Menu
AI for Educational Assistants

Trilha do zero ao avançado

Começar

Módulos

Mais

Ver no GitHub

Aula 1, O que é IA

Esta aula abre a trilha definindo o que entendemos por Inteligência Artificial, separando o conceito de alguns mitos comuns e apresentando as três grandes abordagens que vamos usar no curso, a simbólica, a estatística e a generativa. Ela serve de base para tudo o que vem depois, então vale a pena ir com calma.

A expressão Inteligência Artificial está em todo lugar hoje, de filmes a manchetes de jornal, e por isso mesmo costuma vir cercada de exageros e mal-entendidos. Antes de construir qualquer assistente educacional, precisamos de um chão firme, ou seja, de uma ideia clara do que a IA realmente é, do que ela consegue fazer e de quais são os seus limites. Sem isso, fica fácil esperar mágica de onde não há, ou desprezar recursos que poderiam ajudar muito o ensino.

Nesta aula a gente começa devagar, separando o conceito de IA de alguns mitos comuns e organizando o vocabulário que vai aparecer ao longo de todo o curso, como Machine Learning, Deep Learning e os grandes modelos de linguagem. Em seguida, conhecemos as três abordagens que vão nos acompanhar, a simbólica, a estatística e a generativa, e já colocamos a mão na massa com um exemplo pequeno mas representativo, identificar o tema de uma pergunta de aluno. Esse exemplo é o primeiro passo concreto rumo ao assistente que vamos construir até o final da trilha.

Objetivos

Ao final desta aula, você deve ser capaz de:

  • Explicar com suas palavras o que é Inteligência Artificial e o que ela não é.
  • Diferenciar IA, Machine Learning e Deep Learning, entendendo como um está contido no outro.
  • Caracterizar as três abordagens de IA que usaremos na trilha, a simbólica, a estatística e a generativa.
  • Reconhecer onde um assistente educacional inteligente se encaixa nesse mapa.

Teoria

Inteligência Artificial é o campo que estuda como fazer máquinas realizarem tarefas que, quando feitas por pessoas, associamos à inteligência, como perceber, raciocinar, aprender, planejar e usar linguagem. Repare que a definição fala em realizar tarefas, e não em imitar exatamente a mente humana. Essa diferença é importante, porque boa parte da IA prática se preocupa em resolver problemas de forma competente, não em reproduzir a biologia do cérebro.

Um ponto que costuma confundir é a relação entre três termos muito usados. Inteligência Artificial é o conceito mais amplo. Dentro dela está o Machine Learning, que é a parte da IA em que o sistema aprende padrões a partir de dados, em vez de seguir apenas regras escritas à mão. E dentro do Machine Learning está o Deep Learning, que usa redes neurais profundas e é a tecnologia por trás dos modelos de linguagem modernos.

flowchart TB
    IA[Inteligência Artificial] --> ML[Machine Learning]
    ML --> DL[Deep Learning]
    DL --> LLM[Large Language Models]
    IA --> SIMB[IA Simbólica<br/>regras e lógica]
    ML --> EST[IA Estatística<br/>aprende com dados]
    DL --> GEN[IA Generativa<br/>cria conteúdo novo]

Ao longo da história, a área oscilou entre duas grandes filosofias. De um lado, a abordagem simbólica, que representa o conhecimento de forma explícita, com regras e lógica, e foi dominante nas primeiras décadas. De outro, a abordagem estatística, que aprende padrões a partir de exemplos e ganhou força com a disponibilidade de dados e de poder computacional. Mais recentemente, a IA generativa, construída sobre Deep Learning, passou a criar texto, imagem e código de qualidade surpreendente, e é o que torna possível um assistente educacional conversar de forma natural.

Vale registrar que a expressão Inteligência Artificial nasceu em uma proposta de 1955 para um encontro de pesquisa em Dartmouth, redigida por McCarthy, Minsky, Rochester e Shannon, que marca o início da área como disciplina. Antes disso, em 1950, Alan Turing já havia proposto a famosa pergunta sobre se máquinas podem pensar, junto com o teste que leva seu nome.

Explicação Intuitiva

Pense em três formas de ensinar um computador a dizer de que tema é uma pergunta de aluno.

Na primeira, você senta e escreve regras à mão. Se a pergunta contém a palavra derivada, então o tema é cálculo. É como dar a um estagiário um manual com uma lista enorme de instruções do tipo se isto, faça aquilo. Funciona bem enquanto o mundo se comporta como o manual previu, e quebra assim que aparece algo fora da lista. Essa é a essência da IA simbólica.

Na segunda, em vez de escrever as regras, você mostra muitos exemplos já classificados e deixa o computador descobrir sozinho os padrões. É como um estagiário que aprende observando centenas de casos resolvidos, até pegar o jeito. Ele generaliza para perguntas que nunca viu, desde que sejam parecidas com o que aprendeu. Essa é a ideia da IA estatística, o coração do Machine Learning.

Na terceira, o computador não só classifica, ele produz algo novo, como uma explicação inteira escrita na hora. É como um monitor que, além de saber o tema da pergunta, consegue redigir uma resposta clara e original. Essa é a IA generativa, e é ela que dá voz aos assistentes educacionais modernos.

Explicação Matemática

Esta aula é mais conceitual, mas há uma formalização clássica que vale a pena guardar, pois define com precisão o que significa um programa aprender. A definição é de Tom Mitchell, em 1997.

Diz-se que um programa de computador aprende com a experiência $E$, em relação a uma classe de tarefas $T$ e a uma medida de desempenho $P$, se o seu desempenho nas tarefas de $T$, medido por $P$, melhora com a experiência $E$.

Em símbolos, podemos pensar que o aprendizado busca um modelo, com parâmetros $\theta$, que minimiza o erro médio sobre os exemplos. Se $L$ é uma função que mede o erro de uma previsão $\hat{y}$ em relação ao valor correto $y$, e temos $m$ exemplos, o objetivo é reduzir a função de custo

\[J(\theta) = \frac{1}{m} \sum_{i=1}^{m} L\left(\hat{y}^{(i)}, y^{(i)}\right).\]

Não se preocupe em resolver isso agora. O ponto é perceber a diferença de fundo entre as abordagens. Na IA simbólica, uma pessoa escreve as regras diretamente. Na IA estatística, o sistema ajusta os parâmetros $\theta$ a partir dos dados, para que $J(\theta)$ fique o menor possível. Vamos voltar a essa ideia com calma no Módulo 2.

Exemplo Prático

Imagine o primeiro tijolo de um assistente educacional. Quando um aluno faz uma pergunta, o assistente precisa entender de que tema ela trata, para então buscar o material certo ou acionar o especialista adequado. Vamos resolver essa pequena tarefa de três formas, uma para cada abordagem, e comparar o que muda.

O cenário é simples. Temos perguntas curtas de alunos e queremos classificá-las em temas como cálculo, álgebra linear e estatística. Em seguida, vamos pedir a um modelo generativo que escreva uma explicação para o aluno. Esse mesmo exemplo roda no notebook notebooks/modulo-01/01-o-que-e-ia.ipynb, então abra-o ao lado para acompanhar o código rodando.

Código Comentado

Abordagem 1, IA simbólica com regras escritas à mão

# Um conjunto de regras que liga palavras-chave a temas.
# É o ser humano quem escreve o conhecimento, de forma explícita.
REGRAS = {
    "derivada": "cálculo",
    "integral": "cálculo",
    "limite": "cálculo",
    "vetor": "álgebra linear",
    "matriz": "álgebra linear",
    "probabilidade": "estatística",
    "média": "estatística",
}


def classificar_por_regras(pergunta: str) -> str:
    """Classifica a pergunta procurando palavras-chave conhecidas."""
    texto = pergunta.lower()
    for palavra, tema in REGRAS.items():
        if palavra in texto:
            return tema
    # Quando nenhuma regra casa, o sistema simplesmente não sabe responder.
    return "desconhecido"


print(classificar_por_regras("Como calculo a derivada de x ao quadrado?"))
# cálculo
print(classificar_por_regras("O que é desvio padrão?"))
# desconhecido, pois não há regra para 'desvio padrão'

Repare na fragilidade. A pergunta sobre desvio padrão é claramente de estatística, mas, como não existe uma regra para essas palavras, o sistema falha. Cobrir todos os casos na mão é inviável.

Abordagem 2, IA estatística que aprende com exemplos

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline

# Em vez de regras, fornecemos exemplos já rotulados.
perguntas = [
    "como calculo a derivada de uma função",
    "qual a integral de x dx",
    "o que é um limite no cálculo",
    "como multiplico duas matrizes",
    "o que é um vetor unitário",
    "como calculo a média de uma amostra",
    "o que significa desvio padrão",
    "como interpreto uma probabilidade",
]
temas = [
    "cálculo", "cálculo", "cálculo",
    "álgebra linear", "álgebra linear",
    "estatística", "estatística", "estatística",
]

# O pipeline transforma o texto em números com TF-IDF e treina um classificador.
modelo = make_pipeline(TfidfVectorizer(), LogisticRegression(max_iter=1000))
modelo.fit(perguntas, temas)

# Agora testamos com uma frase que o modelo nunca viu exatamente assim.
print(modelo.predict(["como encontro o desvio padrão de uma série de notas"]))
# Espera-se algo como ['estatística'], mesmo sem uma regra explícita.

Aqui o sistema generaliza. Mesmo sem termos escrito uma regra para desvio padrão, o modelo aprendeu, a partir dos exemplos, que esse tipo de frase tende a ser de estatística. Essa capacidade de generalizar é o que torna o Machine Learning tão útil.

Abordagem 3, IA generativa com um modelo de linguagem local

# A IA generativa não classifica apenas, ela produz texto novo.
# Usamos o Ollama, que roda um LLM localmente, sem precisar de chave de API.
# Se o Ollama não estiver disponível, o código avisa em vez de quebrar.
try:
    import ollama

    resposta = ollama.chat(
        model="llama3.1",
        messages=[
            {
                "role": "user",
                "content": "Explique, em duas frases e de forma simples, "
                "o que é desvio padrão para um estudante do primeiro ano.",
            }
        ],
    )
    print(resposta["message"]["content"])
except Exception as erro:
    print("Não foi possível usar o Ollama agora.")
    print("Verifique a instalação em docs/setup.md. Detalhe técnico:", erro)

Note o salto. As duas primeiras abordagens decidem um rótulo. A terceira escreve uma explicação inteira, na hora, adaptada ao pedido. É exatamente esse tipo de capacidade que vamos orquestrar, ao longo da trilha, para construir um assistente que ensina de verdade.

Exercícios

1) Conceitual: Com suas palavras, explique por que Deep Learning é um subconjunto de Machine Learning, e este, um subconjunto de IA. Dê um exemplo de cada nível. 2) Conceitual: A definição de aprendizado de Mitchell fala em tarefa $T$, desempenho $P$ e experiência $E$. Descreva esses três elementos para o problema de classificar perguntas de alunos por tema. 3) Prático: Acrescente pelo menos duas novas palavras-chave ao dicionário REGRAS e teste com frases que antes davam desconhecido. Comente até onde essa estratégia consegue ir. 4) Prático: Adicione mais exemplos ao conjunto de treino da abordagem estatística, incluindo um novo tema, como geometria. Reavalie se o modelo passa a acertar perguntas desse novo tema. 5) Extensão: Pesquise um exemplo real de IA simbólica famoso, como um sistema especialista, e escreva um parágrafo sobre por que ele teve sucesso na época e quais foram suas limitações.

Projeto da Aula

Monte um pequeno comparador das três abordagens para o problema de identificar o tema de uma pergunta de aluno. A entrega é um script ou um notebook que recebe uma lista de perguntas e mostra, lado a lado, o tema previsto pela abordagem simbólica, o tema previsto pela abordagem estatística e uma explicação curta gerada pela abordagem generativa.

O objetivo é sentir, na prática, as diferenças entre escrever regras, aprender com dados e gerar conteúdo. Considere o projeto pronto quando ele rodar de ponta a ponta com pelo menos cinco perguntas de teste e quando você conseguir explicar, em um parágrafo, em que situação cada abordagem se sai melhor. Esse comparador é a primeira pedra do assistente que vamos construir até o final da trilha.

Leituras Recomendadas

  • Capítulo introdutório de Russell e Norvig, Artificial Intelligence: A Modern Approach, para uma visão ampla e cuidadosa do campo.
  • Site do livro Deep Learning, de Goodfellow, Bengio e Courville, disponível de forma gratuita em https://www.deeplearningbook.org, para quem quer se aprofundar depois.
  • Documentação do Ollama em https://ollama.com, para entender o que está rodando por trás dos exemplos generativos.

Referências Científicas

As referências abaixo são reais e estão registradas em references/referencias.bib. As chaves entre parênteses são as do BibTeX.

  • Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433-460. (turing1950computing)
  • McCarthy, J., Minsky, M. L., Rochester, N., e Shannon, C. E. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Reimpresso em AI Magazine, 2006. (mccarthy1955dartmouth)
  • Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. (mitchell1997machine)
  • Russell, S., e Norvig, P. (2020). Artificial Intelligence: A Modern Approach, 4ª edição. Pearson. (russell2020aima)
  • Goodfellow, I., Bengio, Y., e Courville, A. (2016). Deep Learning. MIT Press. (goodfellow2016deep)
  • Goodfellow, I., et al. (2014). Generative Adversarial Nets. NeurIPS. (goodfellow2014gan)