Visão geral
O software tradicional é uma lista de instruções escritas por pessoas: se acontecer isto, faça aquilo. A IA inverte esta lógica. Em vez de escreverem as regras, os engenheiros mostram muitos exemplos a um sistema e deixam que um algoritmo de aprendizagem descubra as regras por si.
Quase todos os sistemas de IA que utiliza atualmente seguem o mesmo processo.
| Etapa | O que acontece | Exemplo: um assistente de chat |
|---|---|---|
| Dados | Recolher e preparar exemplos. | Grandes quantidades de texto, código e conversas. |
| Modelo | Escolher uma arquitetura com parâmetros ajustáveis. | Uma rede neuronal Transformer com milhares de milhões de parâmetros. |
| Treino | Ajustar os parâmetros para reduzir os erros. | Prever o token seguinte e depois aperfeiçoar o modelo com feedback humano e de IA. |
| Avaliação | Testar com dados que o modelo ainda não viu. | Testes de referência, testes de segurança e avaliação humana. |
| Inferência | Utilizar o modelo com novos dados de entrada. | Responder à sua mensagem em segundos. |
Passo 1: Dados
Os dados são a matéria-prima da IA. Um modelo só consegue aprender padrões presentes nos dados com que é treinado. Por isso, a qualidade, a diversidade e a equidade desses dados influenciam tudo o que vem a seguir.
- Dados estruturados: tabelas, como registos de transações, leituras de sensores ou processos clínicos.
- Dados não estruturados: texto, imagens, áudio e vídeo, que constituem a maior parte da informação do mundo.
- Dados etiquetados: exemplos acompanhados da resposta correta, como fotografias identificadas como "gato" ou "cão".
- Dados sintéticos: exemplos gerados por outros modelos de IA, hoje amplamente utilizados para treinar e aperfeiçoar novos modelos.
Antes do treino, os dados são limpos, os duplicados são removidos, os conteúdos nocivos ou de baixa qualidade são filtrados e tudo é convertido em números que o modelo consegue processar. No caso do texto, isso implica dividi-lo em tokens, que podem ser palavras ou partes de palavras.
Passo 2: Métodos de aprendizagem
A aprendizagem automática oferece várias formas de aprender a partir dos dados. Os sistemas modernos combinam-nas frequentemente.
Aprendizagem supervisionada
Aprende com exemplos etiquetados. É utilizada para detetar spam, classificar imagens médicas e prever preços.
Aprendizagem não supervisionada
Encontra padrões em dados não etiquetados, como segmentos de clientes ou transações invulgares.
Aprendizagem auto-supervisionada
Cria as suas próprias etiquetas a partir de dados brutos, por exemplo, ocultando uma palavra e tentando prevê-la. É assim que os LLMs são pré-treinados.
Aprendizagem por reforço
Aprende por tentativa e erro, com base em recompensas. É utilizada em IA que joga, em robótica e no treino de modelos de raciocínio.
Passo 3: Redes neuronais
A maioria dos sistemas de IA modernos utiliza redes neuronais artificiais. Uma rede é composta por camadas de pequenas unidades (neurónios). Cada unidade multiplica as entradas por pesos, soma os resultados e passa-os por uma função não linear simples antes de os enviar para a camada seguinte.
- A camada de entrada recebe números que representam os dados, como valores dos píxeis ou representações numéricas dos tokens.
- As camadas ocultas transformam esses números, passo a passo, em características mais abstratas, como contornos, formas e objetos numa imagem.
- A camada de saída produz o resultado, como a probabilidade de cada palavra possível surgir a seguir.
A aprendizagem profunda significa simplesmente utilizar redes com muitas camadas. Diferentes arquiteturas adequam-se a diferentes tipos de dados: redes convolucionais para imagens, redes recorrentes para sistemas de reconhecimento de voz mais antigos, modelos de difusão para gerar imagens e Transformers para linguagem e, cada vez mais, para quase tudo o resto.
Passo 4: Treino
O treino é um ciclo de otimização que se repete milhares de milhões de vezes.
- Passagem direta: o modelo faz uma previsão para um conjunto de exemplos.
- Perda: uma função de perda mede o erro da previsão.
- Retropropagação: o algoritmo calcula quanto cada peso contribuiu para o erro.
- Descida do gradiente: cada peso é ligeiramente ajustado na direção que reduz o erro.
Os modelos de linguagem mais avançados são treinados com enormes conjuntos de dados, usando milhares de chips especializados (GPU ou TPU) durante semanas ou meses. Segundo estimativas públicas, treinar os maiores modelos custa dezenas ou centenas de milhões de dólares. Por isso, só algumas empresas os criam de raiz.
Um problema comum é o sobreajustamento: o modelo memoriza os exemplos de treino em vez de aprender padrões gerais. Os engenheiros detetam-no ao testar o modelo com dados de validação separados e evitam-no com mais dados, regularização e paragem antecipada.
Passo 5: Inferência
A inferência é o que acontece quando usa a IA. Os pesos do modelo treinado ficam fixos e os seus dados de entrada passam pela rede uma vez (ou, na geração de texto, uma vez por cada token gerado) para produzir uma resposta.
A inferência é muito mais barata do que o treino, mas, à escala de centenas de milhões de utilizadores, continua a exigir grandes centros de dados. Por isso, os fornecedores disponibilizam modelos de vários tamanhos: modelos pequenos e rápidos para tarefas simples e modelos maiores ou de raciocínio para problemas difíceis.
Como funcionam os grandes modelos de linguagem
Os grandes modelos de linguagem (LLM), como os GPT da OpenAI, Claude da Anthropic e Gemini da Google, bem como os modelos de pesos abertos Llama, Mistral, Qwen ou DeepSeek, são criados em várias etapas.
Tokens e embeddings
O texto é dividido em tokens e cada token é convertido num embedding: uma longa lista de números que representa o seu significado. Palavras com significados semelhantes acabam por ter embeddings semelhantes.
O Transformer e a atenção
A arquitetura Transformer, apresentada em 2017, usa um mecanismo chamado atenção. Para cada token, a atenção determina que outros tokens do contexto são mais relevantes. Isto permite ao modelo associar um pronome ao nome certo ou uma pergunta à parte relevante de um documento longo.
Pré-treino
O modelo lê enormes quantidades de texto e aprende a prever o token seguinte. Para o fazer bem, tem de assimilar gramática, factos, formas de raciocínio e padrões de programação.
Pós-treino
Um modelo que passou apenas pelo pré-treino limita-se a continuar textos. O ajuste com instruções, a aprendizagem por reforço com feedback humano (RLHF) e métodos semelhantes ensinam-no a seguir instruções, manter uma conversa, recusar pedidos prejudiciais e admitir incertezas.
Contexto e ferramentas
Durante a inferência, o modelo recebe uma janela de contexto com a sua conversa, instruções e, por vezes, documentos consultados. A geração aumentada por recuperação (RAG) e a pesquisa na Web dão ao modelo acesso a factos atualizados que não aprendeu durante o treino.
Modelos de raciocínio e agentes de IA
Desde 2024, dois desenvolvimentos mudaram a forma como a IA avançada funciona na prática.
Os modelos de raciocínio são treinados, muitas vezes com aprendizagem por reforço, para analisar um problema por etapas intermédias antes de dar uma resposta final. Dedicar mais capacidade de processamento à resposta tende a melhorar os resultados em matemática, ciências, programação e planeamento. A maioria dos principais fornecedores já disponibiliza modos de raciocínio ou de «pensamento».
Os agentes de IA colocam um modelo num ciclo: planear, agir com uma ferramenta, observar o resultado e voltar a planear. As ferramentas podem incluir navegação na Web, execução de código, edição de ficheiros ou outro software. Os agentes conseguem concluir tarefas com várias etapas, mas continuam a precisar de objetivos claros, permissões e revisão humana.
Os sistemas multiagente vão mais longe e permitem que vários intervenientes de IA colaborem ou debatam entre si. A investigação sobre «debate de IA» sugere que a crítica mútua entre modelos pode revelar erros que um único modelo não detetaria.
O que isto significa no dia a dia
Perceber como funciona a IA ajuda-o a usá-la melhor.
- Dê contexto. O modelo só conhece o que consta dos seus dados de treino e do seu pedido.
- Peça o raciocínio e as fontes de factos importantes e, depois, verifique-os.
- Use um modelo de raciocínio para problemas complexos e um modelo rápido para rascunhos.
- Compare perspetivas. Modelos diferentes, treinados com dados diferentes, podem chegar a conclusões diferentes.
Debatly facilita essa comparação: várias personagens de IA debatem a sua pergunta e um juiz de IA resume quem apresentou os melhores argumentos e porquê. Também pode conversar diretamente com os modelos mais recentes da OpenAI, Anthropic e Google na mesma aplicação.