Introdução à IA Generativa

O que é a IA generativa? Não sabe por onde começar? Conheça este minicurso! Apresentaremos os fundamentos da IA ​​genérica, incluindo aplicações comuns, tipos de modelos e os fundamentos de como pode utilizá-la. Descubra o poder por detrás desta tecnologia e veja como está a mudar a forma como resolvemos problemas e contamos histórias. 🙌

A inteligência artificial (IA) e a aprendizagem automática (ML) estão a mudar o futuro do trabalho. Embora ambos os termos pareçam semelhantes, a aprendizagem automática é, na verdade, uma técnica específica utilizada pelos designers de IA para criar programas de computador artificialmente inteligentes. Conhecer os princípios básicos de como a IA e o ML se relacionam pode ajudá-lo a navegar por estas tecnologias à medida que transformam o cenário de trabalho, permitindo-lhe contribuir eficazmente para projetos orientados pela IA ou liderar as suas próprias iniciativas de IA.

Nesta leitura, irá explorar algumas das técnicas de ML que os designers de IA utilizam para construir programas de IA, aprofundando a sua compreensão de como o ML aproveita os dados para tomar decisões e executar tarefas. Explorará também como as técnicas de ML abriram caminho para a IA generativa.

Técnicas de desenvolvimento de IA

A inteligência artificial refere-se a programas de computador que podem completar tarefas cognitivas normalmente associadas à inteligência humana. Existem duas técnicas principais utilizadas para conceber programas de IA:

Baseadas em regras envolvem a criação de programas de IA que seguem estritamente regras predefinidas para tomar decisões. Por exemplo, um filtro de spam que utilize técnicas baseadas em regras pode bloquear e-mails que contenham palavras-chave específicas utilizando a sua lógica predefinida.

Aprendizagem automática envolvem a criação de programas de IA que podem analisar e aprender com os padrões dos dados para tomar decisões independentes. Por exemplo, um filtro de spam que utilize estas técnicas pode sinalizar spam potencial para o destinatário rever, evitando o bloqueio automático. Se o destinatário marcar e-mails de fontes fidedignas como seguros, o filtro de spam aprende e adapta a sua lógica para incluir e-mails semelhantes desse remetente no futuro.

As ferramentas de IA podem utilizar técnicas baseadas em regras ou de ML, ou até mesmo uma combinação de ambas. Em geral, as técnicas baseadas em regras são normalmente utilizadas para tarefas que exigem rigidez, como o bloqueio de mensagens de remetentes não fidedignos que são obviamente spam, como pedidos de transferências bancárias ou informações privadas. Por outro lado, as técnicas de ML são mais adequadas para tarefas que exigem flexibilidade e adaptabilidade, como aprender a reconhecer que mensagens de remetentes fidedignos contendo gralhas não são spam.

Abordagens para treinar programas de ML

Lembre-se de que a aprendizagem automática é um subconjunto da IA ​​focada no desenvolvimento de programas de computador que podem analisar dados para tomar decisões ou previsões. Os designers de IA utilizam frequentemente o ML nos seus programas de IA porque não tem as limitações das técnicas baseadas em regras.

Existem três abordagens comuns para treinar programas de ML:

• Aprendizagem supervisionada
• Aprendizagem não supervisionada
• Aprendizagem por reforço

Aprendizagem supervisionada
Nesta abordagem, o programa de ML aprende com um conjunto de treino rotulado. Um conjunto de treino rotulado inclui dados rotulados ou marcados, o que fornece contexto e significado aos dados. Por exemplo, um filtro de spam de e-mail treinado com aprendizagem supervisionada utilizaria um conjunto de treino de e-mails rotulados como “spam” ou “não spam”. A aprendizagem supervisionada é frequentemente utilizada quando existe um resultado específico em mente.

Aprendizagem não supervisionada
Nesta abordagem, o programa de ML aprende com um conjunto de treino não rotulado. Um conjunto de treino sem etiqueta inclui dados que não possuem etiquetas ou tags. Por exemplo, o ML pode ser utilizado para analisar um conjunto de dados de mensagens de correio eletrónico não classificadas e encontrar padrões em tópicos, palavras-chave ou contactos. Por outras palavras, a aprendizagem não supervisionada é utilizada para identificar padrões nos dados sem um resultado específico em mente.

Aprendizagem por reforço
Nesta abordagem, o programa de ML utiliza a tentativa e o erro para aprender quais as ações que levam ao melhor resultado. O programa aprende a fazer isso sendo recompensado por fazer boas escolhas que levam aos resultados desejados. A aprendizagem por reforço é comummente utilizada por ferramentas de IA conversacional. À medida que estas ferramentas recebem feedback dos utilizadores e designers de IA, aprendem a gerar respostas eficazes.

Cada técnica de ML tem os seus próprios pontos fortes e fracos. Dependendo do tipo de dados disponíveis e do que é necessário para resolver o problema específico, os designers de IA podem utilizar uma, duas ou as três técnicas para produzir uma solução baseada em IA.

IA generativa

Os avanços na aprendizagem automática ajudaram a abrir caminho para a IA generativa – IA que pode gerar novos conteúdos, como texto, imagens ou outros media. Este tipo de IA utiliza frequentemente uma combinação de aprendizagem supervisionada, não supervisionada e de reforço para criar conteúdo original.

Por exemplo, todas as três abordagens desempenham papéis distintos nas ferramentas de IA conversacional. A aprendizagem supervisionada equipa as ferramentas de IA conversacional com dados fundamentais de diálogo, permitindo-lhes responder adequadamente a sinais comuns de conversação. A aprendizagem não supervisionada permite-lhes interpretar nuances da linguagem, como os coloquialismos, que ocorrem naturalmente na conversa. A aprendizagem por reforço fortalece ainda mais estas ferramentas, permitindo-lhes melhorar as suas respostas em tempo real com base no feedback dos utilizadores. Isto permite-lhes adaptar-se ao contexto conversacional e envolver-se em conversas naturais.

A capacidade da IA ​​genérica de criar e inovar oferece uma série de benefícios para todos os tipos de locais de trabalho e profissões, tais como marketing, desenvolvimento de produtos, engenharia, educação, produção e investigação e desenvolvimento. Estes benefícios incluem:

Maior eficiência: a IA generativa pode automatizar ou aumentar as tarefas rotineiras, permitindo que os trabalhadores se concentrem noutras prioridades de trabalho.

Experiências personalizadas: a IA generativa pode adaptar as suas interações às preferências e necessidades individuais.

Melhores decisões: a IA generativa pode analisar rapidamente grandes quantidades de dados para descobrir insights úteis.

Estas são apenas algumas das formas pelas quais a IA generativa pode melhorar o seu trabalho.

This blog post is based on information and concepts derived from the Coursera module titled “Google AI Essentials.” The original content can be found here:
https://www.coursera.org/learn/google-ai-essentials