Inteligência artificial: aprendizado de máquina e IA generativa

Inteligência artificial (IA) é o conjunto de técnicas que permitem a sistemas computacionais executar tarefas que normalmente exigiriam inteligência humana, como reconhecer padrões, classificar, prever e gerar texto ou imagem. Para concursos, o que se cobra são conceitos, riscos e boas práticas, não programação. Este guia explica os termos centrais sem exagero, mostra uma conta de avaliação de modelo e liga o tema à proteção de dados.

O mapa de termos

Os termos se encaixam como círculos concêntricos.

• Inteligência artificial: o campo mais amplo.
• Aprendizado de máquina (machine learning): subárea em que o sistema aprende regras a partir de exemplos, em vez de receber regras escritas à mão.
• Aprendizado profundo (deep learning): técnica de aprendizado de máquina que usa redes neurais com muitas camadas.
• IA generativa: modelos que produzem conteúdo novo (texto, imagem, áudio, código) a partir do que aprenderam.
• Modelo de linguagem de grande porte (LLM): modelo generativo treinado com grandes volumes de texto para prever a continuação de sequências de palavras.

Um programa tradicional recebe regras e dados e devolve respostas. Em aprendizado de máquina, recebe-se dados e respostas conhecidas, e o sistema produz as regras (o modelo), que depois são aplicadas a dados novos.

Tipos de aprendizado

Tipo	Como funciona	Exemplo
Supervisionado	Aprende com exemplos já rotulados	Classificar mensagens como spam ou não spam
Não supervisionado	Busca estrutura em dados sem rótulo	Agrupar processos semelhantes
Por reforço	Aprende por tentativa, com recompensa e penalidade	Agente que aprende a jogar

Na classificação, a saída é uma categoria; na regressão, é um número (por exemplo, prever o tempo de tramitação). Fases: treinamento (o modelo ajusta seus parâmetros com dados) e inferência (usa o modelo pronto para responder a entradas novas). Costuma-se separar parte dos dados para teste, que o modelo não viu, a fim de medir seu desempenho de verdade.

Redes neurais, em uma frase

Uma rede neural artificial é formada por camadas de unidades simples que combinam números e passam o resultado adiante. O treinamento ajusta os pesos das conexões até o erro cair. O nome é inspirado no cérebro, mas ela não pensa nem compreende como uma pessoa: calcula.

Como um LLM gera texto

O texto é quebrado em pedaços chamados tokens. O modelo calcula, a cada passo, quais tokens têm maior probabilidade de vir em seguida e escolhe um, repetindo o processo. Consequências importantes:

• A resposta é plausível, não necessariamente verdadeira. Quando o modelo inventa fatos, citações ou artigos de lei com aparência convincente, chama-se alucinação.
• O modelo reflete os dados de treino, inclusive vieses.
• A mesma pergunta pode gerar respostas diferentes.
• O modelo tem uma data de corte de conhecimento e não sabe o que ocorreu depois, a menos que consulte fontes externas.

Por isso, para estudo e trabalho, trate a saída como rascunho a verificar na fonte oficial. O guia sobre estudar com IA com segurança detalha essa postura.

Avaliando um modelo: uma conta completa

Um classificador marca 200 mensagens como “fraude” ou “legítima”. O resultado, comparado com a verdade:

	Previsto fraude	Previsto legítima
Era fraude	40 (verdadeiros positivos)	20 (falsos negativos)
Era legítima	10 (falsos positivos)	130 (verdadeiros negativos)

• Acurácia = acertos ÷ total = (40 + 130) ÷ 200 = 170 ÷ 200 = 0,85.
• Precisão = VP ÷ (VP + FP) = 40 ÷ 50 = 0,8. Das mensagens marcadas como fraude, 80% eram fraude.
• Revocação (recall) = VP ÷ (VP + FN) = 40 ÷ 60 = 2/3, cerca de 0,67. Das fraudes reais, o modelo encontrou dois terços.

A acurácia pode enganar. Em 1.000 mensagens com apenas 10 fraudes, um modelo que sempre responde “legítima” acerta 990 e tem acurácia 0,99, mas revocação zero: não encontra nenhuma fraude. Quando uma classe é rara, olhe precisão e revocação.

Dois defeitos clássicos: sobreajuste (o modelo decora o treino e vai mal em dados novos) e subajuste (não aprendeu o suficiente nem no treino).

IA no serviço público e proteção de dados

O uso de IA em decisões que afetam pessoas esbarra em princípios já cobrados em prova: transparência, finalidade, não discriminação e segurança. Na LGPD (Lei 13.709/18), o art. 20 garante ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses, inclusive as que definem seu perfil pessoal, profissional, de consumo e de crédito ou aspectos de sua personalidade. O § 1º determina que o controlador forneça, quando solicitado, informações claras e adequadas sobre os critérios e procedimentos da decisão automatizada, respeitados os segredos comercial e industrial. Confira a redação vigente no texto oficial; veja também o guia da LGPD.

Boas práticas que as bancas gostam: não inserir dados pessoais ou sigilosos em ferramentas externas sem base legal e autorização, manter supervisão humana em decisões relevantes, documentar a origem dos dados e testar vieses.

Erros comuns

• Tratar IA, aprendizado de máquina e aprendizado profundo como sinônimos exatos.
• Achar que o modelo “sabe” o que é verdadeiro; ele gera o que é provável.
• Confundir treinamento com inferência.
• Usar só a acurácia para julgar um modelo com classes desbalanceadas.
• Dizer que dados pessoais deixam de estar protegidos por serem usados em IA.

Fontes e atualização

Fontes oficiais consultadas: a Lei 13.709/18 no Planalto, onde se conferiu o texto do art. 20 e do seu § 1º; e a página de Inteligência Artificial do MCTI, que lista a Estratégia Brasileira de Inteligência Artificial e o Plano Brasileiro de IA como iniciativas do governo federal (consulte as páginas para o conteúdo atualizado). As definições conceituais são orientação prática, pois não há norma única que as fixe, e a conta de acurácia, precisão e revocação foi refeita pela redação. Conferido nas fontes acima na data de publicação deste guia.

Próximos passos

• Aplique o cuidado na prática com corrigir redação com IA com cautela.
• Conheça o ambiente em que muitos modelos rodam em computação em nuvem.
• Revise a LGPD no poder público.