Desde novembro, com o lançamento do ChatGPT, vocês devem ter percebido um grande entusiasmo em torno da inteligência artificial, especialmente em relação à Inteligência Artificial Generativa. Acredito que seja importante explicar alguns conceitos de IA, como Aprendizado de Máquina, Aprendizado Profundo, Redes Neurais, entre outros. Portanto, neste artigo, vamos explorar esses temas.
A história da Inteligência Artificial
Vamos começar abordando Inteligência Artificial de forma geral. Se você pensa que é algo novo, está enganado, pois as pessoas têm se interessado por IA desde a década de 1940.
Embora existam relatos mais antigos sobre máquinas inteligentes, desde a Grécia Antiga, elas ainda não possuíam a capacidade de simular o comportamento humano, o que se tornou a principal característica da IA séculos depois.
Foi por volta dos anos 1940 que pesquisadores começaram a explorar a ideia de máquinas que poderiam imitar a inteligência humana, desde jogar xadrez – um dos primeiros experimentos – até simular uma conversa como um psicólogo.
Definição de Inteligência Artificial e suas habilidades
Assim, surgiu a definição atual de Inteligência Artificia, que afirma que a Inteligência Artificial é a capacidade de um computador ou máquina imitar a inteligência humana. Isso inclui habilidades como reconhecimento de voz, processamento de linguagem natural, aprendizado e tomada de decisões.
Em outras palavras, é a capacidade de realizar algo que apenas os seres humanos eram capazes de fazer.
Eu mesmo, durante minha época na faculdade, desenvolvi um sistema de Inteligência Artificial simples. Ele simulava um diálogo entre duas pessoas, com base no que a pessoa dizia. Por exemplo, se ela afirmava que estava se sentindo mal, a Inteligência Artificial perguntava: “Por que você está se sentindo mal?” E para cada resposta, fazia novas perguntas.
Os algoritmos são a base da Inteligência Artificial, permitindo que os computadores processem dados específicos e utilizem essas informações para desenvolver respostas, realizar ações, aprender e até mesmo aprimorar-se ao longo do tempo. Ela está cada vez mais presente em nossas vidas, desde assistentes virtuais em nossos computadores e celulares até carros autônomos.
Aprendizado de Máquina: Técnica Principal da IA
Agora que você já sabe o que é Inteligência Artificial, imagine que ela é um conjunto onde existem vários outros subconjuntos que compõem práticas e técnicas para diferentes usos.
Uma dessas técnicas é o Aprendizado de Máquina, também conhecido como Machine Learning, que é a subárea da Inteligência Artificial em que os computadores aprendem e aprimoram suas habilidades analisando dados e experiências passadas.Hoje em dia, as pessoas amplamente utilizam técnicas de Machine Learning.
Os algoritmos de Machine Learning analisam grandes quantidades de dados e identificam padrões e tendências, permitindo que façam previsões precisas sobre eventos futuros. Por exemplo, com base na sua navegação, sugerir anúncios que façam sentido para você ou então, com base no que você assiste na TV, sugerir novos programas, séries ou filmes.
Os desenvolvedores projetam esses algoritmos para aprender e se adaptar continuamente com base em novos dados e experiências, tornando-os cada vez mais eficazes ao longo do tempo.
Dentro do Aprendizado de Máquina, existem três técnicas principais:
Aprendizado supervisionado e exemplos de uso
No aprendizado supervisionado, os dados são rotulados e o algoritmo aprende a associar as entradas às saídas específicas com base nesses rótulos. Por exemplo, treinar um algoritmo com uma série de e-mails rotulados como importantes ou não, para que ele possa categorizar os novos e-mails com base nesse aprendizado.
Aprendizado não supervisionado e seus usos
No aprendizado não supervisionado, a Inteligência Artificial treina com dados não rotulados e busca encontrar padrões e estruturas dentro desses dados. Ela utiliza essas informações para identificar padrões e realizar previsões sobre resultados futuros. Por exemplo, uma Inteligência Artificial que analisa dados do mercado financeiro em busca de tendências ou que analisa o histórico de compras dos clientes e os categoriza com base em suas características.
Aprendizado por reforço e sua aplicação
Na aprendizagem por reforço, a Inteligência Artificial aprende por meio da tentativa e erro, enquanto recebe feedback em tempo real sobre a precisão de suas ações.Nós a treinamos utilizando recompensas e penalidades em suas ações, com o objetivo de maximizar as recompensas ou minimizar as penalidades. Isso leva a um aprendizado mais eficaz e adaptativo. Por exemplo, um jogo de xadrez onde a IA aprende a cada jogada e busca melhorar sua precisão através do treinamento contra si mesma.
Dentro do Aprendizado de Máquina, também existe o Deep Learning, ou aprendizado profundo, que utiliza modelos de redes neurais com múltiplas camadas para aprender a representação de dados de forma hierárquica.
Deep Learning: A Evolução do Aprendizado de Máquina
Conceito e funcionamento do Deep Learning
Enquanto o Aprendizado de Máquina geralmente utiliza algoritmos que dependem de recursos pré-definidos ou extraídos manualmente dos dados, o Deep Learning aprende esses recursos automaticamente, por meio de camadas intermediárias de processamento dos dados.
Assim, o Deep Learning representa uma evolução do Aprendizado de Máquina, permitindo que os algoritmos aprendam de forma mais autônoma e complexa. Vou fornecer exemplos mais adiante para ilustrar como cada um deles funciona.
O papel das Redes Neurais no Deep Learning
Mas afinal, o que são essas redes neurais?
As redes neurais são um modelo de processamento de informações inspirado no funcionamento do cérebro humano.
Assim como no cérebro, que é composto por neurônios interligados que transmitem estímulos elétricos, as redes neurais são compostas por uma série de nós interconectados que simulam essa transmissão, permitindo que aprendam a executar tarefas complexas.
As máquinas podem ser treinadas para reconhecer padrões complexos em imagens, textos e sons por meio das redes neurais.
Existem diversas categorias de redes neurais, que variam de acordo com sua arquitetura, função e método de treinamento. Abordarei brevemente as principais categorias.
Os principais modelos de redes neurais utilizados atualmente estão divididos em duas categorias: Aprendizado de Máquina e Deep Learning.
No caso do Aprendizado de Máquina, os principais modelos são:
Perceptron e seu uso em classificação binária
O Perceptron é usado em classificação binária, sendo uma rede neural simples com um único neurônio artificial. Ele ajusta os pesos durante o treinamento. Por exemplo, o filtro de spam do Gmail utiliza uma rede neural com múltiplos Perceptrons para classificar e-mails como spam ou não spam.
MLP (Multilayer Perceptron) e suas aplicações em classificação e regressão
O MLP (Multilayer Perceptron) utiliza várias camadas de neurônios em sua estrutura, em que cada camada se conecta à camada anterior. Essa arquitetura é amplamente empregada em problemas de classificação e regressão.
A classificação e regressão envolvem o uso de dados históricos para prever cenários futuros. Por exemplo, pode-se prever o preço de uma ação ou a demanda de um produto ao longo do tempo. A MLP é treinada com dados históricos para identificar padrões que influenciam as variações e, assim, fazer previsões com base nessas tendências.
A MLP é uma das arquiteturas de redes neurais mais populares e é aplicada em diversas áreas, como finanças, medicina, engenharia e marketing.
RNN (Recurrent Neural Network) e sua utilidade em sequências de dados
Uma rede neural que processa sequências de dados, como séries temporais, texto e áudio. Suas conexões recorrentes permitem que a saída de um neurônio seja usada como entrada em outro, possibilitando que a rede “lembre” de informações anteriores.
As RNNs são úteis na análise de sequências, como tradução de idiomas, análise de sentimentos em redes sociais e previsão de séries temporais, como vendas, clima e finanças.
Por exemplo, as RNNs podem gerar automaticamente legendas para imagens. Ao receber uma imagem, ela produz uma legenda correspondente, como “um cachorro branco correndo na grama”.
Outra aplicação é a análise de sentimentos em textos. Ao analisar uma sequência de palavras, a RNN determina se a mensagem é positiva, negativa ou neutra. Isso é útil para monitorar a opinião dos clientes sobre produtos ou serviços em redes sociais.
Autoencoder e sua aplicação em redução de dimensionalidade e geração de dados
Uma rede neural utilizada para reduzir a dimensionalidade, comprimir dados e gerar novos dados.
Vamos explicar com um exemplo para facilitar o entendimento. O Autoencoder reduz os dados, compreende a versão reduzida e gera novos dados a partir dessa versão, podendo reconstruir os dados originais.
Por exemplo, um Autoencoder pode ser treinado em imagens de rostos humanos e, em seguida, gerar novas imagens com características diferentes, como sorriso, cor dos olhos e formato do rosto. Essa aplicação é comum em jogos e animações.
Redes Neurais no Deep Learning: Processamento de Imagens e Linguagem Natural
Agora vamos abordar as redes neurais no contexto do Deep Learning.
CNN (Convolutional Neural Network) e seu uso em processamento de imagens
A CNN (Rede Neural Convolucional) e sua aplicação no processamento de imagens. A CNN é uma arquitetura de rede neural desenvolvida para processar imagens e reconhecer padrões visuais. Ela utiliza camadas convolucionais que detectam características específicas em uma imagem.
Vamos explicar o termo “convolucional” de forma mais simples, com um exemplo prático para facilitar a compreensão. Imagine que você tem uma foto de um dinossauro e deseja copiar o desenho desse dinossauro em um papel transparente. Para fazer isso, você coloca o papel transparente sobre a foto e passa um lápis por cima.
Ao fazer isso, o lápis vai transferindo as informações do desenho original para o papel transparente. O desenho é “filtrado” pelo papel transparente, transferindo apenas as informações necessárias para preencher o dinossauro, como suas formas, enquanto ignora o fundo da foto.
Isso é mais ou menos o que acontece na convolução de uma rede neural convolucional. A rede treina para “filtrar” as informações de uma imagem e identificar padrões importantes, como bordas e curvas. A rede utiliza esses padrões para classificar a imagem ou realizar outras tarefas de processamento de imagem.
Um exemplo de aplicação está no diagnóstico médico. Uma CNN pode ser treinada para analisar imagens médicas, como tomografias computadorizadas ou ressonâncias magnéticas, e identificar anomalias ou sinais de doenças em áreas específicas do corpo.
A rede é treinada com essas imagens, aprendendo a reconhecer os padrões e construindo sua base de conhecimento. Essa tecnologia pode auxiliar os médicos a realizar diagnósticos mais precisos e rápidos.
Transformer e sua aplicação em processamento de linguagem natural
O Transformer é uma arquitetura de rede neural que utiliza atenção para processar sequências de entrada e encontra ampla aplicação em tarefas de processamento de linguagem natural, como tradução automática e resumo de texto.
Mas como a “atenção” funciona?
De maneira simples, a atenção é utilizada para calcular um peso para cada palavra do texto de entrada em relação a cada palavra do texto de saída. Esse peso indica a importância relativa de cada palavra do texto de entrada para gerar a palavra atual do texto de saída.
Dessa forma, o modelo consegue focar nas partes mais relevantes do texto de entrada durante o processo de geração do texto de saída.
Um exemplo atual de aplicação do modelo Transformer é o Google Translate, que é capaz de traduzir textos em diversas línguas. O Transformer permite que o modelo aprenda padrões e relações entre palavras e frases de maneira mais eficiente, possibilitando uma tradução mais precisa e natural do que outros métodos de tradução automática baseados em regras.
Além disso, outras aplicações de processamento de linguagem natural também utilizam o modelo, como a geração de resumos de texto, respostas automáticas a perguntas, entre outras.
GAN (Generative Adversarial Network) e a geração de dados realistas
A GAN é uma rede neural composta por um gerador e um discriminador que gera dados realistas, como imagens e músicas, por exemplo.
Nós podemos usar a GAN para gerar imagens realistas de rostos humanos. Nesse caso, o gerador gera novas imagens com base em um conjunto de dados existente, e o discriminador avalia a autenticidade dessas imagens geradas pelo gerador.
No início do treinamento, o gerador produz imagens aleatórias que são avaliadas pelo discriminador para verificar sua autenticidade. Com o tempo, o gerador ajusta sua saída com base no feedback do discriminador, e o discriminador se torna mais habilidoso em identificar as imagens geradas.
Eventualmente, o gerador aprende a produzir imagens tão autênticas que o discriminador não consegue mais distinguir das imagens reais.
Essa técnica tem várias aplicações, como geração de imagens para videogames, criação de avatares virtuais e síntese de imagens médicas para diagnóstico e treinamento de médicos.
Um ponto importante de discussão é a ética relacionada à geração dessas imagens, pois pessoas podem usá-las para criar imagens falsas com impactos sociais, políticos e financeiros.Talvez vocês tenham presenciado o caso da imagem do papa usando um casaco que impulsionou suas vendas, até que se descobriu que a imagem era falsa.
Ah, então essa é a arquitetura das Inteligências Artificiais Generativas e do ChatGPT, certo?
Na verdade, não é bem assim. A Inteligência Artificial generativa se concentra na criação de modelos capazes de gerar novos dados, como imagens, áudio ou texto, de forma autônoma, mas ela pode usar qualquer arquitetura ou algoritmo, inclusive mais de um ao mesmo tempo.
GPT: O Papel das Inteligências Artificiais Generativas
Vamos começar explicando o conceito de Inteligências Artificiais Generativas. Toda Inteligência Artificial generativa tem a capacidade de simular um ser humano e criar conteúdo, como texto, áudio, imagem, vídeo e música. Conforme essas Inteligências Artificiais se desenvolvem, fica cada vez mais difícil discernir quem é o autor por trás do conteúdo gerado.
Então, o ChatGPT é uma Inteligência Artificial generativa? Sim, é.
E provavelmente utiliza a rede GAN, aquela que possui um gerador e um discriminador para validar se os dados são suficientemente reais para serem considerados como criação humana? Na verdade, não.
O GPT e sua Arquitetura de Linguagem
“GPT” significa “Generative Pre-trained Transformer”. Ele pertence a uma família de modelos de linguagem baseados na arquitetura Transformer. Esses modelos são pré-treinados com grandes volumes de dados não rotulados, com o propósito de gerar texto coerente e natural a partir de uma pequena entrada textual. No caso do ChatGPT, o prompt é a entrada, ou seja, o usuário faz uma pergunta ou pedido.
Chamamos esses modelos treinados com grande quantidade de texto de LLMs, que significa “Large Language Models”. O GPT, por exemplo, foi treinado com livros, artigos e páginas da web.
Os LLMs são uma das principais tecnologias utilizadas em assistentes virtuais, tradução automática, resumo de texto e outras aplicações de processamento de linguagem natural.
A escolha da arquitetura e dos modelos para uma IA generativa depende do problema que ela está tentando resolver ou do tipo de dado que está sendo tratado, como imagem, texto ou áudio, por exemplo.
Visão Computacional e Processamento de Linguagem Natural
Para finalizar, vou abordar duas áreas ou técnicas dentro da Inteligência Artificial que aplicam várias arquiteturas de redes neurais: o processamento de linguagem natural (NLP) e a visão computacional. Na visão computacional, desenvolvem-se algoritmos capazes de interpretar e compreender imagens e vídeos, permitindo que as máquinas “enxerguem” e compreendam o mundo visual ao seu redor. Esses algoritmos identificam objetos, reconhecem faces, detectam movimentos, reconstruem imagens em 3D e realizam outras tarefas relacionadas à visão.
Um exemplo prático é quando os veículos autônomos utilizam a inteligência artificial para detectar objetos no ambiente e tomar decisões de condução. Também é empregado em sistemas de controle de qualidade em fábricas, inspecionando peças e detectando defeitos. Na visão computacional, podemos utilizar redes neurais convolucionais (CNNs) para reconhecer imagens e até mesmo as redes generativas adversárias, como Midjurney ou Playground.Ai, para gerar imagens como IAs generativas.
O processamento de linguagem natural, por sua vez, trata da interação entre computadores e seres humanos utilizando a linguagem natural como meio de comunicação. Seu objetivo é permitir que os computadores compreendam, analisem, interpretem e gerem texto e fala em linguagem natural, de forma humanizada, inclusive no idioma do interlocutor. Aplicações comuns do processamento de linguagem natural incluem chatbots, assistentes virtuais, tradutores automáticos, corretores ortográficos e sistemas de reconhecimento de fala.
As tarefas de processamento de linguagem natural geralmente utilizam redes neurais recorrentes (RNNs) e modelos baseados em Transformer para realizar tradução automática, gerar texto e analisar sentimento.
O Impacto da Inteligência Artificial nas Profissões e o Futuro do Trabalho
E o que o futuro reserva? Olha, é muito difícil dizer, inclusive porque o uso da Inteligência Artificial está intrinsecamente ligado a questões éticas, mas é fato que algumas profissões enfrentarão mudanças ou até mesmo serão eliminadas, pois as Inteligências Artificiais as substituirão.
Ah Bruno, isso significa que a Inteligências Artificiais está chegando para eliminar empregos? Não necessariamente. Assim como ela está transformando profissões, outras estão surgindo, como engenharia de prompt, ciência de dados, entre outras. Isso até se conecta com o artigo da semana que vem sobre as profissões do futuro, mas sem spoilers por enquanto.
A Importância da Engenharia de Prompt nas Inteligências Artificiais Generativas
Atualmente, para utilizar uma IA generativa e obter criações de áudio, vídeo, apresentações, texto, sites, ou qualquer outra coisa que elas possam produzir, é fundamental saber fazer solicitações da melhor forma possível. A Engenharia de Prompt tem como principal objetivo criar e aprimorar os textos de solicitação (prompts) usados nas IAs generativas, como o ChatGPT, DALL-E, Leonard, Bard, Midjourney, Stable Difusion, ChatSonic, entre outras.
Desafios Éticos e Riscos Associados às Inteligências Artificiais
Mas também precisamos abordar vários perigos relacionados à Inteligência Artificial para evitar que elas se tornem vilãs nessa história, como a futura Skynet.
A disseminação de desinformação ou informações falsas representa o principal perigo, pois podem manipular pessoas ou ser utilizadas de forma incorreta, caso não haja curadoria.
Responder de forma convincente não torna uma resposta de Inteligência Artificial verdadeira. Por isso, é crucial discernir o que é verdadeiro ou não nessa geração, o que se torna cada vez mais difícil à medida que a IA amadurece.
Atualmente, existem livros, vídeos, fotos e até mesmo “only fans” gerados por Inteligência Artificial, contas monetizadas com conteúdo privado de pessoas inexistentes.
Atualmente, estão surgindo golpes preocupantes com o uso da Inteligência Artificial generativa de voz. Nesse tipo de fraude, alguém treina uma Inteligência Artificial com diversos áudios de uma pessoa pública ou influenciadora e a utiliza para entrar em contato com pessoas conhecidas, solicitando dinheiro ou favores. Os riscos dessa prática são especialmente alarmantes quando aplicados à política, por exemplo.
Conclusão
Para concluir, é inegável que esses temas éticos são a base de debates acalorados sobre as Inteligências Artificiais. Na minha opinião, há material suficiente para preencher um artigo completo dedicado a eles. No entanto, espero que tenham apreciado essa breve introdução aos temas de Inteligências Artificiais e que tenha ficado evidente tanto o seu funcionamento quanto as suas múltiplas aplicações.
