Glossário de IA

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

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.

Chain of Agents e um padrao de arquitetura onde multiplos agentes sao encadeados sequencialmente, cada um processando e enriquecendo o resultado do anterior, formando um pipeline de processamento.

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

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

Data Pipeline e uma sequencia automatizada de etapas que movem e transformam dados desde sua origem ate o destino final. Engloba processos de ingestao, limpeza, transformacao e distribuicao de dados em ambientes de analytics e inteligencia artificial.

Data Pipeline e uma sequencia automatizada de etapas que movem e transformam dados desde sua origem ate o destino final. Engloba processos de ingestao, limpeza, transformacao e distribuicao de dados em ambientes de analytics e inteligencia artificial.

ETL (Extract, Transform, Load) e o processo de extrair dados de diversas fontes, transforma-los em um formato padronizado e carrega-los em um destino como um Data Warehouse. E o padrao classico para integracao e preparacao de dados para analise.

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

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

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.

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