INTELIGÊNCIA ARTIFICIAL

Prof. Eduardo Mineiro

Unidade Escolar Francisco Sales Martins

Ensino Médio
SUMÁRIO
Módulo 1: Introdução à Inteligência Artificial ........................................................ 3

1.1 O que é inteligência artificial? ..................................................................... 3

1.2 Breve história da IA ..................................................................................... 4

1.3 Tipos de inteligência artificial....................................................................... 5

1.4 Aplicações da IA em diferentes áreas ......................................................... 6

Módulo 2: Aprendizado de Máquina ..................................................................... 7

2.1 Conceitos básicos do aprendizado de máquina ......................................... 8

2.2 Algoritmos de aprendizado de máquina ..................................................... 9

2.3 Processo de aprendizado de máquina ......................................................11

2.4 Ferramentas e bibliotecas para aprendizado de máquina ....................... 12

Módulo 3: Deep Learning .................................................................................... 14

3.1 O que é Deep Learning? ........................................................................... 14

3.2 Rede Neural Convolucional (CNN): reconhecimento de imagens ........... 15

3.3 Rede Neural Recorrente (RNN): processamento linguagem natural ...... 16

3.4 Arquiteturas de Deep Learning populares ................................................ 18

3.5 Aplicações de Deep Learning ................................................................... 19

Módulo 4: Impacto da IA na Sociedade .............................................................. 20

4.1 Benefícios da IA......................................................................................... 20

4.2 Desafios da IA............................................................................................ 22

4.3 O futuro da IA............................................................................................. 23

Módulo 5: IA em Desenvolvimentos de Pesquisa .............................................. 25

Referências bibliográficas ................................................................................... 27

Módulo 1: Introdução à Inteligência Artificial

Você já reparou como a Inteligência Artificial (IA) se tornou um assunto

quente ultimamente? É difícil passar um dia sem ouvir alguém falar sobre isso
na mídia ou nas redes sociais. Mas o que exatamente é essa tal de IA? Bem, a
verdade é que há muitas opiniões por aí.
Para alguns, a IA é como criar vida artificial tão inteligente que pode
superar os humanos. Tipo, estamos falando de robôs que pensam e agem como
nós. Mas outros veem IA de uma forma mais ampla, como qualquer sistema que
pode processar dados e fazer coisas de forma "inteligente". É como ter um amigo
virtual que sabe exatamente o que você precisa antes mesmo de você pedir.
Então, antes de mergulharmos nas aplicações de IA, é importante
entender alguns conceitos básicos. A IA é uma mistura de várias áreas, como
ciência da computação, matemática, filosofia e até psicologia. É como se fosse
uma grande mistura de bolo de conhecimento, onde jogamos um pouco de
raciocínio, aprendizado, percepção e tomada de decisão e mexemos tudo até
ficar bem misturado.
Apesar de ser meio novata no pedaço, a IA já está em todo lugar, muitas
vezes sem a gente nem perceber. Sabe aquelas sugestões de filmes na Netflix
que parecem que conhecem seus gostos melhor do que você mesmo? Ou
aqueles carros que dirigem sozinhos e parecem até mais confiáveis do que
alguns motoristas por aí? Isso tudo é IA trabalhando nos bastidores, fazendo
coisas que antes só pareciam possíveis nos filmes de ficção científica.
Então, vamos explorar mais sobre essas aplicações legais, os avanços
recentes, os desafios que a IA enfrenta e até o que podemos esperar do futuro.
Parece emocionante, não é mesmo? Afinal, quem sabe o que o futuro nos
reserva com toda essa tecnologia inteligente ao nosso redor?

1.1 O que é inteligência artificial?

A inteligência artificial (IA) é um campo da ciência da computação que se

concentra no desenvolvimento de sistemas capazes de realizar tarefas que
normalmente exigiriam inteligência humana. Essas tarefas incluem coisas como
reconhecimento de fala, visão computacional, tomada de decisões, tradução de
idiomas e muito mais.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 3

 Existem diferentes tipos e abordagens de inteligência artificial, mas uma
das mais proeminentes é o aprendizado de máquina (machine learning), onde
os algoritmos são treinados com grandes quantidades de dados para reconhecer
padrões e fazer previsões. Dentro do aprendizado de máquina, há subcampos
como redes neurais, árvores de decisão, algoritmos de agrupamento, entre
outros.
A IA pode ser dividida em duas categorias principais: a IA fraca (também
conhecida como IA estreita), que se refere a sistemas que são projetados e
treinados para realizar uma tarefa específica, e a IA forte, que é uma inteligência
artificial geral capaz de aprender e executar qualquer tarefa que um ser humano
possa.
Atualmente, a IA está presente em muitos aspectos de nossas vidas,
desde assistentes virtuais em smartphones até sistemas de recomendação em
plataformas de streaming de vídeo. Ela também desempenha um papel
fundamental em campos como medicina, finanças, transporte, manufatura e
muito mais, impulsionando a automação e a eficiência em diversos setores. No
entanto, também levanta questões éticas e sociais, como privacidade, viés
algorítmico e o impacto no mercado de trabalho.

1.2 Breve história da IA

A história da inteligência artificial (IA) remonta a séculos, mas seus

avanços significativos começaram a partir do século XX. Breve cronologia dos
principais marcos na evolução da IA:
1. Década de 1940 e 1950: Os fundamentos da IA foram estabelecidos durante
esse período. Um marco importante foi o trabalho de Alan Turing, que propôs o
Teste de Turing em 1950, um critério para determinar a capacidade de uma
máquina de exibir comportamento inteligente.
2. Década de 1950 e 1960: Surge a ideia de programas de computador capazes
de simular a inteligência humana. O termo "inteligência artificial" é cunhado por
John McCarthy em 1956, durante a Conferência de Dartmouth, considerada o
marco inicial da IA como campo de pesquisa.
3. Década de 1960 e 1970: Surgem os primeiros programas de IA, como o Logic
Theorist de Allen Newell e Herbert A. Simon, capaz de resolver problemas de

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 4

lógica proposicional. Também é desenvolvido o Eliza, um programa de
processamento de linguagem natural que simula uma conversa terapêutica.
4. Década de 1980 e 1990: O foco principal estava no desenvolvimento de
sistemas especialistas, que são programas de computador que imitam a
expertise humana em um domínio específico. Durante esse período, houve
avanços significativos em áreas como visão computacional, reconhecimento de
voz e planejamento automatizado.
5. Década de 2000 até o presente: O aprendizado de máquina se torna uma
abordagem dominante na IA, impulsionado pelo aumento da capacidade
computacional e pela disponibilidade de grandes conjuntos de dados. Algoritmos
como redes neurais profundas se destacam em tarefas de reconhecimento de
padrões e processamento de linguagem natural.

1.3 Tipos de inteligência artificial

Existem diferentes tipos de inteligência artificial (IA), cada um com

características e capacidades distintas. Os quatro tipos principais de IA são:
1. IA Reativa: Este tipo de IA opera no presente e não possui capacidade de
memória ou capacidade de aprendizado contínuo. Ela toma decisões com base
em um conjunto predefinido de regras e não tem consciência do contexto ou do
passado. Um exemplo é o Deep Blue, o computador desenvolvido pela IBM que
derrotou o campeão mundial de xadrez, Garry Kasparov, em 1997. O Deep Blue
analisava possíveis movimentos e escolhia o melhor com base em uma série de
regras de xadrez programadas.
2. IA com Memória Limitada: Esse tipo de IA é capaz de considerar o histórico
de eventos recentes, mas sua memória é limitada em comparação com a
memória humana. Ela pode usar informações recentes para tomar decisões,
mas não mantém um registro detalhado de eventos passados. Um exemplo seria
um sistema de recomendação de filmes que leva em consideração filmes
recentemente assistidos por um usuário ao recomendar filmes semelhantes.
3. IA com Teoria da Mente: Este tipo de IA é capaz de entender e modelar as
emoções, intenções e crenças de outras entidades. Ela pode prever o
comportamento humano com base na compreensão desses estados mentais.
Ainda em estágios iniciais de pesquisa, esse tipo de IA poderia ser útil em
campos como assistência virtual e interações sociais mais naturais.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 5

4. IA com Autoconsciência: Este é o tipo mais especulativo de IA e ainda está
distante da realidade atual. Envolve uma IA que não apenas entende o mundo
ao seu redor, mas também tem consciência de si mesma como um agente
separado. Ela teria uma compreensão de suas próprias capacidades, limitações
e experiências. Esse conceito levanta questões profundas sobre ética e filosofia,
e sua implementação prática está longe de ser alcançada.
Cada tipo de IA tem suas próprias aplicações e desafios associados. Enquanto
alguns já são amplamente utilizados, outros estão mais no reino da especulação
e da pesquisa teórica.

1.4 Aplicações da IA em diferentes áreas

A inteligência artificial (IA) tem uma ampla gama de aplicações em

diversas áreas. Aqui estão alguns exemplos:
1. Saúde:
Diagnóstico médico: Algoritmos de IA podem analisar imagens médicas, como
raios-X e ressonâncias magnéticas, para ajudar no diagnóstico precoce de
doenças.
Personalização do tratamento: IA pode analisar dados genéticos e históricos
médicos de pacientes para recomendar tratamentos personalizados.
Monitoramento de pacientes: Dispositivos equipados com IA podem monitorar
sinais vitais e alertar os profissionais de saúde sobre mudanças significativas no
estado do paciente.
2. Educação:
Tutoria personalizada: Sistemas de IA podem adaptar o conteúdo de
aprendizado com base no desempenho e nas necessidades individuais dos
alunos.
Análise de dados educacionais: IA pode ajudar a analisar grandes conjuntos de
dados educacionais para identificar padrões e tendências que auxiliam na
melhoria do ensino e aprendizado.
Plataformas de aprendizado adaptativo: Sistemas de IA podem ajustar o nível de
dificuldade e o estilo de ensino com base no progresso do aluno.
3. Indústria:
Manufatura inteligente: IA é usada para otimizar processos de produção, prever
falhas de equipamentos e melhorar a eficiência operacional.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 6

Manutenção preditiva: Algoritmos de IA analisam dados de sensores para prever
quando equipamentos industriais podem falhar, permitindo manutenção
preventiva.
Logística e cadeia de suprimentos: IA pode otimizar rotas de transporte,
gerenciar inventários e prever demanda de produtos.
4. Finanças:
Avaliação de risco de crédito: Algoritmos de IA analisam dados financeiros e
comportamentais para avaliar o risco de empréstimos.
Negociação algorítmica: IA é usada para identificar padrões nos mercados
financeiros e executar negociações automatizadas em alta velocidade.
Detecção de fraudes: Algoritmos de IA podem identificar padrões suspeitos em
transações financeiras para detectar atividades fraudulentas.
Esses são apenas alguns exemplos das muitas maneiras pelas quais a IA está
transformando diferentes setores. Seu potencial é vasto e continua a crescer à
medida que novas tecnologias e algoritmos são desenvolvidos e implementados.

Módulo 2: Aprendizado de Máquina

Vamos abordar uma parada superlegal que está revolucionando o mundo

da tecnologia: o Aprendizado de Máquina, ou como a galera mais antenada
chama, Machine Learning.
Então, imagina vocês aí, navegando na internet, curtindo umas fotos no
Instagram, assistindo vídeos no YouTube e de repente... bum! Aparecem um
monte de sugestões de coisas que vocês nem sabiam que queriam ver, mas que
são exatamente o que vocês estavam procurando. Isso é o poder do
Aprendizado de Máquina em ação!
Mas como é que funciona essa parada toda? Bem, o Aprendizado de
Máquina é como se fosse um cérebro artificial para as máquinas. Tipo, ele treina
os computadores para aprender com os dados e tomar decisões sem precisar
de muita intervenção humana.
Vocês sabem quando a gente fica jogando um jogo e, a cada partida, a
máquina vai ficando mais esperta e difícil de vencer? É isso aí! O Aprendizado
de Máquina é como se fosse o treinamento da máquina para ela aprender a jogar
melhor, só que em vez de jogos, ela aprende com fotos, textos, vídeos e um
monte de outros dados.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 7

 Então, galera, se vocês curtem tecnologia e querem entender como os
computadores estão ficando cada vez mais espertos, é bom começar a dar uma
olhada no mundo do Aprendizado de Máquina. Quem sabe vocês não se tornam
os próximos mestres da IA, né?

2.1 Conceitos básicos do aprendizado de máquina

O aprendizado de máquina (machine learning) é uma subárea da

inteligência artificial que se concentra no desenvolvimento de algoritmos e
técnicas que permitem aos computadores aprender a partir de dados e tomar
decisões sem serem explicitamente programados para isso. Os conceitos
básicos do aprendizado de máquina:
1. Regressão:
Regressão é uma técnica de aprendizado de máquina supervisionado utilizada
para prever valores numéricos com base em dados de entrada.
O objetivo da regressão é encontrar a relação entre as variáveis independentes
(features) e a variável dependente (target).
Exemplos incluem prever o preço de uma casa com base em características
como área, número de quartos, etc., ou prever a quantidade de vendas de um
produto com base em dados históricos.
2. Classificação:
Classificação é outra técnica de aprendizado de máquina supervisionado usada
para categorizar dados em classes ou categorias discretas.
O objetivo da classificação é construir um modelo que possa atribuir rótulos
(classes) a novos dados com base em padrões aprendidos a partir dos dados de
treinamento.
Exemplos incluem classificar e-mails como spam ou não spam, identificar se uma
transação financeira é fraudulenta ou não, ou reconhecer o conteúdo de imagens
(por exemplo, reconhecimento facial).
3. Agrupamento:
Agrupamento é uma técnica de aprendizado de máquina não supervisionado
usada para encontrar estruturas naturais ou padrões em conjuntos de dados,
agrupando os dados em clusters ou grupos semelhantes.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 8

Diferentemente da classificação, o agrupamento não envolve rótulos
predefinidos; em vez disso, os algoritmos de agrupamento identificam padrões
intrínsecos nos dados.
Exemplos incluem segmentação de clientes com base em comportamentos de
compra semelhantes, agrupamento de documentos por temas semelhantes ou
agrupamento de genes com base em expressões gênicas semelhantes.
Esses são os conceitos básicos do aprendizado de máquina que servem como
fundação para uma variedade de técnicas e algoritmos mais avançados. Cada
um desses conceitos desempenha um papel fundamental na análise e na
tomada de decisões a partir de dados em diferentes contextos e aplicações.

2.2 Algoritmos de aprendizado de máquina

Algoritmos de aprendizado de máquina são procedimentos

computacionais que permitem que um sistema automatizado aprenda a partir de
dados, reconheça padrões e tome decisões com o mínimo de intervenção
humana. Esses algoritmos são a base do campo da inteligência artificial,
especificamente do aprendizado de máquina, e são usados para uma variedade
de tarefas, desde classificação e regressão até clustering e otimização.
Os algoritmos de aprendizado de máquina podem ser classificados em dois tipos
principais: supervisionados e não supervisionados.
1. Aprendizado Supervisionado:
Nesse tipo de aprendizado, os algoritmos são treinados em um conjunto de
dados rotulado, ou seja, dados onde a variável de saída desejada já é conhecida.
O algoritmo aprende a relação entre as variáveis de entrada (features) e a
variável de saída (target) para fazer previsões ou classificações em novos dados.
Exemplos de algoritmos supervisionados incluem regressão linear, árvores de
decisão, redes neurais, entre outros.
2. Aprendizado Não Supervisionado:
Nesse tipo de aprendizado, os algoritmos são treinados em um conjunto de
dados não rotulado, ou seja, onde não há variável de saída conhecida.
O algoritmo busca encontrar padrões intrínsecos nos dados, como
agrupamentos ou estruturas ocultas, sem orientação externa.
Exemplos de algoritmos não supervisionados incluem k-means, análise de
componentes principais (PCA), entre outros.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 9

Além disso, há também o aprendizado semi-supervisionado, que combina
elementos dos dois tipos, e o aprendizado por reforço, onde o agente aprende
através da interação com um ambiente e recebendo feedback em forma de
recompensas ou penalidades.
Os algoritmos de aprendizado de máquina são ferramentas poderosas que
permitem que os computadores aprendam com dados e automatizem tarefas
complexas, proporcionando insights valiosos e impulsionando avanços em uma
variedade de campos, desde medicina e finanças até jogos e robótica.
Os quatro algoritmos populares de aprendizado de máquina são:
1. K-Vizinhos Mais Próximos (K-Nearest Neighbors - KNN):
O algoritmo KNN é um método de aprendizado supervisionado utilizado para
classificação e regressão.
Na classificação KNN, o rótulo de uma amostra é determinado pela maioria dos
rótulos de suas k amostras vizinhas mais próximas no espaço de características.
Na regressão KNN, o valor de uma amostra é estimado pela média dos valores
de suas k amostras vizinhas mais próximas.
KNN é simples de entender e implementar, mas pode ser computacionalmente
caro em conjuntos de dados grandes.
2. Regressão Linear:
A regressão linear é um algoritmo de aprendizado supervisionado usado para
modelar a relação entre uma ou mais variáveis independentes (features) e uma
variável dependente contínua (target).
O modelo de regressão linear assume uma relação linear entre as variáveis,
representada por uma equação linear.
O objetivo da regressão linear é encontrar os coeficientes que minimizam a
diferença entre os valores previstos pelo modelo e os valores reais observados
nos dados de treinamento.
A regressão linear é simples e interpretável, mas pode ser limitada para modelar
relações não lineares entre as variáveis.
3. Árvores de Decisão:
As árvores de decisão são algoritmos de aprendizado de máquina que podem
ser usados para classificação e regressão.
Elas constroem modelos de decisão em forma de árvore, onde cada nó
representa uma característica (feature), cada ramificação representa uma

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 10

escolha baseada nessa característica, e cada folha representa o resultado final
(rótulo ou valor).
As árvores de decisão são fáceis de interpretar e visualizar, e podem lidar com
dados numéricos e categóricos.
No entanto, as árvores de decisão podem ser propensas ao overfitting se não
forem regularizadas adequadamente.
4. Redes Neurais:
As redes neurais são modelos de aprendizado de máquina inspirados na
estrutura e no funcionamento do cérebro humano.
Elas consistem em múltiplas camadas de unidades de processamento
chamadas neurônios, que estão conectadas por pesos.
As redes neurais aprendem ajustando os pesos das conexões entre neurônios
com base nos dados de treinamento, utilizando algoritmos de otimização como
o gradiente descendente.
As redes neurais podem aprender representações complexas e não lineares dos
dados, tornando-as adequadas para uma variedade de tarefas, desde
reconhecimento de imagens até processamento de linguagem natural.
Esses são apenas quatro dos muitos algoritmos de aprendizado de máquina
disponíveis, cada um com suas próprias características, vantagens e
desvantagens. A escolha do algoritmo depende da natureza do problema, do tipo
de dados disponíveis e dos requisitos específicos do projeto.

2.3 Processo de aprendizado de máquina

O processo de aprendizado de máquina é composto por uma série de

etapas estruturadas que visam desenvolver modelos preditivos eficazes a partir
de dados brutos. Essas etapas são fundamentais para garantir a qualidade e a
generalização dos modelos resultantes. A seguir, descreveremos cada uma das
principais fases do processo de aprendizado de máquina: coleta de dados, pré-
processamento, treinamento e avaliação.
1. Coleta de Dados:
Na fase de coleta de dados, são reunidos conjuntos de dados relevantes para o
problema em questão. Estes dados podem ser provenientes de diversas fontes,

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 11

como bancos de dados, sensores, registros históricos ou plataformas de mídia
social. É essencial garantir a qualidade e a representatividade dos dados
coletados, pois estes serão a base para o treinamento e a avaliação do modelo.
2. Pré-processamento:
Após a coleta dos dados, inicia-se a fase de pré-processamento, na qual os
dados brutos são tratados e preparados para o treinamento do modelo. Isso
inclui a limpeza dos dados, removendo informações irrelevantes, duplicadas ou
inconsistentes, e a transformação dos dados em um formato adequado para o
treinamento. Técnicas como normalização, codificação de variáveis categóricas
e seleção de características relevantes são aplicadas nesta etapa.
3. Treinamento:
Na fase de treinamento, o modelo é alimentado com os dados preparados e
ajusta seus parâmetros internos com o objetivo de minimizar uma função de erro
definida. Este processo é geralmente realizado utilizando algoritmos de
otimização, como o gradiente descendente, em conjunto com uma função de
perda que quantifica o desempenho do modelo na tarefa em questão. O
treinamento pode envolver múltiplas iterações sobre os dados para ajustar os
parâmetros do modelo.
4. Avaliação:
Por fim, na fase de avaliação, o modelo treinado é testado em um conjunto de
dados separado, denominado conjunto de teste, que não foi utilizado durante o
treinamento. Isso permite avaliar a capacidade do modelo de generalizar para
novos dados e identificar possíveis problemas de overfitting. Diversas métricas
de avaliação, como precisão, recall e F1-score, são utilizadas para quantificar o
desempenho do modelo nesta fase.
O processo de aprendizado de máquina é uma sequência estruturada de
etapas que visam desenvolver modelos preditivos eficazes a partir de dados
brutos. A coleta de dados, pré-processamento, treinamento e avaliação são
componentes essenciais deste processo, sendo que cada uma desempenha um
papel fundamental na criação de modelos robustos e precisos.

2.4 Ferramentas e bibliotecas para aprendizado de máquina

No contexto do aprendizado de máquina, a escolha das ferramentas e

bibliotecas adequadas desempenha um papel fundamental no desenvolvimento

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 12

e na implementação de modelos preditivos. Dentre as diversas opções
disponíveis, destacam-se três ferramentas amplamente utilizadas: Python,
Scikit-learn e TensorFlow.
1. Python:
Python é uma linguagem de programação de alto nível, amplamente adotada na
comunidade de aprendizado de máquina devido à sua simplicidade, versatilidade
e grande quantidade de bibliotecas disponíveis. Sua sintaxe limpa e legível torna-
o ideal para prototipagem rápida e desenvolvimento eficiente de código. Além
disso, Python oferece suporte a uma ampla gama de paradigmas de
programação, o que facilita a implementação de algoritmos de aprendizado de
máquina complexos.
2. Scikit-learn:
Scikit-learn é uma biblioteca de aprendizado de máquina em Python que oferece
uma ampla variedade de algoritmos de aprendizado supervisionado e não
supervisionado, bem como ferramentas para pré-processamento de dados,
seleção de modelos e avaliação de desempenho. Sua interface simples e
consistente torna-a uma escolha popular entre os praticantes de aprendizado de
máquina, permitindo o desenvolvimento rápido e eficiente de modelos preditivos.
3. TensorFlow:
TensorFlow é uma biblioteca de código aberto para aprendizado de máquina
desenvolvida pelo Google, projetada para facilitar o desenvolvimento e a
implementação de modelos de aprendizado profundo. Com suporte a
computação distribuída e aceleração por GPU, TensorFlow é amplamente
utilizado em projetos de grande escala que envolvem redes neurais profundas e
processamento massivo de dados. Sua flexibilidade e eficiência tornam-no uma
escolha popular entre pesquisadores e profissionais de aprendizado de máquina
em todo o mundo.
Python, Scikit-learn e TensorFlow são ferramentas e bibliotecas
essenciais para o desenvolvimento de modelos de aprendizado de máquina. Sua
combinação de simplicidade, versatilidade e desempenho as torna escolhas
ideais para uma ampla variedade de aplicações, desde projetos acadêmicos até
sistemas de produção em escala industrial.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 13

Módulo 3: Deep Learning

O Deep Learning, ou aprendizado profundo, é uma área avançada de

inteligência artificial que se concentra no desenvolvimento de modelos de
aprendizado de máquina baseados em redes neurais artificiais profundas. Este
módulo aborda os princípios fundamentais do Deep Learning, suas aplicações
práticas e os desafios associados a essa abordagem.

3.1 O que é Deep Learning?

É uma subárea da inteligência artificial que se concentra no

desenvolvimento e treinamento de modelos de aprendizado de máquina
baseados em redes neurais artificiais profundas. Essas redes neurais são
compostas por múltiplas camadas de unidades de processamento, também
conhecidas como neurônios artificiais, que realizam transformações complexas
nos dados de entrada para produzir saídas desejadas.
O termo "profundo" em Deep Learning refere-se ao número de camadas
nas redes neurais, que pode variar de algumas dezenas a centenas ou mesmo
milhares, permitindo que o modelo aprenda representações cada vez mais
abstratas e complexas dos dados. Essa capacidade de aprender
automaticamente características relevantes dos dados, em diferentes níveis de
abstração, é uma das principais vantagens do Deep Learning em comparação
com abordagens mais tradicionais de aprendizado de máquina.
Os modelos de Deep Learning são treinados usando algoritmos de
otimização que ajustam os pesos e os viéses das conexões entre os neurônios
para minimizar uma função de perda, que quantifica o quão bem o modelo está
se saindo na tarefa em questão. Durante o treinamento, esses modelos podem
aprender a reconhecer padrões complexos em dados não estruturados, como
imagens, áudio, texto e sequências temporais.
O Deep Learning tem sido amplamente utilizado em uma variedade de
aplicações práticas, incluindo reconhecimento de imagens, processamento de
linguagem natural, tradução automática, reconhecimento de fala, diagnóstico
médico, previsão do mercado financeiro e muito mais. Seus avanços têm
impulsionado a inovação em diversas indústrias e contribuído para o
desenvolvimento de tecnologias mais inteligentes e eficientes.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 14

3.2 Rede Neural Convolucional (CNN): reconhecimento de imagens

Redes Neurais Convolucionais (CNNs), ou Convolutional Neural Networks

em inglês, são uma classe especializada de redes neurais profundas projetadas
especificamente para lidar com dados de imagem. Elas são altamente eficazes
em tarefas de reconhecimento de padrões visuais, como reconhecimento de
objetos, classificação de imagens e detecção de objetos em tempo real. Aqui
está uma explicação mais detalhada sobre como as CNNs funcionam no
contexto do reconhecimento de imagens:
1. Arquitetura Convolucional:
- As CNNs são compostas por uma série de camadas convolucionais, seguidas
por camadas de pooling e, por fim, camadas totalmente conectadas.
- As camadas convolucionais são responsáveis por extrair características das
imagens de entrada, usando filtros ou kernels de convolução para aplicar
operações de convolução sobre a imagem.
- As camadas de pooling reduzem a dimensionalidade das características
extraídas, preservando as características mais importantes e reduzindo o custo
computacional.
- As camadas totalmente conectadas agem como um classificador, combinando
as características extraídas para produzir uma saída final, como a probabilidade
de pertencer a uma classe específica.
2. Aprendizado de Características Hierárquicas:
- Uma das principais vantagens das CNNs é sua capacidade de aprender
automaticamente características hierárquicas das imagens.
- Nas camadas iniciais da rede, os filtros de convolução aprendem a detectar
características simples, como bordas, texturas e padrões locais.
- À medida que avançamos nas camadas mais profundas, os filtros de
convolução combinam características de níveis mais baixos para detectar
características mais complexas e abstratas, como formas, partes de objetos e
objetos inteiros.
3. Treinamento de CNNs:
- O treinamento de uma CNN envolve alimentar um grande conjunto de dados
de imagens rotuladas (conjunto de treinamento) para a rede e ajustar os pesos

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 15

dos filtros de convolução e os parâmetros das camadas totalmente conectadas
para minimizar uma função de perda.
- Durante o treinamento, a rede aprende a mapear as características das
imagens para suas respectivas classes, através de múltiplas iterações sobre o
conjunto de treinamento.
- As técnicas de regularização, como dropout e aumento de dados, são
frequentemente utilizadas para prevenir overfitting e melhorar a generalização
da rede para novos dados.
4. Aplicações de Reconhecimento de Imagens:
- As CNNs têm sido amplamente utilizadas em uma variedade de aplicações de
reconhecimento de imagens, incluindo reconhecimento de objetos em
fotografias, classificação de imagens médicas, detecção de rostos em câmeras
de segurança, identificação de placas de veículos em sistemas de vigilância,
entre outras.
As Redes Neurais Convolucionais (CNNs) são uma ferramenta poderosa
para o reconhecimento de imagens, capazes de aprender automaticamente a
partir dos dados e extrair características relevantes para a classificação precisa
de objetos e padrões visuais em imagens digitais. Suas arquiteturas
especializadas e técnicas de treinamento eficazes as tornam uma escolha ideal
para uma ampla gama de aplicações de visão computacional.

3.3 Rede Neural Recorrente (RNN): processamento linguagem natural

Redes Neurais Recorrentes (RNNs) são uma classe de redes neurais

projetadas para lidar com dados sequenciais, como textos, áudio e séries
temporais. No contexto do processamento de linguagem natural (PLN), as RNNs
são particularmente eficazes devido à sua capacidade de modelar dependências
de longo alcance em sequências de palavras. Aqui está uma explicação mais
detalhada de como as RNNs funcionam no processamento de linguagem natural:

1. Arquitetura Recorrente:
- As RNNs possuem uma arquitetura que permite a retroalimentação de
informações ao longo da sequência de dados.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 16

- Em cada passo de tempo, a RNN recebe uma entrada (por exemplo, uma
palavra) e um estado oculto (ou vetor de contexto) que representa a informação
aprendida até o momento.
- O estado oculto atualiza-se a cada passo de tempo, capturando as informações
relevantes da entrada atual e das entradas anteriores.
2. Modelagem de Sequências:
- A capacidade das RNNs de modelar dependências de longo alcance torna-as
ideais para tarefas que envolvem sequências de dados, como PLN.
- Elas podem ser usadas para tarefas como classificação de texto, geração de
texto, tradução automática, análise de sentimento, entre outras.
3. Processamento de Texto com RNNs:
- No PLN, as RNNs podem ser alimentadas com sequências de palavras em
texto.
- Cada palavra é representada como um vetor de palavras (embeddings) e
alimentada para a RNN em sequência.
- A RNN processa cada palavra em contexto, atualizando seu estado oculto com
base na entrada atual e nas informações anteriores.
4. Treinamento de RNNs:
- O treinamento de RNNs envolve a alimentação de pares de entrada-saída (por
exemplo, sentenças e rótulos) para a rede.
- Durante o treinamento, a rede ajusta seus parâmetros (pesos) usando
algoritmos de otimização, como retropropagação através do tempo (BPTT), para
minimizar uma função de perda.
- As RNNs podem ser treinadas com uma variedade de técnicas, incluindo
descida gradiente estocástica (SGD), regularização e dropout para prevenir
overfitting.
5. Desafios das RNNs:
- As RNNs podem ter dificuldades em capturar dependências de longo prazo,
devido ao problema do gradiente que desaparece ou explode.
- Arquiteturas mais avançadas, como Long Short-Term Memory (LSTM) e Gated
Recurrent Unit (GRU), foram desenvolvidas para resolver esses problemas e
melhorar o desempenho das RNNs em tarefas de PLN.
As Redes Neurais Recorrentes (RNNs) são uma poderosa ferramenta
para o processamento de linguagem natural, permitindo a modelagem eficaz de

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 17

dependências de longo alcance em sequências de texto. Seu uso tem sido
fundamental em uma ampla variedade de aplicações de PLN, desde tarefas
simples de classificação de texto até tradução automática e geração de texto
automatizada.

3.4 Arquiteturas de Deep Learning populares

As arquiteturas de Deep Learning: ResNet, Inception e Transformer - são

algumas das mais populares e influentes na área de visão computacional e
processamento de linguagem natural. Aqui está uma breve explicação sobre
cada uma delas:
1. ResNet (Redes Residuais):
- As Redes Residuais, ou ResNets, foram introduzidas para lidar com o problema
do desvanecimento do gradiente em redes neurais profundas.
- A principal inovação das ResNets é o uso de conexões residuais, que permitem
que a saída de uma camada seja adicionada diretamente à entrada da próxima
camada.
- Essas conexões residuais permitem que o gradiente flua mais facilmente
através da rede, facilitando o treinamento de redes neurais muito profundas.
- As ResNets são comumente usadas em tarefas de classificação de imagens e
detecção de objetos, e têm sido muito bem-sucedidas em competições de
benchmark, como o ImageNet.
2. Inception (Redes Inception):
- As Redes Inception, também conhecidas como GoogLeNet, foram introduzidas
pelo Google em 2014.
- A principal contribuição das redes Inception é a utilização de blocos de
convolução paralelos com diferentes tamanhos de filtro, permitindo que a rede
aprenda representações em várias escalas.
- Isso ajuda a capturar características em diferentes níveis de granularidade e
aumenta a eficiência computacional da rede.
- As redes Inception são amplamente utilizadas em tarefas de classificação de
imagens e detecção de objetos, e foram o estado da arte por um tempo em várias
competições de visão computacional.
3. Transformer:

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 18

- O Transformer é uma arquitetura revolucionária introduzida pelo Google em
2017 para modelagem de sequências, especialmente eficaz no processamento
de linguagem natural.
- A principal inovação do Transformer é a utilização de mecanismos de atenção,
que permitem que o modelo se concentre em partes específicas da sequência
durante o processamento.
- Essa capacidade de atenção permite ao Transformer capturar dependências
de longo alcance em sequências, tornando-o especialmente adequado para
tarefas de tradução automática e geração de texto.
- O Transformer tem sido amplamente adotado em diversas aplicações de PLN
e é a base de modelos state-of-the-art, como o BERT e o GPT (Generative Pre-
trained Transformer).
Essas arquiteturas de Deep Learning representam avanços significativos
no campo e têm sido amplamente adotadas em uma variedade de aplicações
práticas, impulsionando o progresso em visão computacional, processamento de
linguagem natural e outras áreas relacionadas.

3.5 Aplicações de Deep Learning

O Deep Learning tem uma ampla gama de aplicações em várias áreas,

algumas das quais incluem:
1. Reconhecimento Facial:
- O reconhecimento facial é uma das aplicações mais conhecidas de Deep
Learning. As redes neurais convolucionais (CNNs) são usadas para detectar
rostos em imagens, extrair características faciais e identificar indivíduos com
base em suas características únicas.
- Essa tecnologia é amplamente utilizada em sistemas de segurança, controle
de acesso, aplicativos de fotos e redes sociais, entre outros.
2. Tradução Automática:
- O Deep Learning revolucionou a tradução automática, especialmente com o
advento do modelo Transformer.
- Os modelos de tradução automática baseados em Deep Learning, como o
Google Translate, usam redes neurais para aprender a traduzir entre diferentes
idiomas, capturando as nuances semânticas e gramaticais de forma mais eficaz
do que abordagens tradicionais baseadas em regras.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 19

3. Geração de Texto:
- O Deep Learning é usado para gerar texto automaticamente em várias
aplicações, como chatbots, assistentes virtuais e resumos automáticos.
- Modelos baseados em redes neurais, como o GPT (Generative Pre-trained
Transformer), são treinados em grandes volumes de texto para aprender a gerar
texto coerente e relevante em uma variedade de contextos.
4. Reconhecimento de Fala:
- O reconhecimento de fala é outra aplicação importante de Deep Learning, com
modelos de redes neurais recorrentes (RNNs) e redes neurais convolucionais
(CNNs) sendo usados para transcrever automaticamente a fala em texto.
- Essa tecnologia é usada em assistentes virtuais, sistemas de controle de voz e
legendagem automática de vídeos, entre outras aplicações.
5. Diagnóstico Médico:
- O Deep Learning tem sido cada vez mais usado na área médica para auxiliar
no diagnóstico de doenças a partir de imagens médicas, como radiografias,
ressonâncias magnéticas e tomografias computadorizadas.
- Redes neurais convolucionais são treinadas para identificar padrões
associados a condições médicas específicas, ajudando os médicos a fazer
diagnósticos mais precisos e rápidos.
Essas são apenas algumas das muitas aplicações do Deep Learning em
diversos setores, demonstrando o amplo impacto e potencial dessa tecnologia
para resolver uma variedade de problemas complexos em diferentes domínios.

Módulo 4: Impacto da IA na Sociedade

O impacto da Inteligência Artificial (IA) na sociedade tem sido significativo

e abrange uma ampla gama de áreas, desde a economia até a ética e a cultura,
com benefícios significativos em termos de eficiência, inovação e qualidade de
vida, mas também desafios importantes em termos de ética, equidade e
mudanças no mercado de trabalho. É essencial abordar essas questões de
forma colaborativa e proativa para garantir que a IA seja desenvolvida e usada
de maneira ética e responsável.

4.1 Benefícios da IA

Os benefícios da Inteligência Artificial (IA) são vastos e impactam uma

variedade de áreas e setores. Aqui estão alguns dos principais benefícios da IA:
Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 20
1. Aumento da Produtividade:
- A IA pode automatizar tarefas repetitivas e rotineiras, liberando os seres
humanos para se concentrarem em atividades mais criativas e estratégicas.
- Sistemas de IA podem processar grandes volumes de dados em tempo real e
tomar decisões rapidamente, aumentando a eficiência e a produtividade.
2. Otimização de Processos:
- A IA pode identificar padrões e insights em grandes conjuntos de dados que
seriam difíceis ou impossíveis para os seres humanos identificarem
manualmente.
- Isso permite a otimização de processos em várias áreas, desde a cadeia de
suprimentos até a logística, produção, marketing e atendimento ao cliente.
3. Resolução de Problemas Complexos:
- A IA pode lidar com problemas complexos e multidimensionais que desafiam a
capacidade humana de processamento.
- Algoritmos de IA podem analisar e interpretar dados em tempo real, prever
resultados e identificar soluções para problemas complexos em uma variedade
de domínios, como saúde, finanças, ciência e engenharia.
4. Personalização e Recomendação:
- A IA pode fornecer experiências personalizadas e recomendadas em vários
setores, incluindo comércio eletrônico, streaming de mídia, publicidade e
serviços financeiros.
- Algoritmos de IA podem analisar o comportamento do usuário, histórico de
compras, preferências e padrões de uso para fornecer recomendações
relevantes e personalizadas.

5. Avanços Científicos e Tecnológicos:

- A IA está impulsionando avanços significativos em pesquisa científica e
desenvolvimento tecnológico.
- Algoritmos de IA podem ajudar os pesquisadores a analisar grandes volumes
de dados, simular processos complexos e descobrir padrões e relações em
dados que podem levar a novas descobertas e inovações.
6. Melhoria da Qualidade de Vida:
- A IA está sendo usada em uma variedade de aplicativos e dispositivos para
melhorar a qualidade de vida das pessoas.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 21

- Isso inclui assistentes virtuais, sistemas de saúde inteligentes, veículos
autônomos, tecnologia de casa inteligente e muito mais, que podem facilitar as
atividades diárias e proporcionar maior conveniência e segurança.
Os benefícios da IA são amplos e variados, proporcionando oportunidades
para melhorar a eficiência, resolver problemas complexos, personalizar
experiências e impulsionar inovações em uma variedade de domínios.

4.2 Desafios da IA

A Inteligência Artificial (IA) traz consigo uma série de desafios que

precisam ser abordados para garantir seu desenvolvimento e uso responsáveis.
Aqui estão alguns dos principais desafios da IA:
1. Viés Algorítmico:
- Os algoritmos de IA podem refletir preconceitos e discriminação presentes nos
dados de treinamento, levando a resultados injustos ou discriminatórios.
- O viés algorítmico pode resultar em decisões injustas em áreas como justiça
criminal, crédito e contratação, impactando negativamente grupos minoritários e
marginalizados.
2. Perda de Empregos:
- A automação impulsionada pela IA pode levar à substituição de empregos por
sistemas automatizados, resultando em desemprego e deslocamento de
trabalhadores.
- Setores como manufatura, varejo, transporte e serviços financeiros estão
particularmente sujeitos a mudanças significativas devido à automação.
3. Questões Éticas:
- A IA levanta uma série de questões éticas, incluindo privacidade, transparência,
responsabilidade e equidade.
- Decisões automatizadas tomadas por sistemas de IA podem ter consequências
éticas significativas, como no caso de veículos autônomos, sistemas de justiça
criminal e assistência médica.
4. Segurança e Privacidade:
- A crescente adoção de IA aumenta preocupações sobre segurança cibernética
e privacidade de dados.
- Sistemas de IA podem ser vulneráveis a ataques maliciosos, como ataques
adversariais, e levantar preocupações sobre a coleta e uso de dados pessoais.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 22

5. Desafios Técnicos:
- A IA enfrenta uma série de desafios técnicos, incluindo interpretabilidade de
modelos, robustez a dados adversários, escalabilidade e eficiência
computacional.
- Esses desafios podem limitar a aplicabilidade e confiabilidade de sistemas de
IA em ambientes do mundo real.
6. Equidade e Inclusão:
- A IA pode agravar disparidades sociais e econômicas se não for desenvolvida
e implementada de forma inclusiva e equitativa.
- Garantir a equidade na implementação da IA é essencial para evitar a
ampliação de lacunas existentes e garantir que todos se beneficiem dos avanços
tecnológicos.
Os desafios da IA são multifacetados e requerem abordagens
colaborativas e multidisciplinares para serem enfrentados de forma eficaz. É
crucial que os desenvolvedores, pesquisadores, legisladores e a sociedade em
geral trabalhem juntos para garantir que a IA seja desenvolvida e usada de
maneira ética, responsável e inclusiva.

4.3 O futuro da IA

O futuro da Inteligência Artificial (IA) é emocionante e cheio de potencial

para transformar profundamente diversos aspectos da sociedade. Aqui estão
algumas tendências e perspectivas para o futuro da IA:
1. Expansão da Automação Inteligente:
- A automação impulsionada pela IA continuará a se expandir para uma ampla
gama de setores e domínios, incluindo manufatura, transporte, saúde, serviços
financeiros e muito mais.
- Sistemas de IA cada vez mais sofisticados serão capazes de assumir tarefas
complexas e até mesmo funções cognitivas anteriormente consideradas
exclusivas dos seres humanos.
2. Avanços em Aprendizado de Máquina e Deep Learning:
- O aprendizado de máquina e o deep learning continuarão a evoluir, com o
desenvolvimento de novas arquiteturas de redes neurais, algoritmos de
treinamento mais eficientes e técnicas de regularização mais avançadas.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 23

- Isso levará a modelos de IA mais poderosos e capazes de lidar com uma
variedade ainda maior de tarefas e tipos de dados.
3. IA Conversacional e Assistentes Virtuais:
- A IA conversacional e os assistentes virtuais se tornarão ainda mais integrados
à nossa vida cotidiana, oferecendo suporte em áreas como atendimento ao
cliente, saúde, educação e entretenimento.
- Esses sistemas se tornarão mais naturais, contextuais e personalizados,
compreendendo e respondendo às necessidades e preferências dos usuários de
maneira mais eficaz.
4. Aplicações de IA em Saúde:
- A IA terá um papel cada vez mais importante na transformação dos cuidados
de saúde, desde o diagnóstico médico até o desenvolvimento de novos
tratamentos e medicamentos.
- Sistemas de IA serão usados para analisar grandes volumes de dados médicos,
identificar padrões e insights, e fornecer diagnósticos mais precisos e
personalizados.
5. Ética e Responsabilidade:
- A preocupação com questões éticas e responsabilidade na IA continuará a
crescer, com um foco renovado na transparência, equidade, justiça e segurança.
- Será fundamental desenvolver políticas e regulamentações adequadas para
garantir que a IA seja desenvolvida e usada de maneira ética e responsável.
6. Colaboração Humano-Máquina:
- A IA será cada vez mais integrada às atividades humanas, trabalhando em
colaboração com os seres humanos para ampliar suas capacidades e melhorar
o desempenho em uma variedade de tarefas.
- A colaboração humano-máquina pode levar a avanços significativos em áreas
como pesquisa científica, criatividade artística, inovação tecnológica e muito
mais.
O futuro da IA é promissor e cheio de oportunidades para melhorar nossas
vidas, impulsionar a inovação e resolver alguns dos desafios mais prementes da
sociedade. No entanto, é importante abordar os desafios éticos, sociais e
técnicos associados ao desenvolvimento e uso da IA para garantir que ela seja
uma força positiva para o progresso humano.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 24

Módulo 5: IA em Desenvolvimentos de Pesquisa

A Inteligência Artificial (IA) está desempenhando um papel cada vez mais

significativo no avanço da pesquisa em uma variedade de campos científicos.
Sua capacidade de analisar grandes volumes de dados, identificar padrões
complexos e gerar insights úteis tem impulsionado descobertas e inovações em
várias disciplinas. Abaixo está uma descrição da aplicabilidade da IA em
desenvolvimentos de projetos de pesquisa:
1. Análise de Dados e Descoberta de Conhecimento:
- A IA é amplamente utilizada para analisar dados de pesquisa, incluindo dados
experimentais, dados de simulação, dados de observação e dados bibliográficos.
- Algoritmos de IA, como aprendizado de máquina e mineração de dados, são
aplicados para extrair informações valiosas, identificar tendências e padrões
ocultos, e fazer previsões.
2. Modelagem e Simulação:
- A IA é usada para desenvolver modelos e simulações complexas em uma
variedade de domínios, como ciências naturais, engenharia, medicina e ciências
sociais.
- Técnicas de IA, como redes neurais e algoritmos genéticos, podem ser
empregadas para otimizar parâmetros de modelos, prever resultados e realizar
análises de sensibilidade.
3. Descoberta de Novos Medicamentos e Terapias:
- A IA é aplicada na descoberta e desenvolvimento de novos medicamentos e
terapias para tratar uma variedade de doenças e condições médicas.
- Algoritmos de IA são utilizados para analisar estruturas moleculares, identificar
compostos promissores, prever propriedades farmacológicas e otimizar o design
de drogas.
4. Diagnóstico e Prognóstico Médico:
- A IA desempenha um papel importante no diagnóstico e prognóstico de
doenças, ajudando os médicos a interpretar exames médicos, imagens médicas
e dados clínicos.
- Técnicas de IA, como redes neurais convolucionais e sistemas especialistas,
são usadas para identificar padrões indicativos de doenças, auxiliar na tomada
de decisões clínicas e prever resultados de tratamento.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 25

5. Pesquisa em Ciências Sociais e Humanidades:
- A IA é aplicada em pesquisas nas áreas de ciências sociais e humanidades
para analisar dados textuais, estudar padrões de comportamento humano e
prever tendências sociais.
- Algoritmos de processamento de linguagem natural e mineração de texto são
utilizados para analisar grandes volumes de documentos, identificar temas e
realizar análises de sentimento.
6. Automação de Experimentos e Processos de Laboratório:
- A IA é empregada na automação de experimentos e processos de laboratório,
acelerando a coleta e análise de dados e reduzindo erros humanos.
- Sistemas de IA, como robôs de laboratório e sistemas de automação, são
usados para realizar tarefas de rotina, controlar instrumentos e executar
protocolos experimentais.
A Inteligência Artificial está revolucionando a pesquisa em uma ampla
gama de campos, fornecendo ferramentas poderosas para analisar dados,
modelar fenômenos complexos e fazer descobertas significativas. Sua
aplicabilidade em desenvolvimentos de projetos de pesquisa é vasta e continua
a crescer à medida que novas técnicas e tecnologias são desenvolvidas. O uso
eficaz da IA pode levar a avanços significativos em nosso entendimento do
mundo e na solução de problemas importantes que impactam a sociedade.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 26

Referências bibliográficas

GOOGLE. “Gemini é uma inteligência artificial de linguagem natural

desenvolvida pela Google, que usa uma arquitetura de rede neural para
gerar respostas a perguntas feitas por usuários.” Acesso em 14 de
fevereiro de 2024. Disponível em: https://gemini.google.com

OLIVEIRA, Ruy Flávio de. Inteligência artificial. Londrina: Editora e

Distribuidora Educacional S.A., 2018.

OPENAI. “ChatGPT é uma inteligência artificial de linguagem natural

desenvolvida pela OpenAI, que usa uma arquitetura de rede neural para
gerar respostas a perguntas feitas por usuários.” Acesso em 14 de
fevereiro de 2024. Disponível em: https://chat.openai.com

PEDREIRA, Patrick. Entendendo a inteligência artificial de forma

descomplicada. E-book 2ª Edição. 2024.

Inteligência Artificial para o Ensino Médio – Prof. Eduardo Mineiro 27