Desafio 19: Fundamentos de IA Generativa
20-30 min | Custo: Gratuito | Domínio: IA Generativa (15-20%)
Habilidades do exame abordadas
- Identificar recursos de modelos de IA generativa
- Identificar cenários comuns para IA generativa
- Identificar capacidades do Azure OpenAI Service
Visão geral
IA Generativa refere-se a modelos de inteligência artificial que podem criar novo conteúdo — texto, imagens, código, áudio e vídeo — baseado em padrões aprendidos de grandes quantidades de dados de treinamento. Diferente da IA tradicional que classifica ou prediz, a IA generativa produz saídas originais que não existiam antes. Quando você pede a um chatbot para escrever um email, gerar uma imagem a partir de uma descrição, ou completar seu código, você está usando IA generativa.
A espinha dorsal da IA generativa moderna baseada em texto é o Large Language Model (LLM). LLMs como GPT-4 são treinados em conjuntos enormes de dados de texto da internet, livros e outras fontes. Eles aprendem padrões, gramática, fatos e habilidades de raciocínio — e então geram novo texto prevendo o que vem a seguir, token por token. Eles não "entendem" no sentido humano, mas são notavelmente capazes de produzir respostas coerentes e contextuais.
Modelos fundacionais são modelos grandes e pré-treinados projetados para serem adaptados para muitas tarefas. Em vez de treinar um modelo do zero para cada caso de uso, organizações podem pegar um modelo fundacional (como GPT-4) e fazer fine-tuning ou engenharia de prompt para necessidades específicas. Essa abordagem de "treine uma vez, use em todo lugar" revolucionou o desenvolvimento de IA — tornando IA poderosa acessível sem exigir orçamentos massivos de computação ou conjuntos de dados.
Explorar
Tarefa 1: Entender o que torna a IA "generativa"
Compare IA tradicional vs. IA generativa:
| Aspecto | IA Tradicional | IA Generativa |
|---|---|---|
| O que faz | Classifica, prediz, detecta | Cria novo conteúdo |
| Saída | Rótulo, número ou categoria | Texto, imagens, código, áudio |
| Exemplo | "Este email é spam" | "Escreva uma resposta profissional para este email" |
| Abordagem de treinamento | Conjuntos de dados específicos para a tarefa | Conjuntos de dados massivos e diversos |
| Adaptabilidade | Uma tarefa por modelo | Muitas tarefas por modelo |
Tipos de modelos de IA generativa:
| Tipo de Modelo | O que gera | Exemplos |
|---|---|---|
| Large Language Models (LLMs) | Texto, código, raciocínio | GPT-4, GPT-4o, GPT-3.5-Turbo |
| Modelos de difusão | Imagens a partir de descrições textuais | DALL-E, Stable Diffusion |
| Modelos de áudio | Fala, música, transcrição | Whisper (transcrição) |
| Modelos multimodais | Texto + imagens combinados | GPT-4o (visão + texto) |
Tarefa 2: Explorar cenários comuns de IA generativa
A IA generativa possibilita muitos cenários práticos de negócios:
| Cenário | Descrição | Exemplo |
|---|---|---|
| Criação de conteúdo | Gerar texto, resumos, relatórios | Textos de marketing, posts de blog |
| Geração de código | Escrever, explicar ou debugar código | GitHub Copilot, completar código |
| IA conversacional | Diálogo natural com usuários | Chatbots de atendimento ao cliente |
| Geração de imagens | Criar imagens a partir de descrições textuais | Mockups de produtos, conceitos de design |
| Sumarização de documentos | Condensar documentos longos | Atas de reunião, artigos de pesquisa |
| Análise de dados | Interpretar dados e gerar insights | Consultas em linguagem natural em bancos de dados |
| Tradução e localização | Tradução contextual além de palavra por palavra | Adaptação de conteúdo de marketing |
Tarefa 3: Experimente a IA generativa em ação
Experimente o Microsoft Copilot (gratuito): copilot.microsoft.com
- Geração de texto: Peça "Escreva um email profissional curto recusando educadamente um convite para reunião"
- Sumarização: Cole um parágrafo longo e peça "Resuma isso em 2 frases"
- Geração de código: Peça "Escreva uma função Python que calcula o fatorial de um número"
- Conteúdo criativo: Peça "Escreva um haiku sobre computação em nuvem"
- Raciocínio: Peça "Se um trem viaja a 100 km/h por 2,5 horas, qual distância ele percorre? Mostre seu trabalho."
Observe como o modelo:
- Gera respostas coerentes e contextuais
- Segue instruções e requisitos de formato
- Adapta o tom com base no seu prompt
- Pode lidar com tarefas diversas com um único modelo
Tarefa 4: Entender conceitos-chave de IA generativa
Revise estes conceitos fundamentais que aparecem no exame:
| Conceito | Definição |
|---|---|
| Token | A unidade básica de processamento de texto — aproximadamente ¾ de uma palavra. "Hello world" ≈ 2 tokens |
| Janela de contexto | Máximo de tokens que um modelo pode processar (entrada + saída combinados) |
| Temperatura | Controla aleatoriedade: 0 = determinístico/focado, 1 = criativo/variado |
| Top-p | Controle alternativo de aleatoriedade: limita a seleção de tokens às opções mais prováveis |
| Prompt | A entrada/instrução que você dá ao modelo |
| Completion | A saída/resposta que o modelo gera |
| Grounding | Conectar a saída do modelo a fontes de dados reais e verificáveis |
| Alucinação | Quando o modelo gera informação plausível mas factualmente incorreta |
Exemplo de temperatura:
- Temperatura 0: "A capital da França é Paris." (sempre o mesmo)
- Temperatura 1: "A capital da França é Paris, uma cidade conhecida por..." (pode variar a cada vez, mais criativo)
O exame espera que você saiba que a IA generativa pode produzir informações incorretas (alucinações) e que técnicas como grounding ajudam a mitigar isso. Isso se conecta aos princípios de IA responsável.
Conceitos-Chave
| Conceito | Definição |
|---|---|
| IA Generativa | Modelos de IA que criam novo conteúdo (texto, imagens, código) em vez de apenas classificar ou predizer |
| Large Language Model (LLM) | Modelo de IA treinado em dados massivos de texto que gera texto prevendo o próximo token |
| Modelo fundacional | Um modelo grande pré-treinado projetado para ser adaptado para muitas tarefas downstream |
| Token | A unidade básica de texto para LLMs — aproximadamente ¾ de uma palavra |
| Alucinação | Quando um modelo de IA gera conteúdo que soa plausível mas é factualmente incorreto |
| Grounding | Conectar saídas de IA a fontes de dados reais para melhorar a precisão e reduzir alucinações |
Equívocos Comuns
| Equívoco | Realidade |
|---|---|
| IA generativa "entende" como humanos | LLMs preveem tokens prováveis seguintes com base em padrões — eles não têm compreensão verdadeira ou consciência |
| IA generativa sempre produz informações corretas | Modelos podem alucinar — gerando afirmações confiantes mas incorretas. Sempre verifique informações críticas |
| Você precisa treinar seu próprio modelo para usar IA generativa | Modelos fundacionais são pré-treinados e prontos para uso; você pode fazer engenharia de prompt ou fine-tuning neles |
| IA generativa substitui toda outra IA | IA tradicional (classificação, detecção, predição) continua melhor para muitas tarefas estruturadas |
| Temperatura mais alta sempre significa melhor saída | Temperatura mais alta aumenta criatividade mas também aumenta aleatoriedade e potencial para erros |
Verificação de Conhecimento
1. O que distingue a IA generativa das abordagens tradicionais de IA?
2. O que é uma "alucinação" no contexto de IA generativa?
3. O que o parâmetro "temperatura" controla em um modelo de IA generativa?
4. O que é um modelo fundacional?
5. Qual dos seguintes é um cenário comum para IA generativa?