O que são IA e ML?

Um banco quer sinalizar transações fraudulentas no cartão. O jeito antigo era escrever regras: bloquear qualquer compra acima de R$ 5.000, bloquear compras em dois países dentro de uma hora, e assim por diante. Os fraudadores aprendem as regras e passam por baixo delas, então o time fica adicionando mais regras até ninguém entender o sistema. Os padrões que de fato indicam fraude são sutis, mudam o tempo todo e estão enterrados em milhões de transações. Nenhuma pessoa consegue escrever todos eles.

É essa lacuna que o machine learning preenche. Em vez de você escrever as regras, você mostra a um sistema muitas transações passadas rotuladas como "fraude" ou "legítima", e ele descobre o padrão sozinho. Essa virada, de escrever regras para aprendê-las a partir dos dados, é a ideia central do campo sobre o qual este exame é construído. Esta lição te dá o vocabulário do qual o resto do curso depende.

O que é inteligência artificial

Inteligência artificial é o termo guarda-chuva para qualquer técnica que faz uma máquina executar tarefas que normalmente exigem inteligência humana. A AWS descreve a IA como um termo guarda-chuva para diferentes estratégias e técnicas usadas para deixar as máquinas mais parecidas com humanos. Isso inclui reconhecer um rosto numa foto, entender uma pergunta falada, recomendar um filme ou dirigir um carro.

IA é propositalmente ampla. Ela cobre sistemas baseados em regras (lógica escrita à mão), algoritmos de busca e machine learning, entre outros. O ponto-chave para o exame: nem tudo que é chamado de IA aprende com dados. Um termostato que segue um horário fixo é um sistema simples baseado em regras. É automação, e dá para argumentar que é IA, mas não é machine learning, porque nada nele melhora com a experiência.

O que é machine learning

Machine learning é o ramo da IA que aprende padrões a partir de dados em vez de seguir regras que um desenvolvedor escreveu à mão. A AWS define o ML como a ciência de desenvolver algoritmos e modelos estatísticos que os sistemas usam para executar tarefas complexas sem instruções explícitas, apoiando-se em padrões e inferência.

Guarde essa expressão: sem instruções explícitas. Na programação tradicional, você escreve a lógica e o computador a segue. No machine learning, você fornece os dados e os resultados desejados, e o sistema produz a lógica. Pense na filtragem de spam. A abordagem por regras é uma lista do tipo "bloqueie qualquer e-mail que contenha 'dinheiro fácil'". A abordagem de ML é alimentar o sistema com milhares de e-mails já marcados como spam ou não spam, e deixá-lo aprender quais combinações de palavras, remetentes e padrões preveem spam. Quando o spam evolui, você retreina com novos exemplos em vez de reescrever regras.

Essa é a troca sobre a qual todo o campo é construído: você abre mão do controle direto sobre a lógica e, em troca, ganha um sistema que lida com padrões complexos ou mutáveis demais para escrever à mão.

Como IA, ML, deep learning e IA generativa se encaixam

Esses quatro termos não são quatro coisas separadas. Eles se aninham um dentro do outro, do maior para o menor, e o exame vai testar se você conhece essa ordem.

• Inteligência artificial é o anel mais externo. Qualquer técnica que faz as máquinas agirem de forma inteligente cabe aqui.
• Machine learning fica dentro da IA. É o subconjunto que aprende com dados. Todo machine learning é IA, mas nem toda IA é machine learning.
• Deep learning fica dentro do ML. É o subconjunto que usa redes neurais com muitas camadas (a próxima lição cobre isso em detalhe). Todo deep learning é machine learning.
• IA generativa fica dentro do deep learning. É o subconjunto que cria conteúdo novo: texto, imagens, áudio e código. Toda IA generativa é deep learning.

Leia os anéis de dentro para fora e cada um "é um tipo de" anel ao redor dele. A IA generativa é um tipo de deep learning, que é um tipo de machine learning, que é um tipo de IA. A IA agêntica, que você vai conhecer numa lição mais à frente, se apoia na IA generativa ao deixar os modelos planejarem e agirem, então ela também vive perto do centro.

O erro comum é tratar esses termos como rivais ("uso IA ou ML?"). Eles não são alternativas. Quando você usa IA generativa, você usa as quatro camadas ao mesmo tempo.

O vocabulário central: modelo, algoritmo, treinamento, inferência

Quatro palavras aparecem em quase toda página deste curso. Aprenda-as de uma vez aqui.

Um algoritmo é o procedimento que aprende com os dados. É a receita, como "regressão linear" ou "uma rede neural". Você escolhe um algoritmo antes de ter um modelo.

Um modelo é o que você obtém depois que um algoritmo aprende com os seus dados. É o artefato treinado que guarda os padrões aprendidos e transforma novas entradas em previsões. O algoritmo é a receita; o modelo é o bolo que você assou com os seus ingredientes específicos.

Treinamento é a fase em que o algoritmo processa os seus dados e produz o modelo. O treinamento costuma ser a parte pesada de computação, feita com antecedência. Você treina um modelo de fraude durante a noite com as transações do ano passado.

Inferência é a fase em que o modelo pronto faz previsões sobre entradas novas, nunca vistas. Quando uma transação ao vivo chega e o modelo a classifica como fraude ou não, isso é inferência. Uma lição inteira mais à frente cobre as diferentes formas de rodar inferência, porque essa escolha define custo e latência em produção.

Mantenha treinamento e inferência separados na cabeça. O treinamento constrói o modelo; a inferência o usa. Muitas perguntas do exame dependem de saber a qual fase uma atividade descrita pertence.

Mais dois termos completam o glossário básico, e cada um ganha profundidade depois no curso. Bias (viés) é um erro sistemático que torna um modelo injusto ou impreciso para certos grupos. Fairness (justiça) é o objetivo de um modelo tratar grupos diferentes de forma equitativa. Ambos pertencem ao domínio de IA responsável, então por ora só reconheça os termos.

Quando o machine learning é a ferramenta certa (e quando não é)

Machine learning é poderoso, mas não é a resposta para tudo, e o exame recompensa quem sabe a diferença. Recorra ao ML quando três coisas forem verdade: o padrão é complexo ou mutável demais para escrever como regras, você tem dados relevantes suficientes para aprender, e uma previsão aproximada é aceitável em vez de uma resposta exata garantida.

Detecção de fraude, recomendação de produtos e previsão de demanda se encaixam. Os padrões são bagunçados, os dados são abundantes e uma boa previsão é genuinamente útil mesmo quando erra de vez em quando.

Agora o outro lado. Se você precisa calcular o imposto de uma venda, não use machine learning. Imposto é uma regra fixa, a resposta precisa ser exata, e um modelo "97% preciso" no cálculo de imposto é um sistema quebrado. Quando a lógica é simples e conhecida, e a saída precisa ser comprovadamente correta toda vez, escreva a regra. O ML troca exatidão pela capacidade de lidar com complexidade, e essa troca só faz sentido quando a complexidade é real.

Dicas para o exame

O exame testa as fronteiras entre esses termos muito mais do que as definições em si.

• Quando uma pergunta lista IA, ML, deep learning e IA generativa e pergunta como se relacionam, a resposta é quase sempre a ordem de aninhamento (cada um é subconjunto do anterior). Rejeite qualquer opção que os torne separados ou inverta a contenção.
• Fique de olho na expressão "aprende com os dados" ou "sem regras explícitas". Isso aponta para machine learning, não para IA pura ou automação por regras.
• Se um cenário exige uma saída exata garantida (imposto, um cálculo legal, uma regra de negócio fixa), o exame quer que você diga que o ML não é apropriado. A pista é uma frase como "um resultado específico é necessário" em vez de uma previsão.
• Não confunda "algoritmo" com "modelo". O algoritmo é escolhido antes do treinamento; o modelo é produzido pelo treinamento.

A ideia para levar adiante: machine learning substitui regras escritas à mão por padrões aprendidos dos dados, e fica dentro do campo mais amplo da IA ao mesmo tempo em que contém deep learning e IA generativa dentro de si. Cada lição seguinte se apoia nesse aninhamento, começando pelas redes neurais que tornam o deep learning possível.