O que é inteligência artificial (IA)?

Aplicações e dispositivos equipados com IA podem ver e identificar objetos. Podem entender e responder à linguagem humana. São capazes de aprender com novas informações e experiências. Podem fazer recomendações detalhadas para usuários e especialistas. Podem agir de forma independente, substituindo a necessidade de inteligência ou intervenção humana (um exemplo clássico é um carro autônomo).

Mas em 2024, a maioria dos pesquisadores, profissionais de IA e a maioria das manchetes relacionadas a IA estão focados em avanços em IA generativa (IA gen), uma tecnologia que pode criar texto, imagens, vídeo e outros conteúdos originais. Para entender completamente a IA generativa, é importante primeiro entender as tecnologias sobre as quais as ferramentas de IA generativa são construídas: aprendizado de máquina (ML) e deep learning.

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

Diretamente abaixo da IA, temos o aprendizado de máquina, que envolve a criação de modelos ao treinar um algoritmo para fazer previsões ou tomar decisões com base em dados. Ele abrange uma ampla gama de técnicas que permitem aos computadores aprender e fazer inferências com base nos dados sem serem explicitamente programados para tarefas específicas.

Existem muitos tipos de técnicas ou algoritmos de aprendizado de máquina, incluindo regressão linear, regressão logística, árvores de decisão, floresta aleatória, máquinas de vetores de suporte (SVMs), k vizinhos mais próximos (KNN), agrupamento 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 de acordo com a estrutura e função do cérebro humano. Uma rede neural consiste em camadas interconectadas de nós (análogos aos neurônios) que trabalham juntas para processar e analisar dados complexos. As redes neurais são adequadas para tarefas que envolvem a identificação de padrões complexos e relacionamentos 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 para classificar dados ou prever resultados com precisão. No aprendizado supervisionado, seres humanos emparelham cada exemplo de treinamento com um rótulo de saída. O objetivo é que o modelo aprenda o mapeamento entre entradas e saídas nos dados de treinamento, para que possa prever os rótulos de novos dados não vistos.

O deep learning é um subconjunto do aprendizado de máquina que usa redes neurais multicamadas, chamadas de redes neurais profundas, que simulam de forma mais próxima 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, ao contrário das redes neurais usadas em modelos clássicos de aprendizado de máquina, que geralmente têm apenas uma ou duas camadas ocultas.

Essas múltiplas camadas permitem o aprendizado não supervisionado: elas podem automatizar a extração de funcionalidades de conjuntos de dados grandes, não rotulados e não estruturados e fazer suas próprias previsões sobre o que os dados representam.

Como o deep learning não exige intervenção humana, ele permite o aprendizado de máquina em uma escala impressionante. É adequado para processamento de linguagem natural (NLP), computer vision e outras tarefas que envolvem a identificação rápida e precisa de padrões e relacionamentos complexos em grandes quantidades de dados. Alguma forma de deep learning impulsiona a maioria das aplicações de inteligência artificial (IA) em nossas vidas hoje em dia.

O deep learning também permite:

• Aprendizado semissupervisionado, que combina aprendizado supervisionado e não supervisionado usando dados rotulados e não rotulados para treinar modelos de IA para tarefas de classificação e regressão.
  
  
• Aprendizado autossupervisionado, que gera rótulos implícitos a partir de dados não estruturados, em vez de depender de conjuntos de dados rotulados para sinais de supervisão.
  
  
• Aprendizado por reforço, que aprende por tentativa e erro e funções de recompensa em vez de extrair informações de padrões ocultos.
  
  
• Aprendizado por transferência, no qual o conhecimento obtido por meio de uma tarefa ou conjunto de dados é usado para melhorar o desempenho do modelo em outra tarefa relacionada ou em um conjunto de dados diferente.

IA generativa, às vezes chamada de "IA gen", refere-se a modelos de deep learning que podem criar conteúdo original complexo, como texto longo, imagens de alta qualidade, vídeo ou áudio realista e muito mais, em resposta a um prompt ou solicitação do usuário.

Em um nível elevado, os modelos generativos codificam uma representação simplificada dos seus dados de treinamento e, em seguida, extraem desta representação para criar um novo trabalho semelhante, mas não idêntico, aos dados originais.

Os modelos generativos têm sido utilizados há anos em estatísticas para analisar dados numéricos. Mas, durante a última década, eles evoluíram para analisar e gerar tipos de dados mais complexos. Essa evolução coincidiu com o surgimento de três tipos sofisticados de modelos de deep learning:

• Autocodificadores variacionais ou VAEs, que foram lançados em 2013, e permitiram modelos que poderiam gerar múltiplas variações de conteúdo em resposta a um prompt ou instrução.
  
  
• Modelos de difusão, vistos pela primeira vez em 2014, que adicionam "ruído" às imagens até que fiquem irreconhecíveis e, em seguida, removem o ruído para gerar imagens originais em resposta a prompts.
  
  
• Transformadores (também chamados de modelos de transformador), que são treinados em dados sequenciados para gerar sequências estendidas de conteúdo (como palavras em frases, formas em uma imagem, quadros de um vídeo ou comandos em código de software). Os transformadores estão no centro da maioria das ferramentas de IA generativa que estão nas manchetes atualmente, incluindo o ChatGPT e GPT-4, Copilot, BERT, Bard e Midjourney.

Em geral, a IA gerativa opera em três fases:

1. Treinamento, para criar um modelo de base.
2. Ajuste, para adaptar o modelo a uma aplicação específica.
3. Geração, avaliação e mais ajuste, para aprimorar a precisão.
   

A IA generativa começa com um "modelo de base"; um modelo de deep learning que serve de base para vários tipos diferentes de aplicações de IA generativa.

Os modelos de base mais comuns atualmente são grandes modelos de linguagem (LLMs), criados para aplicações de geração de texto. Mas há também modelos de base para geração de imagens, vídeo, som ou música, e modelos de base multimodais compatíveis com vários tipos de conteúdo.

Para criar um modelo de base, os profissionais treinam um algoritmo de deep learning em grandes volumes de dados brutos, não estruturados e não rotulados relevantes, como terabytes ou petabytes de dados de texto, imagens ou vídeos da Internet. O treinamento gera uma rede neural de bilhões de parâmetros (representações codificadas das entidades, padrões e relacionamentos nos dados), que podem gerar conteúdo de forma autônoma em resposta a prompts. Esse é o modelo de base.

Esse processo de treinamento é intensivo em computação, demorado e caro. Requer milhares de unidades de processamento gráfico em clusters (GPUs) e semanas de processamento, o que geralmente custa milhões de dólares. Projetos de modelos de base de código aberto, como o Llama-2 da Meta, permitem que os desenvolvedores de IA generativa evitem essa etapa e seus custos.

Em seguida, o modelo deve ser ajustado para uma tarefa específica de geração de conteúdo. Isso pode ser feito de várias maneiras, incluindo:

• Ajuste fino, que envolve alimentar o modelo com dados rotulados específicos da aplicação, perguntas ou prompts que a aplicação provavelmente receberá, e as respostas corretas correspondentes no formato desejado.
  
  
• Aprendizado por reforço com feedback humano (RLHF), no qual os usuários humanos avaliam a precisão ou a relevância dos outputs do modelo para que o modelo possa se aprimorar. Isso pode ser tão simples quanto fazer com que as pessoas digitem ou falem as correções para um chatbot ou assistente virtual.

Desenvolvedores e usuários avaliam regularmente as produções de seus aplicativos de IA generativa e ajustam ainda mais o modelo, até uma vez por semana, para obter maior precisão ou relevância. Ao contrário, o modelo de base em si é atualizado muito menos frequentemente, talvez a cada ano ou 18 meses.

Outra opção para melhorar o desempenho de um aplicativo de IA generativa é a geração aumentada de recuperação (RAG), uma técnica para estender o modelo de base para usar fontes relevantes fora dos dados de treinamento a fim de refinar os parâmetros para maior precisão ou relevância.

Um agente de IA é um programa de IA autônomo. Ele pode realizar tarefas e atingir metas em nome de um usuário ou de outro sistema sem intervenção humana, projetando seu próprio fluxo de trabalho e usando as ferramentas disponíveis (outras aplicações ou serviços).

A IA agêntica é um sistema de múltiplos agentes de IA, cujos esforços são coordenados, ou orquestrados, para realizar uma tarefa mais complexa ou um objetivo maior do que qualquer agente único no sistema poderia alcançar.

Ao contrário dos chatbots e outros modelos de IA, que operam dentro de restrições predefinidas e requerem intervenção humana, os agentes de IA e a IA agêntica exibem autonomia, comportamento orientado por objetivos e adaptabilidade a circunstâncias em mudança. Os termos "agente" e "agêntico" se referem à agência desses modelos ou à capacidade deles de agir de forma independente e proposital.

Uma forma de pensar nos agentes é como uma próxima etapa natural após a IA generativa. Os modelos de IA generativa se concentram na criação de conteúdo com base em padrões aprendidos; os agentes usam esse conteúdo para interagir uns com os outros e com outras ferramentas para tomar decisões, resolver problemas e concluir tarefas. Por exemplo, um aplicativo de IA generativa pode ser capaz de informar o melhor momento para escalar o Monte Everest considerando seu horário de trabalho, mas um agente pode lhe dizer isso e, em seguida, usar um serviço de viagens online para reservar o melhor voo e um quarto no hotel mais conveniente no Nepal.

A IA oferece vários benefícios em vários setores e aplicações. Alguns dos benefícios mais comumente citados incluem:

• Automação de tarefas repetitivas.
• Insights mais rápidos e completos a partir dos seus dados.
  
• Tomada de decisão aprimorada.
  
• Menos erros humanos.
• Disponibilidade 24 horas por dia, 7 dias por semana.
• Riscos físicos reduzidos.

A IA pode automatizar tarefas rotineiras, repetitivas e muitas vezes tediosas, incluindo tarefas digitais, como coleta, entrada e pré-processamento de dados, e tarefas físicas, como separação de estoque em armazéns e processos de fabricação. Essa automação libera você para trabalhar em tarefas mais criativas e de maior valor.

Quer seja usada para suporte à decisão ou para tomada de decisão totalmente automatizada, a IA permite previsões mais rápidas e precisas, além de decisões confiáveis baseadas em dados. Combinada com a automação, a IA permite que as empresas aproveitem as oportunidades e respondam às crises à medida que elas surgem, em tempo real e sem intervenção humana.

A IA pode reduzir os erros humanos de várias maneiras, desde a orientação das pessoas através das etapas adequadas de um processo até a sinalização de possíveis erros antes que eles ocorram e a automatização completa dos processos sem intervenção humana. Isso é especialmente importante em setores como o de saúde, onde, por exemplo, a robótica cirúrgica guiada por IA permite uma precisão consistente.

Os algoritmos de aprendizado de máquina podem melhorar continuamente sua precisão e reduzir ainda mais os erros à medida que são expostos a mais dados e "aprendem" com a experiência.

A IA está sempre ativa, disponível 24 horas por dia e oferece sempre um desempenho consistente. Ferramentas como chatbots IA ou assistentes virtuais podem reduzir a demanda de pessoal para atendimento ou suporte ao cliente. Em outras aplicações, como processamento de materiais ou linhas de produção, a IA pode ajudar a manter a qualidade do trabalho e os níveis de produção consistentes quando usada para concluir tarefas repetitivas ou tediosas.

Ao automatizar trabalhos perigosos, como controle de animais, manuseio de explosivos, execução de tarefas em águas profundas do oceano, em grandes altitudes ou no espaço sideral, a IA pode eliminar a necessidade de colocar trabalhadores humanos em risco de ferimentos ou algo pior. Embora ainda não tenham sido aperfeiçoados, os carros autônomos e outros veículos oferecem o potencial de reduzir o risco de ferimentos aos passageiros.

As aplicações da IA no mundo real são muitas. Aqui está apenas uma pequena amostra de casos de uso em vários setores para ilustrar seu potencial:

As empresas podem implementar chatbots e assistentes virtuais impulsionados por IA para lidar com as consultas dos clientes, os tickets de suporte e muito mais. Essas ferramentas usam processamento de linguagem natural (NLP) e recursos de IA generativa para entender e responder às perguntas dos clientes sobre o status dos pedidos, detalhes dos produtos e políticas de devolução.

Chatbots e assistentes virtuais permitem suporte sempre disponível, fornecem respostas mais rápidas para perguntas frequentes (FAQs), liberam agentes humanos para se concentrarem em tarefas de nível superior e oferecem aos clientes um serviço mais rápido e consistente.

Algoritmos de aprendizado de máquina e deep learning podem analisar padrões de transação e sinalizar anomalias, como gastos incomuns ou locais de login, que indicam transações fraudulentas. Isso permite que as organizações respondam mais rapidamente a possíveis fraudes e limitem seu impacto, proporcionando a si mesmas e aos clientes maior tranquilidade.

Varejistas, bancos e outras empresas voltadas para o cliente podem usar IA para criar experiências personalizadas para os clientes e campanhas de marketing que encantam os clientes, melhoram as vendas e evitam a rotatividade. Com base em dados do histórico e comportamentos de compras dos clientes, algoritmos de deep learning podem recomendar produtos e serviços que os clientes provavelmente desejarão e até gerar cópias personalizadas e ofertas especiais para clientes individuais em tempo real.

Plataformas de recrutamento baseadas em IA podem agilizar a contratação por meio da triagem de currículos, da correspondência de candidatos com descrições de cargos e até mesmo da realização de entrevistas preliminares usando análise de vídeo. Essas e outras ferramentas podem reduzir drasticamente a montanha de papelada administrativa associada ao recrutamento de um grande volume de candidatos. Também pode reduzir os tempos de resposta e de contratação, melhorando a experiência dos candidatos, independentemente de conseguirem o emprego ou não.

As ferramentas de geração de código de IA generativa e as ferramentas de automação podem simplificar as tarefas de codificação repetitivas associadas ao desenvolvimento de aplicação e acelerar a migração e a modernização (reformatação e reintegração) de aplicações legadas em escala. Essas ferramentas podem acelerar tarefas, ajudar a garantir a consistência do código e reduzir erros.

Modelos de aprendizado de máquina podem analisar dados de sensores, dispositivos da Internet das Coisas (IoT) e tecnologia operacional (OT) para prever quando a manutenção será necessária e prever falhas de equipamentos antes que ocorram. A manutenção preventiva impulsionada por IA ajuda a evitar o tempo de inatividade e permite que você fique à frente dos problemas da cadeia de suprimentos antes que eles afetem os resultados.

As organizações estão se esforçando para aproveitar as mais recentes tecnologias de IA e tirar vantagem dos muitos benefícios da IA. Essa adoção rápida é necessária, mas adotar e manter fluxos de trabalho de IA traz desafios e riscos.

Os sistemas de IA dependem de conjuntos de dados, que podem ser vulneráveis a envenenamento de dados, adulteração de dados, viés de dados ou ataques cibernéticos, que podem levar a violações de dados. As organizações podem mitigar esses riscos protegendo a integridade dos dados e implementando segurança e disponibilidade durante todo o ciclo de vida da IA, do desenvolvimento ao treinamento, implementação e pós-implementação.

Agentes de ameaças podem ter como alvo modelos de IA para roubo, engenharia reversa ou manipulação não autorizada. Os invasores podem comprometer a integridade de um modelo alterando-o em sua arquitetura, pesos ou parâmetros (componentes fundamentais que determinam o comportamento, a precisão e o desempenho do modelo).

Como todas as tecnologias, os modelos são suscetíveis a riscos operacionais, como desvio do modelo, viés e falhas na estrutura de governança. Se não forem resolvidos, esses riscos podem levar a falhas no sistema e vulnerabilidades de segurança cibernética que os agentes de ameaças podem usar.

Se as organizações não priorizarem a segurança e a ética no desenvolvimento e implementação de sistemas de IA, elas correm o risco de cometer violações de privacidade e gerar resultados com viés. Por exemplo, dados de treinamento com viés usados para decisões de contratação podem reforçar os estereótipos raciais ou de gênero e criar modelos de IA que favorecem determinados grupos demográficos em detrimento de outros.

Ética da IA é um campo multidisciplinar que estuda como otimizar o impacto benéfico da IA enquanto reduz os riscos e resultados adversos. Os princípios da ética da IA são aplicados por meio de um sistema de governança de IA, que consiste em proteções que ajudam a garantir que as ferramentas e os sistemas de IA permaneçam seguros e éticos.

A governança de IA engloba mecanismos de supervisão que lidam com riscos. Uma abordagem ética para a governança da IA exige o envolvimento de uma ampla gama de stakeholders, incluindo desenvolvedores, usuários, formuladores de políticas e especialistas em ética, ajudando a garantir que os sistemas relacionados à IA sejam desenvolvidos e usados para se alinharem aos valores da sociedade.

Aqui estão os valores comuns associados à ética da IA e IA responsável:

Com o objetivo de contextualizar o uso da IA em vários níveis de complexidade e sofisticação, os pesquisadores definiram vários tipos de IA que se referem ao seu nível de sofisticação:

IA fraca: também conhecida como “IA restrita”, define sistemas de IA projetados para executar uma tarefa específica ou um conjunto de tarefas. Os exemplos podem incluir aplicativos de assistente de voz "inteligentes", como o Alexa da Amazon, Siri da Apple, um chatbot de rede social ou os veículos autônomos prometidos pela Tesla.

IA forte: também conhecida como "inteligência geral artificial" (AGI) ou "IA geral", possui a capacidade de entender, aprender e aplicar o conhecimento em uma ampla gama de tarefas em um nível igual ou superior ao da inteligência humana. Esse nível de IA é atualmente teórico, e nenhum sistema de IA conhecido se aproxima desse nível de sofisticação. Os pesquisadores argumentam que, se a AGI for possível, será necessário um grande aumento na capacidade de computação. Apesar dos recentes avanços no desenvolvimento da IA, os sistemas de IA autoconscientes da ficção científica permanecem firmemente nesse domínio.

A ideia de "uma máquina que pensa" remonta à Grécia antiga. Mas desde o advento da computação eletrônica (e em relação a alguns dos tópicos discutidos neste artigo), eventos e marcos importantes na evolução da IA incluem o seguinte:

1950
Alan Turing publica Computing Machinery and Intelligence. Nesse artigo, Turing, famoso por ter decifrado o código alemão ENIGMA durante a Segunda Guerra Mundial e frequentemente chamado de "pai da ciência da computação", faz a seguinte pergunta: "As máquinas podem pensar?"

A partir daí, ele oferece um teste, hoje conhecido como "Teste de Turing", em que um humano faria perguntas tentando distinguir entre respostas em texto de um computador e de um ser humano. Embora esse teste tenha sido submetido a muito escrutínio desde que foi publicado, ele continua sendo uma parte importante da história da IA e um conceito contínuo dentro da filosofia, pois usa ideias relacionadas à linguística.

1956
John McCarthy cunha o termo "inteligência artificial" na primeira conferência de IA no Dartmouth College. (McCarthy inventou a linguagem Lisp.) Mais tarde naquele ano, Allen Newell, J.C. Shaw e Herbert Simon criam o Logic Theorist, o primeiro programa de computador de IA em execução.

1967
Frank Rosenblatt constrói o Mark 1 Perceptron, o primeiro computador baseado em uma rede neural que “aprendia” por tentativa e erro. Apenas um ano depois, Marvin Minsky e Seymour Papert publicam um livro intitulado Perceptrons, que se torna tanto a obra marcante sobre redes neurais quanto, pelo menos por um tempo, um argumento contra iniciativas futuras de pesquisa em redes neurais.

1980
As redes neurais, que usam um algoritmo de retropropagação para treinar a si mesmas, tornam-se amplamente utilizadas em aplicações de IA.

1995
Stuart Russell e Peter Norvig publicam Artificial Intelligence: A Modern Approach, que se tornou um dos principais livros didáticos no estudo da IA. Na obra, aprofundam-se em quatro objetivos potenciais ou definições de IA, que distingue sistemas computacionais com base na racionalidade e pensamento versus ação.

1997
O Deep Blue da IBM vence o então campeão mundial de xadrez Garry Kasparov, em uma partida de xadrez (e revanche).

2004
John McCarthy escreve um artigo, What Is Artificial Intelligence?, e propõe uma definição frequentemente citada da IA. A essa altura, a era do big data e da computação em nuvem já está em andamento, permitindo que as organizações gerenciem propriedades de dados cada vez maiores, que um dia serão usadas para treinar modelos de IA. 

2011
O IBM Watson vence os campeões Ken Jennings e Brad Rutter no Jeopardy! Além disso, naquela época, a ciência de dados começa a emergir como uma disciplina popular.

2015
O supercomputador Minwa da Baidu usa uma rede neural profunda especial chamada rede neural convolucional para identificar e categorizar imagens com uma taxa de precisão maior do que a de um ser humano comum.

2016
O programa AlphaGo da DeepMind, alimentado por uma rede neural profunda, vence Lee Sodol, o campeão mundial de Go, em uma partida de cinco jogos. A vitória é importante, dado o enorme número de movimentos possíveis no jogo (mais de 14,5 trilhões após apenas quatro jogadas). Mais tarde, o Google comprou a DeepMind por supostos US$ 400 milhões.

2022
O aumento de grandes modelos de linguagem ou LLMs, como o ChatGPT da OpenAI, cria uma mudança enorme no desempenho da IA e seu potencial para gerar valor empresarial. Com essas novas práticas de IA generativa, os modelos de deep learning podem ser pré-treinados em grandes quantidades de dados.

2024
As últimas tendências da IA apontam para um renascimento contínuo da IA. Modelos multimodais que podem usar vários tipos de dados como entrada estão proporcionando experiências mais ricas e robustas. Esses modelos reúnem recursos de reconhecimento de imagem por computer vision e reconhecimento de fala por NLP. Modelos menores também estão avançando em uma era de retornos decrescentes com modelos massivos com grandes números de parâmetros.