Definition

Inteligência artificial generativa ou IA generativa

A inteligência artificial generativa é um tipo de tecnologia de inteligência artificial (IA) que pode produzir vários tipos de conteúdo, incluindo texto, imagens, áudio e dados sintéticos. O burburinho recente em torno da IA generativa foi alimentado pela simplicidade de novas interfaces de usuário para criar texto, gráficos e vídeos de alta qualidade em questão de segundos.

Deve-se notar que a tecnologia não é nova. A IA generativa foi introduzida na década de 1960 em chatbots. Mas não foi até 2014, com a introdução de redes antagônicas generativas, ou GANs –um tipo de algoritmo de aprendizado de máquina– que a IA generativa foi capaz de criar imagens, vídeos e áudios convincentemente autênticos de pessoas reais.

Por um lado, esse recurso recém-descoberto abriu oportunidades, incluindo melhor dublagem de filmes e rico conteúdo educacional. Também revelou preocupações sobre deepfakes –imagens ou vídeos falsificados digitalmente– e ataques prejudiciais à segurança cibernética em empresas, incluindo solicitações nefastas que personificam realisticamente o chefe de um funcionário.

Dois avanços recentes adicionais que serão discutidos com mais detalhes abaixo desempenharam um papel fundamental na generalização da IA generativa: os transformadores e os modelos de linguagem revolucionários que eles permitiram. Os transformadores são um tipo de aprendizado de máquina que possibilitou que os pesquisadores treinassem modelos cada vez maiores sem precisar rotular todos os dados com antecedência. Assim, novos modelos poderiam ser treinados em bilhões de páginas de texto, resultando em respostas mais profundas. Além disso, os transformadores revelaram uma nova noção de chamar a atenção que permitia aos modelos traçar conexões entre palavras em páginas, capítulos e livros, em vez de apenas em frases individuais. E não apenas palavras: os Transformers também podem usar sua capacidade de rastrear conexões para analisar códigos, proteínas, produtos químicos e DNA.

Avanços rápidos nos chamados modelos de linguagem grande (LLMs) –isto é, modelos com bilhões ou até trilhões de parâmetros– deram início a uma nova era na qual modelos de IA generativos podem escrever textos atraentes, pintar imagens fotorrealistas e até mesmo criar algo divertido . sitcoms em movimento. Além disso, as inovações em IA multimodal permitem que as equipes gerem conteúdo em vários tipos de mídia, incluindo texto, gráficos e vídeo. Esta é a base para ferramentas como Dall-E que criam imagens automaticamente a partir de uma descrição de texto ou geram legendas de texto a partir de imagens.

Apesar desses avanços, ainda estamos nos primeiros dias de uso de IA generativa para criar texto legível e gráficos estilizados fotorrealistas. As primeiras implementações tiveram problemas com precisão e viés, além de serem propensas a alucinações e cuspir respostas estranhas. Mesmo assim, o progresso até agora indica que os recursos inerentes a esse tipo de IA podem mudar fundamentalmente os negócios. No futuro, essa tecnologia poderá ajudar a escrever códigos, projetar novos medicamentos, desenvolver produtos, redesenhar processos de negócios e transformar cadeias de suprimentos.

Como funciona a IA generativa?

A IA generativa começa com um prompt que pode ser texto, imagem, vídeo, design, notas musicais ou qualquer entrada que o sistema de IA possa processar. Em seguida, vários algoritmos de IA retornam novos conteúdos em resposta ao anúncio. O conteúdo pode incluir ensaios, soluções para problemas ou falsificações realistas criadas a partir de imagens ou áudio de uma pessoa.

As primeiras versões da IA generativa exigiam o envio de dados por meio de uma API ou de um processo complicado. Os desenvolvedores tiveram que se familiarizar com ferramentas especiais e escrever aplicativos usando linguagens como Python.

Agora, os pioneiros em IA generativa estão desenvolvendo melhores experiências de usuário que permitem descrever uma solicitação em linguagem simples. Após uma resposta inicial, você também pode personalizar os resultados com feedback sobre o estilo, tom e outros elementos que deseja que o conteúdo gerado reflita.

Modelos generativos de IA

Os modelos generativos de IA combinam vários algoritmos de IA para renderizar e processar conteúdo. Por exemplo, para gerar texto, várias técnicas de processamento de linguagem natural transformam caracteres brutos (por exemplo, letras, pontuação e palavras) em sentenças, partes do discurso, entidades e ações, que são representadas como vetores usando várias técnicas de codificação. Da mesma forma, as imagens são transformadas em vários elementos visuais, também expressos em vetores. Uma ressalva é que essas técnicas também podem codificar os preconceitos, racismo, engano e vanglória contidos nos dados de treinamento.

Depois que os desenvolvedores escolhem uma maneira de representar o mundo, eles aplicam uma rede neural específica para gerar novo conteúdo em resposta a uma consulta ou solicitação. Técnicas como GANs e codificadores automáticos variacionais (VAEs) –redes neurais com um decodificador e um codificador– são adequadas para gerar rostos humanos realistas, dados sintéticos para treinamento de IA ou até mesmo fac-símiles de humanos individuais.

Avanços recentes em transformadores, como o Codificador Bidirecional Representações de Transformadores (BERT) do Google, OpenAI GPT e Google AlphaFold, também resultaram em redes neurais que podem não apenas codificar linguagem, imagens e proteínas, mas também gerar novos conteúdos.

Como as redes neurais estão transformando a IA generativa

Os pesquisadores vêm construindo IA e outras ferramentas para gerar conteúdo programaticamente desde os primeiros dias da IA. Abordagens iniciais, conhecidas como sistemas baseados em regras e posteriormente como "sistemas especialistas", usavam regras explicitamente elaboradas para gerar respostas ou conjuntos de dados.

As redes neurais, que formam a base de grande parte das aplicações atuais de inteligência artificial e aprendizado de máquina, viraram a mesa. Projetadas para imitar o funcionamento do cérebro humano, as redes neurais "aprendem" as regras encontrando padrões em conjuntos de dados existentes. Desenvolvidas nas décadas de 1950 e 1960, as primeiras redes neurais eram limitadas pela falta de poder computacional e pequenos conjuntos de dados. Não foi até o advento do big data em meados dos anos 2000 e melhorias no hardware do computador que as redes neurais se tornaram práticas para gerar conteúdo.

O campo se acelerou quando os pesquisadores encontraram uma maneira de fazer as redes neurais funcionarem em paralelo através das unidades de processamento gráfico (GPUs) usadas na indústria de jogos de computador para renderizar videogames. Novas técnicas de aprendizado de máquina desenvolvidas na última década, incluindo as já mencionadas redes antagônicas generativas e transformadores, prepararam o terreno para recentes avanços notáveis no conteúdo gerado por IA.

O que são Dall-E, ChatGPT e Bard?

ChatGPT, Dall-E e Bard são interfaces de IA generativas populares.

Dall-E. Treinado em um grande conjunto de dados de imagens e suas descrições de texto associadas, o Dall-E é um exemplo de aplicativo de IA multimodal que identifica conexões em várias mídias, como visão, texto e áudio. Nesse caso, conecte o significado das palavras com elementos visuais. Ele foi construído usando a implementação GPT do OpenAI em 2021. Dall-E 2, uma segunda versão mais capaz, foi lançada em 2022. Ele permite que os usuários gerem imagens em vários estilos orientados por prompts do usuário.

ChatGPT. O chatbot alimentado por IA que conquistou o mundo em novembro de 2022 foi baseado na implementação GPT-3.5 do OpenAI. O OpenAI forneceu uma maneira de interagir e ajustar as respostas de texto por meio de uma interface de bate-papo com feedback interativo. As versões anteriores do GPT só podiam ser acessadas por meio de uma API. O GPT-4 foi lançado em 14 de março de 2023. O ChatGPT incorpora o histórico de sua conversa com um usuário em seus resultados, simulando uma conversa real. Seguindo a incrível popularidade da nova interface GPT, a Microsoft anunciou um novo investimento significativo no OpenAI e integrou uma versão do GPT em seu mecanismo de busca Bing.

Bard. O Google foi outro líder pioneiro em técnicas pioneiras de transformação de inteligência artificial para processamento de linguagem, proteínas e outros tipos de conteúdo. Ele abriu o código de alguns desses modelos para os pesquisadores. No entanto, nunca lançou uma interface pública para esses modelos. A decisão da Microsoft de implementar o GPT no Bing levou o Google a correr para comercializar um chatbot público, o Google Bard, construído em uma versão leve de sua família LaMDA de grandes modelos de linguagem. O Google sofreu uma perda significativa no preço das ações após a estreia apressada de Bard, depois que o modelo de linguagem disse incorretamente que o telescópio Webb foi o primeiro a descobrir um planeta em um sistema solar alienígena. Enquanto isso, as implementações da Microsoft e do ChatGPT também perderam prestígio em seus primeiros lançamentos devido a resultados imprecisos e comportamento errático. Desde então, o Google lançou uma nova versão do Bard com base em seu LLM mais avançado, PaLM 2, que permite ao Bard ser mais eficiente e visual em sua resposta às consultas do usuário.

Aqui está um instantâneo das diferenças entre ChatGPT e Bard.

Quais são os casos de uso da IA generativa?

A IA generativa pode ser aplicada em vários casos de uso para gerar praticamente qualquer tipo de conteúdo. A tecnologia está se tornando mais acessível a usuários de todos os tipos, graças a avanços de ponta, como GPT, que podem ser ajustados para diferentes aplicações. Alguns dos casos de uso para IA generativa incluem o seguinte:

  • Implementação de chatbots para atendimento ao cliente e suporte técnico.
  • Implemente deepfakes para imitar pessoas ou mesmo indivíduos específicos.
  • Aprimoramento da dublagem de filmes e conteúdos educativos em diversos idiomas.
  • Escrever respostas de e-mail, perfis de namoro, currículos e trabalhos de conclusão de curso.
  • Criação de arte fotorrealista em um estilo particular.
  • Vídeos de demonstração de produtos aprimorados.
  • Sugira novos compostos de drogas para testar.
  • Projeto de produtos físicos e edifícios.
  • Otimização de novos designs de chips.
  • Escreva música em um estilo ou tom específico.

Quais são os benefícios da IA generativa?

A IA generativa pode ser amplamente aplicada em muitas áreas do negócio. Você pode tornar o conteúdo existente mais fácil de interpretar e entender e criar automaticamente novos conteúdos. Os desenvolvedores estão explorando maneiras pelas quais a IA generativa pode melhorar os fluxos de trabalho existentes, com o objetivo de adaptar totalmente os fluxos de trabalho para aproveitar a tecnologia. Alguns dos benefícios potenciais da implementação de IA generativa incluem o seguinte:

  • Automatize o processo manual de redação de conteúdo.
  • Reduza o esforço de responder a e-mails.
  • Melhore a resposta a consultas técnicas específicas.
  • Crie representações realistas de pessoas.
  • Resuma informações complexas em uma narrativa coerente.
  • Simplifique o processo de criação de conteúdo em um estilo específico.

Quais são as limitações da IA generativa?

As primeiras implementações da IA generativa ilustram vividamente suas muitas limitações. Alguns dos desafios que a IA generativa apresenta são resultado das abordagens específicas usadas para implementar casos de uso específicos. Por exemplo, um resumo de um tópico complexo é mais fácil de ler do que uma explicação que inclui várias fontes que dão suporte aos pontos-chave. No entanto, a legibilidade do resumo vem à custa do usuário poder verificar de onde veio a informação.

Aqui estão algumas das limitações a serem lembradas ao implementar ou usar um aplicativo de IA generativo:

  • Nem sempre identifica a origem do conteúdo.
  • Pode ser um desafio avaliar o viés das fontes originais.
  • O conteúdo que soa realista torna mais difícil identificar informações imprecisas.
  • Pode ser difícil entender como se ajustar a novas circunstâncias.
  • Os resultados podem ignorar preconceito, preconceito e ódio.

Atenção é tudo que você precisa: Transformers trazem novos recursos

Em 2017, o Google informou sobre um novo tipo de arquitetura de rede neural que trouxe melhorias significativas na eficiência e precisão de tarefas como processamento de linguagem natural. A abordagem inovadora, denominada transformadores , foi baseada no conceito de atenção.

Em um nível alto, a atenção se refere à descrição matemática de como as coisas (por exemplo, palavras) se relacionam, complementam e modificam umas às outras. Os pesquisadores descreveram a arquitetura em seu artigo seminal, "Atenção é tudo que você precisa", mostrando como uma rede neural transformadora foi capaz de traduzir entre inglês e francês com mais precisão e em apenas um quarto do tempo de treinamento do que outras redes neurais. A técnica inovadora também pode revelar relacionamentos , ou ordens ocultas, entre outras coisas enterradas nos dados que os humanos podem ter ignorado porque eram muito complicados de expressar ou discernir.

A arquitetura do transformador evoluiu rapidamente desde que foi introduzida, dando origem a LLMs como GPT-3 e melhores técnicas de pré-treinamento como o BERT do Google.

Quais são as preocupações em torno da IA ​​generativa?

A ascensão da IA ​​generativa também está alimentando várias preocupações. Estes se relacionam com a qualidade dos resultados, o potencial de uso indevido e abuso e o potencial de interromper os modelos de negócios existentes. Aqui estão alguns dos tipos específicos de questões problemáticas levantadas pelo estado atual da IA ​​generativa:

  • Você pode fornecer informações imprecisas e enganosas.
  • É mais difícil confiar sem saber a origem e proveniência da informação.
  • Você pode promover novos tipos de plágio que ignoram os direitos dos criadores de conteúdo e artistas do conteúdo original.
  • Isso pode atrapalhar os modelos de negócios existentes baseados em otimização de mecanismo de pesquisa e publicidade.
  • Facilita a geração de notícias falsas.
  • Isso torna mais fácil alegar que a evidência fotográfica real de um crime foi apenas uma falsificação gerada por IA.
  • Ele pode se passar por pessoas para ataques cibernéticos de engenharia social mais eficazes.
A implementação de IA generativa não é apenas sobre tecnologia. As empresas também devem considerar seu impacto nas pessoas e nos processos.

Quais são alguns exemplos de ferramentas de IA generativas?

Existem ferramentas de IA generativas para várias modalidades, como texto, imagens, música, código e vozes. Alguns geradores de conteúdo AI populares para explorar incluem:

  • As ferramentas de geração de texto incluem GPT, Jasper, AI-Writer e Lex.
  • As ferramentas de imagem incluem Dall-E 2, Midjourney e Stable Diffusion.
  • As ferramentas de geração de música incluem Amper, Dadabots e MuseNet.
  • As ferramentas de geração de código incluem CodeStarter, Codex, GitHub Copilot e Tabnine.
  • As ferramentas de síntese de fala incluem Descript, Listnr e Podcast.ai.
  • As empresas de ferramentas de design de chips de IA incluem Synopsys, Cadence, Google e Nvidia.

Casos de uso de IA generativa, por setor

As novas tecnologias generativas de IA às vezes são descritas como tecnologias de propósito geral semelhantes à energia a vapor, eletricidade e computação porque podem afetar profundamente muitos setores e casos de uso. É essencial observar que, como as tecnologias de uso geral anteriores, muitas vezes as pessoas levavam décadas para descobrir a melhor maneira de organizar os fluxos de trabalho para aproveitar a nova abordagem em vez de acelerar pequenas porções dos fluxos de trabalho existentes. Aqui estão algumas maneiras pelas quais os aplicativos de IA generativa podem impactar diferentes setores:

  • O setor financeiro pode examinar as transações no contexto do histórico de um indivíduo para criar melhores sistemas de detecção de fraudes.
  • Os escritórios de advocacia podem usar IA generativa para projetar e interpretar contratos, analisar evidências e sugerir argumentos.
  • Os fabricantes podem usar IA generativa para combinar dados de câmeras, raios-X e outras métricas para identificar com mais precisão e economia as peças defeituosas e as causas principais.
  • As empresas de cinema e mídia podem usar IA generativa para produzir conteúdo de maneira mais econômica e traduzi-lo para outros idiomas usando as próprias vozes dos atores.
  • A indústria médica pode usar IA generativa para identificar candidatos a medicamentos promissores com mais eficiência.
  • Empresas de arquitetura podem usar IA generativa para projetar e adaptar protótipos mais rapidamente.
  • As empresas de jogos podem usar IA generativa para projetar conteúdo e níveis de jogos.

GPT junta-se ao panteão de tecnologias de uso geral

A OpenAI, uma empresa de pesquisa e implementação de IA, pegou as ideias centrais por trás dos transformadores para treinar sua versão, chamada de Transformador pré-treinado generativo, ou GPT. Observadores notaram que GPT é o mesmo acrônimo usado para descrever tecnologias de uso geral, como máquina a vapor, eletricidade e computação. A maioria concordaria que o GPT e outras implementações de transformadores já estão fazendo jus ao seu nome, à medida que os pesquisadores descobrem maneiras de aplicá-los à indústria, ciência, comércio, construção e medicina.

Ética e preconceito na IA generativa

Apesar de sua promessa, as novas ferramentas de IA generativas abrem uma lata de vermes em relação à precisão, confiabilidade, viés, alucinações e plágio –questões éticas que provavelmente levarão anos para serem resolvidas. Nenhum dos problemas é particularmente novo para a IA. A primeira incursão da Microsoft em chatbots em 2016, chamada Tay, por exemplo, teve que ser encerrada depois que começou a espalhar retórica inflamatória no Twitter.

A novidade é que a última safra de aplicativos generativos de IA soa mais coesa na superfície. Mas essa combinação de linguagem humana e coerência não é sinônimo de inteligência humana, e atualmente há muito debate sobre se modelos generativos de IA podem ser treinados para raciocinar. Um engenheiro do Google foi demitido depois de declarar publicamente que o aplicativo gerador de inteligência artificial da empresa, Modelos de linguagem para aplicativos de diálogo (LaMDA), era sensível.

O realismo convincente do conteúdo generativo de IA apresenta um novo conjunto de riscos de IA. Isso torna mais difícil detectar o conteúdo gerado por IA e, mais importante, torna mais difícil detectar quando algo está errado. Isso pode ser um grande problema quando contamos com os resultados da IA generativa para escrever código ou fornecer aconselhamento médico. Muitos resultados generativos de IA não são transparentes, tornando difícil determinar se, por exemplo, eles estão infringindo direitos autorais ou se há um problema com as fontes originais das quais obtêm os resultados. Se você não sabe como a IA chegou a uma conclusão, não pode raciocinar por que ela pode estar errada.

IA generativa vs. IA

A IA generativa produz novos conteúdos, respostas de bate-papo, layouts, dados sintéticos ou deepfakes. A IA tradicional, por outro lado, concentrou-se na detecção de padrões, tomada de decisões, refinamento de análises, classificação de dados e detecção de fraudes.

A IA generativa, conforme observado acima, geralmente usa técnicas de rede neural, como transformadores, GANs e VAEs. Outros tipos de IA, em contraste, usam técnicas que incluem redes neurais convolucionais, redes neurais recorrentes e aprendizado por reforço.

A IA generativa geralmente começa com um prompt que permite que um usuário ou fonte de dados envie uma consulta inicial ou um conjunto de dados para orientar a geração de conteúdo. Este pode ser um processo iterativo para explorar variações de conteúdo. Os algoritmos tradicionais de IA processam novos dados para retornar um resultado simples.

Histórico de IA generativa

O chatbot Eliza criado por Joseph Weizenbaum na década de 1960 foi um dos primeiros exemplos de IA generativa. Essas primeiras implementações usavam uma abordagem baseada em regras que era facilmente quebrada devido ao vocabulário limitado, falta de contexto e dependência excessiva de padrões, entre outras deficiências. Os primeiros chatbots também eram difíceis de personalizar e estender.

O campo experimentou um ressurgimento após os avanços em redes neurais e aprendizado profundo em 2010, que permitiram que a tecnologia aprendesse automaticamente a analisar texto existente, classificar elementos de imagem e transcrever áudio.

Ian Goodfellow apresentou as Generative Adversarial Networks (GANs) em 2014. Essa técnica de aprendizado profundo forneceu uma nova abordagem para orquestrar redes neurais concorrentes para gerar e classificar variações de conteúdo. Isso poderia gerar pessoas, vozes, música e texto realistas. Isso inspirou interesse –e medo– sobre como a IA generativa poderia ser usada para criar deepfakes realistas que personificam vozes e pessoas em vídeo.

Desde então, o progresso em outras técnicas e arquiteturas de redes neurais ajudou a expandir os recursos da IA generativa. As técnicas incluem VAE, memória de curto prazo, transformadores, modelos de difusão e campos de radiação neural.

Práticas recomendadas para usar IA generativa

As melhores práticas para usar IA generativa variam dependendo das modalidades, do fluxo de trabalho e dos objetivos desejados. Dito isso, é importante considerar fatores essenciais como precisão, transparência e facilidade de uso ao trabalhar com IA generativa. As seguintes práticas ajudam a atingir esses fatores:

  • Rotule claramente todo o conteúdo de IA generativo para usuários e consumidores.
  • Verifique a precisão do conteúdo gerado usando fontes primárias, quando aplicável.
  • Considere como o viés pode ser inserido nos resultados de IA gerados.
  • Verifique novamente a qualidade do código e do conteúdo gerados por IA usando outras ferramentas.
  • Conheça os pontos fortes e as limitações de cada ferramenta generativa de IA.
  • Familiarize-se com os modos de falha comuns nos resultados e corrija-os.

O futuro da IA generativa

A incrível profundidade e facilidade do ChatGPT mostraram uma grande promessa para a adoção generalizada da IA generativa. Certamente também demonstrou algumas das dificuldades em implantar essa tecnologia com segurança e responsabilidade. Mas esses problemas iniciais de implementação inspiraram pesquisas sobre melhores ferramentas para detectar texto, imagens e vídeos gerados por IA. A indústria e a sociedade também construirão melhores ferramentas para rastrear a proveniência das informações para criar uma IA mais confiável.

Além disso, os aprimoramentos nas plataformas de desenvolvimento de IA ajudarão a acelerar a pesquisa e o desenvolvimento de melhores recursos generativos de IA no futuro para texto, imagens, vídeo, conteúdo 3D, medicamentos, cadeias de suprimentos, logística e processos de negócios. Por melhores que sejam essas novas ferramentas exclusivas, o impacto mais significativo da IA generativa virá da incorporação desses recursos diretamente nas versões das ferramentas que já usamos.

Os verificadores gramaticais vão melhorar. As ferramentas de design integrarão recomendações mais úteis diretamente nos fluxos de trabalho. As ferramentas de treinamento poderão identificar automaticamente as melhores práticas em uma parte da organização para ajudar a treinar outras pessoas com mais eficiência. E essas são apenas uma fração das maneiras pelas quais a IA generativa mudará a maneira como você trabalha.

Perguntas frequentes sobre IA generativa

Abaixo estão algumas perguntas frequentes que as pessoas têm sobre IA generativa.

Quem criou a IA generativa?

Joseph Weizenbaum criou a primeira IA generativa na década de 1960 como parte do chatbot Eliza.

Ian Goodfellow demonstrou redes antagônicas generativas para gerar pessoas com aparência e som realistas em 2014.

A pesquisa subsequente sobre LLMs da Open AI e do Google acendeu o recente entusiasmo que cresceu em ferramentas como ChatGPT, Google Bard e Dall-E.

Como a IA generativa poderia substituir empregos?

A IA generativa tem o potencial de substituir uma variedade de empregos, incluindo os seguintes:

  • Escrever descrições de produtos.
  • Criação de cópia de marketing.
  • Geração de conteúdo web básico.
  • Iniciação do escopo de vendas interativo.
  • Respondendo a perguntas do cliente.
  • Criação de gráficos para páginas web.

Algumas empresas procurarão oportunidades para substituir humanos sempre que possível, enquanto outras usarão IA generativa para aumentar e melhorar sua força de trabalho existente.

Como você constrói um modelo de IA generativo?

Um modelo de IA generativo começa codificando com eficiência uma representação do que você deseja gerar. Por exemplo, um modelo generativo de IA para texto pode começar encontrando uma maneira de representar palavras como vetores que caracterizam a semelhança entre palavras que são frequentemente usadas na mesma frase ou significam coisas semelhantes.

O progresso recente na pesquisa LLM ajudou a indústria a implementar o mesmo processo para representar padrões encontrados em imagens, sons, proteínas, DNA, drogas e designs 3D. Esse modelo de IA generativo fornece uma maneira eficiente de renderizar o tipo de conteúdo desejado e iterar com eficiência sobre variações úteis.

Como você treina um modelo de IA generativo?

O modelo generativo de IA precisa ser treinado para um caso de uso específico. O progresso recente no LLM fornece um ponto de partida ideal para personalizar aplicativos para diferentes casos de uso. Por exemplo, o popular modelo GPT desenvolvido pela OpenAI foi usado para escrever texto, gerar código e criar imagens com base em descrições escritas.

O treinamento envolve ajustar os parâmetros do modelo para diferentes casos de uso e, em seguida, ajustar os resultados em um determinado conjunto de dados de treinamento. Por exemplo, um call center pode treinar um chatbot sobre os tipos de perguntas que os atendentes recebem de vários tipos de clientes e as respostas que os atendentes dão em troca. Um aplicativo de geração de imagem, ao contrário do texto, pode começar com tags que descrevem o conteúdo e o estilo das imagens para treinar o modelo para gerar novas imagens.

Como a IA generativa está mudando o trabalho criativo?

A IA generativa promete ajudar os trabalhadores criativos a explorar variações de ideias. Os artistas podem começar com um conceito básico de design e depois explorar as variações. Os designers industriais podem explorar as variações do produto. Os arquitetos podem explorar diferentes projetos de construção e visualizá-los como um ponto de partida para um maior refinamento.

Também poderia ajudar a democratizar alguns aspectos do trabalho criativo. Por exemplo, usuários corporativos podem explorar imagens de marketing de produtos usando descrições de texto. Eles poderiam refinar ainda mais esses resultados usando comandos ou dicas simples.

O que vem a seguir para IA generativa?

A capacidade do ChatGPT de gerar texto semelhante ao humano despertou grande curiosidade sobre o potencial da IA generativa. Também lança luz sobre os muitos problemas e desafios que temos pela frente.

No curto prazo, o trabalho se concentrará em melhorar a experiência do usuário e os fluxos de trabalho usando ferramentas generativas de IA. Também será essencial criar confiança nos resultados da IA generativa.

Muitas empresas também personalizarão a IA generativa em seus próprios dados para ajudar a melhorar a marca e a comunicação. As equipes de programação usarão IA generativa para aplicar as melhores práticas específicas da empresa para escrever e formatar códigos mais legíveis e consistentes.

Os provedores integrarão recursos de IA generativa em suas ferramentas complementares para simplificar os fluxos de trabalho de geração de conteúdo. Isso impulsionará a inovação sobre como esses novos recursos podem aumentar a produtividade.

A IA generativa também pode desempenhar um papel em vários aspectos do processamento, transformação, rotulagem e verificação de dados como parte dos fluxos de trabalho de análise aumentada. Aplicativos da web semântica podem usar IA generativa para mapear automaticamente taxonomias internas que descrevem habilidades de trabalho para diferentes taxonomias em locais de recrutamento e treinamento de habilidades. Da mesma forma, as equipes de negócios usarão esses modelos para transformar e rotular dados de terceiros para avaliações de risco mais sofisticadas e recursos de análise de oportunidades.

No futuro, os modelos generativos de IA serão estendidos para dar suporte à modelagem 3D, design de produtos, desenvolvimento de medicamentos, gêmeos digitais, cadeias de suprimentos e processos de negócios. Isso tornará mais fácil gerar novas ideias de produtos, experimentar diferentes modelos organizacionais e explorar várias ideias de negócios.

Quais são alguns modelos generativos para processamento de linguagem natural?

Alguns modelos generativos para processamento de linguagem natural incluem o seguinte:

  • XLNet da Carnegie Mellon University
  • OpenAI GPT (transformador pré-treinado generativo)
  • ALBERT do Google ("A Lite" BERT)
  • Google BERT
  • Google LaMDA

A IA algum dia ganhará consciência?

Alguns defensores da IA acreditam que a IA generativa é um passo essencial em direção à IA de uso geral e até mesmo à consciência. Um dos primeiros testadores do chatbot LaMDA do Google até criou um grande rebuliço quando declarou publicamente que era sensível. Em seguida, ele foi demitido da empresa.

Em 1993, o escritor de ficção científica e cientista da computação americano Vernor Vinge postulou que em 30 anos teríamos a capacidade tecnológica de criar "inteligência sobre-humana" - uma IA que é mais inteligente que os humanos, após o que a era humana terminou. O pioneiro da IA, Ray Kurzweil, previu tal "singularidade" até 2045.

Muitos outros especialistas em IA acreditam que poderia estar muito mais longe. O pioneiro dos robôs, Rodney Brooks, previu que a IA não ganhará a sensibilidade de uma criança de 6 anos durante sua vida, mas pode parecer tão inteligente e atenta quanto um cachorro em 2048.

Este conteúdo foi atualizado pela última vez em Julho 2023

Saiba mais sobre Inteligência artificial e automação

ComputerWeekly.com.br
ComputerWeekly.es
Close