Créditos

de retropropagação

: Imagem fornecida; Autor: Stephen Whitelaw;

A

retropropagação é um método usado para treinar redes neurais. Ele funciona comparando a saída do modelo com a resposta correta, calculando o erro e enviando esse erro de volta pela rede para ajustar suas configurações internas. Em muitos exemplos, o modelo melhora gradualmente. A retropropagação é uma das principais técnicas por trás do aprendizado profundo moderno.

Créditos

do Bag-of-Words

: Imagem fornecida; Autor: Stephen Whitelaw;

Bag-of-Words é uma maneira simples de representar texto para aprendizado de máquina. Ele ignora a gramática e a ordem das palavras e simplesmente conta quais palavras aparecem. Por exemplo, “A IA ajuda os negócios” e “os negócios ajudam a IA” podem parecer muito semelhantes em um modelo de saco de palavras. É menos sofisticado do que os modelos de linguagem modernos, mas ainda é útil em algumas tarefas de classificação de texto.

Créditos do

modelo básico

: Imagem fornecida; Autor: Stephen Whitelaw;

Um modelo básico é um modelo de IA que foi treinado em um amplo conjunto de dados, mas ainda não foi especializado para um uso específico. Por exemplo, um modelo de linguagem geral pode ser treinado para prever texto e, posteriormente, ajustado para se tornar um assistente útil, resumido jurídico ou ferramenta de codificação. O modelo básico é a base sobre a qual sistemas mais especializados são construídos.

Créditos

da IA bayesiana

: Imagem fornecida; Autor: Stephen Whitelaw;

A

IA bayesiana usa a probabilidade para raciocinar sobre a incerteza. Em vez de dar apenas uma resposta, uma abordagem bayesiana pode atualizar suas crenças à medida que novas evidências chegam. Isso é útil em medicina, previsão, detecção de spam e análise de risco. A ideia básica é familiar: quando novas informações aparecem, revisamos o que achamos provável.

Créditos de

pesquisa por feixe

: imagem fornecida; autor: Stephen Whitelaw;

A

pesquisa por feixe é uma técnica usada quando sistemas de IA geram sequências, como texto ou traduções. Em vez de escolher apenas a próxima palavra mais provável de cada vez, o modelo mantém várias opções possíveis abertas e as explora. Isso pode melhorar a saída final. É um pouco como considerar várias rotas possíveis antes de escolher a melhor viagem.

Créditos do

BERT

: Imagem fornecida; Autor: Stephen Whitelaw;

O BERT é um modelo de linguagem influente desenvolvido antes da atual onda de grandes ferramentas de IA conversacional. Ele ajudou os computadores a entender o texto observando as palavras no contexto de ambas as direções, em vez de simplesmente ler da esquerda para a direita. O BERT foi amplamente utilizado em tarefas de busca, classificação e compreensão da linguagem. Isso ajudou a pavimentar o caminho para modelos de linguagem mais avançados.

Créditos de

preconceito

: Imagem fornecida; Autor: Stephen Whitelaw;

Em IA, preconceito pode significar várias coisas. Em um sentido técnico, pode se referir a suposições incorporadas em um modelo. Em um sentido social, refere-se a resultados injustos ou distorcidos que afetam pessoas ou grupos. Ambos os significados são importantes. Um sistema de IA útil precisa do tipo certo de suposições técnicas, mas deve evitar preconceitos sociais prejudiciais.

Créditos de

Big Data

: Imagem fornecida; Autor: Stephen Whitelaw;

Big data se refere a conjuntos de dados extremamente grandes, complexos ou rápidos que os métodos tradicionais têm dificuldade em lidar. A IA se beneficiou enormemente do big data porque muitos sistemas de aprendizado de máquina melhoram quando treinados em mais exemplos. No entanto, mais dados nem sempre são melhores. Dados de baixa qualidade, tendenciosos ou irrelevantes ainda podem

produzir uma IA ruim.