Parte V · 1 — Glossário

draft

Termos técnicos e conceituais usados no Compêndio. Conceitos metafóricos (descrevem a qualidade percebida, não um mecanismo) levam a marca [metáfora] — ver Parte I, doc 4.

A–C

  • Alinhamento — ajustar o comportamento de um modelo a valores/objetivos

    humanos (ver RLHF, cap. 29).

  • Alucinação — afirmação plausível e falsa gerada por um modelo.
  • Atenção (attention) — mecanismo que pondera a relevância de partes da

    entrada; núcleo do Transformer.

  • Auto-supervisão — aprender de dados sem rótulos (ex.: prever o próximo

    token).

  • Backpropagation — algoritmo que propaga o erro para ajustar pesos (regra da

    cadeia).

  • BPE (Byte-Pair Encoding) — tokenização por subpalavras.
  • Benchmark — teste padronizado para comparar modelos.
  • Chain-of-thought (CoT) — gerar passos de raciocínio antes da resposta.
  • CNN — rede convolucional (visão), cap. 03.
  • Consciência — [metáfora]; não implementada em IA atual.
  • Cross-entropy — perda que mede divergência entre distribuição prevista e

    real.

D–G

  • Difusão — geração por reversão de ruído, cap. 02.
  • DPO (Direct Preference Optimization) — alinhamento direto por preferências,

    sem RL explícito.

  • Drift — mudança na distribuição dos dados (data) ou da relação (concept)

    ao longo do tempo.

  • Embedding — representação vetorial densa de um item (token, imagem, usuário).
  • EDA — análise exploratória de dados (etapa 2).
  • ELBO — Evidence Lower Bound, objetivo do VAE.
  • Fine-tuning — ajuste de um modelo pré-treinado a um domínio/tarefa.
  • FlashAttention — atenção eficiente em memória.
  • Função de perda (loss) — quantidade minimizada no treino.
  • GAN — rede adversária generativa, cap. 05.
  • GNN — rede neural de grafos, cap. 11.
  • Gradiente — direção de maior crescimento da perda; usado para ajustar pesos.

H–N

  • HBM — memória de alta largura de banda das GPUs; gargalo real do treino.
  • Heurística — regra prática que guia a busca sem garantia de ótimo.
  • Hiperparâmetro — configuração definida antes do treino (ex.: learning rate).
  • In-context learning — aprender a tarefa a partir de exemplos no prompt.
  • Inferência — (a) estatística: estimar parâmetros; (b) rodar o modelo

    treinado (etapa 6).

  • KV-cache — cache de chaves/valores da atenção, acelera a inferência.
  • Leis de escala — relação previsível entre desempenho e tamanhodadoscompute.
  • LLM — modelo de linguagem grande, cap. 01.
  • LoRA — adaptação de baixo posto (fine-tuning eficiente).
  • Lucidez / sagacidade / esperteza — [metáfora]; qualidade percebida, não

    mecanismo.

  • MCTS — Monte Carlo Tree Search (busca em árvore), cap. 27.
  • MoE (Mixture-of-Experts) — roteamento esparso para escalar parâmetros.
  • MDP — processo de decisão de Markov (base do RL).

O–R

  • Overfitting — modelo decora o treino e generaliza mal.
  • Perplexidade — métrica de qualidade de modelo de linguagem (exp da

    cross-entropy).

  • Política (policy) — função que mapeia estado → ação (RL).
  • Pré-treino — fase inicial de aprendizado em grande escala.
  • Quantização — reduzir a precisão numérica (int8/int4) para baratear

    inferência.

  • RAG — geração aumentada por recuperação, cap. 31.
  • Raciocínio — na IA atual, geração de passos (CoT), não dedução formal.
  • Reflexão / *self-critique* — modelo revisando a própria saída (técnica

    real); ≠ reflexão consciente [metáfora].

  • RLHF / RLAIF — alinhamento por feedback humano/IA, cap. 29.
  • RoPE — codificação posicional rotativa.

S–Z

  • Sampling — amostragem da distribuição de saída (temperatura, top-k, top-p).
  • Scaling laws — ver leis de escala.
  • SSM — modelo de espaço de estados (Mamba), cap. 13.
  • SFT — Supervised Fine-Tuning (ajuste por instruções).
  • Speculative decoding — acelera geração prevendo vários tokens à frente.
  • Tensor — array n-dimensional; a estrutura de dados central da IA.
  • Token — unidade de entrada/saída (subpalavra, patch, trecho de áudio).
  • Transformer — arquitetura baseada em atenção; base da IA moderna.
  • VAE — autoencoder variacional, cap. 06.
  • ViT — Vision Transformer, cap. 04.
  • World model — modelo interno da dinâmica de um ambiente.