O que é Inteligência Artificial? Como Funcionam os Sistemas de Aprendizado de Máquina

Inteligência artificial (IA) é um campo de tecnologia que permite aos computadores e máquinas simular o aprendizado humano, compreensão, resolução de problemas, tomada de decisões, criatividade e autonomia, de acordo com a IBM.

IA estreita vs. IA geral

A IBM distingue entre duas categorias amplas. A IA estreita, também chamada de IA fraca, abrange sistemas construídos para uma tarefa específica, como um assistente de voz ou um chatbot. A IA geral, ou IA forte, refere-se a um sistema teórico com amplo entendimento entre muitas tarefas em nível humano ou sobre-humano; a IBM afirma que tais sistemas não existem atualmente.

Aprendizado de máquina: o motor por trás da maioria da IA

Aprendizado de máquina (AM) é o subconjunto de IA focado em algoritmos que aprendem padrões de dados de treinamento e então fazem inferências sobre novos dados, explica a IBM. A diferença fundamental da programação tradicional é que um programador não precisa definir todas as regras. A IBM dá o exemplo de detecção de spam: um programa baseado em regras precisa que um humano defina como o spam se parece, enquanto um modelo de AM aprende características de spam estudando muitos e-mails de exemplo por conta própria.

Três tipos principais de aprendizado

De acordo com a IBM, os sistemas de aprendizado de máquina são geralmente treinados de uma de três maneiras. O aprendizado supervisionado usa dados rotulados com respostas corretas conhecidas, para tarefas como classificar itens ou prever um valor contínuo como um preço. O aprendizado não supervisionado funciona com dados não rotulados e procura por estrutura oculta, como agrupar clientes similares. O aprendizado por reforço treina um sistema através de tentativa e erro, recompensando ações que o movem em direção a um objetivo para que gradualmente aprenda uma estratégia ótima.

Onde a IA já aparece

A IBM lista chatbots de atendimento ao cliente, detecção de fraude, recomendações personalizadas de marketing, triagem de recrutamento assistida por IA, ferramentas de geração de código e manutenção preditiva como aplicações atuais. Separadamente, a visão geral de aprendizado de máquina da IBM adiciona veículos autônomos, filtragem de spam de e-mail, suporte a diagnóstico médico, motores de recomendação e tradução de idiomas à lista de tecnologias impulsionadas por AM já em uso.

Limitações conhecidas: alucinações e viés

Sistemas de IA generativa podem produzir "alucinações" — informações fabricadas que parecem autênticas, de acordo com o grupo de Tecnologias de Ensino e Aprendizagem do MIT Sloan. O MIT Sloan aponta para um caso amplamente relatado em que um advogado usou ChatGPT para pesquisa jurídica e a ferramenta inventou citações de casos que não existiam. O grupo cita pesquisa descobrindo que chatbots de uso geral alucinavam em 58% a 82% das consultas jurídicas testadas, enquanto ferramentas jurídicas especializadas usando geração aumentada por recuperação ainda alucinavam em mais de 17% dos casos.

O MIT Sloan atribui as alucinações a três fatores: dados de treinamento que misturam informações precisas e imprecisas, que os modelos podem reproduzir; o design subjacente de sistemas generativos, que funcionam como "ferramentas de autocompletar avançadas" prevendo palavras seguintes plausíveis em vez de verificar fatos; e limitações arquitetônicas que permitem aos modelos combinar padrões de novas maneiras, às vezes imprecisas, mesmo com dados de treinamento limpos.

Sobre viés, o MIT Sloan relata que estudos descobriram que sistemas de IA podem amplificar estereótipos de gênero e raça em imagens geradas e produzir feedback de qualidade diferente, classificações ou recomendações profissionais dependendo de sinais demográficos em um prompt. O grupo rastreia isso a dados de treinamento que contêm preconceitos sociais existentes, que os modelos reproduzem sem a capacidade de julgar certo de errado. A visão geral da IBM separadamente sinaliza riscos de dados como envenenamento ou viés incorporado, riscos de modelo como roubo ou manipulação de parâmetros, e riscos operacionais como desvio de modelo como preocupações mais amplas para organizações implantando IA.

Por que isso importa agora

A IBM observa que a discussão moderna de IA é dominada por IA generativa — sistemas que criam texto, imagens, vídeo e outro conteúdo original em vez de apenas classificar ou prever dados existentes. Conforme essas ferramentas chegam aos locais de trabalho, escolas e aplicativos do dia a dia, o mesmo mecanismo subjacente — aprender padrões de dados de treinamento — ajuda a explicar tanto suas capacidades quanto seus limites documentados, incluindo os problemas de alucinação e viés que o MIT Sloan descreve.