Publicado em: 17 de fevereiro de 2024, Última atualização: 22 de abril de 2025
A inteligência artificial (IA) abrange muitas tecnologias complexas e emergentes que antes exigiam intervenção humana e agora podem ser realizadas por um computador. De modo geral, a IA é um programa, modelo ou computador não humano que demonstra uma grande variedade de resolução de problemas e criatividade. Os computadores podem realizar funções avançadas, que historicamente eram usadas para entender e recomendar informações. Com a IA generativa, os computadores podem até gerar novos conteúdos.
A sigla IA é usada com frequência para representar vários tipos de tecnologias no campo da inteligência artificial, mas as capacidades de IA podem variar muito.
Aqui você encontra vários termos e conceitos sobre IA na prática, na Web. Para saber mais sobre machine learning, consulte o glossário de machine learning.
Como a IA funciona?
O treinamento é a primeira etapa de todos os modelos. Nela, os engenheiros de machine learning criam um algoritmo para fornecer entradas específicas ao modelo e demonstrar as saídas ideais. Em geral, os desenvolvedores Web não precisam realizar essa etapa, mas pode ser útil entender como um determinado modelo foi treinado. Embora seja possível ajustar um modelo, é melhor usar seu tempo escolhendo o melhor modelo para sua tarefa.
A inferência é o processo de um modelo tirar conclusões com base em novos dados. Quanto mais treinamento um modelo tiver em uma área específica, maior a probabilidade de a inferência criar uma saída útil e correta. No entanto, não há garantia de inferência perfeita, não importa o quanto um modelo tenha sido treinado.
Por exemplo, o Green Light usa um modelo de IA treinado com dados do Google Maps para entender os padrões de trânsito. À medida que mais dados são recebidos, a inferência é realizada para fornecer recomendações e otimizar os semáforos.
Onde a IA é usada?
O treinamento de IA é concluído antes do lançamento de um modelo. Pode haver mais treinamento, o que pode levar a novas versões de modelos com mais recursos ou precisão.
Os desenvolvedores da Web precisam se preocupar com o local em que a inferência de IA é realizada. O custo de usar a IA é muito afetado pela inferência. O intervalo de capacidade de um único modelo também é muito afetado.
IA do lado do cliente
Enquanto a maioria dos recursos de IA na Web depende de servidores, a IA do lado do cliente é executada no navegador do usuário e realiza inferências no dispositivo dele. Isso oferece latência menor, custos reduzidos do lado do servidor, remoção dos requisitos de chave de API, aumento da privacidade do usuário e acesso off-line. É possível implementar IA do lado do cliente que funciona em todos os navegadores com bibliotecas JavaScript, incluindo Transformers.js, TensorFlow.js e MediaPipe.
É possível que um modelo pequeno e otimizado do lado do cliente tenha um desempenho melhor do que um equivalente maior do lado do servidor, especialmente quando otimizado para performance. Avalie seu caso de uso para determinar qual solução é a mais adequada.
IA do lado do servidor
A IA do lado do servidor abrange serviços de IA baseados na nuvem. Imagine o Gemini 1.5 Pro executado em uma nuvem. Esses modelos tendem a ser muito maiores e mais poderosos. Isso é especialmente verdadeiro para os modelos de linguagem grandes.
IA híbrida
A IA híbrida se refere a qualquer solução que inclua um componente de cliente e de servidor. Por exemplo, você pode usar um modelo do lado do cliente para realizar uma tarefa e voltar para um modelo do lado do servidor quando a tarefa não puder ser concluída no dispositivo.
Machine learning (ML)
Machine learning (ML) é o processo em que um computador aprende e realiza tarefas sem programação explícita. Enquanto a IA se esforça para gerar inteligência, o ML consiste em algoritmos para fazer previsões de conjuntos de dados.
Por exemplo, suponha que você queira criar um site que avalie o clima em qualquer dia. Tradicionalmente, isso é feito por um ou mais meteorologistas, que podem criar uma representação da atmosfera e da superfície da Terra, calcular e prever os padrões climáticos e determinar uma classificação comparando os dados atuais com o contexto histórico.
Em vez disso, podemos fornecer a um modelo de ML uma enorme quantidade de dados meteorológicos até que ele aprenda a relação matemática entre padrões climáticos, dados históricos e diretrizes sobre o que torna o clima bom ou ruim em um dia específico. Na verdade, criamos isso na Web.
IA generativa e modelos de linguagem grandes
A IA generativa é uma forma de machine learning que ajuda os usuários a criar conteúdo que parece familiar e imita a criação humana. A IA generativa usa modelos de linguagem grandes para organizar dados e criar ou modificar texto, imagens, vídeo e áudio com base no contexto fornecido. A IA generativa vai além da correspondência de padrões e das previsões.
Um modelo de linguagem grande (LLM) tem vários (geralmente bilhões) parâmetros que podem ser usados para realizar uma ampla variedade de tarefas, como gerar, classificar ou resumir texto ou imagens.
Os chatbots se tornaram ferramentas muito usadas para as pessoas usarem a IA generativa, incluindo:
Essas ferramentas podem criar prosa escrita, exemplos de código e arte. Elas podem ajudar você a planejar férias, suavizar ou profissionalizar o tom de um e-mail ou classificar diferentes conjuntos de informações em categorias.
Há inúmeros casos de uso para desenvolvedores e não desenvolvedores.
Aprendizado profundo
O aprendizado profundo (DL) é uma classe de algoritmos de ML. Um exemplo são as redes neurais profundas (DNNs, na sigla em inglês), que tentam modelar a maneira como o cérebro humano processa informações.
Um algoritmo de aprendizado profundo pode ser treinado para associar determinados recursos em imagens a um rótulo ou categoria específica. Depois de treinado, o algoritmo pode fazer previsões que identificam essa mesma categoria em novas imagens. Por exemplo, o Google Fotos pode identificar a diferença entre gatos e cachorros em uma foto.
Processamento de linguagem natural (PLN)
O processamento de linguagem natural é uma classe de ML que ajuda os computadores a entender a linguagem humana, desde as regras de qualquer idioma específico até as idiossincrasias, o dialeto e a gíria usados pelas pessoas.
Desafios com a IA
Há vários desafios ao criar e usar a IA. Confira abaixo alguns destaques do que você precisa considerar.
Qualidade e atualização dos dados
Grandes conjuntos de dados usados para treinar vários modelos de IA geralmente ficam desatualizados logo após o uso. Isso significa que, ao buscar as informações mais recentes, você pode se beneficiar da engenharia de comandos para melhorar o desempenho de um modelo de IA em tarefas específicas e gerar resultados melhores.
Os conjuntos de dados podem estar incompletos ou ser muito pequenos para oferecer suporte a alguns casos de uso. Pode ser útil trabalhar com várias ferramentas ou personalizar o modelo para atender às suas necessidades.
Questões éticas e de viés
A tecnologia de IA é interessante e tem muito potencial. No entanto, os computadores e algoritmos são criados por humanos, treinados com dados que podem ser coletados por humanos e, portanto, estão sujeitos a vários desafios. Por exemplo, os modelos podem aprender e amplificar vieses humanos e estereótipos prejudiciais, afetando diretamente a saída. É importante abordar a criação de tecnologia de IA com a mitigação de viés como prioridade.
Há inúmeras considerações éticas sobre os direitos autorais de conteúdo gerado por IA. Quem é o proprietário da saída, especialmente se ela for muito influenciada ou copiada diretamente de material protegido por direitos autorais?
Antes de gerar novas ideias e conteúdo, considere as políticas atuais sobre como usar o material criado.
Segurança e privacidade
Muitos desenvolvedores da Web disseram que a privacidade e a segurança são as principais preocupações ao usar ferramentas de IA. Isso é especialmente verdadeiro em contextos comerciais com requisitos de dados rigorosos, como governos e empresas de saúde. Expor dados do usuário a mais terceiros com APIs de nuvem é uma preocupação. É importante que qualquer transmissão de dados seja segura e monitorada continuamente.
A IA do lado do cliente pode ser a chave para resolver esses casos de uso. Ainda há muito trabalho de pesquisa e desenvolvimento a ser feito.
Começar a usar a IA na Web
Agora que você conhece os vários tipos de inteligência artificial, pode começar a pensar em como usar modelos atuais para aumentar a produtividade e criar sites e aplicativos da Web melhores.
Você pode usar a IA para:
- Crie um preenchimento automático melhor para a pesquisa do seu site.
- Detectar a presença de objetos comuns, como humanos ou animais de estimação, com uma câmera inteligente
- Combata o spam em comentários com um modelo de linguagem natural.
- Melhore sua produtividade ativando o preenchimento automático para seu código.
- Crie uma experiência de escrita WYSIWYG com sugestões para a próxima palavra ou frase.
- Forneça uma explicação legível de um conjunto de dados.
- E mais…
Os modelos de IA pré-treinados são uma ótima maneira de melhorar nossos sites, apps da Web e produtividade sem precisar entender totalmente como criar modelos matemáticos e reunir conjuntos de dados complexos que alimentam as ferramentas de IA mais usadas.
Talvez você descubra que a maioria dos modelos atende às suas necessidades imediatamente, sem precisar de mais ajustes. Ajustar é o processo de pegar um modelo que já foi treinado em um grande conjunto de dados e treinar ainda mais para atender às suas necessidades específicas de uso. Há várias técnicas para ajustar um modelo:
- O aprendizado por reforço com feedback humano (RLHF) é uma técnica que usa o feedback humano para melhorar o alinhamento de um modelo com preferências e intenções humanas.
- A adaptação de classificação baixa (LoRA, na sigla em inglês) é um método eficiente de parâmetros para LLMs que reduz o número de parâmetros treináveis sem afetar o desempenho do modelo.