Apêndice

Glossário de IA

Os termos que você vai ouvir na sala, definidos de forma simples.

Inteligência artificial (IA): Sistemas informáticos que fazem tarefas que costumamos associar ao pensamento humano, como prever, classificar, escrever ou planear.
Aprendizagem automática: Uma forma de criar sistemas que aprendem padrões a partir de exemplos, em vez de receberem todas as regras.
Modelo: Um sistema que aprendeu com dados e transforma uma entrada numa saída.
Grande modelo de linguagem (LLM): Um modelo treinado com enormes quantidades de texto para prever e escrever linguagem.
IA generativa: IA que cria novos textos, imagens, áudio, código ou outros conteúdos.
Sistema agêntico / agente de IA: Um modelo ligado a ferramentas, memória e instruções, para realizar uma tarefa em várias etapas.
Automatização: Deixar um sistema fazer uma tarefa com pouca ajuda direta de uma pessoa.
Ampliação de capacidades: Usar IA para ajudar as pessoas a trabalhar, em vez de as substituir.
Participação humana no processo: Uma pessoa verifica, aprova ou intervém durante um processo que usa IA.
Supervisão humana do processo: Uma pessoa supervisiona um sistema, mas não verifica cada ação.
Ausência de intervenção humana no processo: Um sistema atua sem que uma pessoa verifique cada decisão ou ação.
Dados de treino: Os exemplos com que um modelo aprende.
Conjunto de dados: Uma coleção organizada de dados usada para treinar, testar ou estudar algo.
Proveniência dos dados: De onde vieram os dados e como foram recolhidos ou alterados.
Linhagem dos dados: O percurso dos dados por diferentes sistemas e o que lhes acontece pelo caminho.
Dados estruturados: Dados em campos fixos, como numa folha de cálculo ou base de dados.
Dados não estruturados: Texto, imagens, áudio ou vídeo que não cabem numa tabela.
Dados sintéticos: Dados inventados para parecerem dados reais.
Verdade de referência: A resposta considerada correta ao testar um sistema.
Base de conhecimento: Uma coleção escolhida de informações que um sistema pode pesquisar.
Conhecimento paramétrico: O que um modelo guardou nos números que aprendeu, em vez do que consulta.
Conhecimento factual: Factos e relações que um modelo pode ter aprendido com os seus dados de treino.
Geração aumentada por recuperação (RAG): O sistema começa por consultar documentos ou registos e depois escreve a resposta com base neles.
Conhecimento local: Conhecimento que vem da experiência de um lugar ou comunidade.
Conhecimento indígena: Conhecimento desenvolvido e preservado por povos e comunidades indígenas.
Soberania dos dados: A ideia de que os dados devem ser regidos pelas leis, direitos e autoridade das pessoas ou do lugar a que dizem respeito.
Minimização dos dados: Recolher e guardar apenas os dados necessários para um fim declarado.
Dados sensíveis: Dados que podem causar danos se forem partilhados ou mal utilizados.
Entrada / instrução: A instrução ou o material que se dá a um modelo.
Saída: O que o sistema produz: texto, uma previsão, uma categoria, uma imagem ou uma ação.
Inferência: Executar um modelo treinado para obter uma resposta.
Janela de contexto: A quantidade de texto ou outro material que um modelo pode receber de uma só vez.
Token: Um pequeno trecho de texto, muitas vezes parte de uma palavra, que um modelo lê e escreve.
Representação vetorial: Uma lista de números que representa um texto ou uma imagem, para que um computador possa comparar significados.
Classificação: Colocar um item numa ou mais categorias.
Predição: A melhor estimativa de um resultado, com base nos dados disponíveis.
Previsão: Uma predição sobre o futuro.
Recomendação: Uma saída que sugere o que fazer.
Otimização: Procurar o melhor resultado, tendo em conta um objetivo e alguns limites.
Função objetivo: O número exato que um sistema tenta tornar tão alto ou tão baixo quanto possível.
Indicador indireto: Algo fácil de medir usado em vez de um objetivo difícil de medir.
Teste de referência: Um teste padrão usado para comparar modelos.
Avaliação: Medir o desempenho de um modelo ou sistema face a critérios definidos.
Incerteza: A probabilidade de uma saída estar errada ou incompleta.
Pontuação de confiança: Um número que mostra quanta certeza um sistema tem numa predição.
Calibração: Se a confiança de um sistema corresponde à frequência com que realmente acerta.
Explicabilidade: A capacidade de explicar com clareza como um sistema chegou a uma saída.
Interpretabilidade: Até que ponto as pessoas conseguem entender o que se passa dentro de um sistema.
Caixa negra: Um sistema cujo funcionamento interno é difícil de ver ou verificar.
Alucinação: Uma resposta fluente que é falsa, inventada ou sem apoio em qualquer fonte.
Viés: Erros que favorecem ou prejudicam certos grupos de forma consistente e vêm dos dados, da conceção ou do uso do sistema.
Equidade: Formas de medir e corrigir tratamentos ou resultados desiguais.
Robustez: Funcionar de forma fiável mesmo quando as condições mudam ou as entradas são confusas.
Ataque adversarial: Uma entrada criada de propósito para fazer um sistema falhar ou agir de forma incorreta.
Rede neuronal: Um sistema informático feito de camadas ligadas que transformam entradas em saídas.
Perceptrão: Um dos primeiros modelos matemáticos de uma única célula cerebral. Deu origem às redes neuronais posteriores.
Transformador: A arquitetura por trás da maioria dos modelos de linguagem modernos. Determina que palavras de um texto são relevantes umas para as outras.
Pesos: Os números que um modelo aprendeu durante o treino. Na prática, os pesos são o modelo.
Pesos abertos: Pesos publicados para que qualquer pessoa possa executar, estudar ou alojar o modelo por conta própria.
Pesos fechados: Pesos guardados nos servidores da empresa. Só se pode usar o modelo através do serviço da empresa.
Pré-treino: A primeira e maior etapa do treino, geralmente para prever o trecho de texto seguinte.
Ajuste fino: Treino adicional com um conjunto de dados menor ou uma tarefa específica.
Pós-treino: Treino após o pré-treino que torna um modelo mais útil e melhora o seu comportamento.
Aprendizagem por reforço (RL): Treino que recompensa algumas ações e penaliza outras.
Aprendizagem por reforço com avaliação humana (RLHF): Aprendizagem por reforço em que as recompensas vêm das avaliações das pessoas.
Modelo de raciocínio: Um modelo que dedica mais esforço a resolver problemas de várias etapas antes de responder.
Cadeia de raciocínio: Os passos que um modelo escreve ao resolver um problema.
Leis de escala: A constatação de que os modelos melhoram de forma previsível ao crescerem, receberem mais dados e usarem mais capacidade de computação.
Mistura de especialistas (MoE): Um modelo feito de muitas partes especializadas, em que só algumas são usadas para cada entrada. Isto reduz o custo de execução.
Alinhamento: Fazer um sistema agir de acordo com objetivos ou valores escolhidos.
Segurança da IA: Investigação e prática que procuram impedir que sistemas de IA causem danos ou fiquem fora de controlo.
Governação da IA: As regras, instituições e processos que orientam a criação e o uso da IA.
IA responsável: Criar e usar IA tendo em conta os seus efeitos sociais, éticos, jurídicos e ambientais.
Conceção sensível aos valores: Conceber tecnologia tendo em conta os valores humanos e os interesses das pessoas afetadas.
IA alinhada com a soberania: IA criada e gerida para que uma comunidade ou um lugar mantenha o controlo sobre ela.
Permissões detalhadas: Limites sobre as ferramentas, ficheiros, dados ou ações exatos que um sistema pode usar.
Ambiente isolado: Um espaço separado onde um sistema pode funcionar com acesso limitado.
Etapa de aprovação humana: Uma etapa em que uma pessoa tem de aprovar uma ação antes de esta avançar.
Registo de auditoria: Um registo do que entrou num sistema, do que saiu e do que ele fez.
Ficha do modelo: Um documento que descreve para que serve um modelo, os seus limites e como foi testado.
Ficha do sistema: Um documento que descreve todo um sistema em uso, incluindo os seus riscos e salvaguardas.
Deriva do modelo: Quando o desempenho de um modelo muda ao longo do tempo porque os dados ou as condições mudam.
Controlo de versões: Acompanhar as alterações a modelos, dados, instruções e software.
Reversão: Voltar a uma versão anterior de um sistema.
Alojamento próprio: Executar um modelo em equipamento que a pessoa ou a sua instituição controla.
Retenção zero de dados: Uma promessa escrita de um fornecedor de que não guarda nada do que lhe é enviado.