Glossário de IA

A/B Testing e um metodo experimental que compara duas versoes de um elemento (pagina, e-mail, funcionalidade) para determinar qual performa melhor. Divide usuarios aleatoriamente entre grupos e mede a diferenca estatistica nos resultados.

A/B Testing com IA utiliza machine learning para automatizar e otimizar testes de variacoes de paginas, emails e anuncios. A IA determina vencedores mais rapido, aloca trafego dinamicamente e identifica segmentos que respondem melhor a cada variante.

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

Cost Optimization em IA e o conjunto de estrategias para reduzir custos de infraestrutura e operacao de modelos sem comprometer a qualidade. Inclui escolha de hardware, otimizacao de modelos, auto-scaling inteligente e gestao eficiente de recursos cloud.

CPA (Cost Per Acquisition) e a metrica que calcula o custo medio para adquirir um cliente ou conversao. Com IA, e possivel otimizar lances automaticamente para atingir o CPA alvo, usando modelos preditivos que consideram centenas de sinais em tempo real.

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

CRO (Conversion Rate Optimization) e a disciplina de otimizar taxas de conversao em assets digitais usando dados e experimentacao. Com IA, o CRO se torna mais eficiente, usando machine learning para priorizar testes, prever resultados e personalizar experiencias.

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.

Digital Twin e uma replica virtual de um objeto, processo ou sistema fisico que utiliza IA e dados em tempo real para simular comportamento, prever falhas e otimizar operacoes. Aplicado em manufatura, cidades, saude e logistica.

DPO (Direct Preference Optimization) e 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 preferencia humana, sendo mais estavel e eficiente.

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

Flash Attention e uma implementacao otimizada do mecanismo de atencao que reduz acesso a memoria GPU usando tiling e recomputacao. Acelera treinamento e inferencia de Transformers em 2-4x com menor consumo de memoria sem alterar o resultado matematico.

Funnel Analysis e a tecnica de analisar a jornada do usuario atraves de etapas sequenciais de um processo, identificando onde ocorrem as desistencias. Essencial para otimizar conversoes em vendas, cadastros, checkout e qualquer processo com etapas definidas.

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

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

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.

KV Cache (Key-Value Cache) e uma tecnica de otimizacao de inferencia em Transformers que armazena os vetores Key e Value ja computados para evitar recalculo a cada novo token gerado. Essencial para inferencia rapida mas consome memoria significativa.

Landing Page Optimization com IA usa machine learning para testar e melhorar elementos de paginas de destino. Otimiza layouts, headlines, imagens, formularios e CTAs automaticamente para maximizar taxas de conversao com base em dados de comportamento.

Latencia e o tempo decorrido entre o envio de uma requisicao e o recebimento da resposta. Em IA, mede quanto tempo um modelo leva para retornar uma predicao. Baixa latencia e critica para aplicacoes em tempo real como chatbots, fraude e recomendacoes.

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.

llms.txt e um arquivo padrao colocado na raiz de sites para fornecer informacoes estruturadas a modelos de linguagem e crawlers de IA. Similar ao robots.txt para buscadores, orienta LLMs sobre conteudo, estrutura e permissoes de uso do site.

Loss Function (Funcao de Perda) e a funcao matematica que mede o erro entre as previsoes do modelo e os valores reais. Guia o processo de treinamento indicando o quanto o modelo precisa melhorar.

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

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

Process Mining e a tecnica que utiliza dados de logs de sistemas para descobrir, monitorar e otimizar processos reais de negocio. Permite visualizar como os processos realmente funcionam, identificar gargalos e oportunidades de melhoria com base em dados concretos.

Prompt Engineering e a pratica de projetar e otimizar instrucoes (prompts) enviadas a modelos de IA generativa para obter respostas mais precisas, relevantes e uteis. Envolve tecnicas como estruturacao de contexto, exemplos e restricoes.

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

Quantizacao 4-bit e 8-bit e a tecnica de reduzir a precisao numerica dos pesos de modelos de IA de 32 ou 16 bits para 4 ou 8 bits. Diminui drasticamente o uso de memoria e acelera inferencia, permitindo rodar LLMs grandes em hardware mais acessivel.

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