O que é IA generativa?
A inteligência artificial generativa, também conhecida como IA generativa, ou simplesmente gen AI, é um tipo de inteligência artificial (IA) que pode criar novos conteúdos e ideias, incluindo conversas, histórias, imagens, vídeos e músicas. Ele pode aprender linguagem humana, linguagens de programação, arte, química, biologia ou qualquer assunto complexo. Ele reutiliza o que sabe para resolver novos problemas.
Por exemplo, ele pode aprender vocabulário em inglês e criar um poema a partir das palavras que processa.
Sua organização pode usar a IA generativa para várias finalidades, como chatbots, criação de mídia e desenvolvimento e design de produtos.
Exemplos de IA generativa
A IA generativa tem vários casos de uso em todos os setores
Serviços financeiros
As empresas de serviços financeiros usam ferramentas de IA generativa para atender melhor seus clientes e, ao mesmo tempo, reduzir os custos:
- As instituições financeiras usam chatbots para gerar recomendações de produtos e responder às consultas dos clientes, o que melhora o atendimento geral ao cliente.
- As instituições de crédito aceleram aprovações de empréstimos para mercados financeiramente carentes, especialmente em países em desenvolvimento.
- Bancos detectam rapidamente fraudes em sinistros, cartões de crédito e empréstimos.
- Empresas de investimento usam o poder da IA generativa para fornecer aconselhamento financeiro seguro e personalizado aos seus clientes a um custo baixo.
Leia mais sobre a IA generativa para serviços financeiros na AWS
Saúde e ciências biológicas
Um dos casos de uso da IA generativa mais promissores é acelerar a descoberta e a pesquisa de medicamentos. A IA generativa pode criar novas sequências de proteínas com propriedades específicas para projetar anticorpos, enzimas, vacinas e terapia gênica.
Empresas de saúde e ciências biológicas usam ferramentas de IA generativa para projetar sequências de genes sintéticos para aplicações de biologia sintética e engenharia metabólica. Por exemplo, elas podem criar novas vias biossintéticas ou otimizar a expressão gênica para fins de biomanufatura.
As ferramentas de IA generativa também criam dados sintéticos de pacientes e de saúde. Esses dados podem ser úteis para treinar modelos de IA, simular ensaios clínicos ou estudar doenças raras sem acesso a grandes conjuntos de dados do mundo real.
Leia mais sobre a IA generativa aplicada à saúde e às ciências biológicas na AWS
Automotivo e manufatura
As empresas automotivas usam a tecnologia de IA generativa para muitas finalidades, desde engenharia até experiências em veículos e atendimento ao cliente. Por exemplo, elas otimizam o design de peças mecânicas para reduzir o arrasto nos projetos de veículos ou adaptar o design de assistentes pessoais.
As empresas automotivas usam ferramentas de IA generativa para oferecer um melhor atendimento ao cliente, fornecendo respostas rápidas às perguntas mais comuns dos clientes. A IA generativa cria novos materiais, chips e designs de peças para otimizar os processos de fabricação e reduzir custos.
Outro caso de uso de IA generativa é sintetizar dados para testar aplicações. Isso é especialmente útil para dados que nem sempre são incluídos em conjuntos de dados de teste (como defeitos ou casos extremos).
Leia mais sobre IA generativa para o setor automotivo na AWS
Telecomunicações
Os casos de uso de IA generativa em telecomunicações se concentram em reinventar a experiência do cliente, definida pelas interações cumulativas dos assinantes em todos os pontos de contato da jornada do cliente.
Por exemplo, as organizações de telecomunicações aplicam a IA generativa para melhorar o atendimento ao cliente com agentes conversacionais ao vivo, semelhantes aos humanos. Eles podem reinventar o relacionamento com os clientes com assistentes de vendas individuais personalizados. Elas também otimizam o desempenho da rede analisando os dados da rede para recomendar correções.
Mídia e entretenimento
De animações e roteiros a filmes completos, os modelos de IA generativa produzem novos conteúdos por uma fração do custo e do tempo da produção tradicional.
Outros casos de uso de IA generativa no setor incluem:
- Os artistas podem complementar e aprimorar seus álbuns com músicas geradas por IA para criar experiências totalmente novas.
- As organizações de mídia usam a IA generativa para melhorar as experiências do público, oferecendo conteúdo e anúncios personalizados para aumentar as receitas.
- As empresas de jogos usam a IA generativa para criar novos jogos e permitir que os jogadores criem avatares.
Benefícios da IA generativa
De acordo com a Goldman Sachs, a IA generativa poderia impulsionar um aumento de 7% (ou quase 7 trilhões de dólares) no produto interno bruto (PIB) global e elevar o crescimento da produtividade em 1,5 ponto percentual em dez anos. A seguir, apresentamos mais alguns benefícios da IA generativa.
Como a tecnologia de IA generativa evoluiu?
Modelos generativos primitivos têm sido usados há décadas em estatística para auxiliar na análise de dados numéricos. As redes neurais e o aprendizado profundo foram precursores recentes da IA generativa moderna. Os codificadores automáticos variacionais, desenvolvidos em 2013, foram os primeiros modelos generativos profundos que conseguiram gerar imagens e fala realistas.
VAEs
Os VAEs (autoencodificadores variacionais) introduziram a capacidade de criar novas variações de vários tipos de dados. Isso levou ao rápido surgimento de outros modelos de IA generativa, como redes adversárias generativas e modelos de difusão. Essas inovações foram focadas na geração de dados que se assemelhavam cada vez mais a dados reais, apesar de terem sido criados artificialmente.
Transformadores
Em 2017, uma nova mudança na pesquisa de IA ocorreu com a introdução de transformadores. Os transformadores integraram perfeitamente a arquitetura de codificador e decodificador com um mecanismo de atenção. Eles simplificaram o processo de treinamento de modelos de linguagem com eficiência e versatilidade excepcionais. Modelos notáveis como o GPT surgiram como modelos fundamentais capazes de pré-treinar em extensos corpora de texto bruto e ajustar para diversas tarefas.
Os transformadores mudaram o que era possível para o processamento de linguagem natural. Eles capacitaram recursos generativos para tarefas que vão desde tradução e resumo até respostas a perguntas.
O futuro
Muitos modelos de IA generativa continuam avançando significativamente e encontraram aplicações em vários setores. Inovações recentes se concentram em refinar modelos para trabalhar com dados proprietários. Os pesquisadores também querem criar textos, imagens, vídeos e discursos cada vez mais parecidos com os humanos.
Como funciona a IA generativa?
Como toda inteligência artificial, a IA generativa funciona usando modelos de machine learning: modelos muito grandes que são pré-treinados em grandes quantidades de dados.
Modelos básicos
Os modelos de base (FMs) são modelos de ML treinados em um amplo espectro de dados generalizados e não rotulados. Eles são capazes de realizar uma grande variedade de tarefas gerais.
Os FMs são o resultado dos mais recentes avanços em uma tecnologia que vem evoluindo há décadas. Em geral, um FM usa padrões e relacionamentos aprendidos para prever o próximo item em uma sequência.
Por exemplo, com a geração de imagens, o modelo analisa a imagem e cria uma versão mais nítida e mais claramente definida dela. Da mesma forma, com textos, o modelo prevê a próxima palavra em uma sequência de texto com base nas palavras anteriores e no contexto. Em seguida, seleciona a próxima palavra usando técnicas de distribuição de probabilidade.
Grandes modelos de linguagem
Os grandes modelos de linguagem (LLMs) são uma classe de FMs. Por exemplo, os modelos de transformadores generativos pré-treinados (GPT) da OpenAI são LLMs. Os LLMs são especificamente focados em tarefas baseadas em linguagem, como resumo, geração de texto, classificação, conversa aberta e extração de informações.
O que torna os LLMs especiais é sua capacidade de realizar várias tarefas. Eles podem fazer isso porque contêm muitos parâmetros que os tornam capazes de aprender conceitos avançados.
Um LLM como o GPT-3 pode considerar bilhões de parâmetros e tem a capacidade de gerar conteúdo com pouquíssimas informações. Por meio de sua exposição pré-treinamento a dados em escala da Internet em todas as suas várias formas e uma infinidade de padrões, os LLMs aprendem a aplicar seus conhecimentos em uma ampla variedade de contextos.
Como funcionam os modelos de IA generativa?
Os modelos tradicionais de machine learning eram discriminativos ou focados na classificação de pontos de dados. Eles tentaram determinar a relação entre fatores conhecidos e desconhecidos. Por exemplo, eles analisam imagens (dados conhecidos como arranjo de pixels, linha, cor e forma) e as mapeiam em palavras: o fator desconhecido. Matematicamente, os modelos funcionaram identificando equações que poderiam mapear numericamente fatores desconhecidos e conhecidos como variáveis x e y. Os modelos generativos levam isso um passo adiante. Em vez de prever um rótulo com alguns recursos, eles tentam prever recursos com um determinado rótulo. Matematicamente, a modelagem generativa calcula a probabilidade de x e y ocorrerem juntos. Ele aprende a distribuição de diferentes recursos de dados e seus relacionamentos. Por exemplo, modelos generativos analisam imagens de animais para registrar variáveis como diferentes formatos de orelhas, formatos de olhos, características da cauda e padrões de pele. Eles aprendem características e suas relações para entender como são os diferentes animais em geral. Eles podem então recriar novas imagens de animais que não estavam no conjunto de treinamento. A seguir, apresentamos algumas categorias amplas de modelos de IA generativa.
Modelos de difusão
Os modelos de difusão criam novos dados fazendo alterações aleatórias controladas de forma iterativa em uma amostra de dados inicial. Eles começam com os dados originais e adicionam mudanças sutis (ruído), tornando-os progressivamente menos semelhantes aos originais. Esse ruído é cuidadosamente controlado para garantir que os dados gerados permaneçam coerentes e realistas.
Depois de adicionar ruído em várias iterações, o modelo de difusão reverte o processo. A remoção reversa de ruído remove gradualmente o ruído para produzir uma nova amostra de dados semelhante à original.
Redes adversárias generativas
A rede adversária generativa (GAN) é outro modelo de IA generativa que se baseia no conceito do modelo de difusão.
As GANs funcionam treinando duas redes neurais de forma competitiva. A primeira rede, conhecida como geradora, gera amostras de dados falsas adicionando ruído aleatório. A segunda rede, chamada discriminadora, tenta distinguir entre dados reais e dados falsos produzidos pela geradora.
Durante o treinamento, a geradora melhora continuamente sua capacidade de criar dados realistas, enquanto a discriminadora se torna melhor em distinguir o real do falso. Esse processo contraditório continua até que a geradora produza dados tão convincentes que a discriminadora não consiga diferenciá-los dos dados reais.
As GANs são amplamente usadas na geração de imagens realistas, transferência de estilo e tarefas de aumento de dados.
Codificadores automáticos variacionais
Autocodificadores variacionais (VAEs) aprendem uma representação compacta dos dados, chamada espaço latente. O espaço latente é uma representação matemática dos dados. Você pode pensar nisso como um código exclusivo que representa os dados com base em todos os seus atributos. Por exemplo, ao estudar rostos, o espaço latente contém números que representam o formato dos olhos, o formato do nariz, as maçãs do rosto e as orelhas.
Os VAEs usam duas redes neurais: o codificador e o decodificador. A rede neural do codificador mapeia os dados de entrada para uma média e variância para cada dimensão do espaço latente. Ela gera uma amostra aleatória de uma distribuição gaussiana (normal). Essa amostra é um ponto no espaço latente e representa uma versão compactada e simplificada dos dados de entrada.
A rede neural do decodificador pega esse ponto amostrado do espaço latente e o reconstrói em dados que se assemelham à entrada original. As funções matemáticas são usadas para medir o quão bem os dados reconstruídos correspondem aos dados originais.
Modelos baseados em transformadores
O modelo de IA generativa baseado em transformador se baseia nos conceitos de codificador e decodificador dos VAEs. Os modelos baseados em transformadores adicionam mais camadas ao codificador para melhorar o desempenho em tarefas baseadas em texto, como compreensão, tradução e escrita criativa.
Os modelos baseados em transformadores usam um mecanismo de autoatenção. Eles avaliam a importância de diferentes partes de uma sequência de entrada ao processar cada elemento na sequência.
Outro atributo importante é que esses modelos de IA implementam incorporações contextuais. A codificação de um elemento de sequência depende não apenas do elemento em si, mas também de seu contexto dentro da sequência.
Como funcionam os modelos baseados em transformadores
Para entender como funcionam os modelos baseados em transformadores, imagine uma frase como uma sequência de palavras.
A autoatenção ajuda o modelo a se concentrar nas palavras relevantes à medida que processa cada palavra. O modelo generativo baseado em transformadores utiliza várias camadas de codificação chamadas cabeças de atenção para capturar diferentes tipos de relações entre palavras. Cada cabeça aprende a atender a diferentes partes da sequência de entrada, permitindo que o modelo considere simultaneamente vários aspectos dos dados.
Cada camada também refina as incorporações contextuais, tornando-as mais informativas e capturando tudo, desde a sintaxe gramatical até significados semânticos complexos.
Treinamento de IA generativa para iniciantes
O treinamento de IA generativa começa com a compreensão dos conceitos básicos de machine learning. Os alunos também precisam explorar as redes neurais e a arquitetura de IA. A experiência prática com bibliotecas Python, como TensorFlow ou PyTorch, é essencial para implementar e experimentar diferentes modelos. Você também precisa aprender avaliação de modelos, ajuste fino e habilidades de engenharia de prompts.
Um diploma em inteligência artificial ou machine learning oferece treinamento aprofundado. Considere cursos de curta duração online e certificações para desenvolvimento profissional. O treinamento de IA generativa na AWS inclui certificações de especialistas da AWS em tópicos como:
Quais são as limitações da IA generativa?
Apesar de seus avanços, os sistemas de IA generativa às vezes podem produzir informações imprecisas ou enganosas. Eles se baseiam em padrões e dados nos quais foram treinados e podem registrar vieses ou imprecisões inerentes a esses dados. Outras questões relacionadas aos dados de treinamento incluem
Segurança
As questões relacionadas com a privacidade e a segurança dos dados surgem quando dados proprietários são usados para personalizar modelos de IA generativa. Esforços devem ser feitos para garantir que as ferramentas de IA generativa gerem respostas que limitem o acesso não autorizado a dados proprietários. As questões relacionadas com a segurança também surgem se houver falta de responsabilização e transparência na forma como os modelos de IA tomam decisões.
Saiba mais sobre a abordagem segura da IA generativa usando a AWS
Criatividade
Embora a IA generativa possa produzir conteúdo criativo, ela geralmente não possui verdadeira originalidade. A criatividade da IA é limitada pelos dados nos quais ela foi treinada, gerando resultados que podem parecer repetitivos ou derivados. A criatividade humana, que envolve uma compreensão mais profunda e uma ressonância emocional, continua sendo um desafio para a IA replicar totalmente.
Custo
O treinamento e a execução de modelos de IA generativa exigem recursos computacionais substanciais. Os modelos de IA generativa baseados em nuvem são mais acessíveis e econômicos do que tentar criar novos modelos do zero.
Explicabilidade
Devido à sua natureza complexa e opaca, os modelos de IA generativa costumam ser considerados caixas pretas. É desafiador entender como esses modelos chegam a resultados específicos. Melhorar a interpretabilidade e a transparência é essencial para aumentar a confiança e a adoção.
Quais são as práticas recomendadas na adoção de IA generativa?
Se a sua organização quiser implementar soluções de IA generativa, considere as seguintes práticas recomendadas para aprimorar seus esforços.
Como a AWS pode ajudar a IA generativa?
A Amazon Web Services (AWS) facilita a criação e a escalabilidade de aplicações de IA generativa para seus dados, casos de uso e clientes. Com a IA generativa na AWS, você obtém segurança e privacidade de nível empresarial, acesso aos melhores FMs do setor, aplicações baseadas em IA generativa e uma abordagem que prioriza os dados.