Curso

Curso de IAs

Uma introdução histórica e conceitual à inteligência artificial: do pensamento algorítmico clássico ao perceptron, das regras automáticas ao machine learning, e da coleta de dados ao nascimento de algoritmos por aprendizagem.

Módulo 1 — Do algoritmo que produz resultado à IA que aprende algoritmo

A programação tradicional vem de uma longa história de controle formal. Nela, o raciocínio normal é: algoritmos + dados = resultados. Primeiro alguém define uma sequência de regras, passos, condições e operações. Depois essas regras recebem dados. Por fim, o sistema entrega um resultado. É assim que funcionam calculadoras, formulários, sistemas financeiros, rotinas administrativas, validações de cadastro e grande parte do software clássico.

Na era da inteligência artificial, a direção mental muda. Em muitos sistemas de IA, especialmente nos que aprendem com exemplos, observamos o movimento inverso: dados + resultados = algoritmos. Em vez de o programador escrever manualmente toda a regra final, ele apresenta muitos dados e muitos exemplos de resultado esperado. O sistema ajusta seus parâmetros até formar, por treinamento, uma regra operacional capaz de generalizar. É uma síntese nova: o algoritmo deixa de ser apenas escrito e passa também a ser aprendido.

O perceptron: uma data antiga para uma ideia que parece moderna

O marco histórico mais importante para entender essa virada é o perceptron. Ele foi criado por Frank Rosenblatt, no Cornell Aeronautical Laboratory. Os primeiros experimentos foram simulados em 1957, e em 1958 a ideia ganhou projeção pública com o Mark I Perceptron. A data surpreende porque muita gente imagina que machine learning é uma invenção recente, quando na verdade a semente conceitual das redes neurais modernas já estava sendo plantada no fim dos anos 1950.

Um perceptron é uma unidade simples de decisão inspirada, de forma abstrata, no funcionamento de um neurônio. Ele recebe entradas, atribui um peso a cada uma delas, soma esses valores ponderados, aplica um ajuste chamado viés ou limiar, e então decide se a saída será ativada ou não. Em forma didática, podemos pensar assim:

Esse “peso” também pode ser entendido como ganho ou intensidade de influência. Uma entrada com peso maior tem mais força na decisão final. Durante o aprendizado, o sistema ajusta esses pesos conforme erra ou acerta. Aos poucos, ele aprende uma fronteira de decisão. Não é mágica: é matemática aplicada a exemplos.

IA não é sempre machine learning

Também é importante separar os conceitos. Nem toda inteligência artificial é machine learning. Um sistema de e-mail, por exemplo, pode ter filtros automáticos, regras de validação de domínio, bloqueios por lista, checagens de remetente, pontuação de risco e classificações programadas manualmente. Tudo isso pode ser chamado de comportamento inteligente ou de IA simbólica/regrada em sentido amplo, porque automatiza decisões que antes exigiriam julgamento humano. Mas isso não significa, necessariamente, que o sistema aprendeu por treinamento estatístico.

Machine learning aparece quando o sistema melhora seu comportamento a partir de dados, exemplos e correções. O perceptron é uma das primeiras formulações práticas dessa ideia. Ele não apenas executa uma regra escrita: ele ajusta uma regra a partir dos padrões que encontra.

De um perceptron a muitas camadas

Um perceptron sozinho é limitado. Ele consegue resolver certos problemas de separação simples, mas falha em padrões que exigem combinações mais profundas. A grande virada acontece quando várias unidades desse tipo são organizadas em camadas. Uma camada detecta relações simples; outra combina essas relações; outra aprofunda a abstração; e assim por diante. Quando muitas camadas são empilhadas, entramos no campo que hoje chamamos de deep learning.

Em visão computacional, por exemplo, camadas iniciais podem reagir a bordas, contrastes e pequenas formas. Camadas intermediárias combinam esses sinais em partes maiores. Camadas mais profundas reconhecem estruturas complexas, como rostos, objetos ou estilos visuais. A inteligência surge da composição: cada camada transforma o resultado anterior em uma representação mais útil.

Big data como alimento lógico

Por isso o garimpo de dados é tão importante para uma IA. Dados são o campo de experiência do sistema. Mas não basta acumular volume bruto. Uma IA funciona melhor quando os dados têm qualidade, diversidade, contexto, rotulagem adequada, atualização e relação clara com o tipo de resposta esperada. Dados ruins produzem padrões ruins. Dados úteis, bem organizados, ajudam o modelo a formar representações mais estáveis.

É nesse sentido que a fórmula dados + resultados = algoritmos fica poderosa. O sistema observa exemplos, mede diferenças, ajusta pesos, reduz erro e transforma experiência em regra operacional. A IA passa a carregar uma espécie de memória estatística do que viu, sem ser uma cópia simples dos dados originais.

Ponte para o próximo módulo

No próximo módulo, vamos aproximar essa lógica da matemática das imagens. IAs que criam ou leem imagens dependem de cálculos sobre luz, cor, contraste, distribuição de pixels e diferenças entre valores. Um conceito importante aí é gama: em vídeo e imagem digital, gama descreve uma relação não linear entre o valor numérico de um sinal e a luminância percebida. Em termos simples, ela ajuda a explicar por que alterar números de pixels não muda a luz percebida de forma perfeitamente linear. Entender essa diferença abre caminho para compreender como sistemas artificiais enxergam, corrigem e geram imagens.