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).

Leitura relacionada