Glossário IA
O dicionário completo da Inteligência Artificial
Redes Neurais Convolucionais
Arquitetura de deep learning especializada no processamento de imagens e dados espaciais. Usa camadas de convolução para extrair automaticamente características hierárquicas.
Deep Reinforcement Learning
Combination of reinforcement learning with deep neural networks. Enables agents to learn optimal strategies in complex environments.
Processamento Automático de Linguagem Natural
Domínio da IA que permite às máquinas compreender, interpretar e gerar a linguagem humana. Inclui a análise de sentimentos, a tradução e a geração de texto.
Sistemas de Recomendação
Algoritmos que sugerem elementos relevantes aos usuários com base em suas preferências e comportamentos. Amplamente utilizados em e-commerce, streaming e redes sociais.
Visão Computacional
Permite que os computadores interpretem e compreendam o conteúdo visual de imagens e vídeos. Aplicações: detecção de objetos, reconhecimento facial, análise médica.
Supervised Machine Learning
Learning method where the model learns from labeled data to make predictions. Includes classification and regression.
Aprendizagem Automática Não Supervisionada
Técnicas de exploração de dados sem rótulos para descobrir estruturas ocultas. Principalmente clustering e redução de dimensionalidade.
Redes Neurais Recorrentes
Arquitetura de deep learning projetada para processar dados sequenciais. Memória interna permite capturar as dependências temporais.
Transformadores e Arquitetura de Atenção
Arquitetura revolucionária baseada no mecanismo de atenção para processar sequências. Fundamento dos modelos de linguagem modernos como GPT e BERT.
Aprendizagem por Transferência
Técnica que reutiliza modelos pré-treinados em grandes dados para tarefas específicas. Reduz drasticamente a necessidade de dados e tempo de treinamento.
Engenharia de Características
Processo de criação e seleção de variáveis ótimas para modelos de machine learning. Etapa crucial impactando diretamente o desempenho dos algoritmos.
Validação Cruzada e Avaliação de Modelos
Técnicas estatísticas para avaliar rigorosamente o desempenho de modelos de ML. Essencial para evitar sobreajuste e garantir a generalização.
Big Data e Computação Distribuída
Infraestrutura e algoritmos para processar volumes massivos de dados. Utiliza frameworks como Spark, Hadoop para computação paralela.
Ciência de Dados Exploratória
Fase de análise inicial para descobrir padrões, anomalias e relações nos dados. Combina estatísticas e visualização.
Aprendizagem Online e Streaming
Métodos de aprendizagem adaptativa para dados contínuos em tempo real. Modelos atualizados incrementalmente sem retreinamento completo.
Aprendizado Federado
Abordagem distribuída onde o treinamento é feito localmente nos dispositivos sem centralizar os dados. Preserva a privacidade dos usuários.
Interpretabilidade e Explicabilidade da IA
Conjunto de técnicas para compreender e explicar as decisões dos modelos de IA. Crítico para a confiança e regulação de sistemas autónomos.
Aprendizagem por Reforço Multiagente
Extensão do RL onde múltiplos agentes aprendem simultaneamente, frequentemente em competição ou cooperação. Aplicações em jogos, robótica e economia.
Geração Aumentada por Pesquisa (RAG)
Arquitetura que combina pesquisa documental e geração de texto. Melhora a precisão e reduz as alucinações dos LLM.
Modelos de Linguagem de Grande Porte
Redes neurais massivas pré-treinadas em enormes corpus textuais. Capazes de compreensão e geração avançada de linguagem natural.
Processamento de Sinal e Séries Temporais
Técnicas especializadas para analisar dados sequenciais e temporais. Aplicações em finanças, IoT e previsões meteorológicas.
Aprendizagem Meta-Aprendizagem
Aprender a aprender: modelos que descobrem como se adaptar rapidamente a novas tarefas com poucos exemplos. Também chamado de aprendizagem com poucos exemplos (few-shot learning).
Detecção de anomalias
Identificação de padrões ou observações que se desviam significativamente do normal. Crucial em segurança, finanças e manutenção preditiva.
Redes Neurais Gráficas
Arquitetura de deep learning especializada no processamento de dados estruturados em grafos. Aplicações em redes sociais, moléculas e sistemas de recomendação.
MLOps e Industrialização da IA
Práticas DevOps adaptadas ao ciclo de vida dos modelos ML. Automação da implantação, monitoramento e atualização dos sistemas IA em produção.
AutoML e Automação de ML
Sistemas que automatizam o processo completo de criação de modelos ML. Reduz a expertise necessária e acelera o desenvolvimento de soluções de IA.
Edge AI e Inteligência Artificial Embutida
Implantação de modelos de IA diretamente em dispositivos periféricos. Redução de latência, preservação da privacidade e funcionamento offline.
Ética da IA e Viés Algorítmico
Estudo das implicações morais e sociais dos sistemas de IA. Detecção e mitigação de vieses para garantir equidade e não discriminação.
Segurança e Privacy-Preserving ML
Técnicas que protegem modelos e dados contra ataques adversariais. Inclui cifração homomórfica e privacidade diferencial.
Aprendizado por Reforço Clássico
Conjunto dos métodos fundamentais de aprendizado por reforço, incluindo Q-learning, SARSA e os métodos de programação dinâmica para tomada de decisão sequencial.
Árvores de Decisão e Métodos de Ensemble
Técnicas baseadas em estruturas de árvore como Random Forest, Gradient Boosting e XGBoost para classificação e regressão robustas.
Máquinas de Vetores de Suporte
Algoritmos de aprendizado supervisionado que utilizam hiperplanos para classificação, maximizando a margem entre as classes, com extensões para núcleos não-lineares.
Modelos Generativos Avançados
Conjunto de técnicas de geração de dados, incluindo GANs, VAEs, modelos de difusão e autoencoders para a criação sintética de conteúdo.
Inteligência Artificial Simbólica
Abordagem da IA baseada na manipulação de símbolos e regras lógicas, incluindo sistemas especialistas e raciocínio dedutivo.
Algoritmos Evolutivos
Métodos de otimização inspirados na evolução natural, incluindo algoritmos genéticos, estratégias de evolução e programação genética.
Aprendizagem Semissupervisionada
Técnicas que combinam dados rotulados e não rotulados para melhorar o desempenho dos modelos quando os dados rotulados são escassos.
Aprendizagem por Contraste
Paradigma de aprendizagem auto-supervisionada baseado na comparação de pares de exemplos para aprender representações discriminativas.
Redes Bayesianas
Modelos gráficos probabilísticos que representam as dependências condicionais entre variáveis para inferência e tomada de decisão sob incerteza.
Redução de Dimensionalidade
Conjunto de técnicas (PCA, t-SNE, UMAP) para reduzir a complexidade dos dados, preservando a informação relevante.
Aprendizagem Ativa
Estratégias onde o modelo seleciona inteligentemente as amostras a serem rotuladas para otimizar a aprendizagem com um orçamento de anotação limitado.
Detecção de Mudança
Técnicas para identificar transições em distribuições de dados e adaptar continuamente os modelos a novos contextos.
Aprendizagem Auto-Supervisionada
Paradigma que cria automaticamente rótulos a partir de dados não rotulados para pré-treinar modelos em tarefas proxy.
Inteligência Coletiva
Abordagens inspiradas no comportamento coletivo de insetos sociais para otimização e resolução distribuída de problemas.
Redes Neurais de Spiking
Modelos neuromórficos que mimetizam a comunicação temporal dos neurônios biológicos para um cálculo mais eficiente e bioinspirado.
Aprendizagem Incremental
Capacidade dos modelos de aprender continuamente novos dados sem esquecer o conhecimento previamente adquirido.
Quantificação de Modelos
Técnicas de compressão de redes neurais que reduzem a precisão dos pesos para otimizar a memória e o cálculo.
Aprendizagem Causal
Campo que estuda as relações de causa e efeito nos dados para melhorar a generalização e a robustez dos modelos.
Ataques Adversariais e Defesa
Estudo das vulnerabilidades de modelos de IA a perturbações maliciosas e desenvolvimento de técnicas de proteção.
IA Quântica
Interseção da computação quântica e da IA que explora fenômenos quânticos para acelerar algoritmos de aprendizado.
Aprendizagem por Imitação
Técnicas onde um agente aprende imitando demonstrações especializadas sem a necessidade de recompensas explícitas.