O que é IA ge­ne­ra­tiva?

In­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva, ou IA ge­ne­ra­tiva, é capaz de gerar dados similares àqueles com os quais ela foi treinada. Ou seja, essa tec­no­lo­gia pode ser usada para produzir di­fe­ren­tes tipos de conteúdo, que variam de textos e imagens a vídeos e músicas. Apesar de seu im­pres­si­o­nante potencial, des­con­fi­an­ças as circundam. Entre elas estão questões éticas re­la­ci­o­na­das à au­ten­ti­ci­dade e ao uso ina­de­quado do conteúdo gerado.

O que é IA ge­ne­ra­tiva?

IA ge­ne­ra­tiva é a forma abreviada de in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva. O termo faz re­fe­rên­cia a modelos e al­go­rit­mos de in­te­li­gên­cia ar­ti­fi­cial, como o ChatGPT, capazes de gerar dados ou conteúdos similares àqueles com os quais foram treinados. Estes podem ser textos, imagens e músicas. A tec­no­lo­gia se baseia em redes ad­ver­sá­rias ge­ne­ra­ti­vas (GANs), uma forma de machine learning.

Como a IA ge­ne­ra­tiva funciona?

A in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva costuma depender de redes neurais, prin­ci­pal­mente quando se trata de um modelo ge­ne­ra­tivo, como é o caso das GANs:

• Pri­mei­ra­mente, grandes quan­ti­da­des de dados de trei­na­mento são coletadas e pro­ces­sa­das, para servirem de base de apren­di­zado para o modelo ge­ne­ra­tivo — tais dados podem ter formato de texto, imagem ou vídeo, por exemplo.
• A rede neural possui várias camadas, mas sua ar­qui­te­tura exata depende do tipo de dado a ser gerado. Em se tratando de geradores de texto, modelos de rede neural re­cor­ren­tes (RNNs) podem ser usados. Já redes neurais con­vo­lu­ci­o­nais (CNNs) são mais adequadas à geração de imagens.
• Os dados de trei­na­mento coletados e pro­ces­sa­dos são usados para ensinar o modelo de IA a criar dados similares. Isso é possível mediante o ajuste de pesos e pa­râ­me­tros dos neurônios, com o objetivo de minimizar a ocor­rên­cia de erros, quando dados gerados e dados reais são com­pa­ra­dos.

Depois de ser treinado, o modelo passa a gerar novos dados. Para tanto, ele deve receber uma sequência ou valor inicial por prompt (comando), em forma de texto, imagem, vídeo ou desenho. Como resposta ao prompt, a in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva produz um novo conteúdo. Os dados gerados são ana­li­sa­dos para que sua qualidade seja as­se­gu­rada. O modelo pode ser adaptado e refinado con­ti­nu­a­mente, bastando, para tanto, receber novos dados de trei­na­mento.

Diferença entre machine learning e in­te­li­gên­cia ar­ti­fi­cial

O campo de pesquisa da in­te­li­gên­cia ar­ti­fi­cial é vasto e visa de­sen­vol­ver máquinas capazes de de­sem­pe­nhar tarefas antes exe­cu­ta­das somente por in­te­li­gên­cia humana. Chatbots e as­sis­ten­tes de voz, como Google Home e Amazon Echo, são exemplos de in­te­li­gên­cias ar­ti­fi­ci­ais.

Machine learning (apren­di­zado de máquina) é, por sua vez, um subcampo da in­te­li­gên­cia ar­ti­fi­cial, que tem como foco o de­sen­vol­vi­mento de al­go­rit­mos capazes de aprender a partir de dados. Em vez de receber ins­tru­ções es­pe­cí­fi­cas e de­sem­pe­nhar uma tarefa, um modelo de machine learning baseia-se em dados de amostra para aprender e faz previsões, ou tomar decisões, sem que precise ser ex­pli­ci­ta­mente pro­gra­mado para tal. O volume e a com­ple­xi­dade dos dados dis­po­ní­veis hoje em dia ampliaram a pos­si­bi­li­dade das máquinas de apren­de­rem.

Exemplos de IA ge­ne­ra­tiva

Modelos de IA ge­ne­ra­tiva usam redes neurais es­pe­cí­fi­cas para gerar novos conteúdos. De­pen­dendo da aplicação envolvida, eles podem incluir:

• Redes ad­ver­sá­rias ge­ne­ra­ti­vas (GANs): GANs são compostas por um gerador e um dis­cri­mi­na­dor. Na maioria das vezes, elas são usadas para criar imagens realistas.
• Redes neurais re­cor­ren­tes (RNNs): RNNs são criadas es­pe­ci­fi­ca­mente para processar dados se­quen­ci­ais como conteúdo escrito, e usadas para gerar textos e áudios.
• Modelos baseados em trans­for­ma­dor: Modelos como o GPT (ge­ne­ra­tive pre-trained trans­for­mer), da OpenAI, são baseados em trans­for­ma­do­res e usados para a geração de textos.
• Modelos baseados em fluxo: São usados em apli­ca­ções avançadas, para gerar imagens e outros dados.
• Au­to­en­co­der va­ri­a­ci­o­nal (VAE): VAEs são fre­quen­te­mente usados na geração de imagens e textos.

Prin­ci­pais exemplos de machine learning

No campo do machine learning, diversos tipos de modelos podem ser usados, a depender da tarefa a ser executada e dos dados dis­po­ní­veis. Ba­si­ca­mente, podemos fazer uma distinção entre apren­di­zado su­per­vi­si­o­nado e apren­di­zado não su­per­vi­si­o­nado. Redes neurais são muito usadas no apren­di­zado não su­per­vi­si­o­nado.

Além dos dois modelos prin­ci­pais, existem também modelos de apren­di­zado semi-su­per­vi­si­o­nado, apren­di­zado por reforço e apren­di­zado ativo. Na verdade, os três podem ser clas­si­fi­ca­dos como apren­di­zado su­per­vi­si­o­nado, di­fe­ren­ci­ando-se, contudo, pelo nível de par­ti­ci­pa­ção do usuário no processo.

Há também uma distinção entre deep learning (apren­di­zado profundo) e shallow learning (apren­di­zado raso). A principal diferença está na com­ple­xi­dade dos modelos. Enquanto o deep learning usa ar­qui­te­tu­ras de redes neurais mais profundas para re­co­nhe­cer recursos e padrões complexos em grandes conjuntos de dados, o shallow learning é baseado em modelos mais simples e com menos camadas. Ambos, machine learning e deep learning, são con­si­de­ra­dos sub­con­jun­tos da in­te­li­gên­cia ar­ti­fi­cial.

O que é ChatGPT, DALL-E e Bard?

ChatGPT, DALL-E e Bard são in­ter­fa­ces de in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva capazes de gerar novos conteúdos a seus usuários, quando so­li­ci­ta­das.

IA ge­ne­ra­tiva no Chat GPT

ChatGPT é um dos geradores de texto mais populares do mundo. Seu chatbot in­te­li­gente é baseado no modelo de previsão de linguagem GPT-3.5 ou GTP-4, da OpenAI, e consegue criar respostas em texto similares a respostas humanas. Assim como outros modelos GPT, o ChatGPT foi treinado com enormes quan­ti­da­des de dados de texto e, portanto, consegue cobrir uma ampla variedade de assuntos e áreas do co­nhe­ci­mento, aplicando o que aprendeu em suas respostas e ex­pli­ca­ções. Por in­cor­po­rar o histórico de in­te­ra­ções com o usuário nos re­sul­ta­dos, ele simula um diálogo em forma de chat.

IA ge­ne­ra­tiva no DALL-E

DALL-E é uma aplicação in­te­li­gente mul­ti­mo­dal, que gera imagens baseadas em des­cri­ções de texto. Esta in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva foi de­sen­vol­vida com base no GPT de 2021, também da OpenAI, e treinada por um grande conjunto de dados de texto sobre imagens e sobre des­cri­ções de imagens. Assim, este gerador de imagens IA consegue associar palavras e seus sig­ni­fi­ca­dos a elementos visuais. Sua segunda e mais poderosa versão, DALL-E 2, foi lançada em 2022. Ela permite a criação de imagens de di­fe­ren­tes estilos, bastando que o usuário assim comande.

IA ge­ne­ra­tiva no Bard

Bard é o chatbot de in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva do Google, possível graças a modelos de linguagem grande (MLL) e PaLM2. Assim como o ChatGPT, o Bard é capaz de responder perguntas, programar, so­lu­ci­o­nar problemas ma­te­má­ti­cos e auxiliar na digitação. Para funcionar, ele se utiliza de técnicas de pro­ces­sa­mento de linguagem natural (PLN). Embora esta IA ge­ne­ra­tiva opere se­pa­ra­da­mente das pesquisas do Google, sua fonte principal de in­for­ma­ção é a internet. Usuários podem enviar feedbacks à empresa e con­tri­buir com o apri­mo­ra­mento dos dados apre­sen­ta­dos pela fer­ra­menta.

Como usar IA ge­ne­ra­tiva?

A in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva pode ser aplicada a diversas áreas, sendo capaz de criar pra­ti­ca­mente qualquer tipo de conteúdo. Graças a de­sen­vol­vi­men­tos re­vo­lu­ci­o­ná­rios, como do GPT, e de sua fa­ci­li­dade de uso, esta tec­no­lo­gia vem se tornando cada vez mais acessível. Exemplos de IA ge­ne­ra­tiva podem ser usados em:

• Geração de textos: Artigos, notícias, redações criativas, e-mails, cur­rí­cu­los etc.
• Criação de imagens gráficas: Logos, designs, obras de arte etc.
• Áudios e músicas: Com­po­si­ções, efeitos sonoros etc.
• Vídeo games: Geração de fases (níveis), per­so­na­gens, enredos e diálogos em jogos.
• Filmes e animações: Criação de per­so­na­gens e cenas em CGI, geração de conteúdo de vídeo etc.
• Farmácia e química: Des­co­berta de novas es­tru­tu­ras mo­le­cu­la­res, me­di­ca­men­tos e oti­mi­za­ção de compostos químicos.
• Chatbots: Aten­di­mento ao cliente e suporte técnico.
• Conteúdo educativo: Vídeos de de­mons­tra­ção de produtos e tutoriais em di­fe­ren­tes idiomas.
• Ar­qui­te­tura e pla­ne­ja­mento urbano: Projetos de cons­tru­ção, de espaços internos e de plantas urbanas, oti­mi­za­ção do uso de espaços e in­fra­es­tru­tu­ras etc.

Vantagens da IA ge­ne­ra­tiva

Devido a suas infinitas pos­si­bi­li­da­des de aplicação, a in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva pode be­ne­fi­ciar pro­fis­si­o­nais de diversas áreas. Além de criar novos conteúdos, ela também facilita a in­ter­pre­ta­ção e a com­pre­en­são de conteúdos já exis­ten­tes. Entre os be­ne­fí­cios da IA ge­ne­ra­tiva estão:

• Automação de processos manuais
• Resumo e or­ga­ni­za­ção de in­for­ma­ções complexas
• Criação fa­ci­li­tada de conteúdo
• Respostas para perguntas técnicas
• Respostas para e-mails

Limites da IA ge­ne­ra­tiva

Li­mi­ta­ções da in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva ge­ral­mente são iden­ti­fi­ca­das quando a mesma é utilizada em abor­da­gens es­pe­cí­fi­cas. Por exemplo, mesmo que o conteúdo gerado possa parecer legítimo, in­for­ma­ções nas quais ele foi baseado podem ser in­cor­re­tas ou ma­ni­pu­la­das. No momento, estes são os limites da IA ge­ne­ra­tiva:

• Nem sempre é possível iden­ti­fi­car a origem das in­for­ma­ções
• É difícil iden­ti­fi­car a intenção por trás da fonte original
• Conteúdos que parecem corretos di­fi­cul­tam a iden­ti­fi­ca­ção de in­for­ma­ções erradas
• O conteúdo gerado pode ser ten­den­ci­oso ou pre­con­cei­tu­oso

Pre­o­cu­pa­ções re­la­ci­o­na­das à IA ge­ne­ra­tiva

Muitos fatores, ainda não tão es­cla­re­ci­dos, costumam gerar dúvidas, em se tratando de in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva. Há pre­o­cu­pa­ções quanto à quan­ti­dade de conteúdo gerado e com riscos de uso indevido.

• Uso indevido e de­sin­for­ma­ção: A ca­pa­ci­dade da IA ge­ne­ra­tiva de produzir conteúdo realista pode ser explorada ne­ga­ti­va­mente. Exemplos de IA ge­ne­ra­tiva usados in­de­vi­da­mente incluem deepfakes, fake news, do­cu­men­tos falsos e outros.
• Direitos autorais e pro­pri­e­dade in­te­lec­tual: O conteúdo gerado estimula dis­cus­sões sobre direitos autorais e pro­pri­e­dade in­te­lec­tual, pois, na maioria das vezes, não fica claro quem detém os direitos sobre o que é produzido ar­ti­fi­ci­al­mente e como o material pode ser usado.
• Viés e dis­cri­mi­na­ção: Se um modelo de in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva é treinado usando dados ten­den­ci­o­sos, o conteúdo gerado pode refletir visões parciais.
• Ética: A geração de conteúdo falso e a ma­ni­pu­la­ção de in­for­ma­ções levanta ques­ti­o­na­men­tos éticos.
• Le­ga­li­dade: O rápido de­sen­vol­vi­mento da IA ge­ne­ra­tiva levou a uma situação jurídica ainda não es­cla­re­cida. Não se sabe ao certo como a tec­no­lo­gia será re­gu­la­men­tada.
• Proteção de dados e pri­va­ci­dade: O uso de IA ge­ne­ra­tiva para gerar dados pessoais ou iden­ti­fi­car pessoas em imagens é ques­ti­o­ná­vel, já que pode esbarrar no direito à pri­va­ci­dade.
• Segurança: In­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva pode ser usada para criar ataques de en­ge­nha­ria social mais eficazes do que aqueles criados por humanos.

Exemplos de IA ge­ne­ra­tiva aplicados a fer­ra­men­tas

Diversas fer­ra­men­tas de IA ge­ne­ra­tiva estão dis­po­ní­veis para uso, de­pen­dendo do tipo de conteúdo que você deseja criar. Entre os melhores geradores de texto IA estão:

• ChatGPT da OpenAI
• Jasper
• Wri­te­so­nic
• Frase
• CopyAI

Entre os melhores geradores de imagens IA estão:

• Mid­jour­ney
• DALL E-2
• Neu­ro­flash
• Jasper Art
• Craiyon

Entre os melhores geradores de vídeo IA estão:

• Pictory
• Synthesys
• Synthesia
• HeyGen
• Veed

In­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva vs. in­te­li­gên­cia ar­ti­fi­cial

In­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva e in­te­li­gên­cia ar­ti­fi­cial se diferem, prin­ci­pal­mente, pelo modo em que são usadas, e não por causa de suas tec­no­lo­gias. Enquanto o principal objetivo da IA é de­sem­pe­nhar, de forma au­to­ma­ti­zada ou apri­mo­rada, tarefas que nor­mal­mente exigiriam a in­te­li­gên­cia humana, a IA ge­ne­ra­tiva cria novos conteúdos, como respostas em chats, designs, dados sin­té­ti­cos e deepfakes. Para que seja capaz de gerar algo novo, a in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva precisa de um prompt, um comando do usuário. Por outro lado, a IA tra­di­ci­o­nal tem foco em re­co­nhe­cer padrões, tomar decisões, realizar análises refinadas, clas­si­fi­car dados e detectar fraudes.

Dicas para usar IA ge­ne­ra­tiva

A in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva é acom­pa­nhada de opor­tu­ni­da­des e de perigos. Quem usa modelos ge­ne­ra­ti­vos para criar conteúdo pode alcançar melhores re­sul­ta­dos e evitar riscos tomando os seguintes cuidados:

• Valide re­sul­ta­dos: Sempre verifique a qualidade do conteúdo gerado.
• Entenda a fer­ra­menta: Ao aprender como fer­ra­men­tas de IA ge­ne­ra­tiva funcionam, você conhecerá seus pontos fortes e fracos. É im­por­tante saber o que é in­te­li­gên­cia ar­ti­fi­cial ex­pli­cá­vel (XAI).
• Desconfie das fontes: Se você estiver tra­ba­lhando com conteúdo ar­ti­fi­ci­al­mente criado, cheque a ve­ra­ci­dade das in­for­ma­ções antes de re­trans­miti-las.
• Explicite a origem do conteúdo: Conteúdo criado por fer­ra­men­tas de in­te­li­gên­cia ar­ti­fi­cial deve ser iden­ti­fi­cado como tal, para que todos fiquem cientes de sua origem.
• Ética: Use a IA ge­ne­ra­tiva com res­pon­sa­bi­li­dade. Não crie ou distribua conteúdo enganoso, impreciso ou ma­ni­pu­la­dor.
• Apren­di­zado contínuo: A in­te­li­gên­cia ar­ti­fi­cial ge­ne­ra­tiva está evoluindo ra­pi­da­mente. Por isso, mantenha-se atu­a­li­zado para utilizar sempre as técnicas mais avançadas e re­co­men­da­das.