Retropropagação

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

A retropropagação é um método utilizado para treinar redes neurais. Funciona comparando o resultado do modelo com a resposta correta, calculando o erro e, em seguida, enviando esse erro de forma retroativa através da rede para ajustar as suas configurações internas. Ao longo de muitos exemplos, o modelo melhora gradualmente. A retropropagação é uma das técnicas fundamentais subjacentes à aprendizagem profunda moderna.

Bag-of-Words

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

O «bag-of-words» é uma forma simples de representar texto para a aprendizagem automática. Ignora a gramática e a ordem das palavras, limitando-se a contar quais as palavras que aparecem. Por exemplo, «A IA ajuda os negócios» e «Os negócios ajudam a IA» podem parecer muito semelhantes num modelo «bag-of-words». É menos sofisticado do que os modelos linguísticos modernos, mas continua a ser útil em algumas tarefas de classificação de texto.

Modelo de base

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

Um modelo de base é um modelo de IA que foi treinado com um vasto conjunto de dados, mas que ainda não foi especializado para uma utilização específica. Por exemplo, um modelo de linguagem geral pode ser treinado para prever texto e, posteriormente, ser aperfeiçoado para se tornar um assistente útil, um resumidor jurídico ou uma ferramenta de programação. O modelo de base é o alicerce sobre o qual são construídos sistemas mais especializados.

IA bayesiana

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

A IA bayesiana utiliza a probabilidade para raciocinar sobre a incerteza. Em vez de dar apenas uma resposta, uma abordagem bayesiana pode atualizar as suas convicções à medida que surgem novas evidências. Isto é útil na medicina, nas previsões, na deteção de spam e na análise de risco. A ideia básica é familiar: quando surgem novas informações, revemos o que consideramos provável.

Pesquisa por feixe

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

A pesquisa por feixe é uma técnica utilizada quando os sistemas de IA geram sequências, tais como texto ou traduções. Em vez de escolher apenas a palavra seguinte mais provável de cada vez, o modelo mantém várias opções possíveis em aberto e explora-as. Isto pode melhorar o resultado final. É um pouco como considerar vários percursos possíveis antes de escolher a melhor viagem.

BERT

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

O BERT é um modelo linguístico influente desenvolvido antes da atual onda de grandes ferramentas de IA conversacional. Ajudou os computadores a compreender o texto, analisando as palavras no contexto em ambas as direções, em vez de simplesmente ler da esquerda para a direita. O BERT foi amplamente utilizado em tarefas de pesquisa, classificação e compreensão linguística. Ajudou a abrir caminho para modelos linguísticos mais avançados.

Viés

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

Na IA, o viés pode ter vários significados. Num sentido técnico, pode referir-se a pressupostos incorporados num modelo. Num sentido social, refere-se a resultados injustos ou distorcidos que afetam pessoas ou grupos. Ambos os significados são importantes. Um sistema de IA útil necessita dos pressupostos técnicos adequados, mas deve evitar viéses sociais prejudiciais.

Big Data

Créditos: Imagem fornecida; Autor: Stephen Whitelaw;

O termo «Big Data» refere-se a conjuntos de dados extremamente grandes, complexos ou em rápida evolução, que os métodos tradicionais têm dificuldade em processar. A IA tem beneficiado enormemente do Big Data, uma vez que muitos sistemas de aprendizagem automática melhoram quando treinados com mais exemplos. No entanto, mais dados nem sempre são sinónimo de melhoria. Dados de má qualidade, tendenciosos ou irrelevantes podem, ainda assim, resultar numa IA de fraca qualidade.