Marcos Oliveira
← Voltar ao blog10 termos de Inteligência Artificial que você precisa conhecer
Estudos

Por Marcos Oliveira · Criado em 26/09/2026

10 termos de Inteligência Artificial que você precisa conhecer

Entenda 10 conceitos fundamentais para compreender como funcionam os sistemas modernos de inteligência artificial.

TL;DR

Inteligência artificial envolve muito mais do que conversar com um chatbot. Conceitos como machine learning, LLMs, tokens, embeddings, RAG e agentes ajudam a compreender como os sistemas modernos de IA aprendem, processam informações, geram respostas e interagem com outras ferramentas.

inteligência artificialmachine learningIA generativaLLMagentes de IARAG

10 termos de Inteligência Artificial que você precisa conhecer

Inteligência artificial deixou de ser um assunto restrito a pesquisadores e profissionais da computação. Sistemas capazes de gerar textos, imagens, vídeos, códigos e análises passaram a fazer parte de atividades profissionais, acadêmicas e cotidianas.

Junto com essa popularização surgiu um vocabulário próprio.

LLM, tokens, embeddings, RAG, agentes, prompts…

Esses termos aparecem constantemente em notícias, ferramentas e discussões sobre IA. Entretanto, conhecer seus nomes é diferente de compreender o que representam e como se relacionam.

Este artigo apresenta 10 conceitos fundamentais para compreender melhor a inteligência artificial moderna, partindo dos fundamentos do aprendizado de máquina até tecnologias utilizadas em aplicações generativas e sistemas baseados em agentes.

Antes dos dez termos, porém, precisamos estabelecer uma ideia básica.

Inteligência Artificial é o conceito mais amplo

Inteligência Artificial (IA) é um campo da computação dedicado ao desenvolvimento de sistemas capazes de executar tarefas associadas a capacidades como reconhecimento de padrões, compreensão de linguagem, resolução de problemas, previsão e tomada de decisão.

Dentro desse campo existem diferentes técnicas e áreas de pesquisa.

Uma forma simplificada de visualizar algumas dessas relações é:

Inteligência Artificial
│
└── Machine Learning
    │
    └── Deep Learning
        │
        └── Modelos de IA generativa
            │
            └── Grandes Modelos de Linguagem (LLMs)

Essa representação é propositalmente simplificada. Nem toda inteligência artificial utiliza machine learning e nem todo modelo de deep learning é generativo.

Ainda assim, ela é útil para compreender que muitos termos frequentemente utilizados como sinônimos representam conceitos diferentes.

1. Machine Learning

Machine Learning (ML), ou aprendizado de máquina, é uma área da inteligência artificial na qual algoritmos desenvolvem modelos a partir de dados.

Em uma abordagem tradicional de programação, um desenvolvedor escreve explicitamente as regras utilizadas pelo computador.

Imagine um programa simples:

Dados + Regras → Resultado

Em machine learning, a lógica muda:

Dados + Resultados conhecidos → Treinamento → Modelo

O modelo aprende padrões existentes nos dados e pode posteriormente utilizá-los para realizar previsões ou classificações sobre novos exemplos.

Um sistema imobiliário, por exemplo, poderia receber dados históricos contendo características como:

Área do imóvel
Número de quartos
Número de banheiros
Localização
Tipo do imóvel
Preço

A partir desses exemplos, um algoritmo pode aprender relações entre essas características e os preços observados.

Depois do treinamento, o modelo pode receber características de outro imóvel e estimar seu preço.

Machine learning, portanto, não significa necessariamente chatbot ou geração de imagens. Sistemas de recomendação, detecção de fraudes, previsão de demanda e classificação de documentos também podem utilizar aprendizado de máquina.

2. Deep Learning

Deep Learning, ou aprendizado profundo, é uma subárea de machine learning baseada principalmente em redes neurais com múltiplas camadas.

Uma rede neural é formada por unidades matemáticas conectadas que transformam informações ao longo de diferentes camadas.

De maneira bastante simplificada:

Entrada
   ↓
Camadas da rede neural
   ↓
Representações aprendidas
   ↓
Saída

Uma diferença importante em relação a muitas técnicas tradicionais de machine learning é a capacidade de modelos profundos aprenderem representações complexas diretamente a partir de grandes volumes de dados.

Essa abordagem tornou-se especialmente relevante em tarefas envolvendo imagens, áudio, linguagem natural e outros dados de alta complexidade.

Tecnologias modernas de reconhecimento de voz, visão computacional e IA generativa dependem fortemente de técnicas de deep learning.

3. IA Generativa

Inteligência Artificial Generativa, ou Generative AI, designa sistemas capazes de produzir novos conteúdos a partir dos padrões aprendidos durante seu treinamento.

Esses conteúdos podem incluir:

  • textos;
  • imagens;
  • áudio;
  • vídeo;
  • código;
  • dados estruturados.

Quando uma pessoa solicita a um sistema de IA que escreva um texto, gere uma imagem ou produza código Python, está interagindo com alguma forma de IA generativa.

Isso representa uma diferença importante em relação a muitos sistemas tradicionais de machine learning.

Um classificador pode receber uma fotografia e responder:

Gato: 97%
Cachorro: 3%

Um modelo generativo pode receber:

Crie uma imagem de um gato utilizando um computador.

e produzir um conteúdo que anteriormente não existia.

Portanto, classificar e gerar são problemas diferentes, ainda que ambos possam utilizar técnicas de inteligência artificial.

4. LLM — Large Language Model

LLM significa Large Language Model, ou Grande Modelo de Linguagem.

É um modelo treinado com grandes quantidades de dados linguísticos para aprender padrões e relações presentes na linguagem.

Uma das ideias fundamentais por trás desses modelos é aparentemente simples: prever tokens considerando o contexto disponível.

Imagine a frase:

O Brasil está localizado na América do ______.

Existe uma probabilidade elevada de que o próximo elemento seja relacionado a:

Sul

Modelos de linguagem realizam esse tipo de previsão em uma escala muito mais sofisticada.

Durante a geração, o modelo produz uma sequência progressivamente:

entrada
   ↓
próximo token
   ↓
próximo token
   ↓
próximo token
   ↓
...

O comportamento complexo observado em sistemas modernos surge de modelos com grandes quantidades de parâmetros, dados e capacidade computacional, combinados com diferentes técnicas de treinamento e pós-treinamento.

É importante observar também que LLM e IA generativa não são sinônimos.

Um LLM é especializado em linguagem. IA generativa é uma categoria mais ampla, que também engloba sistemas capazes de produzir imagens, áudio e vídeo.

5. Transformer

Grande parte dos LLMs modernos está relacionada a uma arquitetura de rede neural chamada Transformer.

A arquitetura foi apresentada em 2017 no artigo científico Attention Is All You Need.

Um dos elementos centrais dos Transformers é o mecanismo chamado attention, ou atenção.

De maneira simplificada, esse mecanismo permite que o modelo considere relações entre diferentes partes de uma sequência ao processar informações.

Considere:

Marcos colocou o notebook sobre a mesa porque ele estava carregando.

Para interpretar adequadamente a frase, é necessário compreender relações entre palavras que aparecem em posições diferentes.

Mecanismos de atenção ajudam o modelo a representar essas relações contextuais.

Transformers tornaram-se fundamentais para grande parte dos avanços recentes em processamento de linguagem natural e posteriormente foram adaptados para diferentes modalidades, incluindo imagens, áudio e sistemas multimodais.

6. Token e janela de contexto

Um erro comum é imaginar que modelos de linguagem necessariamente processam textos palavra por palavra.

Na prática, eles trabalham com unidades chamadas tokens.

Um token pode corresponder a uma palavra inteira, parte de uma palavra, sinais de pontuação ou outras unidades definidas pelo processo de tokenização.

O texto:

Inteligência artificial está evoluindo.

é convertido internamente em uma sequência de tokens antes de ser processado pelo modelo.

Isso importa porque diversos aspectos de um LLM são medidos em tokens, incluindo quantidade de entrada, quantidade de saída e limites de processamento.

Aqui aparece outro conceito importante: a janela de contexto.

A janela de contexto representa a quantidade de tokens que o modelo consegue considerar em determinada interação.

Podemos imaginá-la como uma espécie de área de trabalho:

┌───────────────────────────────┐
│       JANELA DE CONTEXTO      │
│                               │
│ Instruções                    │
│ Pergunta do usuário           │
│ Documentos fornecidos         │
│ Histórico relevante           │
│ Informações de ferramentas    │
│                               │
└───────────────────────────────┘

Quanto maior a janela disponível, maior pode ser a quantidade de informação fornecida ao modelo. Entretanto, uma janela maior não significa automaticamente melhor qualidade: relevância, organização do contexto e capacidade do modelo continuam sendo importantes.

7. Prompt

O prompt é a entrada fornecida a um modelo generativo para orientar sua resposta.

Pode ser algo extremamente simples:

Explique regressão linear.

ou uma instrução mais estruturada:

Explique regressão linear para um estudante iniciante.

Apresente:
1. definição;
2. exemplo cotidiano;
3. equação;
4. exemplo em Python.

Evite utilizar conceitos matemáticos sem explicá-los previamente.

Nos dois casos existe um prompt, mas a segunda versão fornece mais informações sobre objetivo, público e formato esperado.

Daí surge o conceito de prompt engineering, ou engenharia de prompts: o processo de estruturar entradas que orientem o comportamento de modelos de maneira mais adequada à tarefa.

Entretanto, prompts possuem limites.

Uma instrução bem escrita pode melhorar a interação com o modelo, mas não adiciona conhecimento inexistente, não elimina automaticamente erros factuais e não substitui mecanismos de avaliação e validação.

8. Embeddings

Embeddings são representações numéricas de informações.

Um texto, por exemplo, pode ser transformado em um vetor contendo números:

"inteligência artificial"

↓

[0.18, -0.72, 0.41, 0.09, ...]

O objetivo dessas representações é preservar determinados aspectos do conteúdo ou significado dos dados.

Isso permite realizar algo extremamente útil: comparar informações matematicamente pela sua similaridade.

Imagine três frases:

A: "Como instalar Python no Windows?"
B: "Tutorial de instalação do Python no Windows 11"
C: "Como preparar uma lasanha?"

Os embeddings de A e B tendem a apresentar maior proximidade semântica entre si do que em relação a C.

Essa propriedade permite construir sistemas de:

  • busca semântica;
  • recomendação;
  • agrupamento de documentos;
  • classificação;
  • recuperação de informações.

Embeddings também desempenham um papel importante em arquiteturas RAG.

9. RAG — Retrieval-Augmented Generation

RAG significa Retrieval-Augmented Generation, geralmente traduzido como Geração Aumentada por Recuperação.

A ideia é permitir que um modelo utilize informações externas relevantes antes de produzir uma resposta.

Imagine uma empresa com milhares de documentos internos.

Treinar novamente um LLM sempre que um documento for atualizado seria pouco prático. Em uma arquitetura RAG, o sistema pode primeiro localizar documentos relacionados à pergunta e posteriormente fornecê-los como contexto ao modelo.

Um fluxo simplificado seria:

Pergunta do usuário
        ↓
Busca por informações relevantes
        ↓
Documentos encontrados
        ↓
Documentos + pergunta
        ↓
LLM
        ↓
Resposta

Embeddings e bancos de dados vetoriais são frequentemente utilizados na etapa de recuperação.

Considere a pergunta:

Qual é a política de férias da empresa?

Em vez de depender exclusivamente do conhecimento adquirido durante o treinamento, o sistema pode localizar o documento atualizado de Recursos Humanos, recuperar os trechos pertinentes e fornecê-los ao modelo.

RAG é particularmente importante em aplicações que precisam trabalhar com documentos privados, bases institucionais ou informações atualizadas.

A técnica pode reduzir determinados tipos de erro factual, mas não garante respostas corretas: a qualidade da recuperação, dos documentos, das instruções e do próprio modelo continua sendo relevante.

10. Agentes de IA

Um agente de IA é um sistema que utiliza modelos e outros componentes para planejar e executar ações com o objetivo de realizar uma tarefa.

Existe uma diferença importante entre simplesmente gerar uma resposta e executar ações.

Um chatbot convencional pode responder:

Aqui estão algumas opções de hotéis.

Um sistema baseado em agentes poderia, dependendo das ferramentas e permissões disponíveis:

Interpretar o pedido
        ↓
Pesquisar hotéis
        ↓
Comparar resultados
        ↓
Consultar disponibilidade
        ↓
Organizar alternativas
        ↓
Executar uma ação autorizada

O modelo funciona como parte de um sistema maior.

Esse sistema pode ter acesso controlado a ferramentas como:

Pesquisa na web
APIs
Banco de dados
Arquivos
E-mail
Calendário
Código
Outros sistemas

Por isso, agente não é simplesmente outro nome para chatbot.

O elemento fundamental está na capacidade de combinar interpretação, planejamento e utilização de ferramentas para realizar ações orientadas a um objetivo.

Quanto maior a autonomia do agente, maior também a importância de mecanismos de segurança, permissões, validação e supervisão humana.

Um conceito extra: alucinação

Embora tenhamos chegado aos dez termos, existe um conceito que merece atenção especial.

Em IA generativa, alucinação descreve situações em que um modelo produz uma informação aparentemente plausível, porém factualmente incorreta.

Um modelo pode, por exemplo, produzir:

Segundo o artigo de Silva et al. (2024)...

mesmo que o artigo mencionado não exista.

Isso acontece porque um modelo de linguagem não deve ser confundido com uma base de dados que simplesmente recupera fatos armazenados. Seu funcionamento envolve a geração de sequências com base nos padrões aprendidos e no contexto disponível.

Por esse motivo, respostas envolvendo informações importantes devem ser verificadas em fontes confiáveis.

Técnicas como RAG, uso de ferramentas externas e mecanismos de grounding podem aumentar a fundamentação das respostas, mas não tornam sistemas generativos infalíveis.

Como esses conceitos se conectam?

Depois de compreender os termos individualmente, podemos observar como eles aparecem juntos em uma aplicação moderna.

Imagine um assistente capaz de responder perguntas utilizando documentos de uma organização.

O usuário poderia enviar:

Quais foram as principais alterações do regulamento?

O sistema poderia executar aproximadamente o seguinte fluxo:

Usuário
   ↓
Prompt
   ↓
Embeddings da pergunta
   ↓
Busca semântica
   ↓
RAG recupera documentos relevantes
   ↓
Documentos entram na janela de contexto
   ↓
LLM baseado em Transformer
   ↓
Geração token por token
   ↓
Resposta

Se esse sistema também puder utilizar ferramentas e executar ações, ele começa a assumir características de um agente de IA.

Perceba que vários termos aparentemente independentes passam a representar componentes de uma mesma arquitetura.

O mapa mental da IA moderna

Uma maneira prática de memorizar os conceitos é pensar nas perguntas que cada termo responde:

Termo Pergunta que ajuda a responder
Machine Learning Como sistemas aprendem padrões a partir de dados?
Deep Learning Como redes neurais profundas aprendem representações complexas?
IA Generativa Como sistemas podem gerar novos conteúdos?
LLM Como modelos trabalham com linguagem em grande escala?
Transformer Qual arquitetura sustenta muitos modelos modernos de linguagem?
Token e contexto Como a informação é dividida e disponibilizada ao modelo?
Prompt Como fornecemos instruções e contexto ao modelo?
Embeddings Como representar significado numericamente?
RAG Como fornecer conhecimento externo relevante ao modelo?
Agentes Como combinar modelos, planejamento e ferramentas para executar tarefas?

Esses conceitos não representam toda a inteligência artificial. O campo inclui diversas outras áreas, como visão computacional, aprendizado por reforço, robótica, sistemas especialistas, modelos de difusão, otimização e aprendizado supervisionado e não supervisionado.

Entretanto, compreender esses dez termos fornece uma base consistente para acompanhar grande parte das discussões atuais sobre IA generativa.

Considerações finais

Compreender inteligência artificial exige ir além da interface de um chatbot.

Por trás de uma pergunta escrita em linguagem natural existe uma cadeia de tecnologias envolvendo representação numérica, redes neurais, modelos treinados em grandes conjuntos de dados, tokenização, processamento de contexto e geração probabilística.

Em aplicações mais sofisticadas, entram ainda mecanismos de recuperação de informação, bases vetoriais, ferramentas externas e agentes capazes de executar ações.

Conhecer esse vocabulário permite interpretar melhor tanto as possibilidades quanto as limitações da tecnologia.

O próximo passo é aprofundar cada conceito separadamente.

Machine learning ajuda a compreender como modelos aprendem com dados. Transformers e LLMs ajudam a entender como sistemas modernos processam linguagem. Embeddings e RAG mostram como aplicações podem recuperar conhecimento externo. Agentes, por sua vez, mostram como modelos podem deixar de apenas produzir respostas e passar a participar de sistemas capazes de executar tarefas.

Esse conjunto fornece uma base para estudar inteligência artificial com maior profundidade, sem tratar cada nova ferramenta como uma tecnologia isolada.

Referências

As definições e conceitos apresentados neste artigo foram fundamentados prioritariamente em documentação técnica, materiais institucionais e literatura científica.

Compartilhar