Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

Índice de Conceitos

Ir para notas que citam esta
atualizado há 4 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Índice de Conceitos reúne as 131 notas de conceito do vault Generative AI, agrupadas pelos mesmos temas das pastas de conceitos e em ordem alfabética dentro de cada tema, com uma linha de definição para consulta rápida. Para aprender em sequência, siga a Trilha de Estudo; para voltar ao ponto de partida, abra o Início.

Fundamentos de Modelos de Linguagem

  • Alucinação: Alucinação é a resposta incorreta, inventada ou sem sentido que um modelo de linguagem apresenta com a mesma confiança de uma resposta correta, por calcular a próxima palavra mais provável em vez de verificar fatos.
  • Aprendizado Contrastivo: Aprendizado contrastivo é a técnica em que o modelo aprende a aproximar, num espaço vetorial compartilhado, pares corretos de imagem e texto e a afastar pares incorretos, base de modelos como o CLIP e da classificação zero-shot por descrição textual.
  • Arquitetura Multimodal: Arquitetura multimodal é o desenho em que múltiplos encoders processam diferentes tipos de entrada e convergem para um espaço latente compartilhado, onde mecanismos como cross attention alinham as modalidades antes da geração.
  • Byteificação: Byteificação é a técnica de converter um modelo de linguagem já treinado com tokens de subpalavra num modelo que lê e escreve bytes, por menos de 1% do custo de um pré-treino, ganhando em tarefas de caractere ao preço de sequências mais longas e geração mais lenta.
  • Camadas do Ecossistema de IA Generativa: Camadas do ecossistema de IA generativa é o modelo que organiza o mercado em camadas, da infraestrutura de hardware aos modelos fundacionais e aplicações finais, relacionando a proximidade da raiz com a barreira de entrada de cada camada.
  • DeepSeek: DeepSeek é uma família de modelos de linguagem abertos que ficou conhecida por reduzir o custo de treinamento ao substituir parte do aprendizado por reforço tradicional por um processo de auto-inferência, provocando debate sobre custo e segurança.
  • Desigualdade de Tokenização entre Idiomas: Desigualdade de tokenização entre idiomas é o fato de o mesmo conteúdo render mais tokens em algumas línguas do que em inglês, o que encarece, desacelera e encurta o contexto disponível para seus falantes; o português paga pouco, línguas como hindi e birmanês pagam várias vezes mais.
  • Destilação de Modelos: Destilação de modelos é a técnica de treinamento em que um modelo menor (aluno) aprende a imitar as respostas de um modelo maior já treinado (professor), chegando perto da sua qualidade com muito menos parâmetros.
  • Envenenamento de Contexto: Envenenamento de contexto é a degradação das respostas de um modelo quando a janela de contexto acumula informação demais e pouco filtrada, levando-o a misturar assuntos e produzir associações incorretas.
  • Espaço Latente: Espaço latente é a representação comprimida que um modelo constrói do que observa, mantendo apenas a informação essencial para a tarefa, usada tanto por world models quanto por arquiteturas multimodais.
  • Injeção de Prompt: Injeção de prompt é o ataque em que um texto malicioso é inserido na entrada de um sistema baseado em modelo de linguagem para manipular seu comportamento ou extrair informação que ele não deveria revelar.
  • Inteligência Artificial Multimodal: Inteligência artificial multimodal é um sistema capaz de processar e gerar mais de um tipo de dado (texto, imagem, áudio) de forma integrada, em contraste com sistemas unimodais de entrada e saída únicas.
  • Janela de Contexto: Janela de contexto é o limite de tokens que um modelo de linguagem consegue receber e considerar em uma interação, o que determina quanto histórico, instrução e documento cabem numa conversa e quanto ela custa.
  • Large Language Model: Large Language Model (LLM) é um modelo de aprendizado de máquina treinado sobre um volume enorme de texto para prever a próxima palavra de uma sequência e, com isso, compreender e gerar linguagem natural.
  • LoRA: LoRA (Low-Rank Adaptation) é uma técnica de fine-tuning que congela o modelo base e ajusta apenas pequenas matrizes de baixo posto, gerando adapters que direcionam o modelo a tarefas específicas sem retreinar todos os pesos.
  • Modelos de Difusão: Modelos de difusão são modelos generativos especializados em criar imagens a partir de texto, aprendendo representações de grandes conjuntos de imagens e reconstruindo-as a partir de ruído, separados do modelo de linguagem principal.
  • Modelos de Linguagem em Nível de Byte: Modelos de linguagem em nível de byte leem e escrevem o texto como bytes UTF-8, sem vocabulário de subpalavras, enxergando cada letra e tratando idiomas de forma mais equilibrada, ao custo de sequências bem mais longas.
  • Overfitting: Overfitting é o fenômeno em que um modelo se ajusta tão especificamente aos dados de treino que passa a generalizar mal e a errar diante de entradas fora daquele padrão.
  • Quantização: Quantização é a técnica de reduzir a quantidade de bits usados para representar cada peso de um modelo, diminuindo seu tamanho em memória e acelerando a inferência ao custo de alguma perda de precisão.
  • Small Language Model: Small Language Model (SLM) é um modelo de linguagem de poucos bilhões de parâmetros, projetado para rodar em dispositivos com pouco processamento e memória, com menor latência, mais privacidade e menor custo, em troca de um teto menor de raciocínio e contexto.
  • Token: Token é a menor unidade de texto que um modelo de linguagem processa, podendo ser uma letra, parte de palavra ou palavra inteira, e é a unidade em que se mede tanto o consumo quanto a cobrança de uma requisição.
  • Tokenização de Texto: Tokenização de texto é a etapa que quebra uma frase nos tokens de um vocabulário fixo, montado por algoritmos como BPE a partir do corpus de treino, antes que o modelo de linguagem processe qualquer coisa.
  • Viés em Modelos de Inteligência Artificial: Viés em modelos de inteligência artificial é a tendência de um modelo reproduzir preconceitos, distorções ou preferências (de estilo, conteúdo ou até fornecedor) herdadas dos dados e do processo de treinamento.
  • World Models: World models são modelos de inteligência artificial que constroem uma representação interna do ambiente e simulam ações e seus resultados antes de agir, num ciclo de perceber, imaginar e escolher a melhor ação.

Especialização de Modelos

  • Aumento de Dados de Treinamento: Aumento de dados de treinamento é a técnica de usar o próprio modelo de linguagem para gerar variações (paráfrases) de perguntas ou exemplos originais, ampliando um dataset pequeno antes do fine-tuning.
  • Cache-Augmented Generation: Cache-Augmented Generation (CAG) é a abordagem em que os documentos de referência inteiros são colocados diretamente no contexto do modelo, em vez de recuperados sob demanda como no RAG, indicada quando o modelo precisa considerar o documento completo.
  • Dataset de Treinamento para Fine-tuning: Dataset de treinamento para fine-tuning é o conjunto de exemplos, organizados em mensagens system, user e assistant, que mostra ao modelo de chat o comportamento esperado, a entrada do usuário e a resposta desejada.
  • Engenharia de Prompt: Engenharia de prompt é a prática de estruturar a instrução dada a um modelo de linguagem (pergunta, contexto, palavras-chave, formato) para obter a resposta desejada sem alterar o modelo.
  • Especialização de LLM para Linguagem de Programação Proprietária: Especialização de LLM para linguagem de programação proprietária é o padrão de ensinar um modelo generalista a gerar código correto numa linguagem que ele não conhece, combinando RAG sobre a documentação, engenharia de prompt para compensar lacunas e agentes monotarefa orquestrados.
  • Especialização de Modelos de Linguagem: Especialização de modelos de linguagem é o processo de adaptar um modelo generalista a um domínio ou tarefa específica, combinando engenharia de prompt, RAG e fine-tuning para ganhar confiabilidade, reduzir alucinações e economizar recursos.
  • Fine-tuning: Fine-tuning é a técnica de reajustar os pesos de um modelo de linguagem já pré-treinado com um conjunto de dados menor e específico, especializando-o em uma tarefa ou domínio sem treinar um modelo do zero.
  • GPTs Personalizados: GPTs personalizados são versões especializadas do ChatGPT configuradas sem código, combinando um prompt de instruções, uma base de conhecimento em arquivos e ações extras.
  • Habilidades Especiais na Especialização de LLM: Habilidades especiais são os comportamentos e capacidades concretas (gerar código, ler arquivos, responder em chat) que uma especialização de LLM precisa ter para cumprir seu objetivo, explicitadas antes de escolher modelo, dados e avaliação.
  • Hiperparâmetros de Fine-tuning: Hiperparâmetros de fine-tuning são as configurações do treinamento (número de épocas, taxa de aprendizado, tamanho do lote) que controlam como o modelo ajusta seus pesos e que, no experimento da bancada, pesaram mais no resultado do que o volume de dados.
  • Método de Especialização de LLM: Método de especialização de LLM é o roteiro de decisão da bancada Generative AI para preparar um modelo para uso recorrente, organizado em expectativas, dados de domínio, formato de avaliação das respostas e modelo/ferramental.
  • Prompt de Sistema: Prompt de sistema é a instrução inicial que define papel, tom, comportamento e limites de um assistente de IA antes de qualquer pergunta do usuário, moldando como o modelo interpreta e responde às interações.
  • Técnicas de Prompting: Técnicas de prompting são as formas de formular pedidos a um modelo de linguagem, como zero-shot (pergunta direta), few-shot (com exemplos e restrições) e prompt em cadeia (perguntas de aprofundamento que se acumulam ao contexto).

RAG e Recuperação de Conhecimento

  • Auto RAG: Auto RAG é a proposta de automatizar toda a construção de um pipeline de RAG, da ingestão ao deploy, delegando a um serviço escolhas como banco vetorial, modelo de embedding e chunking, com limites práticos sobre até onde essa automação vai.
  • Banco Vetorial: Banco vetorial é o armazenamento especializado em guardar embeddings e responder buscas por proximidade semântica, usado no RAG para recuperar os trechos mais relevantes a uma pergunta.
  • Busca por Similaridade Vetorial: Busca por similaridade vetorial é a técnica de encontrar em um banco vetorial os trechos cujo vetor está mais próximo do vetor da pergunta, medindo distância (como a de cosseno), limitando pelos k mais próximos e por um score mínimo.
  • Chunking: Chunking é o processo de dividir um documento em pedaços menores com significado próprio, com sobreposição entre vizinhos, para que cada pedaço possa ser vetorizado e recuperado individualmente em um pipeline de RAG.
  • Embeddings: Embeddings são vetores numéricos multidimensionais que representam o significado de um texto, imagem ou som, de modo que conteúdos semanticamente próximos fiquem próximos no espaço vetorial e possam ser comparados matematicamente.
  • Graph RAG: Graph RAG é a variante de RAG que organiza a informação recuperada em um grafo de conhecimento (entidades e relações com pesos), combinado à base vetorial, para navegar pelo contexto por relevância e não só por similaridade.
  • Pesquisa Profunda: Pesquisa profunda (deep research) é o recurso de assistentes de IA que planeja uma pesquisa, navega autonomamente na web, sintetiza fontes e produz um relatório referenciado, em contraste com a busca profunda, mais rápida e apoiada no conhecimento já treinado.
  • Pipeline de RAG: Pipeline de RAG é a sequência prática que compõe uma solução de RAG: extração e chunking dos documentos, geração de embeddings, indexação em banco vetorial, recuperação por similaridade e montagem do prompt para a geração.
  • PrivateGPT: PrivateGPT é uma ferramenta que executa um modelo de linguagem localmente e permite alimentá-lo com arquivos próprios para consultar esse conteúdo por chat de forma privada, servindo como RAG local pronto.
  • RAG Agêntico: RAG agêntico é a evolução do RAG em que um ou mais agentes com ferramentas decidem quais fontes consultar, se precisam buscar mais e quando gerar a resposta final, em vez de seguir um fluxo fixo de recuperação.
  • Retrieval-Augmented Generation: Retrieval-Augmented Generation (RAG) é a técnica que busca trechos relevantes em uma base de conhecimento externa vetorizada e os entrega como contexto ao modelo de linguagem antes da geração, sem alterar os pesos do modelo.
  • Tipos de RAG: Tipos de RAG são as categorias de evolução da técnica: RAG ingênuo (ou nativo), que injeta o que recupera; RAG avançado, com pré e pós-processamento e reranking; RAG modular, montado por módulos combináveis; e RAG semântico, que agrupa chunks pelo sentido.

Agentes, Protocolos e Skills

  • Agente de IA: Agente de IA é um sistema construído sobre um modelo de linguagem que decide autonomamente os passos a seguir (planejar, acionar ferramentas, avaliar e repetir) para atingir um objetivo, em vez de apenas responder a um pedido explícito.
  • Agente Orquestrador: Agente orquestrador é o agente que entende a intenção do usuário, decompõe o problema e coordena agentes monotarefa especializados, integrando suas respostas e mantendo o custo e o escopo sob controle.
  • Agentes Multimodais: Agentes multimodais são sistemas de IA que combinam percepção de vários tipos de dado (texto, imagem, áudio) em um ciclo de sentir, interpretar e agir para executar ações em direção a um objetivo.
  • Confiabilidade de Código Gerado por IA: Confiabilidade de código gerado por IA é a discussão sobre até que ponto é seguro confiar no código produzido por modelos de linguagem sem revisão humana ou um mecanismo de verificação mais rigoroso do que o próprio modelo.
  • CrewAI: CrewAI é o framework para orquestrar múltiplos agentes de IA definindo para cada um papel, objetivo e histórico, atribuindo tarefas e executando o conjunto como uma equipe.
  • Function Calling: Function calling é a capacidade de um modelo de linguagem identificar que precisa de um dado ou ação externa e devolver, de forma estruturada, qual função pré-declarada chamar e com quais parâmetros, usando o resultado na resposta final.
  • Guardrails: Guardrails são os mecanismos que restringem o escopo de atuação de um chat ou agente de IA, impedindo respostas fora do domínio definido, manipulação para outros fins e custo desnecessário.
  • LangChain: LangChain é o framework para construir aplicações com modelos de linguagem que abstrai chunking, embeddings, banco vetorial, retrievers e composição de prompts, com um ecossistema que inclui LangGraph, LangFlow e LangSmith.
  • LangFlow: LangFlow é a ferramenta no-code para montar visualmente fluxos com modelos de IA, como pipelines de RAG e agentes, a partir de templates adaptáveis sobre o ecossistema LangChain.
  • Máquinas de Estado em Sistemas de Agentes: Máquinas de estado em sistemas de agentes é a ideia de modelar o fluxo de um sistema de agentes com início, transições definidas e fim, aplicando princípios da teoria da computação para dar previsibilidade e controle ao comportamento dos agentes.
  • Model Context Protocol: Model Context Protocol (MCP) é o protocolo aberto que padroniza como aplicações de IA se conectam a fontes de dados e ferramentas externas por meio de uma arquitetura cliente-servidor com recursos e ferramentas, funcionando como uma porta universal para o modelo.
  • Padrões de Orquestração de Agentes: Padrões de orquestração de agentes são as formas recorrentes de organizar o trabalho entre LLMs e agentes: encadeamento de prompts em sequência, roteamento por um orquestrador, paralelização com agregador e o par avaliador-otimizador com feedback.
  • Progressive Disclosure: Progressive disclosure é o modelo pelo qual uma skill expõe suas camadas de informação (metadados, instruções, recursos) apenas conforme se tornam necessárias, poupando tokens da janela de contexto.
  • Protocolo Agent2Agent: Protocolo Agent2Agent (A2A) é o padrão aberto para que agentes de IA construídos com tecnologias diferentes se descubram e conversem, com o Agent Card como identidade de cada agente e princípios de design que o distinguem do MCP.
  • Segurança no Uso de Skills de Comunidade: Segurança no uso de skills de comunidade reúne os cuidados antes de instalar uma skill publicada por terceiros: ler as instruções e scripts, entender que permissões ela pede e preferir fontes oficiais ou revisadas.
  • Sistemas Multiagente: Sistemas multiagente são arquiteturas em que vários agentes especializados cooperam, cada um responsável por uma parte da tarefa, delegando entre si até que um deles consolide o resultado final.
  • Skills de IA: Skills de IA são pastas de instruções reutilizáveis (metadados, instruções e recursos como scripts, templates e documentação) que padronizam a execução de uma tarefa recorrente por um agente, evitando retrabalho.
  • Spec-Driven Development: Spec-Driven Development (SDD) é a abordagem de desenvolvimento com IA em que agentes e skills se organizam em torno de arquivos de especificação que guiam a implementação, em contraste com o improviso do vibe coding.
  • Vibe Coding: Vibe coding é a forma de desenvolvimento em que a pessoa descreve em linguagem natural o que quer e uma ferramenta com IA gera e ajusta o código em tempo real, privilegiando velocidade sobre especificação e revisão.

Avaliação e Execução de Modelos

  • AI Toolkit: AI Toolkit é a extensão do Visual Studio Code que conecta, testa, compara e avalia modelos de IA locais ou em nuvem a partir de um catálogo integrado, incluindo apoio a fine-tuning.
  • Avaliação de Roteadores de Modelos: Avaliação de roteadores de modelos é medir quanta qualidade um roteador mantém a cada nível de gasto, numa curva de qualidade por custo, em vez de perguntar se ele acerta a rota.
  • Benchmark de Modelos de IA: Benchmark de modelos de IA é o padrão de referência usado para comparar modelos por testes padronizados, e benchmarking é o processo de aplicar esse padrão, com categorias de métricas que variam conforme o objetivo do modelo e limites conhecidos de viés dos fornecedores.
  • Cascata de Modelos: Cascata de modelos é o roteamento em que um modelo barato responde primeiro, uma função de aceitação decide se a resposta serve, e só o que não serve sobe para um modelo mais forte.
  • Continue: Continue é a extensão de editor de código que conecta modelos de linguagem locais ou em nuvem ao fluxo de desenvolvimento, com chat, autocomplete, geração de documentação e testes e uso de contexto adicional do projeto.
  • Custo por Tarefa Concluída: Custo por tarefa concluída é o gasto total de uma solução de IA, incluindo falhas, escaladas e retrabalho, dividido pelo número de tarefas efetivamente resolvidas.
  • Dimensionamento de Hardware para Modelos Locais: Dimensionamento de hardware para modelos locais é a estimativa da memória (RAM ou VRAM) e do processador (CPU, GPU ou NPU) necessários para rodar um modelo, a partir da quantidade de parâmetros e do formato dos pesos.
  • Escolha do Modelo de IA: Escolha do modelo de IA é o processo de selecionar o modelo mais adequado a um problema considerando custo, tempo de resposta, tamanho de contexto, qualidade e dados de treinamento, usando benchmarks como apoio e não como decisão final.
  • Execução de Modelos de Linguagem no Navegador: Execução de modelos de linguagem no navegador é rodar a inferência inteiramente na aba do cliente, usando APIs como WebGPU para acessar a GPU local, sem nenhuma chamada a servidor depois do download do modelo.
  • Execução Local de Modelos de Linguagem: Execução local de modelos de linguagem é rodar um modelo na própria máquina ou dispositivo, sem depender de API externa, ganhando privacidade e custo previsível em troca de exigir hardware compatível e aceitar modelos menores.
  • GitHub Copilot Fusion: GitHub Copilot Fusion é o roteador de modelos do GitHub Copilot, que avalia o que cada tarefa de código exige e escolhe executá-la em um ou mais modelos, em tempo de execução.
  • LLM as a Judge: LLM as a Judge é o padrão em que um modelo de linguagem avalia respostas de outros modelos ou de um processo segundo critérios definidos por humanos, automatizando comparações e auditorias que seriam subjetivas e pouco escaláveis.
  • LM Arena: LM Arena é a plataforma web gratuita que compara modelos de linguagem lado a lado, submetendo o mesmo prompt a modelos anonimizados e montando leaderboards por categoria a partir dos votos dos usuários.
  • Ollama: Ollama é a ferramenta que baixa e executa modelos de linguagem localmente, com uma biblioteca de modelos e uma experiência parecida com a de gerenciadores de pacotes, sem enviar dados para serviços externos.
  • Principais Benchmarks de IA: Principais benchmarks de IA são os conjuntos de teste mais citados para modelos de linguagem e código: GLUE e SuperGLUE (compreensão de linguagem), SQuAD (leitura), MMLU (conhecimento multidisciplinar), GAIA (tarefas simples para humanos) e HumanEval (código).
  • Roteamento de Modelos: Roteamento de modelos é a função que olha cada pedido e decide qual modelo, ou qual combinação de modelos, vai atendê-lo, trocando a escolha de modelo por projeto pela escolha por pedido.
  • Tipos de Modelo em Assistentes de Código: Tipos de modelo em assistentes de código é a prática de configurar um modelo diferente para cada tarefa de um assistente de programação: um generalista para chat e explicações, um especializado em código para autocomplete e um de embedding para indexar o repositório.

Dados, Privacidade e Ética

  • Arquitetura Medalhão: Arquitetura medalhão é o modelo de organização de um pipeline de dados em camadas bronze (dado cru), prata (transformado) e ouro (pronto para consumo), onde a qualidade é verificada a cada passagem.
  • Dados Sintéticos: Dados sintéticos são dados gerados por simulação, como as produzidas por world models, que permitem treinar e testar sistemas de IA em cenários raros ou perigosos sem expor pessoas ou processos reais.
  • Deepfake: Deepfake é a tecnologia de IA que troca rostos e sincroniza voz, lábios e expressões em vídeo para simular de forma realista uma pessoa real dizendo ou fazendo algo que não fez, usada em golpes e desinformação.
  • Direitos Autorais em Conteúdo Gerado por IA: Direitos autorais em conteúdo gerado por IA trata da lacuna legal sobre reproduzir estilos artísticos e reaproveitar código ou obras públicas para treinar modelos e sobre quem é autor do que a IA gera.
  • Human in the Loop: Human in the loop é o princípio de manter revisão humana em decisões apoiadas por IA, discutido em torno de até onde é aceitável delegar contratação, diagnóstico ou justiça a sistemas automatizados sujeitos a viés.
  • Lei Geral de Proteção de Dados: Lei Geral de Proteção de Dados (LGPD) é a legislação brasileira que restringe como dados pessoais podem ser coletados, tratados e usados, inclusive quando servem para treinar ou alimentar modelos de inteligência artificial.
  • Limpeza de Dados Antes da Vetorização: Limpeza de dados antes da vetorização é a prática de tratar, anonimizar e validar o dado antes de ele entrar no banco vetorial, porque depois de vetorizado não há como delegar essa responsabilidade ao prompt.
  • Preparação de Dados para Modelos de IA: Preparação de dados para modelos de IA é o conjunto de etapas (aquisição, exploração, limpeza e transformação, até tokenização e embeddings) que converte dados brutos em dados prontos para treinar ou alimentar um modelo, com impacto direto no resultado.
  • Privacidade de Dados em IA Generativa: Privacidade de dados em IA generativa abrange tanto o uso de dados pessoais publicados pelos usuários para treinar modelos quanto as garantias contratuais de provedores corporativos de que prompts e respostas da empresa não alimentam o treinamento.
  • Qualidade de Dados: Qualidade de dados é a propriedade que precisa ser observada de ponta a ponta em um pipeline de IA, avaliada por dimensões como acurácia, abrangência, consistência, pontualidade, conformidade e unicidade.

Interfaces e Design com IA

  • Acessibilidade com IA Generativa: Acessibilidade com IA generativa é o uso de modelos multimodais (câmera e voz) como interface de apoio a pessoas com deficiência, descrevendo o ambiente e guiando o usuário em tempo real.
  • Arquitetura da Generative UI: Arquitetura da Generative UI é o fluxo que liga o host onde o usuário interage a um agente orquestrador que planeja a resposta, chama ferramentas via MCP e entrega a interface em HTML ou em árvore de componentes, por componente atrelado, opção declarativa ou código gerado.
  • Dark Patterns: Dark patterns são padrões de design que usam técnicas de persuasão para induzir o usuário a decisões de consumo que atendem mais aos interesses da plataforma do que às suas necessidades, amplificados pela personalização com IA.
  • Desenvolvedor como Curador da Geração de IA: Desenvolvedor como curador da geração de IA é o conjunto de responsabilidades humanas que permanecem quando um modelo passa a gerar interfaces: confiança, recuperação, clareza, controle, adaptação e tom, além de decidir quando usar ou não a geração.
  • Design System como Fonte de Verdade para IA: Design system como fonte de verdade para IA é a prática de documentar tokens, componentes e regras de negócio de forma estruturada o suficiente para que um agente leia e execute essas regras, mantendo consistência entre design, protótipo e código.
  • Evolução das Interfaces de Usuário: Evolução das interfaces de usuário é a trajetória, da linha de comando às interfaces naturais e preditivas, que mostra como cada geração mudou a forma de interação entre pessoas e sistemas e preparou a chegada da IA embarcada.
  • Generative UI: Generative UI é a geração de interface em tempo real como resposta direta de um modelo de IA a um pedido do usuário, entregando componentes interativos (tabelas com filtro, formulários, gráficos) em vez de texto ou markdown estático.
  • Google Opal: Google Opal é a plataforma experimental do Google que gera mini aplicativos a partir de um prompt de texto, permitindo editar os fluxos gerados diretamente no preview.
  • Google Stitch: Google Stitch é a ferramenta em beta do Google que gera interfaces (wireframes e protótipos navegáveis) a partir de prompts de texto, com exportação de código e integração com ferramentas de design.
  • Heurísticas para IA Responsável em Interfaces: Heurísticas para IA responsável em interfaces são cinco diretrizes (visibilidade, linguagem, controle, consistência e personalização) propostas para incorporar IA a uma interface de forma transparente e controlável pelo usuário.
  • Interfaces Inteligentes: Interfaces inteligentes são interfaces que usam machine learning, IA generativa e dados em tempo real para se adaptar ao contexto e ao comportamento de cada pessoa, prever necessidades e reduzir a dependência de comandos explícitos.
  • Paradoxo da IA em Interfaces: Paradoxo da IA em interfaces é a observação de que, quanto mais autônoma e capaz a IA dentro de uma interface, maior o risco de automação desnecessária, opacidade, dependência e perda de habilidades do usuário.
  • Prototipação Rápida com IA: Prototipação rápida com IA é a geração quase instantânea de telas e protótipos a partir de um prompt, que traz velocidade e acesso democratizado, mas também a ilusão de tarefa concluída e interfaces genéricas quando aplicada a projetos consolidados.
  • Realidade Estendida: Realidade estendida é o conjunto de interfaces imersivas (realidade virtual, aumentada e mista) que alteram a percepção do usuário sobre o ambiente e ganham camadas de IA para interpretar contexto e gerar conteúdo.
  • Segurança Adaptativa com IA: Segurança adaptativa com IA é a proposta de interface de segurança para aplicações financeiras que combina tipos diferentes de IA para detectar comportamento suspeito do usuário e responder automaticamente ajustando fricção e verificações.

Voz e Áudio com IA

  • Arquiteturas de IA de Voz: Arquiteturas de IA de voz são as formas de encadear escuta, raciocínio e fala num sistema conversacional, da cascata clássica, que passa tudo por texto, ao modelo nativo fala a fala, que processa áudio de ponta a ponta.
  • Clonagem de Voz: Clonagem de voz é a geração, por IA, de uma voz sintética que imita o timbre e o jeito de falar de uma pessoa real a partir de poucos segundos de gravação dela.
  • ElevenLabs: ElevenLabs é uma plataforma de IA generativa de voz que converte texto em fala, dubla vídeos em outros idiomas, clona vozes e gera música, com uma biblioteca grande de vozes prontas.
  • IA Generativa de Voz: IA generativa de voz é o uso de modelos que escutam o áudio de quem fala e respondem também em áudio, numa conversa quase natural, sem depender de um roteiro de comandos.
  • Turno de Fala: Turno de fala é a janela entre o momento em que uma pessoa termina de falar e o momento em que a outra começa, e o problema de decidir quando a vez de falar passou.

Modelos de Decisão

  • Arquitetura de um Modelo de Decisão: Arquitetura de um modelo de decisão é a forma como um decisor é construído sobre um LLM existente, mantendo o corpo que entende o texto e trocando a cabeça que escreve por uma que pontua opções.
  • Calibração de Confiança: Calibração de confiança é o quanto a confiança que um modelo declara bate com a taxa de acerto real, medida pelo ECE: decisões tomadas com 0,8 deveriam acertar 80% das vezes.
  • Decisor na Frente do LLM: Decisor na frente do LLM é o arranjo em que um modelo de decisão responde primeiro às perguntas de escolha de uma solicitação e o LLM só entra quando é preciso escrever.
  • Ensaio de Triagem com Modelos de Decisão: Ensaio de triagem com modelos de decisão é o experimento da bancada que rodou as mesmas 50 mensagens de clientes num LLM com JSON enum, no Strands Decider e na Decisions API para comparar acerto, tempo e custo.
  • Faixas de Confiança: Faixas de confiança são a divisão das decisões de um modelo de decisão em executar sozinho, pedir confirmação ou delegar, conforme a probabilidade da opção escolhida.
  • If Caro: If caro é a chamada de LLM que, na prática, só escolhe entre opções fixas, pagando um modelo que escreve por uma decisão que caberia num if.
  • Mapa de Modelos de Decisão: Mapa de modelos de decisão é o panorama das ofertas da categoria lançadas entre setembro e outubro de 2026 (Jev, Clef, Strands Decider, Decisions API e o fine-tuning aberto da Unsloth), com as apostas da bancada para ela.
  • Modelo de Decisão: Modelo de decisão, ou decisor, é o modelo que recebe um texto e um conjunto de opções e devolve a escolha com uma probabilidade para cada opção, sem escrever texto.
  • Opção Nenhuma: Opção nenhuma é a alternativa explícita, numa lista de escolhas dada a um modelo, para quando nenhuma das outras serve; sem ela, quem decide é obrigado a errar.
  • Quando Usar um Modelo de Decisão: Quando usar um modelo de decisão se resolve com duas perguntas, se a resposta é escolher entre opções fixas e se isso acontece em volume, pesando os custos que não aparecem na fatura.
  • Structured Outputs: Structured outputs é o recurso que força um LLM a responder num formato definido por um JSON Schema, garantindo o formato da resposta, mas não a escolha.

Práticas do LabS

  • Learning Prototype: Learning Prototype é o projeto experimental do Solutis LabS em que a teoria de uma bancada vira prática, com o objetivo de aprender fazendo e não de entregar produto, dentro da missão de desbravar, dominar e democratizar tecnologias emergentes.
  • MonsterLabS: MonsterLabS é a dinâmica lúdica da bancada Generative AI para ensinar especialização de LLM: equipes montam um monstro cuja cabeça, braços, corpo e pernas representam expectativas, dados e avaliação, modelo base e técnicas de especialização.
  • Mural de Desafios: Mural de desafios é o mecanismo do Solutis LabS em que participantes resolvem desafios propostos pelas bancadas ou contribuem com impacto em um Learning Prototype e recebem recompensas digitais segundo uma escala de impacto.
  • PromptHub: PromptHub é a ferramenta interna da Solutis com interface no-code para especializar o uso de modelos de linguagem por meio de projetos que agrupam materiais de contexto e personas com instruções fixas.
  • Reimagine Your Legend: Reimagine Your Legend é a skill criada no Solutis LabS para conduzir a dinâmica de workshop em que um sistema legado (a lenda) é reimaginado como uma aplicação moderna apoiada por IA.