Inteligência artificial, ou IA, é um termo muito utilizado atualmente. Seja em um smartphone com Androidem, um serviço de streaming que recomenda seu próximo filme ou uma plataforma de música que cria automaticamente uma lista de reprodução – parece que a IA está simplesmente em toda parte. Mas como evoluiu a definição de IA e o que realmente significam alguns dos termos técnicos de IA?
O que exatamente é IA?
Historicamente, a IA referia-se à inteligência de nível humano alcançada artificialmente através de máquinas. No entanto, o termo mudou ligeiramente o seu significado original ao longo dos anos e agora é frequentemente usado como um termo amplo de marketing, entre outras coisas. Hoje, quase tudo que mostra sinais de inteligência, desde recomendações de comércio eletrônico até sistemas de reconhecimento de voz, é chamado de IA. No entanto, vários outros termos e abreviações estão associados à inteligência artificial. Vamos esclarecer os mais comuns.
Você pode estar interessado em
Aprendizado de máquina (ML – mac(aprendizagem on-line)
O aprendizado de máquina é uma subcategoria da IA na qual os sistemas aprendem com dados e experiência para tomar decisões ou realizar diversas ações – por exemplo, se você alimentar um algoritmo com milhares de fotos de gatos, ele aprenderá a identificar um gato. Você pode então fornecer fotos de gatos, cachorros e outros animais. O sistema deverá então ser capaz de selecionar fotos de gatos com base no que “aprendeu”. Esse processo de aprendizagem envolve duas fases principais: treinamento e derivação, o que nos leva aos próximos termos.
Treinamento
A fase de treinamento é um longo estágio de aprendizado de máquina, onde o sistema recebe uma enorme quantidade de dados para aprender – por exemplo, as fotos de gatos mencionadas anteriormente. No entanto, os dados usados podem ser itens específicos, como flores, ou incluir amostras maiores, como toda a internet. Treinar sistemas modernos de IA como ChatGPT pode custar milhões e exigir enormes recursos de computação.
Você pode estar interessado em
Derivação
Após o treinamento, o sistema aplica o conhecimento adquirido aos novos dados. Esta fase é onde ocorre a entrada do usuário final e a integração direta com a IA. Por exemplo, agora que o sistema sabe o que é um gato, podemos dar a ele uma foto dele e ele o identificará. Perguntar chatBots do Google Gemini ou Microsoft Pergunte ao copiloto qual é a capital da Inglaterra e eles lhe darão a resposta. Nesta fase, o sistema se baseia em seu conhecimento estabelecido. Esta fase requer significativamente menos poder de computação.
Inteligência Geral Artificial (AGI)
AGI refere-se a máquinas com inteligência de nível humano, capazes de tomar decisões, planejar e compreender o mundo em um contexto mais amplo. Ao contrário dos atuais sistemas de IA, a AGI teria uma compreensão e consciência mais profundas, semelhante ao que vemos na ficção científica. Embora AGI ainda seja a música de um futuro distante, já que decifrar esse código exigiria muitas questões técnicas, filosóficas e morais, é uma área significativa de pesquisa.
Você pode estar interessado em
IA generativa
Tradicionalmente, a IA se destacou em classificação e reconhecimento, mas a IA generativa vai além dessas ideias e cria novos conteúdos, como textos, imagens e música. Esse avanço revolucionário abriu novas possibilidades na IA, permitindo que os sistemas gerassem resultados criativos com base em dados de entrada. Esta forma de IA também traz os benefícios mais tangíveis para os usuários comuns, especialmente se você já usou ChatGPT para criar um e-mail ou Midjourney para gerar uma imagem de um gato.
Redes Neurais
As redes neurais são os blocos de construção básicos e a espinha dorsal da IA moderna. Eles existem há décadas e são modelados a partir do cérebro humano. Eles consistem em neurônios interconectados que processam dados através de diferentes camadas, o que, em última análise, produz uma saída. Treinar uma rede neural envolve ajustar as conexões entre os neurônios para melhorar a precisão.
Redes de transformação
Um tipo especial de rede neural, a rede de transformação, permitiu o desenvolvimento de grandes modelos de linguagem (LLMs), como ChatGPT. Essas redes são excelentes para entender contexto e relacionamentos em dados, o que as torna ideais para tarefas de processamento de linguagem.
Modelos de Grandes Linguagens (LLM)
Quando redes neurais, transformadores e treinamento para uma rede neural muito grande são combinados, grandes modelos de linguagem nascem. Os chamados LLMs são treinados em grandes quantidades de dados de texto, o que lhes permite gerar respostas semelhantes às humanas. Um exemplo poderia ser ChatGPT, Claude, LLaMA e Grok. Esses modelos funcionam prevendo a próxima palavra em uma sequência e produzindo resultados coerentes e contextualmente relevantes. No entanto, essa natureza preditiva pode levar a problemas como alucinações, em que o modelo gera informações plausíveis, mas incorretas.macE. E o que são essas alucinações?
Alucinação
As chamadas alucinações ocorrem quando a IA gera informações incorretas devido à sua dependência de modelos preditivos.mace. Este é um desafio significativo para os LLMs porque eles podem produzir resultados convincentes, mas falsos. Um exemplo clássico de alucinação pode ser uma recomendação de supercola ou pistola de cola quente com base em uma pergunta sobre como evitar que o queijo escorregue da pizza.
Parâmetros e tamanho do modelo
A eficácia dos modelos de IA é frequentemente medida por seus parâmetros gerais, que representam as conexões em uma rede neural. Modelos maiores com mais parâmetros geralmente têm melhor desempenho, mas exigem mais recursos. Modelos menores são teoricamente menos precisos, mas podem ser executados em hardware mais econômico. Por exemplo, um enorme cloudO novo modelo LLaMA 3.1 tem 405 bilhões de parâmetros, enquanto os modelos que rodam nativamente em smartphones consistem em apenas alguns bilhões de parâmetros.
Modelos de difusão
Modelos de difusão são modelos usados para gerar imagens, modelos de difusão invertem o processo de adição de ruído às imagens durante o treinamento. Isto permite-lhes criar novas imagens a partir de ruído aleatório, guiadas por padrões aprendidos.
Fotogalerie
Geração Aumentada de Recuperação (RAG)
RAG combina IA generativa com fontes de dados externas para produzir resultados precisos e contextualmente relevantes. Ao baixar dados adicionais, esses modelos podem melhorar seus resultados, tornando-os mais confiáveis e úteis.
