Série · Inteligência artificial
Os conceitos de base e os sete padrões de aplicação, para quem quer entender IA além da ferramenta da vez.
Esta série cobre o vocabulário que sustenta qualquer conversa séria sobre IA: o que diferencia Machine Learning de Deep Learning e de IA Generativa, como uma rede neural funciona, e os sete padrões que descrevem onde essa tecnologia costuma gerar valor dentro de uma empresa, de detecção de fraude a sistema de recomendação.
É material de referência, não uma jornada com início, meio e fim. Volte a qualquer artigo quando precisar revisar um conceito específico.
Comece por aqui
História da IA, a diferença entre Machine Learning, Deep Learning e IA Generativa, os três modelos de aprendizado e como funciona a rede neural por trás de tudo isso.
tipos de rede neural
Feedforward classifica dado simples. Convolucional (CNN) processa imagem. Recorrente (RNN) e LSTM processam sequência, como texto e série temporal. Transformer processa linguagem em paralelo, e é a base de GPT e BERT. GAN gera conteúdo novo, competindo duas redes entre si.
redes neurais artificiais
Rede neural artificial é uma estrutura de camadas de nó interligados por peso, inspirada na forma como o neurônio biológico processa sinal. A semelhança é de inspiração, não de cópia: o cérebro humano ainda supera qualquer rede artificial em complexidade, eficiência energética e capacidade de se adaptar.
aprendizado supervisionado
Aprendizado supervisionado usa dado rotulado para prever ou classificar. Não supervisionado encontra padrão oculto em dado sem rótulo. Por reforço aprende por tentativa, recebendo recompensa ou penalidade de um ambiente. Cada um resolve um tipo diferente de problema.
machine learning
Machine Learning aprende padrão em dado para prever ou classificar. Deep Learning é o subconjunto que usa rede neural profunda para lidar com dado complexo e não estruturado. IA Generativa usa essas técnicas para criar conteúdo novo, como texto e imagem, em vez de só prever.
história da inteligência artificial
A Inteligência Artificial nasceu em 1956, na conferência de Dartmouth, passou por dois invernos de desilusão e voltou pela mão do aprendizado de máquina nos anos 2000. Entender essa história explica por que promessa exagerada em IA já aconteceu antes, mais de uma vez.
Onde aplicar
Sete formas recorrentes de aplicar IA num negócio: detectar anomalia, classificar e prever, reconhecer padrão, automatizar processo, otimizar decisão, recomendar e criar interação homem-máquina.
interação homem-máquina
Interação homem-máquina (HMI) é o design, desenvolvimento e uso de sistemas que permitem humano e máquina se comunicarem de forma eficiente. Usabilidade, ergonomia, retorno claro e adaptação ao usuário decidem se uma tecnologia poderosa é usada de verdade, ou fica parada por ser difícil demais.
sistemas de recomendação
Sistemas de recomendação são algoritmos que sugerem produto, serviço ou conteúdo relevante para cada usuário, analisando comportamento, preferência e padrão de uso. A maioria das plataformas grandes usa um sistema híbrido, combinando o que usuários parecidos consumiram com o que o próprio usuário já consumiu.
otimização de decisões
Otimização de decisões é usar dado, algoritmo e modelo preditivo para escolher a melhor opção dentro de um conjunto de restrições e objetivos, em vez de decidir só por intuição ou experiência. Faz sentido quando existe dado confiável, e não substitui julgamento de negócio.
RPA
RPA automatiza tarefa repetitiva e baseada em regra. IA adiciona inteligência cognitiva: reconhecer padrão, interpretar linguagem natural e prever comportamento. Juntas, permitem automatizar tarefa não estruturada que antes dependia de intervenção humana, como ler documento escaneado ou interpretar um e-mail.
reconhecimento de padrões
Reconhecimento de padrões é a capacidade de um sistema identificar e interpretar estrutura oculta em dado, incluindo o dado não estruturado que compõe a maior parte da informação do mundo, como texto, imagem, vídeo e áudio. É a base de aplicações de visão computacional, reconhecimento de voz e análise de texto.
classificação com IA
Classificação responde pergunta categórica, como se um e-mail é spam. Previsão responde pergunta quantitativa, como quanto uma empresa vai vender no próximo trimestre. Juntas, permitem que uma organização entenda o cliente e antecipe cenário ao mesmo tempo.
detecção de anomalias
Detecção de anomalias é identificar padrão incomum ou desvio num conjunto de dado, que pode indicar fraude, falha de máquina ou risco de segurança antes que o problema aconteça de fato. O modelo aprende o que é normal num contexto e sinaliza o que foge do padrão.
padrões de aplicação de IA
Os sete padrões de aplicação de IA são categorias amplas de uso: detecção de anomalia, classificação e previsão, reconhecimento de padrão, automação de processo, otimização de decisão, sistema de recomendação e interação homem-máquina. Servem de roteiro para identificar onde a tecnologia gera valor real, em vez de aplicá-la sem critério.
Perguntas
Pelos conceitos de base: a diferença entre Machine Learning, Deep Learning e IA Generativa, os três modelos de aprendizado e como funciona uma rede neural. Sem isso, o restante do vocabulário técnico (padrão de aplicação, arquitetura, algoritmo) fica solto e difícil de encaixar.
Os fundamentos explicam como a tecnologia funciona por dentro. Os padrões de aplicação explicam onde usar cada técnica dentro de um negócio real, como detecção de fraude ou sistema de recomendação. Os dois se complementam: entender o conceito sem saber onde aplicar não gera decisão, e aplicar sem entender o conceito gera expectativa errada.