O que é IA?
Inteligência artificial (IA) acontece quando um computador faz uma tarefa que exige um pensamento parecido com o humano: ver, ouvir, entender a linguagem ou decidir. Quase toda IA de hoje funciona aprendendo com dados, e não apenas seguindo instruções fixas.
IA, aprendizado de máquina e aprendizado profundo
- IA é a ideia geral: máquinas agindo de forma inteligente.
- Aprendizado de máquina (machine learning, ML) é uma parte da IA em que a máquina encontra padrões nos dados.
- Aprendizado profundo (deep learning) é uma parte do ML que usa redes neurais grandes, por exemplo para reconhecer rostos.
Três grandes áreas
- Ciência de dados: números e tabelas (prever preços).
- Visão computacional: imagens e vídeos (desbloqueio facial).
- Processamento de linguagem natural (PLN): texto e fala (assistentes de voz, tradução).
Nem tudo que é automático é IA: o timer de uma máquina de lavar segue passos fixos e não aprende.
As seis etapas do ciclo de projeto de IA
- Definição do Problema: entender o problema. Preencha um canvas dos 4Ws: Quem (as pessoas envolvidas), O quê (o problema e a prova dele), Onde (a situação ou o contexto), Por quê (o benefício de resolver). Termine com um enunciado do problema em uma frase.
- Coleta de Dados: reunir dados relevantes, confiáveis e que podemos usar. Fontes: pesquisas, sensores, câmeras, observações, web scraping, conjuntos de dados abertos (APIs). Os dados têm características (entradas, como tamanho e cor) e um rótulo (a resposta, como maçã).
- Exploração de Dados: limpar os dados (corrigir valores que faltam, errados ou repetidos) e visualizá-los em gráficos para ver padrões.
- Modelagem: escolher um método. Baseado em regras: as pessoas escrevem as regras. Baseado em aprendizado: a máquina aprende as regras a partir dos dados (por exemplo, aprendizado supervisionado com dados rotulados e aprendizado não supervisionado que encontra grupos).
- Avaliação: testar o modelo com dados que ele nunca viu. Medir a acurácia e olhar os erros.
- Implantação: colocar o modelo em um aplicativo ou aparelho real, observar como ele funciona e continuar melhorando. Depois o ciclo recomeça.
Avaliando um modelo: acurácia em números simples
Acurácia = previsões corretas ÷ total de previsões × 100%.
Se um modelo de frutas vê 200 frutas novas e acerta 180, a acurácia = 180 ÷ 200 × 100 = 90%. Guardamos uma parte dos dados como dados de teste porque o modelo pode simplesmente "decorar" os dados de treino; testar com dados novos mostra se ele realmente aprendeu.
A acurácia sozinha pode esconder problemas: um modelo pode acertar 95% no geral, mas ir muito pior para um grupo de pessoas. Por isso também conferimos os resultados grupo por grupo.
Ética e viés na IA
Ética em IA significa garantir que a IA seja usada de forma justa e segura para as pessoas.
- Viés: o modelo trata algumas pessoas de forma injusta, em geral porque os dados de treino têm poucos exemplos ou exemplos de um só tipo. Exemplo: um desbloqueio facial treinado quase só com um tom de pele falha mais para os outros.
- Privacidade: colete só os dados de que precisa, com permissão, e proteja-os.
- Transparência: as pessoas devem saber quando uma IA está decidindo e por quê.
- Responsabilidade: os humanos continuam responsáveis pelo que a IA faz.
- Empregos e acesso: a IA deve ajudar as pessoas, e todos devem poder usá-la.
Soluções: dados equilibrados e conferidos, testes em todos os grupos, revisão humana nas decisões importantes.
Fórmulas e definições principais
- Acurácia (%) = previsões corretas ÷ total de previsões × 100
- Ciclo de projeto de IA: Definição do Problema → Coleta de Dados → Exploração de Dados → Modelagem → Avaliação → Implantação
- Canvas dos 4Ws: Quem, O quê, Onde, Por quê
- Característica (feature): uma propriedade de entrada dos dados. Rótulo (label): a resposta correta de um exemplo.
- Os dados de treino ensinam o modelo; os dados de teste o verificam.
- Viés: resultados injustos para algum grupo, muitas vezes causados por dados desequilibrados.
Exemplos resolvidos
1. Escreva um enunciado de problema com os 4Ws para alunos que esquecem de beber água na escola.
Quem: alunos de 12 a 15 anos. O quê: bebem pouca água e ficam cansados. Onde: nas salas de aula, durante longos períodos. Por quê: lembretes podem melhorar a saúde e a concentração. Enunciado: "Nossos alunos (quem) bebem pouca água (o quê) durante as aulas longas (onde); um lembrete inteligente os manteria saudáveis e atentos (por quê)."
2. Um modelo de doenças de plantas, testado com 250 fotos novas de folhas, dá 215 respostas corretas. Calcule a acurácia.
Acurácia = 215 ÷ 250 × 100 = 86%.
3. Um modelo de aprovação de empréstimos foi treinado só com dados de clientes da cidade. Que problema pode aparecer e como resolvê-lo?
Ele pode rejeitar injustamente clientes do campo, porque nunca aprendeu os padrões deles (viés). Solução: coletar dados equilibrados também do campo, testar a acurácia separadamente para cada grupo e pedir que uma pessoa revise as rejeições.
Erros comuns
- Pular direto para a modelagem sem definir o problema. Sem um enunciado claro, os dados coletados podem ser inúteis.
- Testar o modelo com os mesmos dados usados no treino. Isso só confere a memória, não o aprendizado.
- Achar que mais dados é sempre melhor. Errado: dados errados, enviesados ou privados pioram o modelo ou o tornam antiético.
- Chamar toda máquina automática de "IA". Só é IA se aprende ou raciocina a partir de dados.