O que é inteligência artificial?
IA é uma caixa de ferramentas de métodos que ajudam os computadores a resolver tarefas.
O que você aprenderá
- Explique: IA não é um tipo de modelo
- Aplique a ideia num exemplo: O que é inteligência artificial?
- Reconheça as limitações e verifique o resultado do exercício
IA é uma caixa de ferramentas de métodos que ajudam os computadores a resolver tarefas. Na Luna Workshop queremos escolher a ferramenta certa antes de escolher um modelo.
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
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.
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.
Dos tokens à resposta
Um token é uma unidade de texto: às vezes uma palavra, às vezes um fragmento de palavra ou pontuação. O modelo processa tokens de contexto e estima uma distribuição no próximo token. A seleção se repete até parar. O mecanismo de atenção dos Transformers combina informações sobre relacionamentos entre tokens; não é atenção humana. O treinamento altera os parâmetros, enquanto a inferência usa o modelo treinado. Uma resposta pode parecer coerente sem ser verdadeira: a geração de texto não verifica os fatos de forma independente.
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. Em telas pequenas, role na horizontal para acompanhar o esquema completo.
Um exemplo completo
Uma calculadora adiciona preços usando regras. Um filtro de spam aprende com exemplos. Um LLM escreve descrições. A visão detecta defeitos; um recomendador classifica os produtos. Um robô combina percepção e ação.
Experimente você mesmo
- Agrupe estes exemplos: calculadora, filtro de spam, chatbot, OCR, recomendações, robô, previsão e tradução.
- 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
A aritmética fixa usa regras; classificação aprende; a escrita gera. Nem todos precisam de um LLM ou agente. 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
Uma interface de chat não identifica a tecnologia por trás dela. 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
Toda automação é IA?
Não. Uma regra fixa pode automatizar algo sem aprendizado ou raciocínio flexível.
Por que não avaliar apenas os dados de treinamento?
Queremos desempenho em situações novas, não prova de memorização.
Que resultado este exercício deve produzir?
A aritmética fixa usa regras; classificação aprende; a escrita gera. Nem todos precisam de um LLM ou agente.
Termos para lembrar
- AI: Uma família de métodos, não sinônimo de chatbot.
- Sobreajuste: O modelo se ajusta muito bem aos exemplos que viu.
- Token: uma unidade usada pelo modelo para limites de texto e contexto.
Fontes e sua próxima etapa
Para se preparar: não são necessários cursos anteriores.
Continue com: F02 — Como uma máquina aprende? · F06 — Chatbot, assistente, agente e sistema agentic