Introdução à inteligência artificial

Esta página foi traduzida automaticamente do inglês e pode estar desatualizada. Leia o original

Inteligência artificial é um nome amplo para softwares que executam tarefas que normalmente associamos ao julgamento humano: entender uma frase, reconhecer um rosto, decidir o próximo movimento em um jogo ou escrever um e‑mail. O nome é antigo — foi cunhado em 1956 — mas o que as pessoas entendem por ele mudou várias vezes. Esta unidade fornece o significado atual e o vocabulário usado ao longo do Learn.

Regras versus aprendizado #

Software comum segue regras que uma pessoa escreveu. Uma planilha soma números porque alguém programou a adição. Um aplicativo bancário bloqueia uma transferência porque um desenvolvedor escreveu se o saldo for menor que o valor, recusar. O comportamento é totalmente especificado antecipadamente.

A maior parte do que hoje se chama IA funciona de forma diferente: ninguém escreve as regras. Em vez disso, o sistema recebe um número muito grande de exemplos e se ajusta até que suas respostas correspondam aos exemplos. Dizemos que o sistema foi treinado, e o resultado é um modelo.

Programa tradicional

A pessoa escreve cada regra.

O comportamento é previsível e fácil de explicar.

Falha em tudo que as regras não previram.

Exemplo: um validador de faturas que verifica campos obrigatórios.

Modelo treinado

O sistema infere padrões a partir de exemplos.

O comportamento é estatístico; pode ser surpreendente.

Lida com variações que nunca viu, dentro dos limites.

Exemplo: um modelo que lê qualquer layout de fatura e extrai o total.

Nenhuma abordagem é melhor em geral. Regras vencem quando a tarefa é precisa e o custo do erro é alto; modelos aprendidos vencem quando a entrada é bagunçada, variada ou expressa em linguagem humana.

Uma história curta #

1950s

O nome e os primeiros programas

Alan Turing pergunta se máquinas podem pensar. O termo inteligência artificial foi cunhado em um workshop em Dartmouth em 1956. Programas iniciais provam teoremas e jogam damas usando regras escritas à mão.
1980s

Sistemas especialistas

Empresas codificam o conhecimento de especialistas como milhares de regras se-então. Os sistemas funcionam em áreas restritas, mas são caros de manter e frágeis fora delas.
1990s–2000s

Aprendizado de máquina se torna prático

Em vez de escrever regras, pesquisadores treinam modelos estatísticos com dados. Filtros de spam, recomendações de produtos e pontuação de crédito se tornam aplicações cotidianas.
2012

Aprendizado profundo

Redes neurais com muitas camadas, treinadas em processadores gráficos, vencem concursos de reconhecimento de imagens por larga margem. Reconhecimento de fala e tradução melhoram rapidamente.
2017

O transformador

Um novo design de rede torna prático treinar com enormes quantidades de texto. Torna‑se a base da maioria dos modelos de linguagem grandes amplamente usados.
2022 onwards

Modelos conversacionais e agentes

Modelos que geram texto fluente ficam disponíveis ao público. Desenvolvedores começam a conectá‑los a ferramentas, documentos e outros sistemas, e a palavra agente entra no vocabulário cotidiano.

O vocabulário e como ele se encaixa #

Os termos que você ouve com mais frequência não são concorrentes. Os três primeiros são campos aninhados, cada um uma parte mais estreita do anterior:

Inteligência artificial Aprendizado de máquina Aprendizado profundo

Os dois últimos não são campos, mas coisas que você constrói. Um modelo de linguagem grande é um produto do aprendizado profundo, e um agente é um sistema construído ao redor de tal modelo:

Modelo de aprendizado profundo Modelo de linguagem grande Agente

Artificial intelligence

O campo inteiro: qualquer técnica que permite que o software faça algo que parece requerer inteligência, com ou sem aprendizado.

Machine learning

O subconjunto onde o comportamento é aprendido a partir de exemplos, em vez de programado.

Deep learning

Aprendizado de máquina feito com grandes redes neurais: muitas camadas de operações numéricas simples ajustadas em conjunto.

Language models

Modelos treinados em texto para prever a próxima palavra. Pequenos já existiam muito antes do aprendizado profundo; os grandes por trás dos assistentes de chat de hoje (LLMs) são modelos de aprendizado profundo.

Agents

Não é um tipo de modelo, mas um sistema: um modelo de linguagem encapsulado com instruções, memória, conhecimento e ferramentas para que possa executar tarefas, não apenas responder.

O que um modelo de linguagem realmente faz #

Um modelo de linguagem faz uma coisa: dado um texto, ele estima qual trecho de texto provavelmente virá a seguir. Ele faz isso repetidamente, um pequeno trecho de cada vez, até produzir uma resposta completa. Esses pequenos trechos são chamados de tokens — aproximadamente uma palavra curta ou parte de uma palavra.

Experimente: como o texto se torna tokens

Os modelos nunca veem letras ou palavras. Eles veem uma sequência de peças numeradas. Esta demonstração simplificada divide o texto da forma que um modelo faria aproximadamente; tokenizadores reais diferem nos detalhes, mas a ideia é a mesma.

Duas consequências decorrem de prever o próximo token e explicam a maior parte do que parece estranho na IA:

O modelo não tem noção de verdade. Ele produz o que é plausível com base em seu treinamento, que geralmente está correto e às vezes está confiantemente errado. A indústria chama o caso errado de alucinação; uma palavra melhor é confabulação.
O modelo não se lembra de você. Cada requisição começa do zero. Tudo que ele deveria saber sobre a conversa deve ser enviado novamente a cada mensagem. Unidades posteriores explicam como memória e conhecimento são construídos sobre essa limitação.

Experimente: a próxima palavra é um sorteio, não uma busca

O modelo atribui uma probabilidade a cada token candidato e então sorteia um. Uma configuração chamada temperatura achata ou aguça a distribuição. Mova o controle deslizante e sorteie algumas vezes.

No que a IA de hoje é boa #

Ajuste típico de modelos de linguagem por tarefa (ilustrativo)

Resumir texto 9/10

Redação e reescrita 9/10

Classificação e extração 8/10

Responder a partir de documentos fornecidos 8/10

Planejamento de múltiplas etapas com ferramentas 6/10

Aritmética exata sem ferramentas 3/10

Conhecer fatos recentes ou privados 2/10

Essas pontuações são um recurso didático, não um benchmark. As duas linhas mais fracas são exatamente o que ferramentas e conhecimento, abordados no módulo de Agentes, foram criados para corrigir.

Modelos de linguagem são excelentes em tarefas cuja resposta está escrita na entrada ou que são comuns em texto humano: resumir, traduzir, reformular, extrair campos, classificar e redigir. Eles são fracos em tudo que requer cálculo preciso, fatos atualizados ou informações que apenas sua empresa possui. Agentes existem para compensar exatamente essas fraquezas.

Por que a palavra agente importa agora #

Até recentemente, usar um modelo significava digitar uma pergunta e ler uma resposta. Um agente mantém o modelo no centro, mas lhe fornece:

Instruções

Um papel escrito, metas e limites — para que o modelo serve e como deve se comportar.
Contexto

A conversa até agora, quem é o usuário e quaisquer fatos que o modelo deve levar em conta.
Conhecimento

Documentos que o modelo pode pesquisar como evidência antes de responder. Isso reduz a adivinhação ao invés de terminá‑la: a busca pode perder a passagem correta, e o modelo ainda pode interpretar erroneamente o que encontra.
Ferramentas

Ações que pode solicitar — buscar um pedido, enviar um e‑mail, criar um ticket — executadas por software comum.
Barreiras

Verificações que o mantêm no tópico, seguro e em conformidade, e encaminham a um humano quando necessário.

O próximo módulo constrói exatamente isso, um pedaço de cada vez, começando com Introdução a agentes de IA.

Verifique seu conhecimento

Qual frase descreve melhor como um modelo de linguagem produz uma resposta?

Ele procura a resposta correta em um banco de fatos Ele prevê o próximo token mais provável, um pedaço de cada vez, baseado em padrões aprendidos a partir do texto Ele segue regras escritas por seus desenvolvedores para cada pergunta possível