Inteligência artificial generativa (IA) descreve algoritmos (como ChatGPT) que podem ser usados para criar novos conteúdos, incluindo áudio, código, imagens, texto, simulações e vídeos. Novos avanços recentes no campo têm o potencial de mudar drasticamente a maneira como abordamos a criação de conteúdo.
Os sistemas generativos de IA se enquadram na ampla categoria de aprendizado de máquina, e aqui está como um desses sistemas – ChatGPT – descreve o que pode fazer:
Pronto para levar sua criatividade para o próximo nível? Não procure mais do que IA generativa! Essa forma bacana de aprendizado de máquina permite que os computadores gerem todos os tipos de conteúdo novo e empolgante, desde música e arte até mundos virtuais inteiros. E não é apenas por diversão – a IA generativa também tem muitos usos práticos, como criar novos projetos de produtos e otimizar processos de negócios. Então, por que esperar? Libere o poder da IA generativa e veja que criações incríveis você pode criar!
Alguma coisa nesse parágrafo pareceu estranho para você? Talvez não. A gramática é perfeita, o tom funciona e a narrativa flui.
O que são ChatGPT e DALL-E?
É por isso que ChatGPT – o GPT significa transformador pré-treinado generativo – está recebendo tanta atenção agora. É um chatbot gratuito que pode gerar uma resposta para quase todas as perguntas feitas. Desenvolvido pela OpenAI e lançado para teste ao público em geral em novembro de 2022, já é considerado o melhor chatbot de IA de todos os tempos. E também é popular: mais de um milhão de pessoas se inscreveram para usá-lo em apenas cinco dias. Fãs de olhos arregalados postaram exemplos do chatbot produzindo código de computador, ensaios de nível universitário, poemas e até piadas meio decentes. Outros, entre a ampla gama de pessoas que ganham a vida criando conteúdo, de redatores de publicidade a professores titulares, estão tremendo nas botas.
Embora muitos tenham reagido ao ChatGPT (e IA e aprendizado de máquina de forma mais ampla) com medo, o aprendizado de máquina claramente tem potencial para o bem. Nos anos desde sua ampla implantação, o aprendizado de máquina demonstrouimpacto em vários setores, realizando coisas como análise de imagens médicas e previsões meteorológicas de alta resolução. Uma pesquisa da McKinsey de 2022 mostra que a adoção da IA mais que dobrou nos últimos cinco anos, e o investimento em IA está aumentando rapidamente. É claro que ferramentas de IA generativas como ChatGPT e DALL-E (uma ferramenta para arte gerada por IA) têm o potencial de mudar a forma como uma série de trabalhos são executados. O alcance total desse impacto, porém, ainda é desconhecido – assim como os riscos. Mas há algumas perguntas que podemos responder, como como os modelos de IA generativos são construídos, que tipos de problemas eles são mais adequados para resolver e como eles se encaixam na categoria mais ampla de aprendizado de máquina.
Qual é a diferença entre aprendizado de máquina e inteligência artificial?
A inteligência artificial é exatamente o que parece – a prática de fazer com que as máquinas imitem a inteligência humana para realizar tarefas. Você provavelmente já interagiu com a IA, mesmo que não tenha percebido – assistentes de voz como Siri e Alexa são baseados na tecnologia AI, assim como os chatbots de atendimento ao cliente que aparecem para ajudá-lo a navegar nos sites. O aprendizado de máquina é um tipo de inteligência artificial. Por meio do aprendizado de máquina, os profissionais desenvolvem inteligência artificial por meio de modelos que podem “aprender” com padrões de dados sem direção humana. O enorme volume incontrolável e a complexidade dos dados (incontroláveis por humanos, de qualquer maneira) que agora estão sendo gerados aumentaram o potencial do aprendizado de máquina, bem como a necessidade dele.
Quais são os principais tipos de modelos de aprendizado de máquina?
O aprendizado de máquina é baseado em vários blocos de construção, começando com técnicas estatísticas clássicas desenvolvidas entre os séculos 18 e 20 para pequenos conjuntos de dados. Nas décadas de 1930 e 1940, os pioneiros da computação – incluindo o matemático teórico Alan Turing – começaram a trabalhar nas técnicas básicas de aprendizado de máquina. Mas essas técnicas ficaram limitadas a laboratórios até o final dos anos 1970, quando os cientistas desenvolveram computadores poderosos o suficiente para montá-las.
Até recentemente, o aprendizado de máquina era amplamente limitado a modelos preditivos, usados para observar e classificar padrões em conteúdo. Por exemplo, um problema clássico de aprendizado de máquina é começar com uma imagem ou várias imagens de, digamos, gatos adoráveis. O programa então identificaria padrões entre as imagens e, em seguida, examinaria as imagens aleatórias em busca daquelas que correspondessem ao adorável padrão de gato. A IA generativa foi um avanço. Em vez de simplesmente perceber e classificar uma foto de um gato, o aprendizado de máquina agora é capaz de criar uma imagem ou descrição de texto de um gato sob demanda.
Como funcionam os modelos de aprendizado de máquina baseados em texto? Como eles são treinados?
O ChatGPT pode estar recebendo todas as manchetes agora, mas não é o primeiro modelo de aprendizado de máquina baseado em texto a fazer sucesso. O GPT-3 da OpenAI e o BERT do Google foram lançados nos últimos anos com algum alarde. Mas antes do ChatGPT, que, segundo a maioria das contas, funciona muito bem na maioria das vezes (embora ainda esteja sendo avaliado), os chatbots de IA nem sempre recebiam as melhores críticas. O GPT-3 é “às vezes superimpressionante e super decepcionante”, disse o repórter de tecnologia do New York Times Cade Metz em um vídeo em que ele e a escritora de alimentos Priya Krishna pediram ao GPT-3 que escrevesse receitas para um (bastante desastroso) jantar de Ação de Graças.
Os primeiros modelos de aprendizado de máquina para trabalhar com texto foram treinados por humanos para classificar várias entradas de acordo com rótulos definidos pelos pesquisadores. Um exemplo seria um modelo treinado para rotular postagens de mídia social como positivas ou negativas. Esse tipo de treinamento é conhecido como aprendizado supervisionado porque um humano é responsável por “ensinar” ao modelo o que fazer.
A próxima geração de modelos de aprendizado de máquina baseados em texto depende do que é conhecido como aprendizado auto supervisionado. Esse tipo de treinamento envolve alimentar um modelo com uma grande quantidade de texto para que ele seja capaz de gerar previsões. Por exemplo, alguns modelos podem prever, com base em algumas palavras, como uma frase terminará. Com a quantidade certa de texto de amostra – digamos, uma ampla faixa da internet – esses modelos de texto tornam-se bastante precisos. Estamos vendo o quão preciso é o sucesso de ferramentas como o ChatGPT.
Fonte: McKinsey