Glossário

Dados de treino

O que é 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.

Como o KI.ordo ajuda

De acordo com os termos de serviço comerciais da Anthropic (à data de outubro de 2026), a Anthropic não pode treinar modelos com conteúdos de clientes dos seus serviços, e as avaliações 👍/👎 no KI.ordo são usadas apenas para melhorar o conhecimento e as instruções, não para treinar modelos.

Saber mais

Temas

Dados
Training
Proteção de dados

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

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.

dados de teste
proteção de dados
+1

Modelo

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.

dados de treino
qualidade dos dados
+1

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.

Qualidade dos dados
Princípio
+1

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.

Ética da IA
Fairness
+1