Como dito no documento anterior, a IA tem como finalidade fazer um trabalho que anteriormente era feito por um humano. É uma meta ambiciosa, mas um fundamento da IA. Menos que isso não é IA.
O desenvolvimento das IAs segue uma metodologia muito bem definida que possibilita seu funcionamento com a maior taxa de acertos possível e ainda sua adaptação a qualquer atividade que possa ser beneficiada pelo uso da IA.
Importante: nenhuma IA pode garantir que a resposta fornecida seja perfeita ou 100% correta. Ela é a mais acertada conforme os “parâmetros” pelos quais foi ajustada para responder, analisar e pesquisar. Mudanças nas condições da pesquisa podem fazer os resultados não corresponderem exatamente ao esperado.
Importante: podemos criar mecanismos para a IA reconhecer seus próprios erros. Por exemplo: se uma pesquisa deveria retornar um resultado específico e, de repente, está voltando mais de um, a IA pode gerar uma notificação de correção ou executar um auto-ajuste.
Para simplificar, vamos adotar que o mecanismo da IA é um ciclo de pergunta e resposta (como na web: request e response). É um “arredondamento” grosseiro, mas suficiente para a teoria básica desta página.
Gerações da IA
A IA muitas vezes parece muito com os humanos. Como tudo na área, a evolução acontece em gerações e, em cada uma, os recursos aumentam exponencialmente.
Tenha em mente que, comparando uma geração mais antiga com uma mais nova, a anterior parece mais um “rascunho” do que uma IA realmente avançada — o avanço é enorme e não é comparável.
A primeira geração tinha uma interação pequena e um leque de respostas limitado. Por exemplo, atendimento automático em call center.
Em um primeiro momento, a IA enviava opções do tipo “digite 1 para isso, 2 para aquilo” e você precisava responder entre alternativas restritas.
Num segundo momento, com mais possibilidades, a análise da solicitação foi melhorada: a IA “encaixava” a pergunta em uma resposta ou pedia para você reformular quando não entendesse.
A segunda geração representou um avanço: capaz de interagir com humanos de forma natural (escrita ou falada), com Processamento de Linguagem Natural (NLP).
Na prática: em vez de “digite 1 para alterar senha”, você pergunta “como faço para alterar minha senha”.
A terceira geração ampliou geometricamente as aplicações ao incorporar tecnologias conversacionais.
Aqui, a IA não apenas entende a solicitação: ela interpreta o pedido em contexto mais complexo, refinando respostas a partir de novas parametrizações do usuário até alcançar a resposta correta.
Por exemplo se eu pedisse a IA para explicar a Teoria da Relatividade para uma criança ela respondeu:
“Imagine que você está em um ônibus em movimento. Dentro do ônibus, você joga uma bola para cima…”
Até a 3ª geração a IA ainda não passava no Teste de Turing. Note que a IA tem parâmetros para as respostas como não mentir, não enganar, coisas que um humano faria com facilidade. Contudo aqui as LLMS e Agentes começaram a mostrar sua utilidade.
A quarta geração adicionou melhorias significativas no raciocínio, multimodalidade ( a IA pode trabalhar agora com imagens, vídeos,etc.) e a confiabilidade das respostas melhorou muito.
Hoje estamos na quinta geração e nela temos o melhor desempenho em raciocínio, programação, planejamento, contexto longo e uso de ferramentas. Literalmente todas as atividades humanas podem ser, hoje, auxiliadas pelo uso da IA.
Por trás da IA
No começo do desenvolvimento da IA havia o “apoio humano” que respondiam as perguntas que a IA não sabia como responder.
1) Equipe de apoio técnico: ajusta a IA para obter o melhor resultado (técnicos, engenheiros, analistas e especialistas em correção de problemas).
2) Equipe de apoio: responde às perguntas que a IA não consegue e encaminha o problema para a equipe técnica resolver.
Quando a IA não acha a melhor resposta
Se a IA não conseguir achar uma resposta que “encaixe” na solicitação, isso pode acontecer, por exemplo, ao pedir de quem é uma foto.
Se ela não reconhecer, registra a falha em um “histórico de falhas” para que a equipe técnica corrija futuramente. A equipe técnica faz tudo para corrigir, porque o erro tenderá a voltar a ocorrer.
Por padrão, a resposta demora um pouco mais nesses casos, enquanto a equipe analisa e reage.
As soluções mais comuns:
- ajustar a IA para reconhecer a imagem;
- criar uma resposta para “imagem não reconhecida”, quando o recurso necessário ainda estiver acima da geração atual.
Componentes do mundo da IA
Agente: a IA que responde sua solicitação. Ex.: chatbot.
Ambiente (Environment): tudo com que a IA precisa interagir: o conjunto de opções para produzir o melhor resultado e as solicitações do usuário. O objetivo é entregar apenas uma resposta: concisa, completa e assertiva.
Canal / canais de acesso: o meio para acessar a IA (site, browser, ou sensores/cabos em carros/robôs).
Sessions and States (Estados): cada iteração com o ambiente é um estado. Se o usuário refina a solicitação, a IA processa de novo e cria um novo state/sessão até chegar na melhor resposta. O texto chama esses estados de “s”.
Actions (Ações): o conjunto de respostas possíveis encontradas pela IA para atender a solicitação.
Metodologia de comunicação
Primeiro, você entra em contato com a IA (aplicação, site etc.). Para facilitar, chamamos essa IA de AGENTE.
Etapa 1 — Envio da solicitação: uma solicitação parecida com request web (texto, fala ou similar).
Etapa 2 — Análise: em IA, essa análise inicial é chamada de SENSORS, porque atribui pesos para elementos importantes da solicitação.
Depois, a IA envia a resposta aos atuadores (Actuators) que fazem a resposta acontecer no ambiente: mensagem no caso de chatbots, ou ações físicas (direção, aceleração, freio) em robôs/veículos, ou ajuste de dose em contextos médicos.
Perception Action Cycle (ciclo de percepção): a parte que conecta solicitação à resposta, definindo qual é a melhor resposta. É o centro da IA.
Terminologia
Para prosseguirmos, precisamos definir alguns termos usados para descrever o funcionamento da IA.
Termo 1: Completa ou parcialmente Observável
Fully Observable: quando o que o agente sabe é suficiente para tomar a melhor decisão em qualquer momento.
Partially observable: quando não é possível observar todas as possibilidades — é necessário mais tempo/elementos.
Termo 2: Determinístico ou estocástico
Determinístico: condições levam a um desfecho exato sem variação.
Estocástico: incorpora aleatoriedade e reconhece probabilidades de desfechos.
Termo 3: Discreto ou contínuo
Discreto: número finito de opções.
Contínuo: número de opções infinito.
Termo 4: Benignos ou adversários
Benigno: nenhuma opção contraria a escolha da melhor opção.
Adversário: escolhas competem para eliminar a outra (ex.: xadrez).
Termo 5: Resolução do problema (Problem Solving)
Liga a entrada (sensors) à saída (actuators) e elabora a resposta. Refinamentos buscam o melhor resultado com menos custo e mais eficiência.
Termo 6: Estados
Um estado é a situação atual da IA em relação à questão. A cada nova solicitação, um novo ciclo é criado levando em conta o estado atual.
Termo 7: Ciclos
Ciclos são o número de interações. A primeira resposta pode não bastar; então o usuário refina e o processo repete até chegar na resposta correta.
Complexidade do processo e gerenciamento de incertezas
Existem casos fáceis e difíceis: por exemplo, uma placa visível permite escolher o caminho diretamente; com neblina, é necessário uma nova iteração para “ver melhor”.
Em cenários com muitas possibilidades (mapa completo), pode ser preciso ajustar parâmetros e avançar passo a passo.
Gerenciamento das incertezas:
- Limites dos sensores: a solicitação não é preparada corretamente para a melhor escolha.
- Adversários: dificultam chegar ao melhor resultado.
- Ambiente estocástico: todas as opções parecem igualmente plausíveis.
Definição do problema
Toda solicitação segue regras conforme o uso. Básico:
1) Estado inicial (Initial State): ponto de partida do problema.
2) Ações (Actions): passos possíveis para chegar ao resultado desejado (podem mudar por estado/ciclo).
Exemplo do texto: em roteamento, é útil usar uma função de custo (Path Cost) para comparar opções (menor distância). Quando esse parâmetro não está disponível, a resposta pode ser “aceitável” ou insuficiente dependendo do caso.
3) Resultados (Results): após aplicar uma ação no estado, surge um resultado (ou estado novo).
4) Teste de objetivo alcançado (Goal Test): função g(s) que indica se o objetivo foi atingido.
5) Função de custo (Path Cost e Step Cost):
- PathCost: custo total acumulado até o destino.
- StepCost: custo de cada ação (de um estado para o próximo).
O caminho para a solução varia conforme o estado; a chave é encontrar o menor número de estados para chegar mais rapidamente à resposta.