Glossário essencial de IA

Em poucos minutos

O essencial deste guia

Os termos descrevem camadas diferentes: IA é o campo; machine learning é uma abordagem; deep learning é uma família de métodos; LLM é um tipo de modelo.
Modelo, produto e aplicação não são a mesma coisa: a experiência final combina vários componentes.
Métricas técnicas só fazem sentido com objetivo, população, limiar e custo dos erros.
Governança transforma princípios em responsabilidades, testes, registros, controles e mecanismos de contestação.

Conceitos gerais

Comece pela hierarquia. Os termos abaixo ajudam a distinguir o campo, as capacidades e o produto que chega ao usuário.

Termo	Definição prática
Inteligência artificial (IA)	Campo e conjunto de sistemas que inferem saídas como previsões, recomendações, decisões ou conteúdo a partir de entradas e objetivos.
IA estreita	Sistema competente em tarefas ou domínios delimitados. É a forma de IA disponível atualmente.
AGI	Hipótese de inteligência artificial geral, capaz de transferir competência amplamente entre domínios. Não há definição operacional consensual nem comprovação de que exista.
Algoritmo	Sequência ou método para resolver um problema. Todo modelo usa algoritmos, mas nem todo algoritmo é IA.
Modelo	Representação matemática que transforma entradas em saídas usando parâmetros fixos ou aprendidos.
Sistema de IA	Conjunto que inclui modelo, dados, regras, interface, infraestrutura, pessoas e processo de uso.
Inferência	Momento em que um modelo já treinado processa uma nova entrada e produz uma saída.
Autonomia	Grau em que o sistema opera e age sem intervenção imediata; não significa consciência.

Aprendizado de máquina e redes neurais

Machine learning descreve métodos que ajustam um modelo a partir de dados. Os termos a seguir cobrem o ciclo de aprendizado.

Termo	Definição prática
Machine learning (ML)	Aprendizado de relações estatísticas em dados para classificar, prever ou representar novos casos.
Aprendizado supervisionado	Treino com exemplos que incluem a resposta desejada, ou rótulo.
Aprendizado não supervisionado	Busca de estruturas, agrupamentos ou representações sem rótulo explícito.
Aprendizado por reforço	Ajuste de uma política por recompensas obtidas ao interagir com um ambiente.
Deep learning	Aprendizado com redes neurais de muitas camadas, eficaz em linguagem, visão e áudio.
Rede neural	Modelo composto por camadas de unidades e parâmetros ajustados durante o treino.
Parâmetro	Valor interno aprendido pelo modelo. Não confundir com configuração escolhida pelo usuário.
Hiperparâmetro	Configuração de treino ou arquitetura, como taxa de aprendizado e profundidade.
Época	Uma passagem completa do processo de treino pelo conjunto de dados.
Função de perda	Medida que o treinamento procura reduzir ao ajustar os parâmetros.

Dados e preparação

Dados determinam o que pode ser aprendido e como o desempenho será medido. Quantidade sem qualidade ou autorização não basta.

Termo	Definição prática
Dataset	Coleção estruturada de exemplos usada para treino, validação, teste ou avaliação.
Feature	Característica de entrada oferecida ao modelo, como idade, preço ou pixel.
Rótulo	Resposta-alvo associada a um exemplo supervisionado.
Rotulagem	Processo humano ou automático de atribuir respostas aos exemplos.
Dados sintéticos	Dados gerados artificialmente para simular padrões; podem ampliar cobertura, mas também reproduzir vieses.
Data augmentation	Transformações que criam variações de exemplos, como cortar ou girar uma imagem.
Vazamento de dados	Uso no treino de informação que não estaria disponível no momento real da previsão.
Ground truth	Referência tratada como correta para avaliação; pode conter incerteza e erro.
Viés de seleção	Distorção causada quando a amostra não representa a população ou situação de uso.
Anonimização	Processo que busca impedir identificação; retirar nome não garante anonimização.

Modelos de linguagem e IA generativa

Modelos generativos produzem novas amostras. Em linguagem, a geração costuma ocorrer token a token.

Termo	Definição prática
IA generativa	Sistemas que criam texto, imagem, áudio, vídeo, código ou outros dados a partir de padrões aprendidos.
LLM	Grande modelo de linguagem treinado em larga escala para prever e transformar sequências.
Modelo fundacional	Modelo amplo que pode ser adaptado a várias tarefas e aplicações.
Token	Unidade processada por um modelo de linguagem: palavra, fragmento, pontuação ou caractere.
Embedding	Vetor que representa relações aprendidas entre itens, útil para similaridade e busca.
Transformer	Arquitetura baseada em atenção, dominante em grandes modelos de linguagem.
Atenção	Mecanismo que combina informações de posições relevantes do contexto.
Janela de contexto	Quantidade de tokens que o sistema consegue considerar em uma interação.
Temperatura	Configuração que costuma influenciar diversidade da geração; não mede veracidade.
Alucinação	Saída incorreta ou não sustentada apresentada de modo plausível.
Difusão	Família de modelos que aprende a reverter ruído, comum na geração de imagens.
Multimodal	Sistema que recebe, relaciona ou gera mais de uma modalidade, como texto e imagem.

Personalização, busca e agentes

Aplicações modernas conectam modelos a fontes e ações. Cada técnica resolve um problema diferente.

Termo	Definição prática
Prompt	Instrução e contexto fornecidos ao modelo para orientar uma saída.
Prompt de sistema	Instrução de nível superior configurada pelo produto ou desenvolvedor.
Zero-shot	Pedido sem exemplo demonstrativo da resposta desejada.
Few-shot	Pedido com alguns exemplos para ensinar formato ou critério no contexto.
Fine-tuning	Ajuste adicional de parâmetros com dados selecionados para adaptar comportamento.
RAG	Geração aumentada por recuperação: busca documentos e os oferece ao modelo como contexto.
Banco vetorial	Sistema que armazena embeddings e permite busca por similaridade.
Chunking	Divisão de documentos em trechos para indexação e recuperação.
Tool calling	Mecanismo para o modelo solicitar uma função, API ou ferramenta estruturada.
Agente de IA	Sistema que usa um modelo para planejar ou escolher ações, ferramentas e etapas em torno de um objetivo.
Guardrail	Controle que limita, valida ou monitora entradas, saídas e ações.
Prompt injection	Instrução maliciosa em conteúdo ou entrada que tenta desviar o sistema de suas regras.

Avaliação e desempenho

Nenhuma métrica é universal. Ela deve representar a tarefa, os erros e a população do uso real.

Termo	Definição prática
Baseline	Regra, processo atual ou modelo simples usado como referência.
Benchmark	Conjunto padronizado de tarefas e métricas para comparação.
Acurácia	Proporção total de classificações corretas.
Precisão	Entre casos previstos como positivos, quantos eram positivos.
Revocação (recall)	Entre positivos reais, quantos foram encontrados.
Falso positivo	Caso negativo classificado incorretamente como positivo.
Falso negativo	Caso positivo que o modelo deixou de identificar.
Overfitting	Quando o modelo se ajusta demais ao treino e generaliza mal.
Calibração	Correspondência entre probabilidades previstas e frequências observadas.
Latência	Tempo necessário para produzir uma resposta.
Drift	Mudança nos dados ou nas relações que pode degradar o modelo em produção.
Avaliação humana	Julgamento estruturado de qualidade por pessoas com critérios definidos.

Segurança, ética e governança

Governança não é apenas uma política: é a distribuição verificável de decisões, controles e responsabilidades.

Termo	Definição prática
Viés algorítmico	Diferença sistemática de desempenho ou impacto que pode prejudicar grupos.
Equidade	Critérios para distribuir benefícios, erros e oportunidades de forma justificável.
Explicabilidade	Capacidade de oferecer razões compreensíveis e adequadas ao público sobre uma saída.
Transparência	Divulgação relevante sobre uso, finalidade, dados, limites e responsáveis.
Robustez	Capacidade de funcionar de modo confiável sob variações e condições adversas.
Red teaming	Teste adversarial estruturado para descobrir falhas e usos indevidos.
Human in the loop	Pessoa participa de uma etapa de decisão, revisão ou ação.
Supervisão humana	Poder e competência reais para compreender, intervir, contestar e interromper.
Auditoria de IA	Avaliação sistemática de controles, evidências, desempenho e conformidade.
Avaliação de impacto	Processo para identificar pessoas afetadas, benefícios, danos e medidas de mitigação.
Proveniência	Informações sobre origem e histórico de um dado ou conteúdo.
Deepfake	Áudio, imagem ou vídeo sintético ou alterado com realismo suficiente para enganar sobre identidade ou evento.

Infraestrutura e operação

Da nuvem ao dispositivo, a infraestrutura determina custo, velocidade, privacidade e capacidade de atualização.

Termo	Definição prática
GPU	Processador eficiente em operações paralelas usadas no treino e inferência de redes neurais.
NPU	Unidade especializada em operações de IA, comum em dispositivos.
API	Interface pela qual um software solicita capacidades de outro serviço.
Modelo aberto	Modelo disponibilizado com algum nível de acesso a pesos ou componentes; a licença define liberdades e restrições.
Quantização	Redução da precisão numérica para diminuir memória e acelerar inferência, com possível perda de qualidade.
MLOps	Práticas para versionar, testar, implantar, observar e manter modelos.
Observabilidade	Coleta de sinais que permite entender desempenho, falhas, custo e comportamento do sistema.
Fallback	Alternativa segura usada quando o sistema falha ou não atinge confiança suficiente.
SLA	Compromisso de nível de serviço, como disponibilidade e tempo de resposta.
Vendor lock-in	Dependência que torna cara ou difícil a troca de fornecedor.

Como usar o glossário sem cair em marketing

Peça definições operacionais. Se uma ferramenta afirma ter “agentes autônomos”, pergunte quais ações executa, com quais permissões, como confirma operações e qual taxa de sucesso. Se promete “IA responsável”, procure testes, documentação, canal de incidente e responsáveis. Termos amplos precisam ser convertidos em evidência.

Verifique a camada descrita. Um fornecedor pode anunciar contexto de um milhão de tokens, mas sua aplicação talvez envie apenas trechos. Pode citar um modelo conhecido, mas adicionar filtros e ferramentas que alteram resultados. Compare o sistema completo na tarefa real.

Desconfie de absolutos como “sem alucinação”, “100% imparcial”, “substitui especialistas” ou “completamente seguro”. Em IA, capacidade e risco são condicionais ao contexto, aos dados, à configuração e ao processo humano.

Peça a definição concreta da capacidade anunciada.
Solicite cenário, conjunto de teste, métrica e comparação.
Confira limitações, grupos avaliados e versão do modelo.
Teste com seus dados autorizados e casos difíceis.
Avalie contrato, segurança, custo total e plano de saída.

Dúvidas comuns

Perguntas frequentes

Qual a diferença entre IA, ML e deep learning?

IA é o campo amplo. Machine learning é uma abordagem que aprende com dados. Deep learning é uma família de machine learning baseada em redes neurais profundas.

Modelo aberto significa código aberto?

Não necessariamente. Pode haver pesos disponíveis, mas dados, código de treinamento ou licença podem ser restritos. Leia exatamente quais componentes e liberdades são oferecidos.

Prompt engineering é programação?

É uma forma de especificar tarefas em linguagem e exemplos. Não substitui programação quando são necessários controle determinístico, integrações, testes, segurança e manutenção.

Qual termo devo procurar primeiro ao avaliar uma IA?

Comece por “caso de uso” e “critério de sucesso”. Sem problema, público, risco e métrica definidos, os demais termos viram comparação abstrata.

Fontes e referências

Conteúdo educacional baseado nas fontes abaixo. Tecnologias, regras e serviços mudam; consulte sempre a versão mais recente antes de tomar decisões profissionais, jurídicas, financeiras ou de saúde.