Inteligência Artificial - conceitos e usos

Oficina IV

Eric Brasil

UNILAB e PPGIHD/UFRRJ

quarta-feira, 29 de outubro de 2025

Nota sobre o uso de IA Generativa

🛠️ Esta apresentação foi produzida com o apoio do ChatGPT (modelo GPT-5), entre os dias 28 e 29 de outubro de 2025, a partir de instruções e curadoria do professor Eric Brasil no contexto da disciplina IM1256 – Introdução à História Digital (PPGIHD/UFRRJ).

🤖 Todo o conteúdo, formatação e ilustrações foram gerados de forma colaborativa, com base em fontes acadêmicas, materiais públicos e referências científicas, preservando as escolhas editoriais e pedagógicas do autor.

O que é Inteligência Artificial?

💬 Alguém arrisca uma definição?

Russel e Norvig (2004): quatro abordagens

🧠 Pensar como seres humanos

“Máquinas com mentes, no sentido total e literal.” Haugeland (1985)

🤖 Agir como seres humanos

“A arte de criar máquinas que executam funções que exigem inteligência quando executadas por pessoas.” Kurzweil (1990)

Russel e Norvig (2004): quatro abordagens

🧠⚙️ Pensar racionalmente

“Estudo das computações que tornam possível perceber, raciocinar e agir.” Winston (1992)

⚙️ Agir racionalmente

“Estudo do projeto de agentes inteligentes.” Poole et al. (1998)

Russel e Norvig (2004): quatro abordagens

📌 As abordagens se dividem entre:

🧪 Enfoques empíricos e humanos (interdisciplinares)
🔢 Enfoques lógico-racionalistas (computação, matemática)

Alan Turing e a pergunta fundamental

“Can machines think?” Computing Machinery and Intelligence (1950)

Essa pergunta é substituída por outra:
Uma máquina pode imitar um ser humano a ponto de enganar um observador?
Essa proposta dá origem ao que hoje chamamos de Teste de Turing.

Quem foi Alan Turing?

Alan Mathison Turing (1912–1954)
Matemático britânico, pioneiro na computação;
Criou o conceito de máquina universal – base dos computadores;
Atuou no projeto Enigma, quebrando códigos nazistas;
Propôs o Teste de Turing (Jogo da Imitação, 1950);

Perseguição estatal

Em 1952, Turing foi condenado por homossexualidade, então considerada crime no Reino Unido;
Foi submetido à castração química como pena alternativa à prisão;
Morreu em 1954, em circunstâncias interpretadas como suicídio.

🏳️‍🌈 Reconhecimento póstumo

Em 2009, o governo britânico emitiu um pedido público de desculpas;
Em 2013, recebeu perdão póstumo oficial da Rainha Elizabeth II;
Hoje é símbolo da luta por direitos LGBTQIA+ e liberdade científica.

O Jogo da Imitação

🎮 Três participantes:

A: um homem
B: uma mulher
C: um interrogador (humano), isolado dos demais

✉️ Comunicação apenas por texto.
C tenta descobrir quem é A e quem é B.

A máquina entra em cena

🧠 Substituímos um dos humanos (A ou B) por uma máquina.

❓ O interrogador consegue descobrir quem é a máquina?

📌 Se não consegue distinguir com frequência maior que o acaso…

… então a máquina “pensa” — no sentido funcional proposto por Turing.

Importância do Jogo da Imitação

✅ Evita debates abstratos sobre “consciência” ou “alma”
✅ Foca em comportamento observável
✅ É um marco na história da inteligência artificial

“Estamos interessados não no que a máquina é,
mas no que ela faz.” Turing (1950)

Blade Runner (1982), dir. Ridley Scott

O teste Voight-Kampff em Blade Runner (1982)

Utilizado para identificar replicantes, distingue humanos de máquinas pela capacidade empática

Her (2013), dir. Spike Jonze

🧠 O que significa “amar” uma IA?

Até que ponto uma consciência artificial pode ser considerada uma pessoa?

Ex Machina (2014), dir. Alex Garland

👁️ A IA passa no Teste de Turing — mas ela está realmente consciente?

❤️O afeto é um critério válido para reconhecer inteligência?

Pensar a partir da ficção científica

💬 As ideias de Turing sobre pensamento artificial ainda fazem sentido diante das questões levantadas pela ficção científica?

IA Generativa ≠ IA Geral

🤖 IA Generativa (IAG)

Especializada em criação de conteúdos
Usa padrões aprendidos em grandes volumes de dados
Não tem consciência nem compreensão

🧠 IA Geral (AGI)

Habilidade de aprender qualquer tarefa cognitiva
Equivalente (ou superior) à inteligência humana
Ainda é teórica

E a Singularidade?

🌌 Singularidade Tecnológica

Futuro hipotético onde a IA supera amplamente a inteligência humana
Mudanças imprevisíveis e irreversíveis na sociedade

⚠️ Não é consenso entre especialistas
⚠️ Mais presente em narrativas de ficção e futurologia

IA Generativa, IA Geral e Singularidade

Características Gerais da IAG

Baseia-se em modelos avançados que identificam padrões em grandes volumes de dados.
Aprende com dados massivos
Produz conteúdo original e coerente
Funciona com base em probabilidades, sem consciência
Pode alucinar (gerar erros ou invenções convincentes)
Requer validação humana constante

O que são LLMs?

📚 LLM = Large Language Model (Modelo de Linguagem de Grande Escala)

São redes neurais treinadas com bilhões de palavras para:

Entender e gerar linguagem natural
Realizar tarefas complexas de texto (resumos, respostas, análises)

Exemplos: GPT-5, Claude, Gemini, LLaMA

O que são redes neurais?

🧠 Inspiradas no cérebro humano, redes neurais são estruturas matemáticas que:

Recebem entradas (textos, imagens, números)
Processam essas entradas em camadas de nós (neurônios artificiais)
Aprendem a reconhecer padrões e gerar saídas (respostas)
Com o tempo, ajustam seus pesos internos para melhorar os resultados.

Deep Learning

Conjunto de técnicas de aprendizado de máquina que usa redes neurais com múltiplas camadas.
Cada camada aprende representações mais complexas dos dados.
A “profundidade” se refere ao número de camadas de neurônios artificiais.

Treinamento: como o modelo aprende?

O modelo prevê uma palavra em uma sequência.
Compara com a palavra real do corpus.
Calcula o erro (diferença) entre previsão e realidade.
Usa um algoritmo de retropropagação (backpropagation) para ajustar os pesos.
Repete milhões de vezes até aprender padrões estáveis.

⚙️ Essa é a essência do aprendizado supervisionado nas redes neurais profundas.

O que são os “parâmetros”?

🔢 Parâmetros = pesos e vieses (biases) das conexões entre neurônios.

Cada parâmetro define como uma entrada influencia uma saída.
Eles são ajustados durante o treinamento — é isso que o modelo realmente “aprende”.

O que são os “parâmetros”?

Em termos simples:

Cada parâmetro é um número que representa um ajuste aprendido.
Quanto mais parâmetros, maior a capacidade de representar padrões complexos.

Dimensão dos modelos

Modelo	Ano	Parâmetros
GPT-2	2019	1,5 bilhão
GPT-3	2020	175 bilhões
GPT-4	2023	≃ 1 trilhão

Principais inovações do GPT-5

1. Arquitetura tipo “Mixture-of-Experts”

~52,5 trilhões de parâmetros no total — frente aos ~1,76 trilhão estimados para o GPT‑4.
Não “todos os parâmetros disparam” em cada tarefa — o sistema ativa sub-modelos especializados conforme o contexto.

Principais inovações do GPT-5

2. “Modelo unificado” para o usuário

Usuário deixa de escolher entre vários modelos: o sistema decide “modo rápido” vs “modo raciocínio profundo”.
Janela de contexto expandida: ultrapassa um milhão de tokens, o que permite analisar livros inteiros, bases de código ou longas conversas.

Fonte: “GPT-5: OpenAI’s Unified Intelligence Play”, Medium, 7 de ago de 2025.

Word Embeddings

Como a máquina “entende” palavras?

Cada palavra é convertida em um vetor numérico (lista de números).
Palavras com sentidos semelhantes ficam próximas no espaço vetorial.

Exemplo:
rei - homem + mulher ≈ rainha

Essa representação é chamada de embedding: um mapa semântico aprendido a partir de contextos linguísticos.

Transformers

Introduzidos por Vaswani et al. (2017): “Attention is All You Need”
Substituíram redes recorrentes (RNNs) por mecanismos de atenção.

Atenção = o modelo decide quais palavras anteriores são relevantes para prever a próxima palavra.

Isso permite lidar com longos contextos e manter coerência semântica.

Como o Transformer funciona?

Cada camada realiza três passos:

Codifica o contexto das palavras anteriores;
Aplica atenção para focar nas partes mais relevantes;
Gera predições ajustadas pela probabilidade.

As camadas se empilham — cada uma refina a compreensão da anterior.

Resultado: o modelo aprende estrutura, estilo e contexto de linguagem.

Fine-Tuning

Após o treinamento inicial, o modelo é refinado em conjuntos menores de dados,
com objetivos específicos, como:

Traduzir textos
Gerar código
Responder perguntas históricas

Instruction Tuning

🎓 Aprendendo a seguir instruções

Fase em que o modelo é treinado para responder de forma útil, clara e segura.
Usa exemplos de perguntas e respostas humanas cuidadosamente anotadas.
Ensina o modelo a seguir comandos (“faça isso…”) em linguagem natural.

Do modelo ao diálogo

💬 Quando interagimos com o GPT:

O texto é convertido em tokens (pedaços de palavras);
O modelo calcula probabilidades para o próximo token;
Gera as palavras uma a uma, predizendo o texto mais provável;
Mantém o contexto da conversa por meio de atenção e embeddings.

📎 Cada resposta é uma nova previsão probabilística, não uma busca em banco de dados.

Como se estrutura um chatbot com IA?

Modelo base (LLM): entende e gera respostas
Interface (chat): onde ocorre a interação
Regras e filtros: para segurança e adequação
Memória contextual (opcional): para lembrar o que foi dito

Onde rodam os chatbots? A infraestrutura dos LLMs

🖥️ Modelos como o ChatGPT são executados em megaestruturas computacionais com:

Milhares de GPUs especializadas (ex: NVIDIA A100)
Ambientes distribuídos em data centers de alta performance
Refrigeração avançada e uso intensivo de energia

Qual o custo disso?

Altíssimo consumo de energia (relação direta com o uso)
Custos operacionais por milhão de tokens gerados
Impacto ambiental: água, eletricidades, recursos naturais (mineração para hardware)

⚠️ Usar IA generativa tem um custo invisível ao usuário, mas real

Os limites físicos da IA: o caso Ghibli e os servidores da OpenAI

🎨 Em abril de 2025, viralizou o uso do GPT-4o para gerar imagens no estilo do Studio Ghibli
🚨 Resultado: sobrecarga nos servidores da OpenAI
🔥 Sam Altman afirmou que os “GPUs estão derretendo” (figurativamente…)

🖥️ Por quê?

Fonte: Digital Trends

Fonte: Smillew Rahcuef via X

Modelos Fechados vs Modelos Abertos

🔒 Modelos Fechados

Desenvolvidos por grandes empresas (OpenAI, Google)
Acesso via APIs
Pouca transparência (caixa-preta)
Exemplos: GPT-4, Claude, Gemini

🔓 Modelos Abertos

Código-fonte acessível e personalizável
Executáveis localmente
Maior controle e privacidade
Exemplos: LLaMA 3 (Meta), Mistral, Sabia-7B (Maritaca)

Como escolher entre modelos?

📌 Depende de:

⚙️ Infraestrutura disponível
🛡️ Requisitos de segurança e privacidade
🎯 Nível de personalização desejado
💰 Custo e acessibilidade

📍 Modelos abertos são preferíveis quando há:

✔️ Necessidade de controle
✔️ Regras rígidas de privacidade
✔️ Desejo de transparência e auditabilidade

Alucinações em Modelos de Linguagem

🤯 O que é uma alucinação?

Quando o modelo gera uma resposta incorreta ou inventada, mas com aparência de verdade.
Resulta da forma como ele estima probabilidades para a próxima palavra — sem acesso direto à realidade.
O modelo não “sabe”, apenas prediz o texto mais provável.

Alucinações em Modelos de Linguagem

📌 Exemplos de alucinação:

Citações inexistentes
Fatos históricos trocados
Nomes ou datas inventadas

⚠️ Por isso é fundamental: Verificar fontes, validar resultados e manter supervisão humana no uso acadêmico.

Temperatura e Criatividade

É um parâmetro de controle de aleatoriedade na geração de texto:

Valor	Efeito
🔹 Baixa (≈ 0.1–0.3)	Respostas mais previsíveis e consistentes
🔸 Média (≈ 0.5–0.7)	Equilíbrio entre coerência e criatividade
🔺 Alta (≈ 0.8–1.0+)	Respostas criativas, mas menos estáveis

Controle da Temperatura

Contexto	Pode alterar?	Observação
💬 Chatbots prontos (ChatGPT, Gemini, Copilot)	❌ Não	Valor pré-definido pelo sistema
🧠 API / código (`temperature=`)	✅ Sim	Controla a criatividade e variação das respostas

Direitos Autorais e Propriedade Intelectual

📚 Modelos de IAG podem reproduzir:

Trechos de obras protegidas
Estilos e estruturas de autores reais
Conteúdos derivados sem autorização

⚖️ Riscos:

Plágio
Violação de direitos autorais
Responsabilidade legal da instituição ou autor

Vazamento de Dados e Acessos Indevidos

💾 Riscos principais:

Restituição acidental de dados sensíveis no output
Armazenamento inadequado das interações
Compartilhamento em servidores externos

🔐 Medidas preventivas:

Não inserir dados reais em plataformas não homologadas
Preferir modelos abertos ou locais
Aplicar anonimização e mascaramento de dados

Viéses na IA Generativa

🔍 Tipos de viés identificados:

Viés de contexto: falha ao interpretar corretamente
Viés de automação: confiança cega nas respostas
Viés de representatividade: grupos sub-representados
Viés de exclusão: ausência total de certos grupos

💡 Causa: dados de treinamento com desigualdades
⚠️ Consequência: reprodução de discriminação e injustiças

IA Generativa na vida acadêmica

📚 Potenciais usos:

Escrita de rascunhos e revisão textual
Assistência na leitura e análise de textos
Geração de ideias, resumos, estruturas
Tradução e adaptação linguística
Criação de materiais didáticos

⚠️ Requer uso ético, crítico e com transparência.

Princípios básicos de bom uso

✅ Revisar tudo o que a IA produz

✅ Identificar claramente o que foi gerado por IA

✅ Validar dados, fontes e argumentos

✅ Manter a autoria humana e a responsabilidade final

❌ Nunca publicar textos gerados por IA sem revisão

❌ Não usar IA para fraudar ou ocultar autoria

❌ Não buscar respostas para temas totalmente desconhecidos

Questões Éticas

⚖️ Ética no uso da IAG envolve:

📌 Conformidade com a LGPD e direitos autorais
🔍 Transparência sobre o uso de IA
🧩 Inclusão e respeito à diversidade
🧠 Evitar reprodução de preconceitos e estereótipos
🗣️ Assumir responsabilidade pelo conteúdo final

🧭 Ética = julgamento contextual, responsabilidade e cuidado

Como usar?

💬 Use com clareza e propósito:

Planeje o que deseja gerar (defina objetivos)
Elabore bons prompts (comandos claros)
Revise criticamente os resultados
Cite o uso da ferramenta, quando apropriado

Como citar?

📚 A MLA recomenda citar ferramentas de IA generativa sempre que:

📌 Você incorporar conteúdo gerado pela IA (texto, imagem, dados etc.);
🛠️ Utilizar a IA para funções como revisão, tradução ou edição textual.

⚠️ A autoria deve continuar sendo humana.

🧩 Elementos da citação no modelo MLA:

Título da fonte: o conteúdo gerado (ex: “Resumo gerado para introdução”)
Título do container: nome da IA (ex: ChatGPT)
Versão: exata, se possível (ex: GPT-4o, abril de 2025)
Editora: empresa responsável (ex: OpenAI)
Data: da geração do conteúdo
Local: URL da ferramenta (ex: https://chat.openai.com)

Fonte: MLA Style Center – Citing Generative AI

📎 Exemplo de nota de uso de IA

Foi utilizado o modelo GPT-4o da empresa OpenAI, com o plano ChatGPT Plus, para revisão ortográfica, gramatical e sintática e apoio na formatação das referências. Ressalta-se que todo o conteúdo analítico, argumentativo e as ideias centrais do texto são de responsabilidade exclusiva do autor. As consultas foram realizadas entre os dias 03 e 16 de fevereiro e entre 6 e 8 de abril de 2025.

📝 Exemplo de citação em estilo MLA

📌 “Revisão ortográfica, gramatical e sintática de texto acadêmico.” ChatGPT, version GPT-4o, OpenAI, 8 Apr. 2025, https://chat.openai.com/.

Exemplos de uso da IAG na vida acadêmica

📌 IAG pode ser usada para otimizar tarefas sem substituir o trabalho intelectual:

📖 Assistente de leitura
📝 Revisor de textos
📊 Apoio à análise de dados
👨‍🏫 Preparação de aulas
🌍 Tradução de materiais

Assistente de leitura

📘 Aplicações:

Geração de resumos iniciais
Reformulação de trechos difíceis
Sugestões de questões a partir do texto

⚠️ Cuidados:

Não substituir a leitura crítica
Verificar fidelidade ao texto original

Revisor de textos

📝 A IA pode:

Corrigir gramática e ortografia
Sugerir reformulações
Ajudar na normalização de referências

⚠️ Boas práticas:

Revisar sempre as sugestões
Comparar versões para aprender com o processo
Não publicar sem passar por revisão crítica

Análise de dados e visualização

📊 Aplicações:

Geração de gráficos e tabelas
Sugestões de interpretação inicial
Apoio a análises qualitativas com IA (ex: codificação)

⚠️ Cuidados:

Validar os resultados com conhecimento de método
Cuidado com “interpretações fabricadas”

Preparação de aulas e materiais didáticos

👨‍🏫 IAG pode ajudar a:

Gerar planos de aula
Criar perguntas e atividades
Adaptar linguagem para diferentes públicos

⚠️ O conteúdo gerado deve:

Ser adaptado ao contexto da turma
Passar por revisão ética e pedagógica

Tradução de materiais acadêmicos

🌍 IAG pode:

Ajudar na tradução de artigos e documentos
Facilitar a escrita em segunda língua

⚠️ Cuidados:

Evitar traduções literais
Revisar tecnicamente o vocabulário
Verificar coerência textual