FUNDAMENTOS DA INTELIGÊNCIA ARTIFICIAL, O CASO DAS REDES

GENERATIVAS ADVERSÁRIAS (GANS): DILEMAS ÉTICOS1

Gustavo Pereira Bazeia2

Florianópolis
2023

1
Artigo apresentado como requisito parcial para a conclusão do curso de sistema de informação, da
Universidade do Sul de Santa Catarina – UNISUL, orientado pelo professor Claudio Henrique da Silva
(credenciais do professor).
2 Autor do Artigo. E-mail: gustopb@gmail.com.
 2

Agradecimentos

À minha mãe, Luzete Pereira e ao meu pai Dionisio Bazeia, pelo apoio e incentivo à
jornada acadêmica empreendida.
Agradeço ao orientador Claudio Henrique da Silva por estimular nossa criatividade e interesse
nas aulas.
 3

Resumo

Este estudo parte de uma definição do que é a Inteligência Artificial, passando por
um breve histórico, situando, a seguir, seu desdobramento na Inteligência Artificial
Generativa e traçando os elementos principais da sua arquitetura: Aprendizado de
Máquina, Aprendizado Profundo e as Redes Neurais. Em seguida, fizemos o percurso
para entender A IA Generativa na sua expressão mais inovadora, ou seja, a Redes
Generativas Adversárias (GANs,Generative Adversarial Networks). Concluimos com a
abordagem dos grandes dilemas éticos suscitados pelo uso da IA, onde os avanços
também trazem sérias preocupações sobre o futuro das sociedades.

Palavras-chave: Inteligência Artificial, Inteligência Artificial Generativa, Redes Gene-

rativas Adversárias, Ética

Abstract

This study starts from a definition of what Artificial Intelligence is, going through a brief
history, then situating its development in Generative Artificial Intelligence and outlining the main
elements of its architecture: Machine Learning, Deep Learning and Neural Networks. Next, we
took the journey to understand Generative AI in its most innovative expression, that is,
Generative Adversarial Networks (GANs). We conclude by addressing the major ethical
dilemmas raised by the use of AI, where advances also raise serious concerns about the future
of societies.
Keywords: Artificial Intelligence, Generative Artificial Intelligence, Generative
Adversarial Networks, Ethic
 4

1 INTRODUÇÃO

Inteligência Artificial (IA) é o campo de estudos da ciência voltado para a

construção de máquinas de todo o tipo que, a partir de dados nelas inseridos, são capazes
de desenvolver tarefas inteligentes, de forma autônoma.
Para que isto aconteça, os estudos sobre IA envolvem diversos campos de
conhecimento, desde ciência da computação, matemática, linguística, neurociência,
engenharia de hardware e software, além da psicologia e, cada vez mais, da filosofia.
O desenvolvimento da IA, hoje tem na IA Generativa a sua mais nova versão, a
qual se traduz na capacidade da máquina de imitar a inteligência humana e criar novos
conteúdos. Por ter a capacidade de processar rapidamente uma quantidade de dados que
levaria muito mais tempo, se feito por humanos, a IA generativa trouxe facilidades e
comodidades para as sociedades em diversas áreas. Suas vantagens incluem simplificação,
economia de tempo, redução de vieses, automação de tarefas repetitivas,
Por meio dela é possível gerar e recriar imagens novas. Em filmes, é possível utilizar a
IA generativa para aprimorar efeitos especiais. Já em jogos, ela pode ser aplicada na
criação de mundos, cenários, personagens e conteúdo dinâmico e, até mesmo, exclusivo.
Assistentes virtuais, como os chatbots no atendimento ao cliente já é algo muito comum e
adotado por inúmeras empresas. Dos mais simples aos mais complexos, as assistentes
virtuais podem agilizar e personalizar o atendimento ao cliente, aprendendo com os dados
inseridos pelos próprios usuários. Por exemplo, na área de processamento da Linguagem
Natural, tradutores automáticos, como o Google Tradutor, assistentes de escrita, estão
presentes no cotidiano de qualquer usuário da internet.
Enfim, os avanços na inteligência artificial (IA), os avanços da IA Generativa e, mais
recentemente, das Redes Generativas Adversárias (GANs, Generative Adversarial Network)
prometem revolucionar, e estão revolucionando, o mundo em diversas áreas, na ciência,
saúde, educação, segurança, transporte. No entanto, é importante considerar os imensos
problemas que o uso destas tecnologias e seus recursos introduzem e que nos remetem
para os dilemas éticos da Inteligência Artificial.
O desenvolvimento da IA exige uma reflexão sobre os valores morais que devem
nortear a sua criação, uso e controle, porque se a IA pode trazer muitos benefícios para a
sociedade, ela também pode gerar problemas éticos e morais se não for desenvolvida com
responsabilidade. Ou seja, não é apenas uma questão de avaliar a IA em si, mas
principalmente os efeitos que elas introduzem sobre a vida humana. Algumas questões que
precisam ser consideradas incluem a justiça, a privacidade, a transparência, a
responsabilidade, a autonomia e a segurança.
Qualquer pesquisa científica feita sem orientação filosófica ou diretrizes sociológicas
ou jurídicas, é propensa a problemas éticos e mostram a necessidade urgente de se
estabelecer parâmetros para a pesquisa em IA.
 5

Até aqui, a IA é uma inteligência que, cada vez mais, caminha para níveis de
autonomia surpreendentes, mas, ainda assim, ela sempre será subordinada às prerrogativas
criadas pelo homem e, por mais longe que ela possa caminhar, o homem é o grande
responsável pela sua criação e seu destino, para o bem ou para o mal.
Para desenvolver este estudo, adotou-se padrões metodológicos próprios da
pesquisa bibliográfica, consoante ao objetivo de produzir um material que fizesse um trânsito
sobre os desenvolvimentos da área de Inteligência Artificial, que captasse os principais
movimentos desta área, como base para discutir os desafios éticos enfrentados por este
campo de conhecimento.
De certo modo, a ideia foi a de organizar um material que, também, tivesse um
sentido didático, ou seja, de organização de uma sequência lógica que permitisse, de
algum modo, o pensamento dos anos de estudo do próprio curso de formação.
As novidades nesta área são surpreendentes e se renovam a cada dia, daí que
combinamos estudos cientificos e as fontes das quais o próprio estudo é a expressão viva:
muitas delas foram extraídas de fontes confiáveis, devidamente identificadas, da própria
rede de computadores, pois, afinal, ela é, assim como este estudo, produto do novo que
nos assombra.

2 INTELIGÊNCIA ARTIFICIAL

2.1 Principios fundamentais

Simplificadamente, podemos dizer que a Inteligência Artificial (IA) é um conceito

bastante amplo e se refere aos mecanismos computacionais que se baseiam no comportamento
humano para resolver problemas, ou seja, é uma tecnologia que processa informações que
faz o computador exercer funções de pensamento, como sendo uma pessoa e, assim,
executar tarefas.
Tal como os seres humanos, a IA opera no sentido de analisar dados e, a
partir disto, localizar padrões e tendências, operar análises e construir conclusões que
orientam o processo de tomada de decisões. Seu funcionamento acontece a partir da
capacidade de aprendizagem, ou seja, quanto mais executa uma ação, quanto mais é
treinado para exercer certas tarefas, mais habilidade adquire.
Mas, diferentemente dos seres humanos, o treinamento da IA é comandado
por seres humanos e dependente de dados disponíveis na Rede Mundial de Computadores
ou em outras plataformas próprias, constituindo um repositório de algoritmos, colhidos
conforme as instruções para as quais a ela foi treinada. Resumindo, a IA é uma criação
humana e depende da ação humana para existir e funcionar, enquanto a inteligência
humana se relaciona com aprendizagem e as muitas experiências materiais e adaptativas
que o homem acumula na sua trajetória. Inteligência humana é criação, IA é reprodução e
 6

treinamento de informações oferecidas pelo ser humano.

O treinamento da IA não é natural, não é naturalmente humano, não é
absolutamente autônomo, ele depende de comandos humanos para fazer seu papel, isto é, dos
algoritmos sob os quais ela é ensinada a operar, enquanto a capacidade de pensar, de criar,
levando em conta experiências vividas, são a base da inteligência humana. Enfim, a IA vai até
onde o homem fornece as instruções para que ela seja um acontecimento.
E as instruções para este treinamento nascem de diversas áreas do saber
humano, da Linguística, da Neurociência, da Matemática, da Psicologia, da Filosofia, todas elas
dando substância à ciência da computação, traduzidas nas formas denominadas de
Aprendizado de Máquina (Machine Learning-ML), Aprendizado Profundo (Deep Learning),
Redes Neurais.
Todas estas áreas fornecem a estrutura sobre a qual se ergue a IA e, cada
vez mais, apontam para as possibilidades de que plataformas e sistemas terão inteligência para
aprender, mas sempre indo até onde o homem for capaz de determinar. Isto fica muito
claro no importante estudo de Vírgínia Dignum. Ela diz que:

“O impacto da Inteligência Artificial não depende apenas da investigação

fundamental e dos desenvolvimentos tecnológicos, mas em grande parte da
forma como estes sistemas são introduzidos na sociedade e utilizados em
situações quotidianas. A IA está mudando a forma como trabalhamos, vivemos
e resolvemos desafios, mas as preocupações com justiça, transparência ou
privacidade também crescendo. Garantir uma IA responsável e ética é mais do
que projetar sistemas cujos resultados sejam confiáveis. É sobre a forma como
os projetamos, por que os projetamos e quem está envolvido em projetá-los.
Para desenvolver e utilizar a IA de forma responsável, precisamos trabalhar no
sentido de métodos e ferramentas técnicos, sociais, institucionais e legais que
forneçam apoio concreto aos profissionais de IA, bem como sensibilização e
formação para permitir a participação de todos, para garantir o alinhamento da
IA sistemas com os princípios e valores das nossas sociedades”(Dignum, 2022)

2.2 Um breve histórico

As grandes descobertas que culminaram na constituição da inteligência artificial

não é um acontecimento que surge do zero. Já no século XVIII o filósofo e matemático
George Boole desenvolvera uma estrutura matemática que permitiria que os computadores
processassem informações de maneira lógica, fato que estabeleceu todos os fundamentos
para o desenvolvimento posterior da computação e da IA.
No artigo de Paulo Belmonte, “Inteligência Artificial. História y Evolución: Uma História
Pelos Marcos e Progressos da IA” são feitas algumas considerações sobre este caminhar
da IA. Situa que foi durante a Segunda Guerra Mundial que avanços significativos na área
IA ocorreram. Da dúvida sobre a capacidade de pensar da máquina, nasce o trabalho de
Alan Turing, pioneiro na exploração da ideia de criar máquinas que fossem capazes de
executar tarefas inteligentes. É dele também o conceito de uma “máquina universal” capaz
de realizar qualquer tarefa computacional e testes para determinar a capacidade de uma
máquina exibir comportamento inteligente. (Belmonte,2023)
 7

Este outro estudo “ A História da Inteligência Artificial”, publicado no site da

Faculdade de Artes e Ciências de Harvard, EUA, diz que

“até a década de 1950, os computadores careciam de um pré-requisito

fundamental para a inteligência: eles não podiam armazenar comandos,
apenas executá-los. Em outras palavras, os computadores podiam ser infor-
mados sobre o que fazer, mas não conseguiam lembrar do que fizeram”. (da
Redação do National Geographic Brasil. (NATIONAL GEOGRAPHIC,2023)

Neste artigo é dito que teria sido John McCarthy, um cientista da computação,
organizador de uma conferência no Dartmouth College, que definiu a IA como o objetivo
de desenvolver máquinas capazes de imitar a inteligência humana. Se Turing explorou as
possibilidades fundamentais de saber se as máquinas poderiam ser direcionadas e
instruídas para pensar, entender, aprender e aplicar uma certa forma de inteligência na
resolução de problemas, foi na década de 50 que aconteceram fatos fundamentais.
Nesta conferência, em 1956, foi apresentado o primeiro projeto de inteligência
artificial, chamado o teórico da lógica (The Logic Theorist), desenvolvido por Allen Newell,
pesquisador da ciência da computação e psicólogo cognitivo, Cliff Shaw, programador de
sistemas e Herbert Simon, economista e pesquisador nos campos de psicologia cognitiva
e informática. Este projeto, projetado para imitar as habilidades de resolução de problemas
de um ser humano, e apresentado no Projeto de pesquisa de verão de Dartmouth sobre
inteligência artificial (Dartmouth Summer Research Project on Artificial Intelligence) foi
considerado o evento fundador da inteligência artificial como campo de estudo.
O texto prossegue e diz que outro desenvolvimento importante foi a criação, em
1958, por Frank Rosenblatt, do projeto “Perceptron”, um modelo de aprendizado de máquina
por tentativa e erro, abrindo caminho para o desenvolvimento de redes neurais artificiais e
impulsionando os primeiros experimentos práticos em aprendizado de máquina.
Durante os anos de 1980 e 1990, as redes neurais recorrentes (RNNs) começaram
a ganhar destaque e passou a ser possível que as máquinas processassem sequências de
dados, permitindo até mesmo a geração de texto e música rudimentares.
Em 1997, o computador Deep Blue, da IBM, um exemplo de máquina reativa, derrotou
o campeão soviético Garry Kasparov em uma partida de xadrez, prevendo respostas e
pensando em possibilidades de melhores jogadas. Esse acontecimento foi um marco no
mundo da inteligência artificial que influenciou os estudos da IA generativa.
Neste período, este campo da IA generativa, experimentou um avanço significativo
com o advento do aprendizado de máquina, com novas técnicas, algoritmos e abordagens.
Algoritmos como árvores de decisão, redes neurais e algoritmos genéticos permitiram que
as máquinas aprendessem e se adaptassem a partir dos dados, abrindo possibilidades
para aplicações em reconhecimento de padrões, previsão e tomada de decisões.
O crescimento exponencial na quantidade de dados disponíveis e o aumento do
poder de processamento dos computadores impulsionaram o avanço do aprendizado de
 8

máquina (ML, Machine Learning). O Aprendizado Profundo (Deep Learning), uma subárea
da IA baseada em redes neurais profundas, revolucionou diversas aplicações, como
reconhecimento de imagem, processamento de linguagem natural e carros autônomos.
Enfim, a partir do ano 2000, são surpreendentes os avanços da IA generativa,
envolvendo estudos de Processamento de Linguagem Natural (PLN, Natural Language
Processing), unindo a ciência da computação, linguística, matemática, lógica, filosofia,
todas com o objetivo de compreender e realizar interpretações da linguagem humana.
Estes estudos permitiram o lançamento de projetos que fazem o reconhecimento de voz
pela Google e a base para as assistentes virtuais, como Siri e Alexa.
Mais recentemente, em novembro de 2022, foi lançado o ChatGPT, a plataforma de IA
generativa mais conhecida atualmente. Com ele, essa tecnologia conseguiu sair do circuito
de programadores e pesquisadores de tecnologia e atingir o público geral, alcançando até
mesmo os mais leigos no assunto. O sucesso do ChatGPT desenvolveu o interesse dos mais
variados públicos e fez com que muitas ferramentas de IA generativas fossem criadas ou
melhoradas.

3 INTELIGÊNCIA ARTIFICIAL GENERATIVA: A NOVA ROUPAGEM DA

INTELIGÊNCIA ARTIFICIAL

A Inteligência Artificial Generativa, desenvolvimento moderno da IA nesta etapa onde

a inteligência artificial passa a ser treinada para aprender linguagem humana, linguagens de
programação, arte, química, biologia ou qualquer assunto complexo, cria novos conteúdos,
reutilizando dados de treinamento para resolver novos problemas.
Uma das características mais fascinantes desse tipo de IA é a semelhança do
conteúdo criado por ela, com o criado pelos seres humanos, o que faz com que, em muitos
casos, seja difícil distinguir o que foi criado pela IA generativa e o que foi feito totalmente
por uma pessoa.
A inteligência artificial generativa é uma tecnologia revolucionária, capaz de aprender
padrões complexos de comportamento, a partir de uma extensa base de dados, sejam
eles textos, vídeos, imagens, gerando novas informações de maneira única e original a
cada interação. Além disso, a sua construção técnica permite ir além do aprendizado
convencional, o que possibilita uma evolução constante, por conta própria, sem necessidade
de programação humana. Uma das tecnologias mais avançadas nesta área é o ChatGPT e o
DALL-E.
Sobre isto é dito que com a absorção de muitos dados, a IA generativa

“é capaz gerar novas informações de maneira original e até única para cada
interação. Além disso, a sua construção técnica permite ir além do aprendizado
convencional, o que possibilita uma evolução constante, por conta própria, sem
necessidade de programação humana.” (Lisboa, 2023)
 9

É lembrado, neste mesmo texto, que IA generativa é baseada em redes neurais frutos
de décadas de pesquisa:

“hoje em dia, existem diversos modelos disponíveis, cada qual com sua forma de
processamento. Uma inteligência artificial para conversas, como o GPT-3, foi
treinada com uma quantidade gigantesca de textos extraídos da internet,
aproximadamente meio trilhão de palavras”.(Lisboa,2023)

Esse sistema de treinamento é válido para qualquer formato, seja texto, imagens,
vídeos ou áudios. A diferença aqui é apenas na parte técnica, ou seja, como o robô vai
interpretar o comando: se o modelo é uma IA de criação de arte, por exemplo, ele precisará
converter texto em imagem para apresentar o resultado. Após milhões de interações como
essa, na base do verdadeiro ou falso, a máquina fica tão afinada que passa a acertar na
maioria das consultas. Os erros e incoerências do modelo vão sendo corrigidos com o
passar do tempo, até chegar cada vez mais próximo da perfeição.
Mas, neste mesmo texto, é salientado que “as IAs generativas dificilmente são (ou
serão) criadas por pequenas empresas. O custo é elevado para se criar algo do zero,
porque exige-se profissionais altamente especializados, infraestrutura tecnológica e um
longo tempo de desenvolvimento.”
Sobre isto, no mesmo texto, o gerente de relacionamento com desenvolvedores da
NVIDIA para a América Latina, Jomar Silva diz que a “boa notícia é que, uma vez que
essas redes estão treinadas, elas podem passar por alguns processos de transferência de
aprendizado, que a gente chama de ajuste fino. Esses ajustes, em geral, são muito mais
baratos e rápidos para se fazer do que treinar a rede do zero. E isso hoje é acessível a
qualquer empresa”.
Mas a IA não é uma construção em si. Ela é constituída de inúmeras camadas, pro-
cessos, sistemas. A IA Generativa é apenas o desdobramento atual da IA, cujos resultados
decorrem, também, do aprofundamento de procedimentos já insinuados desde as primeiras
invenções nesta área.
Vamos falar, então, dos requisitos que estão na base da IA Generativa, tal como eles
se configuram em suas estruturas mais atualizadas.

3.1 Aprendizado de máquina (ML, Machine Learning)

O aprendizado de máquina é um dos recursos fundamentais da IA generativa e se

refere ao sistema de treinamento onde a máquina é capaz de modificar seu comportamento
de modo autônomo, com base naquilo que ela aprende em sucessivas repetições de uma
tarefa, tal como, explica Emerson Alecrim, no artigo acima citado. Ele diz que:

“modificação comportamental consiste, basicamente, no estabelecimento de

regras lógicas, vamos dizer assim, que visam melhorar o desempenho de
uma tarefa ou, dependendo da aplicação, tomar a decisão mais apropriada
 10

para o contexto. Essas regras são geradas com base no reconhecimento de

padrões dentro dos dados analisados.”(Alecrim, 2023)

Neste mesmo artigo, o autor coloca um exemplo interessante sobre o assunto. Em

um site de busca, para dar resposta ao usuário, o sistema irá usar parâmetros para exibir
resultados que considera, entre outras coisas, o histórico de pesquisa do próprio usuário, a
constante entrada de dados sobre o tema e que sugerem a identificação de novos padrões e,
assim, apresentar uma resposta atualizada sobre o assunto pesquisado, a qual passará a
integrar e ampliar o leque e a precisão de respostas. O aprendizado de máquina é,
portanto, um subcampo da inteligência artificial que lida com algoritmos de computação
que podem ser melhorados, via dados de treinamento sem programação explícita. É
considerado o caminho mais promissor para alcançar a inteligência artificial
verdadeiramente próxima à humana.
Embora sejam muitas as possibilidades de classificação dos tipos de aprendizagem
apresentada e sobre os tipos dos algoritmos deste aprendizado.(Purestorage, 2023)
Neste estudo, estas formas de aprendizado são assim apresentadas:
Aprendizagem supervisionada: São feitas entradas de rótulos e exemplos atuais à
respectiva saída desejada e isso permite ao algoritmo aprender as regras que mapeiam
entradas e saídas.
Aprendizagem não supervisionada: Os rótulos não são fornecidos e, portanto, o
algoritmo pode encontrar sua própria estrutura de processamento das entradas (por
exemplo, encontrando padrões ocultos nos dados).
Aprendizagem por reforço: O algoritmo interage repetidamente com um ambiente
dinâmico com um objetivo específico como, por exemplo, ganhar um jogo ou dirigir um carro.
O algoritmo chega à solução mais otimizada para o problema por meio de repetidos erros e
tentativas.

Quando este aprendizado, para se aproximar da inteligência humana, recorre ao

uso de redes neurais artificiais, acontece o que é designado como aprendizado profundo,
de modo que se diz que o aprendizado profundo se distingue do aprendizado de máquina
tradicional, pelo tipo de dados com os quais trabalha e pelos métodos pelos quais aprende.

3.2 Aprendizado profundo (Deep Learning)

O aprendizado profundo, subconjunto do aprendizado de máquina, se refere ao

momento em que redes neurais artificiais algoritmos modelados para funcionar como o
cérebro humano aprendem com grandes quantidades de dados. Simplificadamente, pod-
se dizer que o aprendizado profundo é o nome de redes neurais de muitas camadas.
Segundo o mesmo estudo acima nomeado (Purestorage, 2023) os estudos sobre o
aprendizado profundo se inspira no modo de operação dos neurônios humanos, mas
 11

usando a teoria dos grafos para organizar algoritmos ponderados em camadas de vértices
e arestas. Os algoritmos da aprendizagem profunda são ótimos em processar dados não
estruturados, como imagens ou linguagem.
Tecnicamente, para ser classificada como profunda, a rede neural precisa conter
camadas ocultas entre as camadas de entrada e saída da perceptron, que é a estrutura base
de uma rede neural. Essas camadas são consideradas ocultas porque não têm conexão
com o mundo exterior.
O aprendizado profundo, então, é desenvolvido por camadas de redes neurais,
sob a forma de algoritmos modelados livremente, do mesmo modo como os cérebros
humanos funcionam. O treinamento com grandes quantidades de dados é o que configura os
neurônios na rede neural. O resultado é um modelo de aprendizado profundo que, uma vez
treinado, processa novos dados. Os modelos de aprendizado profundo absorvem informações
de várias fontes de dados e analisam esses dados em tempo real, sem a necessidade de
intervenção humana.
O aprendizado profundo é o que impulsiona muitas tecnologias de IA, que podem
melhorar a automação e as tarefas analíticas. Entre inúmeras outras aplicações, o
aprendizado profundo gera legendas para vídeos do youtube, executa o reconhecimento
de fala em telefones e alto-falantes inteligentes, fornece reconhecimento facial para
fotografias e habilita os carros que operam com autonomia.
No artigo “O que é o Deep Learning?” é dito que um dos principais benefícios
do aprendizado profundo é que suas redes neurais são usadas para revelar insights e
relacionamentos ocultos de dados que anteriormente não eram visíveis. Com modelos de
aprendizado de máquina mais robustos, que podem analisar dados grandes e complexos,
as empresas podem melhorar a detecção de fraudes, o gerenciamento da cadeia de
suprimentos e a segurança cibernética. (IBM, 2023)
O aprendizado profundo elimina parte do pré-processamento de dados que
normalmente está envolvido com o aprendizado de máquina. Esses algoritmos podem
ingerir e processar dados não estruturados, como texto e imagens, e automatizam a
extração de recursos, removendo parte da dependência de especialistas humanos. Por
exemplo, digamos que temos um conjunto de fotos de diferentes animais de estimação e
queremos categorizar por “gato”, “cachorro”, “hamster” etc.
Os algoritmos podem determinar quais recursos (por exemplo, orelhas) são mais
importantes para distinguir um animal do outro. No aprendizado de máquina, essa hierarquia
de recursos é estabelecida manualmente por um especialista humano, no aprendizado
profundo o algoritmo se ajusta e se adapta à precisão, permitindo fazer previsões sobre
uma nova foto de um animal mais próxima do modelo desejado.
Todos estes acontecimentos são deflagrados através de um método muito particular:
a Rede Neural, uma técnica computacional que funciona através de um modelo matemático
inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento
 12

através da experiência, à semelhança do cérebro humano.

3.3 Redes neurais artificiais

Se tivesse um assunto que pudesse representar o núcleo da inteligência artificial

seriam as Redes Neurais Artificiais. Estas redes são modelos computacionais inspirados
no sistema nervoso central de um animal, mais precisamente o cérebro humano e que,
ao simular o comportamento das redes neurais biológicas, são capazes de realizar o
aprendizado de máquina, bem como o reconhecimento de padrões. Uma grande rede
neural artificial pode ter centenas ou milhares de unidades de processamento, que tem
como objetivo ensinar os computadores a processar dados de uma forma inspirada pelo
cérebro humano, usando nós ou neurônios interconectados em uma estrutura em
camadas, semelhante ao cérebro humano.
A rede neural cria um sistema adaptativo que os computadores usam para aprender
com os erros e se aprimorar continuamente, ajudando os computadores a tomar decisões
inteligentes, com assistência humana limitada. Isso ocorre porque elas aprendem e modelam
relacionamentos entre os dados de entrada e de saída complexos e não lineares.
O cérebro humano é a inspiração por trás da arquitetura da rede neural. As células
do cérebro humano, chamadas de neurônios, formam uma rede altamente interconectada
e enviam sinais elétricos entre si para ajudar os seres humanos a processar informações.
Da mesma forma, uma rede neural artificial é feita de neurônios artificiais que trabalham
juntos para resolver um problema, sob a forma de módulos de software chamados de “nós”
e operando, enquanto rede, como programas ou algoritmos de software.
É importante lembrar que as redes neurais artificiais foram estudadas em meados
do século passado e deixadas de lado durante décadas, porque a baixa capacidade
computacional fazia com que suas aplicações fossem muito limitadas. Isso mudou no início
da década de 1990, quando o avanço tecnológico em hardware, finalmente alcançou o
ponto em que o conceito das redes neurais passou a ter valor prático.
Assim que as redes neurais começaram a ser exploradas por sua capacidade de
resolver problemas, também ficou evidente que sua forma mais básica, a clássica rede neural
profunda, não atendia a todas as necessidades. Os pesquisadores da área começaram
então a desenvolver novas ideias, baseadas tanto em novos tipos de neurônios, quanto em
estruturas mais complexas e mais profundas, portanto.
No artigo, “O que é Deep Learning”, é indicado que o aprendizado profundo deve ser
visto como um subconjunto do aprendizado de máquina, em que redes neurais artificiais
algoritmos modelados para funcionar como o cérebro humano - aprendem com grandes
quantidades de dados. (OCI. Oracle Brasil 2023)
Com pequenas mudanças nossas, no texto é dito que o aprendizado profundo é
desenvolvido por camadas de redes neurais, que são algoritmos modelados livremente no
 13

modo como os cérebros humanos funcionam. O treinamento com grandes quantidades

de dados é o que configura os neurônios na rede neural. O resultado é um modelo de
aprendizado profundo que, uma vez treinado, processa novos dados. Os modelos de
aprendizado profundo absorvem informações de várias fontes de dados e analisam esses
dados em tempo real, sem a necessidade de intervenção humana. No aprendizado profundo,
as unidades de processamento gráfico são otimizadas para modelos de treinamento porque
podem processar vários cálculos simultaneamente.
O aprendizado profundo é o que impulsiona muitas tecnologias de inteligência
artificial (IA) que podem melhorar a automação e as tarefas analíticas. A maioria das pessoas
encontra aprendizado profundo todos os dias quando navega na internet ou usa seus
telefones celulares. Entre inúmeras outras aplicações, o aprendizado profundo gera
legendas para vídeos do youtube, executa o reconhecimento de fala em telefones e alto-
falantes inteligentes, fornece reconhecimento facial para fotografias e habilita carros
autônomos. E à medida que cientistas de dados e pesquisadores lidam com projetos de
aprendizado profundo cada vez mais complexos, aproveitando estruturas de aprendizado
profundo e esse tipo de inteligência artificial se tornará cada vez mais uma parte maior do
nosso dia a dia.
Para fazer sentido de dados observacionais, como fotos ou áudio, as redes neurais
passam dados por camadas de nós interconectadas. Quando as informações passam por
uma camada, cada nó dessa camada executa operações simples nos dados e transmite os
resultados de forma seletiva para outros nós. Cada camada subsequente se concentra em um
recurso de nível superior ao último, até que a rede crie a saída.
Entre a camada de entrada e a camada de saída estão camadas ocultas. É aqui que
entra a distinção entre redes neurais e aprendizado profundo: A figura 1 exemplifica como
uma rede neural básica pode ter uma ou duas camadas ocultas, enquanto uma rede de
aprendizado profundo pode ter dezenas ou até centenas de camadas. Aumentar o número
de diferentes camadas e nós pode aumentar a precisão de uma rede. No entanto, mais
camadas também podem significar que um modelo exigirá mais parâmetros e recursos
computacionais.
 14

Figura 1: Modelo simplificado de Rede Neural Artificial.

Fonte: (Ashwood, 2013).

O aprendizado profundo classifica as informações por meio de camadas de redes

neurais, que têm um conjunto de entradas que recebem dados brutos. Por exemplo, se
uma rede neural for treinada com imagens de aves, ela poderá ser usada para reconhecer
imagens de aves. Mais camadas permitem resultados mais precisos, como distinguir uma
ramificação de um corvo em comparação com distinguir uma ramificação de uma galinha.
Redes neurais profundas, que estão por trás de algoritmos de aprendizado profundo, têm
várias camadas ocultas entre os nós de entrada e saída, o que significa que eles são
capazes de realizar classificações de dados mais complexas. Um algoritmo de aprendizado
profundo deve ser treinado com grandes conjuntos de dados e, quanto mais dados receber,
mais preciso será; ele precisará ser alimentado com milhares de fotos de pássaros antes
de poder classificar com precisão novas fotos de pássaros.
Quando se trata de redes neurais, treinar o modelo de aprendizado profundo significa
que a rede neural ingere entradas, que são processadas em camadas ocultas usando pesos
(parâmetros que representam a força da conexão entre as entradas) que são ajustados
durante o treinamento, e o modelo então faz uma previsão. Os pesos são ajustados com base
nos insumos de treinamento para fazer previsões melhores. Os modelos de aprendizado
profundo passam muito tempo no treinamento de grandes volumes de dados, e é por isso
que a computação de alto desempenho é tão importante.
Atualmente, entre as redes neurais mais amplamente utilizadas estão as profundas, as
convolucionais, as recorrentes, os autoencoders e as generativas. Mas o universo de
possibilidades é amplo, e várias outras arquiteturas especializadas em tarefas específicas
vem sendo bem estabelecidas. (Ceccon, 2020)
As diferentes possibilidades de arquitetura de redes neurais, estão presentes neste
estudo “Os Tipos de Redes Neurais” e sugerem que um dos modelos mais promissores e
instigantes na área da IA, se sustenta com o uso de duas redes neurais que funcionam em
conjunto, de forma competitiva. (Ceccon, 2020)
 15

Aqui se está falando das Redes Generativas Adversárias e elas envolvem as pos-
sibilidades mais transformadoras e desafiadoras na área e, com elas, se intensificam as
preocupações que permeiam todo o tempo o uso da IA. Entendê-las, portanto, é necessário.

4 REDES GENERATIVAS ADVERSÁRIAS (GANs)

As GANs são, como vimos acima, uma das expressões mais inovadoras e criativas da
IA Generativa. Como a IA Generativa trata de uma divisão da Inteligência Artificial com foco
no desenvolvimento de sistemas que podem criar conteúdos novos e originais, a partir de
grande volume de dados, capazes de treinar a IA generativa para realizar diversas tarefas,
desde as mais simples até as mais complexas, as GANs irão aprimorar este processo. Se o
treinamento faz com que a IA aprenda o padrão dos dados fornecidos e, a partir dele, possa
gerar respostas originais seguindo esse mesmo padrão, as GANs serão a sua forma mais
inovadora até aqui.
Em texto muito didático e preciso no site Neural Mind, é mostrado que, embora a
IA generativa tenha ficado famosa nos últimos anos, os estudos que deram origem a ela
remontam do século passado, mas toda a revolução nesta área começou em 2011, quando o
supercomputador Watson foi lançado pela IBM. Ele passou a ser utilizado em sistemas de
reconhecimento facial e até mesmo na medicina, para auxiliar na descoberta de relações
entre genes, proteínas e medicamentos – para isso, o software analisava rapidamente uma
gigantesca quantidade de dados, incluindo artigos científicos e livros.

Sob a forma de redes neurais convulsionais e envolvendo uma técnica de apren-

dizado profundo, a GAN foi um modelo introduzido em um artigo de Ian Goodfellow em
2014 e outros pesquisadores da Universidade de Montreal, incluindo Yoshua Bengio. O próprio
Yan Lecun, cientista-chefe do laboratório de Inteligência Artificial (IA) da Meta e professor da
Universidade de Nova York (EUA), uns dos pesquisadores de IA mais influentes do mundo,
destacou que o treinamento adversário é umas das ideais mais interessantes nos últimos 10
anos em aprendizado de máquina e suas repetições, bem como o uso das redes neurais.
Entendida como extensão ou desenvolvimento da IA generativa, as Redes Generativas
Adversárias (Generative Adversarial Networks -GANs) podem ser descritas como contendo
internamente duas redes que funcionam em conjunto, de forma competitiva. A primeira rede
a parte generativa é responsável por gerar conteúdo, sendo treinada na tarefa de recriar a
informação original. A segunda rede a parte adversarial é responsável por julgar o conteúdo,
comparando a criação da rede generativa com a informação original. Quando a rede adversarial
julga que a informação gerada não pode se passar pela original, a rede generativa é forçada a
melhorar seu desempenho, até conseguir enganar a outra como pode ser observado na figura
2 exemplificada.
 16

Figura 2: Decrypt Generative Adversarial Networks (GAN)

Fonte: Karagiannakoson, 2018

Isso faz com que a GAN tenha a capacidade de criar conteúdo inédito, já que a
saída da rede foi produzida pela parte generativa e julgada aceitável pela parte adversarial.
Durante o treinamento, o gerador melhora na criação de dados mais realistas enquanto o
discriminador se aprimora na distinção entre dados reais e gerados. Essa competição entre
os dois modelos leva a melhorias constantes em ambos, resultando em um gerador capaz
de criar dados que se assemelham cada vez mais aos dados reais.
Este modelo de IA generativa, tecnicamente, se constitui de duas redes: um gerador e
um discriminador. O gerador cria amostras de dados, enquanto o discriminador avalia a
autenticidade dessas amostras, originando um ciclo que se repete até que o discriminador
não consiga mais diferenciar os dados reais que foram inseridos na rede dos dados gerados
pelo gerador. Assim, com a repetição do ciclo, o gerador poderá criar dados indistinguíveis
dos dados reais.
É dito que este processo de aprendizado diferencia a IA generativa das IAs con-
vencionais, já que essa pode aprender também com as próprias informações geradas por
ela e não apenas com aquelas inseridas pelo ser humano. Dessa forma, combina-se a
habilidade de agrupamento de dados de uma máquina não supervisionada com uma GAN
para minimizar a necessidade de um humano rotular dados, o que traz diversos benefícios
para empresas e indivíduos que fazem uso dessa tecnologia.
Podemos definir as GANs como uma inteligência artificial que trabalha para geração
dados que, após analisar esse conteúdo pode facilmente enganar, deixando muito incerto
se a imagem é real ou falsa. Constituída por duas redes neurais, o gerador (chamado de
artista) aprende a criar imagens que parecem reais e o discriminador são colocadas uma
 17

contra a outra (por isso “Adversarias”), como pode ser observado na figura 3, onde GANs
conseguiu reproduzir um pintura.

Figura 3: Creative Adversarial Networks: GANs that make art

Fonte: DOCTOROW,2019

Numa simulação, teríamos este exemplo:

O objetivo do gerador (ladrão) é gerar dígitos manuscritos cada vez melhores. O
objetivo do discriminador (detetive) é identificar imagens falsas do gerador. Ou seja, são
duas redes adversárias, uma discriminativa e uma generativa que, em termos gerais, faz o
oposto das redes discriminativas:

Para entender as GANs, você deve saber como os algoritmos generativos

funcionam e, para isso, contrastá-los com algoritmos discriminativos é instrutivo.
Algoritmos discriminativos tentam classificar os dados de entrada; isto é, dados
os recursos de uma instância de dados, eles prevêem um rótulo ou categoria à
qual esses dados pertencem.(DEEP,2020)

No site Deep Learning Book, há uma passagem onde se anota que o “potencial das
GANs é enorme porque elas podem aprender a imitar qualquer distribuição de dados. Ou seja,
as GANs podem ser ensinadas a criar mundos estranhamente semelhantes aos nossos em
qualquer domínio: imagens, música, fala, prosa. Elas são artistas robóticos, em certo sentido, e
sua produção é impressionante. (Deep Learning Book,2020)

Importante chamar a atenção para uma confusão comum que classifica o ChatGPT como
uma derivação da GAN. A arquitetura GPT (Generative Pre-trained Transformer) criada pela
OpenAI) deriva de uma rede neural projetada para tarefas de processamento de linguagem
natural, com tarefas relacionadas a processamento e geração de texto, tradução automática,
resposta a perguntas. Enquanto as GANs são usadas para gerar dados, como imagens ou outros
tipos de conteúdo.
Mas, o fato relevante e, sobretudo, preocupante, sobre o uso da GAN acontece no
 18

universo das “deep fakes”. No artigo “Deep Fakes using Generative Adversarial Networks
(GAN)”, os autores Tianxiang Shen, Ruixian Liu, Ju Bai, Zheng Li, salientam que este é um
recurso mais poderoso do que a tradução tradicional de imagem para imagem, pois pode
gerar imagens sem fornecer dados de treinamento emparelhados, proporcionando uma
maneira disponível para implementar “deep fakes”
O objetivo seria capturar características comuns de uma coleção de imagens
existentes e descobrir uma maneira de construir outras imagens com características similares e
permanentes em termos de formas e estilos.” (Shen, Liu, Bai, Li, 2018)
Na verdade, a deep fake é uma combinação do aprendizado profundo com a GAN que,
por exemplo, aplica uma fala ou imagem de um vídeo existente e real sobre outras imagens
ou sons criando uma outra realidade, podendo gerar notícias falsas, embustes maldosos,
distorções de acontecimentos políticos.
Se é verdade que as conquistas e possibilidades na área da IA, sobretudo daquelas
abertas pelos desenvolvimentos impressionantes no âmbito da IA Generativa, cuja expressão
mais atual é a chamada Rede Generativa Adversária, fica ainda mais necessário o debate
sobre os desafios éticos que a aplicação destes instrumentos suscita sobre a vida cotidiana

5 INTELIGÊNCIA ARTIFICIAL E GANs: DILEMAS ÉTICOS

A IA sempre suscitou debate ético, pelas enormes possibilidades que contém de

invadir prerrogativas de liberdade próprias dos seres humanos, colocando a emergência de
um debate ético sem precedentes na história da ciência.

A ética requer e supõe a existência de um sujeito responsável, livre e racional.

Para Bucci, sem isso, é difícil postular uma dimensão de natureza moral ou ética
para as ações. Considerando que a ética é obrigatoriamente humana, o
professor questionou como ela fica quando inúmeras ações que geram
consequências sociais têm as máquinas como protagonistas totais ou parciais.(
Herminio, 2022)

Este novo século foi marcado por avanços científicos e tecnológicos significativos
e sólidas alianças industriais e econômicas globais. Inúmeras melhorias têm produzido
avanços significativos em diversas áreas. No entanto, essas descobertas levantam questões
éticas e preocupações. O progresso nas ciências da vida está dando aos humanos um novo
poder para melhorar nossa saúde e controlar os processos de desenvolvimento de todas as
espécies vivas. Preocupações sobre as implicações sociais, culturais, jurídicas e éticas de
tal progresso levaram a um dos debates mais significativos do século passado, cunhando
uma nova palavra para abranger essas preocupações: bioética.
Na abordagem destes desafios éticos são indicados riscos que o uso indevido da
tecnologia pode promover sobre o cotidiano das pessoas e da própria vida social.
Os algoritmos de inteligência artificial podem reproduzir preconceitos e
discriminações existentes na sociedade, principalmente quando são treinados com bases
 19

de dados que contêm esses vieses, decorrentes do mau uso dos algoritmos, podendo
gerar decisões injustas e desiguais, o que é preocupante sobretudo em áreas como a
justiça e o recrutamento.
É preciso desenvolver técnicas para evitar ou minimizar o viés algorítmico, os quais
podem ser usados para disseminar desinformação em larga escala, manipulando opiniões
públicas, eleições e propagando fake news, as chamadas deepfakes criando conteúdos
falsificados, como vídeos e áudios, nos quais rostos e vozes de pessoas reais são
manipulados para criar vídeos falsos extremamente convincentes, ataques cibernéticos
sofisticados podem comprometer a segurança de sistemas, roubar informações sensíveis,
monitoramento de pessoas sem seu consentimento, invadindo a privacidade, o
desenvolvimento de armas autônomas, capazes de tomar decisões de ataque sem
intervenção humana direta, o que poderia resultar em consequências catastróficas.
Não obstante as grandes conquistas decorrentes do uso da Inteligência Artificial e
todos os seus desenvolvimento contemporâneos, elas trazem uma série de preocupações,
dadas as consequências que as IAs generativas podem causar na revolução no segmento
de produção de conteúdo e, também, porque muitas dessas consequências poderão ser
maléficas para diversos setores da sociedade: além da possibilidade de mau uso das
tecnologias, e de questões éticas, é certo o potencial de agravar a desigualdade econômico-
social, tanto entre nações como entre indivíduos da mesma nação, o que é comum para
economias baseadas em alta tecnologia.
As recomendações surgem para mitigar eventuais efeitos deletérios decorrentes
do uso da IA. No excelente artigo de Wagner Brenner e que nos inspirou para tratar deste
assunto, são ponderadas diversas considerações sobre o tema, além de relacionar as
recomendações, como as abaixo expostas. (Brenner,2023)
Ele diz que, quando os sistemas de inteligência artificial são autônomos, ou seja,
tomam decisões sem intervenção humana, surge a questão da responsabilidade por essas
decisões. Quem é responsável por um acidente causado por um carro autônomo, por
exemplo? É preciso estabelecer critérios claros para a atribuição de responsabilidade em
casos envolvendo sistemas autônomos.
A transparência e a explicabilidade dos sistemas são fundamentais para garantir a
confiança e a aceitação da tecnologia. É preciso desenvolver formas de tornar os sistemas
mais compreensíveis e explicáveis. E, nesse caso, a empresa enfrenta um dilema ético
de IA: como equilibrar a necessidade de transparência e explicabilidade com a proteção
da privacidade e segurança dos dados, garantindo a justiça e equalidade na tomada de
decisões?
A inteligência artificial também pode gerar exclusão social se não for utilizada de
forma justa e equitativa. Alguns grupos podem ser discriminados ou deixados de lado pela
tecnologia, o que pode agravar desigualdades existentes na sociedade. Se esses algoritmos
forem treinados com dados históricos de contratação, que já refletem a discriminação e
 20

exclusão de determinados grupos sociais, os algoritmos podem perpetuar esses padrões

de exclusão e discriminação.
Assim, o dilema ético está em como equilibrar a necessidade de corrigir as
desigualdades históricas e de promover a diversidade e inclusão, com a necessidade de
evitar a discriminação e exclusão de candidatos que não pertencem a grupos beneficiados
pelos ajustes dos algoritmos.
A inteligência artificial pode substituir empregos que antes eram realizados por seres
humanos, o que pode gerar desemprego e desigualdade. É preciso pensar em formas de
garantir que o desenvolvimento da IA não prejudique os trabalhadores e que haja uma
transição justa para novos modelos de trabalho.
Os desenvolvedores de IA enfrentam o dilema ético de equilibrar os benefícios
potenciais de suas tecnologias com as consequências negativas para os trabalhadores e a
sociedade em geral. Eles devem considerar não apenas os benefícios econômicos a curto
prazo, mas também as implicações sociais e políticas a longo prazo de sua tecnologia.
Quando usada para fins militares, o que pode gerar riscos para a segurança global e
violações de direitos humanos, é importante discutir os limites éticos para o uso da IA nestes
contextos, bem como formas de garantir o controle e a transparência dessas tecnologias.
No caso, por exemplo, de drones autônomos, programados para atingir alvos com precisão e
minimizar danos colaterais, podem também tomar decisões sem a supervisão humana e,
portanto, podem cometer erros ou causar danos irreparáveis.
A inteligência artificial pode ser usada para fins de controle e dominação, sobretudo
em regimes autoritários. É importante considerar os riscos de uso indevido da IA e
estabelecer normas que garantam o controle democrático e a liberdade individual. Esse
cenário coloca em questão a privacidade e liberdade individual, bem como o papel da
tecnologia na manutenção da ordem social. Além disso, há o risco de que esses sistemas
sejam usados para discriminar grupos específicos de pessoas com base em
características como raça, gênero ou religião, o que pode levar a uma maior desigualdade
e injustiça. Nesse caso, o dilema ético envolve equilibrar a segurança pública e a proteção
dos direitos e liberdades individuais, e garantir que a IA seja usada de forma ética e
responsável.

6 CONSIDERAÇÕES FINAIS

A grande jornada humana em torno dos progressos da IA está longe de terminar. À

medida que a tecnologia continua a evoluir e novos desafios surgem, pesquisadores e
cientistas estão empenhados em levar a IA a patamares ainda mais elevados. Com cada
avanço, somos catapultados para um futuro onde a IA desempenhará um papel cada vez
mais importante em nossas vidas, melhorando a eficiência, a precisão e a forma como
interagimos com o mundo ao nosso redor.
 21

Como a IA transforma nossas sociedades e desafia o que significa ser humano, é

necessário desenvolver políticas nacionais e internacionais, assim como marcos regulatórios,
para garantir que essas tecnologias emergentes beneficiem a humanidade, e não a
prejudiquem.
A IA Generativa, sobretudo nesta face da Rede Generativa Adversária (GAN) é,
certamente, algo cujos desenvolvimentos são imprevisíveis dada as possibilidades de
criação do novo. O problema é que este novo pode acontecer para o bem e para o mal.
Sobre isto e sobre o objetivo maior deste trabalho, talvez o artigo mais substantivo
seja o de Magaly Prado, “O Poder da Inteligência Artificial no cruzamento entre ChatGPT e
Deepfakes”. Ela alerta que após “a explosão de dados matéria-prima de uso indiscrimi- nado
nas últimas décadas, sabemos dos potenciais riscos à democracia ocasionados pela IA. A
situação seria agravada pela conjuntura de crise da informação, crescente polarização social
e política nas bolhas digitais, vigilância em ascensão e falta de proteção a nossos dados.
Além disto, que softwares como o ChatGPT treinados com big data para encontrar padrões
estatísticos e determinar pesos e medidas são perigosamente sofisticados para a
superindústria da desinformação é algo pacificado nesta era pós-factual.”
E, por isto mesmo, não podemos dizer que a máquina é naturalmente boa: ela é
inspirada e criada por humanos, homens que são bons e são maus! E assim são as
máquinas.

7 REFERÊNCIAS

Alveni Lisboa, O Que é a IA Generativa, 2023, Canaltech, disponível em out 2023, ht

tps://canaltech.com.br/inteligencia-artificial/o-que-e-ia-generativa, acessado em 01 de out
2023
BOTELHO, Thaïs Helena Falcão; NÖTH, Winfried. Deepfake:Inteligência Artificial para
discriminação e geração de conteúdos. 2021. Disponível em:
https://revistas.pucsp.br/index.php/teccogs/article/view/55979/37927. Acesso em: 24 nov. 2023.

Caio Túlio Costa. In: Beatriz Hermínio, Como Trabalhar a Ética na Inteligência
Artificial. Instituto de Estudos Avançados da USP, 23/09/2022, <https://abrir.link/2Bl0m>
acessado em 12 de nov 2023

Deep Learning Book. Cap 54. Introdução às Redes Adversárias Generativas. (GANs-
Generative Adversarial Networks) <https://www.deeplearningbook.com.br/introducao-as-re
des-adversarias-generativas-gans-generative-adversarial-networks/> acessado em 06 de
nov 2023

Denny Ceccon, Os Tipos de Redes Neurais. Expert Academy. 08/06/2020 <https://a

brir.link/rkdL2> acessado em 01 de nov de 2023
 22

DIGNUM, Virginia. Responsible Artificial Intelligence -- from Principles to Practice. 2022.

Disponível em: https://arxiv.org/abs/2205.10785. Acesso em: 02 dez. 2022

Didática Tech, Inteligência Artificial & Data Science. O que são GANs-Redes Ad-
versárias Generativas (GANs). <https://abrir.link/CQLSh> acessado em 17 de nov de
2023

Emerson Alecrim, Machine learning: O Que é e Porque é Tão importante, Technoblog.

Fev 2023, disponível em <https://tecnoblog.net/responde/machine-learning-ia-o-que-e/>
acessado em 08 de out 2013

Generative Adversarial Networks (GAN), disponível

em<http://noiselab.ucsd.edu/ECE228_2018/Reports/Report16.pdf>, acessado em 13 de out
2023

IBM. O Que é o Deep Learning? site da IBM <https://www.ibm.com/br-pt/topics/dee

p-learning> acessado out 2023

Magaly Prado, O Poder da Inteligência Artificial no Cruzamento entre ChatGPT e

Deepfakes. In Jornal da USP, 2023, <https://abrir.link/hJ9Sr> acessado em 18 de nov 2023

National Geografic Brasil. A História da Inteligência Artificial Redação do National

Geographic Brasil, 14 de mar 2023, disponível em: <https://abrir.link/nDv4L> acessado em
15 de nov/23

Neural Mind (blog). O que é a IA Generativa e Como Surgiu. 16/10/2023

<https://neuralmind.ai/2023/10/16/o-que-e-ia-generativa-e-como-surgiu/> acessado
em 5 de nov 2023

OCI. Oracle Brasil, O que é Deep Learning? <https://abrir.link/TiM5S> acessado em

09 de set 2023

OLIVEIRA, Claudio Carvalho de et al. Utilizando redes adversárias generativas

(GANs) como agente de apoio à inspiração para artistas. 2021. Disponível em:
https://www.cin.ufpe.br/~tg/2020-1/TG_CC/tg_cco2.pdf. Acesso em: 25 nov. 2023

O que é o Aprendizado de Máquina? Site Purestorage, 2023, acesso em out 2023,

<https://www.purestorage.com/br/knowledge/what-is-deep-learning.html> acessado em 08
de out 2013
 23

Paulo Belmonte, “Inteligência Artificial. História y Evolución: Uma História Pelos

Marcos e Progressos da IA, Plataforma Awari, disponível em <https://abrir.link/mdz9n>
acessado em 13 de out 2023

RUFFO, Vitor Gabriel da Silva; PROENÇA JUNIOR, Mario Lemes. Detecção de

anomalias em redes de computadores utilizando Redes Adversarias Generativas.
Disponível em: https://sites.uel.br/dc/wp-
content/uploads/2022/09/PROJETO_TCC_VITOR_RUFFO.pdf. Acesso em: 15 nov.
2023.

SICHMAN, Jaime Simão. Inteligência Artificial. 2021. Disponível em:

https://www.scielo.br/j/ea/a/c4sqqrthGMS3ngdBhGWtKhh#. Acesso em: 1 dez. 2023.

Tianxiang Shen, Ruixian Liu, Ju Bai, Zheng Li- Noiselab. ‘Deep Fakes’ using
Marc-Antoine Dilhac em entrevista a Régis Meyran. Os Riscos Éticos da IA, Correio da
UNESCO, Mar/2018 https://unesdoc.unesco.org/ark:/48223/pf0000265258. acessado em
6 de set 2023

UNESCO. Ética da Inteligência Artificial (IA) no Brasil” UNESCO, Brasília, 15/03/2023,

<https://abrir.link/fm6cZ> acessado em 6 de nov 2023

Vitor Blotta, In: UNESCO/UNESDOC. Recomendação sobre a Ética da Inteligência

Artificial, UNESDOC, 23 de novembro de 2021, acesso <https://abrir.link/ICRIE>, acessado
em 19 de nov de 2023

Wagner Brenner. Os 8 maiores dilemas éticos da Inteligência Artificial. Sabe Quais

São? UpDate Or Die <https://www.updateordie.com/2023/05/03/os-8-maiores-dilemas-etic
os-da-inteligencia-artificial-sabe-quais-sao/> acessado em 4 de jun de 2023