AI glossary: 20 terms in plain words

Tokens, prompts, hallucinations, agents and RAG — every key AI concept with a human explanation.

Inteligência artificial (IA): Software que aprende com exemplos em vez de seguir regras fixas. A IA moderna encontra padrões nos dados e os aplica a situações novas — do reconhecimento facial à geração de texto.
Rede neural: Um modelo matemático com milhões de «neurônios» ligados por pesos ajustáveis. Aprende pelo ciclo «prever → comparar com a resposta → ajustar os pesos», repetido bilhões de vezes.
LLM (modelo de linguagem grande): Uma rede neural treinada com enormes volumes de texto: ChatGPT, Claude, Gemini. Faz uma única operação — prever o próximo token — e daí surgem respostas, traduções e código.
Token: O pedaço de texto com que um modelo de linguagem trabalha: parte de uma palavra, uma palavra ou um sinal, em média 3 a 4 caracteres. O contexto do modelo e o preço da API são medidos em tokens.
Prompt: O texto do pedido que você envia à IA. A qualidade da resposta depende 80% da qualidade do prompt: papel, tarefa, contexto e formato são o que o torna forte.
Prompt engineering: A disciplina de escrever pedidos eficazes à IA: fórmulas, exemplos (few-shot), cadeias de raciocínio, saída estruturada. Uma das competências que mais cresce no mercado de trabalho.
Alucinação: Uma resposta confiante, plausível e inventada. Vem da natureza generativa dos LLM: sem fatos disponíveis, uma «continuação provável» ainda parece uma resposta. Confira números, citações e links.
Janela de contexto: A quantidade de texto (em tokens) que o modelo «guarda na cabeça» dentro de uma conversa: suas mensagens, as respostas dele, os documentos enviados. O que não cabe é «esquecido».
Treinamento do modelo: O processo de ajustar os bilhões de pesos de uma rede em dados massivos. Exige milhares de GPUs e semanas de computação — por isso poucas empresas constroem modelos grandes.
Pesos: Os parâmetros numéricos de uma rede, ajustados durante o treinamento. «Um modelo de 70 bilhões de parâmetros» fala exatamente do número de pesos.
Data de corte do conhecimento: A data a partir da qual não há eventos nos dados de treinamento do modelo. O que é mais recente só chega até ele por busca na web ou pelos materiais que você fornece.
IA generativa: IA que cria conteúdo novo — textos, imagens, música, vídeo, código — em vez de apenas classificar o que já existe. ChatGPT e Midjourney são modelos generativos.
Few-shot (aprendizado por exemplos): Uma técnica de prompting: mostre ao modelo 1 a 3 amostras «entrada → saída» dentro do próprio pedido para que ele copie o estilo e a estrutura. Substitui parágrafos de explicação.
Cadeia de raciocínio (chain-of-thought): Pedir ao modelo que resolva passo a passo, mostrando o raciocínio. Aumenta muito a precisão em lógica e cálculo e deixa os erros à vista.
RAG: Retrieval-Augmented Generation: antes de responder, o sistema encontra os trechos relevantes na sua base de conhecimento e os entrega ao modelo. Assim a IA responde pelos seus documentos, não de memória.
Agente de IA: Um sistema de IA que não apenas responde, mas age: planeja passos, chama ferramentas (busca, código, APIs), confere o resultado e segue até o objetivo. A competência que mais cresce em demanda.
MCP: Model Context Protocol — um padrão aberto para ligar a IA a ferramentas e dados externos: bancos de dados, serviços, arquivos. A «porta USB» dos agentes de IA.
Fine-tuning (ajuste fino): Retreinar um modelo pronto com os seus dados para uma tarefa específica. Mais caro e mais difícil que o prompting — necessário quando os exemplos dentro do prompt já não bastam.
Multimodalidade: A capacidade de um modelo de trabalhar com tipos de dados diferentes: texto, imagens, áudio, vídeo. Os modelos de ponta de hoje entendem uma imagem e a voz, não só texto.
Vibe coding: Criar sites e aplicativos conversando com a IA: você descreve o produto em palavras, o modelo escreve o código, você vai iterando. Palavra do ano e a porta de entrada para o desenvolvimento que mais cresce.

Terms make more sense in practice

Start for free →