A inteligência artificial (IA) abrange muitas tecnologias complexas e emergentes que antes exigiam contribuição humana e agora podem ser realizadas por um computador. Os computadores podem executar funções avançadas, que historicamente eram usadas para entender e recomendar informações. Agora, com a IA, os computadores podem até gerar novos conteúdos.
A sigla "AI" é muitas vezes usada de forma intercambiável para representar vários tipos de tecnologias que compõem o campo de IA.
Conceitos comuns de IA
Há vários termos e conceitos que definem inteligência artificial e machine learning, o que pode ser útil. Confira algumas maneiras de usar a IA na prática na Web
IA geral
De modo geral, a IA geral é um programa ou modelo não humano que demonstra uma ampla variedade de soluções de problemas e criatividade. Um model é uma equação matemática muito grande, que inclui um conjunto de parâmetros e a estrutura necessários para que uma máquina retorne uma saída.
Com a IA geral, é possível realizar vários tipos de tarefas, como analisar dados, traduzir textos, compor músicas, identificar doenças e muito mais.
IA restrita
Narrow AI é um sistema que pode executar um único ou subconjunto específico de tarefas. Por exemplo, um computador que joga xadrez contra um oponente humano (não confunda com o Mechanical Turk). A IA restrita tem um conjunto predefinido de parâmetros, restrições e contextos, que podem parecer compreensão, mas são apenas respostas para uma equação.
Você pode ver isso na prática com sistemas de reconhecimento facial, assistentes de voz e previsão do tempo. É possível usar modelos altamente específicos para melhorar funcionalidades específicas em sites e apps.
Por exemplo, você criou um site dedicado a filmes, em que os usuários podem fazer login, classificar os filmes favoritos e descobrir novos para assistir. É possível usar um banco de dados pré-preenchido para recomendar filmes com base na página atual que eles estão visitando. Ou é possível usar um modelo de IA estreito que analisa o comportamento e as preferências do usuário para mostrar as informações mais relevantes para esse leitor.
IA generativa
Um modelo de linguagem grande (LLM) é um modelo de IA de rede neural com muitos parâmetros que podem ser usados para executar uma ampla variedade de tarefas, como gerar, classificar ou resumir textos ou imagens.
A IA generativa responde às entradas e cria conteúdo, criada com base no contexto e na memória de um LLM. Isso vai além das previsões e da correspondência de padrões. Algumas das ferramentas de IA generativa mais comuns incluem:
Essas ferramentas podem criar prosa escrita, exemplos de código e imagens. Eles podem ajudar você a planejar férias, suavizar ou profissionalizar o tom de um e-mail ou classificar diferentes conjuntos de informações em categorias.
Existem inúmeros casos de uso, para desenvolvedores e para não desenvolvedores.
Machine learning (ML)
O machine learning (ML) é uma forma de IA, em que um computador aprende sem programação explícita. Enquanto a IA tenta gerar inteligência, o ML permite que os computadores aprendam com a experiência. O ML consiste em algoritmos para fazer previsões de conjuntos de dados.
O ML é o processo de treinamento de um modelo para fazer previsões úteis ou gerar conteúdo com base em dados.
Por exemplo, suponha que queremos criar um site que classifique o clima em qualquer dia. Tradicionalmente, isso pode ser feito por um ou mais meteorologistas, que podiam criar uma representação da atmosfera e da superfície da Terra, calcular e prever os padrões climáticos e determinar uma classificação comparando os dados atuais com o contexto histórico.
Em vez disso, podemos fornecer ao modelo de ML uma enorme quantidade de dados meteorológicos, até que ele aprenda a relação matemática entre padrões climáticos, dados históricos e diretrizes sobre o que faz o clima bom ou ruim em qualquer dia específico. Na verdade, nós desenvolvemos isso na Web.
Aprendizado profundo
O aprendizado profundo é uma classe de algoritmos de ML. Um exemplo são as redes neurais profundas (DNNs, na sigla em inglês), que tentam modelar a maneira como o cérebro humano processa informações.
Desafios da IA
Há vários desafios ao criar e usar a IA. Veja a seguir alguns destaques do que você precisa considerar.
Qualidade dos dados e tempo para retorno
Grandes conjuntos de dados usados para treinar vários modelos de IA costumam estar inerentemente desatualizados logo depois de serem usados. Isso significa que, ao procurar as informações mais recentes, você pode se beneficiar da engenharia de comando para aprimorar o desempenho de um modelo de IA em tarefas específicas e produzir melhores resultados.
Os conjuntos de dados podem estar incompletos ou muito pequenos para oferecer suporte a alguns casos de uso. Pode ser útil tentar trabalhar com várias ferramentas ou personalizar o modelo para atender às suas necessidades.
Questões relacionadas à ética e ao viés
A tecnologia de IA é empolgante e tem muito potencial. No entanto, computadores e algoritmos são criados por humanos, treinados com dados que podem ser coletados por humanos e, portanto, estão sujeitos a vários desafios. Por exemplo, modelos podem aprender e amplificar o viés humano e os estereótipos nocivos, afetando diretamente os resultados. É importante abordar a criação de tecnologia de IA com a redução de vieses como prioridade.
Existem inúmeras considerações éticas sobre direitos autorais de conteúdo gerado por IA. Quem é o proprietário da saída, especialmente se ela for muito influenciada ou copiada diretamente de materiais protegidos por direitos autorais?
Antes de gerar novos conteúdos e ideias, considere as políticas existentes sobre como usar o material que você cria.
Segurança e privacidade
Muitos desenvolvedores da Web disseram que privacidade e segurança são as principais preocupações ao usar ferramentas de IA. Isso é ainda mais válido em contextos de negócios com requisitos de dados rigorosos, como governos e empresas de saúde. A exposição de dados do usuário a mais terceiros com as APIs do Cloud é uma preocupação. É importante que toda transmissão de dados seja segura e monitorada continuamente.
A IA no dispositivo pode ser a chave para lidar com esses casos de uso. O MediaPipe é uma solução em desenvolvimento para o problema, mas há muito mais pesquisas e desenvolvimento a serem feitos.
Começar a usar a IA na Web
Agora que você está familiarizado com os diversos tipos de inteligência artificial, comece a pensar em como usar modelos existentes para aumentar a produtividade e criar melhores sites e aplicativos da Web.
Você pode usar a IA para:
- Melhore o preenchimento automático para a pesquisa no site.
- Detecte a presença de objetos comuns, como humanos ou animais de estimação, com uma câmera inteligente.
- Resolva o spam de comentários com um modelo de linguagem natural.
- Aumente sua produtividade ativando o preenchimento automático do seu código.
- Crie uma experiência de escrita WYSIWYG com sugestões para a próxima palavra ou frase.
- Forneça uma explicação clara de um conjunto de dados.
- E mais…
Os modelos de IA pré-treinados podem ser uma ótima maneira de melhorar nossos sites, apps da Web e produtividade, sem precisar de uma compreensão completa de como criar os modelos matemáticos e reunir conjuntos de dados complexos que alimentam as ferramentas de IA mais conhecidas.
A maioria dos modelos pode atender às suas necessidades imediatamente, sem mais ajustes. Ajuste é o processo de escolher um modelo, que já foi treinado em um grande conjunto de dados, e treinamento adicional para atender às suas necessidades de uso específicas. Há várias técnicas para ajustar um modelo:
- O aprendizado por reforço com feedback humano (RLHF, na sigla em inglês) é uma técnica que usa feedback humano para melhorar o alinhamento de um modelo com preferências e intenções humanas.
- A adaptação de baixa classificação (LoRA, na sigla em inglês) é um método eficiente de parâmetros para LLMs que reduz o número de parâmetros treináveis e mantém o desempenho do modelo.