Glossário de Inteligência Artificial

Uma classe de microprocessador projetada para acelerar aplicações de IA.

Software que pode executar certas tarefas de forma independente e proativa sem a necessidade de intervenção humana, muitas vezes utilizando um conjunto de ferramentas como calculadoras ou navegação na web.

Embora não haja consenso amplo, pesquisadores da Microsoft definiram AGI como inteligência artificial que é tão capaz quanto um humano em qualquer tarefa intelectual.

Uma interface conversacional que usa grandes modelos de linguagem para apoiar usuários em várias tarefas, fornecendo respostas inteligentes e assistência em diferentes domínios.

A tarefa de garantir que os objetivos de um sistema de IA estejam alinhados com os valores humanos.

A simulação da inteligência humana em máquinas que são programadas para pensar, aprender e tomar decisões como humanos. A IA abrange várias tecnologias, incluindo aprendizado de máquina, processamento de linguagem natural e visão computacional.

Embora sujeito a debate, ASI é comumente definida como inteligência artificial que supera as capacidades da mente humana.

No contexto de redes neurais, mecanismos de atenção ajudam o modelo a focar em partes relevantes da entrada ao produzir uma saída.

Um algoritmo frequentemente usado no treinamento de redes neurais, referindo-se ao método para calcular o gradiente da função de perda em relação aos pesos na rede.

O processo de avaliar e comparar modelos de IA, algoritmos ou sistemas usando testes e métricas padronizadas para medir desempenho, precisão e eficiência.

Suposições feitas por um modelo de IA sobre os dados. Um 'trade-off entre viés e variância' é o equilíbrio que deve ser alcançado entre as suposições que um modelo faz sobre os dados e o quanto as previsões de um modelo mudam, dados diferentes dados de treinamento. Viés indutivo é o conjunto de suposições que um algoritmo de aprendizado de máquina faz sobre a distribuição subjacente dos dados.

Na IA, este termo é frequentemente usado para descrever a sequência de etapas de raciocínio que um modelo de IA usa para chegar a uma decisão.

Um programa de computador projetado para simular conversa humana através de interações de texto ou voz. Chatbots frequentemente utilizam técnicas de processamento de linguagem natural para entender a entrada do usuário e fornecer respostas relevantes.

Um modelo de linguagem de IA em larga escala desenvolvido pela OpenAI que gera texto semelhante ao humano.

Um modelo de IA desenvolvido pela OpenAI que conecta imagens e texto, permitindo que entenda e gere descrições de imagens.

Os recursos computacionais (como tempo de CPU ou GPU) usados no treinamento ou execução de modelos de IA.

Um ramo da IA focado no desenvolvimento de sistemas que podem entender, processar e responder à linguagem humana de forma natural e conversacional, permitindo a interação homem-computador através do diálogo.

Um tipo de modelo de aprendizado profundo que processa dados com uma topologia semelhante a grade (por exemplo, uma imagem) aplicando uma série de filtros. Tais modelos são frequentemente usados para tarefas de reconhecimento de imagem.

O processo de aumentar a quantidade e diversidade de dados usados para treinar um modelo adicionando cópias ligeiramente modificadas de dados existentes.

Um subcampo do aprendizado de máquina que foca no treinamento de redes neurais com muitas camadas, permitindo o aprendizado de padrões complexos.

Na IA e aprendizado de máquina, uma técnica usada para gerar novos dados começando com um pedaço de dados reais e adicionando ruído aleatório. Um modelo de difusão é um tipo de modelo gerativo no qual uma rede neural é treinada para prever o processo reverso quando ruído aleatório é adicionado aos dados. Modelos de difusão são usados para gerar novas amostras de dados que são similares aos dados de treinamento.

Um fenômeno no aprendizado de máquina onde o desempenho do modelo melhora com o aumento da complexidade, depois piora, depois melhora novamente.

A representação de dados em uma nova forma, muitas vezes um espaço vetorial. Pontos de dados similares têm embeddings mais similares.

Na IA, emergência refere-se ao comportamento complexo que surge de regras ou interações simples. "Curvas à esquerda acentuadas" e "explosões de inteligência" são cenários especulativos onde o desenvolvimento da IA sofre mudanças súbitas e drásticas, frequentemente associadas à chegada da AGI.

Um tipo de modelo de aprendizado de máquina que não requer características criadas manualmente. O modelo simplesmente recebe dados brutos e é esperado que aprenda dessas entradas.

Uma aplicação de tecnologias de inteligência artificial que fornece soluções para problemas complexos dentro de um domínio específico.

Um subcampo da IA focado na criação de modelos transparentes que fornecem explicações claras e compreensíveis de suas decisões.

Uma abordagem de aprendizado de máquina onde os modelos aprendem a executar novas tarefas usando apenas um pequeno número de exemplos rotulados, aproveitando conhecimento prévio para generalizar a partir de dados mínimos de treinamento.

O processo de pegar um modelo de aprendizado de máquina pré-treinado que já foi treinado em um grande conjunto de dados e adaptá-lo para uma tarefa ligeiramente diferente ou domínio específico. Durante o ajuste fino, os parâmetros do modelo são ajustados ainda mais usando um conjunto de dados menor e específico da tarefa, permitindo que aprenda padrões específicos da tarefa e melhore o desempenho na nova tarefa.

Em uma rede neural, a propagação direta é o processo onde os dados de entrada são alimentados na rede e passados por cada camada (da camada de entrada para as camadas ocultas e finalmente para a camada de saída) para produzir a saída. A rede aplica pesos e viéses às entradas e usa funções de ativação para gerar a saída final.

Grandes modelos de IA treinados em dados amplos, destinados a serem adaptados para tarefas específicas.

Um tipo de modelo de aprendizado de máquina usado para gerar novos dados similares a alguns dados existentes. Ele coloca duas redes neurais uma contra a outra: um "gerador", que cria novos dados, e um "discriminador" que tenta distinguir esses dados dos dados reais.

Um ramo da IA focado na criação de modelos que podem gerar conteúdo novo e original, como imagens, música ou texto, baseado em padrões e exemplos de dados existentes.

Um modelo de linguagem de IA em larga escala desenvolvido pela OpenAI que gera texto semelhante ao humano.

Um tipo especializado de microprocessador projetado principalmente para renderizar rapidamente imagens para saída em uma tela. GPUs também são altamente eficientes em executar os cálculos necessários para treinar e executar redes neurais.

No aprendizado de máquina, descida do gradiente é um método de otimização que ajusta gradualmente os parâmetros de um modelo baseado na direção de maior melhoria em sua função de perda. Na regressão linear, por exemplo, a descida do gradiente ajuda a encontrar a linha de melhor ajuste refinando repetidamente a inclinação e o intercepto da linha para minimizar erros de predição.

No contexto da IA, alucinação refere-se ao fenômeno no qual um modelo gera conteúdo que não é baseado em dados reais ou é significativamente diferente da realidade.

Camadas de neurônios artificiais em uma rede neural que não estão diretamente conectadas à entrada ou saída.

O processo de selecionar os valores apropriados para os hiperparâmetros (parâmetros que não são aprendidos dos dados) de um modelo de aprendizado de máquina.

O processo de fazer predições com um modelo de aprendizado de máquina treinado.

Uma técnica no aprendizado de máquina onde os modelos são ajustados finamente baseados em instruções específicas dadas no conjunto de dados.

Um tipo de modelo de IA que pode gerar texto semelhante ao humano e é treinado em um conjunto de dados amplo.

No aprendizado de máquina, este termo refere-se à representação comprimida de dados que um modelo (como uma rede neural) cria. Pontos de dados similares estão mais próximos no espaço latente.

Uma função que um modelo de aprendizado de máquina busca minimizar durante o treinamento. Ela quantifica quão longe as predições do modelo estão dos valores verdadeiros.

Um tipo de inteligência artificial que fornece aos sistemas a capacidade de aprender automaticamente e melhorar a partir da experiência sem serem explicitamente programados.

Uma técnica de aprendizado de máquina onde vários submodelos especializados (os "especialistas") são treinados, e suas predições são combinadas de uma forma que depende da entrada.

Na IA, isto refere-se a modelos que podem entender e gerar informações em vários tipos de dados, como texto e imagens.

Um modelo de aprendizado profundo treinado tanto em dados textuais quanto não textuais (como imagens, áudio ou vídeo), permitindo que entenda e gere respostas em múltiplos tipos de mídia e formatos de dados.

Um subcampo da IA focado na interação entre computadores e humanos através da linguagem natural. O objetivo final do PLN é ler, decifrar, entender e dar sentido à linguagem humana de forma valiosa.

Um método para criar uma cena 3D a partir de imagens 2D usando uma rede neural. Pode ser usado para renderização fotorrealista, síntese de visualização e mais.

Um tipo de modelo de IA inspirado no cérebro humano. Consiste em unidades ou nós conectados - chamados neurônios - que são organizados em camadas. Um neurônio recebe entradas, faz alguma computação nelas e produz uma saída.

Uma função que um modelo de aprendizado de máquina busca maximizar ou minimizar durante o treinamento.

Um erro de modelagem que ocorre quando uma função é ajustada muito proximamente a um conjunto limitado de pontos de dados, resultando em desempenho preditivo ruim quando aplicada a dados não vistos.

No aprendizado de máquina, parâmetros são as variáveis internas que o modelo usa para fazer predições. Eles são aprendidos dos dados de treinamento durante o processo de treinamento. Por exemplo, em uma rede neural, os pesos e viéses são parâmetros.

A fase inicial de treinamento de um modelo de aprendizado de máquina onde o modelo aprende características gerais, padrões e representações dos dados sem conhecimento específico da tarefa à qual será posteriormente aplicado. Este processo de aprendizado não supervisionado ou semi-supervisionado permite que o modelo desenvolva uma compreensão fundamental da distribuição de dados subjacente e extraia características significativas que podem ser aproveitadas para ajuste fino subsequente em tarefas específicas.

O contexto inicial ou instrução que define a tarefa ou consulta para o modelo.

A prática de criar e otimizar prompts de entrada para alcançar saídas desejadas de modelos de linguagem de IA, envolvendo seleção estratégica de palavras, frases e estruturas para melhorar as respostas do modelo.

No aprendizado de máquina, regularização é uma técnica usada para prevenir overfitting adicionando um termo de penalidade à função de perda do modelo. Esta penalidade desencoraja o modelo de depender excessivamente de padrões complexos nos dados de treinamento, promovendo modelos mais generalizáveis e menos propensos ao overfitting.

Um tipo de aprendizado de máquina onde um agente aprende a tomar decisões realizando ações em um ambiente para maximizar alguma recompensa.

Um método para treinar um modelo de IA aprendendo a partir de feedback dado por humanos sobre as saídas do modelo.

No contexto da IA, a singularidade (também conhecida como singularidade tecnológica) refere-se a um ponto futuro hipotético no tempo quando o crescimento tecnológico se torna incontrolável e irreversível, levando a mudanças imprevisíveis na civilização humana.

Máquinas com inteligência generalizada de nível humano capazes de entender, raciocinar e executar qualquer tarefa intelectual que um humano pode fazer, representando verdadeira inteligência geral artificial.

Um tipo de aprendizado de máquina onde o modelo é fornecido com dados de treinamento rotulados.

Um tipo de IA que utiliza raciocínio simbólico para resolver problemas e representar conhecimento.

Uma plataforma de aprendizado de máquina de código aberto desenvolvida pelo Google que é usada para construir e treinar modelos de aprendizado de máquina.

Um tipo de microprocessador desenvolvido pelo Google especificamente para acelerar cargas de trabalho de aprendizado de máquina.

O conjunto de dados usado para treinar um modelo de aprendizado de máquina.

Um método no aprendizado de máquina onde um modelo pré-treinado é usado em um novo problema.

Um tipo específico de arquitetura de rede neural usado principalmente para processar dados sequenciais como linguagem natural. Transformers são conhecidos por sua capacidade de lidar com dependências de longo alcance nos dados, graças a um mecanismo chamado "atenção", que permite ao modelo pesar a importância de diferentes entradas ao produzir uma saída.

Um erro de modelagem em estatística e aprendizado de máquina quando um modelo estatístico ou algoritmo de aprendizado de máquina não consegue capturar adequadamente a estrutura subjacente dos dados.

Um tipo de aprendizado de máquina onde o modelo não é fornecido com dados de treinamento rotulados, e ao invés disso deve identificar padrões nos dados por conta própria.

Um subconjunto do conjunto de dados usado no aprendizado de máquina que é separado dos conjuntos de dados de treinamento e teste. É usado para ajustar os hiperparâmetros (ou seja, arquitetura, não pesos) de um modelo.

Um subcampo da IA focado na criação de modelos transparentes que fornecem explicações claras e compreensíveis de suas decisões.

Um tipo de aprendizado de máquina onde o modelo faz predições para condições não vistas durante o treinamento, sem qualquer ajuste fino.