Inteligência artificial e aprendizado de máquina — revisão rápida

Mapa central

regra fixa → automação determinística
dados + treinamento → aprendizado de máquina
modelo generativo + entrada → conteúdo novo

Algoritmo ≠ IA. ML ⊂ IA.

Tipos de aprendizado

categoria → classificação
valor numérico → regressão
grupos sem rótulo → clustering

Vocabulário

• atributo/feature: entrada;
• rótulo/alvo: resposta conhecida no supervisionado;
• parâmetro: valor aprendido;
• hiperparâmetro: configuração do treinamento/modelo;
• treinamento: ajusta parâmetros;
• inferência: usa o modelo treinado.

Dados

treino → ajusta
validação → escolhe/ajusta
teste → estima desempenho final

• overfitting: treino bom, generalização ruim;
• underfitting: desempenho ruim já no treino;
• vazamento: informação indevida do teste/futuro entra no treinamento;
• generalização: funcionar bem em dados novos.

Classificação

acurácia = (VP + VN) / (VP + VN + FP + FN)
precisão = VP / (VP + FP)
recall   = VP / (VP + FN)

• precisão: dos previstos positivos, quantos eram positivos;
• recall: dos positivos reais, quantos foram encontrados;
• acurácia pode enganar em classe rara;
• métrica depende do custo do erro.

Hierarquia

IA
└─ aprendizado de máquina
   └─ aprendizado profundo

Nem todo ML é rede neural. Nem toda IA é generativa.

Generativa

• LLM: modelo de linguagem de grande escala;
• token: unidade processada;
• prompt: instrução + contexto;
• inferência: geração com modelo já treinado;
• alucinação: saída plausível sem suporte;
• ajuste fino: treinamento adicional, altera parâmetros;
• RAG: busca fonte e a põe no contexto.

RAG ≠ treinamento. Prompt melhor ≠ verdade garantida.

Pegadinhas

• probabilidade de classe não transforma classificação em regressão;
• agrupamento sem rótulo ≠ classificação supervisionada;
• treino excelente ≠ teste excelente;
• correlação aprendida ≠ causalidade;
• média alta ≠ desempenho bom em todos os grupos;
• dados/ambiente podem mudar → deriva;
• conteúdo fluente ≠ conteúdo verdadeiro.