INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL

1. INTELIGÊNCIA ARTIFICIAL

   • Conceito geral e exemplos de uso no cotidiano
     • A Inteligência Artificial (IA) é um campo da ciência da computação que se dedica ao desenvolvimento de sistemas e programas capazes de simular o comportamento humano na tomada de decisões e na realização de tarefas. A IA é utilizada em diversos aspectos da vida cotidiana, como assistentes de voz, mecanismos de pesquisa, carros autônomos e redes sociais. Exemplos de IA no dia a dia incluem assistentes de voz como Google Assistente, Siri e Alexa, reconhecimento facial para identificação de pessoas, e algoritmos de redes sociais que interpretam intenções complexas. A IA tem revolucionado a forma como as empresas operam, proporcionando maior eficiência e melhor tomada de decisões.
   • Principais aplicações da IA:
     • Visão Computacional
     • Robótica
     • Biônica
     • Semiótica
     • Aprendizado de Máquina
     • Aprendizado Profundo

2. IA GENERATIVA

   • O que é IA generativa?
     • A IA generativa, às vezes chamada de IA gen, é a inteligência artificial (IA) que pode criar conteúdo original, como texto, imagens, vídeo, áudio ou código de software, em resposta a um prompt ou solicitação do usuário. A IA generativa depende de modelos sofisticados de aprendizado de máquina chamados modelos de deep learning, que simulam os processos de aprendizado e tomada de decisão do cérebro humano. Esses modelos funcionam identificando e codificando os padrões e relacionamentos em grandes quantidades de dados e, em seguida, usando essas informações para entender as solicitações ou perguntas de linguagem natural dos usuários e responder com novo conteúdo relevante.
     • COMO SURGIU A IA GENERATIVA
       • Em 2014, Ian Goodfellow publicou o trabalho percursor Generative Adversarial Networks (GOODFELLOW et al, 2014) que se tornou o ponto de partida para o desenvolvimento de um novo tipo de modelo de aprendizagem de máquina, denominado de generativo.
   • FALHAS DA IA
     • Alucinações de IA são respostas confiantes, porém falsas, geradas por grandes modelos de linguagem (LLMs) que não condizem com a realidade ou dados de treinamento. Elas ocorrem quando a IA inventa fatos, referências ou dados com convicção, sendo um efeito colateral da arquitetura focada em coerência e não necessariamente em precisão factual.
   • MODELOS GENERATIVOS
     • Atualmente, há duas grandes abordagens para os modelos generativos: Redes Adversariais Generativas (GAN); Transformadores Generativos Pré-Treinados (GPT).

3. MACHINE LEARNING

   • Machine Learning (Aprendizado de Máquina) é um ramo da Inteligência Artificial (IA) que permite que computadores aprendam e tomem decisões com base em dados, sem a necessidade de serem explicitamente programados para cada tarefa.
   • Como Funciona?
     • O processo de Machine Learning envolve três etapas principais: Coleta e preparação de dados: Os dados são organizados e limpos para garantir qualidade. Treinamento do modelo: Algoritmos são aplicados para identificar padrões nos dados. Validação e otimização: O modelo é ajustado para melhorar sua precisão e colocado em produção. Existem diferentes tipos de aprendizado de máquina, como: Supervisionado: Utiliza dados rotulados para prever resultados, como classificar e-mails como spam. Não supervisionado: Identifica padrões em dados não rotulados, como segmentação de clientes. Reforço: Aprende com tentativa e erro, como em jogos ou robótica.
   • APRENDIZADO SUPERVISIONADO
     • Classificação
       • A classificação é uma técnica de aprendizado supervisionado onde o objetivo é prever a classe ou categoria de um dado com base em suas características.
     • Predição
       • A predição, ou regressão, é usada para prever valores contínuos com base em dados históricos.

4. DEEP LEARNING

   • Relação com Machine Learning, uso de redes neurais e aplicações avançadas
     • O deep learning é uma subárea do machine learning que utiliza redes neurais artificiais profundas para resolver problemas complexos. Essas redes são compostas por várias camadas de processamento que simulam, de forma simplificada, o funcionamento do cérebro humano. O deep learning é caracterizado por sua capacidade de aprender com grandes volumes de dados, identificando padrões e características automaticamente, sem necessidade, na maioria dos casos, de intervenção humana para realizar engenharia de recursos.
   • O QUE É A DEEP LEARNING?
     • A deep learning é uma subárea do machine learning. Esse tipo de sistema permite o processamento de enormes quantidades de dados para encontrar relacionamentos e padrões que os seres humanos são muitas vezes incapazes de detectar. A palavra “deep” (em português, “profundo”) refere-se ao número de camadas ocultas na rede neural, as quais fornecem grande parte do poder de aprendizagem.

5. Felipe Oliveira Rodrigues.