas que orquestram agentes, APIs e dados.

Unidades de processamento dentro de um workflow — cada nó executa uma ação específica.

Padrão de agente que alterna Raciocínio e Ação em loop: pensa → age → observa → repete.

Human-in-the-Loop — ponto de intervenção humana em fluxos automatizados de IA.

Restrições e validações que limitam o comportamento do agente dentro de limites seguros.

Feature nativa dos LLMs para invocar funções com parâmetros estruturados — base do Tool Calling.

Espectro de quanto o agente decide por conta própria vs. espera instrução humana.

Interface conversacional que responde mensagens — não necessariamente toma iniciativa ou usa ferramentas.

Application Programming Interface — interface que permite softwares se comunicarem entre si.

Virtual Private Server — servidor virtual dedicado onde você hospeda APIs, bancos e agentes.

Unidades leves e portáteis que empacotam código + dependências para rodar consistentemente em qualquer ambiente.

Sistema de armazenamento persistente — relacional (SQL), documental (NoSQL) ou vetorial.

Repositório estruturado de documentos e fatos que o agente pode consultar.

Mecanismo de notificação HTTP onde o sistema externo chama sua API automaticamente quando algo acontece.

Entrega progressiva dos tokens gerados pelo modelo — o texto aparece palavra por palavra.

Tempo entre enviar o prompt e receber a primeira resposta — métrica crítica em produção.

Software Development Kit — biblioteca que facilita o uso de uma API em uma linguagem de programação.

Frameworks open-source para construir pipelines RAG e agentes de IA com LLMs.

Robotic Process Automation — automação de tarefas repetitivas em interfaces de usuário sem API.

Intelligent Document Processing — extração e estruturação de dados de documentos não estruturados.

Campo de pesquisa que busca garantir que sistemas de IA ajam de acordo com valores humanos.

Ataque onde conteúdo malicioso nos dados de entrada tenta sequestrar as instruções do agente.

Tentativa de contornar as restrições de segurança de um modelo para obter conteúdo proibido.

Sistema de métricas e testes para medir qualidade, precisão e segurança das respostas do agente.

Capacidade de monitorar, rastrear e debugar o comportamento de sistemas de IA em produção.

Distorções nos resultados do modelo originadas de dados de treinamento enviesados.

Modelos que criam imagens a partir de descrições textuais usando arquiteturas de difusão.

Speech-to-Text (transcrição) e Text-to-Speech (síntese de voz) — gateways de automação por voz.

Optical Character Recognition — converte imagens de texto em texto editável por máquina.

Campo de IA que treina computadores para interpretar e entender informações visuais.

Modelos que criam clipes de vídeo a partir de descrições textuais ou imagens-base.