É Inteligência Artificial (IA) pra todo canto, né?! Machine learning (aprendizado de máquina), deep learning… é tanta novidade, e às vezes as coisas parecem até se confundir.
Essa tecnologia está popular agora porque ficou acessível a nós, mas isso vem lá dos anos 50 e, claro, foi evoluindo, mas não quer dizer que tudo começou com o ChatGPT ou os aplicativos de geração de imagem que estão no hype hoje. Você pode até duvidar disso, porque, afinal de contas, só agora que isso está em destaque, mas, de fato, que não é algo tão novo.
O que mudou o jogo foi a aplicação, foi as empresas de tecnologia terem feito versões de inteligência artificial generativa (já vamos falar disso!) para que o público amplo aplicasse essa técnica computacional na sua rotina, de um jeito muito fácil e intuitivo, através de interfaces amigáveis, por meio da nossa linguagem natural.
Mas quer ver um exemplo facinho de perceber que isso tudo já estava na nossa vida? O Waze. Há quanto tempo você pega a estrada pra um lugar novo com a certeza de que não vai errar o caminho?
Já te contamos por que a inteligência artificial é importante, você pode ver clicando aqui!
Agora, por entender que é algo que só vai ficar mais presente em nossas vidas,fizemos esse artigo trazendo algumas definições do que andamos ouvindo muito por aí.
Mas é bom lembrar que o que vamos falar aqui está longe de ser tudo (na verdade, não é nem a ponta do iceberg!), mas pode ser bem útil, por trazer algumas coisas básicas para entender essa nova realidade:
- O que é inteligência artificial?
- Algoritmos
- Prompt
- Machine Learning (Aprendizado de máquina)
- Deep Learning
- Redes neurais
- Caixa-preta
- Tipos de dados usados pela inteligência artificial
- LLM (Large Language Model)
- Alunicação
1. Vamos do começo: O que é inteligência artificial?
Seja no mercado ou no ambiente acadêmico, há divergências quanto a uma definição rigorosa. Faça essa pergunta ao ChatGPT e ao Bard, do Google, e você verá que as respostas são diferentes. Embora não haja um consenso, alguns pontos parecem esclarecer o conceito, e vamos tentar simplificar as coisas.
O que chamamos de inteligência artificial são sistemas capazes de realizar tarefas que, até então, necessitariam da inteligência humana para serem executadas. E por inteligência humana, entendemos um conjunto de habilidades objetivas para a realização de algo. A definição do que é inteligência também é controversa, e por essa razão direcionamos aqui uma possível compreensão para deixar as coisas mais claras.
A IA se apresenta pra gente em um tipo de software ou ferramenta que pode resolver problemas e/ou chegar a determinados objetivos específicos, por meio de um processo ou um conjunto de processos que pode ser identificado em processos similares próprios dos humanos.
Esse software ou ferramenta digital é programada por um conjunto de regras, que são os algoritmos, para atender a um determinado objetivo. Com uma finalidade definida, essa técnica computacional pode ter algumas maneiras de atingir sua meta: seja por regras sempre claras, seja por regras nem tão claras (já vamos explicar isso!), mas sempre com um objetivo específico.
Nós convivemos bastante com isso: nas recomendações de filmes, séries e conteúdo em geral, nos anúncios que aparecem pra gente, na criação de textos e imagens, no trajeto dos mapas, entre muitas outras coisas, – essas são só algumas das que ficam bem óbvias.
2. Algoritmos
Direto e reto: Algoritmos são as regras que a inteligência artificial segue.
Trata-se de um conjunto de instruções bem estruturadas para atingir determinado objetivo ou resolver determinado problema, sendo implementados nos softwares em formato de códigos escritos em linguagem computacional.
3. Prompt
Esse nome esquisito é na verdade algo muito simples: é o que você pergunta ou pede à ferramenta de inteligência artificial para que ela gere um resultado. Pode ser um prompt fechado, que é quando existe uma resposta certa ou errada; ou um prompt aberto, que é quando não existe certo e errado.
4. Machine learning (Aprendizado de máquina)
Machine learning ou aprendizado de máquina é um campo da inteligência artificial. É quando um software não tem regras tão limitadas para executar uma determinada função. As regras em sua programação, ou seja, seus algoritmos, são feitos de forma a permitir que o sistema utilize dados para fazer associações, reconhecendo padrões e conexões possíveis e prováveis para concluir uma tarefa.
E é através do reconhecimento de padrões desses dados que uma ferramenta de inteligência artificial aprende qual é a melhor resposta a uma solicitação. Não é preciso mostrar ao sistema como chegar à resposta, não precisa dar um passo-a-passo. Por isso que quanto mais dados disponíveis que servem de fonte de informação, melhor e mais rápido o sistema vai reconhecer a ocorrência de padrões e possibilidades para atender a uma determinada solicitação. Ou seja, a IA tem um objetivo, tem dados, e ela “decide” como concluir a tarefa.
Portanto, uma inteligência artificial pode ou não ter machine learning (aprendizado de máquina): pode seguir regras restritas de execução ou pode, através de dados, reconhecer como executar melhor sua função.
Quando conseguimos reconhecer as regras desse aprendizado de máquina chamamos de algoritmos simbólicos, que são mais utilizados como um raciocínio humano lógico, é um caminho claro e explícito para chegar a uma conclusão. Tipo isso: Se A = B e B = C, podemos dizer que A = C. Percebe que o processo para a conclusão é bem claro?
Quando as regras não são explícitas, chamamos de redes neurais (falaremos mais disso já já), que tratam-se de processos complexos que simulam como os nossos processos mentais funcionam. É aquele caso em que chegamos a uma conclusão, mas nem sempre temos o caminho claro de como chegamos a essa conclusão. Um exemplo: Como sabemos o que é um cachorro? Porque vimos muitos cachorros, mas não sabemos como, quando e onde. É assim na máquina. Ela sabe algo porque tem muitos dados de onde ela extraiu os padrões.
5. Deep Learning
Deep Learning é um subconjunto do machine learning (aprendizado de máquina), onde em vez de uma camada de rede neural, – que já é complexa -, acrescentamos muitas camadas de redes neurais, ou seja, o aprendizado fica mais profundo. Tem muito mais dados, muito mais parâmetros, logo, muito mais capacidade de aprendizado e, consequentemente, muito mais capacidade de execução.
Aliás, você viu que já tem tem máquina aprendendo com máquina? Clica aqui!
6. Redes neurais
Calma que não tem nenhum neurônio humano dentro de uma máquina! Não é bem como a mente humana. Esse nome é porque nos softwares de IA os processos cognitivos humanos, ou seja, as maneiras como a gente reconhece e interpreta o mundo, são simulados de forma sintética, o que quer dizer, de forma artificial.
É difícil saber de que forma reconhecemos padrões e fazemos as conexões que nos permitem aprender, certo? É exatamente assim que acontece com a IA, e é por isso que não fica muito claro qual é o passo-a-passo para que determinada solicitação seja atendida.
A tão falada IA Generativa usa redes neurais para aprender a partir dos dados e para gerar seus resultados e até para ir melhorando seus resultados. Mais isso é assunto pra outra hora… (se quiser saber mais, manda um salve pra gente!)
7. Caixa-preta
Esse é um jargão usado na comunidade da tecnologia que a gente vive ouvindo por aí. Esse termo se refere a um um sistema cujos mecanismos internos não são conhecidos ou acessíveis ao usuário ou ao observador, como é o caso das redes neurais. Damos a entrada (input) para a ferramenta de IA e ela dá a saída (output), e é isso que fica claro, mas não conseguimos compreender como essa entrada é transformada na saída. Por isso o nome “caixa-preta”.
Mas tem um detalhe: Alguns cientistas afirmam que a “caixa-preta” não está necessariamente no processo de execução de uma tarefa, porque dizem que, diante de um erro da IA, é possível acessar o sistema e ver onde está esse erro. A dificuldade então estaria nos dados, porque fica difícil prever todas as possibilidades que não são contempladas pelos dados que damos à maquina. Por exemplo, você mostra o que é um cachorro e o que é um gato, a máquina aprende o que é um e outro, mas se você não mostrar o que é um sapo, ela não vai saber o que é um sapo. A máquina só aprende o que está nos dados.
Outra hipótese é que a caixa-preta poderia estar na função matemática da IA que determina o quanto ela está certa ou errada. A esta função dá-se o nome de “função de perda” (loss function), que diz o quanto a máquina erra ou acerta, e ela vai executar seus processos sempre visando minimizar a função de erro para otimizar seu resultado. Mas o que acontece é: como identificar a intensidade de um erro com as questões mais abstratas até para os humanos? Como saber qual erro da máquina é aceitável ou não? Logo, como colocar de uma forma quantificável os aspectos éticos?
…Como dissemos, não existe consenso sobre como exatamente devemos definir o que é caixa-preta. Aqui estamos te contando as possibilidades, conforme vamos acompanhando e aprendendo o desenrolar de tudo…
8. Tipos de dados usados pela inteligência artificial
Podemos dizer que existem muitas categorias de dados que a inteligência artificial pode usar: temporais, espaciais, climáticos, geográficos… muitos mesmo!
Mas de uma forma bem genérica e abrangente, podemos propor uma segmentação mais simples: Dados estruturados e dados não-estruturados.
- Dados estruturados: São aqueles fáceis de manipular, que você veria em uma planilha de Excel. São como se fossem dados de uma tabela, onde cada coluna representa uma variável ou característica distinta, enquanto cada linha representa um registro ou uma observação individual.
- Dados não-estuturados: São aqueles que não têm uma estrutura pré-definida, como textos, imagens, vídeos, áudio, etc. E daí a maior dificuldade de lidar com eles.
9. LLM (Large Language Model)
Em português, algo como “grande modelo de linguagem”. Este modelo de linguagem é chamado assim porque é capaz de compreender a complexidade da linguagem humana que, diferente de códigos computacionais, apresenta uma complexa rede sintática e semântica, de construção de palavras, frases e sentidos.
Por essa capacidade de compreender, interpretar e gerar respostas na nossa linguagem natural (nossa escrita, nossa fala), as possibilidades de absorção e interpretação de dados, e consequente geração de saídas (outputs) se tornam muito maiores, ampliando e muito a capacidade de aprendizado e otimização de resultados.
10. Alunicação
Essa palavrinha que soa tão familiar a nós, é usada no contexto da inteligência artificial, principalmente do tipo generativa, de uma maneira específica.
Lembra que comentamos que é muito difícil prever todas as possibilidades oferecidas pelos dados? Pois é. São fornecidas quantidades gigantescas de dados, e bilhões (ou será que já são trilhões?) de processos para interpretá-los e gerar resultados são possíveis, mas existem as lacunas que os dados deixam.
Tudo que a ferramenta faz se restringe às possibilidades que vêm dos dados que são disponibilizados a ela, logo, se ela não tiver nenhuma informação para preencher a lacuna, ela vai preencher de alguma maneira, a partir dos dados disponíveis, criando algo que não existia, porque ela é programada para gerar alguma coisa, seja o que for. Essa é a prioridade: gerar um output, e é a isso que ela vai buscar atender de todo jeito.
Pegando aquele exemplo que falamos: se damos dados para que o software inteligente saiba o que é um cachorro e o que é um gato, mas não damos dados sobre um sapo, no caso da IA Generativa, ela pode inventar um sapo, baseado em outras coisas que não as características do animal sapo, já que não demos essas informações a ela. Isso é bem mais sutil, portanto mais perigoso, em textos, claro. Mas experimente dar um nome próprio para uma ferramenta generativa de imagens… Ela pode não saber quem é “Tibúrcio”, mas ela vai inventar um!
Tá bom, tá bom… Chega de inteligência artificial por hoje!
Para não ficar muito chato, vamos parando por aqui…rs. Só uma coisinha que pode ser bastante útil! 😬
Se você quiser saber de uma forma bem rápida qual a diferença entre IA, machine learning (aprendizado de máquina) e deep learning, dá uma olhada nesse videozinho aqui pode ajudar.
Clica AQUI ou na imagem para assistir!
Esses são só alguns conceitos que podem ajudar, só um pedacinho da coisa toda! Na verdade, talvez seja impossível contemplar tudo sobre inteligência artificial, já que esse treco tem novidade todo dia, né?
Que tal trocarmos uma ideia?
Vai lá nas nossas redes sociais e conta pra gente o que você achou desse conteúdo, se foi útil e se gostaria de ver mais. No LinkedIn, no Instagram, no Threads, no Twitter, no Tik Tok… onde quiser! E claro, se tiver alguma dúvida, manda também que, se soubermos responder, respondemos e se não soubermos, vamos achar alguém que sabe!
Cola lá! 👽
