Conceitos centrais de IA e ML

Este tópico constrói o vocabulário do qual o resto do exame AWS Certified AI Practitioner depende. Antes de comparar serviços, raciocinar sobre prompts ou julgar se um modelo é justo, você precisa de uma imagem clara do que são IA, machine learning, deep learning e IA generativa, de como eles se aninham um dentro do outro, e de como um modelo vai dos dados brutos até uma previsão ao vivo. Cada termo aqui reaparece nos domínios seguintes, então acertá-los cedo transforma boa parte do exame em raciocínio, e não em adivinhação.

O que este tópico cobre

• A diferença entre IA, machine learning e deep learning, e o vocabulário central de modelo, algoritmo, treinamento e inferência
• O que são redes neurais, o que torna o deep learning "profundo" e como ele se compara ao ML tradicional
• IA generativa, modelos de fundação, LLMs e IA agêntica, e como cada um difere do ML preditivo
• As duas propriedades independentes dos dados (estrutura e rotulagem) e formatos comuns como tabular, série temporal, imagem e texto
• As três formas de os modelos aprenderem: aprendizado supervisionado, não supervisionado e por reforço
• As quatro formas de um modelo treinado servir previsões: inferência em tempo real, em lote, assíncrona e serverless

Por que isso importa

Esses conceitos se mapeiam quase um a um na Task Statement 1.1 do exame, que pede para você definir termos de IA, comparar IA, ML, deep learning, IA generativa e IA agêntica, e descrever os tipos de dados, aprendizado e inferência. O exame testa as fronteiras entre essas ideias muito mais do que as definições em si: se você consegue distinguir generativa de agêntica, dados rotulados de não rotulados, ou inferência em tempo real de em lote num cenário descrito. Domine as distinções aqui e o resto do curso, das aplicações de modelos de fundação à segurança e governança, se apoia em terreno firme.