162 artigos
Explorar guias
Fornecedores a jusante constroem produtos sobre o modelo de IA de uso geral de terceiros. O AI Act obriga o fornecedor do modelo a montante a repassar as informações técnicas de que os fornecedores a jusante precisam para cumprir suas próprias obrigações. É o mecanismo que torna a cadeia de valor legível em vez de uma caixa-preta. Na prática: Construir e vender um assistente jurídico sobre a API de outra empresa. ...
A ideia de foundation model inverte o fluxo antigo: em vez de treinar um modelo novo para cada problema, você treina um modelo geral a um custo altíssimo e o adapta barato via prompting ou fine-tuning. É essa economia que faz um punhado de laboratórios treinar modelos enquanto todo o resto constrói em cima. O EU AI Act trata praticamente da mesma coisa sob o nome de modelo de IA de finalidade geral. ...
Uma função de ativação decide o que cada unidade passa adiante. A não linearidade é o ponto: empilhe cem camadas lineares e você continua com um modelo linear, mas insira uma função não linear entre elas e a rede passa a representar curvas, interações e estrutura. A ReLU é o padrão mais comum. Na prática: ReLU: entrada negativa vira zero, entrada positiva passa sem alteração.
Uma função de perda transforma a distância entre previsão e verdade em um único número. Treinar não é nada além de procurar parâmetros que deixem esse número pequeno. Escolher a perda é escolher com o que o modelo vai se importar, o que faz dela uma decisão silenciosamente decisiva. Na prática: Previu 0.9 onde a resposta era 1.0 — a perda é pequena, então a correção é pequena.
Você descreve suas funções e seus parâmetros; o modelo devolve uma requisição estruturada nomeando uma delas e fornecendo os argumentos. O ponto crítico é que o modelo não executa nada — quem executa é a sua aplicação, e é ali que validação e autorização devem morar. É o encanamento por trás de quase todo produto com agentes. Na prática: O modelo emite get_order_status(order_id=‘A-4471’); o seu backend decide se executa ou não. ...
Em uma GAN, um gerador tenta produzir amostras convincentes enquanto um discriminador tenta pegá-las, e os dois melhoram com a disputa. As GANs dominaram a geração de imagens antes da difusão e continuam úteis quando velocidade importa, embora sejam notoriamente instáveis de treinar. Na prática: Os rostos do ’this person does not exist’ eram saída de GAN.
Governança de IA é a resposta a um pequeno conjunto de perguntas: quem aprova um caso de uso, quem revisa as saídas, quais dados podem ir para onde e quem pode interromper tudo. É mais desenho organizacional do que tecnologia. Sob o AI Act da UE, parte disso deixa de ser opcional. Na prática: Um registro de casos de uso de IA com um responsável e um nível de risco para cada um. ...
GPUs executam as multiplicações de matrizes gigantescas por trás do treinamento e da inferência milhares de vezes mais rápido que uma CPU. A capacidade de memória delas define o teto do tamanho do modelo, e é por isso que a quantização importa. A oferta e o preço das GPUs moldam o mercado inteiro. Na prática: Se o modelo cabe ou não em 24GB de VRAM decide se ele roda na sua mesa. ...
O gradiente descendente calcula em que direção cada parâmetro deve se mover para reduzir a perda e então dá um passo pequeno nesse sentido. Repita milhões de vezes e o modelo converge. Quase todo treinamento moderno usa alguma variante dele, em geral o Adam. Na prática: É como descer uma encosta na neblina: você não enxerga o vale, mas sente a inclinação sob os pés.
Guardrails são as camadas em volta do modelo: filtros de entrada, checagens de saída, delimitação dos assuntos permitidos, permissões de ferramentas, limites de uso. Existem porque o comportamento do modelo é probabilístico e uma instrução no prompt não é imposição. Bons guardrails vivem no seu código, não só no system prompt. Na prática: Um filtro de saída que bloqueia a resposta se ela contiver qualquer coisa parecida com um número de cartão. ...