O TechCrunch revela o Glossário AI abrangente

A inteligência artificial é um campo complexo e em constante evolução. Os cientistas que mergulham nessa área geralmente usam terminologia especializada, o que pode tornar difícil para o resto de nós acompanhar. É por isso que criamos esse glossário - para ajudá -lo a entender os principais termos e frases que usamos em nossa cobertura do setor de IA. Manteremos esta lista atualizada à medida que surgem novos termos e conceitos, refletindo os últimos avanços e riscos potenciais na pesquisa de IA.

Agente de IA Um agente de IA é uma ferramenta que aproveita as tecnologias de IA para lidar com uma variedade de tarefas para você - além do que um simples chatbot de IA pode fazer. Pense em coisas como registrar suas despesas, reservar reservas de viagens ou restaurantes ou até gerenciar e escrever código. No entanto, o termo "agente de IA" pode variar de acordo com quem você pergunta. A infraestrutura para realizar plenamente seu potencial ainda está sendo desenvolvida, mas a idéia principal é um sistema autônomo que pode explorar vários sistemas de IA para executar tarefas de várias etapas.

Cadeia de pensamento , diante de uma pergunta direta como "Qual animal é mais alto, uma girafa ou um gato?", Seu cérebro geralmente pode responder sem muito esforço. Mas para problemas mais complicados - como descobrir quantas galinhas e vacas um fazendeiro tem quando você sabe que elas têm 40 cabeças e 120 pernas - você pode precisar anotar algumas equações (neste caso, 20 galinhas e 20 vacas).

Na IA, o raciocínio da cadeia de pensamentos envolve a divisão de um problema em etapas intermediárias menores para melhorar a precisão do resultado final. Pode levar mais tempo, mas é especialmente útil em cenários lógicos ou de codificação. Esses modelos de raciocínio são construídos em modelos tradicionais de grandes idiomas e refinados para processos de cadeia de pensamentos através do aprendizado de reforço.

(Veja: modelo de idioma grande)

A aprendizagem profunda do aprendizado profundo é um tipo de aprendizado de máquina auto-improvável que usa uma estrutura de rede neural artificial (RNA) de várias camadas. Essa configuração permite correlações mais complexas do que métodos mais simples de aprendizado de máquina, como modelos lineares ou árvores de decisão. O design de algoritmos de aprendizado profundo se inspira nas vias neurais no cérebro humano.

Os modelos de aprendizado profundo podem identificar os principais recursos dos dados por conta própria, sem precisar de humanos para defini -los. Eles também aprendem com seus erros, melhorando com o tempo através de repetições e ajustes. No entanto, eles exigem muitos dados - milhões de pontos - para ter um bom desempenho e levam mais tempo para treinar do que os modelos mais simples, o que pode aumentar os custos de desenvolvimento.

(Veja: Rede Neural)

O ajuste fino e o ajuste envolve treinar um modelo de IA para aumentar seu desempenho para uma tarefa ou área específica, usando dados novos e especializados. Muitas startups de IA começam com grandes modelos de linguagem e, em seguida, ajustam-os a servir melhor um setor ou tarefa específica, usando seu próprio conhecimento específico de domínio.

(Veja: Modelo de linguagem grande [LLM])

Modelo de idioma grande (LLM) Modelos de idiomas grandes, ou LLMS, Power Popular Assistentes de IA como ChatGPT, Claude, Gêmeos do Google, Ai Llama da Meta, Microsoft Copilot e LE Chat de Mistral. Ao conversar com esses assistentes, está interagindo com um LLM que processa sua solicitação, geralmente usando ferramentas como navegação na Web ou intérpretes de código.

Assistentes de IA e LLMs podem ir por nomes diferentes. Por exemplo, o GPT é o modelo de idioma grande do OpenAI, enquanto o ChatGPT é o produto assistente de IA criado nele.

Os LLMs são redes neurais profundas com bilhões de parâmetros (ou pesos) que aprendem como as palavras e frases se relacionam, criando um mapa multidimensional da linguagem. Eles são treinados em grandes quantidades de texto de livros, artigos e transcrições. Quando você fornece um prompt de LLM, ele gera uma resposta com base no padrão mais provável, prevendo a próxima palavra com base no que veio antes.

(Veja: Rede Neural)

Rede neural Uma rede neural é a estrutura algorítmica de várias camadas que forma o espinha dorsal do aprendizado profundo e o aumento nas ferramentas generativas da IA, especialmente depois que grandes modelos de idiomas entraram em jogo.

O conceito de imitar as vias interconectadas do cérebro humano para o processamento de dados remonta à década de 1940. No entanto, foi a ascensão das unidades de processamento gráfico (GPUs), graças à indústria de videogames, que realmente deu vida a essa idéia. Esses chips permitiram treinar algoritmos com muito mais camadas, melhorando significativamente o desempenho em áreas como reconhecimento de voz, navegação autônoma e descoberta de medicamentos.

(Veja: Modelo de linguagem grande [LLM])

Os pesos são cruciais no treinamento de IA porque determinam quanta importância (ou peso) é dada a diferentes recursos nos dados de treinamento, moldando a saída do modelo de IA. Essencialmente, os pesos são parâmetros numéricos que destacam o que é mais relevante em um conjunto de dados para a tarefa em questão. Eles funcionam multiplicando entradas.

O treinamento geralmente começa com pesos atribuídos aleatoriamente, que ajustam o tempo ao longo do tempo, pois o modelo tenta produzir saídas que correspondem mais ao alvo. Por exemplo, um modelo de IA que preveia os preços da habitação pode atribuir pesos a fatores como o número de quartos e banheiros, se uma propriedade é destacada ou semi-identificada e se possui estacionamento ou garagem. Esses pesos refletem quanto cada fator influencia o valor de uma propriedade, com base nos dados utilizados.