O que é a IA generativa? – Tudo o que precisas de saber, incluindo o significado, os modelos e os exemplos
Compreende os modelos de IA generativa e o que são, as suas limitações, mas também casos de utilização
Explora o mundo da IA generativa: o seu significado, modelos, aplicações, ética, limitações e potencial futuro neste guia completo.
Index
Introdução à Inteligência Artificial (IA)
A Inteligência Artificial (IA) está atualmente em todo o lado – desde as notícias, ao LinkedIn ou até à discussão no pub local, todos têm uma opinião ou uma previsão. Muitos prevêem (ou pelo menos esperam) que venha a revolucionar a forma como vivemos, trabalhamos e interagimos. Mas o que é exatamente a IA e por que razão há tanto entusiasmo neste momento?
Na sua essência, a IA é um termo amplo que se refere a máquinas ou software. O objetivo é imitar a inteligência humana e esforçar-se por aprender, pensar, perceber, raciocinar, comunicar e tomar decisões como um ser humano faria. Esta tecnologia em evolução pode ser dividida em três categorias: A IA estreita, concebida para uma tarefa específica, como o reconhecimento da fala; a IA geral, que pode realizar qualquer tarefa intelectual que um ser humano possa fazer; e a IA superinteligente, que ultrapassa as capacidades humanas na maioria dos trabalhos economicamente valiosos.
Dentro deste amplo quadro de definição de IA, existe atualmente um subconjunto específico nos meios de comunicação social. A chamada IA generativa, que pode gerar textos, imagens e outros conteúdos enganadoramente semelhantes. Este artigo centra-se no que é a IA generativa, o que significa e que exemplos notáveis demonstram o seu potencial.
O que é a IA generativa?
Como já foi referido, a IA generativa está abrangida pelo termo genérico de inteligência artificial, mas criou o seu próprio nicho. Trata-se de um conjunto de modelos e técnicas de IA treinados que utilizam métodos estatísticos para produzir conteúdos com base nas suas probabilidades. Estes tipos de sistemas de IA aprendem a imitar (Importante – imitar, não compreender e aplicar) os dados com que foram treinados e, em seguida, produzem conteúdos semelhantes (Portanto, não factos). Ao contrário da IA discriminativa, que classifica a entrada em categorias predefinidas (por exemplo, filtros de spam), a IA generativa gera dados novos e sintéticos que reflectem os dados de treino.
A base da IA generativa são as técnicas de aprendizagem automática e, especificamente, a aprendizagem profunda. A aprendizagem automática utiliza algoritmos que podem aprender com os dados e utilizá-los para tomar decisões ou fazer previsões. A aprendizagem profunda, um subconjunto da aprendizagem automática, utiliza as chamadas redes neurais com várias camadas. Cada camada representa algo como uma sinapse num cérebro – que é accionada com uma certa probabilidade. Assim, quando surge uma palavra como “Great”, há várias sinapses (nós) que dizem, com uma certa probabilidade, que “Britain” ou “Wall” podem vir depois de “Great”. Quanto mais contexto for dado, mais estes nós são treinados. Se Londres, a Rainha e a Union Jack aparecerem algures, é muito provável que seja “Great Britain” em vez de “Great Wall”.
Os modelos generativos utilizam várias classes de modelos estatísticos (frequentemente redes neuronais). No exemplo mais conhecido atualmente, o ChatGPT, é utilizada uma arquitetura codificadora/descodificadora. A entrada é analisada e classificada por uma rede codificadora, convertida em números e variáveis legíveis por computador, enviada através da rede neural treinada, e o resultado dos números e variáveis é devolvido a um descodificador como texto.
Uma explicação simples da IA generativa: o texto introduzido pelo utilizador é decomposto, a máquina tenta compreendê-lo e, com base na informação, a rede tenta gerar a melhor resposta possível e torná-lo novamente legível para os humanos. Assim, tudo se baseia apenas em probabilidades e, por isso, também se verifica que são feitas afirmações falsas, porque, neste caso, eram “mais prováveis” do que os factos.
O entusiasmo nos meios de comunicação social e nas redes sociais em torno desta tecnologia baseia-se provavelmente no facto de estes modelos serem muito bons a gerar conteúdos convincentes e enganosamente reais, fazendo-nos assim acreditar na inteligência. Apesar disso, os modelos de IA generativa também têm outras aplicações para além da geração de imagens e de texto. Exemplos disso seriam o aumento de dados, a deteção de anomalias e a imputação de dados em falta, ou a classificação de conteúdos.
Como funciona a IA generativa – 3 modelos que deves conhecer
Recentemente, os avanços na IA têm sido monumentais, uma vez que a capacidade de computação se tornou suficientemente barata para executar grandes conjuntos de dados a “custos razoáveis”, criando uma base para que diferentes modelos sejam treinados em escalas suficientemente grandes para produzir resultados razoáveis.
Estes são os três principais modelos por detrás da IA generativa, cada um com os seus pontos fortes e fracos e possíveis casos de utilização:
Redes Adversárias Generativas (GANs)
As GANs consistem essencialmente em duas redes neuronais – o gerador e o discriminador – que competem entre si enquanto uma precisa de criar novos resultados e a outra controla os resultados. Funciona segundo um princípio semelhante ao de um falsificador que tenta produzir dinheiro falso e de um detetive que tenta distinguir o dinheiro falso do verdadeiro.
A rede geradora começa por criar uma amostra/saída e passa-a para o discriminador. No início, o discriminador não é muito bom a discriminar e pode classificar o falso como verdadeiro. Por isso, ambas as redes precisam de ser treinadas para serem eficientes. No entanto, como ambas também aprendem com os seus erros, o seu desempenho vai melhorando com o tempo (é por isso que os modelos de IA precisam de ser treinados).
O objetivo do gerador é produzir dados e resultados que o discriminador não consegue distinguir dos dados reais. Ao mesmo tempo, o discriminador tenta distinguir cada vez melhor os dados reais dos dados falsos. Isto continua até se atingir um equilíbrio em que o gerador produz dados realistas e o discriminador já não consegue distinguir e tem 50% de incerteza sobre se são falsos ou reais.
Auto-codificadores Variacionais (VAEs).
Os VAEs baseiam-se apenas nos princípios da probabilidade e da estatística para gerar dados sintéticos. Estes modelos geram dados com base em várias estruturas matemáticas simples, como uma média ou desvios padrão.
As VAEs são compostas por um codificador e um descodificador (como explicado acima). O codificador comprime os dados de entrada numa “representação de espaço latente”, que capta os parâmetros da estatística com base na distribuição probabilística (média e variância). Em seguida, gera uma amostra da distribuição aprendida no espaço latente, que a rede de descodificação utiliza e reconstrói os dados de entrada originais. O modelo é treinado para minimizar a diferença entre a entrada e a saída, de modo que os dados gerados sejam muito semelhantes aos dados originais, pois passam pelas mesmas redes treinadas e probabilidades em ambas as direções.
Modelos baseados em transformadores
Ao contrário dos GANs e VAEs, os modelos baseados em transformadores, como o GPT-3 e o GPT-4, são utilizados principalmente para tarefas que envolvem dados sequenciais, ou seja, dados que têm uma semântica específica ou correlações entre si, como o processamento de linguagem natural.
Os modelos baseados em transformadores utilizam uma arquitetura baseada em “mecanismos de atenção” que atribuem maior importância a determinadas partes dos dados de entrada durante a execução da tarefa, numa tentativa de extrair e ponderar o significado de uma afirmação.
Os modelos GPT utilizam uma variante do transformador chamada descodificador de transformador, que lê uma sequência inteira de dados (por exemplo, uma frase) de uma só vez e pode assim modelar ou descobrir dependências complexas entre palavras numa frase. Os modelos são treinados em modelos de texto muito grandes e depois aperfeiçoados para tarefas específicas, como a tradução, a resposta a perguntas ou a geração de texto. Os poderosos modelos linguísticos que criam podem produzir frases, parágrafos ou mesmo artigos inteiros incrivelmente coerentes e contextuais, mas continuam a ter o problema de, tal como os outros modelos, se basearem apenas em probabilidades e, por isso, também “halucinarem” ou inventarem conteúdos por serem “prováveis” mas errados.
Casos de utilização de modelos de IA generativa
Agora que já compreendemos os princípios básicos dos sistemas e que também compreendemos lentamente onde estão os limites, mas também como funcionam, podemos falar imediatamente sobre como podemos aplicar estes modelos. Em geral, pode dizer-se que a atual vaga de IA generativa está limitada a aplicações em que é necessária uma boa duplicação (modelos GAN) ou em que são necessários resultados que “provavelmente serão alguma coisa”, como a transcrição da fala ou a geração de texto. Alguns dos casos de utilização aqui mencionados devem dar-te uma visão geral das possibilidades:
Artes criativas e design
A IA generativa encontrou inúmeras aplicações na arte e no design e está a mudar a forma como criamos e vivemos a arte. Dall-E, Midjourney e muitos outros geradores de imagens mostraram que é possível criar arte realista e atraente.
As GANs, em particular, têm desempenhado um papel importante neste domínio. Por exemplo, um retrato gerado por IA criado pelo coletivo de arte Obvious utilizando uma GAN foi vendido por uns impressionantes 432.500 dólares na casa de leilões Christie’s.
- Composição e geração de música: Os modelos de IA generativa também têm sido utilizados para compor música. Há alguns anos, era impensável que algo tão complexo e criativo como a música pudesse ser gerado por uma máquina. Redes como a MusicLM da Google ou a MuseNet da OpenAI são modelos treinados em ficheiros MIDI de diferentes géneros e fontes que podem gerar composições em muitos estilos diferentes.
- Traduzir a arte em diferentes estilos: A IA pode não só criar novas peças, mas também transformar as já existentes. Os modelos de IA podem aprender os elementos de estilo de uma imagem e aplicá-los a outra – uma técnica conhecida como transferência de estilo neural. O resultado é uma imagem híbrida que combina o conteúdo de uma imagem com o estilo artístico de outra.
Processamento de linguagem natural (PNL).
A IA generativa desempenha um papel fundamental nas tarefas de PNL, por exemplo, na criação de conteúdos, sistemas de diálogo, traduções, mas também na criação de assistentes virtuais.
- Criação de texto e conteúdo: Modelos como o GPT-3 e o GPT-4 contribuíram muito para o atual entusiasmo. As suas capacidades notáveis para criar texto semelhante ao humano capturaram a imaginação. Estes modelos podem escrever artigos, compor poesia, escrever ou melhorar código, o que os torna ferramentas valiosas para a criação automatizada de conteúdos e para aliviar o nosso trabalho – mas com o problema de os conteúdos nem sempre serem exactos e soarem todos mais ou menos da mesma maneira.
- Sistemas de diálogo e assistentes virtuais: Ao compreenderem a linguagem, mas também ao gerarem conteúdos de uma forma direccionada, os modelos generativos também têm o potencial de permitir o diálogo entre humanos e máquinas. Podem gerar respostas contextuais e participar em conversas semelhantes às humanas. Esta capacidade aumenta a eficácia dos assistentes virtuais, dos chatbots e da IA no serviço ao cliente e em muitas outras áreas.
- Transcrição e aumento de voz: Outro caso de utilização amplamente conhecido são os modelos de linguagem que criam conteúdos a partir do discurso. O desafio é que estes modelos precisam de compreender o contexto para compensar a má qualidade de um microfone ou o ruído na sala. Desta forma, a IA generativa produz resultados nítidos e claros e também cria transcrições muito melhores de vídeos e conteúdos áudio.
Visão por computador e síntese de imagens
A IA generativa tem um grande impacto nas tarefas de visão por computador, uma vez que as redes neuronais também reconhecem objectos ou criam réplicas enganadoras.
- Síntese de imagens: Os GANs são amplamente utilizados para gerar imagens sintéticas realistas. O StyleGAN da NVIDIA, por exemplo, produziu imagens incrivelmente realistas de rostos humanos que não existem. Ou outras IAs que geram conteúdos cinematográficos sem necessidade de câmaras profissionais. Mas também os Deep Fakes, versões falsas de pessoas geradas por computador, podem fazer parte desta síntese de imagens.
- Melhoramento de imagens: Os modelos generativos também podem preencher as partes em falta de uma imagem num processo chamado inpainting. Prevêem as partes em falta com base no contexto dos pixéis circundantes. A IA do Photoshop tornou-se um sucesso nas redes sociais porque complementava as imagens com conteúdo que não existia. Também a Google fez manchetes com o “Magic Eraser”, que também utiliza a IA generativa para apagar pessoas ou objectos de fotografias com um preenchimento “mais provável”.
Desenvolvimento de medicamentos e cuidados de saúde
A IA generativa tem um potencial promissor para os cuidados de saúde e a descoberta de medicamentos, porque também pode prever ou “inventar” diferentes estruturas ou compostos.
- Descoberta de novos medicamentos: Os modelos generativos podem prever estruturas moleculares de potenciais medicamentos, acelerando o processo de descoberta de medicamentos. Há anos que várias empresas tentam utilizar modelos de IA para inventar novos compostos moleculares e utilizá-los para desenvolver medicamentos para tratar doenças.
- Medicina personalizada: Os modelos generativos também podem ajudar a personalizar os tratamentos médicos. Ao aprender padrões a partir de dados de pacientes, estes modelos podem ajudar a encontrar o tratamento mais eficaz para cada paciente.
Exemplos de IA generativa em cenários do mundo real
- GPT-4 da OpenAI: Este modelo baseado em transformadores é um gerador de linguagem de alta capacidade capaz de redigir e-mails, escrever código, criar conteúdo escrito, tutoria e tradução.
- DeepArt: Também conhecida como Prisma, esta aplicação utiliza modelos generativos para transformar fotografias carregadas pelo utilizador em obras de arte inspiradas em artistas famosos.
- MidJourney: É um gerador de texto para imagem que cria imagens e gráficos com base em sugestões e descrições do utilizador.
- DeepDream da Google: Um programa que usa IA para encontrar e melhorar padrões em imagens, criando transformações psicadélicas e oníricas.
- Jukin Composer: Esta ferramenta, alimentada pela MuseNet da OpenAI, utiliza a IA para compor música original para conteúdos de vídeo.
- Insilico Medicine: Uma empresa de biotecnologia que utiliza modelos generativos para prever estruturas moleculares de potenciais medicamentos, acelerando o processo de descoberta de medicamentos.
- ChatGPT: Um chatbot alimentado por IA desenvolvido pela OpenAI que pode conduzir conversas de texto semelhantes às humanas, utilizado no serviço ao cliente e em aplicações de assistente pessoal.
- NVIDIA’s StyleGAN: Uma Rede Adversária Generativa que gera imagens hiper-realistas de rostos humanos que não existem na realidade.
- Artbreeder: Uma plataforma que utiliza GANs para fundir imagens introduzidas pelo utilizador para criar imagens complexas e inovadoras, como retratos e paisagens.
- Runway ML: Este kit de ferramentas criativas usa modelos generativos para ajudar artistas e designers a criar animações e visuais exclusivos.
- Tecnologia Deepfake: Uma tecnologia que usa GANs para criar trocas de rostos convincentes em vídeos, criando um conteúdo de vídeo potencialmente enganador, mas impressionantemente realista.
Desafios éticos e potencial má utilização da IA generativa
O desenvolvimento de tecnologias de IA generativa, como qualquer outra tecnologia, traz naturalmente novos desafios (éticos):
Deepfakes e desinformação
A capacidade dos modelos generativos, em particular das GAN, para criar meios sintéticos realistas levou ao aparecimento de “deepfakes”. Trata-se de imagens, ficheiros áudio ou vídeo gerados artificialmente e enganosamente reais que imitam de perto pessoas reais. No processo, o contexto pode ser completamente alterado e podem ser ditas ou feitas coisas que nunca aconteceram. Isto pode ser mal utilizado para difundir desinformação ou propaganda, o que pode ter graves consequências sociais e políticas.
Privacidade e consentimento
Os modelos generativos requerem normalmente grandes quantidades de dados para serem treinados. Atualmente, especificamente na UE, assiste-se ao aparecimento de processos judiciais e preocupações sobre a forma como os dados e a propriedade intelectual são utilizados para treinar sistemas de IA. Isto é especialmente crítico quando os modelos são treinados com dados pessoais ou sensíveis. Além disso, a geração de dados sintéticos realistas (por exemplo, rostos humanos) pode confundir as linhas de consentimento, uma vez que estes “humanos” gerados não consentiram na utilização da sua imagem, e sabe-se que os políticos aparecem em representações pornográficas.
Preconceitos não intencionais
Todos os modelos de IA, incluindo a IA generativa, podem introduzir inadvertidamente preconceitos nos dados. A forma como os modelos de IA são treinados pode ser através de enviesamento dos dados, enviesamento através da seleção dos dados ou através da recolha e processamento de enviesamentos humanos que se reflectem nos dados. Por exemplo, se um modelo linguístico for treinado com texto da Internet, pode aprender e produzir texto que reflicta preconceitos sociais nesses dados.
Impacto na economia e no emprego
Embora a IA generativa só possa automatizar determinadas tarefas e melhorar a eficiência em certas áreas, também pode levar à deslocação de postos de trabalho em várias indústrias onde estes modelos são utilizados. Como muda significativamente em algumas indústrias, as deslocações podem ser maiores, criando tensões sociais.
Governação e regulamentação da IA
Discutir e implementar a governação e a regulamentação da IA é obviamente importante. Os decisores políticos, os investigadores e os líderes da indústria têm de trabalhar em conjunto para estabelecer políticas e medidas que garantam uma utilização responsável da IA generativa, mas, ao mesmo tempo, a comunidade empresarial também quer uma IA não regulamentada, pois receia que a regulamentação acabe por impedir a inovação e que, por exemplo, a Europa fique atrás da China e dos EUA e perca a corrida à IA devido a uma regulamentação forte. No entanto, uma vez que também tem consequências, como a violação de direitos de autor, outros países também são desafiados.
O futuro e as limitações da IA generativa
A IA generativa já fez grandes progressos em muitas áreas num curto período de tempo e é uma grande promessa para o futuro, mas também é importante compreendermos que os modelos actuais têm as suas limitações e que, mesmo com estes modelos, não é possível gerar uma verdadeira IA superinteligente. Além disso, os LLM (Large Language Models) são limitados na forma como funcionam.
Aumento do realismo e da complexidade
Com melhores conjuntos de dados e mais treino, o realismo e a potencial complexidade dos resultados dos modelos generativos irão provavelmente aumentar. Isto traduzir-se-á em melhorias em todos os domínios, desde animações, vídeos, música a texto escrito. No entanto, existem desafios com os modelos actuais, especialmente quando se trata de equilibrar a coerência e a criatividade.
Maior personalização
Embora a IA generativa tenha o potencial de personalizar completamente o conteúdo para o indivíduo e o seu “estilo”,? No entanto, isto levanta outras questões para além da privacidade. Há também o desafio de proporcionar experiências personalizadas e, ao mesmo tempo, garantir a utilização e o armazenamento responsáveis dos dados dos utilizadores individuais. Ou queres que a tua voz seja utilizada por outros ou que o modelo seja treinado com base nas tuas ideias?
Democratização das ferramentas criativas
A IA generativa dá a toda a gente acesso fácil para criar facilmente conteúdos fictícios – claro que isto também abre a porta a abusos. A proteção dos direitos de propriedade intelectual e a prevenção da utilização pouco ética destas ferramentas são desafios importantes a enfrentar, mas ainda não existem soluções práticas para isso.
Melhoria da tomada de decisões e das capacidades de previsão
A IA generativa pode melhorar a tomada de decisões e a modelação preditiva. No entanto, estes modelos só são tão bons como os dados com que são treinados e é também aqui que muitas empresas já estão a falhar. Afinal de contas, a IA não pode fazer magia e a esperança de muitos é que possam evitar o “trabalho árduo” através da IA, no entanto, os dados limpos são importantes. Além disso, os enviesamentos, preconceitos ou padrões incorrectos existentes podem ser aprendidos e reflectidos em avaliações futuras, afectando a sua fiabilidade e justiça. Há também a questão de saber se esses modelos podem garantir a privacidade dos dados, caso estes sejam utilizados por outras empresas.
Integração com outras tecnologias emergentes
A integração da IA generativa com outras tecnologias emergentes, como a RV, a RA e a IoT, tem um potencial imenso, mas também coloca desafios técnicos e éticos que têm de ser cuidadosamente ultrapassados. Especialmente quando falamos de mundos e jogos virtuais, pode ser uma mudança de jogo escrever um prompt ou falar com um modelo de IA generativa e explicar como queres que o mundo virtual seja criado enquanto ele o está a criar. A IA generativa será também fundamental para gerar mundos Metaverse e tornar os mundos virtuais acessíveis às massas, com uma criação fácil de conteúdos sem necessidade de designers ou especialistas.
Conteúdos à escala – Reciclagem à escala
Um dos desafios para fornecedores como a Google ou outras plataformas que tentam categorizar a informação é o facto de ser difícil distinguir o conteúdo criado pela IA. O conteúdo, como artigos ou blogues, não contribui realmente para a discussão, não acrescenta valor e a qualidade é “estatisticamente média” (por definição). Mas tornou-se muito fácil escalar a produção de conteúdos e, por isso, muitos conteúdos são produzidos desta forma. Se avançarmos mais alguns anos, no futuro, os grandes modelos linguísticos serão treinados com base em conteúdos criados por outra IA, incluindo preconceitos, problemas e falta de conteúdos originais – por isso, os conteúdos medíocres estão a criar mais conteúdos medíocres.
O patamar dos modelos actuais e a necessidade de inovação
Uma das principais limitações da IA generativa é a estagnação dos modelos actuais. Os especialistas já estão a observar que a escalabilidade dos modelos existentes, como o GPT-4, está a diminuir. Embora seja um modelo linguístico poderoso, atingiu os limites do que um modelo de grandes dimensões pode efetivamente fazer.
Esta situação sublinha a necessidade de inovação no domínio da IA. Têm de ser desenvolvidos novos métodos e modelos para ultrapassar as limitações das tecnologias actuais. A próxima fase da investigação em IA envolverá provavelmente a exploração de diferentes arquitecturas, métodos de treino e, possivelmente, abordagens totalmente novas à aprendizagem automática.
Apreciada e adorada pelos media e investidores
Não seria um artigo meu se não criticasse alguma coisa. A imitação perfeita da inteligência está atualmente a alimentar um hype que está a levar as empresas a fazer tudo com a IA generativa. O afluxo de capital e as notícias em torno do tema estão a criar uma onda de interesse, mas também estão a limitar severamente a discussão sobre as limitações destes modelos e a mostrar que a maioria das startups está realmente a utilizar a mesma API da OpenAI ou outros modelos. Como já aprendemos, os modelos têm as suas limitações, não são precisos porque são apenas modelos estatísticos e, por vezes, até geram conteúdos baseados em modelos GAN que devem parecer suficientemente realistas para serem indistinguíveis. Isto limita muito as aplicações em muitos domínios e um dos maiores problemas de todas as aplicações de IA é também a fraca qualidade dos dados para a maioria dos casos de utilização – por isso, durante muito tempo, veremos aplicações limitadas para conteúdos como imagens, arte, texto, áudio ou ilustrações.
Atualmente, vemos muitas promessas de que estes Modelos de Linguagem de Grande Dimensão (LLM) poderão evoluir e, com estas promessas, Silicon Valley e outros estão a afluir a este espaço com muito dinheiro e atenção dos meios de comunicação social. A próxima “corrida ao ouro” na indústria tecnológica será alimentada pela moeda após o lançamento do ChatGPT no final de 2022.
Conclusão
A IA generativa é, sem dúvida, uma tecnologia fascinante que permite criar conteúdos enganosamente reais à escala. Os casos de utilização destas tecnologias são impressionantes e irão, sem dúvida, automatizar especificamente muitas coisas que anteriormente eram dispendiosas.
Mas, como qualquer tecnologia, a IA que pode criar conteúdos enganosamente reais também traz os seus próprios desafios e considerações éticas. De deepfakes a desinformação, preocupações com a privacidade e preconceitos, há muitas perguntas sem resposta. As empresas, mas também os Estados, precisam de chegar a acordo sobre uma governação e regulamentação eficazes da IA.
Os modelos e algoritmos actuais têm as suas limitações e, de acordo com muitos especialistas, estas já foram atingidas. Veremos se as promessas da indústria serão cumpridas, porque já vemos um patamar do que é possível e que os modelos não escalam linearmente com a sua dimensão. Isto significa que os modelos ficarão maiores, mas apenas marginalmente melhores. Mas uma coisa é certa: a IA generativa veio para ficar, com as suas limitações, mas também com todas as suas vantagens.
Comentários estão fechados.