IA generativa

A IA generativa é uma categoria de modelo de inteligência artificial projetado para gerar novos dados. Esses modelos são treinados com grandes conjuntos de dados que os ensinam a identificar padrões e estruturas em textos, imagens, vídeos e áudios. Depois de treinados, seus algoritmos podem gerar novos dados com propriedades semelhantes em resposta à entrada do usuário. Diferentes modelos podem gerar parágrafos de texto com linguagem natural, produzir imagens em diferentes estilos artísticos ou criar amostras de áudio.

Modelos de linguagem grandes

Modelos generativos de texto (também chamados de modelos de linguagem grandes) podem gerar blocos de texto com base em um prompt do usuário. Embora o resultado possa parecer ter sido escrito por uma pessoa, o texto generativo é, na verdade, uma forma de texto preditivo avançado. O modelo gera uma palavra por vez, prevendo a próxima palavra em uma sequência com base no material usado em seu treinamento. Com um conjunto de dados grande o suficiente, os modelos de linguagem generativa podem gerar redações, letras de músicas ou até mesmo código-fonte funcional em várias linguagens de programação.

Diferentes modelos de linguagem grandes usam diferentes conjuntos de dados de treinamento. Os maiores modelos usam uma grande variedade de textos, incluindo livros, artigos de notícias, publicações em mídias sociais, artigos de pesquisa e redações. Exemplos de modelos generativos de texto são o ChatGPT, o Bard da Google e o Chat do Bing.

Modelos de difusão

Modelos generativos de imagens criam imagens usando um método chamado modelagem por difusão. Esses modelos são treinados com aprendizado de máquina — analisando grandes conjuntos de dados marcados por treinadores humanos com descrições do conteúdo e do estilo artístico de cada imagem. Durante o treinamento, o modelo usa essas marcações para associar padrões e estruturas específicos dentro de uma imagem ao texto correspondente.

Durante o treinamento, um modelo de difusão primeiro desmonta uma imagem em uma longa série de etapas, adicionando ruído aleatório aos poucos. Depois de reduzir a imagem original a um conjunto de ruídos, o modelo a remonta lentamente com base nas marcações de conteúdo, gerando detalhes para substituir o ruído aleatório. Ele tenta realizar esse processo inúmeras vezes enquanto sua rede neural ajusta variáveis até que a imagem reproduzida se pareça com a original. Depois de treinado, um modelo pode criar imagens totalmente novas a partir de um prompt do usuário usando as palavras-chave e marcações que aprendeu. Exemplos de modelos generativos de imagens incluem DALL-E, Midjourney e Stable Diffusion.

Preocupações éticas

O rápido crescimento da tecnologia de IA generativa traz algumas preocupações éticas. Esses modelos exigem enormes conjuntos de dados de treinamento — dezenas de terabytes de texto para um modelo de linguagem e centenas de milhões de imagens para um modelo de difusão. Esses conjuntos de treinamento geralmente incluem material protegido por direitos autorais e podem criar material derivado com base nessas obras sem creditar ou remunerar o criador original. Os conjuntos de treinamento também podem incluir fotos de pessoas sem o consentimento delas. Por fim, determinar se o resultado de uma IA generativa pode ser protegido por direitos autorais (e quem detém esses direitos) é uma questão jurídica ainda não resolvida.

Os modelos de IA generativa são tão bons quanto o conjunto de dados de treinamento permite, e problemas presentes nesses conjuntos podem aparecer no resultado de um modelo. Se o conjunto de dados de treinamento de um modelo incluir material com linguagem ou imagens tendenciosas, ele poderá absorver esses vieses e incluí-los em seu resultado. Embora os desenvolvedores de modelos de IA generativa frequentemente filtrem discursos de ódio, é muito mais difícil detectar e remover vieses sutis. Além disso, um modelo treinado com dados que contêm informações factualmente incorretas transmitirá essas informações, podendo induzir seus usuários ao erro.