• Efetua um enquadramento histórico dos modelos e sumariamente descreve algumas técnicas da sua construção;
  
  
• Como podemos interagir com os modelos, para obter determinados resultados e como estes podem ajudar em termos pessoais, profissionais e empresariais;
  
  
• Conhecer o Chat GPT (Considerado como o State of the art!?).

• Poder comparar\avaliar com conhecimento, o ecossistema, os vários modelos e soluções que estão e vão surgindo no mercado;
  
  
• Conseguir interagir no ecossistema com os modelos para obter resultados;
  
  
• Estar aberto a oportunidades, soluções em termos individuais e organizacionais e que cuidados têm de ser tidos em conta na implementação e utilização deste tipo de modelos.

Avo(X, Z) :- Pai(X, Y) , Pai(Y, Z)

Uma breve introdução ao desenvolvimento da IA

• A IA moderna começou com avanços em computação e matemática;
  
  
• Alan Turing propôs o Teste de Turing (1950);
  
  
• Em 1956, John McCarthy criou o termo 'Inteligência Artificial'.

(décadas de 1940 e 1950)

• Programas iniciais resolviam problemas simples de lógica e jogos como xadrez;
  
  
• Logic Theorist (1955) e General Problem Solver (1957) são exemplos que caminham na direção da automação de processos de raciocínio.

(décadas de 1950 a 1970)

• Expectativas não cumpridas levaram a cortes no financiamento;
  
  
• Desafios como falta de poder computacional e a complexidade do processamento da linguagem natural limitaram o progresso.

(décadas de 1970 a 1980)

• Avanços em algoritmos e maior capacidade computacional, tal como o Deep Blue vencendo Kasparov (1997), renovaram o interesse na IA;
  
  
• Redes neurais começaram a mostrar resultados impressionantes.

(décadas de 1990 a 2000)

• Técnicas de aprendizagem profunda revolucionaram a IA (deep learning);
  
  
• AlphaGo venceu campeões humanos do Go (2016);
  
  
• Assistentes virtuais como Siri, Alexa e sistemas como o ChatGPT exemplificam o impacto crescente da IA no quotidiano.

(décadas de 2010 até ao presente)

• Chat Bot baseado em inteligência artificial;
  
  
• A sigla Ed significava "Energia e Desenvolvimento“;
  
  
• Respondeu a 1 milhão de perguntas num único dia;
  
  
• Pretendia-se que o personagem criado, comunica-se como um humano.

(Público infantojuvenil - 2004 a 2016)

A ideia de um computador comportar-se como um ser humano é antiga (Lendas, histórias, filmes).

A primeira aplicação, chamada Eliza (1ºChatbot), foi desenvolvida entre 1964 e 1966 pelo cientista Joseph Weizenbaum, do MIT.

Conhecendo o processo de aprendizagem.

• David Paul Ausubel (1918-2008) foi o psicólogo educacional e pesquisador norte-americano que desenvolveu o conceito de aprendizagem significativa;
  
  
• A aprendizagem significativa acontece quando uma nova informação se relaciona com os conhecimentos prévios do indivíduo (contexto), ou seja, quando o repertório anterior é ampliado, atualizado e permanece;
  
  
• A aprendizagem desenvolve-se a partir da estrutura cognitiva do conhecimento, resultante do armazenamento organizado das informações na mente do ser humano, que integra a nova informação ao conteúdo já existente, fazendo associações e atribuindo significados a esta.

Estrutura cognitiva vai sendo criada e a aprendizagem torna-se significativa.

• “objetos a símbolos…classificar” - permite através de identificação de padrões criar, classificar, associar, nós neuronais;
  
  
• “…criando assim novas conexões…” - criando mais camadas ou ligações entre os nós neuronais;
  
  
• “…uma grande estrutura de rede…” - Redes neuronais que agrupam informação e decisão ponderada;
  
  
• “…significativa…” - Repetição de padrões que estabelecem conexões.

• ”Supervisionada” - Os modelos são treinados usando exemplos de entrada e saída. (Ex: Classificação dos e-mails e Antivírus);
  
  
• “Não Supervisionada” - Os modelos exploram dados não rotulados para descobrir padrões e estruturas ocultas (Clustering - agrupar e categorizar - Perfis de comportamento);
  
  
• “Semi-supervisionado” - Os modelos recebem parte dos dados rotulada e outra parte não é rotulada. Aplicam o que aprendem sobre os dados (padrões, relacionamentos) fazendo previsões sobre os não rotulados (Ex: Classificação dos filmes do Netflix);
  
  
• “Por reforço (RL - Reinforcement Learning)” - Um agente é treinado para tomar continuamente decisões, recebendo recompensas ou penalidades em troca.

• O objetivo é que o agente aprenda a tomar as melhores opções para maximizar as recompensas ao longo do tempo. Esse tipo de aprendizagem é amplamente aplicado na robótica e nos jogos. Principais algoritmos são o Q-Learning, SARSA, Deep Q-Networks (DQN) e métodos de Policy gradientes, sendo que, os mais evoluídos usam redes neuronais;
  
  
• Um exemplo da aplicação deste tipo de aprendizagem é o AlphaGo. Aprendeu a jogar o jogo de tabuleiro Go, analisando milhões de jogos disponíveis para descobrir as melhores estratégias de vitória, jogou milhões de partidas contra si mesmo, aprimorando sua rede e aprendendo as jogadas que levavam à vitória. Em 2017, o AlphaGo derrotou o campeão mundial de Go, Ke Jie.

• SBC é capaz de igualar ou mesmo superar o desempenho de especialistas humanos em tarefas restritas;
  
  
• Para a solução de problemas complexos encontrados na IA é preciso uma grande quantidade de conhecimento e alguns mecanismos para a manipulação deste conhecimento, a fim de criar soluções para novos problemas.

• O computador funciona com base num sistema binário ou de base 2. Tudo se representa a partir de dois números, o zero e um;
  
  
• Os computadores digitais trabalham internamente com dois níveis de tensão (0 e 5 volt), pelo que o seu sistema de numeração natural é o sistema binário. Assim sendo, o processador de um computador funciona da mesma forma (cartões perfurados);
  
  
• A partir desta codificação e utilizando a Lógica de Boole podemos representar circuitos eletrónicos digitais (portas lógicas) os números, caracteres, realizar operações lógicas e aritméticas. Os programas de computadores são codificados sob forma binária e armazenados nas zonas de armazenamento (memórias, discos, etc.) sob esse formato.

Embora a IA generativa tente imitar o ser humano, esta requer instruções detalhadas para gerar resultados relevantes e de qualidade.

• É o processo de planear, criar e testar soluções de textos (Prompt) em linguagem natural (NL) para inserir em plataformas de inteligência artificial generativa (Grandes modelos de linguagem - LLM) e obter os resultados desejados;
  
  
• Fundamental escolher os formatos, as frases, as palavras e os símbolos mais adequados para orientar a aplicação IA;
  
  
• A criatividade, organização, conhecimento técnico especifico da área, conhecimentos de linguagens de programação, tentativa e erro, são algumas das formas para criar uma coleção de textos de entrada.

• Também chamados de LLM, do inglês “Large Language Models”, chegaram ao vocabulário popular no final de 2022 causando enorme impacto e discussão (Chat GPT da empresa OpenAI);
  
  
• De maneira resumida, são programas de computador que recebem um texto (uma imagem, uma voz) e produzem outro texto (imagem, voz), como se existisse uma comunicação entre 2 pessoas sobre um determinado tema.

Podemos confiar nas respostas que temos todos os dias de diversos canais de comunicação?

O erro está sempre presente e o que podemos fazer é aprender com o erro e melhorar a nossa interação com a máquina para obter o melhor da mesma.

• GPT (Generative Pre-trained Transformer) - Desenvolvido pela OpenAI para executar tarefas específicas, como geração de texto, tradução automática e resumo de textos. [Geração de Conteúdo e Aplicações Práticas];
  
  
• PaLM (Pathways Language Model) - Desenvolvido pelo Google para executar raciocínios complexos, como cálculos aritméticos, tradução automática e geração de códigos. A capacidade de entender e processar diferentes tipos de linguagem torna-o uma ferramenta poderosa para programadores e cientistas de dados. [Raciocínio Avançado e Tradução];
  
  
• BERT (Bidirectional Encoder Representations from Transformers) - Desenvolvido pelo Google, é conhecido pela sua capacidade de compreender a linguagem de forma bidirecional [Compreensão de Linguagem e Análise de Sentimentos];
  
  
• XLNet - Uma evolução do BERT desenvolvida na Cornell University. Capacidade para tarefas de geração de texto onde a criatividade e a variabilidade são importantes. Incorpora 340 milhões de parâmetros e treinado com 33 biliões de palavras.

• Modelos Estatísticos - São baseados em cálculos probabilísticos e estatísticos, utilizando dados históricos para prever. Atualmente os modelos apenas incorporam determinados elementos estatísticos (GPT e BERT);
  
  
• Modelos de Regras - São construídos com base em regras pré-determinadas. Eles operam dentro de um conjunto restrito, pelo que, são muito precisos em contextos específicos, mas são limitados pela rigidez. Têm dificuldade em lidar com a flexibilidade e a ambiguidade da linguagem natural. Os modelos de regras ainda são usados em contextos onde a precisão é crítica;
  
  
• Modelos Neurais - São capazes de aprender e gerar linguagem com um nível impressionante de fluidez e coerência (adaptam-se ao contexto). Utilizam grandes volumes de dados para treinar, simulando o funcionamento do cérebro humano na compreensão e produção de linguagem (GPT, PaLM, BERT e XLNet).

• A qualidade dos dados de treino é crucial. Modelos treinados em dados enviesados podem produzir resultados desajustados (alucinações);
  
  
• A integração destes modelos com sistemas existentes pode ser complexa e requer um planeamento e avaliação rigorosa;
  
  
• É preciso considerar também as questões de proteção e de dados, ética e de privacidade ao implementar IA, especialmente em setores muito regulamentados nestas áreas;
  
  
• Devem ser utilizados de maneira responsável, garantindo que as previsões e respostas geradas sejam confiáveis e seguras;
  
  
• É fundamental entender como estes modelos funcionam, para perceber a aplicação prática em determinado contexto e como utilizá-los de forma produtiva e eficaz.

• Poderemos utilizar estas soluções poderosas para automação, análise e geração de conteúdo;
  
  
• Aumentar a eficiência e orientação para os dados que produzimos, mas que não conseguimos gerar o conhecimento necessário em tempo real.

• Atividade profissional especifica - No caso da saúde, exigem-se resposta com conhecimento profundo do assunto em causa;
  
  
• Pensamento crítico - Para resolver problemas complexos (analisa as informações em diferentes ângulos, avalia sua credibilidade) que necessitam de uma tomada de decisão, sendo necessário conhecer todas as opções possíveis, avaliadas e ordenadas por determinada classificação;
  
  
• Criatividade - Geração de novas ideias, conceitos ou soluções, enriquecendo as habilidades criativas. Um escritor pode usar um modelo para ajudar a gerar ideias para uma história, possíveis personagens, cenários e certos capítulos. Um Designer Gráfico pode solicitar que o modelo gere uma lista de paletas de cores que evoquem uma certa emoção.

• Decomposição Top-Down encadeando o pensamento - Lógica sequencial, identificando todos os passos e referindo todos os outputs esperados (linha de pensamento);
  
  
• Árvore de pensamento (ToT) - Na 1ª iteração com a IA, pretende-se obter as várias etapas possíveis para solucionar um problema. Nas iterações seguintes, é solicitado ao modelo para elaborar uma resposta para as etapas (explicação);
  
  
• Maiêutico - É solicitado que o modelo responda a uma pergunta com uma explicação. Posteriormente é solicitado ao modelo para desenvolver partes da explicação. As explicações inconsistentes nunca são solicitadas novamente ao modelo;
  
  
• Baseado na complexidade - Retorna de vários resultados associados a uma Prompt de cadeia de pensamento. O algoritmo escolhe a resposta em cadeia de pensamento que apresenta mais etapas de resposta e escolhe a conclusão mais comumente alcançada.

• Conhecimento gerado - Solicitar ao modelo que elabore um determinado pensamento focando para o mesmo os aspetos mais relevantes. O modelo incrementa a resposta, desenvolvendo também os factos relevantes;
  
  
• Do menor para o maior - Tendo um problema inicial, o modelo decompõe em problemas mais simples e resolve, solucionando seguidamente o problema global;
  
  
• Ajuste automático - Ao modelo é solicitado a resolução de um problema e critica à solução sugerida. O processo de resolução do problema repete-se até atingirmos um motivo predeterminado para parar;
  
  
• Estímulo direcional - Indicamos uma sugestão de solução para o problema, com as palavras-chave desejadas, para orientar o modelo a obter os resultados esperados.

De uma forma geral, um Prompt deve conter um contexto, o âmbito e o formato da resposta esperada.

• Independentemente das avaliações dos modelos, a escolha do modelo adequado vai fazer uma grande diferença no resultado final;
  
  
• Efetuar a mesma Prompt no “Claude”, “Gemini” ou “GPT” vão resultar respostas diferentes. Logo deve escolher aquele que mais se adequa às necessidades;
  
  
• A cada atualização dos modelos, as respostas também vão mudando.