Glossário de IA - Ki wi fy

A

Alucinação (Hallucination): Quando um modelo de IA gera informação falsa ou inventada com confiança, como se fosse verdadeira.
API: Application Programming Interface. Interface que permite que softwares se comuniquem. Usado para integrar IA em aplicacoes.
Aprendizado Federado: Aprendizado Federado é uma abordagem de machine learning que treina um modelo em vários dispositivos ou servidores descentralizados, cada um mantendo seus dados localmente. Isso permite construir modelos robustos sem centralizar os dados, preservando a privacidade e reduzindo a dependência de grandes conjuntos de dados centralizados.

Dados Sintéticos: Dados Sintéticos são informações geradas artificialmente que imitam as características de dados reais, sem conter informações pessoais ou confidenciais. Eles são usados para treinar modelos de IA quando dados reais são escassos, caros ou apresentam riscos de privacidade. Dados sintéticos permitem a criação de modelos robustos e imparciais, além de acelerar o desenvolvimento de soluções de IA em diversos setores.

Embeddings: Representacoes numericas (vetores) de texto que capturam significado semantico. Usados em busca e RAG.

Fine-tuning: Processo de retreinar um modelo pre-treinado com dados especificos para especializa-lo em uma tarefa.

IA Explicável (XAI): IA Explicável (XAI) refere-se a um conjunto de técnicas e métodos que permitem que humanos entendam e confiem nas decisões tomadas por modelos de inteligência artificial. Em vez de serem "caixas pretas", os sistemas XAI fornecem transparência sobre como chegam a suas conclusões, aumentando a confiança e facilitando a identificação de vieses e erros. Isso é crucial para aplicações em áreas sensíveis como saúde e finanças, onde a justificativa das decisões é fundamental.
IA Explicável (XAI): IA Explicável refere-se a técnicas e métodos que permitem aos humanos entender e confiar nas decisões tomadas por modelos de inteligência artificial. Em vez de serem 'caixas pretas', sistemas XAI fornecem insights sobre o raciocínio por trás das previsões, aumentando a transparência e a responsabilidade na aplicação da IA.

LAM (Large Action Model): Large Action Model (Modelo de Ação de Grande Escala). Vão além de gerar texto: são treinados para executar ações reais em interfaces, como clicar botões, preencher formulários e navegar sites. Exemplos: Rabbit OS/R1, MultiOn, Adept AI. Aplicações: fazer compras online de forma autônoma, automatizar tarefas repetitivas de escritório e interagir com softwares complexos sem intervenção humana.
LCM (Large Concept Model): Large Concept Model (Modelo de Conceitos de Grande Escala). Trabalham com conceitos abstratos em vez de palavras, permitindo tradução e compreensão entre diferentes idiomas e modalidades (texto, áudio, vídeo) de forma mais natural. Exemplo: SeamlessM4T (Meta). Aplicações: tradução simultânea em tempo real nos óculos Meta Ray-Ban, dublagem automática de vídeos preservando voz e entonação (estilo HeyGen).
LLM (Large Language Model): Large Language Model (Modelo de Linguagem de Grande Escala). São redes neurais massivas, treinadas com bilhões de parâmetros em vastos conjuntos de texto, capazes de entender e gerar linguagem humana com alta fluência. Exemplos: GPT-4 (OpenAI), Claude (Anthropic), Gemini 1.5 Pro (Google), Llama 3 (Meta). São a base de chatbots, assistentes de código como GitHub Copilot, geração de conteúdo e atendimento ao cliente automatizado.

MLM (Masked Language Model): Masked Language Model (Modelo de Linguagem Mascarada). São treinados prevendo palavras ocultas em frases, o que lhes dá profunda compreensão do contexto e da semântica do texto. Exemplos: BERT e RoBERTa (Google/Meta). Diferente dos LLMs (que geram texto), são usados para classificar e entender texto. Aplicações: melhorias na busca do Google, corretores gramaticais como Grammarly e análise de sentimento em reviews.
MoE (Mixture of Experts): Mixture of Experts (Mistura de Especialistas). Arquitetura onde o modelo é dividido em vários "especialistas", mas apenas uma fração é ativada para cada tarefa, reduzindo drasticamente o custo computacional. Exemplos: Mixtral 8x7B (Mistral AI), GPT-4 (supostamente usa MoE). Aplicação: grandes sistemas em nuvem que roteiam consultas para sub-redes especializadas, otimizando performance sem multiplicar custos.

Prompt Engineering: Arte de elaborar instrucoes precisas para obter melhores resultados de modelos de IA.

RAG: Retrieval Augmented Generation. Técnica que combina busca em documentos com geração de texto para respostas mais precisas.

SAM (Segment Anything Model): Segment Anything Model (Modelo de Segmentação Universal). Desenvolvido pela Meta, é capaz de identificar e recortar qualquer objeto em uma imagem sem treinamento prévio para aquele objeto específico. Aplicações: criação de figurinhas no WhatsApp recortando pessoas ou objetos de fotos, segmentação de tumores em exames médicos e análise de imagens de satélite para agricultura e monitoramento ambiental.
SLM (Small Language Model): Small Language Model (Modelo de Linguagem Pequeno). São versões compactas dos LLMs, projetadas para rodar diretamente em dispositivos como celulares, notebooks e carros inteligentes, sem depender da nuvem. Exemplos: Phi-3 (Microsoft), Gemma (Google), Apple Intelligence. Aplicações: resumos de mensagens no WhatsApp, assistentes offline em smartphones (Gemini Nano) e processamento local em veículos autônomos.

Token: Unidade basica de processamento de texto em LLMs. Aproximadamente 3/4 de uma palavra em ingles.

VLM (Vision-Language Model): Vision-Language Model (Modelo de Visão e Linguagem). Combinam compreensão visual (imagens, vídeos) com linguagem textual em um único modelo. Exemplos: GPT-4V (OpenAI), Google Lens com IA, Claude 3 Opus (Anthropic). Aplicações: o app Be My Eyes que descreve o mundo para deficientes visuais, diagnóstico de doenças em plantas por foto, resolução de problemas de matemática fotografando o caderno.