162 artigos
Explorar guias
O Artigo 4 exige que fornecedores e implantadores adotem medidas para garantir um nível suficiente de letramento em IA entre as pessoas que lidam com sistemas de IA, levando em conta seu papel, o contexto e as pessoas afetadas. Esta é uma das poucas obrigações que recai sobre praticamente toda organização que usa IA no trabalho, e não apenas sobre as de alto risco. Não há currículo prescrito, então a exigência é proporcional, não um checklist. ...
O LLMOps desloca as preocupações porque, em geral, você não está treinando o modelo. O que você versiona, testa e monitora são prompts, recuperação, definições de ferramentas, evals, latência, gasto e segurança das saídas. A disciplina de fundo é a mesma: nada vai para produção sem um teste que pegaria a falha. Na prática: Toda mudança de prompt roda a suíte de evals no CI antes de chegar à produção. ...
O loop agêntico é a estrutura de controle que transforma um modelo sem estado em algo que entrega trabalho. Cada passagem devolve o resultado da última ação para a próxima decisão, então o agente consegue se recuperar de falhas. Loops precisam de condições de parada explícitas, ou o agente vai tentar de novo alegremente para sempre e cobrar você por isso. Na prática: Buscar → ler o resultado → perceber que está errado → refinar a consulta → tentar de novo. ...
O LoRA congela os pesos do modelo base e aprende um número pequeno de parâmetros extras ao lado deles. O resultado é um arquivo de adaptador leve — megabytes, não gigabytes — que pode ser trocado por tarefa e treinado em hardware modesto. É por isso que o fine-tuning deixou de ser privilégio exclusivo dos grandes laboratórios. Na prática: Um modelo base mais cinco adaptadores LoRA atendendo a cinco vozes de marca. ...
A marca d’água enviesa a geração para que um padrão estatístico ou visual oculto possa ser detectado depois. É uma medida parcial: marcas em imagens sobrevivem a uma edição leve, mas não a uma remoção determinada, e marcas em texto enfraquecem com paráfrase. O AI Act da UE empurra os provedores para uma marcação de conteúdo sintético legível por máquina. Na prática: Um padrão nos pixels gerados que um detector consegue ler, mas um espectador não consegue ver. ...
A marcação CE é a conhecida marca europeia de conformidade estendida à IA. Afixá-la é uma declaração legal do fornecedor de que o sistema atende aos requisitos e de que existe documentação para provar isso. É uma declaração, não um certificado que alguém entrega a você. Na prática: O mesmo princípio que rege uma chaleira agora vale para um sistema de triagem de currículos.
A atenção calcula, para cada token, quanto cada um dos outros tokens deve influenciá-lo. A self-attention faz isso dentro de uma mesma sequência e é o núcleo do transformer. Seu custo cresce de forma quadrática com o comprimento da sequência, que é exatamente por que janelas de contexto longas são caras e por que tanta pesquisa mira nesse gargalo. Na prática: Ao ler uma cláusula de contrato, o modelo presta muita atenção ao termo definido três páginas antes. ...
Os modelos não guardam estado, então a memória é algo que você constrói: estado de curto prazo dentro de uma tarefa e armazenamento de longo prazo recuperado quando é relevante. Sem ela, um agente reaprende os mesmos fatos a cada sessão. Com ela, você herda perguntas sobre precisão, desatualização e proteção de dados. Na prática: Lembrar, de uma sessão para a outra, que este cliente quer inglês britânico e nada de listas com marcadores. ...
O meta-prompting entrega a tarefa de escrever prompts ao próprio modelo: peça que ele rascunhe um prompt e, em seguida, que aponte as ambiguidades dele. Funciona porque os modelos costumam ser melhores em detectar o que ficou subespecificado do que as pessoas são em evitá-lo. Combine com avaliação de verdade, ou você estará apenas gerando prompts que soam convincentes. Na prática: ‘Aqui está meu prompt e três saídas ruins. O que há de ambíguo nele?’ ...
Um modelo mixture-of-experts contém muitas sub-redes especializadas e um roteador que escolhe algumas delas por token. A contagem total de parâmetros continua enorme enquanto a computação por token continua modesta, o que desacopla capacidade de custo de inferência. É por isso que alguns modelos muito grandes são surpreendentemente baratos de servir. Na prática: Um modelo de 400B de parâmetros que só roda o equivalente a 40B de computação por token. ...