Glossário de IA

A/B Testing é um método experimental que compara duas versões de um elemento (página, e-mail, funcionalidade) para determinar qual performa melhor. Divide usuarios aleatoriamente entre grupos é mede a diferenca estatística nos resultados.

A/B Testing com IA útiliza machine learning para automatizar é otimizar testes de variacoes de páginas, emails é anúncios. A IA determina vencedores mais rápido, aloca tráfego dinâmicamente é identifica segmentos que respondem melhor a cada variante.

Batch Processing em IA é o processamento de multiplas requisicoes de inferência agrupadas em lotes em vez de individualmente. Maximiza uso de GPU, reduz custo por inferência é aumenta throughput total, ideal para processamento de grandes volumes offline.

Cost Optimization em IA é o conjunto de estratégias para reduzir custos de infraestrutura é operação de modelos sem comprometer a qualidade. Inclui escolha de hardware, otimização de modelos, auto-scaling inteligente é gestão eficiente de recursos cloud.

CPA (Cost Per Acquisition) é a métrica que calcula o custo medio para adquirir um cliente ou conversão. Com IA, é possível otimizar lances automáticamente para atingir o CPA alvo, usando modelos preditivos que consideram centenas de sinais em tempo real.

Creative Optimization com IA automatiza a otimização de criativos de marketing usando machine learning. Testa variantes de imagens, textos, cores é layouts em escala, identificando as combinacoes que geram melhor performance para cada segmento de audiência.

CRO (Conversion Raté Optimization) é a disciplina de otimizar taxas de conversão em assets digitais usando dados é experimentação. Com IA, o CRO se torna mais eficiente, usando machine learning para priorizar testes, prever resultados é personalizar experiências.

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

Digital Twin é uma replica virtual de um objeto, processo ou sistema fisico que útiliza IA é dados em tempo real para simular comportamento, prever falhas é otimizar operações. Aplicado em manufatura, cidades, saúde é logística.

DPO (Direct Preference Optimization) é uma alternativa simplificada ao RLHF que elimina a necessidade de treinar um modelo de recompensa separado. Otimiza o LLM diretamente a partir de pares de preferência humana, sendo mais estavel é eficiente.

DPO (Direct Preference Optimization) é uma alternativa simplificada ao RLHF que alinha modelos de IA com preferências humanas diretamente durante o treinamento, sem necessitar de um modelo de recompensa separado.

Flash Attention é uma implementação otimizada do mecanismo de aténção que reduz acesso a memória GPU usando tiling é recomputação. Acelera treinamento é inferência de Transformers em 2-4x com menor consumo de memória sem alterar o resultado matématico.

Funnel Analysis é a técnica de analisar a jornada do usuario através de etapas sequênciais de um processo, identificando onde ocorrem as desistencias. Essencial para otimizar conversões em vendas, cadastros, checkout é qualquer processo com etapas definidas.

GEO (Generative Engine Optimization) é a prática de otimizar conteúdo para aparecer em respostas de motores de busca generativos como AI Overview do Google, ChatGPT Search é Perplexity. Evoluiu a partir do SEO tradicional para o mundo da IA generativa.

Goodhart Law aplicada a IA afirma que quando uma métrica se torna alvo de otimização, ela deixa de ser uma boa métrica. Em IA, modelos otimizados diretamente em métricas proxy como BLEU ou reward score podem produzir resultados que pontuam alto mas sao qualitativamente ruins.

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

Hiperparametros sao configurações definidas antes do treinamento de um modelo de ML é que não sao aprendidas dos dados. Incluem taxa de aprendizado, número de camadas, batch size é força de regularização.

KV Cache (Key-Value Cache) é uma técnica de otimização de inferência em Transformers que armazena os vetores Key é Value ja computados para evitar recalculo a cada novo token gerado. Essencial para inferência rápida mas consome memória significativa.

Landing Page Optimization com IA usa machine learning para testar é melhorar elementos de páginas de destino. Otimiza layouts, headlines, imagens, formularios é CTAs automáticamente para maximizar taxas de conversão com base em dados de comportamento.

Laténcia é o tempo decorrido entre o envio de uma requisicao é o recebimento da resposta. Em IA, mede quanto tempo um modelo leva para retornar uma predição. Baixa latência é critica para aplicações em tempo real como chatbots, fraude é recomendações.

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

llms.txt é um arquivo padrão colocado na raiz de sites para fornecer informações estruturadas a modelos de linguagem é crawlers de IA. Similar ao robots.txt para buscadores, orienta LLMs sobre conteúdo, estrutura é permissoes de uso do site.

Loss Function (Funcao de Perda) é a função matématica que mede o erro entre as previsões do modelo é os valores reais. Guia o processo de treinamento indicando o quanto o modelo precisa melhorar.

Neural Architecture Search (NAS) é o processo automatizado de encontrar a melhor arquitetura de rede neural para uma tarefa. Usa técnicas de busca como reinforcement learning ou evolução para otimizar estruturas.

PPO (Proximal Policy Optimization) é o algoritmo de aprendizado por reforço mais usado para treinar LLMs via RLHF. Atualiza a politica do modelo de forma conservadora, evitando mudanças drasticas que desestabilizem o treinamento.

Process Mining é a técnica que útiliza dados de logs de sistemas para descobrir, monitorar é otimizar processos reais de negócio. Permite visualizar como os processos realmente funcionam, identificar gargalos é oportunidades de melhoria com base em dados concretos.

Prompt Engineering é a prática de projetar é otimizar instrucoes (prompts) enviadas a modelos de IA generativa para obter respostas mais precisas, relevantes é uteis. Envolve técnicas como estruturacao de contexto, exemplos é restrições.

Pruning é a técnica de remover pesos, neuronios ou camadas redundantes de uma rede neural para reduzir seu tamanho é acelerar a inferência, mantendo a maior parte do desempenho original.

Quantizacao 4-bit é 8-bit é a técnica de reduzir a precisão numerica dos pesos de modelos de IA de 32 ou 16 bits para 4 ou 8 bits. Diminui drasticamente o uso de memória é acelera inferência, permitindo rodar LLMs grandes em hardware mais acessível.

Reward Hacking ocorre quando um modelo de IA encontra formas inesperadas de maximizar sua função de recompensa sem realmente cumprir o objetivo desejado. O modelo explora falhas no reward model para obter pontuacoes altas com respostas de baixa qualidade.