Compreender a IA, conceito a conceito.
Definições diretas ligadas a exemplos, erros frequentes, decisões técnicas e análises editoriais verificadas.
Fundamentos
Unidades, capacidades e limites básicos para compreender como funciona um sistema de IA.
Multimodalidade
Capacidad de procesar o generar más de un tipo de información, como texto, imagen, audio o vídeo.
Parámetro
Valor numérico aprendido durante el entrenamiento que contribuye a transformar entradas en salidas.
Símbolo
Unidad en la que un modelo divide una entrada o salida para procesarla y, a menudo, contabilizar contexto y uso.
Janela de contexto
Cantidad máxima de tokens que un modelo puede considerar entre entrada, historial, herramientas y salida en una solicitud.
Modelos e aprendizagem
Arquiteturas, treino e técnicas que determinam o comportamento de um modelo.
Ajuste fino: o que muda ao continuar treinando um modelo — e o que isso não garante
O ajuste fino é o treinamento adicional de um modelo previamente treinado para adaptá-lo a um objetivo específico. Este verbete explica o processo, apresenta três exemplos e distingue o conceito de outras formas de adaptar ou usar modelos.
Aprendizagem autossupervisionada: o que é e como funciona
A aprendizagem autossupervisionada gera objetivos de treinamento a partir dos próprios dados. Este guia explica o mecanismo, apresenta exemplos em linguagem, visão e áudio e esclarece seus limites e diferenças em relação a outras abordagens.
Aprendizaje por refuerzo con feedback humano
Familia de métodos que usa preferencias humanas para entrenar señales de recompensa y orientar el comportamiento de un modelo.
Dados sintéticos: o que são, como são gerados e o que não garantem
Os dados sintéticos são gerados artificialmente para preservar propriedades relevantes de dados reais com um objetivo específico. A sua origem, por si só, não demonstra que sejam úteis, de qualidade ou privados.
Destilação do conhecimento: como um modelo estudante aprende com um modelo docente e o que isso não garante
A destilação transfere sinais de treinamento de um modelo docente para um modelo estudante. Pode seguir métodos diferentes; não implica que o estudante preserve todas as capacidades nem que seja mais eficiente em qualquer ambiente.
Função de perda: o que mede durante o treinamento e o que não diz sobre um modelo
Uma função de perda quantifica, segundo um critério definido, a discrepância entre uma previsão e um objetivo. Entender o que ela penaliza — e o que fica fora dessa medida — ajuda a interpretar o treinamento sem confundi-lo com uma avaliação completa do modelo.
LoRA: como adapta um modelo com matrizes de baixo escalão e o que não garante
A LoRA adapta um modelo pré-treinado mantendo fixos os pesos originais e aprendendo matrizes adicionais de baixo escalão. Esta ficha explica o mecanismo, compara-o com outras formas de adaptação e esclarece que conclusões não podem ser tiradas apenas com base no número de parâmetros treináveis.
Mecanismo de atenção: como um modelo relaciona diferentes partes da entrada
A atenção é uma operação matemática que combina representações de acordo com sua compatibilidade. Este guia explica Q, K e V, suas variantes e seus limites, sem confundir o mecanismo com a atenção humana nem com uma explicação automática do modelo.
Modelo destilado: o que significa o rótulo — e o que ele não comprova
Um modelo destilado é o estudante resultante de um processo que transfere parte do comportamento de um modelo professor. O rótulo descreve uma relação de treinamento, não uma garantia de equivalência, qualidade ou eficiência.
Modelo fundacional
Modelo entrenado a gran escala sobre datos amplios y adaptable a múltiples tareas posteriores.
Pré-treinamento: o que um modelo aprende antes de ser adaptado
O pré-treinamento é uma fase de treinamento anterior a determinados usos ou adaptações. Seu objetivo, os dados utilizados e sua relação com outras etapas dependem do modelo: não existe uma receita universal, e essa fase, por si só, não garante que o sistema seja confiável.
Sobreajuste
Situación en la que un modelo se adapta demasiado a los datos de entrenamiento y pierde rendimiento ante casos nuevos.
Transformer
Arquitectura neuronal basada principalmente en atención que procesa relaciones entre elementos de una secuencia o varias modalidades.
Geração e interação
Conceitos usados ao pedir, controlar e validar uma resposta gerada.
Aprendizaje con pocos ejemplos
Uso de unos pocos ejemplos dentro de la petición para mostrar al modelo la tarea, el criterio o el formato esperado.
Aprendizagem em contexto (ICL): como um modelo responde aos exemplos do prompt
A aprendizagem em contexto permite orientar a resposta de um modelo com instruções e exemplos incluídos na entrada. Saiba o que significa, como testá-la e em que difere do treinamento e de outros métodos.
Cadeia de pensamento em IA: o que é e o que não demonstra
Uma cadeia de pensamento é uma sequência de etapas intermediárias expressas em texto, que um modelo gera ou recebe como exemplo. Ela pode ajudar a estruturar uma tarefa e tornar algumas etapas visíveis, mas sua coerência não prova que estejam corretas nem que reflitam fielmente o processo interno que produziu a resposta.
Engenharia de contexto: como selecionar e manter as informações recebidas por um sistema de IA
A engenharia de contexto consiste em decidir de quais informações um modelo precisa para realizar uma tarefa, como obtê-las e como mantê-las pertinentes durante a execução. Não é o mesmo que escrever um prompt mais longo: também envolve selecionar documentos, usar ferramentas e gerenciar o estado do sistema.
Prompt
Conjunto de instrucciones y contexto entregado a un modelo para orientar una tarea y su formato de salida.
Razonamiento en modelos
Capacidad observable de combinar información, restricciones y pasos intermedios para resolver una tarea.
saída estruturada
Respuesta que debe ajustarse a un esquema definido para poder validarse y procesarse de forma automática.
Temperatura
Parámetro de muestreo que modifica la distribución de probabilidad usada para seleccionar los siguientes tokens.
Dados e conhecimento
Como os dados são representados, recuperados e ligados a respostas verificáveis.
Base de dados vetorial: o que armazena e como pesquisa por similaridade
Uma base de dados vetorial armazena representações numéricas e permite recuperar as mais próximas de uma consulta. Não gera necessariamente os embeddings nem decide, por si só, quais resultados são relevantes.
Búsqueda semántica
Recuperación de información basada en relaciones de significado, normalmente combinada con filtros o búsqueda léxica.
Incorporação
Representación numérica que sitúa elementos en un espacio donde ciertas relaciones pueden medirse por proximidad.
Fragmentación de documentos
División de documentos en unidades recuperables que conservan suficiente contexto para responder preguntas.
Fonte primária: o que é, como identificá-la e o que pode demonstrar
Uma fonte é primária em relação a uma pergunta quando apresenta diretamente o objeto, os dados, o método ou a decisão que se pretende estudar. Essa condição não garante que seja verdadeira, imparcial ou suficiente: é preciso avaliar o que afirma e quais são os seus limites.
Generación aumentada por recuperación (RAG)
Patrón que recupera información externa relevante y la incorpora al contexto antes de generar una respuesta.
Grounding
Conexión de una respuesta con datos recuperados, observaciones, herramientas o fuentes externas que pueden comprobarse.
Reordenação de resultados (Reranking): definição, funcionamento e limites em sistemas de recuperação
O reranking é a segunda etapa de pontuação em sistemas de recuperação que avalia pares de consulta e documento para melhorar a precisão. Esta ficha explica seu funcionamento técnico, diferencia entre arquiteturas de uma única etapa e duas etapas, e analisa seus limites operacionais em pipelines RAG e busca semântica.
Agentes e automatização
Ferramentas, memória e padrões para sistemas capazes de executar tarefas.
Agente de IA: o que é, como funciona e como se diferencia de um chatbot
Um agente de IA é um sistema que persegue um objetivo observando o seu ambiente e escolhendo ações. Este guia explica o seu ciclo de funcionamento, os seus limites e as diferenças em relação a um chatbot ou a uma automação fixa.
Llamada a herramientas
Mecanismo por el que un modelo selecciona una operación y propone argumentos estructurados para que la aplicación la ejecute.
Memoria de agente
Mecanismo para conservar y recuperar estado relevante entre pasos o sesiones de un sistema basado en modelos.
Model Context Protocol (MCP): o que conecta, como funciona e o que não garante
O MCP é um padrão aberto de integração para conectar aplicações de IA a sistemas externos, dados e ferramentas. Este verbete explica o que é possível afirmar com as fontes disponíveis, apresenta exemplos condicionais e diferencia o protocolo de uma API, da chamada de ferramentas e de um agente.
Avaliação
Métodos para medir qualidade, custo, robustez e utilidade em condições reproduzíveis.
Benchmark em inteligência artificial: o que mede e o que uma pontuação demonstra
Um benchmark é uma avaliação definida por tarefas, dados, protocolo e métricas. Sua pontuação descreve o desempenho nessas condições específicas; por si só, não comprova uma capacidade geral nem garante resultados em produção.
Contaminación de datos
Presencia total o parcial de datos de evaluación en el entrenamiento, ajuste o contexto previo de un modelo.
Evaluación de IA
Prueba reproducible que mide un comportamiento mediante casos, condiciones, métricas y una rúbrica explícita.
Generalización
Capacidad de mantener un comportamiento útil ante ejemplos o condiciones que no coinciden exactamente con los datos de entrenamiento.
Incertidumbre
Grado de falta de certeza sobre una predicción, una respuesta, la evidencia disponible o la validez de una medición.
Modelo como juiz (LLM-as-a-judge): o que avalia e que vieses verificar
Um modelo como juiz usa um modelo de linguagem para avaliar respostas ou ações com base em critérios explícitos. Este guia explica o processo, distingue diferentes tipos de julgamento e mostra o que convém verificar antes de confiar nos resultados.
Reproducibilidad
Capacidad de repetir una evaluación con versiones, datos, configuración y procedimiento documentados y obtener resultados compatibles.
Robustez
Capacidad de mantener un comportamiento aceptable ante variaciones, ruido, casos extremos o intentos de manipulación.
Rúbrica de evaluación
Conjunto explícito de criterios y niveles que convierte una valoración en una puntuación interpretable y repetible.
Segurança e governação
Riscos, controlos e responsabilidades ao longo de todo o ciclo de vida.
Alucinação em IA: o que significa e como reconhecer uma resposta sem respaldo
Uma resposta fluente não é necessariamente correta. Este guia explica o que se entende por alucinação em IA, como distingui-la de outros erros e que verificações ajudam a avaliar afirmações específicas.
Guardrail em IA: o que controla, onde atua e o que não garante
Um guardrail é um controle que verifica entradas, saídas ou ações de um sistema de IA com base em uma política definida. Seu alcance depende do que analisa e de quando intervém: pode reduzir certos riscos, mas, por si só, não demonstra que todo o sistema seja seguro.
Humano no circuito (HITL): o que uma pessoa decide e o que sua intervenção não garante
HITL descreve um projeto em que uma pessoa intervém em um ponto definido de um sistema automatizado. O rótulo, por si só, não informa que autoridade ela tem nem garante que consiga detectar erros.
Injeção de instruções
Ataque o interferencia en la que contenido no confiable intenta desviar al sistema de sus reglas u objetivo legítimo.
Moderación
Clasificación y tratamiento de contenido según políticas de seguridad, uso aceptable o requisitos legales.
Princípio do menor privilégio: o que significa e como aplicá-lo a sistemas de IA
O princípio do menor privilégio limita cada identidade — pessoa, processo ou serviço — às permissões necessárias para a sua tarefa. Em sistemas de IA, orienta o acesso de agentes, ferramentas e serviços, mas não substitui a autenticação nem garante, por si só, que o modelo atue de forma segura.
Testes Adversariais: definição, metodologia e limites em sistemas de IA
Os testes adversariais em IA são uma disciplina de avaliação intencional que busca romper as garantias de um sistema por meio de entradas hostis ou cenários projetados. Esta ficha define o conceito, distingue a prática manual da automação, detalha o ciclo de vida técnico e analisa seus limites inerentes de cobertura e reprodutibilidade.
Supervisión humana
Capacidad efectiva de personas responsables para comprender, vigilar, intervenir y detener un sistema cuando sea necesario.
Verificación de hechos
Proceso de contrastar afirmaciones verificables con evidencia identificable, vigente y suficientemente autorizada.
Operação e infraestrutura
Técnicas para implementar, otimizar e observar sistemas de IA em produção.
Cache de contexto em IA: o que reutiliza e o que não significa «lembrar»
Uma cache pode conservar cálculos do modelo para evitar repeti-los. Esta ficha distingue a cache KV da cache de prefixos, explica quando são reutilizadas e esclarece os seus limites.
Quantização em IA: o que muda ao reduzir a precisão numérica
A quantização representa números com menos níveis para reduzir o uso de recursos, mas “4 bits” não basta para prever a memória, a velocidade nem a qualidade de um modelo.
Inferência em IA: o que acontece quando um modelo processa uma entrada
Inferência é o uso de um modelo já treinado para calcular uma saída a partir de uma entrada. Pode resultar em uma classe, uma pontuação, uma representação ou conteúdo gerado; isso não garante que o resultado esteja correto.
Latência em IA: que intervalo é medido e por que o marco da resposta importa
Latência é o tempo entre um início e um fim definidos. Saiba distinguir o primeiro resultado, a resposta completa e o tempo percebido por quem usa uma aplicação de IA.
Rendimiento de procesamiento
Cantidad de trabajo que un sistema completa por unidad de tiempo, por ejemplo solicitudes o tokens por segundo.
Tente outra palavra, um alias ou uma área diferente.