Glossário

O sistema aprende por consequência, não por exemplo. Um modelo admitiu erro que não cometeu em 98% das perguntas ao ser contestado.

Regime em que o modelo aprende com exemplos rotulados. O teto de qualidade é a qualidade do gabarito — e as referências da área erram mais do que se imagina.

Label é a resposta correta nos dados de treino. Auditoria dos 10 conjuntos mais usados achou 3,3% de erro médio — e 5,83% no ImageNet.

Alinhamento faz o modelo seguir a intenção de quem o construiu. Tem custo reconhecido em capacidade — e não elimina jailbreak, viés nem explicação infiel.

Viés algorítmico é errar sistematicamente mais para um grupo. A auditoria Gender Shades mediu até 34,7% de erro num subgrupo e 0,8% em outro, no mesmo sistema comercial.

Sobreajuste é decorar o treino e falhar em dado novo. A versão moderna é o sobreajuste ao benchmark — quedas de até 13 pontos ao testar com problemas equivalentes e inéditos.

Latência é o tempo até responder; throughput é o volume processado. São métricas em tensão: processar em lote eleva o throughput e piora a latência de cada requisição.

Model card descreve como um modelo foi treinado e onde falha. Em 32 mil documentos analisados, a seção de limitações estava preenchida em apenas 17,4%.

MCP padroniza como modelos de IA acessam sistemas externos. Doado à Linux Foundation em dezembro de 2025 — e a própria spec declara que não garante segurança.

Injeção de prompt é a vulnerabilidade nº 1 da OWASP para aplicações com LLM. A defesa leva o ataque de 25% para 8% — reduz muito, nunca zera.