Onde IA agrega valor (e onde não), tipos de problema, engenharia de prompt, alucinação, GAN, NLP... tudo o que tu precisa pra AI Practitioner, com gatos no comando. Sem decoreba, mexendo nos sliders, brincando com os exemplos.
Começa aqui 🐾 Casos reaisO ponto de partida nunca é "a gente quer usar IA". É "que problema do negócio a gente quer resolver?". A IA agrega valor quando a decisão é repetitiva, baseada em dados e escalável. Vamos ver onde isso aparece no dia a dia.
Mexe nos parâmetros do seu caso e veja se compensa investir em IA. Conta tudo: custo de implementar, ganho por decisão automatizada e volume.
Três caminhos diferentes, três técnicas diferentes. Clique nos botões pra ver o gatil de cada um. Spoiler: o tipo do problema define quase tudo (qual modelo treinar, qual métrica usar, que tipo de dado precisa).
O modelo recebe uma entrada e atribui uma classe entre opções pré-definidas. A saída é discreta: ou é gato, ou não é gato.
Usos típicos: detecção de fraude, identificação de spam, diagnóstico de imagens, é/não é gato.
Prompt é a instrução que você envia pro modelo. Engenharia de prompt é o jeito de escrever essa instrução pra ter a melhor resposta possível, sem precisar retreinar o modelo. Vamos ver 4 técnicas, lado a lado, com a mesma tarefa: classificar um comentário como positivo/negativo/neutro.
Em vez de pedir tudo de uma vez ("leia esse PDF gigante, resuma, traduza e formate"), você quebra em etapas sequenciais. A saída de cada passo vira a entrada do próximo. Cada etapa fica mais simples e mais fácil de validar. Clique nos passos pra ver o exemplo evoluir.
O modelo sozinho não sabe a previsão do tempo de amanhã. Não sabe o valor do dólar agora. Não sabe quantos gatos foram adotados nesse mês na ONG. ReAct é o ciclo onde o modelo alterna pensar (Reason) ↔ agir (Act) ↔ observar (Observe) chamando ferramentas externas. É a base dos agentes inteligentes modernos.
SELECT COUNT(*), AVG(idade) FROM adocoes WHERE data >= '2025-10-01' AND data < '2025-11-01';
Alucinação é quando o LLM gera uma resposta plausível, bem escrita, segura... e completamente errada. É o erro mais perigoso porque parece certo. Senta e olha o conselho dos gatos pegando o modelo em flagrante, caso por caso:
A GAN é um treinamento adversarial. Tem dois modelos competindo: o Gerador (tenta criar dados falsos que parecem reais) e o Discriminador (tenta detectar o que é falso). Cada vez que um melhora, o outro tem que melhorar também. É como falsificador vs perito de obra de arte: brigando, os dois ficam expert.
Aperta "Próximo round" e veja o gato gerador melhorando a falsificação a cada rodada.
NLP é o campo da IA dedicado a fazer máquinas entenderem e gerarem linguagem humana. Os LLMs (Llama, Claude, GPT...) são o auge atual do NLP, mas muito NLP útil rola sem LLM: análise de sentimento, extração de entidades, classificação de texto, etc.
Técnicas tradicionais que ainda rodam muito em produção, geralmente mais baratas e rápidas que LLMs.
Os modelos generativos atuais conseguem fazer tudo do clássico com uma única instrução, mais tarefas novas que antes precisavam de modelos especializados.
Computador não entende palavras, entende números. O coração do NLP moderno é converter texto em vetores (embeddings): cada palavra/frase vira um conjunto de números que capturam o significado. Aí dá pra calcular distâncias, similaridades, classes...
Os vetores de "gato" e "felino" são parecidos (mesmo "vizinhança"); "carro" tá longe. É assim que a máquina "entende" sinônimos.
Quatro aplicações cotidianas da IA - e o tipo de problema, técnica e serviço AWS por trás de cada uma.
Modelos detectam padrões suspeitos em transações e bloqueiam fraudes em milissegundos. Recall é a métrica mais crítica (não pode perder fraude).
🧮 Classificação ☁️ Amazon Fraud DetectorNetflix, Spotify, Amazon: sistemas que sugerem o próximo filme, música ou produto com base no histórico do usuário e perfis parecidos.
🐾 Clustering + Ranking ☁️ Amazon PersonalizeAssistentes conversacionais resolvem dúvidas comuns, abrem chamados e encaminham casos complexos. NLP + LLM + ReAct juntos.
📖 NLP / LLM ☁️ Amazon Lex / BedrockIdentifica objetos, pessoas, padrões em imagens e fluxos de câmeras. Detector de gatos, contagem de pessoas, controle de qualidade industrial.
🧮 Classificação de imagem ☁️ Amazon RekognitionImprime, salva, tira print. Tudo o que cai num teste de AI Practitioner, em uma página.
Muito dado + decisão repetitiva + escala + valor de negócio claro.
Regra fixa basta, ROI baixo, dados ruins, decisão crítica sem supervisão.
Saída discreta. Categoria entre opções. (fraude, spam, é/não é gato)
Saída contínua. Um número. (preço, temperatura, demanda)
Agrupa sem rótulo. Descobre grupos. (segmentação, anomalia)
Sem exemplo. Mais barato. Bom em tarefa comum.
1 ou poucos exemplos. Ajuda em formato e tarefas de nicho.
"Pense passo a passo". Melhora lógica e matemática.
Quebra a tarefa. Saída de um vira entrada do próximo.
Pensa → age (chama ferramenta) → observa. Base dos agentes.
Resposta errada com cara de certa. Mitiga: RAG, citação, validação.
Gerador vs Discriminador. Treino adversarial. Deepfake, dataset.
Linguagem humana → vetores → IA entende. LLM é o "atual" do NLP.
Comece pelo problema de negócio. Sempre. Tudo o mais é detalhe.