Também disponível em: English (US)
Glossário de IA para leigos
A inteligência artificial encheu o noticiário de palavras estranhas: token, embedding, RAG, alucinação, fine-tuning. Este glossário explica os 30 termos mais essenciais em linguagem simples, cada um com uma definição curta e um exemplo do cotidiano. Nada de fórmula, só o suficiente para você acompanhar qualquer conversa sobre IA sem se perder.
| Termo | O que é | Exemplo do cotidiano |
|---|---|---|
| Token | É o pedaço de texto que o modelo realmente processa: pode ser uma palavra, parte de uma palavra ou um sinal de pontuação. Modelos de linguagem não leem letras soltas, e sim essa sequência de tokens. Em inglês, um token equivale mais ou menos a 4 caracteres. | A palavra cachorro pode virar 1 token, enquanto uma palavra longa e rara costuma ser quebrada em vários. |
| LLM (modelo de linguagem grande) | Sigla em inglês para large language model. É um modelo treinado em enormes quantidades de texto para prever a próxima palavra e, com isso, escrever, resumir e responder. ChatGPT, Gemini e Claude são exemplos. | Quando você pede o resumo de um e-mail e recebe um parágrafo pronto, foi um LLM que gerou. |
| Prompt | É a instrução ou pergunta que você envia ao modelo. A qualidade da resposta depende muito da clareza do prompt, que pode incluir contexto, exemplos e o formato desejado. | Escrever liste 5 nomes de cachorro em ordem alfabética é um prompt. |
| Prompt de sistema | É uma instrução de bastidor, definida por quem monta o aplicativo, que orienta o comportamento do modelo antes da sua mensagem. Ela fixa o papel, o tom e as regras. Você normalmente não a vê. | O atendente virtual de um banco tem um prompt de sistema mandando ser formal e nunca pedir a sua senha. |
| Janela de contexto | É a quantidade máxima de tokens que o modelo consegue considerar de uma vez, somando a sua mensagem e a resposta. O que passa desse limite é cortado ou esquecido. Modelos recentes têm janelas de centenas de milhares de tokens. | Colar um livro inteiro pode estourar a janela de contexto de um modelo menor. |
| Parâmetros (pesos) | São os números internos ajustados durante o treinamento que guardam o que o modelo aprendeu. Quanto mais parâmetros, maior tende a ser a capacidade, e também o custo. Modelos grandes têm bilhões deles. | Dizer que um modelo tem 70 bilhões de parâmetros é falar do tamanho do seu cérebro numérico. |
| Rede neural | É a estrutura de cálculo, inspirada de longe no cérebro, feita de camadas de unidades conectadas que transformam números em números. É a base de quase toda IA moderna e aprende ajustando as suas conexões. | O desbloqueio por rosto do seu celular roda sobre uma rede neural. |
| Transformer | É a arquitetura de rede neural que domina a IA de linguagem desde 2017, apresentada no artigo Attention Is All You Need. Ela processa o texto em paralelo usando o mecanismo de atenção. O T de GPT vem dela. | Tradutores automáticos modernos usam transformers para manter o sentido da frase. |
| Atenção (self-attention) | É o mecanismo que deixa o modelo pesar quais palavras da frase importam mais para cada uma das outras. É o que permite entender a quem um pronome se refere. É o coração do transformer. | Em o gato subiu porque ele estava com fome, a atenção liga ele a gato. |
| Embedding | É a representação de um texto como uma lista de números, um vetor, que captura o seu significado. Textos parecidos ficam com vetores próximos. É assim que a máquina compara sentidos, e não apenas palavras iguais. | Uma busca por significado encontra automóvel ao procurar carro porque os embeddings estão próximos. |
| Vetor e banco vetorial | Um vetor é a lista de números de um embedding. Um banco vetorial guarda milhões desses vetores e encontra rapidamente os mais parecidos com uma consulta. É a memória de busca por significado. | Um assistente que lembra dos seus documentos costuma guardá-los em um banco vetorial. |
| Pré-treinamento | É a primeira e mais cara fase, quando o modelo lê uma quantidade gigantesca de texto para aprender a língua de forma geral. Nessa etapa ele ainda não é especializado em nada. Só depois vem o ajuste. | É como alguém que leu meia biblioteca antes de escolher uma profissão. |
| Fine-tuning (ajuste fino) | É treinar mais um modelo já pronto com dados específicos para melhorar numa tarefa ou num estilo. Custa muito menos do que treinar do zero e serve para adaptar o modelo ao seu domínio. | Um escritório ajusta um modelo com os seus contratos para ele escrever no padrão da casa. |
| LoRA | É uma técnica de ajuste fino leve que altera apenas uma pequena parte do modelo, em vez de tudo. Economiza memória e tempo e é muito usada para personalizar geradores de imagem. | Criar um estilo próprio de ilustração sem retreinar o modelo inteiro costuma usar LoRA. |
| Inferência | É o momento em que o modelo já treinado é usado para gerar uma resposta. Cada resposta consome computação e, por isso, custa dinheiro. Diferente do treinamento, ela acontece toda vez que você usa. | Cada mensagem que você manda para um chatbot dispara uma inferência. |
| Temperatura | É um controle da aleatoriedade da resposta, começando em 0. Perto de 0 o texto fica mais previsível e repetitivo; mais alto, fica mais criativo e imprevisível. Ajusta o quanto o modelo ousa. | Para um poema você sobe a temperatura; para gerar um número de documento, você abaixa. |
| Top-p (amostragem por núcleo) | É outro controle de aleatoriedade que limita a escolha às palavras mais prováveis que juntas somam uma fração p da probabilidade. Com p baixo o modelo fica mais conservador. Costuma andar junto com a temperatura. | Um top-p de 0,9 mantém as opções plausíveis e descarta as bizarras. |
| Alucinação | É quando o modelo responde algo que soa convincente mas é falso ou inventado. Acontece porque ele prevê o texto mais provável, e não a verdade verificada. Por isso vale conferir fatos importantes. | Um modelo citar um livro que não existe é uma alucinação. |
| RAG (geração aumentada por recuperação) | Sigla para retrieval augmented generation. O sistema primeiro busca trechos relevantes numa base confiável e só então pede ao modelo que responda com base neles. Reduz alucinação e permite usar dados atuais. | Um suporte que responde citando o manual do produto costuma usar RAG. |
| Zero-shot | É pedir uma tarefa ao modelo sem dar nenhum exemplo, contando só com o que ele já aprendeu. É o uso mais comum no dia a dia e funciona bem para tarefas simples. | Perguntar traduza isto para o espanhol, sem exemplos, é zero-shot. |
| Few-shot | É colocar alguns exemplos dentro do prompt para mostrar o padrão que você quer antes de pedir o resultado. Costuma melhorar a precisão e o formato. Poucos exemplos já ajudam bastante. | Mostrar 3 e-mails no seu tom antes de pedir um novo é few-shot. |
| Quantização | É reduzir a precisão dos números do modelo, por exemplo de 16 para 4 bits, para ele ocupar menos memória e rodar mais rápido. Perde um pouco de qualidade em troca de leveza. Permite rodar modelos grandes em máquinas modestas. | Rodar um modelo no seu notebook geralmente só é possível com a versão quantizada. |
| Destilação | É treinar um modelo pequeno para imitar um grande, transferindo boa parte da capacidade num pacote mais barato de rodar. O pequeno vira o aluno do professor. Serve para versões rápidas e econômicas. | As versões mini e flash de modelos famosos costumam ser destiladas. |
| GPU | É a placa de vídeo, um chip que faz muitas contas em paralelo. Foi criada para jogos, mas virou o motor do treinamento e da execução de IA. Sem GPUs, os modelos atuais seriam inviáveis. | A disputa por GPUs cresceu justamente por causa da corrida da IA. |
| Difusão (modelos de difusão) | É a técnica por trás da maioria dos geradores de imagem. O modelo parte de um ruído aleatório e vai limpando passo a passo até formar a imagem pedida. Também já é usada para vídeo e áudio. | Pedir um gato astronauta em aquarela e receber a arte pronta usa difusão. |
| Multimodal | É o modelo que entende ou gera mais de um tipo de dado, como texto, imagem, áudio e vídeo juntos. Ele pode olhar uma foto e responder sobre ela, o que amplia muito os usos. | Enviar a foto da sua geladeira e pedir receitas com o que há nela exige um modelo multimodal. |
| Agente de IA | É um sistema que usa um modelo para planejar e executar várias etapas sozinho, acionando ferramentas como busca, calculadora ou e-mail. Ele vai além de responder: age em direção a um objetivo. Ainda erra e precisa de supervisão. | Pedir para pesquisar voos e montar um roteiro pode ser tarefa de um agente. |
| Ferramentas e function calling | É a capacidade de o modelo acionar funções externas, como consultar um banco de dados ou uma API, quando percebe que precisa. O modelo decide quando chamar e com quais dados. É o que conecta a IA ao mundo real. | Um chatbot que mostra o rastreio real da sua encomenda está usando ferramentas. |
| Overfitting (sobreajuste) | É quando o modelo decora os exemplos de treino em vez de aprender o padrão geral e, por isso, vai mal em casos novos. É um risco comum no ajuste com poucos dados. O sinal é acertar no treino e falhar na vida real. | Um modelo que só reconhece os gatos das fotos que já viu sofreu overfitting. |
| Benchmark | É um teste padronizado usado para comparar modelos em tarefas como matemática, código ou conhecimento geral. Ajuda a medir progresso, mas não conta tudo sobre o uso real. Número alto nem sempre vira utilidade prática. | Quando um lançamento diz que superou o concorrente, quase sempre está citando um benchmark. |
Como estas definições foram conferidas
Cada verbete foi checado contra pelo menos duas fontes técnicas confiáveis, entre a documentação da OpenAI, do Google Cloud e da Hugging Face, mais os artigos que fundaram a área, como Attention Is All You Need (Vaswani e colegas, 2017), que apresentou o transformer, e o artigo de geração aumentada por recuperação (Lewis e colegas, 2020), que deu nome ao RAG. A ideia foi manter a explicação simples sem sacrificar a precisão.
Última atualização: · Metodologia e fontes