O Glossário de IA de que Precisa — Guia Completo de Termos de Inteligência Artificial

Natasha Lomas, Romain Dillet, Kyle Wiggers, Lucas Ropek, 3 de Julho de 2026
Link para o Artigo original: [TechCrunch]
20 minutos

A inteligência artificial está a reescrever o mundo e, ao mesmo tempo, a inventar uma linguagem completamente nova para descrever como o está a fazer. Senta-te numa reunião de produto, numa apresentação ou num painel de discussão nos dias de hoje e ouvirás pessoas a atirar ao ar LLMs, RAG, RLHF e uma dúzia de outros termos que podem fazer com que até pessoas muito inteligentes no mundo da tecnologia se sintam um pouco inseguras. Este glossário é a nossa tentativa de resolver esse problema: definições em português claro dos termos de IA com que tens maior probabilidade de te deparar, estejas a construir com esta tecnologia, a investir nela, ou apenas a tentar acompanhar a ler o TechCrunch ou a ouvir podcasts relacionados. Atualizamo-lo regularmente à medida que o campo evolui, por isso considera-o um documento vivo, tal como os sistemas de IA que descreve.

AGI

A inteligência geral artificial, ou AGI (do inglês Artificial General Intelligence), é um termo nebuloso. Mas refere-se, em geral, a uma IA mais capaz do que o ser humano médio em muitas, senão na maioria, das tarefas. O CEO da OpenAI, Sam Altman, descreveu um dia a AGI como o "equivalente a um humano mediano que se poderia contratar como colega de trabalho." Entretanto, o estatuto da OpenAI define AGI como "sistemas altamente autónomos que superam os humanos na maioria dos trabalhos economicamente valiosos." A compreensão da Google DeepMind difere ligeiramente destas duas definições; o laboratório vê a AGI como "IA que é pelo menos tão capaz como os humanos na maioria das tarefas cognitivas." Confuso? Não te preocupes — também os especialistas na vanguarda da investigação em IA estão confusos.

Agente de IA

Um agente de IA refere-se a uma ferramenta que utiliza tecnologias de IA para realizar uma série de tarefas em teu nome — para além do que um chatbot de IA mais básico conseguiria fazer — como processar despesas, reservar bilhetes ou uma mesa num restaurante, ou até escrever e manter código. No entanto, como já explicámos antes, há muitas peças móveis neste espaço emergente, pelo que "agente de IA" pode significar coisas diferentes para pessoas diferentes. A infraestrutura ainda está a ser construída para concretizar as suas capacidades previstas. Mas o conceito base implica um sistema autónomo que pode recorrer a múltiplos sistemas de IA para executar tarefas com vários passos.

Endpoints de API

Pensa nos endpoints de API como "botões" na parte de trás de um software que outros programas podem premir para o fazer funcionar. Os programadores utilizam estas interfaces para criar integrações — por exemplo, permitindo que uma aplicação obtenha dados de outra, ou que um agente de IA controle serviços de terceiros diretamente sem que um humano opere manualmente cada interface. A maioria dos dispositivos domésticos inteligentes e plataformas conectadas têm estes botões ocultos disponíveis, mesmo que os utilizadores comuns nunca os vejam ou interajam com eles. À medida que os agentes de IA se tornam mais capazes, conseguem cada vez mais encontrar e usar estes endpoints por si próprios, abrindo possibilidades poderosas — e por vezes inesperadas — para a automação.

Chain of Thought (Cadeia de Pensamento)

Dada uma pergunta simples, um cérebro humano consegue responder sem pensar muito nisso — coisas como "qual é o animal mais alto, uma girafa ou um gato?" Mas em muitos casos, é preciso papel e caneta para chegar à resposta correta porque há passos intermédios. Por exemplo, se um agricultor tem galinhas e vacas, e juntos têm 40 cabeças e 120 patas, podes precisar de escrever uma equação simples para chegar à resposta (20 galinhas e 20 vacas).

Num contexto de IA, o raciocínio de cadeia de pensamento (chain-of-thought reasoning) para modelos de linguagem de grande escala significa decompor um problema em passos intermédios mais pequenos para melhorar a qualidade do resultado final. Geralmente demora mais tempo a obter uma resposta, mas a resposta tem maior probabilidade de estar correta, especialmente num contexto de lógica ou programação. Os modelos de raciocínio são desenvolvidos a partir de modelos de linguagem tradicionais e otimizados para o pensamento em cadeia graças à aprendizagem por reforço.

(Ver: Modelo de Linguagem de Grande Escala [LLM])

Agentes de Programação

Este é um conceito mais específico do que "agente de IA", que significa um programa que pode realizar ações por si próprio, passo a passo, para completar um objetivo. Um agente de programação é uma versão especializada aplicada ao desenvolvimento de software. Em vez de simplesmente sugerir código para um humano rever e colar, um agente de programação pode escrever, testar e depurar código de forma autónoma, lidando com o tipo de trabalho iterativo e de tentativa e erro que normalmente consome o dia de um programador. Estes agentes podem operar em bases de código inteiras, detetando bugs, executando testes e aplicando correções com supervisão humana mínima. Pensa nisto como contratar um estagiário muito rápido que nunca dorme e nunca perde o foco — embora, como qualquer estagiário, um humano ainda precise de rever o trabalho.

Capacidade de Computação (Compute)

Embora seja um termo multivalente, a capacidade de computação refere-se geralmente ao poder computacional vital que permite aos modelos de IA funcionar. Este tipo de processamento alimenta a indústria da IA, dando-lhe a capacidade de treinar e implementar os seus poderosos modelos. O termo é frequentemente uma abreviatura para os tipos de hardware que fornecem o poder computacional — coisas como GPUs, CPUs, TPUs e outras formas de infraestrutura que formam a base da indústria moderna de IA.

Aprendizagem Profunda (Deep Learning)

Um subconjunto da aprendizagem automática auto-melhorada em que os algoritmos de IA são concebidos com uma estrutura de rede neural artificial (RNA) multicamada. Isto permite-lhes fazer correlações mais complexas em comparação com sistemas baseados em aprendizagem automática mais simples, como modelos lineares ou árvores de decisão. A estrutura dos algoritmos de deep learning inspira-se nas vias interconectadas dos neurónios no cérebro humano.

Os modelos de IA de deep learning conseguem identificar características importantes nos dados por si próprios, sem necessitar que engenheiros humanos definam essas características. A estrutura também suporta algoritmos que podem aprender com erros e, através de um processo de repetição e ajuste, melhorar os seus próprios resultados. No entanto, os sistemas de deep learning requerem muitos pontos de dados para produzir bons resultados (milhões ou mais). Também demoram geralmente mais tempo a treinar em comparação com algoritmos de aprendizagem automática mais simples — por isso, os custos de desenvolvimento tendem a ser mais elevados.

(Ver: Rede Neural)

Difusão (Diffusion)

A difusão é a tecnologia no centro de muitos modelos de IA geradores de arte, música e texto. Inspirados pela física, os sistemas de difusão "destroem" lentamente a estrutura dos dados — por exemplo, fotos, músicas, etc. — adicionando ruído até não restar nada. Na física, a difusão é espontânea e irreversível — o açúcar difundido no café não pode ser restaurado à forma de cubo. Mas os sistemas de difusão em IA visam aprender uma espécie de processo de "difusão reversa" para restaurar os dados destruídos, ganhando a capacidade de recuperar os dados a partir do ruído.

Destilação (Distillation)

A destilação é uma técnica usada para extrair conhecimento de um modelo de IA grande com um modelo "professor-aluno". Os programadores enviam pedidos a um modelo professor e registam as saídas. As respostas são por vezes comparadas com um conjunto de dados para verificar a sua precisão. Estas saídas são então usadas para treinar o modelo aluno, que é treinado para aproximar o comportamento do professor.

A destilação pode ser usada para criar um modelo mais pequeno e eficiente baseado num modelo maior, com uma perda de destilação mínima. Foi provavelmente assim que a OpenAI desenvolveu o GPT-4 Turbo, uma versão mais rápida do GPT-4.

Embora todas as empresas de IA usem destilação internamente, pode também ter sido usada por algumas empresas de IA para alcançar modelos de fronteira. A destilação a partir de um concorrente viola geralmente os termos de serviço das APIs e assistentes de chat de IA.

Afinação (Fine-Tuning)

Refere-se ao treino adicional de um modelo de IA para otimizar o desempenho para uma tarefa ou área mais específica do que era anteriormente o foco do seu treino — tipicamente alimentando-o com novos dados especializados (isto é, orientados para a tarefa).

Muitas startups de IA estão a usar modelos de linguagem de grande escala como ponto de partida para construir um produto comercial, mas procuram aumentar a utilidade para um setor ou tarefa alvo, suplementando ciclos de treino anteriores com afinação baseada no seu próprio conhecimento e experiência de domínio específicos.

(Ver: Modelo de Linguagem de Grande Escala [LLM])

GAN (Rede Generativa Adversativa)

Uma GAN, ou Generative Adversarial Network, é um tipo de estrutura de aprendizagem automática que sustenta alguns desenvolvimentos importantes na IA generativa no que diz respeito à produção de dados realistas — incluindo (mas não só) ferramentas de deepfake. As GANs envolvem o uso de um par de redes neurais, uma das quais se baseia nos seus dados de treino para gerar uma saída que é passada para o outro modelo avaliar.

Os dois modelos são essencialmente programados para tentar superar-se mutuamente. O gerador tenta fazer passar a sua saída pelo discriminador, enquanto o discriminador trabalha para detetar dados gerados artificialmente. Este concurso estruturado pode otimizar as saídas de IA para serem mais realistas sem necessidade de intervenção humana adicional. No entanto, as GANs funcionam melhor para aplicações mais específicas (como produzir fotos ou vídeos realistas), em vez de IA de propósito geral.

Alucinação (Hallucination)

Alucinação é o termo preferido da indústria de IA para os modelos de IA inventarem coisas — literalmente gerar informação que está incorreta. Obviamente, é um enorme problema para a qualidade da IA.

As alucinações produzem resultados de IA generativa que podem ser enganadores e podem até levar a riscos na vida real — com consequências potencialmente perigosas (pensa numa consulta de saúde que devolve conselhos médicos prejudiciais).

O problema das IAs fabricarem informação pensa-se que surge como consequência de lacunas nos dados de treino. As alucinações estão a contribuir para um impulso em direção a modelos de IA cada vez mais especializados e/ou verticais — ou seja, IAs específicas de domínio que requerem conhecimentos mais restritos — como forma de reduzir a probabilidade de lacunas de conhecimento e diminuir os riscos de desinformação.

Inferência (Inference)

A inferência é o processo de executar um modelo de IA. É soltar o modelo para fazer previsões ou tirar conclusões a partir de dados anteriormente vistos. Para ser claro, a inferência não pode acontecer sem treino; um modelo deve aprender padrões num conjunto de dados antes de poder extrapolar eficazmente a partir desses dados de treino.

Muitos tipos de hardware podem realizar inferência, desde processadores de smartphones a GPUs potentes e aceleradores de IA concebidos à medida. Mas nem todos conseguem executar modelos igualmente bem. Modelos muito grandes demorariam muito tempo a fazer previsões num, digamos, portátil, em comparação com um servidor na nuvem com chips de IA de ponta.

(Ver: Treino)

Modelo de Linguagem de Grande Escala (LLM)

Os modelos de linguagem de grande escala, ou LLMs, são os modelos de IA usados por assistentes de IA populares, como o ChatGPT, o Claude, o Gemini da Google, o Llama da Meta, o Microsoft Copilot, ou o Le Chat da Mistral. Quando conversas com um assistente de IA, interages com um modelo de linguagem de grande escala que processa o teu pedido diretamente ou com a ajuda de diferentes ferramentas disponíveis, como a navegação na web ou interpretadores de código.

Os LLMs são redes neurais profundas feitas de milhares de milhões de parâmetros numéricos (ou pesos, ver abaixo) que aprendem as relações entre palavras e frases e criam uma representação da linguagem, uma espécie de mapa multidimensional de palavras.

Estes modelos são criados a partir da codificação dos padrões que encontram em milhares de milhões de livros, artigos e transcrições. Quando dás um prompt a um LLM, o modelo gera o padrão mais provável que se adequa ao prompt.

(Ver: Rede Neural)

Cache de Memória

A cache de memória refere-se a um processo importante que impulsiona a inferência (que é o processo pelo qual a IA trabalha para gerar uma resposta à consulta de um utilizador). Em essência, o caching é uma técnica de otimização, concebida para tornar a inferência mais eficiente. A IA é obviamente movida por cálculos matemáticos de alta intensidade e cada vez que esses cálculos são feitos, consomem mais energia. O caching é concebido para reduzir o número de cálculos que um modelo pode ter de executar, guardando cálculos específicos para futuras consultas e operações de utilizadores. Existem diferentes tipos de caching de memória, embora um dos mais conhecidos seja o caching KV (ou key value). O caching KV funciona em modelos baseados em transformadores e aumenta a eficiência, produzindo resultados mais rápidos ao reduzir a quantidade de tempo (e trabalho algorítmico) necessário para gerar respostas a perguntas dos utilizadores.

(Ver: Inferência)

Protocolo de Contexto de Modelo (MCP)

O Protocolo de Contexto de Modelo, ou MCP (Model Context Protocol), é um padrão aberto que permite aos modelos de IA conectar-se a ferramentas e dados externos — os teus ficheiros, bases de dados ou aplicações como o Slack e o Google Drive — sem que um programador tenha de construir um conector personalizado para cada par. Pensa nele como uma porta USB-C para a IA. A Anthropic introduziu o MCP em 2024 e depois entregou-o à Linux Foundation, tendo sido desde então adotado pela OpenAI, Google e Microsoft, tornando-se um dos padrões de disseminação mais rápida na história recente da IA.

Mistura de Especialistas (MoE)

A Mistura de Especialistas (Mixture of Experts, ou MoE) é uma arquitetura de modelo que divide uma rede neural em muitas sub-redes especializadas mais pequenas, ou "especialistas", e ativa apenas um punhado delas para qualquer tarefa específica. Em vez de encaminhar cada pedido através do modelo inteiro — como chamar todo o teu escritório para cada pergunta — um modelo MoE tem um "encaminhador" incorporado que escolhe apenas os especialistas certos para o trabalho. Isto torna possível construir modelos enormes que se mantêm relativamente rápidos e baratos de executar, uma vez que apenas uma fração da rede está a trabalhar de cada vez. O modelo Mixtral da Mistral AI é um exemplo bem conhecido; os modelos GPT mais recentes da OpenAI também se acredita amplamente que usam alguma versão desta abordagem, embora a empresa nunca o tenha confirmado oficialmente.

(Ver: Rede Neural, Aprendizagem Profunda)

Rede Neural

Uma rede neural refere-se à estrutura algorítmica multicamada que sustenta a aprendizagem profunda — e, mais amplamente, todo o boom das ferramentas de IA generativa após o surgimento dos modelos de linguagem de grande escala.

Embora a ideia de se inspirar nas vias densamente interconectadas do cérebro humano como estrutura de design para algoritmos de processamento de dados remonte aos anos 40, foi a ascensão muito mais recente do hardware de processamento gráfico (GPUs) — através da indústria de videojogos — que realmente desbloqueou o poder desta teoria. Estes chips provaram ser adequados para treinar algoritmos com muitas mais camadas do que era possível em épocas anteriores — permitindo que os sistemas de IA baseados em redes neurais alcançassem um desempenho muito melhor em muitos domínios, incluindo reconhecimento de voz, navegação autónoma e descoberta de medicamentos.

(Ver: Modelo de Linguagem de Grande Escala [LLM])

Código Aberto (Open Source)

Código aberto refere-se a software — ou, cada vez mais, a modelos de IA — onde o código subjacente é disponibilizado publicamente para qualquer pessoa usar, inspecionar ou modificar. No mundo da IA, a família de modelos Llama da Meta é um exemplo proeminente; o Linux é o paralelo histórico famoso nos sistemas operativos. As abordagens de código aberto permitem que investigadores, programadores e empresas de todo o mundo construam sobre o trabalho uns dos outros, acelerando o progresso e permitindo auditorias de segurança independentes que os sistemas fechados não podem fornecer facilmente. Código fechado significa que o código é privado — podes usar o produto mas não ver como funciona, como é o caso dos modelos GPT da OpenAI — uma distinção que se tornou um dos debates definidores da indústria de IA.

Paralelização

Paralelização significa fazer muitas coisas ao mesmo tempo em vez de uma após a outra — como ter 10 funcionários a trabalhar em diferentes partes de um projeto ao mesmo tempo em vez de um funcionário a fazer tudo sequencialmente. Em IA, a paralelização é fundamental tanto para o treino como para a inferência: as GPUs modernas são especificamente concebidas para realizar milhares de cálculos em paralelo, o que é uma grande razão pela qual se tornaram a espinha dorsal de hardware da indústria. À medida que os sistemas de IA se tornam mais complexos e os modelos crescem, a capacidade de paralelizar o trabalho através de múltiplos chips e múltiplas máquinas tornou-se um dos fatores mais importantes para determinar a rapidez e economia com que os modelos podem ser construídos e implementados. A investigação em melhores estratégias de paralelização é agora um campo de estudo por direito próprio.

RAMageddon

RAMageddon é o novo termo divertido para uma tendência nada divertida que está a varrer a indústria tecnológica: uma escassez cada vez maior de memória de acesso aleatório, ou chips RAM, que alimentam praticamente todos os produtos tecnológicos que usamos na nossa vida diária. Com o florescimento da indústria de IA, as maiores empresas tecnológicas e laboratórios de IA — todos a competir para ter a IA mais poderosa e eficiente — estão a comprar tanta RAM para alimentar os seus centros de dados que não sobra muito para o resto de nós. E esse estrangulamento na oferta significa que o que resta está cada vez mais caro.

Isto inclui indústrias como os jogos (onde as grandes empresas tiveram de aumentar os preços das consolas porque é mais difícil encontrar chips de memória para os seus dispositivos), a eletrónica de consumo (onde a escassez de memória pode causar a maior queda nas remessas de smartphones em mais de uma década) e a computação empresarial em geral (porque essas empresas não conseguem RAM suficiente para os seus próprios centros de dados). O aumento dos preços só deverá parar após o fim da temida escassez, mas, infelizmente, não há muitos sinais de que isso vá acontecer tão cedo.

Auto-Melhoria Recursiva (RSI)

Tal como a AGI, a auto-melhoria recursiva (Recursive Self-Improvement, ou RSI) é um limiar para o quão inteligente a IA se pode tornar e quão pouco pode depender dos humanos. No cenário RSI, os modelos de IA começam a melhorar-se a si próprios sem intervenção humana, levando a uma enorme aceleração das capacidades e autonomia. Em algumas narrativas, este seria um momento cataclísmico semelhante à singularidade, um momento em que os modelos de IA se tornariam imunes à intervenção externa. Mas a RSI também descreve uma capacidade básica — pode um modelo de IA conceber o seu próprio sucessor? — o que torna muito mais fácil para os engenheiros tentarem construí-la. Várias startups recentes de IA lançaram-se a construir modelos de auto-melhoria recursiva, mas a maioria delas descarta as implicações apocalípticas, apresentando a RSI simplesmente como a próxima fronteira para a investigação.

Aprendizagem por Reforço

A aprendizagem por reforço (reinforcement learning) é uma forma de treinar IA onde um sistema aprende tentando coisas e recebendo recompensas por respostas corretas — como treinar o teu animal de estimação com guloseimas, exceto que o "animal" neste cenário é uma rede neural e a "guloseima" é um sinal matemático que indica sucesso. Ao contrário da aprendizagem supervisionada, onde um modelo é treinado num conjunto fixo de dados com exemplos rotulados, a aprendizagem por reforço permite que um modelo explore o seu ambiente, tome ações e atualize continuamente o seu comportamento com base no feedback que recebe. Esta abordagem provou ser especialmente poderosa para treinar IA a jogar, controlar robôs e, mais recentemente, aperfeiçoar a capacidade de raciocínio de modelos de linguagem de grande escala. Técnicas como a aprendizagem por reforço com feedback humano, ou RLHF, são agora centrais para a forma como os principais laboratórios de IA afinam os seus modelos para serem mais úteis, precisos e seguros.

Token

Quando se trata de comunicação humano-máquina, há alguns desafios óbvios — as pessoas comunicam usando linguagem humana, enquanto os programas de IA executam tarefas através de processos algorítmicos complexos informados por dados. Os tokens colmatam essa lacuna: são os blocos de construção básicos da comunicação humano-IA, representando segmentos discretos de dados que foram processados ou produzidos por um LLM. São criados através de um processo chamado tokenização, que decompõe o texto bruto em unidades pequenas que um modelo de linguagem pode digerir, semelhante a como um compilador traduz a linguagem humana em código binário que um computador pode entender. Em contextos empresariais, os tokens também determinam o custo — a maioria das empresas de IA cobra pela utilização de LLMs numa base de por-token, o que significa que quanto mais uma empresa usa, mais paga.

Taxa de Transferência de Tokens (Token Throughput)

Então, novamente: os tokens são os pequenos fragmentos de texto — frequentemente partes de palavras em vez de palavras inteiras — em que os modelos de linguagem de IA decompõem a linguagem antes de a processar; são aproximadamente análogos a "palavras" para efeitos de compreensão das cargas de trabalho de IA. A taxa de transferência (throughput) refere-se a quanto pode ser processado num determinado período de tempo, pelo que a taxa de transferência de tokens é essencialmente uma medida de quanto trabalho de IA um sistema pode suportar de uma só vez. Uma elevada taxa de transferência de tokens é um objetivo fundamental para as equipas de infraestrutura de IA, pois determina quantos utilizadores um modelo pode servir simultaneamente e com que rapidez cada um recebe uma resposta. O investigador de IA Andrej Karpathy descreveu sentir ansiedade quando as suas subscrições de IA estão paradas — ecoando o sentimento que tinha quando era estudante e o hardware de computador caro não estava a ser totalmente utilizado — um sentimento que capta porque é que maximizar a taxa de transferência de tokens se tornou uma espécie de obsessão no campo.

Treino (Training)

Desenvolver IAs de aprendizagem automática envolve um processo conhecido como treino. Em termos simples, refere-se à alimentação de dados para que o modelo possa aprender padrões e gerar saídas úteis. Essencialmente, é o processo do sistema responder a características nos dados que lhe permite adaptar as saídas em direção a um objetivo pretendido — seja identificar imagens de gatos ou produzir um haiku a pedido.

O treino pode ser caro porque requer muitas entradas, e os volumes necessários têm tendido a aumentar — razão pela qual abordagens híbridas, como afinar uma IA baseada em regras com dados direcionados, podem ajudar a gerir custos sem começar completamente do zero.

(Ver: Inferência)

Aprendizagem por Transferência (Transfer Learning)

Uma técnica onde um modelo de IA previamente treinado é usado como ponto de partida para desenvolver um novo modelo para uma tarefa diferente mas tipicamente relacionada — permitindo que o conhecimento adquirido em ciclos de treino anteriores seja reaplicado.

A aprendizagem por transferência pode gerar poupanças de eficiência ao abreviar o desenvolvimento do modelo. Também pode ser útil quando os dados para a tarefa para a qual o modelo está a ser desenvolvido são algo limitados. Mas é importante notar que a abordagem tem limitações. Os modelos que dependem da aprendizagem por transferência para adquirir capacidades generalizadas provavelmente necessitarão de treino em dados adicionais para terem um bom desempenho no seu domínio de foco.

(Ver: Afinação)

Perda de Validação (Validation Loss)

A perda de validação é um número que indica quão bem um modelo de IA está a aprender durante o treino — e quanto mais baixo, melhor. Os investigadores acompanham-no de perto como uma espécie de boletim escolar em tempo real, usando-o para decidir quando parar o treino, quando ajustar hiperparâmetros, ou se devem investigar um problema potencial. Uma das principais preocupações que ajuda a sinalizar é o sobreajuste (overfitting), uma condição em que um modelo memoriza os seus dados de treino em vez de realmente aprender padrões que pode generalizar para novas situações. Pensa nisto como a diferença entre um aluno que realmente compreende a matéria e um que simplesmente memorizou o exame do ano passado — a perda de validação ajuda a revelar em qual dos dois o teu modelo se está a tornar.

Pesos (Weights)

Os pesos são fundamentais para o treino de IA, pois determinam a importância (ou peso) atribuída a diferentes características (ou variáveis de entrada) nos dados usados para treinar o sistema — moldando assim a saída do modelo de IA.

Por outras palavras, os pesos são parâmetros numéricos que definem o que é mais saliente num conjunto de dados para a tarefa de treino em questão. Cumprem a sua função aplicando multiplicação às entradas. O treino do modelo começa tipicamente com pesos atribuídos aleatoriamente, mas à medida que o processo se desenrola, os pesos ajustam-se à medida que o modelo procura chegar a uma saída que corresponda mais de perto ao objetivo.

Por exemplo, um modelo de IA para prever preços de habitação, treinado com dados históricos de mercado imobiliário para uma localização alvo, pode incluir pesos para características como o número de quartos e casas de banho, se uma propriedade é geminada ou semi-geminada, se tem estacionamento, garagem, e assim por diante.

Em última análise, os pesos que o modelo atribui a cada uma destas entradas refletem o quanto influenciam o valor de uma propriedade, com base no conjunto de dados fornecido.

Este artigo é atualizado regularmente com novas informações.