04. Fundamentos de Inteligência Artificial

Inteligência artificial reúne técnicas para percepção, linguagem, previsão, decisão e geração. Seu funcionamento e seus limites variam conforme o método, os dados e o contexto. O capítulo distingue aprendizagem e inferência, explica modelos generativos e conecta a tecnologia à arquitetura de dados, à operação e à responsabilidade de uso.

Com dados compreendidos e governados, avançamos para preparação, modelagem analítica, aprendizado de máquina e processamento em escala. Os capítulos ligam fundamentos, algoritmos e aplicações. Este é o capítulo 4 de 24 da disciplina Engenharia e Análise de Dados. Ele retoma Modelagem analítica e mineração de dados e utiliza essa base para avançar. Na sequência, estudaremos Machine Learning aplicado.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Fundamentos de Inteligência Artificial para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

IA, especialização e aprendizagem

Começamos por IA, especialização e aprendizagem, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

IA abrange sistemas que realizam tarefas associadas a percepção, raciocínio, linguagem ou decisão. IA estreita atua em tarefas delimitadas; desempenho forte em xadrez ou classificação não demonstra capacidade universal em qualquer domínio. A utilidade depende de dados, objetivo e contexto. IA não é sinônimo exclusivo de chatbot, e diferentes técnicas podem existir sem geração de texto.

Machine learning aprende padrões em dados ou experiência em vez de exigir que cada regra de decisão seja programada manualmente. Objetivos, dados, arquitetura e controles continuam sendo projetados. Redes neurais combinam unidades parametrizadas e ativações; deep learning usa múltiplas camadas para aprender representações compostas. A inspiração biológica é limitada. Maior profundidade não torna o método sempre superior: compare recursos, generalização, explicabilidade e requisitos de operação.

Paradigmas e validade dos dados

Depois de compreender IA, especialização e aprendizagem, passamos a Paradigmas e validade dos dados. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Supervisionado utiliza pares de entrada e alvo para aprender classificação ou regressão; qualidade e representatividade dos rótulos condicionam o resultado. Não supervisionado busca estrutura sem alvo fornecido, como grupos e componentes. Esses padrões dependem de representação e métrica e não correspondem necessariamente a categorias naturais. Valide generalização fora do treino e interprete o resultado à luz da pergunta.

Reforço aprende uma política por interação com ambiente e recompensas. Um agente pode explorar atalhos que maximizam a recompensa sem cumprir a intenção, tornando desenho de objetivo e segurança essenciais. Treinamento ajusta parâmetros; inferência usa o modelo para produzir saída. Uma consulta comum não altera permanentemente os pesos por definição. Adaptação em produção exige um mecanismo adicional de aprendizagem e controle de suas atualizações.