Sumário

A última aula da disciplina. IA virou tema obrigatório em concurso a partir de 2023, com a explosão do ChatGPT e regulações em curso. Aqui você domina conceitos, história, tipos de aprendizado, redes neurais e LLMs, mais os marcos regulatórios brasileiro (PL 2.338/2023) e europeu (AI Act).

1. Conceitos e história

   Turing 1950, Dartmouth 1956. Inviernos da IA, renascimento
   p. 04
2. Tipos de IA: ANI, AGI, ASI

   Estreita × geral × superinteligência
   p. 08
3. Aprendizado de máquina

   Supervisionado, não supervisionado, reforço, semi/auto-supervisionado, transfer
   p. 12
4. Algoritmos clássicos e Deep Learning

   Regressão, k-NN, k-means, árvores. Redes neurais, CNN, RNN, Transformer
   p. 16
5. LLMs e IA generativa

   GPT, Gemini, Claude, Llama. Prompt engineering, RAG, fine-tuning
   p. 20
6. Riscos, vieses e ética

   Alucinações, vieses estruturais, deepfakes, alinhamento
   p. 24
7. Regulação no Brasil e no mundo

   PL 2.338/2023, AI Act UE, NIST AI RMF, OCDE, UNESCO. LGPD Art. 20
   p. 27
8. Mapa mental, revisão e questões comentadas

   10 questões fechando a aula e a disciplina
   p. 30

Meta desta aula

Distinguir conceitos de IA, ML e DL. Conhecer ANI/AGI/ASI. Operar 4 tipos clássicos de aprendizado. Conhecer LLMs e prompt engineering. Compreender riscos (vieses, alucinações, deepfakes). Conhecer PL 2.338/2023 (Brasil), AI Act UE, NIST AI RMF, princípios OCDE.

O que você vai aprender

Dica do Fuffu

Em prova, três pontos rendem 60%: 1) ANI × AGI × ASI (estreita × geral × super); 2) 4 tipos de aprendizado (supervisionado, não supervisionado, reforço, e os modernos auto/semi); 3) PL 2.338/2023 (Marco Legal IA Brasil) + AI Act UE 2024/1689. Decora esses 3 grupos.

Prof. Affonsinho explica, Módulo 01

1 História da IA

O que é IA

A Inteligência Artificial (IA) é o ramo da Ciência da Computação que estuda e desenvolve sistemas capazes de realizar tarefas que tipicamente exigiriam inteligência humana: aprender, raciocinar, perceber, comunicar-se, decidir, criar. Stuart Russell e Peter Norvig, no livro de referência "Artificial Intelligence: A Modern Approach", classificam IA em quatro abordagens:

• Sistemas que pensam como humanos: ciência cognitiva, modelagem do raciocínio humano.
• Sistemas que pensam racionalmente: lógica, abordagem dos "leis do pensamento".
• Sistemas que agem como humanos: Teste de Turing.
• Sistemas que agem racionalmente: agente racional, abordagem dominante hoje.

Pioneiros e marcos

• 1936: Alan Turing publica "On Computable Numbers", introduzindo a Máquina Universal de Turing (base teórica da computação).
• 1943: Warren McCulloch e Walter Pitts propõem o primeiro modelo matemático de neurônio artificial.
• 1950: Turing publica "Computing Machinery and Intelligence" propondo o Teste de Turing: se uma máquina conversa com um humano e ele não consegue distingui-la de outro humano, podemos considerá-la inteligente.
• Verão de 1956: Conferência de Dartmouth, organizada por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. McCarthy cunha o termo "Artificial Intelligence". Marco do nascimento da IA como campo.
• 1958: McCarthy cria a linguagem Lisp, dominante em IA por décadas.
• 1957-1969: era de otimismo. Perceptron de Rosenblatt (1957), General Problem Solver (Newell, Simon).
• 1966: ELIZA de Joseph Weizenbaum, primeiro chatbot.
• 1969: Minsky e Papert publicam "Perceptrons", apontando limitações que levaram a redução de financiamento.

Os "invernos" da IA

• 1ª inverno (1974-1980): Lighthill Report (1973) critica IA; financiamentos cortados.
• 1980-1987: renascimento com sistemas especialistas. MYCIN, XCON.
• 2ª inverno (1987-1993): bolha dos sistemas especialistas estoura.

O renascimento (a partir de 1997)

• 1997: Deep Blue da IBM derrota Kasparov no xadrez.
• 2006: Geoffrey Hinton publica trabalho seminal sobre deep belief networks, marco do deep learning moderno.
• 2011: IBM Watson vence Jeopardy.
• 2012: AlexNet (Krizhevsky, Sutskever, Hinton) ganha competição ImageNet com CNN, revolucionando visão computacional. Início da era do deep learning.
• 2014: Ian Goodfellow propõe GANs (Generative Adversarial Networks).
• 2016: AlphaGo da DeepMind derrota Lee Sedol no Go.
• 2017: artigo "Attention Is All You Need" introduz a arquitetura Transformer, base de todos os LLMs modernos.
• 2018: BERT (Google) e GPT-1 (OpenAI).
• 30 de novembro de 2022: lançamento do ChatGPT pela OpenAI. Atinge 100 milhões de usuários em 2 meses, recorde histórico.
• 2023-2026: explosão de IA generativa. GPT-4, GPT-5/5.5; Gemini 1, 2, 3; Claude 3, 4, 4.5, 4.6, 4.7; Llama 2, 3, 4. Multimodalidade. Agentes autônomos. Revolução na produtividade.

Prêmio Turing 2018

Em 2018, Yann LeCun, Geoffrey Hinton e Yoshua Bengio ganham o Prêmio Turing ("Nobel da computação") pelos avanços em deep learning. Em 2024, Hinton e John Hopfield recebem o Prêmio Nobel de Física pelas descobertas em redes neurais.

IA simbólica × conexionista × híbrida

• Simbólica (GOFAI): baseada em lógica, regras, símbolos. Sistemas especialistas. Domínio até anos 1980.
• Conexionista (subsimbólica): redes neurais, aprendizado a partir de dados. Domínio atual.
• Híbrida (neuro-simbólica): combina aprendizado profundo com raciocínio lógico. Tendência emergente.

Bate-papo com o Seu Teoffilo

Em prova federal, decora os marcos: Turing 1950 (Teste); Dartmouth 1956 (McCarthy cunha "AI"); Deep Blue 1997; AlexNet 2012; Transformer 2017; ChatGPT 30/11/2022. Esses 6 marcos resolvem boa parte das questões históricas.

Prof. Affonsinho explica, Módulo 02

2 Tipos de IA

ANI - Artificial Narrow Intelligence (IA Estreita)

Também chamada de Weak AI (IA fraca). É a IA que existe hoje. Características:

• Especializada em tarefa(s) específica(s).
• Não tem consciência, intencionalidade ou compreensão genuína.
• Excelente no que foi treinada; ineficaz fora do domínio.

Exemplos: assistentes de voz (Siri, Alexa), motores de busca, sistemas de recomendação (Netflix, Spotify), tradutores automáticos, classificadores de imagem, jogos (xadrez, Go), chatbots, mesmo os mais avançados LLMs como GPT-5 e Claude 4.7. Embora pareçam "gerais" pela amplitude de respostas, ainda são considerados ANI por especialistas (não têm autonomia, intencionalidade real, raciocínio causal robusto fora do treinamento).

AGI - Artificial General Intelligence (IA Geral)

Também chamada de Strong AI (IA forte) ou Human-Level AI. Características hipotéticas:

• Inteligência ampla, comparável à humana.
• Capacidade de aprender qualquer tarefa intelectual que um humano consiga.
• Raciocínio causal, transferência de conhecimento entre domínios.
• Possivelmente consciência (debate filosófico aberto).

Em 2026, AGI ainda não existe. OpenAI, DeepMind, Anthropic, Meta declaram trabalhar em direção a AGI. Há debate sobre quando chegará e mesmo se é possível. Estimativas variam de 5 anos a "talvez nunca".

ASI - Artificial Super Intelligence (Superinteligência)

Hipotética. Superaria amplamente a inteligência humana em todos os campos. Conceito explorado por Nick Bostrom em "Superintelligence: Paths, Dangers, Strategies" (2014). Em ficção, é a "singularidade tecnológica" (Vernor Vinge, Ray Kurzweil). Riscos existenciais associados (alinhamento, controle).

Outras classificações

Por capacidade (Arend Hintze, 2016)

• Tipo 1 - Reativa: responde a estímulos sem memória ou aprendizado. Deep Blue.
• Tipo 2 - Memória limitada: usa experiências passadas. Maioria do ML moderno.
• Tipo 3 - Teoria da mente: hipotético, entende emoções, intenções de outros.
• Tipo 4 - Autoconsciência: hipotético, ciência da própria existência.

Por funcionalidade

• Sistemas Especialistas: regras explícitas em domínio (MYCIN para diagnóstico médico).
• Aprendizado de Máquina (ML): aprende com dados. Subconjuntos: aprendizado profundo (DL).
• Processamento de Linguagem Natural (NLP): compreensão e geração de linguagem.
• Visão Computacional: reconhecimento de imagens e vídeos.
• Robótica: integra sensores, motores, percepção.
• IA Generativa: cria conteúdo (texto, imagem, áudio, vídeo).
• Agentic AI: sistemas autônomos que tomam decisões e executam ações.

Relação IA / ML / DL

Hierarquia conceitual (visualização clássica):

• IA (todo o campo): sistemas que simulam inteligência. Engloba lógica simbólica, sistemas especialistas, ML.
• ML (Machine Learning): subconjunto da IA. Sistemas que aprendem com dados sem ser explicitamente programados.
• DL (Deep Learning): subconjunto do ML. Usa redes neurais profundas (muitas camadas).
• IA Generativa: subconjunto do DL. Gera conteúdo novo (LLMs, GANs, modelos de difusão).

Em prova: IA ⊃ ML ⊃ DL ⊃ IA generativa.

Áreas correlatas

• Data Science: ciência de dados, ampla, inclui ML e estatística.
• Big Data: dados em escala. Volume, variedade, velocidade, veracidade, valor (5 Vs).
• Estatística: base matemática.
• Engenharia de Software: ferramenta de implementação.
• Neurociência computacional: inspirou redes neurais.

Pegadinha da Dotôra Soffya

Cuidado em prova: ANI = Weak AI = IA atual; AGI = Strong AI = ainda não existe; ASI = superinteligência = ficcional. ChatGPT, Gemini, Claude são ANI, mesmo parecendo "gerais". E lembra a hierarquia: IA ⊃ ML ⊃ DL ⊃ IA generativa. Banca explora essa relação.

Prof. Affonsinho explica, Módulo 03

3 Tipos de aprendizado

Aprendizado Supervisionado

O modelo aprende a partir de dados rotulados: cada exemplo tem entrada e saída desejada. O modelo descobre o mapeamento.

Tarefas típicas:

• Classificação: rótulo categórico. Spam ou não spam, doença ou saudável, gato ou cachorro.
• Regressão: rótulo numérico. Preço de imóvel, temperatura, tempo de entrega.

Exemplos de algoritmos: regressão linear, regressão logística, k-NN, árvore de decisão, SVM, redes neurais.

Aprendizado Não Supervisionado

Dados sem rótulo. O modelo descobre padrões e estrutura.

Tarefas típicas:

• Clustering (agrupamento): agrupar exemplos similares. Segmentação de clientes, detecção de comunidades. Algoritmos: k-means, DBSCAN, hierárquico.
• Redução de dimensionalidade: PCA, t-SNE, UMAP. Visualização, compressão.
• Detecção de anomalias: identificar exemplos atípicos. Fraude, defeito.
• Aprendizado de regras de associação: cesta de mercado (Apriori, FP-Growth).

Aprendizado por Reforço (Reinforcement Learning - RL)

Agente interage com ambiente, recebe recompensa ou punição conforme suas ações, aprende a maximizar recompensa acumulada. Inspirado em comportamento animal (skinneriano).

Componentes: agente, ambiente, estado, ação, recompensa, política, valor.

Algoritmos famosos: Q-learning, SARSA, DQN (Deep Q-Network), A3C, PPO, Actor-Critic.

Aplicações: jogos (AlphaGo, AlphaZero), robótica, controle de tráfego, otimização industrial, recomendação adaptativa, RLHF (Reinforcement Learning from Human Feedback) que treina LLMs.

Outros tipos modernos

• Aprendizado Semi-supervisionado: pequena parte rotulada + maioria não rotulada. Aproveita ambos.
• Aprendizado Auto-supervisionado (Self-supervised): rótulos derivados automaticamente dos próprios dados. É como o GPT é treinado: prevê próxima palavra dada a anterior. Sem rótulos humanos. Permitiu treinar modelos enormes com dados massivos da web.
• Transfer Learning (transferência): pega modelo pré-treinado e adapta para outra tarefa relacionada. Comum em visão (ResNet) e linguagem (BERT, GPT). Reduz custo de treinamento.
• Meta-learning (aprender a aprender): modelos que aprendem rapidamente novas tarefas com poucos exemplos.
• Federated Learning: treina modelos sem centralizar dados (privacidade).
• Continual Learning / Online Learning: aprende continuamente sem esquecer (problema de "catastrophic forgetting").
• Few-shot, Zero-shot: capacidade de generalizar com pouquíssimos ou nenhum exemplo.

Pipeline de ML

1. Coleta de dados: dataset com qualidade.
2. Pré-processamento: limpeza, normalização, encoding, tratamento de valores faltantes.
3. Feature engineering: criar variáveis úteis (em DL, menos manual).
4. Divisão: treino, validação, teste (típico 70-15-15 ou 80-10-10).
5. Treinamento: ajusta parâmetros do modelo.
6. Avaliação: métricas (acurácia, precisão, recall, F1, AUC para classificação; MSE, RMSE, MAE para regressão).
7. Tuning: hiperparâmetros (grid search, random search, Bayesian, AutoML).
8. Deploy: produção.
9. Monitoramento: drift, performance.

Métricas comuns

Para classificação:

• Acurácia: total de acertos / total. Pode enganar em desbalanceado.
• Precisão: dos preditos positivos, quantos são realmente positivos.
• Recall (sensibilidade): dos realmente positivos, quantos foram detectados.
• F1-score: média harmônica de precisão e recall.
• Curva ROC, AUC: relação verdadeiros positivos × falsos positivos.
• Matriz de confusão: TP, TN, FP, FN.

Para regressão: MSE (erro quadrático médio), RMSE, MAE (erro absoluto médio), R² (coeficiente de determinação).

Overfitting × Underfitting

• Underfitting: modelo simples demais, não captura padrões. Erro alto em treino e teste.
• Overfitting: modelo complexo demais, decora ruído. Erro baixo em treino, alto em teste.
• Bias-variance tradeoff: equilíbrio entre simplicidade e flexibilidade.
• Regularização: técnica para evitar overfitting (L1, L2, dropout, early stopping).
• Cross-validation (k-fold): avalia em múltiplas partições para reduzir variância.

Dica do Raffinha

Em prova, decora os 3 tipos clássicos: supervisionado (rótulo), não supervisionado (sem rótulo), por reforço (recompensa). Mais o moderno: auto-supervisionado (rótulos derivados automaticamente, base dos LLMs). E lembra do RLHF que ajusta os LLMs com feedback humano.

Prof. Affonsinho explica, Módulo 04

4 Algoritmos clássicos e DL

Algoritmos clássicos de ML

• Regressão Linear: relação linear entre variáveis. Modelo simples, base.
• Regressão Logística: classificação binária; output em probabilidade [0,1].
• Árvore de Decisão: decisões em árvore. Interpretável. ID3, C4.5, CART.
• Random Forest: ensemble de árvores. Robusto, popular.
• Gradient Boosting: ensemble incremental. XGBoost, LightGBM, CatBoost. Muito popular em competições Kaggle.
• SVM (Support Vector Machine): encontra hiperplano separador ótimo. Bom em dados de alta dimensão.
• k-NN (k-Nearest Neighbors): classifica pelo voto dos k vizinhos mais próximos. Sem treinamento (lazy learning).
• k-means: clustering em k grupos. Iterativo, simples.
• DBSCAN: clustering por densidade. Não exige k pré-definido.
• Naive Bayes: classificador probabilístico baseado no teorema de Bayes. Famoso em filtros de spam.
• PCA (Principal Component Analysis): redução de dimensionalidade.
• Apriori: regras de associação (cesta de mercado).

Redes Neurais Artificiais (RNA)

Inspiradas no cérebro biológico (de longe). Componentes:

• Neurônio (perceptron): unidade que recebe entradas, multiplica por pesos, soma, aplica função de ativação.
• Camadas: entrada, ocultas, saída.
• Função de ativação: sigmoid (legado), tanh, ReLU (mais comum hoje), GELU, Leaky ReLU.
• Pesos e viés: parâmetros que se ajustam.
• Função de perda (loss): mede erro. MSE, cross-entropy.
• Backpropagation (retropropagação): algoritmo que ajusta pesos. Inventado nos anos 1970, popularizado em 1986 por Rumelhart, Hinton, Williams.
• Otimizador: SGD, Adam, AdamW. Como atualizar pesos.

Deep Learning

Deep Learning (DL) é ML com redes neurais "profundas" (muitas camadas ocultas). Decolou a partir de 2010-2012 com:

• Big Data: dados massivos (ImageNet, web).
• GPU: aceleração de computação paralela. NVIDIA dominou.
• Frameworks: TensorFlow (Google, 2015), PyTorch (Meta, 2016), JAX.
• Avanços algorítmicos: ReLU, dropout, batch normalization, Adam optimizer.

Arquiteturas de Deep Learning

• MLP (Multi-Layer Perceptron): rede neural totalmente conectada. Genérica.
• CNN (Convolutional Neural Network): especializada em imagens. Convolução, pooling. Pioneer: LeNet (LeCun, 1998); ressurgiu com AlexNet (2012). Padrão atual: ResNet, EfficientNet, Vision Transformer.
• RNN (Recurrent Neural Network): especializada em sequências. Estado oculto. Problema: vanishing gradient.
• LSTM (Long Short-Term Memory): variante de RNN que resolve gradient. Hochreiter e Schmidhuber, 1997.
• GRU (Gated Recurrent Unit): variante simplificada do LSTM (2014).
• Transformer (2017): arquitetura que abandonou recorrência em favor de atenção (self-attention). Permitiu paralelização e escalabilidade. Base de TODOS os LLMs modernos. Artigo "Attention Is All You Need" (Vaswani et al.).
• GAN (Generative Adversarial Network): gerador × discriminador competindo. Goodfellow, 2014. Base de muitas aplicações de geração de imagem.
• Autoencoders: compressão e geração. VAE (Variational Autoencoder).
• Diffusion Models: geração por desnoização. Base de Stable Diffusion, DALL-E 3+, Midjourney.
• Graph Neural Networks (GNN): para dados em grafos.
• Mixture of Experts (MoE): subnetworks especializadas. Em LLMs modernos (GPT-4, Mixtral).

Visão computacional

• Classificação de imagem: gato? cachorro? câncer? Modelos: AlexNet, VGG, ResNet, EfficientNet, ViT.
• Detecção de objetos: localizar e classificar. YOLO, Faster R-CNN, DETR.
• Segmentação semântica: rotular cada pixel. U-Net, Mask R-CNN, SAM (Segment Anything Model, Meta 2023).
• Reconhecimento facial: FaceNet, DeepFace.
• OCR: reconhecimento de texto em imagem. Tesseract, modelos modernos.
• Geração de imagem: GANs, modelos de difusão (Stable Diffusion, DALL-E, Midjourney, Imagen).

NLP - Processamento de Linguagem Natural

• Tokenização, lemmatização, stemming.
• Bag of Words, TF-IDF: representações clássicas.
• Word2Vec (2013), GloVe: embeddings que capturam semântica.
• BERT (2018): bidirectional encoder, fine-tunable. Padrão para classificação NLP.
• GPT (Generative Pre-trained Transformer): decoder, generativo. GPT-1 (2018), GPT-2 (2019), GPT-3 (2020), GPT-4 (2023), GPT-4o (2024), GPT-5 e GPT-5.5 (2025-2026).
• T5: text-to-text. Google.
• LLaMA (Meta): open weights, popular para fine-tuning local.
• Aplicações: tradução, sumarização, geração de texto, análise de sentimento, perguntas e respostas, chatbots.

Bate-papo com o Seu Teoffilo

Em prova federal, decora as 4 arquiteturas principais de DL: CNN (visão), RNN/LSTM (sequência), Transformer (linguagem, base dos LLMs), GAN (generativa). Em ML clássico: regressão (linear/logística), árvore (ID3/CART/Random Forest/XGBoost), k-NN, k-means, SVM, Naive Bayes. Esses 9 algoritmos cobrem boa parte do que cai.

Prof. Affonsinho explica, Módulo 05

5 LLMs e IA generativa

O que é um LLM

Um Large Language Model (LLM) é uma rede neural de bilhões a trilhões de parâmetros, treinada em grande parte da internet (e mais), capaz de gerar texto coerente, responder perguntas, programar, traduzir, resumir, raciocinar (com limitações). Baseados na arquitetura Transformer.

Principais LLMs em 2026

• OpenAI GPT: GPT-3 (2020), GPT-4 (mar/2023), GPT-4o multimodal (mai/2024), GPT-5 e GPT-5.5 (2025-2026). Por trás do ChatGPT.
• Google Gemini: Gemini 1, 1.5, 2, 3 (2023-2026). Multimodal nativo. Por trás do Gemini app, integrado ao Workspace.
• Anthropic Claude: Claude 1, 2, 3 (Haiku/Sonnet/Opus), 3.5, 4, 4.5, 4.6, 4.7. Foco em segurança e raciocínio. Atualmente, o Claude 4.7 é o utilizado neste tipo de geração de conteúdo.
• Meta Llama: Llama 1, 2, 3, 4. Open weights (modelos abertos). Permite fine-tuning local.
• Mistral (francesa): Mistral 7B, Mixtral, Mistral Large.
• DeepSeek (chinesa): R1, V3. Causou impacto em 2025 com performance alta a baixo custo.
• Alibaba Qwen: open weights chinês.
• xAI Grok: linha de Elon Musk.
• Cohere Command: foco corporativo.

Como um LLM funciona (simplificado)

1. Pré-treinamento: rede neural de bilhões de parâmetros treinada em texto massivo (livros, web, Wikipedia, código), aprendendo a prever próximo token. Auto-supervisionado.
2. Fine-tuning supervisionado: ajusta para seguir instruções, ser útil, evitar conteúdo nocivo.
3. RLHF (Reinforcement Learning from Human Feedback): humanos avaliam saídas; modelo aprende a preferir respostas melhor avaliadas.
4. RLAIF / Constitutional AI: variantes que usam IA na avaliação.
5. Inference: usuário envia prompt; modelo gera resposta token a token.

Capacidades emergentes

LLMs grandes desenvolvem habilidades não programadas explicitamente: raciocínio em múltiplos passos, "few-shot learning" (aprender com poucos exemplos no prompt), tradução, programação, análise, escrita criativa. São consideradas capacidades emergentes que aparecem com escala.

Multimodalidade

Modelos modernos não tratam só texto. Multimodais aceitam e produzem:

• Texto.
• Imagem (entrada e saída).
• Áudio (voz).
• Vídeo (em ascensão: Sora da OpenAI, Veo do Google, Gemini Vision).
• Código.

Prompt Engineering

A arte de formular instruções para extrair o melhor de um LLM. Princípios:

• Seja claro e específico: descreva tarefa, contexto, formato esperado.
• Forneça exemplos (few-shot prompting).
• Decomponha tarefas complexas em passos.
• Chain-of-thought (CoT): peça para "pensar passo a passo". Melhora raciocínio.
• Persona: peça que assuma um papel ("Você é um advogado experiente...").
• Restrições: defina limites (formato, tamanho, tom).
• Iteração: refine o prompt baseado nas respostas.

RAG - Retrieval-Augmented Generation

O LLM busca informações em base externa (documentos, banco de dados) antes de responder. Garante:

• Atualização: mesmo após data de corte do treinamento.
• Especificidade: usa dados privados/corporativos.
• Citação: pode referenciar fontes.
• Redução de alucinações.

Implementação típica: vetorização (embeddings) → busca por similaridade em vector store (Pinecone, Weaviate, ChromaDB) → contexto injetado no prompt → LLM gera resposta.

Fine-tuning

Treinar adicional sobre modelo pré-treinado para especializar. Variantes:

• Full fine-tuning: ajusta todos os parâmetros (caro).
• LoRA, QLoRA: ajusta apenas parte (eficiente).
• Prompt tuning, prefix tuning: ajusta apenas embeddings.
• Distillation: treina modelo menor a partir de maior.

Agentes de IA

Sistemas que combinam LLM + ferramentas + memória para executar tarefas em múltiplos passos com autonomia. Conceitos:

• Tool use / function calling: LLM chama APIs.
• ReAct: Reason + Act.
• Memória: curta (contexto) e longa (vector DB).
• Frameworks: LangChain, LlamaIndex, AutoGPT, BabyAGI, Microsoft AutoGen.

IA generativa em outras modalidades

• Imagem: DALL-E, Midjourney, Stable Diffusion, Imagen, Firefly.
• Áudio: ElevenLabs (voz), MusicLM, Suno, Udio (música).
• Vídeo: Sora, Runway Gen-3, Veo, Kling, Pika.
• Código: GitHub Copilot, Cursor, Codeium.
• 3D: Point-E, GET3D.

Coach Jeff manda a real

Em prova de IA, decora: Transformer (2017) é a base. LLMs são treinados em 3 fases (pré-treino auto-supervisionado, fine-tuning, RLHF). Multimodal: texto + imagem + áudio + vídeo. Prompt engineering: clareza, exemplos, decomposição, CoT. RAG: busca externa antes de gerar. Esses 5 conceitos resolvem boa parte das questões modernas.

Prof. Affonsinho explica, Módulo 06

6 Riscos e ética em IA

Vieses (bias)

Modelos aprendem com dados históricos. Se os dados refletem desigualdades estruturais, o modelo as reproduz e amplifica. Tipos:

• Bias de dado: dataset desbalanceado. Ex: poucos exemplos de mulher em programação → modelo associa programador a homem.
• Bias de seleção: amostra não representa a população.
• Bias de medição: erro sistemático na coleta.
• Bias de confirmação: dados rotulados conforme expectativa.
• Bias histórico: discriminações passadas codificadas.
• Bias algorítmico: escolhas de design amplificam desigualdades.

Casos famosos:

• Amazon descontinuou ferramenta de recrutamento que rebaixava CVs femininos (2018).
• COMPAS (sistema de risco criminal nos EUA) acusava negros de risco mais alto incorretamente (ProPublica, 2016).
• Reconhecimento facial errava mais em pessoas negras (NIST, Buolamwini).
• LLMs reproduzem estereótipos de gênero, raça e classe.

Mitigação: dados representativos, fairness metrics, auditoria de modelo, debiasing techniques.

Alucinações

Alucinação é quando o LLM gera informação falsa apresentada como verdadeira: cita lei inexistente, inventa autor, distorce fato, atribui frase errada. Causas:

• Modelo otimiza para coerência, não para verdade.
• Treinamento em dados conflituosos ou errôneos.
• Generalização excessiva.
• Ausência de fact-checking interno.

Mitigação: RAG, citação de fontes, verificação humana, fine-tuning para honestidade, "I don't know" como resposta válida.

Deepfakes

Mídia sintética hiper-realista (vídeo, áudio, imagem) gerada por IA. Ameaças:

• Desinformação política: vídeos falsos de candidatos.
• Fraude financeira: voz clonada de executivo solicitando transferência.
• Pornografia não consensual: rostos de pessoas reais em conteúdo sexual.
• Engenharia social: vídeo-chamada falsa.
• Erosão da confiança em mídia: "tudo pode ser fake".

Detecção: ferramentas forenses (deepfake detection), watermark obrigatório (AI Act, EO Biden), proveniência de mídia (C2PA, Content Authenticity Initiative). Brasil: TSE proibiu deepfakes em campanha eleitoral (Resolução 23.732/2024).

Outros riscos

• Automação maliciosa: phishing personalizado em escala, malware autoescrito.
• Vigilância em massa: reconhecimento facial em tempo real, perfil comportamental.
• Concentração de poder: poucas empresas dominam infraestrutura.
• Dependência: profissionais perdem habilidades.
• Plágio e copyright: treinamento em obras protegidas.
• Desinformação: geração massiva de conteúdo enganoso.
• Bolha algorítmica: filtro homogeneíza visão de mundo.
• Risco existencial: hipotético, ASI mal alinhada.
• Ambiental: treino de LLM consome energia massiva.
• Trabalho: deslocamento de empregos em escala (estudos OCDE, FMI 2023-2024).

Princípios éticos da IA

Vários frameworks (UNESCO, OCDE, UE, NIST, instituições privadas) convergem em princípios:

• Beneficência: IA para o bem.
• Não maleficência: não causar dano.
• Autonomia: respeito à autodeterminação humana.
• Justiça: equidade, ausência de discriminação.
• Explicabilidade / Transparência: usuários entendem como decisões são tomadas.
• Responsabilidade / Accountability: alguém responde pelas consequências.
• Privacidade: dados protegidos.
• Segurança: robusto contra ataques.
• Sustentabilidade: ambiental e social.
• Supervisão humana: human-in-the-loop em decisões críticas.

Alinhamento (alignment)

Garantir que IA atue conforme valores humanos. Problema central: como expressar valores complexos? Variantes:

• RLHF: aprende com feedback humano.
• Constitutional AI: regras explícitas.
• Red teaming: equipe tenta quebrar o sistema.
• AI safety: campo dedicado.

XAI - Explainable AI

Conjunto de técnicas para tornar decisões de IA interpretáveis. Ferramentas: LIME, SHAP, GradCAM, contrafactuais. Importante para domínios regulados (saúde, finanças, justiça).

Pegadinha da Dotôra Soffya

Em prova, decora: vieses vêm dos dados (e do design); IA reproduz desigualdade. Alucinações = LLM inventa info plausível mas falsa. Deepfakes = mídia sintética hiper-realista. Princípios éticos: justiça, transparência, responsabilidade, privacidade, supervisão humana. Banca cobra essas distinções.

Prof. Affonsinho explica, Módulo 07

7 Marcos regulatórios

PL 2.338/2023 - Marco Legal da IA no Brasil

Projeto de Lei elaborado pela Comissão de Juristas do Senado (CJSUBIA), aprovado pelo Senado em 10 de dezembro de 2024. Em tramitação na Câmara dos Deputados em 2026. Características:

• Inspirado no AI Act europeu (abordagem por risco).
• Objetivos, princípios, fundamentos.
• Direitos das pessoas afetadas (informação, contestação, explicação, supervisão humana).
• Categorização de sistemas de IA por nível de risco:
  • Risco excessivo (proibido): manipulação subliminar prejudicial; exploração de vulnerabilidades de grupos específicos; classificação social pelo poder público (social scoring).
  • Alto risco: educação, saúde, justiça, segurança pública, recrutamento, biometria, infraestruturas críticas. Requisitos rigorosos.
  • Demais sistemas: requisitos proporcionais.
• Avaliação preliminar de impacto algorítmico.
• Governança e responsabilização (controlador, operador, provedor).
• Autoridade competente (a definir; provavelmente ANPD ampliada).
• Sanções administrativas (multas).

EU AI Act (Regulamento UE 2024/1689)

Aprovado em 13 de junho de 2024; publicado em julho de 2024; vigência progressiva 2025-2027. Primeira regulação ampla de IA do mundo. Principais pontos:

• Aplicação extraterritorial (similar GDPR).
• Categorização por risco:
  • Risco inaceitável (proibido): social scoring, manipulação cognitiva, biometria em tempo real em espaços públicos (com exceções estritas), categorização biométrica de raça/orientação, predição criminal individual baseada apenas em perfil.
  • Alto risco: infraestruturas críticas, educação, emprego, serviços essenciais, justiça, migração, biometria. Sujeitos a requisitos: gestão de risco, dados, documentação, supervisão humana, robustez.
  • Risco limitado: chatbots, sistemas que geram conteúdo (transparência exigida; deepfakes devem ser rotulados).
  • Risco mínimo: maioria, sem requisitos específicos.
• Modelos GPAI (General-Purpose AI - LLMs grandes): obrigações específicas, especialmente para "modelos de risco sistêmico".
• Sandboxes regulatórios para inovação.
• European AI Office (criado em 2024).
• Sanções: até 7% do faturamento global (mais que o GDPR).

NIST AI Risk Management Framework (AI RMF 1.0)

Publicado em 26 de janeiro de 2023 pelo NIST (EUA). Voluntário. Estrutura em 4 funções:

1. Govern (Governar): cultura, política, processos.
2. Map (Mapear): contexto, riscos.
3. Measure (Medir): avaliar riscos com métricas.
4. Manage (Gerenciar): priorizar, mitigar.

Há também o NIST AI RMF Generative AI Profile (2024) específico para IA generativa.

Princípios OCDE de IA

Adotados em 22 de maio de 2019, primeiros princípios intergovernamentais sobre IA. Atualizados em maio de 2024. Cinco princípios baseados em valores:

1. Crescimento inclusivo, desenvolvimento sustentável e bem-estar.
2. Direitos humanos e valores democráticos, incluindo justiça e privacidade.
3. Transparência e explicabilidade.
4. Robustez, segurança e proteção.
5. Responsabilização (accountability).

Brasil é signatário desde 2019.

UNESCO Recomendação sobre Ética da IA

Adotada em 23 de novembro de 2021 em Paris. Primeiro instrumento normativo global sobre ética em IA. 193 países (incluindo o Brasil) assinaram. 11 princípios, 4 valores. Foco em direitos humanos, dignidade, sustentabilidade, dados pessoais.

EO Biden e EO Trump (EUA)

• Executive Order 14110/2023 (Biden): requisitos para desenvolvedores de modelos fundacionais grandes, segurança, biotecnologia, padrões.
• EO de 2025 (Trump, "AI Action Plan"): revogou parte da EO Biden. Foca em redução de regulação, competitividade.

LGPD e IA

A LGPD (vista na aula 14) é o principal marco brasileiro relacionado à IA. Pontos especialmente relevantes:

• Art. 20: direito à revisão de decisões automatizadas que afetem interesses do titular.
• Princípios: finalidade, transparência, segurança, não discriminação aplicáveis a IA.
• RIPD (Relatório de Impacto à Proteção de Dados Pessoais) frequentemente exigido em projetos de IA.
• Bases legais: tratamento de dados para treinar IA exige base (consentimento, legítimo interesse, etc.).

Brasil: outras iniciativas

• EBIA (Estratégia Brasileira de IA, 2021): plano nacional de IA.
• PBIA 2024-2028 (Plano Brasileiro de IA): programa do governo Lula.
• CADE: investiga concentração de mercado em IA.
• STF: discussões sobre uso de IA em decisões judiciais (Resolução CNJ 332/2020 disciplinou ética e governança de IA no Judiciário).
• Resolução TSE 23.732/2024: regula uso de IA em campanhas eleitorais (rotulagem obrigatória de conteúdo gerado, proibição de deepfakes).

Bate-papo com o Seu Teoffilo

Em prova federal, decora: PL 2.338/2023 (Marco Legal IA Brasil, aprovado no Senado em 12/2024); EU AI Act (Regulamento 2024/1689, vigência progressiva); NIST AI RMF 1.0 (2023, 4 funções); Princípios OCDE (2019, atualizados 2024); UNESCO Recomendação (2021); LGPD Art. 20 (revisão automatizada). Esses 6 marcos são os mais cobrados.

! Encontro com o vilão final

O Doutrinador do STF é o vilão da última aula da disciplina. Escreveu o livro que a banca usou pra montar a questão. Em IA, ele cobra distinções entre ANI, AGI, ASI; tipos de aprendizado; relação IA-ML-DL; arquiteturas (CNN, RNN, Transformer); e os marcos regulatórios brasileiro e europeu. Ele é o vilão mais sofisticado: exige domínio técnico-conceitual + atualização constante.

O vilão da aula: Doutrinador do STF

Ele troca ANI × AGI × ASI, IA × ML × DL, supervisionado × não supervisionado × reforço × auto-supervisionado, CNN × RNN × Transformer, PL 2.338/2023 × AI Act, e cobra detalhes do NIST AI RMF e dos princípios OCDE. Atenção máxima.

Como derrotar o Doutrinador:

1. Memorize: ANI (existe hoje) × AGI (não existe) × ASI (ficcional).
2. Memorize: IA ⊃ ML ⊃ DL ⊃ IA generativa.
3. Memorize: 4 tipos clássicos de aprendizado + auto-supervisionado (LLMs) + transfer learning.
4. Memorize: Transformer (2017) é a base dos LLMs. RLHF ajusta os modelos para serem úteis e seguros.
5. Memorize: Turing 1950 (Teste); Dartmouth 1956 (McCarthy cunha "AI"); ChatGPT 30/11/2022.
6. Memorize: PL 2.338/2023 (Brasil), AI Act 2024/1689 (UE), NIST AI RMF 1.0 (2023), OCDE 2019/2024, UNESCO 2021, LGPD Art. 20.

◆ Mapa mental

↻ Revisão relâmpago

5 minutos antes da prova, leia só isto.

1. IA: ramo da computação para sistemas que realizam tarefas que exigem inteligência.
2. Marcos: Turing (1950, Teste); Dartmouth (1956, McCarthy cunha "AI"); Deep Blue (1997); AlexNet (2012); Transformer (2017); ChatGPT (30/11/2022).
3. ANI (Weak AI): atual, especializada (ChatGPT, Gemini, Claude).
4. AGI (Strong AI): inteligência humana ampla; ainda não existe.
5. ASI (Super): ficcional, supera amplamente humanos.
6. Hierarquia: IA ⊃ ML ⊃ DL ⊃ IA Generativa.
7. Áreas: ML, DL, NLP, visão computacional, robótica, sistemas especialistas.
8. Aprendizado supervisionado: rotulado (classificação, regressão).
9. Não supervisionado: sem rótulo (clustering, redução).
10. Por reforço: recompensa (jogos, robôs, RLHF para LLMs).
11. Auto-supervisionado: rótulos derivados dos próprios dados (treinar LLMs).
12. Transfer learning: adapta modelo pré-treinado.
13. Algoritmos clássicos: regressão linear/logística, árvore (RF, XGBoost), SVM, k-NN, k-means, Naive Bayes, PCA.
14. Redes neurais: perceptron, MLP. Ativação ReLU. Backpropagation.
15. Deep Learning: muitas camadas. Decolou com Big Data + GPU + frameworks (TensorFlow, PyTorch).
16. Arquiteturas: CNN (visão, AlexNet 2012); RNN/LSTM (sequência); Transformer (linguagem, 2017); GAN (Goodfellow 2014); Diffusion (geração imagem).
17. LLMs: GPT, Gemini, Claude, Llama, Mistral. Treinamento: pré-treino auto-supervisionado + fine-tuning + RLHF.
18. Multimodal: texto + imagem + áudio + vídeo.
19. Prompt engineering: clareza, exemplos (few-shot), CoT, persona.
20. RAG: busca em base externa + geração. Reduz alucinação.
21. Vieses: dados refletem desigualdades; modelo amplifica.
22. Alucinações: LLM gera info falsa plausível.
23. Deepfakes: mídia sintética hiper-realista.
24. Princípios éticos: justiça, transparência, responsabilidade, privacidade, supervisão humana, beneficência.
25. Regulação: PL 2.338/2023 (Brasil, aprovado Senado 12/2024); EU AI Act 2024/1689; NIST AI RMF 1.0 (2023); OCDE 2019/2024; UNESCO 2021; LGPD Art. 20 (revisão automatizada).

Você está pronto

25 pontos densos sobre IA. Bora para as 10 questões finais da disciplina.

? 10 questões comentadas (finais)

Foco em conceitos, ANI/AGI/ASI, IA-ML-DL, tipos de aprendizado, Transformer/LLMs, regulação (PL 2.338/2023, AI Act, NIST AI RMF, OCDE).

Dica do Fuffu

Decora: IA ⊃ ML ⊃ DL ⊃ IA Generativa; 4 tipos de aprendizado; Transformer 2017; PL 2.338/2023 Brasil; EU AI Act 2024; LGPD Art. 20. Esses 6 conceitos resolvem 70%.