Percentual de previsões corretas em relação ao total avaliado.

Sequência de passos finitos usados para resolver um problema ou executar uma tarefa em IA.

Área sob a curva ROC; mede a capacidade de um modelo distinguir entre classes.

Etapa em que o modelo é medido usando métricas de desempenho como acurácia, F1, AUC e outras.

Recursos (tempo, processamento ou dinheiro) necessários para treinar ou executar um modelo.

Ação ou recomendação prática gerada a partir da inferência de um modelo.

Aprendizado de máquina com redes neurais profundas, eficaz em dados complexos como imagens e linguagem natural.

Vetores densos que representam dados (como palavras) em um espaço matemático, preservando significados e relações.

Diferença entre a previsão do modelo e o valor real esperado.

Métrica que combina precisão e recall por meio da média harmônica, útil em conjuntos de dados desequilibrados.

Regulamento europeu de proteção de dados pessoais.

Capacidade do modelo de manter bom desempenho com dados que nunca viu antes.

Estrutura formada por nós e arestas que representa relações e fluxos de dados ou conceitos.

Termo usado para se referir a e-mails legítimos (não spam).

Combina abordagens simbólicas (regras), estatísticas e conexionistas para sistemas mais robustos e explicáveis.

Uso do modelo treinado para gerar previsões ou resultados.

Tempo entre a solicitação de uma previsão e a resposta do modelo.

Lei brasileira de proteção de dados pessoais.

Modelos de linguagem de larga escala capazes de compreender e gerar texto natural.

Função que mede o quão errado está o modelo; usada para ajustar seus parâmetros.

Critérios numéricos usados para avaliar o desempenho de modelos, como acurácia, F1, AUC e MSE.

Técnica em que algoritmos aprendem padrões a partir de dados para realizar previsões ou decisões.

Mede a média dos quadrados dos erros entre valores reais e previstos.

Processamento de linguagem natural; área da IA focada em compreender e gerar linguagem humana.

Quando um modelo memoriza dados de treino e perde desempenho com novos dados.

Ver Loss.

Sequência de etapas do ciclo de IA: coleta, preparação, treino, avaliação e implantação.

Precisão: acertos entre as previsões positivas. Recall: acertos entre os positivos reais.

Atividade prática de classificação que avalia o modelo usando a métrica F1.

Coeficiente de determinação que indica quanto da variação dos dados é explicada pelo modelo.

Conjunto de leis e normas que definem regras para o uso de IA e dados.

Conjuntos explícitos de condições lógicas usadas em IA simbólica.

Aprendizado por reforço: agentes aprendem por tentativa e erro com base em recompensas.

Mensagens não solicitadas ou irrelevantes enviadas em massa.

Arquitetura baseada em atenção, fundamental nos modelos de linguagem modernos.

Impacto prático e utilidade que a IA gera no mundo real.

Modelo aprende com exemplos rotulados (entrada → rótulo).

Descobre padrões em dados sem rótulos.

Combina poucos rótulos com muitos dados não rotulados.

Agente aprende por tentativa e erro maximizando recompensas.

Redes neurais profundas para aprender representações complexas.

Neurônio artificial simples para classificação binária.

Estrutura de perguntas e respostas; interpretável.

Agrupamento por similaridade em k grupos.

Aprende valor de ações para maximizar recompensa futura.