Como uma máquina aprende?
Um modelo aprende relacionamentos a partir de exemplos, como um aprendiz vendo muitos casos.
O que você aprenderá
- Explique: como a aprendizagem muda um modelo
- Aplique a ideia em um exemplo: Como uma máquina aprende?
- Reconheça as limitações e verifique o resultado do exercício
Um modelo aprende relacionamentos a partir de exemplos, como um aprendiz vendo muitos casos. Diferentemente de um aprendiz, seu ajuste é um processo numérico.
Você pode seguir este curso sem conta ou programação. Os exemplos usam dados sintéticos e os resultados da IA precisam ser verificados.
Como funciona, passo a passo
Como o aprendizado muda um modelo
Os dados de treinamento são o conjunto de exemplos usados para ajustar os parâmetros do modelo. A aprendizagem supervisionada inclui um alvo, como “spam”. A aprendizagem não supervisionada encontra estrutura, como grupos de clientes. A aprendizagem auto-supervisionada cria alvos a partir de dados, por exemplo, prevendo o texto seguinte. A validação ajuda a escolher as configurações; o conjunto de teste permanece separado até a avaliação final. Um modelo que memoriza exemplos e falha em novos dados é overfitting. Uma divisão adequada evita que informações do conjunto de testes vazem para o treinamento.
Defina o sucesso antes de otimizar
Prepare solicitações representativas e respostas ou propriedades esperadas. Inclui casos comuns, ambiguidade, dados faltantes e erros de ferramentas. Para RAG, meça a recuperação de evidências separadamente da correção da resposta. Recall@k mede a parcela de evidências relevantes encontradas nos primeiros k resultados; Precision@k mede a parcela de resultados retornados que são relevantes. Para agentes, rastreie também ações, permissões e paradas. Um LLM como juiz pode acelerar a avaliação, mas precisa de calibração em humanos. Não altere prompt, modelo e índice simultaneamente se quiser entender o que melhorou os resultados.
IA não é um tipo de modelo
A inteligência artificial é uma família de métodos de reconhecimento, previsão, planejamento e geração. Um sistema baseado em regras segue instruções escritas por pessoas. O aprendizado de máquina aprende relacionamentos a partir de exemplos; o aprendizado profundo usa redes com muitas camadas. A IA generativa produz novos conteúdos. Um LLM funciona com linguagem, mas recomendações de produtos ou detecção de defeitos podem usar outros modelos. Pense em uma caixa de ferramentas: escolha uma ferramenta para o problema. Um algoritmo simples pode ser mais adequado que um agente para uma regra fixa.
O esquema explicativo
Siga as setas sólidas para o fluxo principal. As setas azuis tracejadas fornecem dados ou contexto; setas rosa tracejadas mostram feedback ou retorno de resultados. Cores e formas distinguem modelos, lojas, decisões e resultados. Desenvolvimento de modelo de guia de treinamento e validação. O conjunto de testes mantidos é usado para avaliação final, nunca para ajustar o modelo. Em telas pequenas, role na horizontal para acompanhar o esquema completo.
Um exemplo completo
Você tem 100 mensagens marcadas como spam ou legítimas. Divida antes do treino. Quase duplicatas não devem abranger treinamento e teste: caso contrário, a avaliação se tornará muito fácil.
Experimente você mesmo
- Projete conjuntos de treinamento/validação/teste e explique como remover duplicatas.
- Registre a entrada, a fonte e o resultado esperado antes de executar o experimento. Use apenas os dados fictícios do exemplo.
- Siga as etapas do diagrama. A cada passo registre quais informações são recebidas e produzidas; não confunda o resultado intermediário com o resultado final.
- Repita após remover as informações necessárias ou tornar a entrada ambígua. Verifique se o sistema esclarece, interrompe ou inventa uma resposta.
- Compare com a solução explicada. Guarde a configuração, data, resultado e explicação das diferenças. Mude uma coisa e teste novamente.
Uma solução explicada
Meça o desempenho com base em exemplos inéditos; alarmes falsos em mensagens legítimas são importantes separadamente do spam perdido. Um exercício bem-sucedido permite mostrar a conexão entre entradas, etapas e resultados. Quando falta informação, uma resposta cautelosa é mais útil do que detalhes inventados. Compare mais do que estilo: verifique também as condições, fontes e operações.
Quando esta abordagem ajuda e quais são seus limites
Mais dados rotulados incorretamente podem amplificar erros. Escolha esta abordagem quando ela melhorar uma necessidade medida. Mantenha uma linha de base simples e compare os resultados usando dados idênticos. Um exemplo de sucesso não estabelece confiabilidade em todas as situações.
Verifique o que aprendeu
Por que não avaliar apenas os dados de treinamento?
Queremos desempenho em situações novas, não prova de memorização.
Uma boa pontuação de estilo prova o sucesso do agente?
Não. O agente pode escrever lindamente depois de usar a ferramenta ou os dados errados.
Que resultado este exercício deve produzir?
Meça o desempenho com base em exemplos inéditos; alarmes falsos em mensagens legítimas são importantes separadamente do spam perdido.
Termos para lembrar
- Sobreajuste: O modelo se ajusta muito bem aos exemplos que viu.
- Regressão / Regressão: uma alteração que quebra um caso anteriormente correto.
- AI: Uma família de métodos, não sinônimo de chatbot.
Fontes e sua próxima etapa
Para preparar: F01 — O que é inteligência artificial?