Dicionário da Inteligência Artificial
Os principais termos e conceitos da Inteligência Artificial explicados de forma simples, para que qualquer pessoa possa compreender melhor esta tecnologia.
LLM, agentes de IA, RAG, prompts, tokens, deepfakes ou AI Act são expressões que aparecem cada vez mais em notícias, ferramentas, empresas e conversas sobre Inteligência Artificial.
Este dicionário foi criado para explicar esses conceitos sem complicar. Sempre que existam recursos relevantes, encontrará também ligações para artigos, vídeos, ferramentas e outros conteúdos do IA Hoje.
Escolha uma letra para consultar os conceitos por ordem alfabética.
Explorar por tema
Se não procura um termo específico, pode explorar o dicionário por áreas. Escolha um tema e mostraremos apenas os conceitos relacionados.
Pode mudar de tema a qualquer momento. Para voltar a ver o dicionário completo, selecione “Todos os conceitos” ou volte a clicar no tema ativo.
Agente de IA
#Um agente de IA é um sistema que utiliza Inteligência Artificial para realizar tarefas e executar ações com o objetivo de alcançar determinado resultado.
Em vez de se limitar a responder a uma pergunta, um agente pode receber um objetivo, consultar informação, utilizar ferramentas e realizar vários passos sem que uma pessoa tenha de indicar manualmente cada ação.
E o que significa Agentic AI? É uma expressão utilizada para descrever sistemas de IA capazes de trabalhar com maior autonomia, planear vários passos, utilizar ferramentas e adaptar as ações aos resultados que vão obtendo.
Exemplo: um agente pode analisar emails recebidos, identificar os mais importantes, resumi-los e enviar automaticamente essa informação para outra aplicação.
AGI
#AGI significa Artificial General Intelligence, ou Inteligência Artificial Geral, e descreve a ideia de uma IA capaz de desempenhar uma grande variedade de tarefas intelectuais.
É um conceito muito referido quando se discute o futuro da Inteligência Artificial. Não existe, no entanto, uma definição única e universalmente aceite para determinar quando uma AGI terá sido alcançada.
AI Act
#O AI Act é o regulamento da União Europeia que estabelece regras para determinados sistemas e utilizações de Inteligência Artificial.
As regras e obrigações não são iguais para todos os sistemas. Dependem, entre outros fatores, do tipo de IA, da forma como é utilizada e dos riscos associados à sua utilização.
Algoritmo
#Um algoritmo é um conjunto de regras ou passos utilizados para resolver um problema, executar uma tarefa ou chegar a determinado resultado.
Os algoritmos não existem apenas na Inteligência Artificial. São utilizados em praticamente toda a computação e podem servir para ordenar informação, fazer cálculos, procurar padrões ou executar decisões.
Exemplo: uma aplicação de navegação utiliza algoritmos para calcular diferentes percursos e escolher uma rota entre dois locais.
Alucinação
#Uma alucinação em IA acontece quando um sistema gera informação incorreta, inventada ou sem fundamento e a apresenta como se fosse verdadeira.
É uma das razões pelas quais respostas produzidas por Inteligência Artificial devem ser verificadas, sobretudo quando são utilizadas para decisões ou temas importantes.
Exemplo: um modelo pode inventar uma referência bibliográfica, uma decisão judicial, uma notícia ou uma fonte que nunca existiu.
API
#Uma API é uma forma estruturada de permitir que duas aplicações ou serviços comuniquem entre si.
No contexto da IA, uma API pode permitir que uma aplicação envie informação para um modelo de Inteligência Artificial e receba uma resposta sem que o utilizador tenha de abrir diretamente a ferramenta de IA.
E o que é uma API Key? É uma chave utilizada para identificar e autorizar uma aplicação a utilizar determinada API. Funciona como uma credencial e deve ser protegida.
Exemplo: uma aplicação pode enviar automaticamente o texto de um email para um modelo de IA através de uma API e receber um resumo como resposta.
Aprendizagem automática / Machine Learning
#Aprendizagem automática, ou Machine Learning, é uma área da Inteligência Artificial em que sistemas aprendem padrões a partir de dados.
Em vez de uma pessoa definir manualmente todas as regras possíveis, o sistema utiliza dados e exemplos para aprender relações que depois pode aplicar a situações novas.
Esta abordagem é utilizada em áreas muito diferentes, desde sistemas de recomendação e previsão até reconhecimento de imagem, análise de dados e cibersegurança.
Exemplo: um sistema pode analisar tráfego de uma rede informática, aprender padrões associados a diferentes comportamentos e ajudar a identificar possíveis tentativas de intrusão.
Assistente de IA
#Um assistente de IA é uma aplicação que utiliza Inteligência Artificial para ajudar uma pessoa a realizar tarefas, responder a perguntas ou trabalhar com informação.
Estes assistentes podem ajudar a escrever, resumir documentos, pesquisar informação, analisar ficheiros, gerar ideias ou apoiar diferentes tarefas do dia a dia.
Exemplo: ChatGPT, Claude e Gemini são exemplos de ferramentas que podem funcionar como assistentes de IA para diferentes tarefas.
Automação com IA
#Automação com IA é a utilização de Inteligência Artificial dentro de um processo automatizado para analisar informação, gerar conteúdos, apoiar decisões ou executar tarefas.
A diferença em relação a uma automação tradicional é que a IA pode ajudar a interpretar informação menos estruturada, como texto, documentos, mensagens ou outros conteúdos.
Exemplo: um processo pode receber um email, utilizar IA para perceber o assunto e encaminhá-lo automaticamente para a equipa adequada.
Quanto sabe sobre Inteligência Artificial?
Agora que já conhece alguns dos conceitos fundamentais, faça o Quiz de Introdução à IA e teste os seus conhecimentos.
Base de conhecimento
#Uma base de conhecimento é um conjunto organizado de informação que pode ser consultado por pessoas ou utilizado por um sistema de Inteligência Artificial.
Pode reunir documentos, manuais, procedimentos, perguntas frequentes, artigos ou outros conteúdos relacionados com determinado tema ou organização.
Exemplo: uma empresa pode reunir os seus procedimentos internos numa base de conhecimento para permitir que um assistente de IA responda a perguntas dos colaboradores com base nesses documentos.
Base de dados vetorial
#Uma base de dados vetorial é um tipo de base de dados que permite encontrar informação através da semelhança entre conteúdos.
É uma expressão que aparece frequentemente quando se fala de RAG. Em vez de procurar apenas palavras exatamente iguais, estes sistemas podem encontrar conteúdos com significado semelhante ao da pesquisa.
Exemplo: uma pesquisa por “cancelar um contrato” pode encontrar um documento onde aparece a expressão “terminar o acordo”, mesmo que as palavras utilizadas não sejam exatamente as mesmas.
Benchmark
#Um benchmark é um teste ou conjunto de testes utilizado para comparar o desempenho de diferentes modelos ou sistemas de Inteligência Artificial.
Existem benchmarks para avaliar capacidades como raciocínio, programação, matemática ou compreensão de texto.
Um modelo obter uma pontuação superior num benchmark não significa necessariamente que seja a melhor opção para todas as tarefas.
Big Data
#Big Data é uma expressão utilizada para descrever grandes quantidades de dados cuja dimensão, variedade ou velocidade tornam o seu tratamento mais complexo.
Big Data não é sinónimo de Inteligência Artificial. No entanto, sistemas de IA podem ser utilizados para analisar grandes conjuntos de dados e encontrar padrões ou informação relevante.
Exemplo: uma organização pode analisar milhões de transações para identificar padrões de comportamento ou situações anómalas.
Black box / Caixa-preta
#Um sistema de IA é frequentemente descrito como uma caixa-preta quando conseguimos observar a informação que recebe e o resultado que produz, mas é difícil perceber claramente como chegou a esse resultado.
Esta questão é especialmente relevante quando a IA participa em decisões que podem ter consequências importantes para pessoas.
Exemplo: se um sistema atribuir uma determinada classificação a uma pessoa, pode ser importante compreender que fatores contribuíram para essa classificação.
Cadeia de pensamento / Chain of Thought
#Cadeia de pensamento, ou Chain of Thought, é uma expressão associada à decomposição de um problema em vários passos ou etapas antes de chegar a uma resposta.
No uso prático da IA, pode significar estruturar uma instrução de forma a levar o modelo a analisar diferentes elementos de um problema, comparar opções ou organizar uma tarefa por etapas.
Isto não significa que o utilizador tenha acesso ao raciocínio interno completo do modelo. O importante é pedir uma resposta estruturada e uma justificação útil quando isso for necessário.
Exemplo: em vez de pedir apenas “qual é a melhor opção?”, pode pedir à IA que identifique os critérios relevantes, compare três alternativas e apresente uma conclusão.
Chatbot
#Um chatbot é um sistema criado para manter uma conversa com uma pessoa através de texto ou voz.
Nem todos os chatbots utilizam Inteligência Artificial Generativa. Alguns seguem regras e respostas previamente definidas, enquanto outros utilizam modelos de IA para compreender pedidos e gerar respostas.
Exemplo: uma empresa pode disponibilizar um chatbot no seu site para responder a perguntas de clientes ou colaboradores.
ChatGPT
#ChatGPT é um assistente de Inteligência Artificial da OpenAI que permite conversar com modelos de IA através de linguagem natural.
Pode ser utilizado para escrever, resumir, analisar informação, trabalhar com documentos, apoiar pesquisas, gerar ideias, programar e executar muitas outras tarefas.
As capacidades disponíveis podem variar consoante o modelo, o plano utilizado e as funcionalidades disponibilizadas pela plataforma.
Chunking
#Chunking é o processo de dividir um conteúdo maior em partes mais pequenas para facilitar o seu tratamento por um sistema de IA.
É uma técnica muito utilizada quando sistemas de IA precisam de pesquisar ou trabalhar com documentos extensos, sobretudo em soluções que utilizam RAG.
Exemplo: um manual com 200 páginas pode ser dividido em pequenos blocos de texto para que o sistema consiga encontrar apenas as partes relevantes para responder a uma pergunta.
Claude
#Claude é um assistente de Inteligência Artificial desenvolvido pela Anthropic que permite trabalhar com modelos de IA através de linguagem natural.
Tal como outros assistentes de IA, pode apoiar tarefas como escrita, análise de documentos, resumo, programação, pesquisa e tratamento de informação.
Código aberto / Open source
#Código aberto, ou open source, descreve software cujo código fonte é disponibilizado para que possa ser consultado e, de acordo com a respetiva licença, utilizado, alterado ou distribuído.
No contexto da Inteligência Artificial, é importante distinguir software de código aberto de modelos cujos pesos ou outros componentes são disponibilizados. As condições de utilização podem ser diferentes em cada caso.
Exemplo: uma organização pode optar por utilizar software ou modelos disponibilizados para execução na sua própria infraestrutura, desde que respeite as condições da licença.
Contexto
#Contexto é a informação disponibilizada à IA para a ajudar a compreender melhor uma tarefa e produzir uma resposta adequada.
Pode incluir o objetivo, o público, dados, exemplos, documentos, restrições, instruções anteriores ou qualquer outra informação necessária para interpretar corretamente o pedido.
Exemplo: pedir apenas “escreve um email” oferece pouco contexto. Indicar quem vai receber o email, qual o objetivo, o assunto e o tom pretendido ajuda a IA a produzir uma resposta mais adequada.
Copiloto de IA
#Um copiloto de IA é uma ferramenta de Inteligência Artificial concebida para apoiar uma pessoa enquanto esta realiza o seu trabalho ou uma tarefa.
A ideia de “copiloto” sublinha que a IA funciona como apoio: pode sugerir, analisar, criar ou acelerar determinadas tarefas, enquanto a pessoa mantém responsabilidade sobre o objetivo, a decisão e o resultado final.
Exemplo: um profissional pode utilizar um copiloto para resumir uma reunião, preparar uma primeira versão de um documento ou analisar informação antes de tomar uma decisão.
Dados de treino
#Dados de treino são os dados utilizados para ensinar um modelo de Inteligência Artificial a reconhecer padrões e realizar determinadas tarefas.
Podem incluir texto, imagens, áudio, números ou outros tipos de informação. A qualidade, diversidade e composição destes dados podem influenciar significativamente o comportamento do modelo.
Exemplo: para aprender a distinguir fotografias de cães e gatos, um sistema pode ser treinado com muitos exemplos de imagens previamente identificadas.
Dados estruturados
#Dados estruturados são informação organizada segundo uma estrutura definida, normalmente em campos, linhas e colunas.
Por terem uma organização previsível, são geralmente mais fáceis de pesquisar, ordenar, comparar e analisar automaticamente.
Exemplo: uma tabela com nome do cliente, data da compra, produto e valor da venda contém dados estruturados.
Dados não estruturados
#Dados não estruturados são informação que não está organizada numa estrutura fixa como uma tabela ou uma base de dados tradicional.
Emails, documentos, imagens, gravações de áudio, vídeos e mensagens são exemplos frequentes. A IA pode ajudar a interpretar e extrair informação útil destes conteúdos.
Exemplo: milhares de comentários escritos por clientes são dados não estruturados que podem ser analisados por IA para identificar temas recorrentes.
Dados pessoais
#Dados pessoais são informações relacionadas com uma pessoa identificada ou que possa ser identificada.
No contexto da IA, é importante perceber que a informação introduzida numa ferramenta pode incluir dados pessoais e deve ser tratada de acordo com as regras aplicáveis e com as políticas da organização.
Técnicas como a anonimização podem, em determinados contextos, ajudar a reduzir o risco de identificação das pessoas.
Exemplo: nome, endereço de email, número de telefone ou informação que permita identificar uma pessoa podem constituir dados pessoais.
Dados sensíveis
#Dados sensíveis é uma expressão utilizada, em sentido geral, para informação que exige proteção especial devido aos riscos associados à sua divulgação ou utilização indevida.
Pode incluir informação pessoal especialmente protegida por lei, mas também informação confidencial de uma organização, como dados financeiros, comerciais, estratégicos ou de clientes.
Antes de introduzir este tipo de informação numa ferramenta de IA, é importante conhecer as regras da organização, as condições do serviço e a forma como os dados são tratados.
Exemplo: copiar para uma ferramenta pública de IA um contrato confidencial ou uma folha com informação privada de clientes pode criar riscos de segurança e privacidade.
Dados sintéticos
#Dados sintéticos são dados criados artificialmente para reproduzir determinadas características ou padrões de dados reais.
Podem ser utilizados para testar sistemas, criar cenários ou apoiar o treino de modelos quando os dados reais são escassos, difíceis de obter ou apresentam limitações de privacidade.
Exemplo: podem ser criados registos fictícios de clientes com características semelhantes às de um conjunto real para testar uma aplicação sem utilizar os dados das pessoas originais.
Dataset / Conjunto de dados
#Um dataset é um conjunto de dados reunidos e organizados para serem analisados ou utilizados num determinado projeto.
Pode ser pequeno ou conter milhões de registos e pode incluir números, texto, imagens, áudio ou outros tipos de informação.
Exemplo: um conjunto com milhares de avaliações de clientes pode ser utilizado para estudar satisfação ou treinar um sistema a reconhecer comentários positivos e negativos.
Deep Learning / Aprendizagem profunda
#Deep Learning, ou aprendizagem profunda, é uma área da aprendizagem automática baseada em redes neurais com várias camadas.
Esta abordagem está na base de muitos avanços recentes em reconhecimento de imagem, voz, linguagem e Inteligência Artificial Generativa.
Exemplo: sistemas capazes de reconhecer objetos numa fotografia ou trabalhar com linguagem natural podem utilizar técnicas de Deep Learning.
Deepfake
#Um deepfake é um conteúdo de imagem, vídeo ou áudio criado ou manipulado com Inteligência Artificial para fazer parecer que alguém fez ou disse algo que não aconteceu dessa forma.
A tecnologia pode ter utilizações legítimas em áreas criativas, entretenimento ou produção audiovisual, mas também pode ser utilizada para fraude, manipulação ou desinformação.
Exemplo: um vídeo pode reproduzir artificialmente o rosto e a voz de uma pessoa e fazê-la parecer pronunciar palavras que nunca disse.
Engenharia de prompts / Prompt Engineering
#Engenharia de prompts é a prática de criar e melhorar instruções dadas a sistemas de Inteligência Artificial para obter respostas mais úteis e adequadas ao objetivo.
Pode envolver a definição do objetivo, contexto, formato pretendido, exemplos, restrições e critérios que ajudam a IA a compreender melhor aquilo que se pretende.
Exemplo: em vez de pedir apenas “faz um plano de formação”, pode indicar o público, duração, objetivos, conhecimentos prévios, formato e resultado pretendido.
Enviesamento em IA
#Enviesamento em IA acontece quando um sistema produz resultados que favorecem, prejudicam ou representam de forma desequilibrada determinados grupos, situações ou perspetivas.
Pode resultar dos dados utilizados, das escolhas feitas durante o desenvolvimento, da forma como o sistema é utilizado ou do próprio contexto em que é aplicado.
Exemplo: se os dados utilizados para desenvolver um sistema representarem mal determinada população, o desempenho desse sistema pode ser pior para esse grupo.
Ética em IA
#Ética em IA refere-se à reflexão sobre como a Inteligência Artificial deve ser desenvolvida e utilizada de forma responsável.
Inclui questões como justiça, privacidade, transparência, segurança, responsabilidade, impacto nas pessoas e consequências das decisões apoiadas ou tomadas por sistemas de IA.
Explicabilidade / Explainable AI (XAI)
#Explicabilidade é a capacidade de tornar mais compreensível a forma como um sistema de Inteligência Artificial chega a determinado resultado.
É especialmente importante quando a utilização da IA pode ter impacto significativo sobre pessoas ou quando é necessário justificar decisões.
Exemplo: se um sistema ajudar a avaliar um pedido, pode ser importante conseguir identificar os principais fatores que contribuíram para o resultado apresentado.
Aprenda a dar melhores instruções à IA
Experimente o Treinador de Prompts para praticar a construção de uma boa instrução ou faça o quiz para testar o que já sabe sobre Engenharia de Prompts.
Few-shot prompting
#Few-shot prompting é uma forma de dar instruções à IA em que são apresentados alguns exemplos do tipo de resultado pretendido.
Os exemplos ajudam o modelo a perceber o padrão, formato ou critério que deve seguir na resposta seguinte.
Exemplo: antes de pedir à IA para classificar novos comentários, pode mostrar alguns exemplos já classificados como positivos, negativos ou neutros.
Fine-tuning
#Fine-tuning é um processo utilizado para adaptar um modelo de Inteligência Artificial já existente a uma tarefa ou comportamento mais específico.
Em vez de criar um modelo de raiz, é feito treino adicional sobre um modelo já desenvolvido, utilizando exemplos escolhidos para a finalidade pretendida.
Exemplo: um modelo geral pode receber treino adicional para seguir melhor determinado formato de resposta numa tarefa especializada.
Gemini
#Gemini é o nome utilizado pela Google para a sua família de modelos de Inteligência Artificial e para o respetivo assistente de IA.
Pode ser utilizado para trabalhar com linguagem, documentos, imagens, código e outras formas de informação, dependendo do modelo e da aplicação onde é utilizado.
GPT
#GPT significa Generative Pre-trained Transformer e é o nome de uma família de modelos de Inteligência Artificial desenvolvida pela OpenAI.
Estes modelos conseguem trabalhar com linguagem e gerar respostas a partir das instruções e do contexto que recebem.
GPT e ChatGPT não são exatamente a mesma coisa: GPT refere-se aos modelos, enquanto ChatGPT é uma aplicação que permite interagir com modelos de IA.
IA Generativa
#IA Generativa é um tipo de Inteligência Artificial capaz de criar novos conteúdos a partir das instruções e da informação que recebe.
Pode gerar texto, imagens, áudio, vídeo, código ou outros conteúdos, dependendo das capacidades do modelo utilizado.
Exemplo: pedir a um assistente de IA para escrever uma primeira versão de um email ou criar uma imagem a partir de uma descrição são exemplos de utilização de IA Generativa.
IA multimodal
#IA multimodal é uma Inteligência Artificial capaz de trabalhar com mais do que um tipo de informação, como texto, imagem, áudio ou vídeo.
Exemplo: pode enviar uma fotografia a um assistente multimodal, fazer uma pergunta sobre aquilo que aparece na imagem e receber uma resposta em texto.
Inteligência Artificial
#Inteligência Artificial é uma área da tecnologia dedicada à criação de sistemas capazes de realizar tarefas que normalmente associamos a capacidades humanas.
Essas tarefas podem incluir reconhecer padrões, compreender linguagem, analisar informação, fazer previsões, gerar conteúdos ou apoiar decisões.
A Inteligência Artificial inclui diferentes técnicas e áreas. IA Generativa e aprendizagem automática são apenas algumas delas.
Quer compreender melhor a IA Generativa?
IA Generativa com Confiança é um guia prático e acessível para quem quer compreender os conceitos fundamentais e começar a utilizar esta tecnologia com mais clareza e método.
Janela de contexto
#A janela de contexto é a quantidade de informação que um modelo consegue considerar de uma só vez durante uma interação.
Pode incluir instruções, mensagens anteriores, documentos e outros conteúdos fornecidos ao modelo. A sua dimensão é normalmente medida em tokens.
Exemplo: ao trabalhar com um documento muito extenso, a janela de contexto influencia a quantidade de conteúdo que o modelo consegue considerar ao mesmo tempo.
Literacia em IA
#Literacia em IA é a capacidade de compreender os princípios básicos da Inteligência Artificial e utilizá-la de forma informada, crítica e responsável.
Não significa saber programar ou desenvolver modelos. Inclui perceber o que a IA consegue fazer, reconhecer limitações, avaliar resultados e compreender os riscos associados à sua utilização.
LLM / Large Language Model
#Um LLM, ou Large Language Model, é um modelo de Inteligência Artificial treinado para trabalhar com linguagem.
Estes modelos aprendem padrões a partir de grandes quantidades de dados e conseguem gerar, resumir, transformar, analisar e interpretar texto.
Exemplo: assistentes como ChatGPT ou Claude podem utilizar LLM para compreender uma pergunta e produzir uma resposta.
MCP / Model Context Protocol
#MCP é um protocolo que permite ligar aplicações de Inteligência Artificial a ferramentas e fontes de informação através de uma forma comum de comunicação.
Em termos simples, ajuda diferentes ferramentas a disponibilizar informação ou funcionalidades a aplicações de IA sem que cada ligação tenha de seguir uma abordagem completamente diferente.
Exemplo: um assistente de IA pode utilizar uma ligação compatível com MCP para consultar informação existente noutro serviço.
Memória de IA
#Memória de IA é a capacidade de um sistema guardar determinada informação para a utilizar em interações posteriores.
Dependendo da aplicação, essa informação pode incluir preferências, instruções, detalhes de conversas anteriores ou outros elementos relevantes para personalizar futuras respostas.
Memória e janela de contexto não são a mesma coisa. A janela de contexto refere-se à informação considerada numa interação, enquanto a memória pode persistir para além dessa interação.
Modelo de IA
#Um modelo de IA é a parte de um sistema de Inteligência Artificial que aprendeu padrões a partir de dados e os utiliza para produzir resultados.
Exemplo: um modelo pode ser desenvolvido para reconhecer imagens, prever valores, trabalhar com linguagem ou gerar texto.
Quer aprender IA para aplicar no trabalho?
No HUB da IA da AQIA encontra formação online, cursos, séries práticas e atividades para desenvolver competências em Inteligência Artificial ao seu ritmo.
OCR / Reconhecimento Ótico de Caracteres
#OCR é uma tecnologia que permite reconhecer texto existente numa imagem ou num documento digitalizado e convertê-lo em informação que um computador consegue processar.
É utilizada, por exemplo, para transformar texto presente numa fotografia, fatura ou documento digitalizado em texto pesquisável e utilizável por outras aplicações.
Os sistemas atuais podem ir muito além do OCR tradicional. Com Inteligência Artificial, é possível não só reconhecer as palavras existentes num documento, mas também perceber a sua estrutura, identificar campos e extrair informação específica.
Exemplo: uma aplicação pode receber a fotografia de uma fatura, identificar elementos como o fornecedor, data, número do documento e valores e transformar essa informação em dados estruturados.
OpenAI
#OpenAI é a organização responsável pelo ChatGPT e por modelos de Inteligência Artificial da família GPT.
Privacidade em IA
#Privacidade em IA refere-se à proteção da informação pessoal quando sistemas de Inteligência Artificial recebem, analisam, guardam ou utilizam dados.
Ao utilizar uma ferramenta de IA, é importante perceber que informação está a ser partilhada, como pode ser tratada e quais as regras aplicáveis à sua utilização.
Este cuidado é especialmente importante quando estão envolvidos dados pessoais, informação confidencial ou dados sensíveis de pessoas e organizações.
Exemplo: antes de enviar para um assistente de IA um documento com nomes, contactos ou informação de clientes, deve avaliar se esses dados podem ser partilhados com a ferramenta.
Processamento de Linguagem Natural / PLN
#Processamento de Linguagem Natural, ou PLN, é uma área da Inteligência Artificial dedicada a permitir que computadores trabalhem com linguagem humana.
Pode ser utilizado para compreender e analisar texto, classificar informação, traduzir, resumir conteúdos, responder a perguntas ou identificar elementos relevantes numa conversa ou documento.
Exemplo: quando um sistema analisa milhares de comentários de clientes para identificar os principais temas ou o sentimento expresso, pode estar a utilizar técnicas de Processamento de Linguagem Natural.
Prompt
#Um prompt é a instrução ou informação que damos a um sistema de Inteligência Artificial para indicar aquilo que pretendemos.
Pode ser uma pergunta simples ou uma instrução mais completa com objetivo, contexto, dados, exemplos, restrições e o formato de resposta pretendido.
Exemplo: “Resume este texto em cinco pontos para uma pessoa sem conhecimentos técnicos” é um prompt.
Prompt de sistema / System prompt
#Um prompt de sistema, ou system prompt, é um conjunto de instruções utilizado para definir o comportamento geral de um sistema ou modelo de Inteligência Artificial.
Pode estabelecer a função que a IA deve desempenhar, as regras que deve seguir, prioridades, contexto, limites ou a forma como deve responder aos pedidos do utilizador.
Em muitas aplicações, estas instruções são definidas por quem criou ou configurou o sistema e não fazem parte do pedido escrito pelo utilizador em cada interação.
Exemplo: um assistente de apoio ao cliente pode ter um prompt de sistema que define o seu papel, o tom das respostas, as fontes que pode utilizar e as situações em que deve encaminhar o pedido para uma pessoa.
Prompt injection / Injeção de prompt
#Prompt injection é um ataque que procura manipular um sistema de IA através de instruções criadas para alterar ou contornar o comportamento esperado.
Essas instruções podem ser introduzidas diretamente por uma pessoa ou estar escondidas em conteúdos que o sistema consulta, como documentos, páginas ou outros dados.
O risco é especialmente relevante em sistemas de IA que têm acesso a informação, ferramentas ou outras aplicações, porque a manipulação pode afetar não apenas a resposta produzida, mas também as ações executadas.
Exemplo: um documento analisado por um agente pode conter uma instrução escondida que tenta levá-lo a ignorar as regras definidas e a executar uma ação não prevista.
RAG / Retrieval-Augmented Generation
#RAG é uma abordagem que permite a um sistema de IA procurar informação em fontes externas e utilizá-la para preparar uma resposta.
Em vez de depender apenas daquilo que o modelo aprendeu durante o treino, um sistema com RAG pode pesquisar documentos, bases de conhecimento ou outras fontes no momento em que recebe uma pergunta.
Isto permite criar assistentes que respondem com base em informação específica, como documentos de uma empresa, manuais, legislação, artigos ou outros conteúdos selecionados.
Exemplo: um assistente interno pode procurar a resposta nos procedimentos e manuais de uma organização antes de responder à pergunta de um colaborador.
Rede neural
#Uma rede neural é um modelo computacional formado por unidades interligadas que aprendem padrões a partir de dados.
O nome inspira-se, de forma simplificada, na ideia de neurónios ligados entre si. No entanto, uma rede neural artificial não funciona da mesma forma que um cérebro humano.
As redes neurais são utilizadas em muitas áreas da Inteligência Artificial, incluindo reconhecimento de padrões, linguagem, análise de imagens e IA Generativa.
Exemplo: uma rede neural pode aprender a reconhecer determinados padrões de comportamento numa rede informática depois de analisar muitos exemplos.
Reverse prompting / Prompt inverso
#Reverse prompting é uma técnica em que se parte de um resultado, exemplo ou objetivo final para ajudar a construir a instrução que poderá produzir algo semelhante.
Em vez de começar por tentar imaginar o prompt ideal, mostra-se à IA aquilo que se pretende alcançar e pede-se que identifique os elementos, contexto, estrutura ou instruções necessários para chegar a esse tipo de resultado.
Pode ser particularmente útil quando já existe um bom exemplo e se pretende transformar esse resultado num processo que possa ser repetido noutras situações.
Exemplo: se tiver um relatório com a estrutura, profundidade e estilo que pretende, pode fornecê-lo à IA e pedir que crie um prompt reutilizável para produzir relatórios semelhantes a partir de novos dados.
Quer aprofundar a utilização da IA no trabalho?
Conheça o livro IA como Copiloto e explore formas de integrar a Inteligência Artificial no trabalho mantendo o conhecimento, a experiência e a decisão humana no centro.
Segurança em IA
#Segurança em IA refere-se à proteção dos sistemas de Inteligência Artificial contra ataques, manipulação, acessos indevidos e outros comportamentos capazes de comprometer os seus dados, resultados ou ações.
Os sistemas com IA continuam expostos aos riscos tradicionais da cibersegurança, mas acrescentam novos pontos de vulnerabilidade relacionados com os modelos, os dados de treino, as instruções recebidas e as ações que podem executar.
Por isso, proteger um sistema com IA implica proteger não apenas a infraestrutura e os dados, mas também os comportamentos, decisões e resultados produzidos pelo próprio sistema.
Exemplo: um atacante pode tentar manipular dados, introduzir instruções maliciosas num sistema ou explorar a ligação da IA a outra aplicação para obter um resultado não previsto.
Sistema de IA
#Um sistema de IA é um sistema que utiliza Inteligência Artificial para produzir resultados como previsões, recomendações, conteúdos ou decisões.
Pode incluir um ou vários modelos de IA, software, dados, regras, interfaces e ligações a outras ferramentas.
Por isso, um modelo de IA e um sistema de IA não são necessariamente a mesma coisa. O modelo pode ser apenas uma das partes de um sistema mais amplo que recebe informação, utiliza a IA e apresenta ou aplica os resultados.
A expressão “sistema de IA” é também particularmente importante no contexto do AI Act, que estabelece diferentes regras e obrigações consoante o tipo de sistema, a sua utilização e os riscos associados.
Exemplo: uma aplicação que recebe documentos, utiliza um modelo de IA para os analisar e apresenta os resultados numa interface pode constituir um sistema de IA.
Supervisão humana
#Supervisão humana significa manter pessoas envolvidas no acompanhamento, utilização ou controlo de sistemas de Inteligência Artificial.
O nível de supervisão necessário depende da utilização e dos riscos. Em determinados contextos, uma pessoa deve poder avaliar, questionar ou intervir perante os resultados produzidos pelo sistema.
Exemplo: uma recomendação produzida por IA pode ser analisada por um profissional antes de ser utilizada numa decisão com consequências para outra pessoa.
Token
#Um token é uma pequena unidade de informação utilizada por modelos de linguagem para processar texto.
Um token pode corresponder a uma palavra, parte de uma palavra, pontuação ou outro elemento. Por isso, o número de tokens não é igual ao número de palavras.
Os tokens são utilizados, por exemplo, para medir a quantidade de informação enviada e recebida por determinados modelos e a capacidade da sua janela de contexto.
Exemplo: uma frase com dez palavras não corresponde necessariamente a dez tokens, porque algumas palavras podem ser divididas em várias unidades.
Treino de modelo
#O treino de um modelo é o processo através do qual um modelo de Inteligência Artificial aprende padrões a partir de dados.
Durante o treino, o modelo é exposto a muitos exemplos e os seus parâmetros são ajustados para melhorar a capacidade de realizar determinada tarefa.
Nem todos os modelos são treinados de raiz. Um modelo já existente pode também receber treino adicional com dados específicos para melhorar o seu desempenho numa determinada área ou tarefa.
Exemplo: o Faturista, um modelo desenvolvido em Portugal para trabalhar com documentos fiscais, teve como base um modelo já existente e recebeu treino com documentos portugueses, incluindo faturas, para aprender melhor os formatos, campos e informação presentes nesses documentos.
Vibe coding
#Vibe coding é uma forma de criar software em que grande parte da interação com a programação acontece através de instruções dadas à Inteligência Artificial em linguagem natural.
Em vez de escrever manualmente todo o código, a pessoa descreve aquilo que pretende construir, observa o resultado criado pela IA e continua a pedir alterações, correções e novas funcionalidades.
Isto reduz a barreira técnica para começar a criar aplicações, mas não significa que qualquer aplicação criada com IA esteja automaticamente correta, segura ou preparada para utilização real.
Saber definir o problema, explicar requisitos, dar contexto, testar resultados e reconhecer os limites da solução continua a ser fundamental.
Exemplo: uma pessoa pode explicar à IA que pretende uma aplicação para acompanhar determinada atividade, indicar quem a vai utilizar e quais as funcionalidades necessárias e depois continuar a melhorar a solução através de novas instruções.
Quer aplicar Inteligência Artificial na sua organização?
Se pretende desenvolver competências nas suas equipas, encontre formação em Inteligência Artificial adequada ao contexto da sua organização. Se procura perceber onde e como aplicar IA, explore as soluções disponíveis através do IA Hoje.