Glossário de IA

Active Learning e uma abordagem onde o modelo seleciona ativamente quais dados devem ser rotulados por um humano, priorizando os exemplos mais informativos. Reduz drasticamente o custo de rotulacao.

Aprendizado Nao-Supervisionado e um paradigma de ML onde o modelo descobre padroes e estruturas ocultas em dados sem rotulos. E utilizado para agrupamento (clustering), reducao de dimensionalidade e deteccao de anomalias.

Aprendizado Supervisionado e um paradigma de Machine Learning em que o modelo e treinado com dados rotulados, ou seja, com exemplos que ja possuem a resposta correta. E utilizado em tarefas de classificacao e regressao.

Arvore de Decisao e um algoritmo de ML que toma decisoes dividindo dados em ramificacoes baseadas em condicoes. E interpretavel, intuitiva e usada tanto para classificacao quanto regressao.

AutoML (Automated Machine Learning) automatiza o processo de desenvolvimento de modelos de ML, incluindo selecao de features, escolha de algoritmo, otimizacao de hiperparametros e avaliacao. Acelera o ciclo de desenvolvimento e democratiza acesso a ML.

Bagging (Bootstrap Aggregating) e uma tecnica de ensemble que treina multiplos modelos em subconjuntos aleatorios dos dados e combina suas previsoes. Reduz a variancia e melhora a estabilidade do modelo.

Batch Size e o numero de amostras de treinamento processadas antes de uma atualizacao dos pesos do modelo. Afeta a velocidade de treinamento, uso de memoria e qualidade da convergencia.

Bias-Variance Tradeoff e o dilema fundamental de ML entre erro sistematico (bias) e sensibilidade a variacoes nos dados (variancia). O objetivo e encontrar o equilibrio que minimiza o erro total.

Boosting e uma tecnica de ensemble que treina modelos sequencialmente, onde cada modelo foca em corrigir os erros do anterior. Reduz o bias e produz modelos altamente precisos como XGBoost e AdaBoost.

Classificacao e uma tarefa de aprendizado supervisionado que consiste em atribuir uma categoria ou rotulo a um dado de entrada. Exemplos incluem deteccao de spam, diagnostico medico e reconhecimento de imagens.

Cross-Validation e uma tecnica de avaliacao de modelos que divide os dados em K partes, treinando e testando K vezes para obter uma estimativa robusta do desempenho. O mais comum e o K-Fold com K=5 ou K=10.

Curriculum Learning e uma estrategia de treinamento que apresenta dados ao modelo em ordem crescente de dificuldade, imitando o processo de aprendizado humano. Melhora convergencia e desempenho final.

Data Augmentation e a tecnica de aumentar artificialmente o volume de dados de treinamento aplicando transformacoes como rotacao, espelhamento, corte e alteracao de brilho em imagens, ou sinonimos e parafrase em texto.

Deep Learning e uma subarea do Machine Learning que utiliza redes neurais artificiais com multiplas camadas para aprender representacoes complexas de dados. E responsavel por avancos significativos em visao computacional, processamento de linguagem natural e geracao de conteudo.

Demand Forecasting com IA utiliza machine learning para prever demanda futura de produtos e servicos com alta precisao. Analisa dados historicos, sazonalidade, tendencias, eventos externos e sinais de mercado para otimizar planejamento de estoque e producao.

Epoch e uma passagem completa de todo o conjunto de dados de treinamento pelo modelo. O numero de epochs e um hiperparametro que controla quantas vezes o modelo aprende com os mesmos dados.

Feature Engineering e o processo de criar, transformar e selecionar variaveis (features) a partir de dados brutos para melhorar o desempenho de modelos de ML. E uma das etapas mais impactantes no pipeline de dados.

Feature Selection e o processo de selecionar as variaveis mais relevantes para um modelo de ML, removendo features redundantes ou irrelevantes. Melhora desempenho, reduz overfitting e acelera o treinamento.

Feature Store e um repositorio centralizado para armazenar, versionar e servir features (variaveis) utilizadas em modelos de machine learning. No contexto de MLOps, garante consistencia entre ambientes de treinamento e producao, evitando o training-serving skew.

Feature Store e um repositorio centralizado para armazenar, versionar e servir features (variaveis) utilizadas em modelos de machine learning. Garante consistencia entre treinamento e producao, evitando duplicacao de esforco na engenharia de features.

Gradient Boosting e uma tecnica de ensemble que constroi modelos sequencialmente, onde cada novo modelo corrige os erros do anterior. Produz previsoes altamente precisas e e a base de algoritmos como XGBoost e LightGBM.

Gradiente Descendente e o algoritmo de otimizacao fundamental usado para treinar modelos de ML. Ajusta iterativamente os pesos do modelo na direcao oposta ao gradiente da funcao de perda para minimizar o erro.

Hiperparametros sao configuracoes definidas antes do treinamento de um modelo de ML e que nao sao aprendidas dos dados. Incluem taxa de aprendizado, numero de camadas, batch size e forca de regularizacao.

KNN (K-Nearest Neighbors) e um algoritmo de ML que classifica novos dados com base nos K vizinhos mais proximos. E simples, intuitivo e nao-parametrico, utilizado em classificacao e regressao.

Kubernetes para ML e o uso da plataforma de orquestracao de containers para gerenciar workloads de machine learning em escala. Automatiza deploy, escalabilidade, balanceamento de carga e recuperacao de falhas para servicos de inferencia e pipelines de treinamento.

Learning Rate e a taxa que controla a magnitude das atualizacoes dos pesos durante o treinamento. Valores muito altos causam instabilidade e valores muito baixos tornam o treinamento lento.

Low-Code AI sao plataformas que permitem criar solucoes de inteligencia artificial com minima programacao. Democratizam o acesso a IA atraves de interfaces visuais de arrastar-e-soltar para treino de modelos, automacao e integracao.

Machine Learning (Aprendizado de Maquina) e uma subarea da inteligencia artificial que permite a sistemas computacionais aprenderem padroes a partir de dados, sem serem explicitamente programados. Utiliza algoritmos estatisticos para melhorar automaticamente o desempenho em tarefas especificas.

Matriz de Confusao e uma tabela que mostra o desempenho de um classificador, comparando previsoes com valores reais. Exibe verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos.

ML Pipeline e uma sequencia automatizada de etapas que compoe o fluxo de trabalho de machine learning, desde a coleta de dados ate o deploy do modelo. Inclui preprocessamento, feature engineering, treinamento, avaliacao e implantacao de forma reprodutivel.