AI Glossary

Agente de IA

Um agente recebe um objetivo, não um roteiro. Ele decide o que fazer, chama ferramentas para executar, observa o resultado e se ajusta. A palavra carrega dois sentidos: em aprendizado por reforço é a entidade que age em um ambiente, enquanto no uso atual dos produtos significa um LLM ligado a ferramentas e a um loop. Os dois estão corretos; verifique de qual deles um documento está falando. Na prática: ‘Encontre os três voos mais baratos e coloque na planilha’ — o agente escolhe os passos. ...

AI Act da UE

O Regulamento (UE) 2024/1689 entrou em vigor em 1º de agosto de 2024 e se aplica em fases: práticas proibidas a partir de fevereiro de 2025, obrigações para modelos de IA de uso geral a partir de agosto de 2025 e o grosso do arcabouço a partir de agosto de 2026. Ele separa os sistemas em risco inaceitável, alto, limitado e mínimo, com obrigações proporcionais a cada nível. Alcança fornecedores de fora da UE cuja saída é usada na UE. ...

AI Slop

AI slop é a produção em massa que inunda resultados de busca, feeds e caixas de entrada porque gerá-la custa quase nada. É mais um problema de distribuição do que de modelo: os modelos conseguem fazer melhor, mas ninguém pediu. Para quem publica, isso eleva a régua — texto genérico de IA hoje soa como sinal de pouco esforço. Na prática: Doze listas quase idênticas sobre o mesmo tema, e nenhuma delas responde à pergunta. ...

Alinhamento de IA

O alinhamento cobre a distância entre o objetivo que você consegue escrever e o resultado que você de fato pretende. Sistemas otimizam aquilo em que são medidos, então um objetivo mal especificado produz um comportamento tecnicamente correto e praticamente errado. RLHF e métodos constitucionais são respostas parciais atuais, não soluções. Na prática: Instruído a maximizar engajamento, um sistema de recomendação aprende que a indignação funciona.

Alucinação

Uma alucinação é conteúdo que o modelo gera por ser estatisticamente plausível, não por ser verdadeiro. É uma consequência estrutural da previsão do próximo token, e não um bug a ser corrigido: o modelo otimiza para o plausível, e plausível e verdadeiro costumam coincidir, até o momento em que deixam de coincidir. Ancoragem, recuperação e verificação reduzem o problema; nada o elimina. Na prática: Citações de processos inventadas, DOIs inventados, endpoints de API inventados — todos clássicos, todos formatados com a maior segurança. ...

API

Uma API é a forma como um software conversa com outro. Em IA, significa que você envia uma requisição com seu prompt e suas configurações e recebe a saída gerada, pagando por token. É o que transforma um modelo em um componente sobre o qual você constrói, em vez de um site que você visita. Na prática: Uma requisição HTTPS de ida, uma resposta JSON de volta, cobrada pelos tokens usados. ...

Aprendizado Autossupervisionado

O aprendizado autossupervisionado inventa uma tarefa de previsão a partir de dados sem rótulo, sendo a mais famosa delas ‘prever o próximo token’. Como o rótulo é apenas a palavra seguinte, a internet inteira vira dado de treino sem nenhuma anotação humana. É por isso que os LLMs conseguiram escalar de um jeito que os modelos supervisionados nunca conseguiram. Na prática: Esconda a última palavra de uma frase, peça ao modelo que a adivinhe, repita trilhões de vezes. ...

Aprendizado de Máquina

No aprendizado de máquina você mostra ao sistema muitos exemplos e ele mesmo deduz a regra, ajustando números internos até que suas saídas batam com os exemplos. Formalmente, o ML é um subcampo da IA, embora na prática os termos sejam usados de forma solta. A virada central é que o desenvolvedor fornece dados e um objetivo, e não a lógica. Na prática: Em vez de listar cada palavra que sinaliza fraude, você alimenta o modelo com 100,000 transações rotuladas e deixa que ele encontre os sinais. ...

Aprendizado Não Supervisionado

O aprendizado não supervisionado procura padrões sem que ninguém diga o que procurar. Os trabalhos típicos são agrupar itens parecidos, reduzir dimensões e sinalizar anomalias. Não existe nota de acurácia no sentido usual, então avaliar o resultado exige julgamento. Na prática: Segmentar clientes em grupos que ninguém definiu de antemão, apenas com base no comportamento de compra.

Aprendizado por Reforço

Um agente de aprendizado por reforço age em um ambiente, observa o que acontece e recebe um sinal de recompensa. Ao longo de muitos episódios, ele aprende uma política que maximiza a recompensa esperada. O RL está por trás de sistemas que jogam jogos e, em forma modificada, por trás da etapa de alinhamento dos modelos de chat modernos. Na prática: Um agente aprende a jogar sem que nenhuma regra seja explicada — apenas um placar que sobe ou desce. ...