Tópico 2.2. Como a GenAI aprende

Já sabe que a IA Generativa cria conteúdo novo – texto, imagens, código, música – aprendendo padrões a partir de dados. Mas como é que ela aprende esses padrões? E como é que passa de “aprender” para “criar”?
Nesta secção, Vamos analisar o mecanismo que faz tudo funcionar: redes neuronais.
Redes neuronais: um modelo mental
A tecnologia por detrás da IA Generativa é chamada de Rede Neuronal Artificial. O nome vem do cérebro humano – a ideia inspira-se na forma como os neurónios biológicos se conectam e trabalham em conjunto – mas não leve a analogia demasiado à letra. Uma rede neuronal não é um cérebro. É um sistema matemático que processa informação em etapas.
Aqui está uma forma simples de o visualizar. Imagine uma grande cozinha de hotel durante o serviço de pequeno-almoço. As encomendas chegam dos hóspedes (a entrada). A cozinha tem várias estações – uma para pastelaria, uma para ovos, uma para bebidas – e cada estação processa parte da encomenda (as camadas ocultas). No final, sai uma bandeja de pequeno-almoço completa, pronta para o hóspede (a saída). Cada estação não sabe como será a bandeja final. Apenas faz a sua parte, mas como as estações estão ligadas na sequência correta, todo o sistema produz algo coerente.



Uma rede neuronal funciona da mesma maneira, em três partes
- Camada de Entrada – É aqui que os dados brutos entram no sistema. Se estiver a treinar um modelo para escrever descrições de hotéis, a entrada pode ser milhares de descrições existentes, divididas em palavras e frases individuais.
- Camadas Ocultas – As camadas ocultas são os níveis de processamento intermédios que funcionam entre a entrada e a saída. Uma rede pode ter apenas uma ou muitas, e cada uma analisa a informação à procura de um tipo diferente de padrão. As camadas iniciais captam elementos simples, como quais palavras aparecem frequentemente em associação com outras. As camadas mais profundas — aprendizagem profunda — reconhecer padrões mais complexos: a estrutura de uma frase, a diferença de tom entre um anúncio de um parque de campismo e um de um agroturismo.
Aprendizagem profunda – Quando uma rede neural tem muitas camadas ocultas empilhadas umas sobre as outras, chamamos-lhe aprendizagem profunda. A profundidade da rede permite-lhe ir além do reconhecimento de associações simples: um modelo de aprendizagem profunda pode, por exemplo, reconhecer que uma descrição que combina “pequeno-almoço de origem local”, “painéis solares” e “caminhadas em reserva natural” se refere a uma propriedade de turismo sustentável e exige um tom autêntico e consciente do ambiente. Capta o contexto, não apenas a proximidade das palavras. A aprendizagem profunda é a tecnologia por trás das ferramentas de IA generativa mais poderosas, todas elas dependem de redes neurais profundas com milhares de milhões de ligações, treinadas em vastos conjuntos de dados.
- Camada de Saída: É aqui que a rede produz o seu resultado. Para um gerador de texto, pode ser a próxima palavra numa frase. Para um gerador de imagens, pode ser o próximo pixel ou elemento visual.
À medida que a rede processa dados durante o treino, as conexões entre as camadas ficam mais fortes ou mais fracas, dependendo do grau de correspondência entre a saída da rede e o que era esperado. Conexões que levam a boas previsões são reforçadas; conexões que levam a previsões fracas são enfraquecidas. Ao longo de milhões de exemplos, a rede ajusta-se gradualmente para reconhecer os padrões nos dados com precisão crescente. Este processo de ajuste é o que chamamos de treino, e é o mesmo conceito que explorou no fluxo de trabalho de ML na Lição 1.2.

Parar e verificar - Exercício 1
Complete a frase

Complete cada frase usando o termo correto.

Da aprendizagem à criação: como a IA Generativa gera conteúdo
Compreender a estrutura da rede é crucial. Mas como é que ela, de facto, produz uma nova frase ou uma nova imagem? É aqui que entra o conceito de previsão.
Um modelo de texto generativo
A modelo de texto generativo O ChatGPT não “sabe” o que quer dizer. Em vez disso, gera conteúdo uma peça de cada vez, prevendo o que deve vir a seguir, com base nos padrões que aprendeu durante o treino.
Aqui está um exemplo simplificado. Imagine que escreveu este pedido num assistente de IA de um hotelBem-vindo! Esperamos que a sua estadia seja inesquecível e que celebre este dia especial connosco.“
O modelo começa com a primeira palavra. Com base em tudo o que aprendeu com milhões de textos, prevê que uma mensagem de boas-vindas provavelmente começará com algo como “Caro(a)” ou “Bem-vindo(a)”. Vamos dizer que escolhe “Caro(a)”.”
Agora, tendo em conta que o contexto é um hotel e que o modelo escolheu a palavra “Prezado”, prevê a próxima palavra – talvez “Marco” (o nome do hóspede da descrição) ou “Hóspede”. Escolhe “Marco”.”
Em seguida, dado “Caro Marco” no contexto de uma saudação de aniversário, prevê a palavra seguinte: talvez “nós” ou “felicitações”. E assim por diante, palavra a palavra, até a mensagem estar completa.
Em nenhum momento o modelo compreende o que é um aniversário ou o que se sente ao ser acolhido. Está a fazer uma longa cadeia de suposições informadas baseadas em padrões estatísticos. Mas como esses padrões foram aprendidos a partir de enormes quantidades de texto escrito por humanos, o resultado soa frequentemente natural, caloroso e apropriado, mesmo que não haja qualquer compreensão envolvida.
Um modelo generativo de imagens
A geração de imagens funciona num princípio semelhante, mas com padrões visuais em vez de palavras.. Quando o DALL-E recebe o pedido “um terraço de restaurante soalheiro com vista para o mar”, não visualiza a cena. Gera elementos visuais passo a passo, com base nos padrões que aprendeu com milhões de imagens: como são as cenas “soalheiras” típicas, como são compostos os terraços e o que contêm as vistas para o mar. O resultado pode ser surpreendentemente realista, mas é previsão de padrões, não imaginação.


Porque isto importa: compreender os limites
Saber como a GenAI gera conteúdo através da previsão de padrões ajuda a explicar tanto as suas forças como as suas fraquezas.
- Por que é útil: Consegue produzir rascunhos, traduções, resumos e ideias criativas muito rapidamente. Consegue adaptar o tom, o estilo e a linguagem com base no seu pedido. Para tarefas rotineiras, como redigir e-mails, escrever legendas para redes sociais ou traduzir um menu, poupa um tempo significativo.
- Porquê precisa de si: Como prevê em vez de compreender, pode produzir conteúdos que soam confiantes, mas que estão factualmente errados. Pode recomendar um restaurante que encerrou no ano passado, inventar uma política de hotel que não existe, ou escrever algo que soe polido, mas que não corresponda exatamente à voz da marca do seu hotel. Não tem como verificar o seu próprio resultado em relação à realidade: essa é a sua tarefa.
- Os melhores resultados vêm de uma parceria: deixe a IA gerar um primeiro rascunho rapidamente, depois aplique o seu conhecimento, discernimento e conhecimento da situação real para rever, ajustar e aprovar.

Parar e verificar - Exercício 2
Encontre o problema
Aqui estão quatro peças de conteúdo gerado por IA; cada uma contém um problema que pode ser detetado. Identificar o problema e explicar o que seria feito para o resolver.

Discussão: Por que a IA cometeu cada um destes erros? Como é que estes se ligam ao que aprendeu sobre como a IA Generativa cria conteúdo?
Instrução aberta: A frase “confiar, mas verificar” é uma boa regra ao trabalhar com IA generativa em ambientes profissionais porque, embora estas ferramentas possam produzir informações úteis rapidamente, elas também podem gerar imprecisões ou desinformação. A verificação garante que os resultados da IA são confiáveis, precisos e adequados para o uso pretendido, protegendo a reputação e a tomada de decisões da empresa.

A lição em poucas palavras
A IA generativa aprende processando enormes quantidades de dados através de redes neuronais — sistemas em camadas que se ajustam gradualmente para reconhecer padrões. O deep learning leva isto mais longe, empilhando muitas camadas, permitindo que os modelos captem padrões subtis e complexos em linguagem, imagens e som.
Quando a IA Generativa cria novo conteúdo, não recupera respostas armazenadas nem compreende o que está a escrever. Gera o resultado peça a peça, prevendo o que deve vir a seguir, com base nos padrões que aprendeu. Os resultados podem ser impressionantes e úteis, mas necessitam sempre de um olhar humano: alguém que conheça a situação real, consiga detetar erros e tomar a decisão final.
Como é que isto poderia ser no meu dia de trabalho?
Imagine que trabalha num museu a preparar uma exposição temporária sobre artesanato local. Pede a uma IA que escreva o texto introdutório para o painel da entrada. A ferramenta gera um parágrafo bem escrito e envolvente em segundos. No entanto, ao lê-lo atentamente, repara que atribui uma técnica de cerâmica do século XVIII a um período histórico diferente e menciona um artesão que nunca existiu. A IA combinou padrões linguísticos plausíveis – nomes, datas, técnicas – sem verificar se correspondiam à realidade. Agora sabe porque é que isto acontece: o modelo prevê palavras, não verifica factos. Corrige as imprecisões, mantém a estrutura que funciona e acaba com um painel preciso. A IA acelerou o trabalho; a sua experiência tornou-o fiável.
Porque é que isto é importante para o meu futuro emprego?
Muitas das ferramentas que utilizará na sua carreira – desde a geração de texto a respostas automáticas para convidados – são construídas com base no mesmo mecanismo que acabou de estudar: redes neuronais a prever padrões. Saber como estas funcionam confere-lhe uma vantagem que vai além da simples utilização. Quando um chatbot inventa uma política de cancelamento, compreende por que razão isso acontece: previu uma sequência plausível de palavras sem verificar o conteúdo. Quando um gerador de imagens comete um erro num detalhe arquitetónico, sabe que está a combinar padrões visuais em vez de “ver” o edifício. Esta consciência permite-lhe utilizar a IA com confiança onde ela funciona e intervir com segurança onde o seu próprio julgamento é necessário.
Refletir um pouco
Sabendo agora que a IA aprende absorvendo conteúdo existente e recombinando os seus padrões, considere isto: se dependermos cada vez mais da IA para escrever, desenhar e criar para nós, o que acontece à fonte de ideias originais de onde aprende? Se menos pessoas produzirem pensamentos, imagens e palavras verdadeiramente novas, a IA acabará por reciclar os mesmos padrões repetidamente? E o que acontece à sua própria capacidade de criar? Afia-se através da colaboração com a IA, ou desvanece-se silenciosamente por falta de prática?”