Explicação dos principais termos de IA: De LLMs a alucinações

O mundo da inteligência artificial é vasto e complexo. Os especialistas nesse campo geralmente usam jargões técnicos para explicar seu trabalho. É por isso que nossa cobertura do setor de IA inclui esses termos especializados. Elaboramos este glossário para esclarecer as palavras e frases-chave que você encontrará em nossos artigos.

Atualizaremos este guia regularmente à medida que os pesquisadores desenvolverem novos métodos e identificarem novas preocupações de segurança na vanguarda da IA.

AGI

Inteligência artificial geral, ou AGI, é um termo amplo e frequentemente debatido. Normalmente, ele descreve a IA que supera a capacidade humana em uma ampla gama de tarefas. Sam Altman, da OpenAI, descreveu-a como um "ser humano mediano que você poderia contratar como colega de trabalho", enquanto o estatuto da OpenAI define AGI como "sistemas altamente autônomos que superam os seres humanos na maioria dos trabalhos economicamente valiosos". O Google DeepMind oferece uma visão um pouco diferente, definindo-a como "IA que é pelo menos tão capaz quanto os humanos na maioria das tarefas cognitivas". O conceito permanece fluido, mesmo entre os principais pesquisadores de IA.

Agente de IA

Um agente de IA é uma ferramenta que aproveita a IA para executar de forma autônoma tarefas de várias etapas além das simples interações de chatbot. Isso pode incluir o registro de despesas, a reserva de viagens ou o gerenciamento de códigos. Como um campo em evolução, a definição de um "agente de IA" pode variar, e a infraestrutura necessária ainda está sendo desenvolvida. Fundamentalmente, ele se refere a um sistema autônomo que pode coordenar vários modelos de IA para atingir objetivos complexos.

Cadeia de pensamento

Os seres humanos podem responder a perguntas simples instantaneamente, mas os problemas complexos geralmente exigem que sejam divididos em etapas. Por exemplo, resolver um quebra-cabeça lógico sobre animais em uma fazenda requer cálculos intermediários.

Na IA, o raciocínio em cadeia é uma técnica em que grandes modelos de linguagem decompõem um problema em etapas menores e lógicas. Esse processo, embora mais lento, aumenta significativamente a precisão, especialmente em tarefas lógicas ou de codificação. Modelos de raciocínio especializados são desenvolvidos com base em LLMs tradicionais e otimizados para esse raciocínio passo a passo por meio do aprendizado por reforço.

(Consulte: Modelo de linguagem grande)

Junte-se a nós no TechCrunch Sessions: IA

Garanta seu lugar em nosso principal evento do setor de IA, com a participação de palestrantes da OpenAI, Anthropic e Cohere. Por tempo limitado, obtenha um passe para o dia inteiro por apenas US$ 292, oferecendo palestras de especialistas, workshops e um poderoso networking.

Exponha no TechCrunch Sessions: IA

Apresente sua inovação para mais de 1.200 tomadores de decisão no TC Sessions: AI. Garanta um estande econômico antes de 9 de maio ou enquanto durar a disponibilidade.

Aprendizado profundo

Um ramo sofisticado do aprendizado de máquina em que os algoritmos de IA são criados com redes neurais artificiais de várias camadas. Essa arquitetura permite que eles identifiquem padrões e correlações complexas muito além de modelos mais simples, como árvores de decisão. Inspirados no cérebro humano, os modelos de aprendizagem profunda aprendem de forma autônoma os principais recursos dos dados sem precisar que os humanos os definam manualmente. Eles melhoram por meio da repetição e da correção de erros.

No entanto, esses modelos exigem conjuntos de dados maciços (milhões de pontos ou mais) e recursos computacionais substanciais para treinamento, o que leva a custos de desenvolvimento mais altos em comparação com o aprendizado de máquina tradicional.

(Consulte: Rede neural)

Difusão

A difusão é a principal tecnologia por trás de muitos modelos modernos de IA que geram arte, música e texto. Inspirados na física, esses sistemas adicionam gradualmente ruído aos dados - como uma imagem ou um som - até que sua estrutura original seja completamente obscurecida. Diferentemente do processo irreversível da natureza, os modelos de difusão de IA aprendem a reverter essa destruição, reconstruindo dados coerentes a partir do ruído, o que lhes confere poderosas habilidades de geração.

Destilação

A destilação é uma técnica de "professor-aluno" para transferir conhecimento de um modelo de IA grande para um menor. Os desenvolvedores consultam o modelo do professor e registram seus resultados, que são usados para treinar o modelo do aluno para imitar o comportamento do professor. Esse processo pode criar um modelo menor, mais rápido e mais eficiente com perda mínima de desempenho - um método que se acredita estar por trás de versões como o GPT-4 Turbo.

Embora comumente usada internamente, a destilação do modelo de um concorrente normalmente viola os termos de serviço da API, levantando considerações éticas e legais no setor.

Ajuste fino

Refere-se ao treinamento adicional de um modelo de IA pré-existente para especializar seu desempenho em uma tarefa ou domínio específico. Isso envolve alimentar o modelo com dados novos e orientados para a tarefa. Muitas startups de IA começam com um modelo de linguagem grande para fins gerais e, em seguida, fazem o ajuste fino com dados proprietários para aprimorar sua utilidade em um setor específico, como direito ou medicina.

(Consulte: Modelo de linguagem grande [LLM])

GAN

A Generative Adversarial Network, ou GAN, é uma estrutura de aprendizado de máquina que impulsiona os avanços na geração de dados realistas, inclusive deepfakes. Ela usa duas redes neurais em concorrência: um gerador que cria dados e um discriminador que avalia sua autenticidade. Esse processo contraditório pressiona o gerador a produzir resultados cada vez mais realistas sem intervenção humana constante. As GANs são excelentes em aplicações específicas, como geração de imagens, mas são menos adequadas para IA de uso geral.

Alucinação

Alucinação é o termo do setor para quando os modelos de IA geram informações incorretas ou fabricadas. Esse é um grande desafio para a confiabilidade e a segurança da IA. Os resultados enganosos podem representar riscos no mundo real, como o fornecimento de orientações médicas prejudiciais. Embora a maioria das ferramentas de GenAI inclua avisos de isenção de responsabilidade, o problema persiste devido às lacunas inerentes aos dados de treinamento, especialmente para modelos de base ampla. Esse problema está impulsionando o desenvolvimento de modelos de IA mais especializados e verticais que operam em domínios de conhecimento mais restritos e bem definidos para reduzir os erros.

Inferência

A inferência é o processo de usar um modelo de IA treinado para fazer previsões ou tirar conclusões de novos dados. É a fase de aplicação que segue o treinamento. A inferência pode ser executada em vários hardwares, desde smartphones até servidores em nuvem com chips de IA especializados, mas o desempenho varia muito. Modelos grandes são executados lentamente no hardware do consumidor em comparação com sistemas dedicados de alto desempenho.

[Veja: Treinamento].

Modelo de linguagem grande (LLM)

Os modelos de linguagem grandes, ou LLMs, alimentam assistentes de IA populares como ChatGPT, Claude e Gemini. Ao interagir com essas ferramentas, você está interagindo com um LLM, muitas vezes ampliado com recursos como navegação na Web. O modelo subjacente (por exemplo, GPT da OpenAI) e o produto de consumo (por exemplo, ChatGPT) podem ter nomes distintos.

Os LLMs são redes neurais profundas com bilhões de parâmetros que aprendem padrões a partir de grandes quantidades de texto. Eles criam uma representação complexa e multidimensional da linguagem. Quando solicitados, eles geram respostas prevendo a sequência mais provável de palavras com base em padrões estatísticos aprendidos durante o treinamento.

(Consulte: Rede neural)

Rede neural

Uma rede neural é a estrutura algorítmica em camadas fundamental para a aprendizagem profunda e o boom da IA moderna. Embora tenha sido inspirada conceitualmente pelo cérebro humano desde a década de 1940, seu poder prático foi revelado pelo surgimento das GPUs do setor de jogos. Esses chips treinam com eficiência redes com muitas camadas, possibilitando avanços em áreas como reconhecimento de voz, navegação autônoma e IA generativa.

(Consulte: Modelo de linguagem grande [LLM])

Treinamento

Treinamento é o processo de fornecer dados a um modelo de aprendizado de máquina para que ele possa aprender padrões e melhorar seus resultados. Inicialmente, um modelo é apenas uma estrutura de números aleatórios; o treinamento o transforma em uma ferramenta funcional, seja para identificar imagens ou escrever textos. Esse processo pode consumir muitos recursos, exigindo grandes quantidades de dados e capacidade de computação. Abordagens híbridas, como o ajuste fino de um sistema baseado em regras, podem ajudar a gerenciar esses custos.

[Consulte: Inferência].

Aprendizagem por transferência

Uma técnica em que um modelo treinado para uma tarefa é usado como ponto de partida para uma tarefa relacionada, mas diferente. Isso aproveita o conhecimento aprendido anteriormente, economizando tempo e recursos, especialmente quando os dados para a nova tarefa são limitados. No entanto, o modelo geralmente requer treinamento adicional nos dados específicos do novo domínio para ter um bom desempenho.

(Consulte: Ajuste fino)

Pesos

Os pesos são os principais parâmetros numéricos em um modelo de IA que determinam a importância de diferentes recursos de entrada durante o treinamento. Eles são inicialmente definidos de forma aleatória e são sistematicamente ajustados à medida que o modelo aprende, moldando seu resultado final. Em um modelo de previsão de preços de imóveis, por exemplo, os pesos seriam aprendidos para recursos como o número de quartos ou a localização, quantificando sua influência no preço final com base nos dados de treinamento.