A inteligência artificial (IA) é uma tecnologia que permite que computadores e máquinas simulem a aprendizagem, a compreensão, a resolução de problemas, a tomada de decisões, a criatividade e a autonomia humanas.

Aplicações e dispositivos equipados com IA conseguem ver e identificar objetos. Podem compreender e responder à linguagem humana. Podem aprender com novas informações e experiências. Podem fazer recomendações detalhadas a utilizadores e especialistas. Podem agir de forma independente, substituindo a necessidade de inteligência ou intervenção humana (um exemplo clássico é o carro autónomo).

Mas, em 2024, a maioria dos pesquisadores e profissionais de IA, bem como as principais notícias sobre IA, estão focados em avanços na IA generativa (IA gen), uma tecnologia capaz de criar textos, humanizar texto IA, imagens, vídeos e outros conteúdos originais. Para compreender plenamente a IA generativa, é fundamental primeiro entender as tecnologias que a sustentam: aprendizado de máquina (ML) e aprendizado profundo.

Aprendizado de máquina

Uma maneira simples de pensar em IA é como uma série de conceitos alinhados ou derivados que surgiram ao longo de mais de 70 anos:

Como a inteligência artificial, o aprendizado de máquina, o aprendizado profundo e a IA generativa estão relacionados.

Logo abaixo da IA, temos o aprendizado de máquina, que envolve a criação de modelos treinando um algoritmo para fazer previsões ou tomar decisões com base em dados. Abrange uma vasta biblioteca de técnicas que permitem aos computadores aprender com os dados e fazer inferências com base neles, sem serem explicitamente programados para tarefas específicas.

Existem muitos tipos de técnicas ou algoritmos de aprendizado de máquina, incluindo regressão linear,  regressão logística, máquinas de vetores de suporte  (SVMs) e muito mais. Cada uma dessas abordagens é adequada para diferentes tipos de problemas e dados.

Mas um dos tipos mais populares de algoritmo de aprendizado de máquina é chamado de rede neural (ou rede neural artificial). As redes neurais são modeladas a partir da estrutura e função do cérebro humano. Uma rede neural consiste em camadas interconectadas de nós (análogos aos neurônios) que trabalham juntos para processar e analisar dados complexos. As redes neurais são muito adequadas para tarefas que envolvem a identificação de padrões e relações complexas em grandes quantidades de dados.

A forma mais simples de aprendizado de máquina é chamada de aprendizado supervisionado, que envolve o uso de conjuntos de dados rotulados para treinar algoritmos a classificar dados ou prever resultados com precisão. No aprendizado supervisionado, os humanos associam cada exemplo de treinamento a um rótulo de saída. O objetivo é que o modelo aprenda a relação entre entradas e saídas nos dados de treinamento, para que possa prever os rótulos de novos dados não vistos.

Máquina de Inteligência Artificial Aprendizado

A aprendizagem profunda é um subconjunto da aprendizagem de máquina que utiliza redes neurais multicamadas, chamadas redes neurais profundas, que simulam mais de perto o complexo poder de tomada de decisão do cérebro humano.

As redes neurais profundas incluem uma camada de entrada, pelo menos três, mas geralmente centenas de camadas ocultas, e uma camada de saída, diferentemente das redes neurais usadas em modelos clássicos de aprendizado de máquina, que geralmente têm apenas uma ou duas camadas ocultas. Essas múltiplas camadas possibilitam o aprendizado não supervisionado: elas podem automatizar a extração de características de grandes conjuntos de dados não rotulados e não estruturados, e fazer suas próprias previsões sobre o que os dados representam.

Como o aprendizado profundo não requer intervenção humana, ele possibilita o aprendizado de máquina em uma escala gigantesca. É ideal para processamento de linguagem natural (PLN), visão computacional e outras tarefas que envolvem a identificação rápida e precisa de padrões e relações complexas em grandes quantidades de dados. Alguma forma de aprendizado profundo impulsiona a maioria das aplicações de inteligência artificial (IA) em nossas vidas hoje. Em uma rede neural profunda, múltiplas camadas de nós podem extrair significado e relações de grandes volumes de dados não estruturados e não rotulados.

A aprendizagem profunda também possibilita:

Aprendizado semi supervisionado, que combina aprendizado supervisionado e não supervisionado, utilizando dados rotulados e não rotulados para treinar modelos de IA para tarefas de classificação e regressão.

A aprendizagem auto supervisionada gera rótulos implícitos a partir de dados não estruturados, em vez de depender de conjuntos de dados rotulados para obter sinais de supervisão. Aprendizagem por reforço, que aprende por tentativa e erro e funções de recompensa, em vez de extrair informações de padrões ocultos.

Aprendizagem por transferência, na qual o conhecimento adquirido por meio de uma tarefa ou conjunto de dados é usado para melhorar o desempenho do modelo em outra tarefa relacionada ou conjunto de dados diferente.

IA generativa

A IA generativa, também chamada de “IA Gen”, refere-se a modelos de aprendizado profundo que podem criar conteúdo original complexo, como textos longos, imagens de alta qualidade, vídeos ou áudios realistas e muito mais, em resposta a um comando ou solicitação do usuário.

Em linhas gerais, os modelos generativos codificam uma representação simplificada de seus dados de treinamento e, em seguida, utilizam essa representação para criar novos trabalhos que são semelhantes, mas não idênticos aos dados originais.

Os modelos generativos têm sido usados há anos em estatística para analisar dados numéricos. Mas, na última década, eles evoluíram para analisar e gerar tipos de dados mais complexos.