# Glossário de IA e dados

> Definições diretas de 26 termos de IA e dados, de MLOps, MLaaS e RAG a elasticidade-preço e processamento inteligente de documentos.

URL: https://preview2.snowfox-ai.com/pt/glossario
Última atualização: 2026-11-20

## Agente de IA

Sistema baseado em modelo de linguagem que executa uma tarefa em etapas, acionando ferramentas e sistemas de negócio como ERP ou CRM, em vez de apenas responder a uma pergunta.

## Aprendizado por reforço

Forma de treinar um sistema por tentativa e feedback: ele testa opções, observa o resultado e passa a preferir o que funciona. Usado para aprimorar continuamente a escolha da oferta ou do criativo exibido.

## Big data

Dados cujo volume ou velocidade superam o que um único banco de dados processa com folga, exigindo processamento distribuído, como Apache Spark, bancos de dados NoSQL ou data warehouses em nuvem, muitas vezes em tempo real.

## Data warehouse e data mart

Um data warehouse é um repositório central de dados limpos e organizados, feito para análise. Um data mart é um recorte menor dele, modelado para um assunto ou uma equipe.

## Diagnóstico de prontidão para IA

Avaliação da capacidade de uma organização de colocar a IA em uso produtivo. A Snowfox avalia cinco dimensões em conjunto: dados, tecnologia, estratégia, pessoas e cultura, e governança e processos.

## Drift de modelo

Perda gradual de acurácia de um modelo em produção à medida que o comportamento dos clientes, os preços ou os produtos se afastam dos dados com que ele foi treinado. O remédio é monitorar e retreinar.

## Elasticidade cruzada e canibalização

Como a mudança de preço de um produto afeta as vendas dos demais. A canibalização é o caso custoso: uma promoção que faz um produto crescer tirando vendas de outro do mesmo portfólio.

## Elasticidade-preço

Quanto a quantidade vendida de um produto varia quando o preço dele muda. Uma elasticidade de -2 significa que um aumento de 1% no preço reduz as unidades vendidas em cerca de 2%.

## Engenharia de dados

Construção e manutenção dos pipelines, data warehouses e camadas de análise que tornam os dados disponíveis e confiáveis para relatórios e modelos.

## Estratégia de dados

Definição de quais decisões os dados devem melhorar e de qual arquitetura, governança e ferramentas são necessárias para isso.

## Exit-intent

Mensagem ou oferta exibida no momento em que o visitante está prestes a sair do site, usada para recuperar a visita.

## Extração de entidades e relações

Identificação das entidades nomeadas em um texto (pessoas, empresas, datas, valores) e de como elas se relacionam; por exemplo, quem concede quais poderes a quem em um contrato. As relações são a parte mais difícil.

## Geração aumentada por recuperação (RAG)

Arquitetura em que o sistema primeiro recupera trechos relevantes dos seus próprios documentos e depois faz o modelo de linguagem responder com base neles. É assim que a busca corporativa e os assistentes internos se mantêm fiéis aos dados da empresa.

## Governança de dados

As regras sobre quem é responsável pelos dados, quem pode usá-los, por quanto tempo são mantidos e como são protegidos: segurança, retenção e privacidade que você consegue defender.

## Grande modelo de linguagem (LLM)

Modelo treinado com volumes muito grandes de texto, capaz de ler e escrever linguagem natural e código. É o motor da maioria dos sistemas de IA generativa.

## IA generativa

Modelos que produzem texto, código, imagens ou áudio. Em sistemas de negócio, costuma significar grandes modelos de linguagem usados em assistentes, agentes, trabalho com documentos e migração de código.

## Machine learning (ML)

Software que aprende padrões a partir de dados, em vez de seguir regras escritas à mão, e os usa para prever, classificar ou recomendar.

## Machine learning causal

Modelos construídos para estimar o que uma ação vai causar, como o efeito de uma mudança de preço na demanda, e não apenas o que costuma acontecer junto com ela.

## MLaaS

Machine learning como serviço: uso de modelos prontos que um fornecedor hospeda e mantém, pagos como custo operacional, em vez de construir os modelos e ser dono deles.

## MLOps

Machine learning operations: as práticas para implantar, monitorar e melhorar modelos de machine learning em produção com um processo repetível. É para os modelos o que o DevOps é para o software.

## Pipeline de dados e ETL

Sequência automatizada que leva os dados dos sistemas de origem até onde são usados. O ETL (extract, transform, load) é a forma clássica: extrair os dados, limpá-los e transformá-los e, por fim, carregá-los em um data warehouse.

## Processamento de linguagem natural (PLN)

Técnicas que permitem ao software ler, classificar e produzir texto e fala: classificação, extração de entidades, sumarização, geração e tradução.

## Processamento inteligente de documentos (IDP)

Pipeline que transforma documentos, como contratos em PDF, em dados estruturados: leitura da página, compreensão do layout, extração de entidades e relações e validação do resultado.

## Segmentação de clientes e ofertas

Agrupamento de clientes por comportamento para que cada grupo receba a oferta mais relevante. O machine learning encontra grupos que a segmentação convencional não vê.

## Sensoriamento remoto

Medição de áreas e lavouras a distância, com imagens de satélite ou drone, usada no agro para mapear áreas cultivadas, monitorar a saúde das lavouras e prever safras.

## Visão computacional

Modelos que interpretam imagens e vídeo: reconhecimento, detecção de objetos, segmentação e análise de vídeo, aplicados a inspeção, processamento de documentos e segurança.
