Letramento em IA: competências essenciais e domínio crítico

Fundamentos e impactos da IA - Apresentação

Apresentando o instrutor e o curso

Olá! Meu nome é André Santana, sou especialista na área de Inteligência Artificial, professor na educação superior há mais de 10 anos e atuo na área de IA aplicada, formação executiva, e também na construção de novos negócios de base tecnológica.

Audiodescrição: André é um homem branco, com barba cheia. Ao fundo, há uma transição de cores que vai da luz azul à luz roxa. Ele veste uma camiseta de lã marrom.

Explicando os objetivos do curso

Este curso foi projetado para quem deseja ampliar seus conhecimentos na área de Inteligência Artificial, aprendendo a explorar mais os resultados gerados pelas ferramentas de IA generativa e também a entender quais outras técnicas fazem sentido dentro da área de computação. O objetivo é aumentar nossa capacidade inventiva e criativa, garantindo ao mesmo tempo a qualidade e a análise crítica desses resultados.

Todo isso ocorre em um percurso prático que recuperará alguns exemplos da indústria, desde o comércio eletrônico até tarefas que fazem parte do dia a dia de qualquer profissional vinculado a qualquer corporação, independentemente do segmento de mercado. Exploraremos, dessa forma, alguns temas como a diferença entre o aprendizado de máquina e o aprendizado profundo, quais são as famílias de análise que existem, variando desde a análise descritiva, análise preditiva, diagnóstica, prescritiva e também análise cognitiva.

Discutindo o uso da IA generativa e abordagens práticas

Vamos discutir como podemos utilizar a Inteligência Artificial Generativa para abordar alguns casos de uso reais, melhorar a qualidade das respostas por meio da engenharia de prompts, e fornecer alguns recursos que façam sentido para estruturar melhor a resposta de saída. Além disso, discutiremos alguns temas que envolvem vieses e como abordá-los, extraindo o maior potencial possível dessa ferramenta, e algumas diferenciações de viés e de ponto de vista por meio da engenharia de prompts.

Concluindo com considerações sobre modelos e materiais extras

Para concluir, discutiremos, ao longo deste curso, também qual é a diferença entre modelos públicos e modelos privados, e como isso afeta o uso no ambiente corporativo. Não se esqueçam de revisar também os materiais extras e interagir com os recursos que vamos disponibilizar neste curso para que possam tirar o maior proveito de sua formação. Sucesso nos estudos!

Fundamentos e impactos da IA - Impacto da IA no trabalho

Apresentando o tema e o conceito de fronteira da IA

Olá, meu nome é André Santana, sou especialista na área de Inteligência Artificial. Estamos aqui hoje para entender mais sobre como a Inteligência Artificial afeta quem trabalha na área de negócios, em geral, e também para apresentar alguns fundamentos sobre como podemos atuar nesse mercado, muitas vezes co-pilotando com a IA, para aumentar nossa capacidade produtiva, inventiva e criativa, sempre com bastante segurança e consciência.

Para que isso aconteça, é importante entendermos que existe um conceito bastante relevante, proveniente das escolas de negócios norte-americanas, em um estudo conduzido junto com o grupo de consultoria de Boston. Esse conceito trata da capacidade da Inteligência Artificial de atuar em nossas atividades, dividida em dois grupos distintos: aqueles problemas ou tarefas que fazem parte da fronteira da IA, ou seja, onde ela pode desempenhar-se bem, e aquelas outras atividades que estão fora da fronteira da Inteligência Artificial.

Explorando o estudo sobre fluência de IA nas corporações

Para aprofundar nesse processo, trouxemos um artigo que, embora acadêmico, apresenta alguns pontos bastante positivos. Ele oferece um desenho experimental para que possamos identificar ou diagnosticar a fluência de IA dentro de uma corporação, além de um estudo bastante analítico para quem deseja ancorar a tomada de decisões em dados. É um texto gratuito e muito interessante para quem quer se aprofundar.

Agora, vamos destacar alguns pontos que mostram por que a IA é muito relevante para quem deseja aumentar sua capacidade produtiva e inventiva. Falando um pouco sobre o desenho do experimento, este estudo foi conduzido dentro do grupo de consultoria de Boston, com mais de 700 consultores, divididos em dois grupos distintos. O primeiro, composto por 385 consultores, focava no desenvolvimento de novos produtos. O segundo grupo, composto por 373 consultores, tinha o foco em resolver problemas de negócio.

Analisando o desenho experimental e os resultados

O desenho experimental garantiu que esses consultores atuassem com foco em três grupos distintos, com ou sem a presença de inteligência artificial. Assim, o primeiro grupo resolveu um conjunto de tarefas, chamado de corte 1, sem o uso de inteligência artificial. O segundo corte utilizou o ChatGPT para dar suporte na resolução de tarefas, e o terceiro usou o ChatGPT, mas também recebeu treinamento sobre como fazer melhores perguntas para inteligência artificial generativa.

O que foi avaliado nesse estudo? A qualidade das respostas em ambos os casos, tanto nos que envolvem problemas dentro da fronteira da IA quanto fora dela, o tempo para completar todas as tarefas e a taxa de tarefas completadas. Além disso, foram medidas a precisão, a similaridade semântica e a qualidade do material produzido fora da fronteira da IA.

Discutindo precisão, similaridade semântica e exemplos de tarefas

Quando falamos de precisão, referimo-nos à capacidade que a IA tem de fornecer respostas relevantes. Em problemas mais complexos, nos quais a IA ainda não está tão capacitada para resolver, essa medida é muito importante. A qualidade do material produzido, não apenas a taxa de sucesso, também é relevante, pois esses materiais devem ser direcionados para resolver problemas reais.

A similaridade semântica aqui toca um ponto bastante importante: os materiais produzidos, quando usados sem muita precaução, tendem a oferecer e recuperar resultados muito similares. Para ilustrar um pouco as tarefas utilizadas para medir esses indicadores, dentro da fronteira da IA, temos tarefas como gerar pelo menos 10 ideias para um novo produto de calçado direcionado a um mercado ou esporte pouco atendido. Fora da fronteira da IA, um exemplo de tarefa foi realizar uma análise de desempenho de marcas em uma empresa hipotética, usando dados financeiros e entrevistas com funcionários.

Avaliando os ganhos de produtividade e os desafios

Esses indicadores foram extraídos de consultores que tentaram resolver 10 tarefas distintas, algumas dentro da fronteira da IA e outras fora dela. O ponto mais interessante aqui são os resultados desse processo. Percebemos, por exemplo, que houve um ganho de produtividade para quem utilizou o ChatGPT. Os consultores completaram cerca de 12,2% mais tarefas e em 25,1% menos tempo. Isso trouxe um ganho bastante positivo e reflete a justificativa para o uso da inteligência artificial. Muitas tarefas são repetitivas e operacionais, podendo ser encurtadas, o que também implica em algumas rotinas de aprendizado, quando se trata de buscar documentos distintos para ajudar e dar suporte no processo de ensino e formação.

Além disso, observou-se que a qualidade das respostas aumentou mais de 40% para os grupos que trabalharam dentro da fronteira da IA. No entanto, nem tudo implica em delegar responsabilidades à inteligência artificial sem se preocupar com o conhecimento, o legado e o repertório que possuímos. Outros resultados que merecem atenção envolvem a redução da precisão em 19 pontos percentuais para tarefas fora do âmbito da inteligência artificial, exigindo, de alguma forma, supervisão humana. Para consultores que delegaram 100% da responsabilidade à IA, houve uma queda na qualidade. Talvez o maior efeito colateral seja o que chamamos de convergência criativa, relacionado à dissimilaridade semântica, resultando em ideias pouco inovadoras.

Refletindo sobre o papel dos usuários de IA

Este estudo mostra que há ganhos. Também existe uma relevância significativa quando falamos de consultores com menos experiência alcançando resultados mais próximos dos que já têm mais tempo na empresa. Dessa forma, podemos entender que a IA pode ajudar a ampliar a capacidade produtiva, mas ainda traz a responsabilidade de avaliar o que está sendo produzido com cautela, para não entregar material ruidoso ou sem contribuição genuína.

O artigo encerra com uma provocação interessante, classificando as pessoas que usam inteligência artificial em dois grupos distintos: os ciborgues, que delegam todas as tarefas à IA, e os centauros, que entendem que algumas tarefas fazem mais sentido serem delegadas ao ser humano e outras à IA. Vamos continuar ampliando este tema, mas convidamos à reflexão: somos mais ciborgues ou centauros? Claro que essa resposta não precisa ser binária. Talvez tenhamos tarefas que exijam um papel mais de ciborgue e outras mais de centauro, mas vamos entender mais sobre este tema e ver como essa resposta continua a fazer sentido para nós.

Fundamentos e impactos da IA - Aprendizagem de máquina vs. Aprendizagem profunda

Discutindo a relevância da inteligência artificial no negócio

Agora que discutimos a relevância de incorporar a IA em nossas atividades do ponto de vista do negócio, e como podemos aumentar nossa capacidade tanto produtiva quanto inventiva, com alguns cuidados, é importante entender o que é, de fato, a inteligência artificial e quais são as principais diferenças entre os recursos que temos disponíveis no mercado para o que hoje conhecemos como inteligência artificial generativa.

Para ajudar nesse processo de compreensão, vamos tratar de dois conceitos diferentes: a inteligência artificial tradicional, que se baseia no aprendizado automático e resolve vários problemas do dia a dia, e a inteligência artificial generativa, que se baseia em um enfoque que chamamos de aprendizado profundo ou deep learning (aprendizado profundo).

Explicando a inteligência artificial tradicional

Para ajudar a compreender esse tema, imaginemos o seguinte: queremos criar um sistema computacional que seja capaz de nos ajudar a classificar imagens de animais de estimação, sejam gatos ou cachorros. Para que possamos começar a classificar esse animal, por exemplo, que está na apresentação de PowerPoint, entre um gato e um cachorro, é importante que extraíamos características que sejam relevantes para poder classificar esse animal de acordo com seu tipo.

Observando como seres humanos, agora, deixando um pouco de lado como funciona a máquina, diríamos que esse animal é um gato ou um cachorro? Provavelmente diríamos "gato", e podemos associar essa resposta com as características que ele tem na imagem. Observando as orelhas pontiagudas, a forma como o corpo está projetado, a forma da cauda, a forma do focinho. Esse processo em que um ser humano extrai as características também ocorre na área da computação, seja para qualquer tipo de tarefa diferente. E quem define quais são as características mais relevantes é a pessoa que desenvolve esse sistema computacional.

Então, extraímos essas características e as passamos para um modelo computacional que vai comparar, quando introduzimos um novo exemplar, por exemplo, como essa imagem, se ele se assemelha mais a um gato, pelas características que informamos no momento em que treinamos esse modelo, ou a um cachorro. Esse processo de classificação, que está baseado na inteligência artificial tradicional, nos devolve o resultado que pode ser entre um gato e um cachorro.

Aplicando a inteligência artificial tradicional em problemas cotidianos

Se pensarmos em outras tarefas do nosso dia a dia, esse processo de inteligência artificial mais tradicional pode ser empregado em outros problemas que enfrentamos cotidianamente. Por exemplo, determinar se um projeto está adequado de acordo com características que informamos previamente, verificar se uma peça tem defeito ou não, tentar identificar perfis de clientes para campanhas de marketing também com base em características. Todos esses problemas podem ser resolvidos com a inteligência artificial tradicional. Não precisamos usar IA generativa. Claro que aqui, o ponto mais complexo é quão custoso, em termos de aprendizado, é utilizar essas outras ferramentas.

No entanto, quando falamos sobre o processo de aprendizado por meio de aprendizado de máquina, ou IA, que vem do Machine Learning (aprendizado de máquina), se fizermos uma analogia com o processo de aprendizado, seria equivalente a ensinar a uma criança, como se o computador fosse uma criança, descrevendo características que marcam, por exemplo, palavras que essa criança vai aprender. Suponhamos que a criança está aprendendo sobre frutas: maçã, banana, melancia. Então, antes de ensiná-la e pedir que adivinhe qual fruta estou apontando, vou pegar um exemplo de uma fruta, por exemplo, pode ser uma maçã, e vou descrevê-la. Ela tem a casca vermelha, normalmente é doce, é branca por dentro. E então, com base nessas características, quando essa criança receber uma fruta diferente, tentará adivinhar se é ou não uma maçã, ou se faz parte de outro conjunto de frutas cujas características a criança aprendeu previamente.

Explorando a inteligência artificial generativa

Por outro lado, quando falamos de inteligência artificial generativa, ela se baseia em outra técnica que não lida muito bem com informações novas. O aprendizado de máquina que acabamos de explicar, que é o tradicional, ajuda muito bem quando sabemos quais são os exemplos de saída ou a resposta que esse modelo computacional precisa nos dar. E então, quando não temos essa resposta, a inteligência artificial baseada em aprendizado profundo se mostra mais eficiente. Pensemos que temos aqui novamente nosso gatinho, mas agora, em vez de extrairmos as características mais importantes, delegamos essa responsabilidade ao computador. E então, de alguma forma, ele vai identificar quais características combinadas nesse processo permitem que, de alguma forma, possa prever ou classificar, neste caso, se esse animal é um gato, um cachorro ou um exemplar que não viu antes. E então, nos entrega um percentual de probabilidade de que seja um gato ou um cachorro.

Se fizermos a mesma analogia de aprendizado com a criança que mencionamos anteriormente, que está aprendendo sobre a noção das palavras, a principal diferença aqui é que vamos entregar vários exemplares de frutas diferentes. Vamos colocar na mesa 50 maçãs, 70 bananas, 40 melancias e não vamos descrever nenhuma característica à criança. A principal diferença será que ela vai pegar uma dessas frutas, levará até nós como professores e perguntará se isso é uma maçã, e nós simplesmente diremos sim ou não. Ela voltará com essa fruta, pegará um novo exemplar e fará várias perguntas até que consiga absorver quais características são mais relevantes para que, com sua própria intuição e construção desse aprendizado, possa definir como diferenciar as frutas que estão na mesa.

Comparando as técnicas de aprendizado

É claro que esses processos requerem um maior volume de dados, são mais custosos, mas reagem bem a processos inéditos de classificação. Então, se pensarmos no exemplo do aprendizado de máquina em um caso prático para o dia a dia, pode ser esses sistemas de reconhecimento facial. Se quisermos verificar, por exemplo, se temos uma pessoa em frente a uma câmera, o aprendizado de máquina funcionará muito bem porque detectar as características de uma pessoa, como a distância entre os olhos, nariz, forma da sobrancelha, é algo previsível. Quando falamos, por exemplo, da parte biométrica, verificar se aquele rosto representa de fato a pessoa que queremos autorizar ou não para aquele sistema, estamos sujeitos a muitas variações. Pode mudar a luz, o ambiente, o espaço de fundo, a cor da camiseta, o corte de cabelo. E então, nesse caso, precisamos entender com mais profundidade como lidar com essas incertezas. E então, as técnicas de aprendizado profundo se mostram mais eficientes.

Sobre o curso Letramento em IA: competências essenciais e domínio crítico

O curso Letramento em IA: competências essenciais e domínio crítico possui 113 minutos de vídeos, em um total de 47 atividades. Gostou? Conheça nossos outros cursos de IA para Negócios em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Fundamentos e impactos da IA
• Mecanismos da IA Generativa
• Casos de uso e limitações
• Interação via prompts
• Viés e análise crítica
• Segurança e privacidade