162 artigos
Explorar guias
O MLOps aplica o pensamento de DevOps ao ML, com problemas extras: versionamento de dados, reprodutibilidade do treinamento, monitoramento de drift e pipelines de retreinamento. A percepção que ele resume é que um modelo dentro de um notebook representa mais ou menos 10% do trabalho. Na prática: Retreinamento automático disparado quando a acurácia monitorada cai abaixo de um limite.
Um model card registra o uso pretendido, o uso fora de escopo, os dados de treinamento em alto nível, os resultados de avaliação e as limitações conhecidas. Sua seção mais valiosa é justamente a que os times pulam: as limitações. Ele saiu de norma de pesquisa e virou expectativa de conformidade, tanto no NIST quanto nos frameworks da UE. Na prática: ‘Avaliado apenas em inglês. Não validado para decisões médicas.’ ...
O MCP padroniza como os modelos descobrem e chamam capacidades externas, de modo que uma ferramenta construída uma vez funcione em qualquer cliente compatível, em vez de ser reescrita para cada fornecedor. Lançado pela Anthropic no fim de 2024 e adotado de forma mais ampla desde então, é o mais próximo de um conector comum que o ecossistema de agentes tem. Na prática: Um servidor MCP para o seu sistema de tickets, utilizável a partir de qualquer assistente compatível com MCP. ...
O drift acontece porque a realidade muda: o comportamento dos clientes muda, o vocabulário muda, um concorrente lança algo novo. O modelo continua o mesmo, mas a acurácia dele decai em silêncio. O perigo é que ele falha sem dar erro, então só o monitoramento pega isso. Na prática: Uma previsão de demanda treinada antes da inflação que segue devolvendo números confiantes e errados.
Um modelo é o que você obtém ao fim do treinamento: um conjunto específico de números organizado em uma estrutura específica. É a coisa que você implanta, versiona e chama a partir de uma API. Dois modelos com a mesma arquitetura, mas com treinamentos diferentes, são modelos diferentes, e é por isso que os números de versão importam. Na prática: GPT-5.6 e Claude Opus 4.8 são modelos diferentes; cada um tem seus próprios pesos, comportamento e preço. ...
Um modelo de difusão é treinado para reverter um processo de adição de ruído. Dado um chuvisco puro e um prompt de texto, ele remove ruído iterativamente até emergir uma imagem que corresponde ao prompt. Substituiu as GANs como padrão porque treina de forma mais estável e escala melhor. Na prática: Cinquenta passos de remoção de ruído entre um chuvisco aleatório e uma ilustração pronta.
Modelo de fronteira não tem um limiar técnico preciso; significa aquilo que for mais capaz no momento e, por isso mesmo, o menos compreendido. O termo importa sobretudo em política pública, onde obrigações extras de avaliação e reporte recaem sobre a ponta mais avançada. O conceito mais próximo no EU AI Act é o de modelo de IA de finalidade geral com risco sistêmico. Na prática: A cada geração, o modelo de fronteira de ontem vira o padrão comum de hoje. ...
O Artigo 3(63) abrange modelos treinados em escala, normalmente com auto-supervisão, amplamente capazes e integráveis nas etapas seguintes da cadeia. Modelos usados apenas para pesquisa ou para prototipagem antes da entrada no mercado ficam de fora. Provedores de GPAI carregam obrigações de documentação, de política de direitos autorais e de resumo dos dados de treinamento, com deveres mais pesados quando se considera que o modelo apresenta risco sistêmico. Na prática: Um modelo de texto genérico vendido via API e embutido em mil produtos diferentes. ...
Um LLM é um transformer treinado em escala com texto, sob um objetivo enganosamente simples: adivinhar o que vem em seguida. Faça isso bem o bastante ao longo de trilhões de tokens e comportamentos como resumir, traduzir e seguir instruções emergem sem terem sido ensinados explicitamente. O pós-treinamento então molda o modelo bruto em algo que segue instruções com segurança. Na prática: GPT-5.6, Claude, Gemini e Llama são todos LLMs, e diferem em treinamento, tamanho e ajuste. ...
Pesos abertos significa que os parâmetros foram publicados, então você pode hospedar por conta própria, fazer fine-tuning e inspecionar. Não é o mesmo que open source: dados e código de treinamento costumam ficar de fora, e as licenças muitas vezes restringem uso comercial ou escala. Leia a licença antes de presumir liberdade. Na prática: Baixar os pesos para rodar um modelo inteiramente dentro da sua própria rede.