O que é inteligência artificial (AI)?

A inteligência artificial (AI) é um ramo da ciência da computação que permite que as máquinas realizem tarefas que normalmente exigiriam inteligência humana, como aprender, raciocinar, resolver problemas, reconhecer padrões e tomar decisões. De forma mais simples, a AI é um software que aprende com dados e usa o que aprendeu para fazer previsões, tomar decisões ou criar novos conteúdos sem ser explicitamente programado para cada tarefa.

A AI de hoje executa desde filtros de spam e mecanismos de recomendação até chatbots como o ChatGPT e geradores de imagens. Ela se baseia em uma variedade de técnicas, principalmente o machine learning e a AI generativa, e saiu dos laboratórios de pesquisa para fazer parte de produtos que as pessoas usam todos os dias.

A cientista da computação de Stanford, Fei-Fei Li, escrevendo no Stanford Emerging Technology Review, coloca a AI na mesma categoria das tecnologias mais transformadoras da história moderna: “A AI é uma tecnologia fundamental que está avançando outros campos científicos e, assim como a eletricidade e a internet, tem o potencial de transformar o funcionamento da sociedade”. A adoção agora está se expandindo em todos os setores, desde a saúde e serviços financeiros até o varejo e a manufatura, e o ritmo está acelerando.

Esta página aborda como a AI funciona, os principais tipos de AI, exemplos do mundo real, as limitações que devem ser observadas e um breve histórico da área.

O que é AI em palavras simples?

Pense na AI como ensinar um computador por meio de exemplos, em vez de escrever instruções passo a passo. Mostre a um sistema milhares de fotos de gatos e ele aprenderá a reconhecer gatos por conta própria, não porque alguém lhe disse que gatos têm bigodes e orelhas pontudas, mas porque ele viu exemplos suficientes para identificar o padrão. A AI não está “pensando” da maneira que você ou eu pensamos. Ela está encontrando padrões nos dados e usando esses padrões para fazer a melhor estimativa possível. Essa distinção é importante: a AI pode obter resultados incrivelmente bons em domínios específicos, mas não compreende nada no sentido humano.

A mesma abordagem de correspondência de padrões que permite a um modelo reconhecer gatos também permite detectar células cancerígenas em uma biópsia ou sinalizar transações fraudulentas entre milhões de transações legítimas. O mecanismo subjacente, que consiste em encontrar padrões nos dados, é o mesmo, mesmo quando a aplicação parece drasticamente diferente. Isso já faz parte das ferramentas do dia a dia: mecanismos de busca, assistentes de voz, aplicativos de navegação, filtros de spam e as recomendações que você vê nos serviços de streaming.

Como a AI funciona?

A maior parte da AI moderna funciona aprendendo padrões a partir de grandes volumes de dados e, em seguida, aplicando esses padrões a novas situações. Em vez de um desenvolvedor escrever regras (“se o e-mail contiver 'dinheiro grátis', marque como spam”), o sistema recebe muitos exemplos e descobre as regras por si mesmo.

O processo básico funciona assim:

1. Coletar dados. O sistema é alimentado com grandes volumes de textos, imagens, números, áudios ou vídeos relevantes, e as lacunas nesses dados tornam-se lacunas no modelo.
2. Treinar um modelo. Um algoritmo estuda os dados e ajusta seus pesos e parâmetros internos até produzir saídas corretas de forma confiável, a etapa computacionalmente cara que pode levar horas, dias ou semanas em muitas GPUs.
3. Testar e refinar. O modelo é avaliado em um conjunto de teste reservado ("held-out") no qual não foi treinado, onde identificar erros é muito mais barato do que identificá-los em produção.
4. Fazer previsões. Uma vez treinado, o modelo responde a perguntas, classifica entradas, gera conteúdo ou aciona ações em dados que nunca viu antes, a etapa de “inferência” com a qual os usuários finais realmente interagem.
5. Aprender e melhorar. Muitos sistemas de AI continuam melhorando à medida que são expostos a mais dados e feedbacks, incluindo sinais de como as pessoas reagem aos seus resultados.

O treinamento de AI moderno também é uma questão de escala: modelos de fronteira treinam em trilhões de tokens de texto, são executados em dezenas de milhares de GPUs e custam centenas de milhões de dólares para serem desenvolvidos. A maioria das organizações não treina modelos do zero. Em vez disso, elas fazem o ajuste fino (fine-tuning) de modelos de fundação existentes com seus próprios dados, o que é drasticamente mais rápido e barato, além de produzir modelos sob medida para uma tarefa ou domínio específico.

A qualidade de um sistema de AI depende muito dos dados com os quais ele aprende: quando os dados de treinamento são incompletos, tendenciosos ou de baixa qualidade, os resultados da AI também serão. Você pode ler mais sobre os blocos de construção em nossas visões gerais de modelos de machine learning e redes neurais.

Quais são os 4 tipos de AI?

Os pesquisadores geralmente agrupam a AI em quatro categorias com base na capacidade, uma taxonomia comumente atribuída ao pesquisador da Michigan State University, Arend Hintze, que a propôs em 2016 como uma forma de pensar sobre como a AI poderia evoluir. Apenas as duas primeiras categorias existem no mundo real hoje, enquanto as outras duas continuam sendo questões em aberto na pesquisa e na filosofia.

A taxonomia é útil porque traça uma linha clara entre o que a AI realmente pode fazer agora e o que ela só pode fazer na teoria ou na ficção.

Quase todos os produtos de AI que as pessoas usam hoje, incluindo os modelos de linguagem de grande porte mais capazes, enquadram-se na categoria de memória limitada.

AI estreita vs. AI geral vs. superinteligência

Todos os sistemas de AI em uso hoje são classificados como estreitos. A tabela abaixo diferencia esses sistemas atuais dos conceitos teóricos de AI geral e superinteligência.

A existência da AGI hoje depende muito de como ela é definida. Modelos avançados podem raciocinar em diferentes domínios e realizar tarefas complexas, mas seus erros persistentes e confiabilidade irregular tornam essa classificação contestada.

AI vs. machine learning vs. deep learning vs. AI generativa

Esses quatro termos são frequentemente usados de forma intercambiável, mas significam coisas diferentes, e essas diferenças são importantes quando as equipes escolhem ferramentas, definem o escopo de projetos ou avaliam fornecedores.

Uma forma útil de pensar neles é como círculos aninhados: AI é a categoria mais ampla, machine learning é um subconjunto de AI, deep learning é um subconjunto de machine learning e AI generativa é uma aplicação de deep learning focada na criação de novos conteúdos. A tabela abaixo detalha o significado de cada termo e como eles se diferenciam. Para uma comparação mais detalhada, veja nossa análise de machine learning vs. deep learning.

Quais são alguns exemplos de inteligência artificial?

A AI já funciona silenciosamente em ferramentas do dia a dia, redigindo e-mails, sinalizando fraudes em milissegundos e prevendo o estoque de lojas. A trajetória do protótipo ao produto integrado encurtou drasticamente, e as soluções que a Databricks oferece abrangem muitas dessas categorias:

A abrangência é o ponto principal. A AI não está mais concentrada em algumas poucas aplicações técnicas; ela se espalhou por quase todas as categorias de trabalho onde o reconhecimento de padrões ou a geração de conteúdo agrega valor. O padrão de adoção tende a ser o mesmo em cada uma: a primeira onda lida com tarefas específicas e repetitivas. As ondas posteriores assumem trabalhos que exigem mais julgamento, à medida que os recursos dos modelos amadurecem e as organizações constroem as bases de dados para apoiá-los.

Quais são os principais ramos da AI?

AI é um termo abrangente que cobre vários campos especializados. Cada ramo se concentra em um tipo diferente de tarefa ou recurso, embora as fronteiras entre eles tenham se tornado menos nítidas à medida que o deep learning se tornou o mecanismo comum por trás de grande parte do trabalho.

• Machine learning: Sistemas que aprendem padrões a partir de dados e melhoram com a experiência. A abordagem dominante na AI hoje e a base sobre a qual a maioria dos outros ramos é construída.
• Deep learning: Uma forma mais avançada de machine learning que usa redes neurais em camadas para lidar com entradas complexas, como imagens, fala e linguagem. O avanço que tornou possível a atual onda de AI.
• Natural language processing (NLP): Compreensão e geração de linguagem humana. O NLP potencializa chatbots, tradução, assistentes de voz e análise de sentimento. Veja nossa visão geral sobre processamento de linguagem natural para saber mais.
• Visão computacional: Interpretação de imagens e vídeos. Usada em reconhecimento facial, imagens médicas, inspeção de qualidade na manufatura e nos sistemas de percepção que permitem que carros autônomos vejam a estrada. Leia mais sobre visão computacional.
• Robótica: Combinação de AI com máquinas físicas para realizar tarefas no mundo real: robôs de armazém, assistentes cirúrgicos, veículos autônomos, drones agrícolas. A interseção entre software de AI e engenharia mecânica.
• AI generativa: Modelos que criam novos conteúdos em vez de apenas analisar dados existentes. Texto, imagens, áudio, vídeo e código estão todos no escopo. O ramo que explodiu na consciência pública em 2022 com o ChatGPT.
• Sistemas especialistas: AI mais antiga baseada em regras que imita a tomada de decisões de um especialista humano em um domínio específico. Amplamente substituída por abordagens de machine learning, mas ainda usada em locais onde regras explícitas e auditáveis são necessárias.

Na prática, a maioria dos sistemas modernos de AI combina vários ramos. Um carro autônomo usa visão computacional para perceber o mundo, machine learning para prever o comportamento dos veículos próximos e robótica para acionar os controles. Os ramos são úteis como um mapa mental, mas os produtos finais geralmente abrangem vários deles.

Uma breve história da AI

A AI tem sido um campo de pesquisa por mais de 70 anos, com grandes mudanças de capacidade concentradas na última década. O onda mais recente levou o campo de uma curiosidade acadêmica para a infraestrutura do dia a dia.

• 1950 — Proposta do teste de Turing: Alan Turing publica "Computing Machinery and Intelligence", questionando se as máquinas podem pensar e propondo um teste para a inteligência das máquinas que ainda ancora os debates atuais.
• 1956 — A AI ganha um nome: John McCarthy cunha o termo "inteligência artificial" na Conferência de Dartmouth, lançando formalmente o campo como uma disciplina.
• Décadas de 1960 e 1970 — Otimismo inicial e invernos da AI: Pesquisadores constroem os primeiros sistemas baseados em regras e programas de linguagem natural. À medida que o progresso estagna diante de problemas difíceis, o financiamento seca. Começa o primeiro de dois "invernos da AI".
• 1997 — Deep Blue vence Kasparov: O computador de xadrez da IBM derrota o campeão mundial Garry Kasparov em uma partida de seis jogos, marcando a primeira vez que uma máquina venceu um campeão mundial de xadrez em atividade e um marco público para a AI.
• 2012 — Avanço do deep learning: Uma rede neural chamada AlexNet proporciona um salto na precisão do reconhecimento de imagem na competição ImageNet, desencadeando o boom moderno da AI e convencendo o setor de que o deep learning era o caminho a seguir.
• 2017 — Introdução dos Transformers: Pesquisadores do Google publicam "Attention Is All You Need", apresentando a arquitetura transformer que abre as portas para os grandes modelos de linguagem (LLMs) de hoje.
• 2022 — Lançamento do ChatGPT: A AI generativa entra no mainstream quando a OpenAI lança o ChatGPT para o público. Ele atinge 100 milhões de usuários em dois meses, a adoção de tecnologia de consumo mais rápida já registrada na época.
• 2023–hoje — Escalonamento da AI corporativa: As organizações passam de experimentos para a AI em produção e agentes de AI em todas as funções de negócios, desde o atendimento ao cliente até o desenvolvimento de software e operações internas.

O que se destaca nos últimos três anos é o ritmo. De 2022 em diante, os recursos de AI avançaram mais rápido do que a maioria dos especialistas esperava, e o intervalo entre o avanço da pesquisa e o produto lançado encurtou de anos para meses. O formato da próxima década dependerá menos da capacidade bruta do modelo e mais de como as organizações transformam esses recursos em sistemas confiáveis e governados.

Quais são as limitações e os riscos da AI?

A AI é poderosa, mas imperfeita. Os seguintes riscos comumente aparecem em produção e geralmente se dividem em três categorias: limitações técnicas, desafios operacionais e impactos sociais mais amplos.

Alucinações e resultados imprecisos

A AI generativa pode produzir respostas que parecem confiáveis, mas que estão factualmente incorretas. O termo do setor é “alucinação”. Um chatbot pode inventar uma citação, citar incorretamente uma fonte ou fabricar fatos que parecem plausíveis à primeira vista. Isso acontece porque os grandes modelos de linguagem preveem as próximas palavras mais prováveis em vez de recuperar informações verificadas: o modelo é otimizado para fluência, não para a verdade.

Em contextos de alto risco, como saúde, assessoria jurídica e decisões financeiras, as saídas de AI devem ser verificadas por um ser humano antes de se tomar qualquer medida. Mesmo em cenários de menor risco, as organizações combinam cada vez mais modelos generativos com sistemas de geração aumentada de recuperação que fundamentam as saídas em documentos de origem confiáveis. A avaliação sistemática também ajuda: testar modelos em relação a conjuntos de perguntas de referência (benchmarks) antes da implantação detecta muitas alucinações logo no início, antes que cheguem aos usuários.

Viés nos dados de treinamento

A AI aprende com os dados. Se os dados refletirem o viés humano, como padrões históricos de contratação que favoreceram um grupo demográfico ou decisões de empréstimo que desfavoreceram outro, a AI reproduzirá e, muitas vezes, amplificará esse viés. Como observa o Stanford Emerging Technology Review: “Sem dados de alta qualidade suficientes, os modelos de AI podem gerar resultados imprecisos ou tendenciosos”.

O viés é uma grande preocupação em aplicações de contratação, empréstimos e justiça criminal, onde saídas tendenciosas causam danos reais. A mitigação exige uma curadoria cuidadosa dos dados de treinamento, avaliação contínua em relação a métricas de equidade e a disciplina de testar modelos em populações que possam ter sido sub-representadas durante o treinamento. Não é uma correção única. Os modelos sofrem desvios (drift) à medida que o mundo em que operam muda, de modo que o monitoramento de equidade deve ser uma prática operacional contínua, e não apenas uma verificação no dia do lançamento.

O problema da “caixa preta”

Especialmente com o deep learning, geralmente é difícil dizer exatamente por que uma AI tomou uma decisão específica. O raciocínio do modelo é distribuído por milhões ou bilhões de parâmetros, nenhum dos quais se mapeia claramente para uma explicação legível por humanos. Isso importa mais em setores regulamentados, como bancos, saúde e seguros, onde uma decisão deve ser explicável para um cliente, um auditor ou um tribunal.

O campo da AI explicável (XAI) surgiu em resposta, criando ferramentas que revelam quais recursos (features) mais influenciaram a saída de um determinado modelo. Alguns setores vão além e exigem arquiteturas de modelo mais simples e “interpretáveis” para casos de uso de alto risco, aceitando um pequeno custo na precisão bruta em troca de decisões que possam ser rastreadas e defendidas.

Riscos de privacidade e segurança

Os sistemas de AI frequentemente precisam de acesso a grandes volumes de dados, levantando questões sobre como esses dados são coletados, armazenados e usados. A AI generativa apresenta novos riscos próprios: deepfakes que imitam pessoas reais, desinformação gerada por AI em escala e ataques de injeção de prompt (prompt injection) que enganam os modelos para revelar informações que não deveriam ou realizar ações para as quais não foram autorizados. Controles de privacidade e proteções (guardrails) de segurança fazem parte do design de AI responsável, não são um mero detalhe posterior.

Preocupações com a substituição de empregos

A AI está automatizando tarefas em muitos setores, o que levanta questões reais sobre como os empregos e as habilidades vão mudar. O padrão provável é a mudança, não a substituição total: a AI tende a alterar a combinação de tarefas dentro de um trabalho, em vez de eliminar a função por completo. Algumas funções vão desaparecer, novas vão surgir e muitas funções existentes exigirão novas habilidades, especialmente a capacidade de trabalhar de forma eficaz ao lado de sistemas de AI. A disrupção é real, o ritmo é rápido e as implicações para a força de trabalho merecem atenção séria de líderes, educadores e formuladores de políticas.

Governança e conformidade

As organizações que implantam AI precisam de proteções (guardrails) claras: quem pode acessar quais modelos, quais dados esses modelos usam, como as saídas são monitoradas e como o acesso pode ser revogado quando algo dá errado. A lição da última década de segurança em nuvem é que os controles integrados desde o início funcionam melhor do que os controles adicionados posteriormente.

O mesmo se aplica à AI. As regulamentações também estão se atualizando, com a Lei de AI da EU (EU AI Act), leis estaduais dos US e regras específicas do setor em finanças e saúde, todas impondo novas obrigações às implantações de AI. A implicação prática para os desenvolvedores é que a governança não pode mais ser um detalhe posterior. Ela precisa ser projetada desde a camada de dados para cima. Para uma análise mais detalhada da disciplina por trás disso, consulte nossa visão geral de governança de AI.

Por que a AI é importante para as empresas?

A AI está remodelando a forma como as organizações operam, competem e atendem aos clientes. Seu valor vem da aplicação de dados confiáveis e governados a problemas de negócios reais, e não da execução de experimentos desconectados.

As empresas estão usando AI para:

• Tomar decisões mais rápidas e informadas
• Automatizar o trabalho repetitivo
• Personalizar as experiências dos clientes
• Implantar agentes que realizam tarefas de várias etapas
• Melhorar as previsões e o atendimento ao cliente

Perceber esse valor exige uma plataforma unificada onde os dados são preparados, os modelos são treinados, os agentes são implantados e toda a pilha (stack) é governada de ponta a ponta.

A pressão competitiva também está aumentando. À medida que a AI se torna padrão em muitos setores, as organizações líderes estão:

• Começando com um problema de negócios específico
• Priorizando a qualidade dos dados antes da sofisticação do modelo
• Avaliando o desempenho em relação a resultados do mundo real
• Integrando a governança na plataforma desde o início

Como a Databricks apoia a AI

Construir AI em produção é difícil: os dados residem em muitos lugares, os modelos precisam ser treinados e avaliados, e a governança deve abranger todo o pipeline. A plataforma Databricks reúne dados e AI em um só lugar, para que as equipes possam armazenar e preparar dados, treinar e ajustar (fine-tune) modelos, implantar agentes de AI e governar tudo de ponta a ponta. Isso inclui o Agent Bricks para criar agentes baseados em dados corporativos e o Unity Catalog para governança em ativos de dados e AI. A plataforma se conecta aos principais modelos da OpenAI, Anthropic, Google e Meta, além de alternativas de código aberto (open source), para que você possa escolher o modelo certo para cada tarefa sem precisar reconstruir sua pilha.

Mais de 20.000 organizações em todo o mundo usam a Databricks para criar, dimensionar e governar seu trabalho de AI. A vantagem de uma plataforma unificada é menos divisões: as equipes passam do dado para o modelo e para a implantação sem copiar dados entre sistemas ou perder a linhagem, o que torna o trabalho de AI mais rápido, mais barato e mais fácil de auditar. Veja mais no diretório de clientes da Databricks.

Perguntas frequentes

Qual é um exemplo de inteligência artificial?

O ChatGPT, assistentes de voz como Siri e Alexa, o mecanismo de recomendação da Netflix, a detecção de fraudes em transações de cartão de crédito e os recursos de direção autônoma em carros são todos exemplos de AI em uso hoje. A maioria deles se enquadra na categoria de “memória limitada”: eles aprendem com dados históricos para fazer previsões ou gerar respostas, mas não retêm uma memória persistente de longo prazo como os humanos.

Quais são os 4 tipos de AI?

Máquinas reativas, memória limitada, teoria da mente e AI autoconsciente. Os dois primeiros existem hoje: tudo, desde filtros de spam até o ChatGPT, pertence a uma dessas categorias. Os dois últimos permanecem teóricos, e ainda não há um caminho técnico claro para nenhum deles.

AI é o mesmo que machine learning?

Não. AI é o campo mais amplo de construção de máquinas que realizam tarefas inteligentes. O machine learning é um ramo da AI: sistemas que aprendem com dados em vez de serem explicitamente programados. Todo machine learning é AI, mas nem toda AI é machine learning.

Qual é a diferença entre AI e AI generativa?

AI é o campo abrangente que cobre qualquer sistema que realize tarefas associadas à inteligência humana. A AI generativa é um tipo específico de AI, baseado em deep learning, que cria novos conteúdos (texto, imagens, áudio, vídeo ou código) em vez de classificar ou prever a partir de entradas existentes. O ChatGPT e os geradores de imagens são exemplos do dia a dia.

Quais são os maiores riscos da AI?

Os riscos mais comuns são alucinações (saídas incorretas com aparência de confiáveis), viés herdado dos dados de treinamento, o problema da “caixa preta” (decisões que você não consegue explicar facilmente), lacunas de privacidade e segurança, substituição de empregos e governança fraca. A mitigação vem de verificação, supervisão, curadoria cuidadosa de dados e proteções (guardrails) integradas.

Primeiros passos com a AI

A AI não é mais experimental. É uma tecnologia fundamental que impulsiona produtos cotidianos e remodela a forma como as empresas trabalham, e o ritmo de adoção está acelerando. Compreender o básico do que ela é, como funciona, onde se encaixa e onde falha é o ponto de partida para usá-la bem. A água daí, o trabalho consiste em aplicá-la a problemas reais, em dados confiáveis, com a governança necessária para dimensionar de forma responsável.

Veja como a Databricks ajuda as organizações a criar e escalar IA com seus próprios dados — explore a Plataforma Databricks.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original