Resumo de IA para Desenvolvedores

Prévia do material em texto

Resumo de Inteligência Artificial para Devs
1. O que é Inteligência Artificial?
Inteligência Artificial (IA) é a área da computação que desenvolve sistemas capazes de realizar tarefas associadas à
inteligência humana, como reconhecer padrões, compreender linguagem, classificar imagens e apoiar decisões. IA
é um campo amplo; Machine Learning e Deep Learning são áreas dentro dele. Nem todo sistema de IA aprende
sozinho: alguns apenas seguem regras programadas.
2. Machine Learning
Machine Learning (ML) permite que sistemas aprendam padrões a partir de dados para fazer previsões ou tomar
decisões. No aprendizado supervisionado, os dados possuem respostas conhecidas (rótulos): é usado em
classificação, como detectar spam, e regressão, como prever preços. No não supervisionado, os dados não
possuem rótulos e o algoritmo procura grupos e padrões, como segmentar clientes. No aprendizado por reforço, um
agente aprende por tentativa e erro, recebendo recompensas ou penalidades.
3. Etapas de um projeto de IA
Defina o problema; colete dados relevantes e autorizados; limpe e prepare os dados; separe-os em treino, validação
e teste; escolha e treine um algoritmo; avalie; implante; monitore e atualize. Treino ajusta o modelo, validação ajuda
a escolher configurações e teste mede o resultado final em dados não usados no treinamento. Data leakage
(vazamento de dados) ocorre quando informações do teste ou do futuro contaminam o treinamento, gerando
resultados enganosos.
4. Conceitos e métricas
Feature é uma característica usada como entrada; label é a resposta que se deseja prever. Classificação prevê
categorias; regressão prevê valores numéricos. Acurácia mede a proporção de previsões corretas. Precisão mede
quantas previsões positivas estavam corretas. Recall (revocação) mede quantos positivos reais foram encontrados.
F1-score equilibra precisão e recall. A matriz de confusão mostra acertos e erros por classe. Acurácia pode enganar
quando as classes estão desbalanceadas.
5. Overfitting e underfitting
Overfitting acontece quando o modelo memoriza os dados de treino e apresenta desempenho ruim em dados
novos. Underfitting ocorre quando o modelo é simples demais e não aprende os padrões. Mais dados,
regularização, escolha adequada do modelo e validação podem ajudar a reduzir esses problemas.
6. Deep Learning e redes neurais
Deep Learning é uma área de ML baseada em redes neurais com várias camadas. Cada camada transforma
informações e aprende representações. É aplicado em reconhecimento de imagens, voz, tradução e geração de
conteúdo. Durante o treinamento, os pesos são ajustados para reduzir uma função de perda (loss), geralmente com
métodos de otimização por gradiente. Redes profundas podem exigir muitos dados e processamento; não são
sempre a melhor solução para problemas simples.
7. IA generativa e modelos de linguagem
IA generativa cria conteúdo como texto, imagens, áudio e código. Modelos de linguagem grandes (LLMs) aprendem
padrões em grandes volumes de texto e geram sequências prevendo tokens. Token é uma unidade processada
pelo modelo e não corresponde necessariamente a uma palavra inteira. LLMs ajudam a resumir, explicar, traduzir e
programar, mas podem produzir alucinações: respostas convincentes, porém incorretas. Informações importantes
devem ser verificadas.
8. Engenharia de prompts
Prompt é a instrução enviada ao modelo. Um bom prompt define objetivo, contexto, público, restrições e formato
esperado. Seja específico, forneça exemplos quando úteis e divida tarefas complexas em etapas. É possível
solicitar JSON ou tabelas, mas o código deve validar a estrutura recebida. Não envie senhas, dados pessoais ou
informações confidenciais sem autorização e proteção adequadas.
9. Integração de IA em aplicações
Aplicações podem acessar modelos por APIs: enviam uma requisição com instruções e dados e recebem uma
resposta. Proteja chaves de API com variáveis de ambiente ou cofres de segredos; nunca as coloque diretamente
no código-fonte. Trate erros e timeouts, controle custos e limites de uso, valide respostas e evite registrar dados
sensíveis. A saída do modelo não deve ser considerada confiável automaticamente, principalmente quando executa
ações.
10. Embeddings, busca semântica e RAG
Embedding é uma representação numérica de um conteúdo que permite comparar significados. Busca semântica
encontra informações relacionadas à intenção da consulta, mesmo sem repetir as mesmas palavras. RAG
(Retrieval-Augmented Generation) combina recuperação e geração: primeiro busca trechos relevantes em uma
base de conhecimento e depois os fornece ao modelo para elaborar uma resposta. RAG permite usar documentos
próprios e informações atualizadas, mas depende da qualidade das fontes e da busca.
11. Ética, segurança e responsabilidade
Modelos podem reproduzir vieses presentes nos dados. Avalie justiça, privacidade, transparência, segurança e
impacto das decisões. Colete apenas dados necessários, respeite permissões e leis aplicáveis e mantenha
supervisão humana em decisões de alto impacto. Prompt injection é uma tentativa de manipular o modelo com
instruções maliciosas, especialmente perigosa quando o sistema acessa documentos ou ferramentas.
12. Implantação e manutenção
Após a implantação, monitore qualidade, latência, disponibilidade, custos, erros e feedback. Data drift ocorre
quando os dados do mundo real mudam e o modelo perde desempenho. Teste atualizações antes de publicá-las e
mantenha uma forma de reverter mudanças. Um modelo que funciona em testes pode falhar em produção se os
dados, o volume de acessos ou o contexto forem diferentes.
Revisão rápida para a prova
• IA é o campo amplo; ML aprende com dados; Deep Learning usa redes neurais profundas.
• Supervisionado usa rótulos; não supervisionado busca padrões; reforço aprende com recompensas.
• Classificação prevê categorias; regressão prevê números.
• Overfitting memoriza o treino; underfitting não aprende o suficiente.
• Acurácia, precisão, recall e F1 medem aspectos diferentes.
• LLM gera conteúdo e pode alucinar; bons prompts dão contexto e limites.
• Embeddings representam significado; RAG recupera fontes antes de gerar.
• Em produção, proteja dados e chaves, valide saídas e monitore custos e qualidade.