No episódio anterior, vimos que inteligência artificial (IA) não é sinônimo de ChatGPT. A IA é um campo amplo de pesquisa, que busca desenvolver máquinas e programas capazes de realizar tarefas que simulam a inteligência humana, como aprender, reconhecer padrões, interpretar informações e tomar decisões. Esses sistemas podem ir de programas mais simples, como recomendações de compras, a sistemas muito complexos, como os de direção autônoma de veículos. Neste episódio, vamos ver as principais técnicas de construção de sistemas de IA e suas principais aplicações.

Até o início da década de 1970, os programas de IA se baseavam principalmente em um conjunto de regras, que precisa ser escrito pelo desenvolvedor, como no MYCIN (programa de diagnóstico de infecções e recomendação de antibióticos). O programa agia exclusivamente com base nessas regras. Era a chamada IA simbólica. A partir do final da década de 1970, uma nova abordagem começou a ganhar força, a IA probabilística ou estatística. Essa nova abordagem permitia que a máquina aprendesse “sozinha”. Seus primeiros resultados práticos surgiram na década de 1990.

Essa técnica de desenvolvimento é chamada de aprendizagem de máquina (ou machine learning). Nela, o desenvolvedor oferece exemplos, padrões ou grandes volumes de informação para que o sistema identifique padrões e faça previsões ou classificações. É isso que acontece, por exemplo, em filtros de spam, sistemas de recomendação de produtos e análise de risco de crédito. A aprendizagem de máquina se baseia principalmente em métodos estatísticos, mas também pode fazer uso de redes neurais simples.

As redes neurais artificiais foram inspiradas no funcionamento do cérebro humano. Elas são formadas por neurônios artificiais, que são pequenas fórmulas matemáticas que analisam dados e atribuem “pesos” a eles. Esses neurônios trocam dados entre si e se conectam, formando as redes, que podem ser simples ou profundas.

Dentro da aprendizagem de máquina, existe uma forma mais específica de desenvolvimento chamada aprendizagem profunda (ou deep learning). Ela se baseia exclusivamente em redes neurais profundas, com múltiplas camadas de neurônios. Essa técnica de desenvolvimento é adequada para o processamento de grandes volumes de dados e é indicada para problemas mais complexos, pois exige alto poder computacional. Foi esse tipo de abordagem que impulsionou muitos avanços recentes em reconhecimento de imagens, voz e linguagem.

A aprendizagem de máquina e a aprendizagem profunda representam as técnicas de desenvolvimento mais utilizadas nos programas e sistemas baseados em IA hoje em dia. Existem múltiplos usos e diferentes tipos de aplicações para elas. As mais frequentes no nosso dia a dia são a visão computacional e o processamento de linguagem natural.

A visão computacional é a área da IA dedicada a fazer com que máquinas interpretem imagens e vídeos. Isso inclui tarefas como reconhecer rostos ou impressões digitais, identificar e contar objetos, ler placas de veículos ou inspecionar produtos em uma linha de produção. Atualmente, a aprendizagem profunda é a principal técnica utilizada na solução desses problemas.

O processamento de linguagem natural é a área da IA voltada ao entendimento da linguagem humana, escrita ou falada. Entram aqui tradutores automáticos, corretores de texto, assistentes virtuais, classificadores de documentos e sistemas de resposta automática. A aprendizagem profunda também é a principal técnica de desenvolvimento utilizada nessa área. Os modelos de linguagem são apenas uma das aplicações do processamento de linguagem natural.

É justamente aqui que muita gente se perde. Aprendizagem de máquina e aprendizagem profunda são técnicas de desenvolvimento de sistemas baseados em IA. A visão computacional e o processamento de linguagem natural são áreas de aplicação da IA. As categorias se cruzam. Por exemplo, um sistema de processamento de linguagem natural pode usar aprendizagem de máquina para classificar mensagens ou usar aprendizagem profunda para responder perguntas.

No próximo episódio, vamos entender a importância dos dados para o desenvolvimento de sistemas baseados em IA, como as máquinas aprendem e por que isso só chegou ao mundo real quase 50 anos depois do encontro de Dartmouth.

Para aprofundar seu conhecimento sobre IA e modelos de linguagem, conheça o curso Desbravando o ChatGPT (www.antoniotoledo.com.br).