Acordo de tratamento de dados
Um prestador de serviços trata dados pessoais por conta de uma empresa. Isso exige um contrato nos termos do art. 28.º do RGPD.
KI.ordo
Recursos
Termos, explicados de forma simples.
Mais de 350 termos, de A de agente a Z de zero-shot – explicados com clareza e com indicações sobre onde a KI.ordo ajuda.
KI
Afinação eficiente em parâmetros (PEFT)
A afinação eficiente em parâmetros (PEFT) abrange técnicas que adaptam um grande modelo pré-treinado a uma tarefa treinando apenas uma pequena parte dos seus parâmetros ou acrescentando alguns parâmetros adicionais. Entre os métodos mais conhecidos estão o LoRA, o QLoRA, os adaptadores e o prefix tuning. Isto reduz muito as necessidades de cálculo e de memória, e é possível guardar pequenos módulos adicionais para várias tarefas, em vez de cópias completas do modelo. Exemplo: um modelo de linguagem é adaptado ao estilo de documentos técnicos internos.
Agendamento
Inicia um fluxo automaticamente, por exemplo de hora a hora, diariamente, em dias úteis ou semanalmente.
KI.ordo
Agente de IA
Um modelo de IA com instruções fixas e acesso a conhecimento selecionado, que assume uma tarefa específica.
KI.ordo
Agente de IA vertical
Um agente de IA vertical é concebido à medida de um setor ou de uma tarefa especializada, como o apoio ao cliente no comércio eletrónico, a marcação de consultas em consultórios médicos ou os pedidos comerciais na engenharia mecânica. Ao contrário dos assistentes generalistas, conhece a terminologia, os processos e as regras da sua área, porque está equipado com instruções, conhecimento e ferramentas adequados. Como resultado, costuma fornecer resultados mais precisos e fiáveis no seu domínio.
Agentes de IA incorporados
Os agentes de IA incorporados têm um corpo físico ou simulado através do qual percecionam o ambiente por meio de sensores e atuam sobre ele através do movimento. Os exemplos incluem robôs de armazém e domésticos, robôs humanoides e personagens em simulações onde os robôs são treinados antes da utilização no mundo real. O desafio está em combinar perceção, planeamento e ação segura num mundo imprevisível.
Agentes inteligentes
Um agente inteligente é um sistema que perceciona o seu ambiente, processa informação e escolhe ações por si próprio para atingir um objetivo. Hoje, o termo refere-se normalmente a software baseado em grandes modelos de linguagem que segue instruções, recorre a conhecimento e chama ferramentas como uma função de pesquisa ou uma API. O grau de autonomia que um agente pode ter deve ser decidido deliberadamente. Exemplo: um agente responde a perguntas de clientes com base na documentação do produto.
Agêntico
«Agêntico» descreve sistemas de IA que fazem mais do que responder a uma única pergunta: perseguem um objetivo ao longo de vários passos, planeiam, utilizam ferramentas como a pesquisa na web ou APIs, verificam resultados intermédios e decidem o que fazer a seguir. Um exemplo é um assistente que categoriza um pedido, procura informações e prepara um rascunho de resposta. São essenciais limites claros, registo das ações e aprovação humana nos pontos críticos.
Agrupamento K-means
O K-means é um método de aprendizagem não supervisionada que divide pontos de dados num número k de grupos predefinido. Atribui cada ponto ao centro de grupo mais próximo e continua a deslocar esses centros até as atribuições quase não mudarem. O método é rápido e fácil de compreender, mas exige uma escolha sensata de k e características em escalas comparáveis. Exemplo: agrupar clientes por frequência de compra e valor do cesto.
Modelo
AllenNLP
O AllenNLP é uma biblioteca Python open source para investigação em processamento de linguagem natural, desenvolvida pelo Allen Institute for AI com base no PyTorch. Disponibilizava componentes e modelos prontos para tarefas como classificação de texto, resolução de correferências e resposta a perguntas. Desde o final de 2022, o AllenNLP deixou de ser desenvolvido ativamente e está em modo de manutenção; os seus responsáveis indicam alternativas como AI2 Tango, flair ou Hugging Face Transformers (em outubro de 2026).
Alucinação
Uma alucinação é uma saída de um modelo de IA que soa convincente, mas é errada ou totalmente inventada – como uma decisão judicial inexistente, um valor incorreto ou uma fonte inventada. A causa: os modelos de linguagem produzem formulações prováveis; não consultam factos automaticamente. O risco diminui quando as respostas se baseiam em fontes verificadas, as provas são citadas e as pessoas verificam os resultados importantes.
Modelo
Amazon KDP
O Amazon Kindle Direct Publishing (KDP) é a plataforma da Amazon para autores publicarem por conta própria e-books, livros de bolso e livros de capa dura. Títulos, descrições, palavras-chave e categorias têm de seguir regras próprias. Quem gera conteúdos com IA – textos, imagens de capa ou traduções – tem de o declarar à Amazon ao publicar; o trabalho apenas assistido por IA, como brainstorming ou revisão, está isento (em outubro de 2026). As diretrizes atuais devem ser verificadas antes de cada publicação.
Modelo
Amazon SageMaker
O Amazon SageMaker é o serviço cloud da Amazon Web Services (AWS) para criar, treinar e implementar modelos de aprendizagem automática. No final de 2024, o serviço original passou a chamar-se «Amazon SageMaker AI»; desde então, «Amazon SageMaker» designa uma plataforma mais abrangente para dados, análise e IA com a interface SageMaker Unified Studio (em outubro de 2026). É utilizado sobretudo por equipas de ciência de dados que executam modelos na infraestrutura da AWS.
Anaconda
O Anaconda é uma distribuição muito utilizada das linguagens de programação Python e R para análise de dados e aprendizagem automática, publicada pela Anaconda Inc. Agrupa o gestor de pacotes conda com bibliotecas pré-instaladas como NumPy, pandas e Jupyter e facilita a manutenção de ambientes separados por projeto. As organizações com mais de 200 colaboradores precisam de uma licença paga para a Anaconda Distribution e o respetivo canal de pacotes predefinido; o próprio conda e o canal comunitário conda-forge continuam a ser de utilização gratuita (em outubro de 2026).
Análise de dependências sintáticas
A análise de dependências sintáticas é uma técnica de processamento de linguagem natural que representa a estrutura gramatical de uma frase como dependências entre palavras. Cada palavra está ligada a uma palavra principal, por exemplo o sujeito e o objeto ao verbo: em "O cliente encomenda dois candeeiros", "cliente" e "candeeiros" dependem de "encomenda". Isto ajuda na extração de informação, por exemplo para identificar quem fez o quê.
Análise de sentimento
A análise de sentimento determina automaticamente o estado de espírito ou a atitude que um texto exprime – normalmente positivo, neutro ou negativo, por vezes emoções mais finas. As empresas utilizam-na para avaliar grandes quantidades de avaliações de produtos, e-mails de suporte, inquéritos ou publicações em redes sociais e ver rapidamente onde os clientes estão satisfeitos e onde há problemas. A ironia, o sarcasmo e as afirmações mistas, como «entrega rápida, qualidade dececionante», continuam a ser difíceis, pelo que as amostras devem ser verificadas por pessoas.
Modelo
Análise exploratória de dados (EDA)
A análise exploratória de dados (EDA, do inglês exploratory data analysis) é o primeiro olhar, aberto, sobre um conjunto de dados: calculam-se valores-resumo, examinam-se distribuições e gráficos e procuram-se padrões, valores atípicos e valores em falta – ainda sem uma hipótese definida. Ajuda a avaliar a qualidade dos dados e a encontrar questões pertinentes para análises ou modelações posteriores. Exemplo: antes de uma previsão de vendas, a EDA revela que um mês foi registado de forma incompleta devido a uma migração de sistema.
Modelo
Análise preditiva
A análise preditiva utiliza dados históricos, estatística e aprendizagem automática para estimar acontecimentos futuros prováveis. Responde a perguntas como: que clientes estão prestes a cancelar? De quanto stock será necessário no próximo mês? Quando é provável que uma máquina avarie? Os resultados são probabilidades, não certezas. O seu valor depende muito da qualidade dos dados e de as previsões se refletirem efetivamente em decisões e processos.
Análise semântica
A análise semântica examina o significado da linguagem – não apenas que palavras surgem, mas o que se quer dizer. Inclui interpretar corretamente palavras ambíguas no contexto (como «manga» enquanto fruta ou parte de uma camisa), reconhecer relações entre conceitos e classificar afirmações por conteúdo. Está na base de aplicações como a análise de feedback de clientes, a resposta a perguntas ou sistemas de pesquisa que devem compreender também consultas formuladas de forma diferente com o mesmo sentido.
Análise TAM
A análise TAM estima o mercado total endereçável: toda a receita que uma oferta poderia teoricamente gerar. Uma abordagem top-down reduz progressivamente números de estudos de mercado, enquanto uma abordagem bottom-up multiplica o número de clientes potenciais pelo preço esperado. Juntamente com o SAM (mercado servível) e o SOM (parcela realisticamente alcançável), apoia decisões de investimento e de planeamento, mas só é significativa com pressupostos e intervalos transparentes, em vez de uma falsa precisão.
Modelo
Analista de dados com IA
Um analista de dados com IA é um sistema ou assistente de IA que analisa dados como folhas de cálculo, exportações ou indicadores e explica os resultados em linguagem simples. Calcula totais e variações, identifica tendências e anomalias e sugere os passos seguintes. Assim, equipas de negócio sem conhecimentos de estatística obtêm respostas mais rápidas. Os modelos de linguagem podem, no entanto, cometer erros de cálculo, pelo que os valores devem ser verificados novamente. Exemplo: as vendas mensais são coladas em CSV e comentadas.
Modelo
Antropomorfismo
O antropomorfismo é a tendência para atribuir qualidades humanas, como sentimentos, intenções ou compreensão, a máquinas. Com os chatbots, isto acontece naturalmente, porque escrevem de forma fluente e pessoal. Pode tornar a interação mais agradável, mas comporta riscos: as pessoas podem confiar demasiado nas respostas ou partilhar informações sensíveis. Avisos claros de que se está a interagir com uma IA e afirmações honestas sobre os seus limites ajudam a contrariar isto.
Anyword
O Anyword é uma plataforma de escrita com IA para textos de marketing que nasceu da empresa Keywee, fundada em 2013. Produz textos curtos, como anúncios, linhas de assunto de e-mails, títulos e descrições de produtos, e atribui às variantes uma pontuação prevista sobre o quão bem poderão ressoar junto de um público-alvo. Oferece também definições de voz da marca e análise de conteúdos existentes (em outubro de 2026). Estas previsões são estimativas e não substituem testes reais.
Aprendizagem adaptativa
A aprendizagem adaptativa refere-se a programas de aprendizagem que se ajustam continuamente aos conhecimentos, ao ritmo e aos erros de quem aprende. O software analisa as respostas e seleciona depois exercícios, explicações ou revisões adequados. É utilizada em escolas, universidades e na formação empresarial – por exemplo, quando uma plataforma oferece automaticamente um passo intermédio mais fácil depois de uma tarefa ter sido respondida incorretamente. Em aprendizagem automática, o termo descreve também modelos que continuam a adaptar-se a novos dados.
Aprendizagem automática
O machine learning é um ramo da inteligência artificial em que os computadores deduzem padrões a partir de dados, em vez de cada regra ser programada explicitamente. Consoante a tarefa, os modelos aprendem com exemplos etiquetados (supervisionada), com dados não etiquetados (não supervisionada) ou através de recompensas (por reforço). As aplicações vão de filtros de spam e previsões de procura a recomendações de produtos. A qualidade depende muito da quantidade e da qualidade dos dados de treino.
Aprendizagem automática adversarial
A aprendizagem automática adversarial estuda como os modelos de IA podem ser induzidos em erro por entradas ou dados de treino deliberadamente manipulados – e como protegê-los. Exemplos conhecidos são alterações de imagem quase invisíveis que invertem uma classificação, ou dados de treino envenenados. O tema torna-se relevante para as organizações assim que a IA apoia decisões relevantes para a segurança. As contramedidas incluem treino robusto, verificação das entradas, monitorização e testes de segurança regulares.
Aprendizagem federada
A aprendizagem federada é uma abordagem de treino em que um modelo de IA aprende em muitos dispositivos ou locais sem que os dados em bruto alguma vez saiam deles. Cada participante treina localmente e envia apenas atualizações do modelo para um servidor central, que as combina. Isto protege a privacidade e é adequado, por exemplo, para hospitais que querem melhorar em conjunto um modelo de diagnóstico, ou para teclados de smartphone que aprendem sugestões de palavras.
Aprendizagem não supervisionada
Na aprendizagem não supervisionada, um modelo recebe dados sem respostas corretas predefinidas e procura estruturas por conta própria. Os métodos típicos são o clustering, que agrupa registos semelhantes, e a redução de dimensionalidade, que condensa muitas características em algumas essenciais. As organizações utilizam-na para descobrir segmentos de clientes ou detetar transações invulgares; os grupos encontrados têm depois de ser interpretados por especialistas da área.
Aprendizagem por reforço (RL)
A aprendizagem por reforço é um ramo da aprendizagem automática em que um agente aprende por tentativa e erro. Atua num ambiente, recebe recompensas por bons resultados e penalizações por maus resultados e, desta forma, desenvolve uma estratégia que maximiza a recompensa total. Entre os exemplos conhecidos contam-se programas que dominam jogos de tabuleiro como o Go, o controlo de robôs e a afinação de modelos de linguagem com base em avaliações humanas.
Aprendizagem por reforço a partir de feedback humano (RLHF)
O RLHF é um método de treino que torna os modelos de linguagem mais úteis e mais seguros. Pessoas comparam e avaliam várias respostas do modelo; estas avaliações são usadas para treinar um modelo de recompensa, que depois treina o próprio modelo de linguagem através de aprendizagem por reforço. Assim, o modelo aprende, por exemplo, a responder com mais clareza ou a recusar pedidos problemáticos. O RLHF ocorre no fornecedor do modelo, antes de este ser lançado – não junto de utilizadores individuais.
Aprendizagem semissupervisionada
A aprendizagem semissupervisionada combina uma pequena quantidade de dados etiquetados com uma grande quantidade de dados sem etiquetas. O modelo aprende primeiro com os poucos exemplos de resposta conhecida e depois utiliza padrões nos restantes dados para melhorar – por exemplo, adotando previsões confiantes como exemplos de treino adicionais. Compensa quando a etiquetagem é cara, como acontece com imagens médicas ou milhares de pedidos de suporte.
Aprendizagem supervisionada
Na aprendizagem supervisionada, um modelo aprende com exemplos cuja resposta correta já é conhecida, como e-mails etiquetados como «spam» ou «não spam». A partir deles, deduz regras para classificar casos novos e desconhecidos ou para prever valores. As tarefas típicas são a classificação e a regressão; a maior parte do esforço vai para a criação de dados corretamente etiquetados.
Aprendizagem zero-shot
A aprendizagem zero-shot significa que um modelo consegue resolver uma tarefa sem ter visto previamente exemplos específicos da mesma. Os grandes modelos de linguagem, por exemplo, conseguem realizar uma tradução ou uma classificação apenas com base numa descrição no prompt. Se a qualidade não for suficiente, a aprendizagem few-shot ajuda muitas vezes: acrescentam-se alguns exemplos da resposta pretendida.
Área sob a curva (AUC)
A área sob a curva (AUC) é uma métrica para modelos de classificação, referindo-se normalmente à curva ROC. Indica em que medida um modelo separa casos positivos de negativos, independentemente de qualquer limiar específico. Um valor de 1 significa separação perfeita; 0,5 não é melhor do que adivinhar. Exemplo: um modelo de abandono com AUC de 0,85 classifica um cliente que sai, escolhido ao acaso, como mais arriscado do que um cliente fiel em 85 % dos casos.
Árvore de decisão
Uma árvore de decisão é um modelo que representa uma decisão como uma sequência de perguntas simples de sim/não: cada ramo testa uma característica e cada folha dá um resultado. No machine learning, estas árvores são aprendidas automaticamente a partir de dados e usadas para classificação ou previsão. O seu ponto forte é a transparência – por exemplo, mostrar por que razão um pedido de crédito foi assinalado com base no rendimento, no prazo e no historial de pagamentos.
Auditoria de segurança de chatbot
Uma auditoria de segurança de chatbot é uma análise estruturada para verificar se um chatbot de IA protege adequadamente os dados confidenciais, as suas instruções internas e as suas permissões de ação. Examina, entre outros aspetos, a suscetibilidade à injeção de prompt, a divulgação involuntária de informações e o acesso demasiado amplo a ferramentas – muitas vezes seguindo o OWASP Top 10 para aplicações LLM. O resultado é um relatório com uma avaliação por área de risco e medidas concretas.
Modelo
Automatização do serviço ao cliente
A automatização do serviço ao cliente consiste em deixar que software trate, total ou parcialmente, pedidos recorrentes de clientes – por exemplo, através de chatbots, sugestões de resposta ou pré-triagem de tickets. Perguntas frequentes sobre horários, estado da entrega ou devoluções podem ser respondidas a qualquer hora, enquanto a equipa ganha tempo para os casos difíceis. São essenciais fontes de conhecimento fiáveis e uma passagem simples para pessoas.
Modelo
Autoridades de supervisão da IA
As autoridades de supervisão da IA são organismos públicos que fiscalizam o cumprimento das regras de IA. A nível da UE, o Gabinete para a IA da Comissão Europeia coordena a aplicação do Regulamento da IA e supervisiona os modelos de IA de finalidade geral. Na Alemanha, a lei de execução KI-MIG (em vigor desde 29 de julho de 2026) faz da Agência Federal de Redes (Bundesnetzagentur) a autoridade central de fiscalização do mercado, enquanto reguladores setoriais como a BaFin continuam a ser competentes. Ao abrigo do Digital Omnibus, as obrigações para sistemas de risco elevado só se aplicam a partir de dezembro de 2027 ou agosto de 2028 (situação em outubro de 2026; não constitui aconselhamento jurídico).
Avaliação de documentos (RAG)
Na geração aumentada por recuperação (RAG), a avaliação de documentos consiste em verificar se as passagens recuperadas correspondem à pergunta e podem sustentar uma resposta. Apenas as passagens consideradas relevantes são transmitidas ao modelo de linguagem; os resultados inadequados são descartados ou desencadeiam uma nova pesquisa. Isto reduz o risco de respostas inventadas ou com fontes erradas, por exemplo quando surge um documento desatualizado para uma pergunta sobre preços atuais.
Backpropagation
A retropropagação (backpropagation) é o método padrão através do qual as redes neuronais aprendem. Após cada previsão, o erro é medido e propagado para trás pelas camadas da rede, mostrando quanto cada peso contribuiu para ele. Um método de otimização como a descida do gradiente ajusta depois os pesos passo a passo. Sem retropropagação, treinar os atuais modelos de linguagem e de imagem seria praticamente impossível.
Bagging
O bagging (abreviatura de bootstrap aggregating) é um método de ensemble em aprendizagem automática: muitos modelos são treinados com amostras dos dados de treino extraídas aleatoriamente, e as suas previsões são calculadas em média ou combinadas por votação maioritária. Isto torna os resultados mais estáveis e reduz o sobreajuste. O exemplo mais conhecido é a random forest, que combina muitas árvores de decisão – por exemplo, para prever o abandono de clientes ou preços.
Barreiras competitivas (moats)
Um moat (barreira competitiva) é uma vantagem competitiva duradoura que protege uma empresa de imitadores, como efeitos de rede, custos de mudança, uma marca forte, dados exclusivos ou uma integração profunda nos processos dos clientes. A questão é particularmente relevante para as ofertas de IA, porque muitos produtos assentam nos mesmos modelos disponíveis. As vantagens tendem então a vir do conhecimento do setor, da proximidade aos clientes, de bons processos e da confiança, e não apenas da tecnologia.
Benchmarking
Em IA, benchmarking significa comparar sistematicamente modelos ou sistemas com base em tarefas e critérios definidos. Os benchmarks públicos medem, por exemplo, conhecimentos gerais, capacidade de raciocínio ou de programação; para a utilização prática, porém, o que mais conta são casos de teste do próprio dia a dia de trabalho. Critérios típicos são a exatidão, a exaustividade, o tempo de resposta e o custo. Isto ajuda a decidir se um modelo mais pequeno e mais barato é suficiente para uma tarefa.
Modelo
BERT
O BERT (Bidirectional Encoder Representations from Transformers) é um modelo de linguagem apresentado pela Google em 2018. Ao contrário de modelos anteriores, considera ao mesmo tempo o contexto à esquerda e à direita de uma palavra, o que o ajuda a resolver ambiguidades. O BERT foi concebido para compreender texto e não para escrever passagens mais longas. É utilizado em pesquisa, classificação de texto, reconhecimento de entidades nomeadas e resposta a perguntas e influenciou muitos modelos sucessores.
Bias
Em IA, o enviesamento (bias) designa uma distorção sistemática dos resultados. Resulta frequentemente de dados de treino desequilibrados ou historicamente distorcidos, mas também do design do modelo ou da forma como uma pergunta é formulada. Um exemplo conhecido: uma ferramenta de triagem de candidatos que aprende com decisões de contratação anteriores pode perpetuar desvantagens existentes. Em estatística, bias designa também o desvio de uma estimativa em relação ao valor real. As contramedidas incluem dados diversificados, auditorias regulares e decisões humanas em questões de pessoal.
BigML
O BigML é uma plataforma de aprendizagem automática da empresa com o mesmo nome, fundada em 2011 e sediada em Corvallis, Oregon (EUA). Através de uma interface web ou de uma API, os utilizadores podem criar modelos como árvores de decisão, ensembles, clustering ou deteção de anomalias sem muita programação. Dá destaque a modelos interpretáveis e a fluxos de trabalho automatizáveis. É disponibilizado como serviço cloud e para execução no próprio centro de dados (em outubro de 2026).
Bloqueio de bots de IA
Bloquear bots de IA significa impedir que os crawlers de fornecedores de IA leiam o seu site, normalmente através de regras no ficheiro robots.txt para user agents como GPTBot, ClaudeBot ou Google-Extended. O ficheiro é um pedido, não uma barreira técnica; um controlo mais rigoroso exige regras de firewall ou de servidor. O compromisso: o bloqueio protege os conteúdos de serem usados para treino, mas pode reduzir a visibilidade na pesquisa com IA e nas respostas geradas por IA. Muitas vezes faz sentido tratar de forma diferente os crawlers de treino e os de pesquisa.
BMXNet
O BMXNet é uma biblioteca open source para redes neuronais binárias, lançada em 2017 pelo Hasso Plattner Institute, em Potsdam, e baseada na framework Apache MXNet. As redes binárias armazenam pesos e ativações com um único bit em vez de 32, o que torna os modelos muito mais pequenos e rápidos – algo atrativo para smartphones e dispositivos embebidos, embora normalmente com alguma perda de exatidão. Desde que o MXNet foi descontinuado em 2023, o BMXNet tem sobretudo interesse para a investigação (em outubro de 2026).
Bolsas de investigação em IA
As bolsas e o financiamento de investigação em IA financiam projetos de investigação, grupos de investigadores em início de carreira ou colaborações no domínio da inteligência artificial. Na Alemanha, por exemplo, a Fundação Alemã de Investigação (DFG) financia grupos Emmy Noether sobre métodos de IA no âmbito da sua iniciativa de IA, enquanto o Ministério Federal da Investigação, Tecnologia e Espaço (BMFTR) concede apoios através de diretrizes de financiamento temáticas. A nível da UE, o Horizonte Europa e o Conselho Europeu de Investigação (ERC) lançam concursos. Os prazos e as condições mudam continuamente (situação em outubro de 2026).
Boosting
O boosting é um método de ensemble em aprendizagem automática em que muitos modelos simples são treinados uns após os outros, concentrando-se cada novo modelo nos casos em que os anteriores erraram. Em conjunto, formam um modelo global muito mais preciso. Variantes conhecidas são o AdaBoost e o gradient boosting, com bibliotecas como XGBoost ou LightGBM. O boosting é particularmente forte em dados tabulares, por exemplo em previsões de risco de crédito, de vendas ou de abandono de clientes.
Botpress
O Botpress é uma plataforma para criar chatbots e agentes de IA da empresa canadiana com o mesmo nome, sediada em Montreal. Um espaço de trabalho visual permite conceber fluxos de conversa, ligar fontes de conhecimento e associar agentes a canais como sites ou aplicações de mensagens através de integrações; a faturação baseia-se na utilização. A antiga versão 12, open source e alojada pelo próprio utilizador, foi descontinuada – os novos projetos funcionam no Botpress Cloud (em outubro de 2026).
Brag book
Um brag book é uma coletânea, atualizada continuamente, das próprias conquistas profissionais: projetos concluídos, indicadores, feedback positivo, prémios e formações. Serve de base para avaliações de desempenho, negociações salariais, candidaturas ou promoções. Uma estrutura comprovada é situação, tarefa, ação e resultado. Só devem ser incluídas informações verificáveis, e os números não devem ser embelezados.
Modelo
Caffe
O Caffe (Convolutional Architecture for Fast Feature Embedding) é uma framework open source de deep learning desenvolvida por Yangqing Jia na Universidade da Califórnia, em Berkeley, e lançada em 2013. Foi popular sobretudo para reconhecimento de imagem com redes neuronais convolucionais, pois era rápida e os modelos eram definidos em ficheiros de configuração. A última versão, a 1.0, surgiu em 2017; a sua sucessora, Caffe2, foi integrada no PyTorch em 2018. Hoje, o Caffe raramente é usado em novos projetos.
Chainer
O Chainer é uma framework open source de deep learning para Python, desenvolvida pela empresa japonesa Preferred Networks. Popularizou a abordagem «define-by-run», em que a rede neuronal é construída enquanto o cálculo decorre, o que facilita a experimentação com estruturas de modelo flexíveis. Desde dezembro de 2019, o Chainer apenas é mantido, sem novos desenvolvimentos; a Preferred Networks passou para o PyTorch, que segue o mesmo princípio.
Chatbot
Um chatbot é um programa que recebe perguntas por texto ou voz e lhes responde em diálogo. Os chatbots simples seguem regras fixas e árvores de decisão, enquanto os modernos utilizam grandes modelos de linguagem e compreendem pedidos formulados livremente. As utilizações típicas incluem o serviço ao cliente, helpdesks internos e pedidos de marcação – por exemplo, um chat no site que responde a qualquer hora a perguntas sobre prazos de entrega.
Modelo
ChatGPT
O ChatGPT é um assistente de IA da empresa norte-americana OpenAI, lançado em novembro de 2022, que levou a IA generativa a um público alargado. Baseia-se em grandes modelos de linguagem da série GPT e responde a perguntas, escreve e edita textos, resume documentos e ajuda na programação. O ChatGPT está disponível no browser e como aplicação, em versões gratuitas e pagas, bem como em versões para equipas e empresas.
Chave de API
Um código secreto que permite a outros programas chamar a KI.ordo.
KI.ordo
Circuito integrado de aplicação específica (ASIC)
Um circuito integrado de aplicação específica (ASIC) é um chip concebido para uma tarefa concreta, em vez de computação de uso geral como um CPU. Na IA, os ASIC são adaptados aos cálculos das redes neuronais – as Tensor Processing Units (TPU) da Google são um exemplo. Para essa tarefa, funcionam de forma mais rápida e energeticamente mais eficiente do que os chips de uso geral, mas são caros de desenvolver e difíceis de adaptar a novas cargas de trabalho.
Citação
A indicação numa resposta que mostra de que secção do conhecimento provém.
KI.ordo
Classificação automática
A classificação automática atribui textos, documentos ou registos a categorias predefinidas sem triagem manual. Tradicionalmente, os modelos aprendem isto a partir de exemplos rotulados; os grandes modelos de linguagem também conseguem atribuir categorias apenas com base numa descrição. As utilizações típicas incluem ordenar e-mails recebidos por tipo de pedido, atribuir recibos ou assinalar tickets de suporte urgentes. Nos casos importantes, recomendam-se verificações por amostragem feitas por pessoas.
Modelo
Classificação de texto
A classificação de texto atribui automaticamente textos a categorias predefinidas, por exemplo e-mails por tipo de pedido, avaliações por sentimento ou documentos por tema. Antes, isto exigia treinar modelos próprios com exemplos etiquetados; hoje, os grandes modelos de linguagem conseguem muitas vezes atribuir categorias apenas a partir de uma descrição. Isto permite pré-ordenar pedidos e encaminhá-los mais depressa para a equipa certa.
Modelo
Classificador
Um classificador é um modelo ou método que atribui entradas a uma de várias categorias predefinidas. As variantes clássicas, como as árvores de decisão ou o naive Bayes, são treinadas com exemplos etiquetados; os modelos de linguagem também podem ordenar textos com base numa descrição das categorias. As utilizações típicas incluem a deteção de spam, a triagem de pedidos de clientes por tema e a categorização de recibos. A qualidade é medida com métricas como a exatidão, a precisão e a revocação.
Modelo
Claude
O Claude é uma família de grandes modelos de linguagem da empresa norte-americana de IA Anthropic. Os modelos compreendem e escrevem texto em muitos idiomas, analisam documentos, escrevem código e podem utilizar ferramentas, por exemplo para pesquisa ou automatização. As mais conhecidas são as famílias de modelos Haiku, Sonnet e Opus, que diferem em velocidade, custo e capacidade. A Anthropic dá especial ênfase à segurança e a um comportamento fiável dos modelos.
Claude Haiku
O Claude Haiku é a mais rápida e económica das três famílias de modelos Claude da Anthropic, a par do Sonnet e do Opus. Adequa-se a tarefas de grande volume que exigem tempos de resposta curtos, como ordenar e-mails, extrair dados de textos ou encaminhar pedidos para o sítio certo. A geração atual é o Claude Haiku 5.5 (em outubro de 2026).
Claude Opus
O Claude Opus é a mais capaz das três famílias de modelos Claude da Anthropic: Haiku, Sonnet e Opus. Foi concebido para tarefas exigentes que requerem raciocínio em vários passos, como análises complexas, grandes projetos de programação ou agentes que trabalham de forma autónoma durante longos períodos. Em contrapartida, é mais lento e mais caro do que as famílias mais pequenas. A versão atual é o Claude Opus 5.5 (em outubro de 2026).
Claude Sonnet
O Claude Sonnet é a família intermédia das três famílias de modelos Claude da Anthropic e combina grande capacidade com tempos de resposta curtos e custos moderados. Adequa-se a uma vasta gama de tarefas empresariais do dia a dia: redigir textos, analisar documentos, responder a perguntas de conhecimento ou escrever código. A Anthropic lança novas versões regularmente; a atual é o Claude Sonnet 5.5 (em outubro de 2026).
Clearbit
O Clearbit é um serviço de enriquecimento de dados B2B: a partir de um endereço de e-mail ou de um domínio, acrescenta dados como setor, dimensão da empresa ou localização. As equipas de vendas e marketing utilizam estes dados para pontuar leads, encurtar formulários e associar visitas ao site a empresas. O Clearbit foi adquirido pela HubSpot em 2023; as suas funções são hoje disponibilizadas como Breeze Intelligence no HubSpot (em outubro de 2026).
Clustering
O clustering é um método de aprendizagem não supervisionada que divide pontos de dados em grupos com base na sua semelhança, sem categorias predefinidas. Revela padrões que ninguém tinha identificado antes – por exemplo, segmentos de clientes com comportamentos de compra semelhantes. Com textos, o clustering ajuda a organizar centenas de pedidos de clientes por temas como entrega, faturação ou reclamações e mostra onde está o foco.
Modelo
Colapso do modelo
O colapso do modelo é a perda de qualidade que pode ocorrer quando modelos generativos são treinados repetidamente com dados que foram, eles próprios, produzidos por IA. Os conteúdos raros e os casos-limite perdem-se gradualmente, e os resultados tornam-se mais uniformes e mais propensos a erros. O problema ganha importância porque a proporção de textos e imagens gerados por IA na internet está a aumentar. Dados criteriosamente selecionados e criados por pessoas ajudam a contrariá-lo.
Compreensão de linguagem natural (NLU)
A compreensão de linguagem natural é a parte do processamento de linguagem que capta o significado de um enunciado: que intenção está por trás dele, que pessoas, locais ou datas são mencionados e qual é o seu tom? Em conjunto com a geração de linguagem natural (NLG), a NLU forma um dos dois lados do PLN. Um exemplo é um sistema de apoio ao cliente que reconhece «A minha encomenda ainda não chegou» como um pedido sobre a entrega.
Computação cognitiva
A computação cognitiva é um termo genérico para sistemas que pretendem emular processos de pensamento humanos, como compreender a linguagem, raciocinar e aprender com a experiência, a fim de apoiar as decisões das pessoas. O termo tornou-se amplamente conhecido na década de 2010, sobretudo através do IBM Watson. Combina métodos como o processamento de linguagem natural, o machine learning e a representação do conhecimento; hoje fala-se mais frequentemente de assistentes de IA ou de modelos de linguagem.
Computação neuromórfica
A computação neuromórfica é uma abordagem de hardware e software inspirada na estrutura do cérebro. Em vez de mover dados, em ciclos de relógio, entre uma memória e um processador separados, neurónios e sinapses artificiais trabalham em paralelo e reagem apenas a eventos, chamados spikes. Isto promete um consumo de energia muito baixo, por exemplo em sensores ou robôs. Entre os chips de investigação mais conhecidos estão o Intel Loihi e o IBM TrueNorth; a utilização comercial em larga escala ainda está numa fase inicial.
Computação quântica
A computação quântica utiliza efeitos da física quântica, como a sobreposição e o entrelaçamento, para calcular com qubits em vez de bits clássicos. Esperam-se grandes ganhos de velocidade em certas tarefas, como a simulação de moléculas, alguns problemas de otimização ou a quebra dos métodos de encriptação atuais. No entanto, as máquinas ainda são propensas a erros e são utilizadas sobretudo em investigação e projetos-piloto (à data de outubro de 2026). Para as aplicações de IA atuais, a computação quântica ainda não tem praticamente qualquer papel.
Consultor de IA
Um consultor de IA ajuda as organizações a utilizar a IA de forma sensata e responsável. As tarefas típicas incluem avaliar o potencial, selecionar casos de utilização e ferramentas adequados, integrá-los nos processos e responsabilidades existentes, questões de proteção de dados e conformidade, e formação. Uma boa consultoria pondera benefícios e riscos de forma sóbria e tem em conta as pessoas que trabalham com os sistemas. Exemplo: uma empresa de média dimensão esclarece que pedidos de clientes podem ser automatizados de forma fiável.
Convergência
No machine learning, convergência significa que um processo de treino se aproxima de um estado estável: a perda quase já não diminui e os parâmetros do modelo mudam apenas minimamente. Se um modelo converge, e com que rapidez, depende de fatores como a taxa de aprendizagem, a qualidade dos dados e a arquitetura do modelo. Se a taxa de aprendizagem for demasiado alta, a perda oscila; se for demasiado baixa, o treino demora desnecessariamente. A convergência não garante um bom modelo, pois este pode ainda estar sobreajustado.
Copilot
O Copilot é a marca sob a qual a Microsoft agrupa os seus assistentes de IA. Inclui um assistente geral para a web e o Windows, o Microsoft 365 Copilot para trabalhar no Word, Excel, Outlook ou Teams e o Copilot Studio para criar agentes personalizados; o GitHub Copilot apoia a programação. Os assistentes baseiam-se em grandes modelos de linguagem e, consoante a variante, podem aceder a dados da organização no Microsoft 365 (situação em outubro de 2026).
Copy.ai
O Copy.ai é uma plataforma de IA norte-americana que começou como gerador de textos para conteúdos de marketing, como anúncios, e-mails ou descrições de produtos. Mais tarde, o foco passou para fluxos de trabalho automatizados para vendas e marketing, que a empresa agrupa sob o termo "GTM AI". Em outubro de 2025, o Copy.ai foi adquirido pelo fornecedor de revenue operations Fullcast (situação em outubro de 2026).
Copysmith
A Copysmith é uma fornecedora norte-americana de ferramentas de IA que ficou conhecida por um gerador de textos para conteúdos de marketing e comércio eletrónico, como descrições de produtos e anúncios. Em 2022, a Copysmith adquiriu as ferramentas de escrita e SEO Rytr e Frase. Hoje, a empresa funciona como guarda-chuva de vários produtos, entre os quais o Describely, para textos de produtos no comércio online (situação em outubro de 2026).
Corpus
Um corpus é uma coleção estruturada de textos ou dados linguísticos reunida para análise, investigação ou treino de modelos de linguagem. Pode ser geral, como textos noticiosos ao longo de muitos anos, ou específico de um domínio, como todos os contratos e manuais de uma empresa. A dimensão, o equilíbrio, a atualidade e os direitos sobre os textos determinam a utilidade das conclusões obtidas.
Correspondência aproximada (fuzzy matching)
A correspondência aproximada (fuzzy matching) encontra entradas semelhantes, mas não exatamente idênticas – por exemplo, devido a erros de digitação, abreviaturas ou grafias diferentes. Baseia-se em medidas de semelhança como a distância de Levenshtein, que conta quantos carateres têm de ser alterados. Uma utilização típica é encontrar duplicados em dados de moradas e de clientes: "Silva Lda, Rua Alta 5" e "Silva Limitada, R. Alta, n.º 5" são reconhecidos como provavelmente o mesmo registo.
Modelo
Crew AI
O CrewAI é uma framework Python de código aberto para combinar vários agentes de IA numa equipa (uma "crew"). Cada agente recebe uma função, um objetivo e ferramentas adequadas; as tarefas são distribuídas e os resultados transmitidos. Além disso, os "flows" oferecem fluxos de trabalho orientados por eventos e rigorosamente controlados. Por exemplo, um agente de pesquisa reúne informações e um agente de redação transforma-as num relatório.
Criação de conteúdos assistida por IA
A criação de conteúdos assistida por IA consiste em produzir texto, imagens ou outros conteúdos com a ajuda de IA generativa, por exemplo para sites, newsletters, descrições de produtos ou redes sociais. A IA entrega rapidamente rascunhos, variantes e traduções, enquanto o conhecimento especializado, a voz da marca e a verificação de factos continuam a ser tarefas humanas. Orientações claras sobre o público, o tom e as fontes ajudam. Exemplo: tópicos sobre uma nova oferta tornam-se um rascunho de artigo de blogue e três publicações para redes sociais.
Modelo
Curva de aprendizagem
No machine learning, uma curva de aprendizagem é um gráfico que mostra o desempenho ou o erro de um modelo ao longo do tempo de treino ou da quantidade de dados de treino, normalmente em separado para os dados de treino e de validação. A sua forma revela se um modelo sofre de subajuste ou de sobreajuste e se mais dados são suscetíveis de ajudar. Se o erro de validação se mantiver bem acima do erro de treino, por exemplo, isso aponta para sobreajuste. Na linguagem corrente, o termo descreve também a rapidez com que as pessoas dominam uma nova tecnologia.
Curva ROC
A curva ROC (receiver operating characteristic) mostra a capacidade de um modelo de classificação para separar duas classes. Para cada limiar de decisão possível, representa a taxa de verdadeiros positivos (recall) em função da taxa de falsos positivos. Quanto mais a curva se aproxima do canto superior esquerdo, melhor; a diagonal corresponde a um palpite puro. A área sob a curva (AUC) resume-a num único número e ajuda, por exemplo, a comparar diferentes modelos de deteção de fraude.
Custos dos LLM
Os custos dos grandes modelos de linguagem são normalmente faturados por token, isto é, unidades de texto do tamanho aproximado de uma sílaba a uma palavra; os tokens de entrada e de saída têm preços separados, sendo os de saída geralmente mais caros. Os modelos maiores custam mais por token do que os modelos pequenos e rápidos, como o Claude Haiku, que muitas vezes bastam para tarefas simples. O prompt caching reduz os custos quando o mesmo contexto longo é enviado repetidamente. Instruções concisas e conhecimento cuidadosamente selecionado também ajudam.
Dados de treino
Os dados de treino são os exemplos a partir dos quais um modelo de IA aprende padrões: grandes coleções de texto para modelos de linguagem, imagens etiquetadas para modelos de imagem. A sua qualidade, diversidade e atualidade determinam em grande medida a fiabilidade e a equidade de um modelo e o quão atualizado será o seu conhecimento. Para as organizações, também importa saber se um fornecedor utiliza os dados dos clientes que lhe são fornecidos para treino adicional.
Dados estruturados
Os dados estruturados seguem um esquema fixo com campos claramente nomeados, como tabelas, bases de dados ou objetos JSON com informações como nome, preço e data. As máquinas conseguem lê-los, filtrá-los e processá-los de forma fiável – ao contrário do texto livre ou das imagens. Nos sites, a marcação schema.org descreve, por exemplo, produtos, eventos ou FAQ, para que os motores de pesquisa e os sistemas de IA compreendam o conteúdo sem ambiguidade. A IA também consegue extrair dados estruturados de texto não estruturado.
Dados não estruturados
Os dados não estruturados não seguem um esquema fixo de tabela: e-mails, contratos, manuais, páginas web, apresentações, imagens ou gravações de áudio. Representam uma grande parte do conhecimento das organizações, mas foram durante muito tempo difíceis de analisar automaticamente. Os modelos de linguagem conseguem ler e pesquisar esses conteúdos e convertê-los em informação estruturada, por exemplo extraindo prazos e montantes de um contrato para uma tabela.
Dados sintéticos
Os dados sintéticos são gerados artificialmente, e não recolhidos no mundo real, mas imitam os padrões e as propriedades dos dados reais. Ajudam quando os dados genuínos são escassos, caros ou sensíveis do ponto de vista da proteção de dados – por exemplo, para testar software, treinar modelos ou verificar um chatbot com consultas de exemplo realistas. É importante que reflitam a realidade com suficiente proximidade e não permitam tirar conclusões sobre pessoas reais.
Modelo
DALL-E
O DALL-E é uma série de modelos de geração de imagens da OpenAI que criam imagens a partir de descrições em texto. A primeira versão surgiu em 2021; o DALL-E 3 foi integrado no ChatGPT em 2023 e tornou a geração de imagens a partir de texto acessível a um vasto público. Entretanto, a OpenAI substituiu o DALL-E por modelos de imagem mais recentes da série GPT Image; o acesso por API ao DALL-E 2 e 3 terminou em maio de 2026 (situação em outubro de 2026).
Dash
O Dash é uma framework de código aberto da empresa Plotly para criar aplicações web interativas de análise de dados em Python, sem ser necessário escrever JavaScript. Gráficos, filtros e controlos deslizantes ficam ligados diretamente ao código Python. Exemplos típicos são dashboards em que equipas de negócio filtram as vendas por região ou experimentam as previsões de um modelo de machine learning com valores próprios.
Data limite de conhecimento
A data limite de conhecimento (knowledge cutoff) é o momento até ao qual se estendem os dados de treino de um modelo de linguagem. O modelo não tem qualquer conhecimento próprio de acontecimentos, preços, leis ou produtos surgidos depois e pode fornecer informações desatualizadas, a menos que lhe sejam fornecidos dados atuais. Isto pode ser resolvido com métodos que incorporam documentos próprios ou conteúdos web atuais em tempo de execução.
Data mining
O data mining é a pesquisa sistemática de padrões, relações e anomalias em grandes conjuntos de dados. Recorre a técnicas estatísticas e a métodos de machine learning, como clustering, classificação ou análise de associações. Um exemplo clássico é a análise do cabaz de compras no retalho, que mostra quais os produtos frequentemente comprados em conjunto – uma base para a gama, a colocação e as recomendações.
DataRobot
A DataRobot é uma empresa de software norte-americana cuja plataforma ajuda as organizações a criar, operar e monitorizar aplicações de IA. Ficou conhecida pelo machine learning automatizado (AutoML), que treina e compara automaticamente muitas variantes de modelos – por exemplo, para prever o abandono de clientes ou a procura. Atualmente, a empresa dedica-se também à execução e à governação de agentes de IA (situação em outubro de 2026).
Deep learning
O deep learning é um ramo do machine learning que utiliza redes neuronais artificiais com muitas camadas. Estas redes aprendem, a partir de grandes quantidades de dados, quais as características relevantes – desde arestas em imagens a relações de significado em textos. O deep learning está na base dos atuais modelos de linguagem, do reconhecimento de imagem e de voz e da tradução automática, e exige normalmente uma capacidade de cálculo e dados de treino consideráveis.
Deepfake
Um deepfake é uma imagem, um vídeo ou um áudio criado ou alterado com IA que mostra de forma convincente pessoas reais a dizer ou a fazer coisas que nunca aconteceram. A par de utilizações legítimas no cinema ou na dobragem, os deepfakes são usados para desinformação, danos à reputação e fraude – por exemplo, falsas chamadas de um suposto gestor a pedir uma transferência bancária. A proteção inclui chamadas de confirmação por canais conhecidos, processos de aprovação claros e a identificação de conteúdos gerados por IA.
Descida do gradiente
A descida do gradiente é o método de otimização usado para treinar a maioria dos modelos de IA. Mede-se a dimensão do erro do modelo, calcula-se em que direção os parâmetros têm de mudar para o reduzir e dá-se depois um pequeno passo nessa direção – repetidamente. É como um caminhante em pleno nevoeiro que continua a descer para chegar ao vale. O tamanho do passo (taxa de aprendizagem) determina a velocidade e a estabilidade.
Desenvolvimento de protótipos de IA
Um protótipo de IA é uma versão inicial e funcional de uma aplicação de IA que permite a uma equipa testar uma ideia rapidamente e a baixo custo. Em vez de planear durante meses, experimenta-se com dados e utilizadores reais para ver se a IA resolve a tarefa de forma suficientemente fiável, que dados faltam e que valor traz. Exemplo: um assistente que pré-ordena pedidos de clientes é testado durante duas semanas numa parte da caixa de entrada antes de se decidir um lançamento mais alargado.
Desvio do modelo
O desvio do modelo é a perda gradual de qualidade preditiva de um modelo durante o funcionamento, porque a realidade se altera em relação aos dados de treino. Distingue-se entre alterações nos dados de entrada (desvio dos dados) e alterações na relação entre as entradas e os resultados (desvio de conceito). Exemplo: um modelo de deteção de fraude deixa passar novos esquemas de fraude. Entre as soluções contam-se a monitorização contínua das métricas e o retreino regular.
Deteção de anomalias
A deteção de anomalias encontra pontos de dados, eventos ou padrões que se afastam claramente da norma. Podem ser transações invulgarmente elevadas, saltos súbitos nas leituras de sensores, registos duplicados ou atividade de rede suspeita. É utilizada nas finanças, na segurança informática, na produção e no controlo de qualidade. Os métodos vão desde simples limiares estatísticos até modelos de aprendizagem; os resultados são indícios que uma pessoa deve avaliar.
Modelo
Deteção de anomalias em imagens
A deteção de anomalias em imagens procura desvios em relação ao estado normal em fotografias ou imagens de câmara – como riscos, fissuras ou descolorações em peças na produção, ou irregularidades em imagens médicas. Muitas vezes, um modelo aprende primeiro com muitos exemplos sem defeitos e assinala depois tudo o que é diferente. Isto é útil porque os defeitos reais são raros e dificilmente podem ser descritos por completo com antecedência.
Deteção de fraude
A deteção de fraude abrange métodos que identificam precocemente transações, encomendas, contas ou candidaturas suspeitas. Regras e modelos de aprendizagem procuram sinais de alerta como endereços de entrega e de faturação diferentes, quantidades invulgares, pressão de tempo evidente ou endereços de e-mail descartáveis. É utilizada no comércio eletrónico, na banca, nos seguros e nos serviços de pagamento. Como os falsos alarmes podem afetar clientes genuínos, os casos detetados devem ser analisados por pessoas em vez de rejeitados automaticamente.
Modelo
Deteção de fraude financeira
A deteção de fraude financeira abrange métodos que descobrem atividades fraudulentas em pagamentos, cartões de crédito, seguros ou contabilidade. Os modelos de IA aprendem os padrões típicos das transações legítimas e assinalam desvios – como montantes, locais ou horas invulgares –, muitas vezes em tempo real. É essencial encontrar o equilíbrio certo entre fraude detetada e falsos alarmes. Os casos suspeitos devem ser revistos por pessoas antes de contas serem bloqueadas ou pagamentos recusados.
Modelo
Developmental Reading Assessment (DRA)
A Developmental Reading Assessment (DRA) é um procedimento muito utilizado nos Estados Unidos com o qual os professores determinam o nível de leitura de crianças desde o jardim de infância até ao 8.º ano; é publicada pela Pearson. As crianças leem em voz alta textos graduados e respondem a perguntas sobre eles, e a avaliação abrange aspetos como a fluência e a compreensão. O resultado é um nível de leitura que orienta a escolha de livros adequados e de medidas de apoio.
Discriminação na IA
A discriminação na IA ocorre quando um sistema de IA prejudica injustificadamente pessoas com base em características como o sexo, a origem étnica, a idade ou a deficiência. As causas são, em geral, dados de treino enviesados, características de substituição inadequadas, como os códigos postais, ou a falta de testes; os casos mais conhecidos provêm do recrutamento e da concessão de crédito. As contramedidas incluem dados representativos, testes regulares de equidade, transparência e supervisão humana das decisões sobre pessoas.
Distância de Fréchet inception (FID)
A distância de Fréchet inception (FID) é uma métrica para avaliar a qualidade de imagens geradas por IA. Imagens reais e geradas são passadas por uma rede de reconhecimento de imagem pré-treinada (Inception v3) e comparam-se as distribuições estatísticas das suas características. Quanto mais baixo o valor, mais as imagens geradas se aproximam de fotografias reais em realismo e variedade. A FID foi introduzida em 2017 e é uma referência para comparar geradores de imagens.
DL4J (DeepLearning4J)
O DL4J (Eclipse Deeplearning4j) é uma biblioteca de código aberto para deep learning na Java Virtual Machine (JVM). Permite treinar e executar redes neuronais em Java ou Scala, pelo que se integra em sistemas empresariais já existentes baseados em Java. O projeto inclui também ferramentas para importar modelos de outras frameworks. É mantido como projeto da Eclipse Foundation.
Dropout
O dropout é uma técnica de regularização usada no treino de redes neuronais: em cada passo de treino, uma parte aleatória dos neurónios é temporariamente desligada. Isto impede que a rede dependa de ligações individuais, pelo que aprende padrões mais robustos. Reduz o sobreajuste, isto é, a mera memorização dos dados de treino. Quando o modelo concluído é utilizado mais tarde, todos os neurónios voltam a estar ativos.
Emergência
A emergência descreve propriedades de um sistema que resultam da interação de muitas partes simples, mas que não se encontram em nenhuma parte isolada. Na investigação em IA, as capacidades dizem-se emergentes quando grandes modelos de linguagem acima de um certo tamanho resolvem tarefas como aritmética de vários passos ou tradução claramente melhor do que modelos mais pequenos. Se tais saltos são reais ou dependem em parte da forma como são medidos é matéria debatida entre os investigadores.
Encadeamento de modelos
O encadeamento de modelos consiste em ligar vários modelos de IA ou passos de IA em sequência, de modo que o resultado de um passo se torne a entrada do seguinte. As tarefas complexas podem assim ser decompostas em subtarefas geríveis, que podem ser verificadas e melhoradas individualmente. Exemplo: um passo resume um pedido de cliente, um segundo atribui-o a um departamento e um terceiro redige a resposta.
Engenharia do conhecimento
A engenharia do conhecimento abrange a captação, a organização e a preparação do conhecimento de especialistas para que os sistemas informáticos o possam utilizar. Originalmente, centrava-se em regras para sistemas periciais; hoje, a prioridade é muitas vezes documentar o conhecimento disperso em manuais, descrições de processos e na cabeça das pessoas, para que os agentes de IA possam responder com fiabilidade a partir dele. Isto implica estruturas claras, fontes atualizadas, responsabilidades definidas e o preenchimento das lacunas identificadas.
Modelo
Engenharia e extração de características
A engenharia de características consiste em selecionar, transformar e criar atributos (características) a partir de dados em bruto, para que um algoritmo de aprendizagem consiga detetar padrões com mais facilidade. A extração de características obtém valores compactos e significativos a partir de dados complexos, como texto, imagens ou sinais. Exemplo: registos de compras individuais são transformados em características como "dias desde a última compra" ou "valor médio da encomenda", o que pode melhorar de forma notória uma previsão de abandono de clientes.
Engenheiro de sistemas de IA
Um engenheiro de sistemas de IA concebe e opera aplicações de IA como um sistema completo: liga modelos a fontes de dados, interfaces e software existente, garante a segurança, a monitorização e o controlo de custos e leva protótipos para uma operação estável. Ao contrário do desenvolvimento puro de modelos, o foco está na integração. Um exemplo é ligar um agente de apoio ao cliente ao sistema de tickets, incluindo registos e direitos de acesso.
Enriquecimento de conteúdos
Enriquecer conteúdos significa acrescentar estrutura e informação complementar a um texto existente, como títulos, um esquema, um resumo, palavras-chave ou metadados. Os modelos de IA conseguem fazê-lo de forma rápida e consistente, tornando os conteúdos mais fáceis de encontrar, ler e reutilizar. A regra essencial é organizar o que já existe em vez de inventar factos novos. Exemplo: notas soltas de uma reunião tornam-se uma ata estruturada com resumo.
Modelo
Enriquecimento de dados B2B
O enriquecimento de dados B2B acrescenta informação a registos de empresas existentes – por exemplo, num CRM –, como setor, oferta, localização, dimensão da empresa ou site. Isto facilita a segmentação, o lead scoring e uma abordagem comercial bem direcionada. As fontes incluem sites públicos, registos e fornecedores de dados especializados. Os dados pessoais dos contactos estão sujeitos ao RGPD e devem ser tratados com parcimónia e apenas com base legal.
Modelo
Entropia cruzada
A entropia cruzada é uma medida da teoria da informação que indica o quanto uma distribuição de probabilidade prevista se desvia da real. No machine learning, é a função de perda mais comum para tarefas de classificação e também para modelos de linguagem que preveem o token seguinte. Penaliza de forma especialmente forte as previsões erradas feitas com confiança: atribuir 99 % à classe errada resulta numa perda muito mais elevada do que atribuir 60 %.
Erro absoluto médio (MAE)
O erro absoluto médio (MAE) mostra, em média, quanto as previsões de um modelo se desviam dos valores reais, independentemente do sentido. É expresso na unidade da variável-alvo, o que o torna fácil de compreender. Exemplo: um MAE de 12 numa previsão de vendas diárias significa que o modelo falha, em média, 12 unidades. Dá menos peso aos valores atípicos do que as medidas de erro quadrático.
Erro de generalização
O erro de generalização mede o quanto um modelo de IA falha em dados novos, nunca vistos – por oposição ao seu erro nos dados de treino. Uma grande diferença entre os dois indica sobreajuste: o modelo memorizou exemplos em vez de aprender padrões gerais. É estimado com dados de teste reservados ou validação cruzada. É o valor que realmente conta, porque, na prática, um modelo encontra quase só casos novos.
Erro de treino
O erro de treino indica quanto as previsões de um modelo se desviam dos valores corretos precisamente nos dados com que foi treinado. Por si só, diz pouco: o que importa é a comparação com o erro de generalização em dados novos. Um erro de treino elevado aponta para subajuste; um erro de treino muito baixo combinado com um erro elevado nos dados de teste sinaliza, em geral, sobreajuste.
Escassez de dados
A escassez de dados ocorre quando existem poucos dados adequados ou etiquetados para treinar ou testar um modelo de forma fiável numa tarefa de IA. Afeta, por exemplo, tipos de defeitos raros na produção, idiomas de nicho ou produtos novos sem histórico de vendas. Entre as soluções contam-se a aprendizagem por transferência, os dados sintéticos, o aumento de dados ou modelos de linguagem pré-treinados que fornecem resultados úteis com poucos exemplos.
Especialista em garantia de qualidade de IA
Um especialista em garantia de qualidade de IA verifica se as aplicações de IA funcionam de forma fiável, correta e adequada. A função inclui perguntas de teste e benchmarks, a comparação de diferentes modelos, a análise das avaliações dos utilizadores e a deteção de alucinações e da degradação ao longo do tempo. Por exemplo, antes de mudar para um novo modelo, 50 pedidos típicos de clientes são respondidos pelos dois modelos e comparados com critérios fixos.
Modelo
Estimativa de pose
A estimativa de pose é uma técnica de visão computacional que determina a postura de pessoas, ou a posição e a orientação de objetos, em imagens ou vídeo. Normalmente, um modelo deteta pontos-chave, como ombros, cotovelos e joelhos, e liga-os num esqueleto. É utilizada, por exemplo, em aplicações de fitness que verificam exercícios, na análise da ergonomia no local de trabalho, na análise desportiva e na robótica.
Estimativa de profundidade
A estimativa de profundidade determina, a partir de imagens, a que distância da câmara se encontram objetos ou píxeis individuais. Pode ser feita com duas câmaras (estéreo), com sensores de profundidade ou, com redes neuronais, até a partir de uma única fotografia (estimativa monocular de profundidade). É necessária na robótica, na assistência à condução, na realidade aumentada e em modelos 3D de espaços.
Ética da IA
A ética da IA ocupa-se das questões morais em torno do desenvolvimento e da utilização da IA: equidade e discriminação, transparência e explicabilidade, proteção de dados, responsabilidade por erros, segurança e os efeitos no trabalho e na sociedade. Para as organizações, concretiza-se em diretrizes, avaliações de risco, supervisão humana e comunicação honesta sobre os limites da IA. Exemplo: antes de introduzir uma ferramenta de triagem de currículos, verifica-se se esta prejudica determinados grupos.
Etiquetagem de classes gramaticais (POS)
A etiquetagem de classes gramaticais atribui automaticamente a cada palavra de uma frase a sua categoria gramatical, como substantivo, verbo, adjetivo ou preposição. Como muitas palavras são ambíguas («casa» como substantivo ou como forma do verbo casar, «claro» como adjetivo ou advérbio), os métodos têm em conta o contexto da frase. A etiquetagem POS é um passo clássico de pré-processamento para a análise sintática, a extração de informação ou a verificação ortográfica e é oferecida por bibliotecas como o spaCy e o NLTK.
Exatidão e estabilidade dos modelos de IA
A exatidão descreve com que frequência um modelo de IA produz resultados corretos; a estabilidade descreve com que fiabilidade esse desempenho se mantém – com entradas ligeiramente alteradas, dados novos ou ao longo do tempo. Um modelo pode ser muito exato nos testes, mas instável se a simples reformulação de uma pergunta levar a uma resposta diferente. Na utilização real, ambas as propriedades são verificadas com casos de teste fixos, validação cruzada e monitorização contínua.
Exatidão top-k
A exatidão top-k mede com que frequência a resposta correta se encontra entre as k sugestões mais prováveis de um modelo. No top-1, só conta a primeira previsão; no top-5, basta que a classe correta esteja entre as cinco melhores, uma métrica bem conhecida dos benchmarks de reconhecimento de imagens, como o ImageNet. É útil sempre que os utilizadores veem várias sugestões, por exemplo em recomendações de produtos ou no preenchimento automático.
Exfiltração de dados
A exfiltração de dados é a transferência não autorizada de dados para fora de um sistema. Em aplicações de IA, pode acontecer quando um chatbot ou agente é manipulado por entradas especialmente construídas ou por conteúdos preparados – por exemplo, numa página web que ele lê – para revelar ou reencaminhar informações confidenciais. A proteção inclui direitos de acesso mínimos, verificação das entradas, restrições às ligações de saída e monitorização das respostas.
Modelo
Expansão de consulta
A expansão de consulta acrescenta automaticamente termos relacionados a uma consulta de pesquisa, para que sejam também encontrados documentos relevantes que usem outra formulação. Os acrescentos típicos são sinónimos, abreviaturas, formas de palavras ou traduções: uma pesquisa por «cancelamento» pode então encontrar também textos sobre «rescisão de contrato». É particularmente útil na pesquisa por palavras-chave, mas pode reduzir a precisão se forem acrescentados termos em excesso ou inadequados. Hoje, utilizam-se muitas vezes modelos de linguagem para gerar as consultas expandidas.
Explicabilidade
A explicabilidade (IA explicável, XAI) descreve em que medida se consegue compreender por que razão um sistema de IA chegou a determinado resultado. Abrange métodos que mostram que entradas mais influenciaram uma decisão, bem como auxiliares práticos como referências às fontes e registos. A explicabilidade é importante para a confiança, a resolução de problemas e a regulamentação – por exemplo, quando um banco tem de justificar por que razão recusou um pedido.
Extensibilidade
A extensibilidade é a capacidade de um software assumir novas funções, fontes de dados ou ligações sem ser necessário reconstruir o seu núcleo. Os meios típicos são interfaces de programação (API), webhooks, plug-ins e normas abertas como o Model Context Protocol (MCP). Para as empresas, uma solução de IA extensível funciona em conjunto com sistemas existentes, como um CRM ou uma loja online, e pode crescer com a evolução dos requisitos.
Extração de características
A extração de características é o processo de obter valores relevantes a partir de dados em bruto, para que um modelo os possa processar com eficiência. Em vez de milhões de píxeis individuais, um sistema pode utilizar arestas, cores ou formas; os textos são convertidos em ponderações de palavras ou em vetores de embedding. Boas características reduzem o volume de dados, diminuem o esforço de cálculo e, muitas vezes, melhoram a exatidão. A extração de características é uma parte essencial da engenharia de características.
Extração do prompt de sistema
A extração do prompt de sistema designa as tentativas de levar um chatbot ou agente de IA a revelar as suas instruções de sistema ocultas. Se essa tentativa tiver êxito, o resultado chama-se fuga de prompt: a extração é o ataque, a fuga é a consequência. Uma proteção eficaz começa por manter palavras-passe, chaves e regras confidenciais fora das instruções e por partir do princípio de que podem tornar-se públicas; verificações das entradas e testes regulares acrescentam outras salvaguardas.
Modelo
F-score (pontuação F1)
O F-score é uma métrica para avaliar modelos de classificação. A pontuação F1, a mais comum, é a média harmónica da precisão (quantos dos acertos previstos estão corretos) e da revocação (quantos dos acertos reais foram encontrados) e varia entre 0 e 1. É especialmente útil com dados desequilibrados: um filtro de spam que quase nunca assinala spam pode ter uma exatidão elevada, mas uma pontuação F1 baixa.
fastai
O fastai é uma biblioteca Python de código aberto para deep learning construída sobre o PyTorch. Reúne configurações predefinidas comprovadas, de modo que modelos para imagens, texto ou dados tabulares possam ser treinados com poucas linhas de código, permitindo ao mesmo tempo uma personalização profunda em todos os níveis. Surgiu da iniciativa de ensino fast.ai e acompanha os seus cursos gratuitos, razão pela qual é popular na formação e para experimentar modelos rapidamente.
Feedback aos alunos assistido por IA
O feedback aos alunos assistido por IA designa comentários sobre redações, trabalhos ou projetos gerados por um sistema de IA com base em critérios definidos. Os alunos recebem mais depressa indicações sobre pontos fortes, estrutura, argumentação ou linguagem, e os professores ficam aliviados de correções repetitivas. A avaliação deve ser transparente e baseada em critérios; as classificações e as decisões sobre o desempenho continuam a ser da responsabilidade dos professores. Exemplo: um rascunho de redação recebe sugestões de melhoria antes da entrega.
Modelo
Few-shot learning
O few-shot learning é a capacidade de um modelo resolver uma tarefa a partir de apenas um punhado de exemplos. Nos modelos de linguagem, isto acontece normalmente diretamente na entrada: mostram-se dois ou três pares de pergunta e resposta pretendida, e o modelo aplica o mesmo formato e estilo a novos casos – sem novo treino. Exemplo: três pedidos de clientes corretamente categorizados são muitas vezes suficientes para que os pedidos seguintes sejam ordenados da mesma forma.
Fine-tuning
O fine-tuning consiste em continuar a treinar um modelo de IA já pré-treinado com dados adicionais, normalmente específicos de uma tarefa. Os seus pesos internos são ajustados para que o modelo lide de forma mais fiável, por exemplo, com um estilo de escrita, um vocabulário especializado ou um formato de saída particulares. O fine-tuning exige dados de exemplo cuidadosamente preparados, capacidade de cálculo e testes. Para muitas aplicações, instruções bem escritas e conhecimento ligado são suficientes e mais fáceis de alterar.
Firewall de IA
Uma firewall de IA é uma camada de proteção entre os utilizadores, as fontes de dados e um modelo de IA. Filtra as entradas para detetar tentativas de manipulação, como prompt injection ou jailbreaks, e verifica as saídas, por exemplo quanto a dados confidenciais ou conteúdos indesejados, antes de as transmitir. Pode usar regras, modelos de classificação ou um segundo modelo de linguagem. Uma firewall de IA reduz o risco, mas não oferece proteção total e não substitui nem as permissões limitadas nem os testes.
Modelo
Fluxo
Uma sequência de passos ligados que se repete, como «triar e responder a um pedido».
KI.ordo
Fonte de conhecimento
Um texto que a KI.ordo divide em secções e torna pesquisável para os agentes.
KI.ordo
Frase
O Frase é um software para pesquisar e otimizar conteúdos web. Analisa que temas, perguntas e termos as páginas bem posicionadas abordam para uma pesquisa, transforma isso em briefings de conteúdo e avalia os textos enquanto são revistos. O Frase oferece agora também funcionalidades para acompanhar e melhorar se os conteúdos são citados em respostas de sistemas de pesquisa com IA, como o ChatGPT ou o Perplexity (situação em outubro de 2026).
Fuga de prompt
A fuga de prompt (prompt leaking) designa a divulgação involuntária das instruções internas de um sistema de IA, por exemplo quando um chatbot revela o seu prompt de sistema em resposta a um pedido habilmente formulado. Isto torna-se um problema se essas instruções contiverem lógica de negócio, informações internas ou até credenciais. A lista OWASP para aplicações LLM refere este risco de forma explícita. A salvaguarda mais eficaz é escrever as instruções como se pudessem tornar-se públicas, nunca nelas guardar segredos e verificar também as saídas.
Modelo
Funções de ativação
As funções de ativação determinam com que intensidade um neurónio de uma rede neuronal artificial transmite o seu sinal. Introduzem não linearidade – só assim a rede consegue representar relações complexas, como a linguagem ou as imagens. Exemplos comuns são a ReLU, que coloca os valores negativos a zero, a sigmoide, para probabilidades entre 0 e 1, e a GELU, utilizada em muitos modelos transformer. A escolha influencia a velocidade e a estabilidade do treino.
Garbage in, garbage out (GIGO)
"Garbage in, garbage out" descreve o princípio de que um sistema só consegue produzir resultados tão bons quanto os dados que recebe. Isto aplica-se duplamente à IA: dados de treino ou de conhecimento incorretos, desatualizados ou unilaterais conduzem a respostas erradas ou enviesadas. Um chatbot que recorra a uma lista de preços desatualizada indicará preços desatualizados. Cuidar dos dados é, por isso, uma tarefa contínua em todos os projetos de IA.
Gensim
O Gensim é uma biblioteca Python de código aberto para analisar grandes coleções de texto. É conhecido pelos modelos de tópicos, como o LDA, pelo treino de vetores de palavras (por exemplo Word2Vec, FastText e Doc2Vec) e pela comparação de documentos por semelhança. Como o Gensim processa os dados por blocos, consegue lidar também com corpora que não cabem na memória. Uma utilização típica: agrupar automaticamente milhares de comentários de clientes por temas recorrentes.
Geração aumentada por cache (CAG)
A geração aumentada por cache (CAG) é uma abordagem em que um modelo de linguagem não procura conhecimento a cada pergunta. Em vez disso, uma base de conhecimento de dimensão gerível é carregada antecipadamente na sua janela de contexto e esse estado é guardado em cache, pelo que as respostas não precisam de um passo de recuperação separado. O termo foi popularizado por um artigo de investigação do final de 2024 como alternativa à geração aumentada por recuperação (RAG). A CAG adequa-se a bases de conhecimento pequenas e estáveis; para dados volumosos ou que mudam com frequência, a RAG continua normalmente a ser mais prática.
Geração aumentada por recuperação (RAG)
A geração aumentada por recuperação combina pesquisa com geração de texto: antes de responder, o sistema pesquisa numa coleção de conhecimento – como manuais, diretrizes ou FAQ – as passagens relevantes e transmite-as ao modelo de linguagem como contexto. A resposta baseia-se assim em conteúdos atuais e específicos da empresa, e não apenas no conhecimento de treino do modelo. Isto reduz as afirmações inventadas, torna as fontes rastreáveis e permite atualizações sem retreino.
Geração de linguagem natural (NLG)
A geração de linguagem natural (NLG) é a área do processamento de linguagem que produz texto compreensível a partir de dados, tópicos ou outras entradas. Os primeiros sistemas de NLG baseavam-se em modelos e regras; hoje, a maioria utiliza grandes modelos de linguagem. Entre as utilizações típicas contam-se relatórios meteorológicos e da bolsa, descrições de produtos, resumos de indicadores e respostas de chatbots. É importante que os números e os factos das entradas sejam transpostos corretamente e sem alterações.
Modelo
Geração de texto
A geração de texto é a produção automática de texto por IA, hoje normalmente por grandes modelos de linguagem que calculam, palavra a palavra, a continuação mais provável. É um ramo da geração de linguagem natural e uma aplicação central da IA generativa. As organizações utilizam-na para redigir e-mails, relatórios ou descrições de produtos; os factos e os números devem ser verificados antes da publicação.
Modelo
Gerador de guiões de vendas
Um gerador de guiões de vendas é uma ferramenta de IA que redige guias de conversa para chamadas comerciais – por exemplo chamadas a frio, reuniões ou follow-ups. A partir de dados sobre a oferta e o público-alvo, produz uma abertura, perguntas de descoberta, argumentos de benefício, respostas às objeções típicas e uma proposta de passo seguinte. Um bom guia oferece orientação em vez de um guião rígido: ouvir e aconselhar com honestidade continuam a ser mais importantes do que frases feitas.
Modelo
Gerador de sites
Um gerador de sites com IA cria automaticamente um site, incluindo estrutura de páginas, esquema gráfico, textos e sugestões de imagens, a partir de alguns dados como o setor, a oferta e o estilo preferido. Isto dá a pequenas empresas ou projetos uma presença rápida online, sem conhecimentos de programação. Os resultados são um ponto de partida: os conteúdos, as informações legalmente exigidas, a acessibilidade e a otimização para motores de pesquisa devem depois ser verificados e ajustados.
Gestão de projetos de IA em I&D
A gestão de projetos de IA em investigação e desenvolvimento abrange duas coisas: dirigir projetos em que se constrói IA e utilizar IA para apoiar projetos de I&D. As tarefas típicas incluem resumir literatura, estruturar planos de experiências, acompanhar marcos e documentar resultados. As decisões especializadas e as aprovações devem permanecer com as pessoas.
Go-to-market (GTM)
Uma estratégia go-to-market (GTM) define como um produto ou serviço será lançado com sucesso num mercado: que grupo-alvo tem que problema, como a oferta é posicionada e precificada, por que canais é vendida e que métricas medem o sucesso. Um plano GTM liga o marketing, as vendas e o produto. Exemplo: um fornecedor de software começa com um setor, um canal de parceiros e um objetivo a 90 dias.
Modelo
Google Colab
O Google Colab (Colaboratory) é um serviço na nuvem da Google para executar código Python em notebooks ao estilo Jupyter diretamente no navegador, sem instalação local. O nível gratuito disponibiliza também GPU e TPU, sujeitas a disponibilidade e com limites de tempo de execução; os planos pagos oferecem mais capacidade de cálculo. O Colab é popular no ensino, na análise de dados e na experimentação de modelos, e um assistente Gemini integrado ajuda a escrever e a corrigir código (situação em outubro de 2026).
Governação de dados
A governação de dados engloba as regras, funções e processos com que uma organização determina quem pode recolher, utilizar, alterar e eliminar que dados. Abrange a responsabilidade pela qualidade dos dados, os direitos de acesso, os prazos de conservação e o cumprimento dos requisitos de proteção de dados. É especialmente importante em projetos de IA, porque os modelos e os agentes só são tão fiáveis quanto os dados em que se baseiam.
Gradient boosting
O gradient boosting é uma técnica de machine learning que combina muitos modelos simples – normalmente pequenas árvores de decisão – uns a seguir aos outros. Cada nova árvore é treinada especificamente para reduzir os erros restantes das anteriores. O resultado são modelos muito precisos para dados tabulares, por exemplo para risco de crédito, previsões de vendas ou probabilidade de abandono. Implementações conhecidas são o XGBoost, o LightGBM e o CatBoost; é necessário um ajuste cuidadoso para evitar o sobreajuste.
Grande modelo de linguagem (LLM)
Um grande modelo de linguagem (LLM) é uma rede neuronal treinada com quantidades muito grandes de texto, o que lhe permite compreender e gerar linguagem. Funciona calculando, passo a passo, o token mais provável a seguir. Os LLM escrevem, resumem, traduzem, respondem a perguntas e geram código; exemplos conhecidos são o Claude, o GPT, o Gemini e o Llama. Sem acesso a fontes atuais, só sabem o que constava dos seus dados de treino.
Grok (xAI)
O Grok é um assistente de IA baseado em grandes modelos de linguagem e desenvolvido pela xAI. Está integrado na plataforma X e está também disponível no seu próprio site, em aplicações móveis e através de uma API. Uma característica é o acesso a publicações atuais no X e à pesquisa na web. Desde fevereiro de 2026, a xAI faz parte da SpaceX e opera agora com o nome SpaceXAI; as versões dos modelos são atualizadas regularmente (situação em outubro de 2026).
Heteronym
Um heterónimo é uma palavra escrita da mesma forma que outra, mas pronunciada de modo diferente e com outro significado – por exemplo, em inglês, "lead" (guiar) e "lead" (o metal), ou "wind" (vento) e "wind" (dar corda). Os heterónimos são um subconjunto dos homógrafos. Constituem um desafio para os sistemas de síntese de voz, porque a pronúncia correta só pode ser deduzida a partir do contexto, muitas vezes com a ajuda da análise morfossintática.
Heurísticas
As heurísticas são regras práticas ou estratégias simplificadas que conduzem a uma solução boa, embora não garantidamente ótima, em tempo razoável. Na informática e na IA, ajudam a delimitar espaços de pesquisa gigantescos – por exemplo, no planeamento de rotas, em que a distância em linha reta até ao destino serve de estimativa, ou no xadrez, em que as posições são avaliadas. As pessoas também usam heurísticas no dia a dia e em decisões empresariais, com o risco de erros sistemáticos de raciocínio.
Horovod
O Horovod é uma framework de código aberto para o treino distribuído de modelos de deep learning em muitas GPU ou máquinas. Desenvolvido originalmente na Uber, suporta TensorFlow, Keras, PyTorch e MXNet e sincroniza os gradientes calculados pelas máquinas participantes através de ring-allreduce, sem um servidor central de parâmetros. O projeto é alojado pela LF AI & Data Foundation; a última versão estável, 0.28.1, data de 2023 (situação em outubro de 2026).
Hugging Face Transformers
O Hugging Face Transformers é uma biblioteca Python de código aberto que dá acesso a modelos pré-treinados para texto, imagens e áudio através de uma interface única e consistente. Os programadores usam-na para descarregar modelos do Hugging Face Hub, experimentá-los, adaptá-los aos seus próprios dados ou executá-los localmente. Desde a versão 5, a biblioteca centra-se sobretudo no PyTorch (situação em outubro de 2026). Exemplo: uma equipa testa um modelo de análise de sentimento com apenas algumas linhas de código.
Human-in-the-loop
Human-in-the-loop descreve fluxos de trabalho em que as pessoas intervêm num processo de IA em pontos definidos: revêem resultados, aprovam-nos ou corrigem-nos, ou assumem os casos difíceis. O princípio reduz o risco de saídas erradas e mantém a responsabilidade nas pessoas, sobretudo em decisões que afetam indivíduos, dinheiro ou assuntos jurídicos. Exemplo: um agente de IA redige respostas a pedidos de clientes e um colaborador verifica-as antes de serem enviadas.
IA constitucional
A IA constitucional é um método de treino para modelos de linguagem publicado pela Anthropic em 2022; nada tem que ver com direito constitucional. Baseia-se num conjunto escrito de princípios, a "constituição": o modelo critica e revê as suas próprias respostas com base nesses princípios, depois uma IA compara pares de respostas, e este feedback serve de sinal de recompensa para a aprendizagem por reforço (RLAIF). Isto reduz a necessidade de etiquetagem humana de conteúdos nocivos; em janeiro de 2026, a Anthropic publicou uma constituição revista para o Claude.
IA conversacional
A IA conversacional abrange tecnologias que permitem aos computadores manter diálogos em linguagem natural, por escrito através de chat ou oralmente através de assistentes de voz. Os sistemas modernos baseiam-se normalmente em grandes modelos de linguagem que compreendem os pedidos, têm em conta o histórico da conversa e formulam respostas adequadas. As organizações usam-nos no apoio ao cliente, na marcação de consultas ou em help desks internos. São essenciais conhecimento fiável, limites claros e a passagem a pessoas quando a IA não consegue ajudar.
Modelo
IA e direitos humanos
O termo descreve como os sistemas de IA podem afetar direitos humanos como a privacidade, a igualdade de tratamento, a liberdade de expressão ou o direito a um processo equitativo, tanto de forma positiva como negativa. Os riscos decorrem, por exemplo, de decisões discriminatórias, da vigilância em massa, da identificação biométrica ou da falta de meios para contestar decisões. Quadros internacionais, como a Convenção-Quadro do Conselho da Europa sobre a IA e o Regulamento Europeu da IA, abordam estas questões. As organizações respondem com avaliações de impacto, transparência e supervisão humana.
IA extrativa
IA extrativa designa métodos que retiram informação existente de textos ou documentos, em vez de escrever conteúdo novo. O resultado vem literalmente, ou numa estrutura fixa, da fonte – como números de fatura de PDF, frases-chave para um resumo ou a passagem relevante como resposta a uma pergunta. Como nada é inventado, o risco de afirmações falsas é menor do que nas abordagens puramente generativas; as duas são frequentemente combinadas.
Modelo
IA generativa
IA generativa designa sistemas de IA que criam conteúdos novos – texto, imagens, áudio, vídeo ou código de programação – em vez de se limitarem a ordenar ou avaliar dados existentes. Baseiam-se em modelos que aprendem padrões a partir de grandes quantidades de dados e os usam para produzir novas saídas plausíveis. Nas empresas, é usada, por exemplo, para redigir e-mails, resumos, descrições de produtos ou ideias de imagens. Os resultados podem conter erros e devem ser verificados antes de serem utilizados.
IA na cibersegurança
A IA na cibersegurança tem dois lados. Por um lado, as técnicas de IA ajudam a detetar ataques mais depressa, por exemplo identificando anomalias no tráfego de rede, inícios de sessão suspeitos ou e-mails de phishing, e aliviam as equipas de segurança na triagem de alertas. Por outro lado, os próprios sistemas de IA têm de ser protegidos, por exemplo contra a prompt injection ou a fuga de dados. A IA só é eficaz neste domínio em combinação com processos claros, sistemas atualizados e pessoas formadas.
IA na indústria transformadora
A IA na indústria transformadora abrange aplicações na produção e na indústria, como a manutenção preditiva com base em dados de sensores, a inspeção de qualidade automatizada por câmara, a otimização de parâmetros de processo e o planeamento da produção, e robôs que trabalham ao lado das pessoas. Os objetivos são menos avarias, menos desperdício e uma operação mais estável. Para isso são necessários dados de máquinas fiáveis e o envolvimento de especialistas no chão de fábrica. Exemplo: um sistema reconhece, pelos padrões de vibração, que um rolamento poderá falhar em breve.
IA na saúde
A IA na saúde abrange aplicações que apoiam o pessoal clínico e a administração, por exemplo na análise de imagens médicas, na documentação, no agendamento de consultas ou na avaliação de dados de investigação. Tais sistemas dão indicações e aliviam a carga de trabalho, mas não substituem o juízo clínico e não prometem curas. Muitas aplicações médicas de IA estão sujeitas à regulamentação de dispositivos médicos e a regras estritas de proteção de dados de saúde. Exemplo: um software destaca zonas suspeitas em radiografias para revisão por especialistas.
IA no entretenimento
A IA no entretenimento designa a utilização da IA no cinema, na música, nos jogos, no streaming e nos media. As aplicações típicas incluem sistemas de recomendação que sugerem conteúdos de acordo com o gosto, apoio à edição, aos efeitos visuais e à dobragem, mundos ou personagens de jogos gerados e geração de música e imagens. Ao mesmo tempo, levanta questões sobre direitos de autor, consentimento dos intérpretes e deepfakes. Exemplo: uma plataforma de streaming adapta o ecrã inicial a cada perfil.
IA no retalho
A IA no retalho abrange aplicações ao longo de toda a cadeia do retalho: previsão de vendas e planeamento de stocks, recomendações de produtos personalizadas, preços dinâmicos, deteção de fraude em lojas online e apoio ao cliente por chat. Os retalhistas podem reduzir excessos e ruturas de stock e responder mais depressa aos pedidos. Para isso são necessários dados limpos e um tratamento cuidadoso das informações dos clientes. Exemplo: um assistente de chat responde 24 horas por dia a perguntas sobre prazos de entrega e devoluções.
IA nos transportes
A IA nos transportes abrange aplicações na logística, no trânsito e na mobilidade: planeamento de rotas e de percursos, previsão de tráfego, manutenção preditiva de veículos e infraestruturas e sistemas de assistência à condução até aos veículos autónomos. Os objetivos são percursos mais curtos, menos viagens em vazio, custos mais baixos e maior segurança. Muitas aplicações são críticas para a segurança e, por isso, estritamente regulamentadas. Exemplo: um serviço de encomendas replaneia diariamente os seus circuitos de entrega com base no volume de envios e nas condições de trânsito.
Identificação de língua
A identificação de língua determina automaticamente em que língua um texto está escrito, como alemão, italiano ou espanhol. Os métodos clássicos analisam sequências de letras características, enquanto os grandes modelos de linguagem reconhecem a língua como um subproduto. É utilizada para encaminhar pedidos para a equipa certa, acionar traduções adequadas ou responder na língua do interlocutor. Os textos muito curtos e as misturas de várias línguas são difíceis.
Ideogram AI
O Ideogram é um serviço de IA que gera imagens a partir de descrições em texto, desenvolvido pela empresa homónima, fundada em 2022. É mais conhecido por reproduzir texto legível dentro das imagens, o que o torna útil para cartazes, convites ou gráficos para redes sociais. Está disponível como aplicação web e através de uma API; as versões dos modelos e os termos de licença mudam regularmente (situação em outubro de 2026). Os direitos de utilização devem ser verificados antes de uma utilização comercial.
Impacto económico impulsionado pela IA
O termo abrange as consequências económicas da utilização da inteligência artificial: ganhos de produtividade, novos produtos e modelos de negócio, tarefas e requisitos de competências em mudança e alterações na concorrência. A dimensão e a distribuição destes efeitos são discutidas e dependem muito do setor, do investimento e da formação. Para cada organização, o que mais conta é o benefício mensurável de aplicações concretas. Exemplo: tempos de tratamento mais curtos no apoio ao cliente reduzem o custo por pedido.
Índice de legibilidade de Flesch
O índice de legibilidade de Flesch estima a facilidade de compreensão de um texto, com base no comprimento médio das frases e no número de sílabas por palavra. Rudolf Flesch desenvolveu-o para o inglês em 1948, e existem fórmulas adaptadas para outras línguas. A escala vai aproximadamente de 0 a 100 – quanto mais alta a pontuação, mais fácil o texto. Mede apenas a forma, não se o conteúdo e a terminologia são adequados ao público-alvo.
Modelo
Índice de legibilidade LIX
O LIX (läsbarhetsindex) é uma medida de legibilidade desenvolvida na Suécia por Carl-Hugo Björnsson. Soma o comprimento médio das frases, em palavras, à percentagem de palavras longas, com mais de seis letras. Exemplo: 15 palavras por frase e 30 % de palavras longas dão um LIX de 45. Como não exige contagem de sílabas, pode ser aplicado a muitas línguas, incluindo o alemão; valores baixos indicam textos fáceis e valores a partir de cerca de 60 textos muito difíceis.
Modelo
Inferência causal
A inferência causal abrange métodos para deduzir relações de causa e efeito a partir de dados, em vez de apenas identificar correlações. Responde a perguntas como "O que teria acontecido se não tivéssemos tomado esta medida?". Entre as ferramentas contam-se experiências aleatorizadas, como os testes A/B, os grafos causais e técnicas estatísticas para dados observacionais. Exemplo: verificar se uma campanha de descontos aumentou de facto as vendas ou se estas teriam subido de qualquer forma por razões sazonais.
Insight Engine
Um insight engine é uma forma de pesquisa empresarial que reúne informação de muitas fontes, como documentos, e-mails, bases de dados e aplicações, e a analisa com técnicas de IA. Em vez de simples listas de resultados, fornece respostas preparadas, ligações ou recomendações, muitas vezes no contexto da tarefa em curso. O termo foi popularizado sobretudo por analistas do setor. Exemplo: antes de uma reunião com um cliente, uma equipa de vendas vê num só local todos os contratos, tickets e notas relevantes.
Instrução
A missão fixa de um agente: função, tom, limites. Muitas vezes chamada «prompt».
KI.ordo
Instruction Tuning
O instruction tuning é uma forma de fine-tuning em que um modelo de linguagem pré-treinado é treinado mais com muitos pares de instruções e respostas desejadas. Isto ensina o modelo a seguir tarefas formuladas em linguagem natural, em vez de se limitar a continuar o texto. É um passo fundamental para transformar um modelo base num assistente e é frequentemente combinado com métodos como o RLHF. Exemplo: "Resuma este texto em três frases" é executado de forma fiável.
Inteligência artificial geral (AGI)
A inteligência artificial geral (AGI, do inglês artificial general intelligence) designa um sistema de IA hipotético que consegue lidar com uma vasta gama de tarefas intelectuais ao nível humano e transferir de forma flexível o que aprendeu para novas áreas. Os sistemas atuais têm bom desempenho em muitas tarefas, mas continuam a revelar limitações, por exemplo na fiabilidade. Não existe uma definição nem uma forma de medição geralmente aceites, e se e quando a AGI será alcançada é matéria discutida entre os especialistas.
Interpretabilidade do modelo
A interpretabilidade do modelo descreve em que medida as pessoas conseguem compreender como um modelo de IA chega aos seus resultados. Modelos simples, como as árvores de decisão, são por natureza fáceis de ler; nas redes neuronais complexas, podem ajudar técnicas que revelam a influência de cada característica. A interpretabilidade é importante para a depuração, a confiança e os requisitos regulamentares, por exemplo quando é preciso justificar a recusa de um crédito.
Jailbreaking
Jailbreaking designa tentativas de contornar as regras de segurança de um modelo de IA através de entradas habilmente formuladas, para que produza conteúdos ou execute ações que deveria recusar. Para as organizações, é um risco, porque um chatbot poderia, por exemplo, revelar instruções confidenciais ou responder de forma inadequada. As medidas de proteção incluem instruções de sistema claras, filtragem de entradas e saídas, permissões limitadas, registos e testes de segurança regulares (red teaming).
Modelo
Jasper
O Jasper é uma plataforma de IA para equipas de marketing da Jasper AI, uma empresa norte-americana fundada em 2021. Ajuda a criar textos como artigos de blogue, anúncios ou publicações para redes sociais e pode ter em conta diretrizes de marca e tom de voz guardados. O fornecedor posiciona-se agora em torno de agentes especializados e de fluxos de trabalho de conteúdo automatizados (situação em outubro de 2026). Como em qualquer gerador de texto, os factos e as afirmações devem ser verificados antes da publicação.
Jupyter Notebook
O Jupyter Notebook é uma aplicação de código aberto, executada no navegador, do Project Jupyter, que combina código executável, resultados, gráficos e texto explicativo num único documento. Os notebooks são muito usados na análise de dados, no machine learning, na investigação e no ensino, porque cada passo pode ser documentado e partilhado de forma rastreável. Python é a linguagem mais comum. Exemplo: um analista carrega dados de vendas, limpa-os e mostra os resultados num gráfico logo abaixo.
K vizinhos mais próximos
Os K vizinhos mais próximos (k-NN) são um método simples de aprendizagem supervisionada. Para classificar um novo ponto de dados, procuram os k exemplos conhecidos mais semelhantes e adotam a sua classe mais frequente ou, no caso de valores numéricos, a sua média. Não precisa de uma fase de treino propriamente dita, mas torna-se lento com grandes conjuntos de dados e é sensível à forma como as características são escaladas. Exemplo: recomendações de produtos com base em clientes semelhantes.
Kaggle
O Kaggle é uma plataforma online de ciência de dados e machine learning, propriedade da Google desde 2017. Oferece conjuntos de dados públicos, competições baseadas em problemas reais, notebooks no navegador com recursos de computação e cursos de formação. Para organizações e aprendizes, é útil para experimentar métodos, comparar abordagens ou identificar talento. A licença e a origem de qualquer conjunto de dados devem ser verificadas antes da utilização.
Keras
O Keras é uma biblioteca Python de código aberto para construir e treinar redes neuronais, desenvolvida originalmente por François Chollet. Oferece uma interface acessível, de alto nível, para montar modelos a partir de camadas. Desde a versão 3, o Keras pode funcionar com JAX, TensorFlow ou PyTorch como backend de cálculo. Exemplo: uma equipa constrói um protótipo de modelo de classificação de imagens com apenas algumas linhas de código.
KNIME
O KNIME é um software de análise de dados em que os fluxos de trabalho são montados visualmente a partir de blocos ("nós") em vez de programados. A KNIME Analytics Platform de código aberto abrange a importação de dados, a limpeza, a análise, o machine learning e a elaboração de relatórios, enquanto as ofertas comerciais do fornecedor acrescentam colaboração e operação dentro das organizações. Um exemplo típico é um fluxo de trabalho que reúne dados mensais de vendas de vários ficheiros Excel, os limpa e produz uma previsão.
Kubeflow
O Kubeflow é uma plataforma de código aberto para executar fluxos de trabalho de machine learning no Kubernetes, desde a preparação de dados e o treino até à pesquisa de hiperparâmetros e ao serviço de modelos. Iniciado originalmente pela Google, o projeto pertence à Cloud Native Computing Foundation, onde atingiu o estatuto "graduated" em agosto de 2026 (situação em outubro de 2026). Destina-se sobretudo a equipas que treinam os seus próprios modelos em grande escala na sua própria infraestrutura ou na nuvem.
Lacuna de conhecimento
Uma pergunta para a qual um agente não encontrou nada no seu conhecimento. A KI.ordo recolhe-as para que possa colmatar as lacunas.
KI.ordo
LangChain
O LangChain é uma framework de código aberto para Python e JavaScript que os programadores usam para construir aplicações baseadas em modelos de linguagem. Fornece interfaces unificadas para muitos fornecedores de modelos, bem como blocos de construção para chamada de ferramentas, agentes, processamento de documentos e geração aumentada por recuperação. Desde a versão 1.0 (outubro de 2025), os agentes do LangChain são construídos sobre o LangGraph. Utilizações típicas incluem chatbots que pesquisam documentos internos e agentes que chamam serviços externos.
LangGraph
O LangGraph é uma framework de código aberto do ecossistema LangChain para modelar agentes de IA e processos de vários passos como um grafo de nós e arestas. Um estado partilhado é transmitido de passo em passo, e ciclos, ramificações, checkpoints e interrupções para aprovação humana estão incluídos. A versão 1.0 foi lançada em outubro de 2025. Um exemplo é um agente que pesquisa um tema, redige um rascunho e aguarda aprovação antes de o enviar.
LazyGraphRAG
O LazyGraphRAG é uma abordagem de geração aumentada por recuperação baseada em grafos, apresentada pela Microsoft Research em 2024. Ao contrário do GraphRAG, não faz um modelo de linguagem criar resumos durante a indexação; em vez disso, identifica conceitos e as suas coocorrências com processamento de linguagem natural clássico, e o modelo de linguagem só é usado no momento da consulta. Segundo a Microsoft, isto reduz os custos de indexação ao nível do RAG vetorial básico. É particularmente adequado para perguntas que exigem uma visão geral de grandes coleções de documentos.
Lead routing
O lead routing é a atribuição automática de pedidos recebidos à pessoa, ao departamento ou à região responsável. Os critérios podem incluir tema, produto, dimensão da empresa, idioma ou urgência. A IA consegue compreender e categorizar o texto livre de um pedido, por exemplo se diz respeito a um novo orçamento, a um problema de apoio ou a uma candidatura de emprego. Um encaminhamento rápido e preciso encurta os tempos de resposta e evita que pedidos fiquem sem resposta.
Modelo
Lead Scraper
Um lead scraper é uma ferramenta que recolhe automaticamente dados de contacto de potenciais clientes a partir de sites, diretórios ou redes sociais. Na Alemanha e na UE, isto é juridicamente sensível: os nomes e endereços de e-mail de pessoas de contacto são dados pessoais, pelo que o seu tratamento exige um fundamento jurídico e a informação dos titulares dos dados nos termos do RGPD, e, segundo a lei alemã contra a concorrência desleal (UWG, § 7), os e-mails publicitários exigem em regra consentimento prévio e expresso, mesmo junto de empresas. Os pedidos recebidos através do seu site, os conteúdos e as recomendações são o melhor caminho (não constitui aconselhamento jurídico).
Modelo
Legibilidade
A legibilidade descreve a facilidade com que um texto pode ser lido e compreendido. Depende do comprimento das frases e das palavras, dos termos técnicos, da estrutura das frases e da paginação, e pode ser aproximada com fórmulas como o índice de Flesch ou o LIX. Uma boa legibilidade é importante para a comunicação com clientes, instruções, sites e conteúdos acessíveis. As fórmulas oferecem, no entanto, apenas uma orientação; a clareza de um texto depende, em última análise, do seu público.
Modelo
Lexile Framework
O Lexile Framework for Reading é um sistema desenvolvido pela empresa norte-americana MetaMetrics que mede, na mesma escala, tanto a competência de leitura de uma pessoa como a dificuldade de um texto. Os valores são indicados com um "L", como 850L; um texto é adequado quando o seu valor é próximo do do leitor. Baseia-se sobretudo no comprimento das frases e na frequência das palavras. O sistema é muito usado nas escolas e na edição, particularmente em países de língua inglesa.
LightGBM
O LightGBM é uma biblioteca de código aberto para gradient boosting com árvores de decisão, desenvolvida originalmente pela Microsoft. Foi concebido para a velocidade e o baixo consumo de memória, entre outras coisas através de um treino baseado em histogramas e de árvores que crescem folha a folha na folha mais promissora. O LightGBM é particularmente adequado para grandes conjuntos de dados tabulares, por exemplo previsões de vendas, previsão de abandono ou deteção de fraude, e é frequentemente comparado com o XGBoost.
Limite de tokens
Teto mensal da utilização de IA de um espaço de trabalho.
KI.ordo
Limpeza de dados
A limpeza de dados consiste em detetar e corrigir entradas incorretas, duplicadas ou inconsistentes em conjuntos de dados. Os passos típicos incluem uniformizar grafias e formatos de data, remover espaços supérfluos e fundir duplicados como "Silva Lda" e "Silva Limitada". Dados limpos são um requisito para análises, envios em massa e aplicações de IA fiáveis.
Modelo
LLaMA (Meta)
O LLaMA, hoje normalmente escrito "Llama", é uma família de grandes modelos de linguagem da Meta. Muitas versões foram lançadas com pesos descarregáveis ao abrigo de uma licença própria da Meta, permitindo que as organizações as executem e adaptem na sua própria infraestrutura. A geração principal mais recente é o Llama 4 (2025); em 2026, a Meta apresentou também a série de modelos Muse, da qual apenas uma parte é divulgada abertamente (situação em outubro de 2026).
llms.txt
O llms.txt é um ficheiro de texto Markdown colocado no diretório raiz de um site que dá aos modelos de linguagem uma visão geral concisa dos conteúdos mais importantes, com ligações. A ideia foi apresentada por Jeremy Howard (Answer.AI) em setembro de 2024. É uma proposta e não uma norma oficial; os principais fornecedores de IA não se comprometeram a lê-lo (situação em outubro de 2026). Complementa o robots.txt e o sitemap, mas não os substitui.
Log loss
O log loss (perda logarítmica) mede em que medida as probabilidades previstas por um modelo de classificação correspondem aos resultados reais. As previsões confiantes, mas erradas, são penalizadas de forma especialmente forte; um valor próximo de zero indica previsões bem calibradas. Exemplo: se um modelo atribui 95 % de probabilidade de abandono a um cliente que fica, o log loss sobe acentuadamente. Matematicamente, é o mesmo que a entropia cruzada binária.
Long Short-Term Memory (LSTM)
A memória de longo e curto prazo (LSTM, do inglês long short-term memory) é um tipo de rede neuronal recorrente que consegue reter informação ao longo de sequências longas. As chamadas portas decidem em cada passo o que guardar, esquecer ou emitir, o que atenua o problema do desaparecimento do gradiente. Durante muitos anos, as LSTM marcaram o reconhecimento de voz, a tradução e a previsão de séries temporais. No processamento de linguagem foram em grande parte substituídas pelos transformers, mas continuam comuns para dados de sensores.
LSTM bidirecional
Uma LSTM bidirecional (BiLSTM) é uma rede neuronal recorrente que lê uma sequência para a frente e para trás e combina as duas perspetivas. Assim, o contexto que se segue a cada palavra também é tido em conta. Antes de os transformers se imporem, era uma escolha padrão para tarefas como a etiquetagem gramatical, o reconhecimento de entidades nomeadas e o reconhecimento de fala. Para textos muito longos e grandes conjuntos de dados, os transformers têm hoje normalmente um melhor desempenho.
Manipulação da janela de contexto
A manipulação da janela de contexto designa ataques que influenciam deliberadamente o texto que um modelo de linguagem processa de uma só vez, por exemplo através de instruções ocultas em documentos, partes anteriores de uma conversa fabricadas ou grandes quantidades de texto de enchimento que empurram as regras originais para segundo plano. A proteção vem de separar claramente as instruções de confiança do conteúdo externo, de limites de comprimento, da verificação das entradas e de conceder aos agentes o mínimo possível de permissões.
Modelo
Mapa cognitivo
Um mapa cognitivo é originalmente um termo da psicologia que descreve a representação mental que as pessoas ou os animais formam do seu meio. Na gestão e na IA, designa também modelos gráficos que mostram conceitos como nós e as suas relações de causa e efeito como setas ponderadas, por exemplo os "mapas cognitivos difusos" (fuzzy cognitive maps). Estes mapas ajudam a estruturar o conhecimento de especialistas e a explorar cenários, por exemplo como as alterações de preço afetam a procura e os níveis de stock.
Mapa de processos
Uma visão geral dos principais processos de uma empresa e de como se interligam.
KI.ordo
Marketing com IA
O marketing com IA utiliza técnicas de IA para compreender melhor os públicos-alvo, criar conteúdos e gerir campanhas. As aplicações típicas incluem segmentação, mensagens personalizadas, previsões da probabilidade de compra, análise do feedback dos clientes e otimização de anúncios. Baseia-se em dados recolhidos de forma lícita e em objetivos claros, e os resultados devem ser verificados através de testes. Exemplo: uma loja online envia newsletters com recomendações de produtos que correspondem ao comportamento de compra anterior.
Marketing personalizado
O marketing personalizado consiste em adaptar mensagens, ofertas e momentos de contacto a clientes individuais ou a pequenos grupos, em vez de se dirigir a todos da mesma forma. Baseia-se em informações como compras anteriores, interesses ou o motivo do contacto. A IA pode transformar isso em textos adequados, por exemplo num e-mail que faz referência a um produto comprado recentemente. É importante utilizar apenas dados para os quais exista consentimento e deixar de fora pormenores sensíveis.
Modelo
Matriz de confusão
Uma matriz de confusão é uma tabela que compara as previsões de um classificador com as classes reais. Para duas classes, mostra os verdadeiros positivos, os falsos positivos, os verdadeiros negativos e os falsos negativos. A partir dela, podem calcular-se métricas como a precisão, a revocação e a pontuação F1, e fica claro que erros ocorrem. Exemplo: um filtro de spam que assinala muitos e-mails legítimos como spam tem muitos falsos positivos, o que muitas vezes é mais dispendioso do que uma mensagem de spam não detetada.
Matriz de responsabilidades
Uma tabela que define, para cada tarefa, quem executa (R), quem responde (A), quem é consultado (C) e quem é informado (I). Também chamada RACI.
KI.ordo
Memória associativa
Uma memória associativa recupera informação armazenada pelo seu conteúdo e não por um endereço: uma pista parcial ou com ruído basta para evocar o todo correspondente – tal como os primeiros compassos trazem à memória uma canção inteira. As redes de Hopfield são um exemplo clássico na investigação em IA. O princípio surge também no hardware (memória endereçável por conteúdo) e em análises do mecanismo de atenção dos modelos de linguagem modernos.
Metaprompt
Um metaprompt é uma instrução que pede a um modelo de linguagem para redigir ou melhorar, ele próprio, prompts ou instruções de sistema. Descreve-se o objetivo, o público e o tom pretendido e fornecem-se exemplos; o modelo produz então instruções estruturadas, com uma função, regras e limites. Isto permite obter mais depressa boas primeiras versões, que são depois testadas e aperfeiçoadas por pessoas. Exemplo: «atendimento ao cliente de uma loja de bicicletas» transforma-se num conjunto completo de instruções em rascunho.
Modelo
Métodos de Monte Carlo
Os métodos de Monte Carlo são técnicas de cálculo que utilizam um número muito elevado de amostras aleatórias para aproximar resultados difíceis de calcular analiticamente. Um sistema é simulado milhares de vezes com pressupostos variados de forma aleatória, e a distribuição dos resultados é analisada. As organizações utilizam-nos na análise de risco, no planeamento de projetos ou na avaliação de carteiras. Em IA, estes métodos são usados, entre outras áreas, na aprendizagem por reforço e na pesquisa em árvore para jogos.
Mistral AI
A Mistral AI é uma empresa de IA sediada em Paris, fundada em 2023 por Arthur Mensch, Guillaume Lample e Timothée Lacroix. Desenvolve grandes modelos de linguagem e oferece tanto modelos com pesos disponíveis abertamente, alguns sob a licença Apache 2.0, como modelos comerciais através da sua própria plataforma. Para as organizações europeias, a Mistral AI é frequentemente mencionada nas discussões sobre soberania dos dados e sobre a execução de modelos na infraestrutura própria.
MLflow
O MLflow é uma plataforma de código aberto para gerir todo o ciclo de vida de modelos de aprendizagem automática, apresentada originalmente pela Databricks em 2018. Regista experiências com os respetivos parâmetros e métricas, gere versões de modelos num registo e simplifica a implementação. As versões mais recentes suportam também o rastreio e a avaliação de aplicações baseadas em modelos de linguagem. Assim, as equipas conseguem perceber que modelo foi produzido com que dados e com que configurações.
Model Context Protocol (MCP)
O Model Context Protocol (MCP) é uma norma aberta que permite às aplicações de IA aceder a ferramentas, fontes de dados e serviços externos de forma uniforme. Um servidor MCP disponibiliza funções e um cliente MCP, como um assistente de IA, pode chamá-las. A Anthropic apresentou o MCP em novembro de 2024; desde dezembro de 2025 é desenvolvido sob a Agentic AI Foundation da Linux Foundation (à data de outubro de 2026). Isto evita ter de construir cada integração em separado.
Modelação de sequências
A modelação de sequências abrange métodos que processam e preveem dados numa ordem fixa, em que a posição de cada elemento é importante. Sequências típicas são texto, linguagem falada, séries temporais, como vendas ou leituras de sensores, e segmentos de ADN. As aplicações vão da tradução e da geração de texto ao reconhecimento de voz e à previsão de vendas. Para isso foram usados modelos de Markov ocultos e redes recorrentes; hoje, os modelos transformer dominam na linguagem.
Modelação preditiva
A modelação preditiva é o núcleo técnico da análise preditiva: com dados de exemplo de resultados conhecidos, constrói-se um modelo que prevê um valor ou uma classe para casos novos. Entre os métodos comuns contam-se a regressão, as árvores de decisão, as florestas aleatórias e as redes neuronais. Um modelo pode, por exemplo, estimar o preço de um imóvel a partir da área, da localização e do ano de construção. Antes da utilização, é testado com dados reservados para detetar o sobreajuste.
Modelo de base
Um modelo de base (foundation model) é um grande modelo de IA pré-treinado com dados muito extensos e diversificados, que pode depois ser utilizado em muitas tarefas diferentes. O termo foi cunhado na Universidade de Stanford em 2021. Exemplos conhecidos são grandes modelos de linguagem como o Claude ou o GPT, bem como modelos de imagem. As empresas costumam construir as suas aplicações sobre estes modelos em vez de treinarem os seus próprios de raiz; o Regulamento Europeu da IA refere-se a modelos de IA de finalidade geral.
Modelo de IA Flux
O Flux é uma família de modelos de IA que geram e editam imagens a partir de descrições em texto. É desenvolvido pela Black Forest Labs, com sede em Friburgo em Brisgóvia, na Alemanha. A primeira geração surgiu em agosto de 2024 e o FLUX.2 em novembro de 2025, com variantes para editar imagens por instrução em texto. Algumas versões estão disponíveis com pesos abertos, em parte apenas para uso não comercial, enquanto outras são oferecidas exclusivamente através de uma API (situação em outubro de 2026).
Modelo determinístico
Um modelo determinístico produz sempre o mesmo resultado para a mesma entrada, porque segue regras ou fórmulas fixas e não envolve qualquer aleatoriedade – por exemplo, a regra "5 % de desconto em encomendas superiores a 100 €". Os grandes modelos de linguagem, pelo contrário, funcionam de forma probabilística: as suas respostas à mesma pergunta podem variar. Na prática, os dois são muitas vezes combinados para equilibrar flexibilidade e rastreabilidade.
Modelo oculto de Markov (HMM)
Um modelo oculto de Markov (HMM, do inglês hidden Markov model) é um modelo estatístico para sequências em que os estados reais estão ocultos e só podem ser deduzidos a partir de sinais observáveis. Descreve a probabilidade de um estado suceder a outro e de cada estado produzir uma dada observação. Os HMM foram durante muito tempo a norma no reconhecimento de voz e na anotação morfossintática; hoje continuam a ser usados, por exemplo, na bioinformática e na análise de séries temporais.
Modelos discriminativos
Os modelos discriminativos aprendem a distinguir pontos de dados determinando diretamente a fronteira entre classes – respondem à pergunta "A que categoria pertence esta entrada?". Exemplos são a regressão logística, as máquinas de vetores de suporte e muitos classificadores neuronais, por exemplo para a deteção de spam. Os modelos generativos, em contrapartida, captam a forma como os próprios dados surgem e, por isso, conseguem produzir novos exemplos.
MXNet
O Apache MXNet era uma framework de aprendizagem profunda de código aberto, capaz de treinar modelos com eficiência em várias GPUs e máquinas, com interfaces para Python, C++, R, Scala e outras linguagens. A Amazon Web Services apoiou-o durante alguns anos como framework preferida. A Apache Software Foundation descontinuou o projeto em setembro de 2023 e transferiu-o para o Apache Attic até fevereiro de 2024; já não é desenvolvido. Os modelos existentes são normalmente migrados para outras frameworks.
Naive Bayes
Naive Bayes é uma família de métodos de classificação simples baseados no teorema de Bayes. São chamados «ingénuos» porque assumem que todas as características são independentes umas das outras, o que raramente acontece na prática, mas muitas vezes produz, ainda assim, bons resultados. Os métodos são rápidos, precisam de poucos dados de treino e são particularmente adequados para texto. Um exemplo clássico é o filtro de spam, que ordena os e-mails com base em palavras típicas.
Net new business
Net new business designa a receita gerada por clientes que antes não existiam, por oposição a renovações, upselling ou expansão junto de clientes existentes. O indicador mostra a capacidade de uma empresa para abrir novos mercados e públicos-alvo, e as equipas comerciais costumam planeá-lo e remunerá-lo em separado. Exemplo: um fornecedor de software comunica que 40 % da sua carteira trimestral de encomendas é net new business.
Modelo
Nível de escolaridade
Na investigação sobre legibilidade, o nível de escolaridade é uma medida do ano escolar a partir do qual um texto é geralmente compreendido. Um exemplo bem conhecido é o Flesch–Kincaid Grade Level, que calcula um ano escolar norte-americano a partir do comprimento das frases e das sílabas por palavra; uma pontuação de 8 corresponde aproximadamente ao oitavo ano. Estas pontuações só em parte são transponíveis para outras línguas, pelo que para o alemão se usam muitas vezes fórmulas adaptadas, como a versão de Amstad do índice de Flesch ou o LIX.
Modelo
Nível de leitura
O nível de leitura indica o nível de competência de leitura que um texto exige ou que uma pessoa atingiu. Consoante o sistema, é expresso como ano escolar, como valor numa escala como a Lexile, ou como nível em currículos e quadros de referência linguísticos, como A2 ou B1 no Quadro Europeu Comum de Referência para as Línguas. Na prática, ajuda a adaptar textos ao público-alvo, por exemplo informações para clientes em linguagem simples.
Modelo
NLTK
O NLTK (Natural Language Toolkit) é uma biblioteca Python de código aberto para processamento de linguagem natural, criada na Universidade da Pensilvânia no início dos anos 2000. Disponibiliza ferramentas para tokenização, stemming, etiquetagem de classes gramaticais e classificação simples, bem como acesso a numerosos corpora de texto. O NLTK é usado sobretudo no ensino e na investigação; as aplicações em produção recorrem muitas vezes a bibliotecas como o spaCy ou a modelos transformer.
No-code
No-code designa as ferramentas que permitem criar aplicações, automatizações ou sites através de interfaces gráficas, sem escrever código. As equipas de negócio podem implementar e testar processos por si próprias, em vez de esperar pelo desenvolvimento de TI. Os limites surgem com requisitos muito especializados, grandes volumes de dados ou integrações profundas. Exemplo: uma equipa comercial usa arrastar e largar para criar um fluxo que ordena e resume novos pedidos.
Normalização em lote
A normalização em lote (batch normalization) é uma técnica de treino de redes neuronais profundas que reescala os valores intermédios de uma camada, para cada lote de dados, para uma média e uma dispersão consistentes. Isto torna o treino mais estável e muitas vezes mais rápido, e a rede fica menos sensível aos valores iniciais. Introduzida em 2015, é comum nas redes de reconhecimento de imagem; os transformers recorrem normalmente à normalização de camada, uma técnica relacionada.
NumPy
O NumPy é a biblioteca Python fundamental de código aberto para cálculo numérico. Disponibiliza arrays multidimensionais e funções rápidas de álgebra linear, estatística e números aleatórios, com o núcleo a ser executado em código compilado. Muitas ferramentas de análise de dados e de aprendizagem automática, como o pandas, o scikit-learn e inúmeras bibliotecas de visualização, assentam no NumPy. Quem trabalha com dados em Python utiliza-o, por isso, quase sempre, direta ou indiretamente.
Ontologia
Em informática, uma ontologia é um modelo formal de uma área de conhecimento que define com clareza conceitos, as suas propriedades e as relações entre eles. Isto permite que pessoas e máquinas interpretem os dados de forma consistente e tirem conclusões a partir deles. As ontologias sustentam muitos grafos de conhecimento, sistemas de pesquisa semântica e projetos de integração de dados. Exemplo: uma ontologia de produtos define que uma «bicicleta elétrica» é uma «bicicleta» e tem uma «bateria».
Open Neural Network Exchange (ONNX)
O Open Neural Network Exchange (ONNX) é um formato de ficheiro aberto para modelos de aprendizagem automática, apresentado em 2017 pela Microsoft e pelo Facebook (hoje Meta) e atualmente alojado na LF AI & Data Foundation. Um modelo treinado em PyTorch, por exemplo, pode ser exportado para ONNX e executado com outras ferramentas ou runtimes, como o ONNX Runtime. Isto facilita a mudança entre frameworks e a implementação em diferentes tipos de hardware.
OpenAI
A OpenAI é uma empresa de IA sediada em São Francisco, fundada em 2015 como organização sem fins lucrativos. Desde a reestruturação de outubro de 2025, é composta pela OpenAI Foundation, sem fins lucrativos, que controla a OpenAI Group PBC, com fins lucrativos (à data de outubro de 2026). A OpenAI é mais conhecida pelo ChatGPT e pelos modelos de linguagem GPT, bem como pelo gerador de imagens DALL·E e pelo modelo de reconhecimento de voz Whisper. Os seus modelos são oferecidos através de aplicações e de uma API.
OpenCV
O OpenCV (Open Source Computer Vision Library) é uma biblioteca de software de código aberto para processamento de imagem e visão computacional, cujo desenvolvimento começou na Intel por volta do ano 2000. Oferece milhares de funções, por exemplo para filtrar imagens, detetar arestas e rostos, seguir objetos em vídeo ou calibrar câmaras. O OpenCV é escrito em C++, mas é frequentemente utilizado através de Python, por exemplo na inspeção de qualidade, na robótica e na investigação.
Organograma
Um diagrama da estrutura de uma empresa: departamentos, funções e quem reporta a quem.
KI.ordo
Orquestração ABM
O account-based marketing (ABM) concentra o marketing e as vendas num conjunto selecionado de contas empresariais, em vez de públicos amplos. A orquestração consiste em coordenar todos os pontos de contacto: que membro do comité de compra recebe que mensagem, por que canal e quando. A IA ajuda a consolidar informações sobre as empresas-alvo, a redigir mensagens específicas para cada função e a planear sequências através de e-mail, telefone, eventos e redes sociais.
Modelo
Otimização de hiperparâmetros
Os hiperparâmetros são definições fixadas antes do treino de um modelo, como a taxa de aprendizagem, o número de camadas ou a intensidade da regularização. A otimização de hiperparâmetros procura sistematicamente a combinação com melhor desempenho nos dados de validação, por exemplo através de pesquisa em grelha, pesquisa aleatória ou otimização bayesiana. Valores bem escolhidos melhoram a exatidão e reduzem o sobreajuste ou o subajuste, mas a pesquisa consome tempo de cálculo.
Otimização para motores generativos (GEO)
A otimização para motores generativos (GEO, do inglês generative engine optimisation) abrange medidas que ajudam os conteúdos a ganhar visibilidade, e a serem citados como fonte, em sistemas de pesquisa com IA, como o ChatGPT, o Perplexity ou as visões gerais de IA nos motores de pesquisa. O termo provém de um artigo científico de 2023. Os fatores principais incluem respostas claras e diretamente citáveis, uma estrutura limpa, factos comprovados, informação atualizada e autores identificáveis. A GEO complementa a otimização para motores de pesquisa (SEO) clássica, em vez de a substituir.
Modelo
Overfitting
O sobreajuste (overfitting) ocorre quando um modelo memoriza os dados de treino, incluindo particularidades aleatórias e ruído, em vez de captar padrões de validade geral. Parece então muito exato com os dados conhecidos, mas tem um mau desempenho com dados novos. Uma grande diferença entre o erro de treino e o erro de teste é um sinal típico. Entre as contramedidas contam-se mais dados ou dados mais variados, modelos mais simples, regularização, dropout e validação cruzada.
OWASP LLM Top 10
O OWASP Top 10 para Aplicações LLM é uma lista dos principais riscos de segurança em aplicações baseadas em grandes modelos de linguagem, publicada pelo OWASP GenAI Security Project. A edição atual de 2026 surgiu em agosto de 2026 (à data de outubro de 2026) e abrange: injeção de prompts, divulgação de informações sensíveis, agência excessiva, cadeia de fornecimento, envenenamento de dados e de modelos, consumo ilimitado, desinformação, exposição de contexto oculto, vulnerabilidades de vetores e embeddings e tratamento inadequado de saídas. Serve de lista de verificação para o desenvolvimento e as auditorias.
Modelo
pandas
O pandas é uma biblioteca Python de código aberto para analisar e manipular dados tabulares, desenvolvida a partir de 2008 por Wes McKinney. O seu objeto central, o DataFrame, assemelha-se a uma tabela com colunas nomeadas. Permite carregar dados de ficheiros CSV, Excel ou bases de dados e limpá-los, filtrá-los, agrupá-los e combiná-los. O pandas assenta no NumPy e é uma ferramenta padrão na análise de dados, na elaboração de relatórios e na preparação de dados de treino.
Paráfrase na comunicação
Parafrasear significa reformular o que alguém disse, por palavras próprias, sem alterar o sentido. Numa conversa, é uma técnica de escuta ativa: verifica-se se se compreendeu bem e demonstra-se atenção, por exemplo: «Se o compreendo bem, o prazo de entrega é o que mais lhe importa?» Na escrita, a paráfrase ajuda a tornar os conteúdos mais claros, mais curtos ou mais adequados a um determinado público.
Modelo
Parceria em IA
Uma parceria em IA é uma colaboração entre organizações para desenvolver, introduzir ou moldar de forma responsável soluções de IA em conjunto, por exemplo entre empresas e fornecedores de tecnologia, universidades ou institutos de investigação. Os parceiros partilham conhecimentos, dados, infraestrutura ou custos. São essenciais acordos claros sobre a utilização dos dados, a propriedade intelectual, a responsabilidade e as opções de saída. O termo refere-se também a iniciativas como a Partnership on AI, uma organização sem fins lucrativos fundada em 2016.
Pathways Language Model (PaLM)
O PaLM é um grande modelo de linguagem da Google, apresentado em 2022 com 540 mil milhões de parâmetros e treinado em muitos chips TPU em simultâneo, com o sistema de treino Pathways da Google. O PaLM 2 surgiu em 2023 e deu origem, entre outros, ao chatbot Bard. Entretanto, a Google substituiu o PaLM pelos seus modelos Gemini, e a API para programadores do PaLM foi encerrada em agosto de 2024. Hoje, o PaLM é relevante sobretudo como marco na evolução dos grandes modelos de linguagem.
Perplexity AI
A Perplexity AI é uma empresa de São Francisco, fundada em 2022, que gere um motor de pesquisa com IA. Em vez de uma lista de ligações, devolve uma resposta escrita que resume conteúdos atuais da web e cita as fontes utilizadas. Além de uma versão gratuita, existem planos pagos com escolha de modelos de linguagem, bem como o navegador de IA Comet (à data de outubro de 2026). Para as empresas, a Perplexity também é relevante porque altera a forma como os conteúdos na web são descobertos.
Pesquisa com IA
A pesquisa com IA designa métodos de pesquisa que usam IA para compreender a intenção por trás de uma consulta, ponderar resultados e, muitas vezes, gerar uma resposta resumida com fontes em vez de uma simples lista de ligações. Tecnicamente, utilizam pesquisa por palavras-chave, pesquisa vetorial sobre embeddings ou uma combinação, frequentemente seguida de um modelo de linguagem. Exemplos são os motores de resposta na web e a pesquisa interna de conhecimento que ajuda os colaboradores a encontrar o que precisam em manuais e políticas.
Pesquisa de documentos com PLN
A pesquisa de documentos com PLN utiliza técnicas de processamento de linguagem natural para encontrar informação em coleções de documentos em resposta a uma pergunta formulada livremente. Em vez de procurar apenas sequências exatas de palavras, estes sistemas têm em conta as formas das palavras, a ponderação de termos raros ou a semelhança de significado. Por exemplo, quem escrever "Como peço dias de licença?" recebe a secção relevante do manual do colaborador, mesmo que esta fale de um "pedido de férias".
Pesquisa por facetas
Na pesquisa por facetas, os utilizadores restringem os resultados passo a passo com filtros construídos a partir de atributos do conteúdo – como categoria, preço, marca, data ou autor. Cada faceta mostra normalmente quantos resultados restam. A abordagem é familiar das lojas online, mas também é usada em bibliotecas, intranets e arquivos de documentos para tornar coleções extensas manejáveis sem termos de pesquisa exatos.
Pesquisa sem cliques
Uma pesquisa sem cliques (zero-click) ocorre quando os utilizadores obtêm a resposta diretamente na página de resultados, por exemplo através de caixas de resposta em destaque ou de resumos gerados por IA, e já não clicam para chegar a um site. Para as empresas, isto reduz o tráfego, mesmo quando os seus conteúdos servem de fonte. Ser visível como fonte citada torna-se, por isso, mais importante: com respostas claras, factos fundamentados e páginas bem estruturadas.
Modelo
Pipeline de machine learning
Um pipeline de machine learning é uma sequência definida de passos que transforma dados em bruto num modelo implementável: recolha e limpeza de dados, preparação de características, treino, avaliação, implementação e monitorização. Automatizar estes passos torna os resultados reprodutíveis e permite processar novos dados com pouco esforço. Um retalhista pode, por exemplo, voltar a treinar e testar semanalmente o seu modelo de previsão de vendas com os números mais recentes.
Pipeline de recuperação
Um pipeline de recuperação é a sequência de passos de processamento que um sistema utiliza para encontrar a informação certa para uma pergunta. Os passos típicos são: importar e limpar documentos, dividi-los em blocos (chunks), criar um índice de pesquisa, reformular opcionalmente a consulta, obter as correspondências, ordená-las (reranking) e transmitir as melhores ao modelo de linguagem. É a base de qualquer aplicação RAG, e a sua qualidade determina em grande medida a qualidade das respostas obtidas.
Pontuação BLEU
A pontuação BLEU (Bilingual Evaluation Understudy) é uma métrica desenvolvida na IBM em 2002 para avaliar automaticamente traduções automáticas. Mede quantas sequências de palavras de uma tradução surgem também numa ou mais traduções de referência humanas e dá um valor entre 0 e 1 (muitas vezes apresentado como 0–100). O BLEU é rápido e comparável, mas não capta bem nem o sentido nem o estilo – boas paráfrases podem obter pontuações baixas.
Pontuação ROUGE
O ROUGE (Recall-Oriented Understudy for Gisting Evaluation) é uma família de métricas para comparar textos gerados automaticamente – sobretudo resumos – com textos de referência escritos por pessoas. Mede quantas palavras ou sequências de palavras coincidem, por exemplo palavras isoladas no ROUGE-1 ou a subsequência comum mais longa no ROUGE-L. A pontuação calcula-se depressa, mas não capta de forma fiável paráfrases com o mesmo sentido nem a exatidão factual.
Pontuação SEO
Uma pontuação SEO é uma métrica que as ferramentas de análise utilizam para avaliar o grau de otimização de uma página web para os motores de pesquisa – normalmente numa escala de 0 a 100. Os fatores podem incluir títulos e descrições, estrutura de cabeçalhos, velocidade de carregamento, adaptação a dispositivos móveis, ligações internas e dados estruturados. Cada ferramenta calcula a pontuação de forma diferente; não é uma classificação oficial da Google. A pontuação é, por isso, útil como lista de verificação para melhorias, não como garantia de bons rankings.
Modelo
Precisão média média (mAP)
A precisão média média (mAP, do inglês mean average precision) é uma métrica que avalia em que medida um sistema encontra resultados relevantes e os coloca perto do topo. A precisão média é calculada ao longo da lista de resultados para cada consulta ou classe de objetos; a mAP é a média de todas elas. É uma medida padrão para motores de pesquisa, sistemas de recomendação e deteção de objetos em imagens, onde depende também da sobreposição exigida das caixas delimitadoras.
Processamento de linguagem natural (PLN)
O processamento de linguagem natural é o ramo da IA que permite aos computadores analisar, compreender e gerar linguagem humana em texto ou fala. Abrange tarefas como tradução, classificação, resumo, análise de sentimento e resposta a perguntas. Em tempos dominaram as regras e os métodos estatísticos; hoje, a área é moldada pelos grandes modelos de linguagem.
Processamento inteligente de documentos (IDP)
O processamento inteligente de documentos (IDP, do inglês intelligent document processing) lê automaticamente documentos como faturas, contratos ou formulários, identifica o seu tipo e transforma os dados relevantes em dados estruturados. Combina o reconhecimento de texto em digitalizações, o processamento de linguagem natural e regras de validação. As organizações poupam a introdução manual de dados e aceleram processos como o tratamento de faturas ou correspondência recebidas. Os campos incertos devem ser verificados por pessoas.
Modelo
Processos de certificação de IA
Os processos de certificação de IA são procedimentos em que um organismo independente verifica se uma organização ou um sistema de IA cumpre requisitos definidos. Um exemplo muito utilizado é a certificação segundo a ISO/IEC 42001 (publicada em 2023), que descreve um sistema de gestão para a utilização responsável da IA; os requisitos para os organismos de certificação constam da ISO/IEC 42006 (2025). Tal certificado é voluntário e não substitui a avaliação de conformidade que o Regulamento Europeu da IA exige para sistemas de risco elevado (situação em outubro de 2026).
Prompt
Um prompt é a entrada que diz a um modelo de IA o que fazer – uma pergunta, uma tarefa ou uma instrução, muitas vezes complementada com contexto, exemplos e o formato pretendido. A qualidade da resposta depende muito da clareza e da integridade do prompt. Por exemplo, em vez de «Escreve algo sobre o nosso produto», use-se «Escreve três vantagens curtas do produto X para empresas do setor artesanal, num tom factual».
Modelo
Prompt injection indireta
Numa prompt injection indireta, as instruções manipuladoras não estão na entrada do utilizador, mas escondidas em conteúdos que um sistema de IA processa pelo caminho, como páginas web, e-mails ou documentos. Quando um agente lê esse conteúdo, pode confundir comandos ocultos com tarefas genuínas e, por exemplo, divulgar dados. As salvaguardas incluem tratar o conteúdo externo estritamente como dados, limitar as permissões, filtrar as entradas e exigir aprovação humana para ações críticas.
Modelo
Prompt negativo
Um prompt negativo especifica o que um modelo de IA não deve gerar nem fazer de forma explícita. Na geração de imagens, por exemplo com o Stable Diffusion, é um campo de entrada separado para elementos indesejados, como «desfocado» ou «texto na imagem». Nos modelos de linguagem, assume a forma de regras nas instruções, como «Não inventes preços» ou «Não dês aconselhamento jurídico». Tais limites tornam os resultados mais previsíveis, mas não substituem a verificação.
Prompting recursivo
O prompting recursivo designa técnicas em que o resultado de um modelo de linguagem é reintroduzido como nova entrada – por exemplo para que um rascunho seja revisto e corrigido, ou para decompor uma tarefa grande, passo a passo, em subtarefas. Por exemplo, é primeiro produzida uma proposta em rascunho, o modelo avalia-a depois com base numa lista de verificação e, por fim, ela é melhorada. Isto aumenta muitas vezes a qualidade, mas custa tempo de processamento adicional e exige um critério de paragem claro.
PyTorch
O PyTorch é uma framework de código aberto para aprendizagem automática e aprendizagem profunda na linguagem de programação Python. Foi desenvolvido originalmente na Meta (então Facebook) e é gerido desde 2022 pela PyTorch Foundation, sob a égide da Linux Foundation. O PyTorch é muito utilizado na investigação e na indústria porque permite aos programadores construir modelos com flexibilidade, treiná-los em GPU e testá-los passo a passo; muitos modelos de linguagem e de imagem conhecidos são construídos com ele.
Q-learning
O Q-learning é um método fundamental de aprendizagem por reforço. Um agente aprende por tentativa e erro que valor a longo prazo (o «valor Q») tem uma determinada ação numa determinada situação e, com o tempo, escolhe as ações mais promissoras. Para isso, não precisa de um modelo do seu ambiente. Combinado com redes neuronais (deep Q-learning), um sistema da DeepMind utilizou esta abordagem para aprender a jogar muitos videojogos da Atari apenas a partir dos píxeis do ecrã.
Quadro regulamentar da IA
Um quadro regulamentar da IA engloba as leis, normas e estruturas de supervisão que regem o desenvolvimento e a utilização da IA. Na UE, a lei central é o Regulamento da IA (Regulamento (UE) 2024/1689), que adota uma abordagem baseada no risco: as proibições aplicam-se desde fevereiro de 2025, as obrigações para modelos de IA de finalidade geral desde agosto de 2025 e os deveres de transparência desde agosto de 2026. Na sequência do "Digital Omnibus" (Regulamento (UE) 2026/1744), as obrigações para sistemas de risco elevado aplicam-se a partir de 2 de dezembro de 2027 ou 2 de agosto de 2028 (situação em outubro de 2026; não constitui aconselhamento jurídico).
Quis dizer (DYM)
O "Quis dizer" (DYM, do inglês did you mean) é uma funcionalidade de pesquisa que sugere uma consulta corrigida quando a entrada parece ter erros ou ser invulgar. Baseia-se em medidas de semelhança entre palavras, em modelos de linguagem e na análise de pesquisas frequentes. Exemplo: quem escrever "maquina de cafe" numa loja online vê "Quis dizer: máquina de café?". A funcionalidade reduz as páginas de resultados vazias e melhora, assim, a experiência de pesquisa.
R-quadrado ajustado
O R-quadrado ajustado mede até que ponto um modelo de regressão explica a variação nos dados, corrigido pelo número de preditores utilizados. O R-quadrado simples aumenta com cada variável adicional, mesmo que esta nada acrescente; a versão ajustada penaliza as variáveis desnecessárias. Isto permite uma comparação mais justa entre modelos de dimensões diferentes, por exemplo uma previsão de vendas com três em vez de dez fatores.
Raciocínio multi-hop
O raciocínio multi-hop é a capacidade de um sistema de IA responder a uma pergunta através de várias inferências sucessivas, combinando muitas vezes informações de fontes diferentes. Exemplo: «Que departamento é chefiado pela pessoa responsável pelo projeto X?» exige primeiro identificar a pessoa responsável e depois o respetivo departamento. Estas perguntas são exigentes para os sistemas de pesquisa e de RAG, porque cada passo intermédio tem de ser encontrado e ligado corretamente.
Recall em aprendizagem automática
O recall (também chamado sensibilidade ou taxa de verdadeiros positivos) mede a proporção dos casos realmente positivos que um modelo deteta: positivos corretamente identificados a dividir por todos os positivos reais. Se um filtro de fraude apanha 80 de 100 casos reais de fraude, o seu recall é 0,8. Um recall elevado é importante quando os casos não detetados são dispendiosos, como no diagnóstico médico. Como ignora os falsos alarmes, é geralmente considerado em conjunto com a precisão, por exemplo na pontuação F.
Reclassificação de documentos
A reclassificação de documentos (reranking) é um segundo passo de ordenação em sistemas de pesquisa e RAG: uma pesquisa inicial rápida devolve um conjunto de resultados candidatos, que um método mais preciso, mas mais dispendioso, volta depois a ordenar por relevância. Isto é frequentemente feito por um chamado cross-encoder, que avalia em conjunto a pergunta e uma passagem. Assim, as passagens mais relevantes ficam no topo antes de um modelo de linguagem formular uma resposta a partir delas.
Reconhecimento de entidades nomeadas (NER)
O reconhecimento de entidades nomeadas (NER, do inglês named entity recognition) é uma técnica de processamento de linguagem natural que encontra em textos nomes de pessoas, empresas e locais, bem como datas ou montantes, e atribui cada um a uma categoria. Transforma texto livre em dados estruturados. Exemplo: a empresa remetente, a pessoa de contacto, a data de entrega e o valor da fatura são extraídos automaticamente de um e-mail e transferidos para um CRM.
Modelo
Reconhecimento de imagem
O reconhecimento de imagem é uma área da visão computacional em que o software identifica o que uma imagem mostra – objetos, pessoas, texto, logótipos ou cenas. Baseia-se normalmente em redes neuronais treinadas com grandes quantidades de imagens rotuladas. As aplicações vão do controlo de qualidade na produção e da organização de fotografias de produtos até ao apoio à imagiologia médica. Com imagens de pessoas, a proteção de dados e o possível enviesamento exigem especial atenção.
Reconhecimento de padrões
O reconhecimento de padrões é a identificação automática de regularidades, estruturas ou características recorrentes em dados como imagens, sons, textos ou medições. Os sistemas atribuem novas observações a categorias conhecidas ou descobrem grupos sem rótulos predefinidos. Entre as aplicações contam-se o reconhecimento facial, o reconhecimento de escrita manual, a inspeção de qualidade na produção e a deteção de transações invulgares. A disciplina é um alicerce importante da aprendizagem automática.
Reconhecimento de texto em cenas (STR)
O reconhecimento de texto em cenas lê o texto que aparece em fotografias e vídeos de ambientes reais, como sinais de trânsito, embalagens ou matrículas. Ao contrário do OCR clássico para documentos digitalizados, tem de lidar com perspetivas inclinadas, luz variável, tipos de letra invulgares e fundos desordenados. Uma abordagem típica funciona em duas fases: primeiro localizar as regiões de texto e depois reconhecer os carateres nelas contidos.
Reconhecimento de voz (speech to text)
O reconhecimento de voz, também chamado ASR (automatic speech recognition), converte automaticamente a linguagem falada em texto escrito. Os sistemas modernos utilizam redes neuronais treinadas com grandes quantidades de gravações de áudio e lidam razoavelmente bem com sotaques e ruído de fundo. Entre as aplicações contam-se o ditado, as legendas, os assistentes de voz e a transcrição de reuniões e chamadas de clientes. Os termos técnicos, os nomes próprios e a fraca qualidade do áudio continuam a ser fontes frequentes de erros.
Reconhecimento ótico de caracteres (OCR)
O reconhecimento ótico de caracteres (OCR) converte o texto contido em imagens, como digitalizações, fotografias ou faxes, em texto legível por máquina. Só assim é possível pesquisar, copiar ou tratar documentos automaticamente. O OCR moderno utiliza redes neuronais e consegue também reconhecer tabelas, esquemas de página e, em alguns casos, escrita manual. Entre as utilizações típicas contam-se o processamento de faturas, a digitalização de arquivos e a leitura de formulários; a qualidade depende muito da qualidade da imagem.
Reconstrução 3D
A reconstrução 3D abrange métodos que calculam um modelo tridimensional de um objeto ou espaço a partir de fotografias, vídeo ou dados de sensores. As abordagens típicas fazem corresponder várias imagens tiradas de ângulos diferentes ou avaliam dados de profundidade de sensores laser e de profundidade. É utilizada em topografia, conservação do património, medicina, robótica e comércio eletrónico – por exemplo, para transformar uma digitalização feita com um smartphone num modelo 3D rotativo de um produto.
Recuperação de informação
A recuperação de informação abrange métodos que encontram, num grande corpo de texto, os documentos ou passagens que correspondem a uma consulta e os ordenam por relevância. As abordagens clássicas, como o BM25, ponderam os termos de pesquisa consoante a frequência e a raridade com que ocorrem; as mais recentes acrescentam a semelhança semântica. Está na base dos motores de pesquisa, da pesquisa empresarial e da geração aumentada por recuperação, em que um modelo de linguagem usa as passagens recuperadas como base da sua resposta.
Red teaming de IA
O red teaming de IA é a análise estruturada de um sistema de IA na perspetiva de potenciais atacantes ou de utilização abusiva. Especialistas testam de forma controlada se um chatbot revela instruções confidenciais, pode ser levado a comportamentos indesejados, fornece factos falsos ou expõe dados. As conclusões servem para melhorar instruções, filtros e permissões. Uma auditoria de segurança de chatbot é uma forma mais ligeira: avalia a configuração e conversas de exemplo face a áreas de risco conhecidas, como as do OWASP Top 10 para aplicações LLM.
Modelo
Rede generativa adversarial (GAN)
Uma rede generativa adversarial (GAN) é composta por duas redes neuronais treinadas uma contra a outra: o gerador cria dados artificiais, como imagens, e o discriminador tenta distingui-los dos reais. Através desta competição, os resultados tornam-se cada vez mais realistas. As GAN foram introduzidas em 2014 e marcaram a geração de imagens antes de os modelos de difusão se generalizarem; são usadas, por exemplo, para dados de treino sintéticos ou para melhoria de imagem.
Rede neuronal convolucional (CNN)
Uma rede neuronal convolucional (CNN) é uma arquitetura de rede neuronal particularmente adequada a dados de imagem. Percorre a entrada com pequenos filtros, detetando características simples, como contornos, nas primeiras camadas e formas mais complexas nas mais profundas. As CNN marcaram o reconhecimento de imagem durante muitos anos e são utilizadas, por exemplo, para detetar defeitos em fotografias de produtos ou na análise de imagens médicas.
Rede neuronal recorrente (RNN)
Uma rede neuronal recorrente processa os dados por ordem e transmite um estado interno de cada passo para o seguinte – uma espécie de memória de curto prazo. Isto torna-a adequada para sequências como texto, fala ou séries temporais, por exemplo para prever a palavra seguinte ou a próxima leitura de um sensor. As RNN simples esquecem facilmente informações de há muito tempo; variantes como a LSTM e a GRU atenuam o problema. Nos modelos de linguagem, as RNN foram em grande medida substituídas pelos transformers.
Redes bayesianas
As redes bayesianas são modelos gráficos que representam variáveis como nós e as suas dependências probabilísticas como setas dirigidas. Com base no teorema de Bayes, mostram como novas observações alteram a probabilidade de outros acontecimentos. Um exemplo é o apoio ao diagnóstico: estimar a causa mais provável a partir dos sintomas observados. Os seus pontos fortes são a transparência e a capacidade de lidar com dados incertos ou incompletos.
Redes de crenças profundas (DBN)
As redes de crenças profundas (DBN, do inglês deep belief networks) são redes neuronais compostas por várias camadas sobrepostas que são primeiro pré-treinadas camada a camada, sem supervisão, normalmente como as chamadas máquinas de Boltzmann restritas. Geoffrey Hinton e colegas apresentaram o método em 2006; mostrou que as redes profundas podiam ser treinadas de forma eficiente e contribuiu assim para a ascensão do deep learning. Na prática, as DBN foram entretanto largamente substituídas por outras arquiteturas.
Redes neuronais artificiais (RNA)
As redes neuronais artificiais (RNA) são modelos computacionais compostos por muitas unidades ligadas ("neurónios") dispostas em camadas, que processam entradas através de ligações ponderadas. Durante o treino, os pesos são ajustados passo a passo com exemplos, normalmente por retropropagação. As RNA são a base do deep learning e alimentam o reconhecimento de imagem, o reconhecimento de voz e os grandes modelos de linguagem. Apesar da inspiração biológica, funcionam de forma muito mais simples do que o cérebro humano.
Redução de dimensionalidade
A redução de dimensionalidade diminui o número de características de um conjunto de dados sem perder a informação essencial. Entre os métodos mais conhecidos estão a análise de componentes principais (PCA), bem como o t-SNE e o UMAP, frequentemente usados para visualização. Acelera os cálculos, reduz o risco de sobreajuste e torna os dados mais fáceis de compreender – por exemplo, quando centenas de atributos de clientes são projetados num gráfico bidimensional em que clientes semelhantes ficam próximos uns dos outros.
Reescritor de parágrafos
Um reescritor de parágrafos é uma ferramenta de IA que reformula um excerto existente sem alterar o que ele diz. Os objetivos habituais são um tom diferente, uma versão mais curta, uma linguagem mais simples ou menos repetições. Isto é útil, por exemplo, quando um texto técnico interno tem de ficar mais claro para os clientes. O conteúdo e os factos devem, ainda assim, ser verificados depois, pois a reformulação pode alterar nuances.
Modelo
Reformulador de frases
Um reformulador de frases reescreve frases isoladas ou pequenas passagens sem alterar o sentido. Pode simplificar uma frase, torná-la mais formal ou mais simpática, encurtá-la ou evitar repetições. É útil, por exemplo, em respostas a clientes, em textos de produtos ou quando uma frase soa mal. Continua a ser importante uma verificação rápida, para garantir que os termos técnicos, os números e as afirmações permanecem corretos depois da reformulação.
Modelo
Regressão com floresta aleatória
A regressão com floresta aleatória (random forest) prevê valores numéricos combinando muitas árvores de decisão. Cada árvore é treinada com uma amostra aleatória dos dados e uma seleção aleatória de características; o resultado é a média das previsões de todas as árvores. Isto torna o método mais robusto e menos propenso ao sobreajuste do que uma árvore isolada. É utilizada, por exemplo, em previsões de vendas, estimativas de preços ou da procura de energia – muitas vezes como ponto de partida sólido para dados tabulares.
Regressão linear
A regressão linear é um método estatístico que descreve a relação entre uma variável-alvo e um ou mais preditores através de uma reta ou de um plano. Os coeficientes são geralmente escolhidos de modo a minimizar a soma dos quadrados dos desvios. O método é fácil de compreender e interpretar: por exemplo, pode estimar quanto sobe a receita quando o orçamento de publicidade aumenta 1000 €. Atinge os seus limites em relações não lineares.
Regressão logística
A regressão logística é um método estatístico que prevê a probabilidade de um de dois resultados, como "compra" ou "não compra". Pondera as características de entrada e converte a sua soma num valor entre 0 e 1 através de uma função em forma de S. Como os pesos são fáceis de interpretar, é muito utilizada na avaliação de crédito, na medicina e no marketing, muitas vezes como base sólida para modelos mais complexos.
Regulamentação de proteção de dados
A regulamentação de proteção de dados reúne as normas jurídicas que regem o tratamento de dados pessoais. Na UE, o Regulamento Geral sobre a Proteção de Dados (RGPD) é o quadro principal; exige, entre outros aspetos, um fundamento jurídico para cada tratamento, a minimização de dados, a transparência perante os titulares dos dados e acordos de tratamento de dados com os prestadores de serviços. Ao utilizar IA, as organizações têm de esclarecer que dados acabam nas entradas, nas fontes de conhecimento e nos registos, e onde são tratados.
Regularização
A regularização abrange técnicas que impedem um modelo de se ajustar demasiado aos seus dados de treino durante o treino (sobreajuste). Os exemplos incluem penalizar pesos elevados (regularização L1 ou L2), desligar neurónios de forma aleatória (dropout) ou parar o treino no momento certo (early stopping). O objetivo é um modelo mais simples, que funcione de forma mais fiável com dados novos e desconhecidos, mesmo que obtenha uma pontuação ligeiramente inferior nos dados de treino.
Relatórios de compliance
Os relatórios de compliance documentam, de forma regular e rastreável, se uma organização cumpre requisitos legais, normas e políticas internas. Um relatório típico apresenta o período e o âmbito, o estado de cada requisito, os desvios e as medidas com responsáveis e prazos. Serve de prova perante a gestão, os órgãos de fiscalização, os auditores ou as autoridades, por exemplo em matéria de proteção de dados ou segurança da informação.
Modelo
Remote MCP
MCP remoto designa um servidor MCP que não é executado localmente no próprio computador, mas está acessível pela internet através de HTTP. O Model Context Protocol é uma norma aberta que permite às aplicações de IA utilizar ferramentas e dados externos; para servidores remotos, a especificação prevê o transporte «Streamable HTTP» e a autenticação, por exemplo através de OAuth ou de uma chave de API. A vantagem é que um serviço alojado centralmente fica disponível para muitos utilizadores e programas de IA sem instalação local.
Resolução de correferência
A resolução de correferência é uma tarefa de processamento de linguagem natural que identifica que expressões de um texto se referem à mesma pessoa, coisa ou assunto. Em "A Dra. Weber ligou. Ela gostaria de receber uma chamada de volta", o sistema tem de perceber que "ela" se refere à Dra. Weber. Isto é importante para resumos, extração de informação e chatbots que precisam de acompanhar referências ao longo de várias frases ou turnos de conversa.
Resposta a perguntas
A resposta a perguntas (question answering, QA) é uma área do processamento de linguagem natural em que um sistema responde diretamente a perguntas formuladas em linguagem corrente, em vez de devolver uma lista de resultados de pesquisa. Os sistemas modernos procuram passagens relevantes numa base de conhecimento e compõem uma resposta a partir delas, idealmente com referência à fonte. Utilizações típicas são o apoio ao cliente, bases de conhecimento internas e manuais – por exemplo, perguntar ao manual do colaborador "Quantos dias de férias tenho no primeiro ano?"
Modelo
Resumo automático de texto
No resumo automático de texto, a IA condensa textos longos nos seus pontos principais. Os métodos extrativos copiam frases importantes literalmente, enquanto os métodos abstrativos reformulam o conteúdo; os grandes modelos de linguagem trabalham sobretudo de forma abstrativa. É útil para atas, relatórios ou longas cadeias de e-mails; nas decisões importantes, o resumo deve ser verificado com o original.
Modelo
Return on AI (ROAI)
O retorno da IA descreve o retorno económico de uma utilização de IA em relação aos seus custos. Um cálculo aproximado simples é: horas poupadas por mês × valor da hora, menos os custos de licenças, utilização de modelos, configuração e apoio. Se uma equipa que trata 200 pedidos precisar de 4 minutos por pedido, em vez de 10, poupa 20 horas por mês. Estes cálculos continuam a ser estimativas; a qualidade, as taxas de erro e o tempo de integração também devem ser tidos em conta.
Modelo
Revisão de documentos jurídicos
Na revisão de documentos jurídicos assistida por IA, um modelo de linguagem analisa contratos, termos e condições ou peças jurídicas: resume pontos essenciais como duração, rescisão e responsabilidade, assinala cláusulas invulgares e aponta disposições em falta. Isto acelera consideravelmente a revisão inicial, mas não substitui o aconselhamento jurídico; a apreciação e a responsabilidade continuam a caber a pessoas qualificadas.
Modelo
Revisão de texto
A revisão de texto consiste em verificar um texto quanto à ortografia, à gramática e à pontuação, muitas vezes em conjunto com a uniformidade de utilização; a revisão editorial vai mais longe e abrange também o estilo, a estrutura e o conteúdo. A IA consegue assinalar erros e sugerir correções rapidamente, por exemplo em citações, newsletters ou páginas web. Aconselha-se listar todas as alterações de forma transparente e pedir a uma pessoa uma verificação final de termos técnicos, nomes próprios e sentido.
Modelo
Robôs colaborativos (cobots)
Os robôs colaborativos, ou cobots, são robôs industriais concebidos para trabalhar diretamente ao lado das pessoas, sem vedação de segurança a separá-los. Sensores, forças e velocidades limitadas e funções de segurança garantem que param ou se afastam em caso de contacto; os requisitos constam de normas como a série ISO 10218. Os cobots encarregam-se de tarefas como carregar máquinas, aparafusar ou embalar, enquanto os colaboradores tratam da inspeção e dos casos especiais.
Robustez do modelo
A robustez do modelo descreve com que fiabilidade um modelo de IA funciona quando as entradas têm ruído, estão incompletas, são invulgares ou foram deliberadamente manipuladas. Um modelo robusto continua a fornecer resultados estáveis, por exemplo no reconhecimento de imagens com má iluminação ou num modelo de linguagem que lida com erros de digitação. A robustez avalia-se com testes de esforço, dados de treino diversificados e testes contra tentativas deliberadas de engano, e é particularmente importante em aplicações críticas para a segurança.
Router de IA
Um bloco de fluxo que atribui um texto a uma de várias categorias e ramifica em conformidade.
KI.ordo
Rytr
O Rytr é um assistente de escrita com IA disponível desde 2021 que produz textos curtos de marketing e do dia a dia. Os utilizadores escolhem um caso de utilização – como um e-mail, uma descrição de produto, uma publicação em redes sociais ou o esboço de um artigo de blogue –, um tom e uma de mais de 30 línguas; um editor ajuda a reformular, encurtar ou expandir. Além de uma versão gratuita com um limite de caracteres, existem planos pagos (à data de outubro de 2026). Como acontece com todas as ferramentas deste tipo, os resultados devem ser verificados antes da publicação.
Scikit-learn
O Scikit-learn é uma biblioteca Python de código aberto para aprendizagem automática clássica. Disponibiliza ferramentas consistentes para classificação, regressão, clustering, redução de dimensionalidade, pré-processamento de dados e avaliação de modelos, como a validação cruzada. Assente no NumPy e no SciPy, é muito utilizado no ensino, na investigação e na prática graças à sua interface simples e uniforme. Para redes neuronais profundas, escolhem-se normalmente frameworks como o PyTorch ou o TensorFlow.
SDR com IA
Um SDR com IA (sales development representative) é um agente de IA que assume tarefas da fase inicial de vendas: responder a pedidos recebidos, qualificar potenciais clientes, redigir guiões de chamadas e e-mails de follow-up, ou preparar reuniões. Alivia a equipa comercial, mas não substitui o seu discernimento nem o trabalho de relação. Ao abordar novos contactos na Alemanha e na UE, devem ser observadas as regras de proteção de dados e contra a publicidade não solicitada.
Modelo
Seed na arte com IA
A seed é um número inicial para o gerador de números aleatórios de um modelo de imagem. Os modelos de difusão começam com ruído de imagem aleatório, a partir do qual uma imagem vai surgindo gradualmente; a seed determina o aspeto desse ruído inicial. Com a mesma seed, o mesmo prompt e as mesmas definições, uma imagem pode ser em grande medida reproduzida no mesmo modelo. Isto ajuda quando se pretende alterar apenas um pormenor no prompt ou recriar mais tarde uma variante de imagem bem-sucedida.
Segmentação de instâncias
A segmentação de instâncias é uma técnica de visão computacional que deteta cada objeto individual numa imagem e o delimita pixel a pixel. Ao contrário da segmentação semântica, distingue também objetos da mesma classe: três pessoas recebem três máscaras separadas, em vez de uma área partilhada. É usada, por exemplo, na inspeção de qualidade, na imagiologia médica, na robótica ou na contagem de produtos numa prateleira.
Segmentação de mercado com IA
A segmentação de mercado com IA utiliza IA para dividir um mercado ou uma base de clientes em grupos com características, necessidades ou comportamentos semelhantes. Tradicionalmente, faz-se com métodos de agrupamento sobre dados de clientes; os modelos de linguagem podem, além disso, deduzir segmentos a partir de descrições, inquéritos ou pedidos e sugerir mensagens e canais. Os resultados são hipóteses que devem ser validadas com dados reais. Exemplo: um fornecedor de software distingue principiantes sensíveis ao preço de equipas orientadas para o crescimento.
Modelo
Segmentação semântica
A segmentação semântica atribui uma classe a cada píxel de uma imagem, como estrada, veículo, pessoa ou céu. O resultado é uma espécie de mapa codificado por cores do conteúdo da imagem. Ao contrário da segmentação de instâncias, os objetos do mesmo tipo não são distinguidos: três automóveis são tratados em conjunto como «automóvel». É utilizada, por exemplo, na condução autónoma, na imagiologia médica para delimitar tecidos e na análise de imagens aéreas e de satélite.
segurança dos LLM
A segurança dos LLM abrange todas as medidas que protegem aplicações construídas sobre grandes modelos de linguagem contra utilização abusiva, fuga de dados e comportamentos indesejados. Os riscos típicos incluem prompt injection, divulgação de instruções ou dados confidenciais e agentes com permissões excessivas. A proteção resulta de várias camadas: instruções claras, direitos restritos, verificações de entradas e saídas, firewalls de IA, red teaming e auditorias regulares.
Modelo
Singularidade
A singularidade tecnológica é uma noção teórica: um ponto em que a inteligência artificial se aperfeiçoa a si própria tão depressa que o progresso tecnológico deixa de poder ser previsto ou controlado pelos humanos. O termo foi popularizado pelo autor Vernor Vinge e pelo futurista Ray Kurzweil. Se e quando isto poderá acontecer é uma questão cientificamente em aberto e controversa. Ainda assim, a ideia influencia as discussões sobre segurança da IA, regulamentação e riscos a longo prazo.
Sistema de automatização com IA
Um sistema de automatização com IA combina a automatização tradicional de processos com capacidades de IA, como a compreensão de texto, a classificação ou o apoio à decisão. Isto permite automatizar também fluxos de trabalho com entradas não estruturadas, como e-mails, formulários ou pedidos. Uma configuração típica é uma cadeia de gatilho, passos de processamento, condições e saída, com aprovação humana nos pontos críticos. Exemplo: os pedidos recebidos são automaticamente categorizados, resumidos e encaminhados para o departamento certo.
Sistema especialista
Um sistema especialista é um programa informático que guarda o know-how de especialistas humanos sob a forma de regras e factos e retira conclusões a partir deles. Consiste tipicamente numa base de conhecimento e num motor de inferência que aplica as regras. Os sistemas especialistas marcaram a IA nas décadas de 1970 e 1980, por exemplo no diagnóstico médico ou na configuração de equipamento técnico. As suas ideias perduram hoje em verificações baseadas em regras e em grafos de conhecimento.
spaCy
O spaCy é uma biblioteca Python de código aberto para processamento de linguagem natural, desenvolvida pela empresa berlinense Explosion. Divide os textos em palavras e frases, determina classes gramaticais e formas de base, analisa a estrutura das frases e reconhece entidades nomeadas, como pessoas, empresas ou locais. Existem modelos pré-treinados para muitas línguas, incluindo o alemão. O spaCy foi concebido para a velocidade e para a utilização em aplicações reais, por exemplo para pré-processar grandes volumes de documentos.
Stable Diffusion
O Stable Diffusion é uma família de modelos de geração de imagens que criam imagens a partir de uma descrição em texto. A primeira versão foi lançada em 2022, desenvolvida sob a liderança da Stability AI em conjunto com parceiros de investigação. Tecnicamente, é um modelo de difusão latente que transforma gradualmente ruído de imagem numa imagem. Como os pesos do modelo são publicados, pode ser executado e personalizado localmente; a utilização comercial das versões mais recentes é regida pela licença própria da Stability AI (à data de outubro de 2026).
Start-up orientada pela IA
Uma start-up orientada pela IA é uma empresa jovem cujo produto ou modelo de negócio assenta fundamentalmente na inteligência artificial, como assistentes especializados para um setor, ferramentas de análise ou serviços automatizados. Estas start-ups constroem muitas vezes sobre modelos de base existentes e diferenciam-se pelo conhecimento do domínio, pelos dados, pela facilidade de utilização e pela integração. Os desafios incluem a dependência dos fornecedores de modelos, o custo por pedido e a regulamentação. Exemplo: uma start-up que prepara automaticamente relatórios de inspeção para empresas do setor artesanal.
Superinteligência artificial (ASI)
A superinteligência artificial (ASI, do inglês artificial superintelligence) é um conceito teórico de uma IA que supera significativamente os seres humanos em quase todas as capacidades intelectuais, incluindo a investigação, o planeamento e o discernimento social. Não existe nenhum sistema deste tipo. O termo é usado sobretudo na filosofia e na investigação em segurança da IA para discutir questões de controlo e de alinhamento de futuros sistemas com os valores humanos.
Taxa de adoção da IA
A taxa de adoção da IA indica a percentagem de empresas, trabalhadores ou agregados familiares que utilizam IA e serve de medida da difusão da tecnologia. Segundo o Gabinete Federal de Estatística da Alemanha (Destatis), 20 % das empresas alemãs com dez ou mais trabalhadores utilizaram IA em 2024 (2023: 12 %). A associação do setor digital Bitkom apurou uma percentagem de 36 % em 2025 entre empresas com 20 ou mais trabalhadores. Devido a definições e amostras diferentes, os estudos só são parcialmente comparáveis.
Tendências de IA
À data de outubro de 2026. Do ponto de vista técnico, o foco está a passar dos chatbots para agentes de IA que tratam tarefas em vários passos e utilizam ferramentas através de normas como o Model Context Protocol. Segundo dados da Crunchbase, cerca de 64 % do financiamento global de capital de risco no 3.º trimestre de 2026 foi para startups de IA. Na UE, as obrigações para os modelos de IA de finalidade geral aplicam-se desde agosto de 2025; os prazos para os sistemas de risco elevado foram adiados para dezembro de 2027 e agosto de 2028.
TensorFlow
O TensorFlow é uma framework de aprendizagem automática de código aberto desenvolvida pela Google e lançada em 2015. É utilizada para construir, treinar e implementar redes neuronais em aplicações, em servidores ou em dispositivos móveis. O Keras oferece uma interface de alto nível acessível; entre as utilizações típicas contam-se a classificação de imagens, a previsão e os sistemas de recomendação.
Teste de Turing
O teste de Turing remonta ao matemático Alan Turing, que o descreveu em 1950 como o «jogo da imitação». Uma pessoa mantém conversas escritas com um humano e com uma máquina; se não conseguir distinguir de forma fiável qual é a máquina, considera-se que o teste foi superado. Os modelos de linguagem atuais mantêm muitas vezes conversas com um som muito humano, mas o teste só diz algo sobre a linguagem convincente, não sobre compreensão ou fiabilidade.
Testes de intrusão em IA
Um teste de intrusão em IA é uma avaliação de segurança controlada e encomendada, em que especialistas sondam deliberadamente um sistema de IA em busca de vulnerabilidades, como prompt injection, fuga de dados confidenciais ou um agente com permissões excessivas. Ao contrário do red teaming mais abrangente, centra-se num âmbito claramente definido, com resultados e medidas corretivas documentados. Vale a pena realizá-lo antes de um chatbot entrar em produção e após alterações importantes.
Modelo
Text-to-Speech (TTS)
O text-to-speech converte texto escrito em linguagem falada, sendo o complemento do reconhecimento de voz (speech-to-text). Os sistemas modernos utilizam redes neuronais para produzir vozes com som natural e entoação adequada. O TTS é utilizado em mensagens telefónicas, aparelhos de navegação, funções de leitura em voz alta para sites acessíveis e assistentes de voz.
Token
A unidade com que os modelos de linguagem contam o texto. Um token corresponde aproximadamente a parte de uma palavra; os custos de IA baseiam-se nele.
KI.ordo
Token
Um token é a menor unidade de texto que um modelo de linguagem processa, normalmente parte de uma palavra, uma palavra curta ou um sinal de pontuação. Os modelos leem as entradas e geram as respostas token a token, e o tamanho da janela de contexto também é medido em tokens. Como os fornecedores cobram tokens de entrada e de saída, os tokens determinam diretamente os custos e os limites: instruções longas e muito conhecimento de base aumentam o consumo.
Token Smuggling
O token smuggling é uma forma de jailbreak em que instruções indesejadas são disfarçadas, por exemplo divididas em fragmentos, recodificadas ou escritas com carateres semelhantes, de modo que filtros simples de palavras-chave não as detetam, mas o modelo de linguagem continua a perceber o seu sentido. A proteção inclui normalizar as entradas antes de serem avaliadas, verificações baseadas no conteúdo e não apenas nas palavras, revisão das saídas e atribuição aos agentes de IA do mínimo de permissões possível.
Modelo
Torch
O Torch é uma framework de aprendizagem automática de código aberto baseada na linguagem de scripts Lua; a sua versão Torch7 foi muito utilizada na investigação e na indústria durante a década de 2010. É considerado o antecessor do PyTorch, que adotou ideias e partes das bibliotecas C do Torch, mas usa Python. De acordo com o seu repositório oficial, o Torch já não está em desenvolvimento ativo e tem hoje pouca relevância para novos projetos.
Transcrição de áudio
A transcrição de áudio converte a linguagem falada de gravações em texto escrito. Os sistemas modernos de reconhecimento automático de fala acrescentam também pontuação, distinguem os oradores e, por vezes, fornecem marcas temporais. É utilizada para atas de reuniões, entrevistas, legendas e documentação de chamadas de clientes. A qualidade depende muito da qualidade do áudio, do sotaque e do vocabulário técnico; em conversas que envolvam dados pessoais, há que ter em conta o consentimento e a proteção de dados.
Transfer Learning
Na aprendizagem por transferência, um modelo que já aprendeu uma grande tarefa geral serve de ponto de partida para uma nova tarefa especializada. Em vez de começar do zero, é adaptado, por exemplo através de afinação, com uma quantidade comparativamente pequena de dados próprios. Isto poupa tempo de cálculo e dados, por exemplo quando um modelo de imagem geral deve aprender a detetar defeitos de produção em fotografias.
Transformador pré-treinado generativo (GPT)
GPT (generative pre-trained transformer) designa uma série de grandes modelos de linguagem desenvolvidos pela OpenAI e baseados na arquitetura transformer. Os modelos são primeiro pré-treinados com enormes quantidades de texto para prever o token seguinte e depois treinados para o diálogo e para seguir instruções. O primeiro modelo GPT surgiu em 2018; as gerações posteriores estão na base do ChatGPT. Na linguagem corrente, "GPT" é muitas vezes usado para modelos de linguagem em geral.
Transformer
O transformer é uma arquitetura de rede neuronal apresentada em 2017 no artigo científico «Attention Is All You Need». No seu centro está o mecanismo de atenção: cada palavra é ponderada em relação a todas as outras palavras de um texto, e o cálculo pode ser paralelizado de forma eficiente. Os transformers estão na base dos modelos de linguagem atuais, como o GPT, o Claude e o BERT, e são também utilizados em imagens e áudio.
Transparência algorítmica
A transparência algorítmica significa que é possível compreender como um sistema automatizado chega a um resultado: que dados utiliza, que regras segue e onde estão os seus limites. Isto gera confiança, facilita a deteção de erros e é cada vez mais uma exigência legal, por exemplo através dos deveres de informação previstos no RGPD e no Regulamento Europeu da IA. Na prática, ajudam a documentação, a citação de fontes, os registos e avisos claros para as pessoas afetadas.
Transparência da IA
A transparência da IA significa divulgar quando a IA está envolvida, em que dados e fontes se baseiam os seus resultados e como são tomadas as decisões. Isto inclui a identificação de conteúdos de IA, referências às fontes rastreáveis, registos e alterações documentadas. A transparência gera confiança, facilita a resolução de problemas e é em parte exigida por lei, por exemplo pelas obrigações de transparência do Regulamento Europeu da IA, segundo as quais as pessoas devem poder perceber que estão a interagir com uma IA.
Underfitting
O subajuste (underfitting) ocorre quando um modelo é demasiado simples para captar as relações nos dados. Comete então muitos erros tanto nos dados de treino como em dados novos, por exemplo quando se usa uma reta para representar um padrão claramente curvo. Entre as soluções contam-se um modelo mais potente, características mais informativas, treino mais longo ou menos regularização; o problema oposto é o sobreajuste.
Validação cruzada
A validação cruzada é um método para verificar em que medida um modelo generaliza para dados novos, nunca vistos. Na validação cruzada k-fold, os dados são divididos em k partes; o modelo é treinado k vezes em k−1 partes e testado de cada vez na parte restante, após o que os resultados são calculados em média. Isto ajuda a detetar o sobreajuste e a comparar modelos ou configurações de forma justa, sobretudo quando há poucos dados.
Validação de dados
A validação de dados verifica se os dados estão completos, corretamente formatados e são plausíveis antes de serem processados. As verificações típicas abrangem campos obrigatórios, o formato de endereços de e-mail, códigos postais ou datas e contradições lógicas – como uma data de entrega anterior à data da encomenda. Assim, os erros são detetados cedo, em vez de passarem para relatórios, faturas ou análises de IA.
Modelo
Veículos autónomos
Os veículos autónomos deslocam-se, total ou parcialmente, sem intervenção humana, utilizando câmaras, radar, lidar e software de IA. A norma SAE J3016 define seis níveis – de 0 (sem automação) a 5 (totalmente sem condutor em qualquer lugar). A IA trata da perceção, da previsão do comportamento dos outros utentes da estrada e do planeamento de rotas. Além dos automóveis, isto abrange robotáxis, camiões, shuttles e veículos de armazém; a homologação e a responsabilidade são reguladas separadamente em cada país.
Vetor de embedding
Um vetor de embedding (embedding) é uma lista de números que representa o significado de uma palavra, frase ou documento, de modo que textos com conteúdo semelhante fiquem próximos uns dos outros. Isto permite reconhecer, por exemplo, que "rescisão" e "fim do contrato" estão relacionados, apesar de não partilharem palavras. Os embeddings estão na base de muitos sistemas de pesquisa semântica, serviços de recomendação e aplicações RAG; são calculados por modelos especificamente treinados.
Vibe Coding
O vibe coding designa uma forma de trabalhar em que o software é criado sobretudo através de descrições em linguagem natural e o código gerado por IA é aceite em grande parte sem revisão. O termo foi cunhado pelo investigador de IA Andrej Karpathy em fevereiro de 2025. Pode ser útil para protótipos rápidos, mas em produção arrisca vulnerabilidades de segurança não detetadas, código difícil de manter e dependências que ninguém na equipa compreende verdadeiramente, pelo que a revisão de código e os testes continuam a ser essenciais.
Visão computacional
A visão computacional é uma área da IA em que os computadores interpretam imagens e vídeo. As tarefas típicas incluem detetar e localizar objetos, ler texto em imagens e medir componentes. A tecnologia é utilizada, por exemplo, no controlo de qualidade na produção, em sistemas de assistência à condução, na logística e na imagiologia médica.
Webhook
Um endereço de internet que inicia um fluxo assim que outro programa lhe envia dados.
KI.ordo
Whisper
O Whisper é um modelo de reconhecimento automático de voz lançado pela OpenAI em setembro de 2022. Converte linguagem falada em muitas línguas em texto e também consegue traduzir gravações para inglês. O seu código e os pesos do modelo estão disponíveis sob a licença de código aberto MIT, pelo que o Whisper também pode ser executado em hardware próprio, uma vantagem quando os dados de áudio não devem sair da organização. Entre as utilizações típicas contam-se transcrições de reuniões, entrevistas e legendas.
Windowing
O windowing consiste em dividir dados longos em secções («janelas») de comprimento fixo, que muitas vezes se sobrepõem. Em aplicações de IA, isto divide documentos longos em partes pesquisáveis; a sobreposição garante que uma frase no limite de uma secção não perde o seu contexto. As janelas deslizantes também são usadas com séries temporais e sinais de áudio para analisar os dados por partes.
Word embeddings
Os word embeddings representam palavras como vetores numéricos, de modo que palavras com significados semelhantes fiquem próximas no espaço vetorial, como «carro» e «veículo». Métodos como o Word2Vec ou o GloVe aprendem estes vetores a partir de grandes quantidades de texto. Foram um passo importante no processamento de linguagem, por exemplo na pesquisa ou na classificação; os modelos de linguagem atuais utilizam embeddings contextuais, em que uma palavra é representada de forma diferente consoante a frase.
Writer
A Writer (writer.com) é uma empresa norte-americana fundada em 2020 que oferece uma plataforma de IA generativa para empresas. Desenvolve a sua própria família de modelos de linguagem chamada Palmyra e fornece ferramentas com que as empresas podem criar agentes de IA, ligá-los ao seu próprio conhecimento e geri-los com regras sobre o tom da marca e aprovações (à data de outubro de 2026). É utilizada sobretudo para conteúdos e fluxos de trabalho em marketing, vendas e comunicação com clientes.
Writesonic
O Writesonic é um serviço de IA que ficou inicialmente conhecido como ferramenta para criar textos de marketing. O fornecedor posiciona-se agora como uma plataforma para a visibilidade na pesquisa tradicional e na pesquisa com IA: pretende medir com que frequência uma marca é mencionada nas respostas dos assistentes de IA e melhorar conteúdos para SEO e para a otimização para motores generativos (GEO) (à data de outubro de 2026). O seu público principal são equipas e agências de marketing.
XGBoost
O XGBoost (Extreme Gradient Boosting) é uma biblioteca de código aberto que implementa o gradient boosting com árvores de decisão de forma particularmente eficiente. Muitas árvores pequenas são treinadas umas após outras, cada uma corrigindo os erros das anteriores, enquanto a regularização ajuda a evitar o sobreajuste. O XGBoost é considerado uma escolha comprovada para dados tabulares, por exemplo na pontuação de risco de crédito, na previsão de abandono de clientes ou na previsão de vendas.
Pronto para mais ordem.
Escolha um plano ou fale connosco sobre o seu projeto.