Fundamentos de IA
Do zero ao entendimento sólido. Essa trilha explica o que é IA, como ela funciona por baixo dos panos, quais são os diferentes tipos e como ela já afeta a sua vida no Brasil — sem código, sem jargão.
O que você vai aprender
- Entender o que é IA e como ela é diferente de programação comum
- Identificar os tipos de IA e onde cada um é usado
- Reconhecer IA no dia a dia brasileiro
- Compreender os limites e riscos básicos da tecnologia
- Formular boas perguntas para modelos de linguagem
Conteúdo da trilha
O que é Inteligência Artificial?
Inteligência Artificial é um campo da computação dedicado a criar sistemas capazes de realizar tarefas que, quando feitas por humanos, exigem inteligência — como reconhecer imagens, entender linguagem, tomar decisões ou aprender com experiências.
Mas atenção: a IA não 'pensa' como você. Ela identifica padrões em dados. Muito bem, com muito mais velocidade do que qualquer humano — mas sem entendimento real do mundo.
IA fraca vs. IA geral
Toda IA existente hoje é 'IA fraca' (ou narrow AI): ela faz uma coisa específica muito bem. O ChatGPT gera texto. O AlphaFold prevê estrutura de proteínas. O algoritmo do TikTok recomenda vídeos. Nenhum deles consegue fazer as três coisas.
IA Geral — uma IA que raciocine como um humano em qualquer situação — ainda não existe, apesar do que filmes e notícias exageradas sugerem.
IA já está no seu dia a dia
- O reconhecimento de rosto do seu celular
- O anti-spam do seu e-mail
- As recomendações do Netflix e Spotify
- O corretor automático do WhatsApp
- A voz do Google Maps
- A detecção de fraude no seu cartão de crédito
O Pix usa IA para detectar transações suspeitas em tempo real. O DETRAN usa reconhecimento facial. O INSS usa IA para analisar pedidos de benefício. A IA já toma decisões que afetam a vida de milhões de brasileiros.
História da IA: de Turing ao ChatGPT
A IA não surgiu do nada em 2022. Ela tem mais de 70 anos de história — com altos, baixos e reviravoltas que moldaram o que temos hoje.
Os marcos principais
- 1950 — Alan Turing propõe o 'Teste de Turing': pode uma máquina ser indistinguível de um humano?
- 1956 — Nasce oficialmente o campo de IA, na Conferência de Dartmouth
- 1970s-80s — 'Inverno da IA': promessas não cumpridas cortam financiamento
- 1997 — Deep Blue (IBM) vence o campeão mundial de xadrez Garry Kasparov
- 2012 — AlexNet revoluciona visão computacional com redes neurais profundas
- 2017 — Google publica o paper 'Attention Is All You Need', criando os Transformers
- 2020 — GPT-3 mostra que LLMs podem gerar texto impressionantemente humano
- 2022 — ChatGPT ultrapassa 100 milhões de usuários em 2 meses — o crescimento mais rápido da história
Por que os Transformers mudaram tudo?
Antes dos Transformers, ensinar IA a entender linguagem era extremamente difícil. A arquitetura Transformer permitiu que modelos processassem palavras em paralelo e entendessem o contexto completo de uma frase — não só palavra por palavra.
GPT, Claude, Gemini e LLaMA são todos baseados em Transformers. Essa arquitetura é o motor da revolução atual.
Como a IA aprende? Machine Learning explicado
A diferença fundamental entre IA e programação tradicional: na programação, você diz ao computador exatamente o que fazer em cada situação. No Machine Learning, você mostra exemplos e o computador descobre sozinho as regras.
Os três tipos de aprendizado
Aprendizado supervisionado
Você dá exemplos com as respostas certas: 'estas 10.000 fotos são de cachorros, estas são de gatos'. O modelo aprende a classificar novas fotos. É o tipo mais comum.
Aprendizado não supervisionado
Sem rótulos — o modelo descobre padrões sozinho. É assim que algoritmos de recomendação descobrem que 'quem gosta de X tende a gostar de Y'.
Aprendizado por reforço
O modelo toma ações, recebe recompensas ou punições, e aprende a maximizar a recompensa. Foi assim que o AlphaGo aprendeu a jogar Go melhor do que qualquer humano.
Imagine ensinar alguém a distinguir pizza boa de pizza ruim. Supervisionado: você mostra 1.000 pizzas com notas. Não supervisionado: ele come 1.000 pizzas e descobre padrões por conta própria. Reforço: cada vez que ele pede uma boa pizza, ganha um ponto.
Tipos de IA: onde cada um é usado
Nem toda IA é igual. Existem tipos diferentes, cada um otimizado para um conjunto de tarefas.
Principais tipos de IA
- Modelos de linguagem (LLMs): geram e entendem texto — ChatGPT, Claude, Gemini
- Visão computacional: reconhecem imagens e vídeos — câmeras de segurança, diagnóstico médico por imagem
- Sistemas de recomendação: sugerem conteúdo personalizado — Netflix, Spotify, TikTok
- Detecção de anomalias: identificam padrões fora do normal — antifraude bancário
- Processamento de fala: convertem fala em texto e vice-versa — assistentes de voz, transcrição
- IA generativa de imagem: geram imagens a partir de texto — DALL-E, Midjourney, Stable Diffusion
O que são dados de treinamento?
Dados são o combustível da IA. Sem dados, não há aprendizado. A qualidade, quantidade e diversidade dos dados determinam, mais do que qualquer outra coisa, o desempenho e os vieses de um modelo.
De onde vêm os dados?
- Internet: bilhões de páginas, artigos, fóruns, redes sociais
- Livros digitalizados: acervos como Common Crawl e The Pile
- Dados proprietários: conversas de clientes, documentos internos
- Dados gerados por humanos: avaliações, transcrições, anotações
- Dados sintéticos: dados artificialmente gerados por outros modelos
Se os dados de treinamento têm pouco conteúdo em português, especialmente de regiões menos conectadas do Brasil, o modelo será menos preciso para esse público. Isso cria uma desigualdade digital dentro do próprio uso de IA.
Redes neurais: como o cérebro inspirou a IA
Redes neurais artificiais foram inspiradas no funcionamento do cérebro humano — embora sejam muito mais simples. A ideia básica: neurônios artificiais recebem sinais, processam e passam adiante.
Como funciona uma rede neural
Imagine uma rede com três camadas: entrada (recebe os dados), oculta (processa) e saída (dá o resultado). Cada conexão tem um 'peso' — um número que indica quanto aquele sinal importa. O treinamento ajusta esses pesos iterativamente até o modelo acertar as respostas.
Redes profundas (deep learning) têm muitas camadas ocultas — isso permite que aprendam representações cada vez mais abstratas. Na primeira camada, reconhece bordas. Na segunda, formas. Na terceira, objetos. E assim por diante.
IA generativa: imagens, texto e áudio
IA generativa é qualquer sistema que cria conteúdo novo — texto, imagem, áudio, código, vídeo — em vez de apenas classificar ou prever.
Como imagens são geradas?
Modelos como DALL-E e Stable Diffusion usam uma técnica chamada difusão: partem de ruído puro (pixels aleatórios) e, passo a passo, refinam a imagem até ela corresponder ao texto pedido. É como revelar uma foto por partes.
Impacto no mercado de trabalho brasileiro
- Design: criação de mockups e variações em segundos
- Marketing: geração de copys, textos e imagens de campanha
- Atendimento: chatbots que entendem português regional
- Jurídico: rascunho de contratos e petições
- Educação: geração de exercícios personalizados
Limitações e erros: o que a IA não consegue fazer
Entender os limites da IA é tão importante quanto entender suas capacidades. Profissionais que subestimam as limitações tomam decisões perigosas; os que as conhecem usam IA com muito mais eficiência.
O que a IA faz mal
- Raciocínio matemático complexo e lógica formal
- Fatos verificáveis em tempo real (data de corte do treinamento)
- Entendimento de contexto cultural muito específico
- Senso comum sobre o mundo físico
- Memória persistente entre conversas (por padrão)
- Garantia de veracidade — pode inventar com confiança
Use IA para: rascunhos, brainstorming, explicações, tradução, código. Não use IA sem verificação para: diagnósticos médicos, aconselhamento jurídico, notícias factuais, informações sobre pessoas reais.