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.