Precisa de computação em nuvem? Comece agora mesmo

Explorando a inteligência artificial: a IA é superestimada?

Berk Veral

escrito por

Berk Veral

November 04, 2024

Berk Veral

escrito por

Berk Veral

Berk Veral é diretor sênior de marketing de produtos na Akamai.

Não há dúvida de que a revolução da IA transformou a cibersegurança, para melhor e para pior.
Não há dúvida de que a revolução da IA transformou a cibersegurança, para melhor e para pior.

Talvez nenhum tópico de tecnologia seja mais onipresente, ou mais badalado, do que a inteligência artificial (IA). Quando a OpenAI trouxe a IA para as massas com seu lançamento do ChatGPT em novembro de 2022, o mundo foi mudado para sempre. Startups de IA começaram a atrair fundos enormes, empresas de tecnologia gigantes como a Microsoft e a Apple correram para implementar a IA em seus próprios produtos, e a conscientização pública sobre a IA como uma ferramenta tangível atingiu o pico. 

Agora, termos como IA generativa, grandes modelos de linguagem, machine learning e redes neurais estão aparecendo em praticamente todas as esferas de negócios, de serviços profissionais a eletrônicos de consumo. Há até mesmo uma torradeira habilitada para IA.

Mas o que exatamente é IA? E como você sabe se ela está sendo usado apenas como um chavão para vender um produto, ou se está realmente executando um nível mais alto de inteligência? Nesta publicação do blog, aprofundaremos essas perguntas e muito mais: sondando as limitações da IA, compartilhando dicas para identificar a lavagem de IA e explorando como a IA está transformando setores como a cibersegurança.

Revelando o entusiasmo da IA: o que a IA pode fazer?

A inteligência artificial é uma área da ciência da computação dedicada à criação de sistemas capazes de realizar tarefas que normalmente estão associadas aos seres humanos. Esses sistemas podem ser criados para realizar tarefas como tomar decisões, resolver problemas complexos e pensar criativamente. Os sistemas de IA usam algoritmos e dados sofisticados (muitos deles) para alcançar esses feitos. 

Mas essa definição geral apenas se aproxima da superfície. Para entender melhor o que é IA e o que não é, vamos começar definindo as duas grandes categorias de IA: inferência de IA e IA generativa.

Inferência de IA

A interface de IA é um tipo de tecnologia que se concentra em inferir informações de conteúdo como texto, imagens, áudio e vídeo. 

Por exemplo, quando apresentada com uma foto de um gato, a tecnologia pode usar pistas de contexto para identificar corretamente o assunto da foto. 

Embora esse tipo de IA possa fazer inferências com base em informações, ele não pode gerar seu próprio conteúdo.

IA generativa

IA generativa, ou GenAI, é uma tecnologia que pode gerar novos conteúdos, como texto, imagens, áudio e vídeo, a partir de instruções. 

Por exemplo, se for apresentada a instrução “desenhe um gato”, um modelo de GenAI gerará a imagem de um gato.

Você pode pensar na IA de inferência e na IA generativa como dois lados de uma mesma moeda, sendo essa última geralmente considerada mais sofisticada. O desenvolvimento da GenAI envolve uma combinação de machine learning e treinamento de rede neural.

Entendendo os componentes: como a IA funciona?

Uma rede neural é inspirada pela forma como o cérebro funciona, mas funciona de uma forma mais simples e prática. É uma máquina que consiste em muitas camadas de neurônios artificiais, ou nós, que processam informações. Cada neurônio recebe números (entrada), realiza um cálculo simples e, em seguida, envia o resultado (saída). 

A rede aprende ajustando um conjunto de números chamados “pesos”. Esses pesos determinam como a rede se comporta. Durante o aprendizado supervisionado, a rede é alimentada por dados e uma saída desejada, usada para definir os pesos. Aprendendo com os erros por meio de cada iteração, a rede ajusta seus pesos para melhorar suas chances de alcançar a saída desejada.

A aprendizagem profunda é um subconjunto de machine learning que surgiu com a chegada de unidades de processamento gráfico mais poderosas (GPUs) e algoritmos de treinamento mais sofisticados. Ela tem muito mais capacidade devido à adição de mais camadas de neurônios. Uma observação importante: “Profunda” refere-se ao número de camadas que uma rede neural tem, isso quer dizer que é fisicamente profunda, não intelectualmente profunda.

Um exemplo popular de um algoritmo de aprendizagem profunda é o LLM (grande modelo de linguagem), como o ChatGPT, que é treinado para entender e gerar texto de linguagem humana. Os LLMs tomam uma sequência de texto como entrada e, em seguida, emitem probabilidades para a próxima palavra na sequência. Uma funcionalidade que ajuda os chatbots a entregar respostas relevantes a perguntas ou comentários. 

LLMs são treinados em grandes volumes de texto, geralmente obtidos da Web. Tal como acontece com as redes neurais, os pesos de LLM são ajustados por meio do aprendizado auto-supervisionado para aumentar a probabilidade de uma próxima palavra razoável. Os LLMs mais sofisticados no uso atual têm centenas de bilhões de pesos ajustando as saídas.

É IA ou lavagem de IA?

Agora que temos uma compreensão básica de aprendizagem profunda e de LLMs, podemos considerar se um determinado produto comercial realmente é alimentado por IA, ou um exemplo de lavagem de IA. 

A lavagem de IA ocorre quando as empresas fazem declarações enganosas ou exageradas sobre a quantidade de IA usada em seus produtos na tentativa de aumentar a lucratividade, capitalizando o entusiasmo da IA.

Para identificar a lavagem de IA, considere as seguintes perguntas ao avaliar produtos:

  • Este produto requer envolvimento humano significativo para gerar uma saída aceitável? A verdadeira IA é marcada por um alto grau de autonomia, entregando um resultado aceitável com mínimo de entrada humana.

  • A empresa por trás desse produto é transparente sobre os tipos de dados e os algoritmos que usa para alimentar sua IA? A abordagem da caixa preta, que foca apenas nas entradas e saídas de um produto, em vez de revelar seu funcionamento e processos internos, é muitas vezes um sinal vermelho de que a tecnologia pode não ser tão boa quanto diz ser.

Infelizmente, existem muitas instâncias de empresas que usam o termo IA para promover um produto ou serviço que não passa no teste acima. É por isso que é importante olhar além das declarações iniciais das empresas e investigar um pouco mais profundamente para determinar se um produto é realmente alimentado por IA.

Enviesamentos e alucinações

Há também outras considerações importantes a serem feitas ao avaliar uma solução de IA. “Alucinações” são um conceito chave para ter em mente. Alucinações de IA são resultados falsos, enganosos ou insensatos. Esses resultados incorretos são causados por uma variedade de fatores, incluindo treinamento com dados que são insuficientes ou tendenciosos, o que pode levar a suposições pela implementação da IA. 

É importante lembrar que os modelos de IA são projetados para prever resultados com base nos dados em que treinam; portanto, a ingestão incorreta de dados simplesmente resultará em resultados incorretos.

Entendendo o ciclo de entusiasmo da IA

Uma maneira de entender as marés em rápida mudança, falsas promessas e expectativa exageradas que parecem vir junto com cada novo avanço da IA é olhar para um gráfico desenvolvido pela Gartner.

Em junho, a Gartner lançou seu 2024 Hype Cycle for Artificial Intelligence (Ciclo de entusiasmo para inteligência artificial de 2024), que rastreia como a tecnologia emergente evolui, amadurece e é adotada pelo público em geral. 

Em sua primeira etapa, uma nova tecnologia passa pelo gatilho da inovação, ganhando tração e entusiasmo à medida que se dirige para o pico da inovação.

Depois de chegar a esse pico, a tecnologia cai para a baixa da desilusão, e é onde começa o trabalho árduo. Não mais influenciadas pelas expectativas infladas, as pessoas podem começar a entender as verdadeiras capacidades da tecnologia e elaborar aplicações práticas para ela, fazendo-a avançar mais ao longo do ciclo para o patamar da produtividade.

De acordo com a Gartner, a IA passa rapidamente pelo ciclo de entusiasmo, e a IA generativa já atingiu o ponto da desilusão. Mas, apesar do seu nome melancólico, essa etapa do ciclo apresenta uma oportunidade para uma inovação genuína, estimulando as pessoas a entender melhor as limitações da IA e a colocar sua promessa em ação. Um setor em que isso está acontecendo atualmente é a cibersegurança.

IA na cibersegurança: o futuro da detecção de ameaças

Não há dúvida de que a revolução da IA transformou a cibersegurança, para melhor e para pior.

À medida que os modelos de IA se tornam mais sofisticados, o mesmo acontece com as táticas utilizadas pelos cibercriminosos. Os agentes de ameaças estão cada vez mais usando a IA generativa para automatizar, aprimorar e dimensionar seus ataques, resultando em ameaças mais difíceis de detectar e mitigar.

No entanto, a integração da automação na cibersegurança apresenta oportunidades significativas, especialmente no domínio da detecção de ameaças. Os profissionais de cibersegurança podem usar a IA para analisar grandes quantidades de dados muito mais rápido do que eles próprios poderiam para identificar padrões e detectar anomalias no comportamento do usuário que poderiam sinalizar ameaças potenciais.

A IA também pode ser usada para simplificar os processos de resposta a incidentes. Ao realizar automaticamente ações predefinidas em resposta a ameaças detectadas, como isolar sistemas afetados, bloquear tráfego malicioso ou iniciar alertas, a IA pode responder a ameaças potenciais em tempo real.

Mantendo-o real: Não há entusiasmo de IA, apenas resultados

A Akamai tem usado inteligência artificial de aprendizagem profunda para ajudar a potencializar as nossas soluções desde 2015. 

Nossas ferramentas de IA executam diversas tarefas críticas, desde determinar se o tráfego é um bot ou um usuário humano até identificar abuso de API e websites fraudulentos. As soluções da Akamai têm aproveitado o machine learning há quase 10 anos, e hoje continuamos nossa jornada adicionando os últimos avanços em IA aos nossos produtos quando há um benefício claro para nossos clientes.

Nosso maior princípio em relação à IA é manter a transparência sobre como e por que utilizamos essa tecnologia, garantindo que nunca superamos nossas capacidades ou nos envolvemos na lavagem de IA.

Na Akamai, estamos empenhados em utilizar a IA de forma criteriosa e eficaz, expandindo gradualmente nossas capacidades à medida que a compreensão da IA continua a evoluir. É assim que mantemos a IA real... sem entusiasmo artificial.



Berk Veral

escrito por

Berk Veral

November 04, 2024

Berk Veral

escrito por

Berk Veral

Berk Veral é diretor sênior de marketing de produtos na Akamai.