O campo da IA abrange uma vasta gama de disciplinas e tecnologias. Este glossário dos termos-chave mais importantes pode ajudar a alargar a sua compreensão e a aprofundar-se neste mundo fascinante.
A IA Agêntica refere-se a sistemas avançados de IA que vão além da mera resposta a comandos; estes geram conteúdo, executam tarefas de forma autónoma e alcançam objetivos. Estes sistemas combinam capacidades de raciocínio, funções de memória e ciclos de retroalimentação para planear e executar ações de forma independente, recorrendo frequentemente a várias ferramentas digitais e adaptando a sua abordagem através da aprendizagem. Ao contrário da IA tradicional, a IA Agêntica pode operar tanto de forma independente como em colaboração com outros agentes de IA, tomando decisões autónomas enquanto interage com diferentes plataformas e sistemas para concluir tarefas complexas.
No contexto industrial, a IA Agêntica envolve a implementação de sistemas de IA capazes de monitorizar, analisar e controlar de forma autónoma vários aspetos das operações industriais, tais como a manutenção preditiva, o controlo de qualidade, a gestão de inventário ou a otimização dos processos de produção.
A Inteligência Artificial (IA) refere-se a software com capacidade de aprender e adaptar-se. A IA consegue resolver tarefas que exigem a interpretação do significado dos dados introduzidos e a adaptação aos requisitos. Normalmente, trata-se de tarefas que, anteriormente, só podiam ser resolvidas pela inteligência natural. Existem vários tipos de métodos de IA, que diferem significativamente em termos dos seus campos de aplicação, do seu potencial e dos riscos que lhes estão associados. Os princípios básicos da IA foram desenvolvidos no século XX. Como todos os métodos de IA requerem grandes quantidades de dados de treino, a tecnologia está agora a ganhar uma relevância crítica crescente através da digitalização e dos big data.
Uma tecnologia que permite sobrepor informação digital a ambientes e objetos do mundo real, normalmente através de Realidade Virtual 3D imersiva. A AR permite criar uma versão melhorada do mundo físico, adicionando elementos visuais, sonoros e outros elementos sensoriais digitais
Sistemas capazes de funcionar sem intervenção humana, como carros autónomos e drones.
Veículos capazes de funcionar sem intervenção humana, tais como carros e camiões autónomos.
Preconceito ou favoritismo involuntário que pode ocorrer em sistemas de IA devido a dados de treino ou algoritmos tendenciosos.
Conjuntos de dados de grande dimensão e complexidade, frequentemente gerados por sensores (industriais), mas também por empresas, organizações e pessoas. Como estes dados são frequentemente não estruturados, incompletos ou incorretos, o software que não recorre à IA normalmente não consegue processá-los de forma significativa.
Um programa baseado em IA capaz de interagir com pessoas através de comunicação por texto ou voz.
Um tipo de IA que visa replicar os processos cognitivos humanos, tais como a perceção, o raciocínio e a tomada de decisões.
Um ramo da IA que permite aos computadores extrair informações de conteúdos visuais, como imagens e vídeos, para os compreender e interpretar.
Estratégias, métricas e ferramentas para ajudar a proteger a informação digital contra atacantes externos. A IA pode ser utilizada para detetar e prevenir ciberataques, bem como para identificar e responder a violações de segurança.
O processo de análise e interpretação de dados para obter informações e tomar decisões fundamentadas.
Sistemas informáticos concebidos para ajudar os seres humanos na tomada de decisões, fornecendo informações e análises relevantes.
Um subcampo da Aprendizagem Automática que envolve a utilização de redes neurais com várias camadas para permitir que as máquinas aprendam a partir de dados.
Um modelo matemático que descreve o comportamento de um objeto ou processo físico. Num ambiente de simulação, um gémeo digital pode ser utilizado para simular o que aconteceria no mundo real se os parâmetros do sistema fossem alterados. Os gémeos digitais podem ser utilizados ao longo de todo o ciclo de vida do produto, incluindo as fases de design, fabrico, funcionamento e manutenção. As representações visuais dos gémeos digitais têm o aspeto e comportam-se como as suas contrapartes físicas, refletindo o mundo real e adaptando-se em tempo real ao que ali está a acontecer.
A Edge Computing é um tipo de arquitetura de sistema que, ao contrário da computação em nuvem, aproxima a computação e o armazenamento de dados das fontes de dados (a “ponta”). Contribui para reduzir os tempos de resposta e a quantidade de energia necessária para a transferência de dados. Os sistemas de IA de ponta podem ser implementados fisicamente perto do dispositivo de execução propriamente dito. Estes dispositivos podem executar aplicações de IA sem estarem ligados à nuvem.
IA concebida para interagir com o mundo físico e navegar nele, frequentemente através da utilização de robôs ou veículos autónomos.
O estudo e a aplicação de princípios morais no desenvolvimento e na utilização da IA, incluindo questões como o preconceito, a privacidade e a responsabilização.
IA concebida para ser transparente e explicável, permitindo que os seres humanos compreendam como e por que razão uma máquina tomou uma determinada decisão.
É um método de treino em aprendizagem automática em que vários dispositivos independentes treinam um modelo de aprendizagem automática com o seu próprio conjunto de dados (separado). Apenas os resultados finais são partilhados com o agente principal da rede.
IA concebida para gerar novos conteúdos, tais como imagens, vídeos e música, através da combinação e da aprendizagem a partir de conteúdos existentes.
Capacidade de uma aplicação, por exemplo, um software de CAD, de gerar de forma autónoma várias alternativas de projeto, tendo em conta um conjunto de restrições. Recorre a técnicas como a inteligência artificial, a otimização e a simulação.
A Industrial AI refere-se à aplicação da IA nos setores que constituem a espinha dorsal das nossas economias – setor industrial, infraestruturas, mobilidade e cuidados de saúde.
Os Modelos de Fundamentos Industriais (IFM) são pré-treinados com dados específicos do setor para compreenderem profundamente a «linguagem» da engenharia, da automação e do fabrico, e para permitir uma implementação mais rápida e precisa de soluções de IA. Proporcionam um ponto de partida padronizado, poupando tempo, recursos e energia através de economias de escala. Os IFM são concebidos para resolver desafios industriais do mundo real. Funcionam como a camada de inteligência por trás dos Industrial Copilot e facilitam a transferência de conhecimento e a colaboração entre setores. Suportam não só texto, imagens e áudio, mas também modelos 3D, desenhos 2D e outras estruturas complexas, tais como dados de séries temporais específicos do setor (ver também LLM multimodais).
A IA de nível industrial denota um nível de qualidade: fiável, segura e digna de confiança, concebida para cumprir os rigorosos requisitos e normas dos ambientes profissionais mais exigentes.
Um termo utilizado para descrever a quarta revolução industrial, que envolve a integração da IA, da IoT e de outras tecnologias avançadas na produção e no setor industrial.
A rede de dispositivos técnicos equipados com sensores, software e conectividade para permitir a troca de dados. A IoT é um dos principais motores da digitalização e do big data.
Uma base de dados que representa o conhecimento como um gráfico de nós e arestas interligados, utilizada em aplicações de IA, como o NLP e a pesquisa.
Um tipo de modelo de linguagem de IA treinado com enormes quantidades de dados, como o GPT-3, para gerar texto semelhante ao humano.
Um subconjunto da IA que envolve a utilização de algoritmos e modelos estatísticos para permitir que as máquinas aprendam com a experiência ou com os dados.
Um subcampo da IA que permite que máquinas equipadas com câmaras extraiam informação visual para compreender e interpretar o ambiente que as rodeia.
Os LLM multimodais são capazes de compreender e processar vários tipos de dados — tais como texto, imagens, áudio ou dados de sensores — simultaneamente. Estão integrados em aplicações como a visão computacional, os veículos autónomos e a robótica. Melhoram o reconhecimento de objetos e a compreensão de cenários, e permitem que as máquinas sigam instruções complexas. Os LLM multimodais têm o potencial de influenciar o processamento e a geração de dados específicos do setor — tais como séries temporais, modelos 2D e 3D ou dados para visão computacional — da mesma forma que os LLM convencionais influenciaram o processamento de texto e de voz.
Um ramo da IA que se centra na interação entre os computadores e a linguagem humana.
Uma interface que permite aos seres humanos interagir com computadores através de gestos naturais, da fala e de outras formas de expressão.
Um tipo de algoritmo de Aprendizagem Automática inspirado na estrutura do cérebro humano e utilizado para reconhecer padrões nos dados.
Um processo para analisar as variações de tensão e corrente em edifícios ou máquinas compostos por vários subdispositivos, com o objetivo de determinar a contribuição individual de cada dispositivo no sistema.
A IA física refere-se à integração da inteligência artificial em máquinas — tais como robôs — capazes de perceber o ambiente que as rodeia e de agir nesse contexto. Inspirada no ciclo sensório-motor humano, a IA física processa entradas sensoriais (como câmaras 3D ou sensores táteis), gera a partir delas comandos de controlo e permite que as máquinas realizem tarefas complexas de forma adaptativa e autónoma em ambientes físicos 3D.
A IA baseada na física, também conhecida como IA sensível à física, refere-se a uma nova classe de métodos de inteligência artificial que incorporam as leis da física diretamente no processo de treino. Ao contrário das abordagens convencionais de IA, que dependem fortemente de grandes conjuntos de dados para aprender comportamentos, a IA informada pela física integra restrições baseadas na física para orientar a aprendizagem. Isto permite que os sistemas de IA raciocinem e façam previsões mesmo quando os dados do mundo real são limitados, tirando partido do nosso conhecimento existente sobre o funcionamento do mundo físico. Em vez de aprenderem apenas a partir de exemplos, estes modelos utilizam o seu conhecimento de física para orientar a aprendizagem para soluções mais ótimas e fisicamente consistentes.
A IA preditiva recorre à análise estatística e à aprendizagem automática para identificar padrões em dados operacionais em tempo real e históricos provenientes de máquinas e equipamentos, permitindo-lhe prever comportamentos futuros, detetar anomalias, antecipar possíveis falhas e recomendar ações de manutenção. É utilizada para melhorar o estado e a fiabilidade dos ativos, reduzir o tempo de inatividade não planeado e apoiar uma tomada de decisões mais rápida e baseada em dados em todas as operações industriais.
A utilização de IA e de modelos estatísticos para prever eventos ou tendências futuras com base em dados históricos.
A utilização da IA para prever quando as máquinas necessitarão de manutenção ou reparação, com base em dados em tempo real.
A utilização da IA para detetar defeitos e garantir que os produtos cumprem as normas de qualidade.
Um tipo de Aprendizagem Automática em que agentes não treinados aprendem uma estratégia através das penalizações e recompensas do sistema após as ações realizadas.
Aplicações de IA que cumprem normas éticas e morais definidas.
A área da engenharia e da IA que se dedica ao design, construção e operação de robôs.
A utilização da IA para analisar e interpretar as emoções e opiniões expressas em texto ou na fala.
Uma rede elétrica que utiliza IA e outras tecnologias avançadas para otimizar a produção, a distribuição e o consumo de eletricidade.
O hardware especializado, como dispositivos de ponta equipados com Unidades de Processamento Gráfico (GPU) ou Unidades de Processamento de Linguagem (LPU), é uma tendência emergente na IA industrial. Estes dispositivos proporcionam um elevado poder de computação na ponta, permitindo o processamento em tempo real de algoritmos de IA. A sua integração permite o processamento paralelo e um desempenho acelerado, resultando numa execução mais rápida de tarefas complexas de IA. Este processamento local reduz a latência e a dependência de recursos na nuvem, tornando-o crucial para aplicações em que o tempo é um fator crítico. O hardware especializado também suporta modelos avançados de IA, levando a informações aprimoradas e melhor desempenho. Além disso, reduz os custos ao minimizar a necessidade de uma infraestrutura de nuvem extensa e de transferência de dados.
A capacidade das máquinas de reconhecer e interpretar a fala humana.
Um método de aprendizagem em que os modelos de aprendizagem automática são treinados com conjuntos de dados rotulados (conhecidos) para prever um resultado.
Otimização do fluxo de mercadorias e materiais numa cadeia de abastecimento, com o objetivo de reduzir custos e melhorar a eficiência. A IA é frequentemente utilizada para a automação de processos, a deteção de ineficiências, a garantia da qualidade das mercadorias e a previsão da procura.
Dados artificiais gerados por algoritmos, em vez de eventos do mundo real, utilizados para treinar e validar modelos de aprendizagem automática. A qualidade dos dados sintéticos é fundamental. É ela que determina se a IA produzirá resultados aceitáveis após o treino.
Um método de aprendizagem em que os modelos de Aprendizagem Automática descobrem padrões e agrupamentos em dados anteriormente desconhecidos (não rotulados).
A Realidade Virtual (RV) apresenta um ambiente gerado digitalmente capaz de reproduzir um espaço real, criar uma realidade alternativa ou combinar ambos. O utilizador pode explorar o espaço virtual a partir do conforto da sua casa, do escritório ou do chão de fábrica.
