Índice do artigo
O que é a IA?
A Inteligência Artificial (IA) é o ramo da ciência da computação dedicado a criar sistemas capazes de executar tarefas que, tradicionalmente, requerem inteligência humana. Estas tarefas incluem raciocínio, aprendizagem, percepção, compreensão de linguagem natural, tomada de decisão e resolução de problemas.
Ramos principais da IA
A IA pode ser dividida em várias áreas inter-relacionadas:
| Ramo | Descrição | Exemplos |
|---|---|---|
| Machine Learning (ML) | Algoritmos que aprendem padrões a partir de dados, sem programação explícita para cada tarefa. | Regressão, árvores de decisão, redes neurais |
| Deep Learning (DL) | Subconjunto do ML baseado em redes neurais artificiais com múltiplas camadas ocultas. | Reconhecimento de imagem, processamento de linguagem natural |
| Redes Neurais | Modelos computacionais inspirados no funcionamento de neurónios biológicos. | Perceptrónio multicamada, CNN, RNN |
| Processamento de Linguagem Natural (PLN) | Interação entre computadores e linguagem humana. | Tradução automática, análise de sentimento, chatbots |
| Visão Computadorizada | Interpretação e compreensão de informação visual. | Classificação de imagem, deteção de objetos |
| IA Simbólica | Raciocínio baseado em regras e representação explícita do conhecimento. | Sistemas especialistas, programação lógica |
Aprendizagem supervisionada vs não supervisionada
Aprendizagem supervisionada
O modelo aprende a partir de dados rotulados (pares de entrada e saída conhecida). O objetivo é aprender uma função que mapeie entradas para saídas.
Exemplos: classificação de e-mails como spam ou não-spam, previsão de preços de imóveis.
Aprendizagem não supervisionada
O modelo aprende a partir de dados não rotulados, descobrindo padrões e estrutura ocultas.
Exemplos: agrupamento de clientes, redução de dimensionalidade, deteção de anomalias.
Deep Learning e redes neurais
O Deep Learning utiliza redes neurais artificiais com muitas camadas (daí "deep"). Cada camada aprende representações cada vez mais abstratas dos dados.
Uma rede neural típica é composta por:
- Camada de entrada: Recebe os dados brutos.
- Camadas ocultas: Transformam os dados através de operações lineares e funções de ativação não lineares.
- Camada de saída: Produz a previsão final.
Funções de ativação comuns: ReLU, Sigmoid, Tanh, Softmax.
Estado atual da pesquisa
O campo da IA avança rapidamente. Grandes Modelos de Linguagem (LLMs), arquiteturas Transformers, e técnicas como RAG (Retrieval-Augmented Generation) estão a redefinir o que é possível.
É importante distinguir factos estabelecidos (ex: redes neurais podem aprender padrões complexos a partir de dados) de ideias experimentais (ex: novos arquiteturas ainda em validação).