01. Fundamentos de inteligência artificial e aprendizado de máquina

Um filtro de spam, uma recomendação de filme e um sistema que prevê demanda podem usar inteligência artificial sem reproduzir o pensamento humano. Para compreender esses sistemas, acompanhe quatro perguntas: qual tarefa se deseja resolver, que informação está disponível para aprender, como o resultado será avaliado e o que pode mudar depois da implantação. Esse percurso permite distinguir capacidade técnica, evidência de desempenho e promessa exagerada.

Depois de compreender o cenário contemporâneo, aprofundamos a inteligência artificial. A sequência parte do funcionamento dos sistemas, avança para os modelos generativos e termina com impactos, riscos e formas de governança. Este é o capítulo 1 de 3 da disciplina Inteligência Artificial: Fundamentos e Aplicações. Ele abre o percurso e apresenta as ideias que sustentarão os capítulos seguintes. Depois, a leitura avança para Modelos generativos, modelos de linguagem e aplicações.

Como estudar um tema de atualidades

Atualidades não se resume a memorizar manchetes. Um acontecimento ganha sentido quando é ligado a processos mais longos, atores, interesses, instituições e indicadores. Por isso, cada seção parte de um conceito estável e mostra como ele ajuda a interpretar fatos recentes.

Sempre separe três camadas. A primeira é o conceito, que explica como um fenômeno funciona. A segunda é a evidência, formada por dados, documentos e decisões verificáveis. A terceira é a interpretação, que organiza essas informações e precisa deixar claras suas limitações. Essa separação evita transformar previsão em fato ou opinião em dado.

IA, regras e aprendizado

Começamos por IA, regras e aprendizado, pois essa ideia fornece a base para compreender as demais partes do capítulo.

Inteligência artificial abrange sistemas que inferem saídas a partir de entradas: previsões, recomendações, conteúdo ou decisões. O que define a análise é a função desempenhada pelo sistema e seu modo de operação; consciência, intenção própria ou aparência humana não são requisitos. Um programa que reconhece objetos em uma imagem pode ser IA mesmo sem conversar. Além disso, os limites do campo evoluem: técnicas que foram chamadas de inteligentes podem tornar-se componentes rotineiros de software.

Na IA simbólica, o conhecimento aparece em regras, fatos e relações explícitas. Um sistema especialista pode combinar “se há condição A e condição B, então investigar hipótese C” com fatos conhecidos. Isso facilita rastrear quais regras foram utilizadas, mas alguém precisa adquirir, formalizar e manter esse conhecimento. Exceções numerosas e ambientes que mudam tornam essa manutenção trabalhosa. Ser auditável não torna uma regra correta nem garante que a base esteja completa.

No aprendizado de máquina, parte do comportamento é ajustada com dados. Em vez de enumerar manualmente todas as expressões de spam, usam-se exemplos para aprender relações entre características de mensagens e uma saída desejada. Isso permite lidar com padrões difíceis de descrever como regras, mas transfere parte do desafio para a qualidade dos dados, a definição da tarefa e a avaliação. Métodos simbólicos e estatísticos podem coexistir em um mesmo sistema.

Ao reunir essas ideias, observe as relações entre Inferir saídas, Regras ou padrões, Correlação ≠ causa. Elas não descrevem fatos isolados: formam um mecanismo no qual mudanças em uma parte podem produzir efeitos nas demais.

Três maneiras de aprender