(0:40) Modelo: Sistema treinado para realizar tarefas específicas, como gerar texto, reconhecer imagens ou fazer previsões baseadas em grandes quantidades de dados. Exemplos: GPT-4, Claude 3.5, Gemini Advanced.
(1:32) Prompt: Instrução, pergunta ou mensagem dada ao modelo de IA para obter uma resposta ou resultado desejado. Exemplo: “Escreva um e-mail de boas-vindas para um cliente”.
(1:45) Engenharia de Prompt: Arte e ciência de criar prompts eficazes para obter os melhores resultados possíveis de um modelo de IA. Envolve teste, hipótese e refinamento contínuo dos prompts.
(2:37) API (Application Programming Interface): Conjunto de regras e protocolos que permite que diferentes softwares se comuniquem entre si. Usado para criar aplicações baseadas em modelos de IA existentes.
(3:14) LLMs (Large Language Models): Tipo de IA projetada para entender e gerar linguagem humana. Exemplos: GPT-4, Claude, Gemini.
(3:26) Base de dados de vetores: Tipo especial de banco de dados que armazena informações em formato de vetor, usado para dar mais “memória” à IA. Exemplo: Datastax.
(4:08) Agente: Programa de IA que pode agir por conta própria para realizar tarefas específicas, analisando informações, tomando decisões e executando ações. Exemplo: Agente de vendas automatizado.
(4:35) RAG (Retrieval-Augmented Generation): Técnica onde o modelo consulta bases de dados externas para recuperar informações adicionais durante a geração de respostas.
(4:56) Tokens: Pequenas unidades de texto em que o texto é dividido para que o modelo possa processá-lo.
(5:24) Janela de contexto: Quantidade de tokens que o modelo pode “lembrar” ou “ver” enquanto processa o texto.
(5:47) Chat: Conversa que você tem com a IA generativa dentro de uma mesma sessão ou conversa.