7 pilares para entender a IA
Aprendizado de máquina, linguagem, visão, robótica, fala, sistemas especialistas e planejamento: explore o campo além dos chats.
Estas sete áreas formam um mapa didático do Noosigma AI, não uma divisão oficial ou exaustiva da ciência da computação. Elas se sobrepõem: um robô pode usar visão, aprendizado e planejamento ao mesmo tempo. Currículos como o ACM/IEEE/AAAI CS2023 organizam a IA em mais unidades de estudo.
Texto revisto em
Aprendizado de máquina
Modelos ajustam parâmetros a partir de dados ou feedback para reconhecer padrões, prever resultados ou gerar conteúdo. O desenvolvimento ainda exige escolhas humanas de dados, objetivo e avaliação. Deep learning é uma família de métodos baseada em redes neurais com múltiplas camadas.
Exemplo concreto. Um filtro pode aprender a classificar mensagens como spam a partir de exemplos rotulados.
O que não confundir. Aprender com dados não significa aprender sozinho sem projeto, supervisão ou testes. Uma conversa comum não retreina o modelo.
Processamento de linguagem natural (PLN)
Estuda métodos para trabalhar com linguagem humana em tarefas como classificação, busca, tradução, extração de informação e geração de texto. LLMs são uma família de modelos usada em parte dessas tarefas, não o campo inteiro.
Exemplo concreto. Um sistema pode identificar perguntas em uma mensagem e recuperar documentos relacionados antes de responder.
O que não confundir. Produzir texto fluente não garante compreensão nem fidelidade aos fatos.
Visão computacional
Analisa imagens e vídeos para localizar, classificar, medir ou acompanhar elementos. Pode combinar geometria, reconhecimento de padrões e aprendizado de máquina.
Exemplo concreto. Um sistema pode localizar placas de trânsito ou sinalizar achados em exames de imagem para revisão profissional.
O que não confundir. Detectar um padrão visual não equivale a compreender toda a cena nem a emitir um diagnóstico confiável sem validação.
Robótica
Combina sensores, percepção, planejamento, controle e atuadores para agir no mundo físico. A IA pode ajudar um robô a adaptar suas ações quando o ambiente muda.
Exemplo concreto. Um robô de armazém pode recalcular a rota ao encontrar uma passagem bloqueada.
O que não confundir. Nem todo robô usa aprendizado de máquina; movimentos repetidos por regras fixas também são automação.
Reconhecimento e síntese de fala
Reconhecimento de fala transforma áudio falado em texto. Síntese de fala faz o caminho inverso, de texto para áudio. Essas tarefas de áudio podem se combinar com PLN, mas têm desafios próprios de sinal, ruído, sotaque e voz.
Exemplo concreto. Um assistente pode transcrever um pedido, interpretá-lo e depois falar a resposta.
O que não confundir. Reconhecer palavras, identificar quem fala e gerar uma voz são tarefas diferentes.
Sistemas especialistas
Representam conhecimento de um domínio e usam regras ou mecanismos de inferência para apoiar conclusões. Podem ser pequenos ou grandes e também se combinar com métodos aprendidos a partir de dados.
Exemplo concreto. Um sistema de apoio pode relacionar sintomas de falha e regras documentadas para sugerir verificações a um técnico.
O que não confundir. Regras explícitas não dispensam revisão por especialistas nem garantem acerto fora do domínio previsto.
Planejamento, escalonamento e otimização
Planejamento escolhe sequências de ações para atingir metas; escalonamento distribui tarefas no tempo e entre recursos; otimização compara alternativas sob objetivos e restrições. Busca, heurísticas e algoritmos evolutivos são algumas técnicas possíveis.
Exemplo concreto. Uma operação pode distribuir entregas entre veículos e escolher rotas respeitando horários e capacidade.
O que não confundir. Uma solução calculada depende dos dados e restrições; não é necessariamente a melhor possível nem exige prever o futuro.