Glossário de IA para gestores

Termos sobre dados — porque qualidade de dados determina sucesso de IA

Dataset: Conjunto de dados históricos usado para treinar modelo IA. Exemplo: 10 mil emails com classificação "spam" ou "legítimo" é dataset. Tamanho e qualidade do dataset determinam se IA aprende bem ou não.

Dados estruturados vs. não-estruturados: Estruturados = organizados em tabelas (coluna: nome, idade, cidade). Não-estruturados = texto livre, imagem, vídeo, áudio. IA moderna funciona melhor com não-estruturado; histórico requeria estruturado.

Labeled data (dados rotulados): Dados históricos onde resposta correta já foi documentada. Exemplo: foto de gato com label "gato", foto de cachorro com label "cachorro". Necessário para IA supervisionada aprender.

Features (características): Variáveis que IA usa para fazer previsão. Se vai prever evasão de cliente, features podem ser: tempo de contrato, frequência de uso, reclamações registradas. Escolher boas features é arte e ciência.

Bias (viés) em dados: Dados históricos que refletem preconceito ou desequilíbrio. Exemplo: dataset de fotos faciais com 90% rostos brancos. IA treinada vai funcionar mal com faces de outras etnias. Viés em dados causa viés em modelo.

Data leakage (vazamento de dados): Quando informação do resultado final "vaza" para dados de treino acidentalmente. Modelo aprende a resposta "certa" não por padrão real, mas por acesso a informação que não teria em cenário real. Destrui validação de modelo.

Termos sobre modelo — como IA funciona internamente

Modelo: Estrutura matemática que IA usa para fazer previsão/decisão. Pense como "cérebro" que aprendeu padrões. Um modelo treinado é arquivo que você pode usar para fazer previsão instantânea.

Algoritmo: Passo-a-passo matemático de como modelo aprende ou faz previsão. Exemplo: regressão linear, árvore de decisão, rede neural. Não confunda com modelo; algoritmo é "receita", modelo é "bolo já feito".

Parâmetros: Números internos que IA ajusta durante treinamento para fazer previsão mais precisa. Pense como "memória" do modelo. Modelo grande pode ter bilhões de parâmetros. Não precisa entender valores; precisa entender que são esses números que diferem um modelo treinado de outro.

Hiperparâmetros: Configurações que você define antes de treinar (velocidade de aprendizado, número de camadas). Diferente de parâmetros que modelo aprende sozinho. Analogia: parâmetros = receita; hiperparâmetros = temperatura do forno (você escolhe, afeta resultado).

Treinamento: Processo de alimentar dados históricos ao modelo para que ajuste parâmetros. Iterativo: vê dado, faz previsão, compara com resultado real, ajusta. Repete 1000x até convergir. Analogia: aprender a dirigir — pratica mil vezes até ficar bom.

Inferência: Usar modelo treinado para fazer previsão em dado novo. Rápido (milissegundos) e barato. Treinamento é caro e lento; inferência é barata e rápida. Analogia: estudar é caro (treino); prova é rápida (inferência).

Termos sobre performance — como saber se modelo funciona

Acurácia: Percentual de previsões corretas. Se modelo prevê 100 diagnósticos e 85 estão corretos, acurácia é 85%. Métrica simples, mas enganosa se classes desbalanceadas (ex: 99% sem doença, 1% com doença — modelo que só diz "sem doença" tem 99% acurácia, mas é inútil).

Precisão e Recall: Duas métricas diferentes, frequentemente confundidas. Precisão = "de tudo que modelo disse positivo, quanto estava realmente correto". Recall = "de tudo que era realmente positivo, quanto modelo acertou". Analogia médica: precisão = evitar falso-positivo (não preocupar paciente saudável); recall = evitar falso-negativo (não deixar doente sem tratamento). Trade-off: aumentar um diminui o outro.

F1-score: Balanceamento entre precisão e recall. Métrica única que combina as duas. Útil quando você quer um número que representa "performance geral".

AUC (Area Under the Curve): Métrica que mede capacidade de modelo em ranking de previsão. Bom para comparar modelos. Varia de 0 a 1; maior é melhor.

Matriz de confusão: Tabela 2x2 que mostra verdadeiro-positivo, falso-positivo, verdadeiro-negativo, falso-negativo. Ajuda visualizar aonde modelo erra. Não é métrica única; é ferramenta para entender erros.

Termos sobre tipo de aprendizado — como modelo aprende

Supervisionado: Treino com dados labeled (resposta correta conhecida). Modelo aprende mapeamento entrada?saída. Exemplo: treinar com emails rotulados como spam/não-spam. Maioria dos casos corporativos é supervisionado.

Não-supervisionado: Treino sem labels. Modelo encontra padrão sozinho. Exemplo: agrupar clientes por comportamento de compra sem dizer qual grupo é "bom" cliente. Útil para exploração, menos usado em produção corporativa.

Semi-supervisionado: Mix: algumas linhas labeled, maioria não. Útil quando rotular tudo é caro (ex: rotular 10 mil imagens é caro; rotular 100 é viável). Modelo aprende com ambas.

Aprendizado por reforço: Modelo aprende via tentativa-erro com recompensa/punição. Exemplo: algoritmo para jogar xadrez aprende que vitória = recompensa, derrota = punição. Pouco usado em negócio corporativo (complexo, caro). Mais em pesquisa.

Termos sobre validação — como evitar que IA quebre em produção

Overfitting: Modelo memoriza dados de treino em vez de aprender padrão geral. Funciona perfeito em treino, falha em dado novo. Analogia: aluno que decora prova em vez de entender matéria. Detecção: performance em treino alto, em validação baixo.

Underfitting: Modelo é tão simples que não aprende nem padrão óbvio. Performance ruim em treino e validação. Solução: modelo mais complexo, mais dados, mais tempo de treino.

Validação cruzada: Técnica para validar modelo sem separação simples treino/teste. Divide dados em N partes, treina N vezes deixando uma parte para teste cada vez. Mais robusto que uma divisão.

Conjunto de treino/teste/validação: Divisão de dados: treino (aprende), validação (ajusta hiperparâmetros), teste (validação final, nunca toca durante treino). Proporção típica: 70% treino, 15% validação, 15% teste.

Termos sobre IA generativa — porque é diferente de IA tradicional

Token: Unidade de texto que modelo entende. Não é palavra — é pedaço menor. "Gato" pode ser 1 token; "desdobramento" pode ser 2–3. Importante porque cobrada por token (ChatGPT cobra por 1000 tokens, não por palavra).

Temperatura: Controle de "criatividade" de modelo. Baixa (0.0–0.3) = resposta previsível, focada, boa para fato; alta (0.7–1.0) = resposta criativa, variável, boa para brainstorm. Analogia: temperatura = "quanto de risco o modelo toma".

Prompt: Instruções que você dá ao modelo generativo. Exemplo: "Resuma esse contrato em 3 frases". Qualidade de prompt afeta qualidade de resposta. "Prompt engineering" é habilidade de escrever instruções que geram melhor resposta.

Hallucination (alucinação): Quando modelo generativo inventa informação falsa com confiança. Exemplo: ChatGPT inventa citação que não existe. Risco em IA generativa. Mitigação: sempre validar output com fonte.

Chain-of-thought: Técnica onde você pede ao modelo para "pensar passo a passo" antes de responder. Exemplo: em vez de "2+3=?", você pede "Explique como somar 2+3". Melhora acurácia, especialmente em tarefas complexas.

Fine-tuning: Treinar modelo pré-treinado com seus dados específicos para melhorar performance em tarefa sua. Mais rápido e barato que treinar do zero. Exemplo: pegar GPT-3.5 e treinar com seus emails para melhorar tom corporativo.

Termos sobre ética e governança — porque IA precisa de supervisão

Viés: Quando modelo toma decisão que favorece ou prejudica grupo específico injustamente. Origem pode ser viés em dados históricos ou em como modelo foi treinado. Consequência pode ser legal (discriminação) ou reputacional.

Explicabilidade: Capacidade de entender por que modelo tomou decisão específica. "Caixa preta" = modelo é tão complexo que não entende decisão. "Explicável" = consegue rastrear lógica. Importa para conformidade (explicar por que negou crédito) e confiança.

Auditoria de modelo: Processo de validar que modelo funciona como esperado, sem viés, com performance consistente. Pode ser interno ou externo. Importante para conformidade LGPD/AI Act.

Deriva de modelo (model drift): Performance de modelo degrada com o tempo porque padrões nos dados mudaram. Exemplo: modelo de fraude treinado com dados de 2023 fica pior historicamente porque fraude evoluiu. Mitigação: retraining periódico.

Termos sobre infraestrutura — porque tecnologia afeta custo e velocidade

GPU (Unidade de Processamento Gráfico): Processador especializado para IA. Muito mais rápido que CPU (processador normal) para treinar modelos. Custo: R$ 2–10 mil por GPU. Nuvem: você aluga por hora (barato para quem não quer comprar).

TPU (Tensor Processing Unit): Processador mesmo mais especializado que GPU, desenvolvido pelo Google. Mais rápido, mais caro. Disponível via Google Cloud.

Inferência em edge: Rodar modelo diretamente no dispositivo (celular, câmera, IoT) em vez de enviar para servidor na nuvem. Vantagem: mais rápido (sem latência de rede), privado (dados não saem do device). Desvantagem: modelo precisa ser pequeno, leve.

Batch processing: Processar múltiplos dados de uma vez em vez de um por um. Mais eficiente computacionalmente. Desvantagem: latência (demora mais para resultado). Bom para relatórios noturnos; ruim para resposta em tempo real.

Latência: Tempo que leva de "enviar entrada" a "receber resposta". Crítico para aplicações em tempo real (chatbot, recomendação de produto). Medido em milissegundos. Trade-off: modelo mais rápido (latência baixa) vs. modelo mais preciso (latência alta).

Termos mais críticos por contexto de uso

Se você vai conversar sobre custo de projeto: dataset, treinamento, inferência, GPU, hiperparâmetros, tempo de implementação.

Se vai avaliar se modelo funciona: acurácia, precisão, recall, F1, AUC, overfitting, validação cruzada, matriz de confusão.

Se vai discutir risk/governança: viés, explicabilidade, auditoria de modelo, deriva de modelo, hallucination.

Se vai negociar com fornecedor de IA generativa: token, temperatura, prompt, fine-tuning, latência, modelo pré-treinado.