A inteligência artificial (IA) refere-se à capacidade de um computador de imitar ou duplicar a cognição humana.
Após ler este artigo, você será capaz de:
Conteúdo relacionado
IA preditiva
Modelos de linguagem ampla (LLMs)
Banco de dados vetorial
O que são embeddings?
O que é aprendizado profundo?
Assine o theNET, uma recapitulação mensal feita pela Cloudflare dos insights mais populares da internet.
Copiar o link do artigo
A inteligência artificial (IA) é a capacidade de uma máquina construída, como um computador, de simular ou duplicar tarefas cognitivas humanas. Uma máquina com IA pode fazer cálculos, analisar dados para criar previsões, identificar vários tipos de sinais e símbolos, conversar com seres humanos e ajudar a executar tarefas sem intervenção manual.
Por exemplo, um automóvel tradicional responde apenas aos comandos de seu motorista humano: ele acelera quando o motorista vê que o semáforo ficou verde e pressiona o acelerador, e para em uma placa de parada quando o motorista vê o sinal e pressiona o pedal do freio. Um automóvel com IA pode ser capaz de identificar placas de parada e semáforos por conta própria e parar ou acelerar sem a intervenção do motorista.
A IA tem suas raízes nos primórdios dos computadores, e o matemático Alan Turing foi um dos primeiros a descrever como uma máquina artificialmente inteligente poderia funcionar. Todos os computadores construídos desde então são artificialmente inteligentes em algum nível, pois são capazes de realizar cálculos que antes só podiam ser feitos por humanos. Entretanto, nas últimas décadas, as habilidades, a velocidade e a capacidade de armazenamento dos computadores aumentaram rapidamente. Atualmente, o termo "AI" refere-se às tarefas cognitivas mais avançadas que os computadores podem realizar.
A maior parte da IA é desenvolvida com base na análise de conjuntos de big data que contêm informações demais para que qualquer ser humano as analise por conta própria em um prazo razoável. Um modelo de IA é criado para identificar padrões nesses conjuntos de dados e, em seguida, usar esses padrões para prever padrões futuros ou adicionais. Para fazer isso, os modelos de IA usam probabilidade e análise estatística. Alguns modelos de IA são bons nisso o suficiente para imitar o comportamento humano.
Teoricamente, a IA pode ir além disso um dia e ser capaz de "pensar" pensamentos originais. Determinar quando esse ponto será atingido é, em alguns aspectos, uma questão mais filosófica do que técnica.
O aprendizado de máquina é um ramo da IA e se refere à prática de alimentar um programa com dados estruturados ou rotulados para treinar o programa a identificar esses dados sem intervenção humana. Por exemplo, um modelo de aprendizado de máquina para encontrar frascos de ketchup em fotos de geladeiras abertas pode começar sendo incapaz de identificar qualquer condimento, muito menos ketchup. Em seguida, é alimentado com milhões de imagens de frascos de ketchup em vários refrigeradores e é informado de que cada uma delas representa um frasco de ketchup. Eventualmente, o modelo se torna capaz de identificar frascos de ketchup automaticamente mesmo em fotos que nunca viu antes.
O aprendizado de máquina se baseia no uso de processos predefinidos chamados algoritmos. Um programa de aprendizado de máquina "aprenderá" de forma ligeiramente diferente, dependendo de como o algoritmo está configurado.
O aprendizado de máquina também depende do acesso a grandes conjuntos de dados. Um programa de aprendizado de máquina ao qual foram mostradas apenas três ou quatro fotos de ketchup quase certamente não vai conseguir identificar com precisão os frascos de ketchup de maneira consistente ou identificar o ketchup em fotos onde ele não está presente.Quanto mais dados o modelo tiver, mais preciso ele será.
Atualmente, uma grande variedade de softwares e soluções tecnológicas utiliza o aprendizado de máquina. De soluções de segurança que usam o aprendizado de máquina para detectar fraudes e identificar bots a plataformas de mídia social que usam o aprendizado de máquina para recomendar conteúdo ou contas a serem seguidas, o aprendizado de máquina provou ser uma ferramenta de desenvolvimento extremamente útil.
Assim como o aprendizado de máquina é um tipo de IA, o aprendizado profundo é um tipo de aprendizado de máquina. Os modelos de aprendizado profundo são capazes de usar a análise probabilística para identificar diferenças em dados brutos. Um modelo de aprendizado profundo poderia, possivelmente, aprender o que é um frasco de ketchup e como distingui-lo de outros condimentos somente com base em fotos de geladeiras abertas, sem que ninguém lhe dissesse o que é um frasco de ketchup.
Como outros tipos de aprendizado de máquina, o aprendizado profundo requer acesso a grandes conjuntos de dados. Mesmo um modelo avançado de aprendizado profundo provavelmente precisaria analisar milhões de fotos de geladeiras abertas para conseguir identificar o ketchup.
IA generativa é um tipo de modelo de IA que consegue criar conteúdo, incluindo textos, imagens, áudio e vídeo. Um modelo de IA generativa poderia, por exemplo, receber uma foto de uma geladeira vazia e preenchê-la com um conteúdo provável com base em fotos que lhe foram mostradas no passado. Embora o conteúdo gerado por um modelo como esse possa ser considerado "novo", na verdade se baseia em conteúdos que alimentaram o modelo anteriormente.
As ferramentas de IA generativa estão cada vez mais populares. Em particular, o modelo de linguagem ampla (LLM) ChatGPT e os geradores de imagens DALL-E e Midjourney capturaram a imaginação do público e a atenção do mundo corporativo. Outras ferramentas populares de IA generativa incluem o Bard, o Bing Chat e o Llama.
Os casos de uso da IA ainda estão se expandindo. Essas são algumas dos aplicações do mundo real que já estão sendo exploradas:
Vazamentos de dados: os serviços de IA usam entradas para treinar ainda mais seus modelos; eles não foram projetados para serem cofres seguros para os dados. Mas muitas pessoas usam os LLMs de maneiras que aumentam o risco de exposição de dados, incluindo o processamento de informações confidenciais ou código-fonte fechado. Esses dados podem ser reproduzidos ou imitados em outras respostas desses LLMs.
Perda de controle sobre os dados: os dados ficam fora do controle quando alguém faz o upload para um LLM, e os usuários podem não ter visibilidade do que acontece com as entradas fornecidas. Por exemplo, se um padeiro colocar sua nova receita secreta de focaccia em um LLM e pedir que ele escreva uma descrição convincente para o site da padaria, ele poderá receber de volta essa descrição, mas a receita do padeiro não será mais secreta, pois poderá ser exposta a outros usuários do LLM ou aos operadores do LLM.
Violações regulamentares: o uso de ferramentas externas de IA geralmente introduz algum grau de risco de dados. Como resultado, a IA pode colocar uma organização fora de conformidade com estruturas regulatórias como o GDPR.
Alucinações: as ferramentas de IA generativa podem inventar informações para gerar respostas - o termo técnico para esse fenômeno é "alucinações." Se as empresas incorporarem tais informações de forma acrítica em seu conteúdo, elas poderão prejudicar suas marcas.
Excesso de confiança na IA para a tomada de decisões: como as informações fornecidas pelos modelos de IA nem sempre são confiáveis, o uso excessivo de IA no processo de tomada de decisões pode levar a decisões que afetam de forma negativa uma empresa.
O Data Loss Prevention (DLP) da Cloudflare pode ajudar as organizações a controlar como a IA está sendo usada por seus funcionários. O DLP pode restringir o upload, a cópia e a colagem de arquivos e as entradas de teclado para impedir que dados confidenciais saiam de ambientes protegidos. Saiba mais sobre como o DLP funciona.
A Cloudflare for AI permite que os desenvolvedores criem e implantem novos aplicativos de IA na rede global da Cloudflare. Saiba mais sobre a Cloudflare para IA.