Conceitos de IA e ML

O que cai na prova

• Termos básicos: IA, ML, deep learning, redes neurais, visão computacional, PLN, modelo, algoritmo, treinamento e inferência, viés, LLM, IA generativa e IA agêntica
• Semelhanças e diferenças entre IA, ML, IA generativa, deep learning e IA agêntica
• Tipos de inferência: em lote, em tempo real, assíncrona e sem servidor
• Tipos de dados: rotulados e não rotulados, tabulares, séries temporais, imagem, texto, estruturados e não estruturados
• Tipos de aprendizado: supervisionado, não supervisionado e por reforço

Resumo da aula

As camadas

IA é o campo todo. Machine learning é a parte em que o sistema aprende com dados. Deep learning usa redes neurais com muitas camadas. IA generativa cria conteúdo novo (texto, imagem, código). IA agêntica vai além: planeja e executa tarefas usando ferramentas.

Treinamento e inferência

No treinamento o modelo aprende com dados. Na inferência ele é usado para prever ou gerar uma resposta. O algoritmo é o método de aprendizado; o modelo é o resultado treinado.

Tipos de inferência

Tempo real: resposta na hora, para um usuário esperando. Lote (batch): muitos dados de uma vez, sem pressa. Assíncrona: pedidos grandes ou demorados, que entram numa fila. Sem servidor: tráfego irregular, você não mantém máquina ligada.

Dados

Rotulados têm a resposta certa junto ("esta foto é um gato"); não rotulados, não. Estruturados cabem em tabelas; não estruturados são texto livre, imagens, áudio. Séries temporais são medidas ao longo do tempo.

Aprendizado

Supervisionado aprende com exemplos rotulados (classificação, regressão). Não supervisionado acha padrões sem rótulos (agrupamento). Por reforço aprende por tentativa e erro, recebendo recompensas, como um robô ou um jogo.