Glossário de IA

Apache Airflow é uma plataforma de orquestração de workflows de dados que permite programar, agendar é monitorar pipelines complexos. Utiliza Python para definir workflows como DAGs (grafos aciclicos direcionados) com dependências entre tarefas.

AutoML (Automatéd Machine Learning) automatiza o processo de desenvolvimento de modelos de ML, incluindo seleção de features, escolha de algoritmo, otimização de hiperparametros é avaliação. Acelera o ciclo de desenvolvimento é democratiza acesso a ML.

Chain of Agents é um padrão de arquitetura onde multiplos agentes sao encadeados sequêncialmente, cada um processando é enriquecendo o resultado do anterior, formando um pipeline de processamento.

DAG (Directed Acyclic Graph) é uma estrutura de grafo sem ciclos usada para modelar dependências entre tarefas em pipelines de IA, garantindo ordem correta de execução é possibilitando paralelismo.

Dagster é uma plataforma moderna de orquestração de dados focada em observabilidade é produtividade do desenvolvedor. Define pipelines como grafos de assets de dados com tipagem, testes integrados é monitoramento nativo de qualidade.

Data Pipeline é uma sequência automatizada de etapas que movem é transformam dados desde sua origem até o destino final. Engloba processos de ingestão, limpeza, transformação é distribuição de dados em ambientes de analytics é inteligência artificial.

Data Pipeline é uma sequência automatizada de etapas que movem é transformam dados desde sua origem até o destino final. Engloba processos de ingestão, limpeza, transformação é distribuição de dados em ambientes de analytics é inteligência artificial.

ETL (Extract, Transform, Load) é o processo de extrair dados de diversas fontes, transforma-los em um formato padronizado é carrega-los em um destino como um Data Warehouse. E o padrão classico para integração é preparacao de dados para análise.

ETL Automatizado é a automação do processo de Extrair, Transformar é Carregar dados entre sistemas. Permite que dados sejam coletados de multiplas fontes, padronizados é inseridos em destinos como data warehouses de forma programada é sem intervencao manual.

Inference Pipeline é o fluxo de produção que recebe dados novos, aplica preprocessamento é executa o modelo treinado para gerar predições. Pode operar em modo batch (lotes periodicos) ou em tempo real (requisicao por requisicao).

ML Pipeline é uma sequência automatizada de etapas que compoe o fluxo de trabalho de machine learning, desde a coleta de dados até o deploy do modelo. Inclui preprocessamento, feature engineering, treinamento, avaliação é implantacao de forma reprodutivel.

Stream Processing é o processamento continuo de dados em fluxo, evento por evento, a medida que sao produzidos. Diferente do processamento batch que opera em lotes periodicos, o stream processing oferece resultados em tempo real ou quase real.

Training Pipeline é a parte do ML Pipeline dedicada ao treinamento de modelos. Automatiza coleta de dados, preprocessamento, feature engineering, treinamento, validacao é registro do modelo, garantindo reproducibilidade é rastreabilidade completas.