Introdução à Inteligência Artificial: cargas de trabalho e IA responsável

radio_button_uncheckedshort_text1. Introdução às cargas de trabalho de inteligência artificial

Objetivos de aprendizagem

• Reconhecer as principais capacidades de IA: geração de conteúdo, agentes, linguagem, fala, visão computacional e extração de informações.
• Diferenciar modelos de linguagem grandes e pequenos, prompts, instruções e ferramentas de agentes.
• Explicar técnicas de análise de texto, reconhecimento e síntese de fala, tarefas de visão e OCR.
• Aplicar os seis princípios de IA responsável a cenários reais.

Este capítulo apresenta uma visão conceitual das capacidades centrais da inteligência artificial. O foco é desenvolver intuição sobre o que cada carga de trabalho faz e quando ela é adequada, sem exigir programação nem aprofundamento matemático em modelos de aprendizado de máquina.

O material pode ser estudado em formato textual ou em vídeo no Microsoft Learn. A versão em texto normalmente traz mais detalhes e funciona como complemento para quem prefere a apresentação audiovisual.

O exemplo Ask Anton demonstra como uma aplicação de IA pode responder perguntas sobre o conteúdo. Há uma experiência baseada no Azure, que exige uma assinatura capaz de criar um projeto no Microsoft Foundry e implantar um modelo, e uma opção executada no navegador com modelos locais e pesquisa de documentação. Ask Anton é apenas uma demonstração: não é um produto com suporte da Microsoft, nem parte oficial do Microsoft Learn ou do AI Skills Navigator.

radio_button_uncheckedshort_text2. IA generativa e modelos de linguagem

IA generativa é a área da IA que cria conteúdo novo. A saída pode ser uma conversa em linguagem natural, mas também pode assumir a forma de imagem, vídeo, código ou outro formato. Um site sobre história da computação, por exemplo, pode oferecer um chat que produz respostas próprias para perguntas sobre pessoas, tecnologias e acontecimentos.

A geração depende de um modelo de linguagem treinado com grandes volumes de dados, como documentos públicos e materiais disponíveis na Internet. O usuário fornece um prompt - uma pergunta ou instrução em linguagem natural - e o modelo usa as relações semânticas aprendidas entre elementos da linguagem para construir uma sequência coerente.

Modelos de linguagem grandes, ou LLMs, possuem muitos parâmetros e costumam generalizar bem para tarefas variadas, mas seu treinamento e uso podem exigir mais recursos. Modelos de linguagem pequenos, ou SLMs, podem ser mais apropriados para domínios específicos, aplicações locais e agentes executados em dispositivos, nos quais implantação e custo precisam ser menores.

radio_button_uncheckedshort_text3. Agentes de IA

Um agente é uma aplicação baseada em IA generativa capaz de interpretar e produzir linguagem, raciocinar sobre uma solicitação, usar ferramentas para automatizar tarefas e reagir às condições do contexto antes de executar uma ação.

Com essa combinação, agentes podem funcionar como assistentes digitais que colaboram com pessoas e automatizam etapas de trabalho. Eles não se limitam a conversar: podem consultar informações, decidir qual ferramenta usar e agir dentro das permissões concedidas.

• Chatbots que respondem perguntas ou mantêm uma conversa.
• Assistentes que automatizam tarefas em apoio a usuários humanos.
• Criação de rascunhos de documentos e outros conteúdos para refinamento posterior.
• Tradução automática entre idiomas.
• Resumo e explicação de documentos complexos.

radio_button_uncheckedshort_text4. Texto e processamento de linguagem natural

Processamento de linguagem natural, ou NLP, reúne modelos e técnicas usados para interpretar linguagem humana. Esses fundamentos sustentam os LLMs de IA generativa e também soluções especializadas de análise textual, que priorizam resultados previsíveis ou regras personalizadas.

• Examinar documentos e transcrições de chamadas ou reuniões para descobrir assuntos e menções específicas.
• Avaliar sentimento e opinião em redes sociais, análises de produtos e artigos.
• Criar bots de perguntas frequentes ou diálogos previsíveis que não precisam da complexidade de IA generativa.
• Remover PII antes de compartilhar ou analisar dados para atender políticas de privacidade e legislação.

radio_button_uncheckedshort_text5. Reconhecimento e síntese de fala

Recursos de fala permitem que aplicações e agentes interajam por linguagem oral. No exemplo histórico, um botão de microfone recebe perguntas faladas e o sistema pode devolver uma resposta sintetizada em áudio.

Reconhecimento de fala converte o sinal de áudio em texto para que a aplicação possa interpretar as palavras. Síntese de fala realiza o caminho inverso: transforma texto em um sinal audível. As duas capacidades podem formar uma conversa por voz completa.

A tecnologia continua evoluindo para separar voz e ruído de fundo, reconhecer interrupções e produzir vozes mais expressivas e naturais.

• Agentes que entendem comandos falados, realizam tarefas e respondem por voz.
• Transcrição automática de reuniões e chamadas.
• Geração automática de descrições em áudio para vídeos ou textos.
• Tradução automática de fala entre idiomas.

radio_button_uncheckedshort_text6. Visão computacional

Visão computacional trata da análise de entradas visuais, como fotografias, vídeos e transmissões ao vivo de câmeras. Um site de história da computação poderia receber a foto de um computador antigo e então identificá-lo e descrevê-lo.

Modelos de visão são treinados com grandes conjuntos de imagens para aprender padrões visuais. A tarefa desejada determina o tipo de anotação e o formato da saída.

• Agentes capazes de interpretar imagens.
• Legendas e etiquetas automáticas para fotografias.
• Pesquisa visual.
• Controle de estoque e identificação de itens no varejo.
• Monitoramento de vídeo para segurança.
• Autenticação por reconhecimento facial.
• Robótica e veículos autônomos.

radio_button_uncheckedshort_text7. Extração de informações

A IA pode localizar dados e revelar insights em fontes não estruturadas, incluindo documentos digitalizados, formulários, imagens e gravações de áudio ou vídeo. No exemplo, números de série extraídos de fotos de componentes ajudam a descobrir a qual computador eles pertencem.

O reconhecimento óptico de caracteres, ou OCR, encontra a posição do texto em uma imagem. Um modelo analítico pode então interpretar os valores e associá-los a campos específicos, como fornecedor, data, valor e imposto de um recibo enviado para reembolso.

Modelos tradicionais se concentravam em formulários textuais, mas soluções recentes também extraem conteúdo de imagens, gravações de áudio e vídeo. O objetivo é converter material heterogêneo em dados estruturados que possam ser pesquisados ou usados em processos.

• Processamento automático de formulários em fluxos de negócio, como solicitações de reembolso.
• Digitalização em grande escala de registros em papel, como documentos de censo.
• Indexação de documentos para pesquisa.
• Identificação de pontos importantes e ações de acompanhamento em reuniões gravadas ou transcritas.

radio_button_uncheckedshort_text8. Princípios de IA responsável

IA responsável reúne práticas e salvaguardas para reduzir o risco de conteúdo ou ações prejudiciais, ilegais ou ofensivas. Filtros de conteúdo ajudam, mas não bastam: os princípios precisam orientar concepção, projeto, implementação e operação da solução.

radio_button_uncheckedshort_text9. Como aplicar IA responsável em cenários reais

• Admissão universitária: validar se critérios acadêmicos relevantes são aplicados de maneira justa, sem discriminação apoiada em fatores demográficos irrelevantes.
• Robótica com visão: usar a confiança da identificação e impedir ação física quando a probabilidade ficar abaixo do limite seguro.
• Identificação facial em área segura: apagar imagens temporárias quando não forem mais necessárias e limitar o acesso a quem realmente precisa delas.
• Agente por fala: fornecer legendas textuais para que pessoas com deficiência auditiva não sejam excluídas.
• Aprovação bancária de crédito: informar que há uso de IA e explicar características relevantes dos dados de treinamento sem revelar informações confidenciais.

radio_button_uncheckedshort_text10. Exploração prática e Ask Anton

A atividade prática do módulo permite experimentar as cargas de trabalho no Computing History Agent. O exercício reúne interação textual, geração, fala, visão e extração para que o leitor observe o comportamento dessas capacidades em uma mesma aplicação.

Antes de executar o exercício, escolha a experiência adequada. A opção baseada no Azure envolve recursos no Microsoft Foundry; a opção do navegador reduz requisitos e executa modelos localmente. Em ambos os casos, trate a ferramenta como demonstração educacional, não como serviço com suporte.

• Abrir a atividade prática de cargas de trabalho de IA
• Escolher uma experiência do Ask Anton

radio_button_uncheckedshort_text11. Verificação de conhecimento

Use as perguntas a seguir para confirmar a distinção entre os conceitos. As respostas aparecem logo depois para permitir autocorreção.

1. Qual descrição representa melhor a IA generativa: uma técnica obsoleta, uma capacidade restrita a cientistas de dados ou o uso de um modelo para criar conteúdo novo a partir de um prompt?
2. Um agente de IA é o profissional que programa, qualquer pessoa que usa IA ou uma aplicação capaz de realizar tarefas em nome de um usuário?
3. Quando uma aplicação lê uma mensagem de e-mail em voz alta, ela usa reconhecimento de fala, síntese de fala ou análise de sentimento?

Respostas comentadas

• IA generativa usa um modelo, frequentemente um modelo de linguagem, para produzir conteúdo original em resposta ao prompt.
• Agente é a aplicação que combina modelo, instruções e ferramentas para executar tarefas em benefício do usuário.
• Ler texto em voz alta é síntese de fala, pois a entrada textual é convertida em áudio.

radio_button_uncheckedshort_text12. Resumo do capítulo

• IA generativa cria texto, imagem, vídeo, código e outros formatos; agentes acrescentam instruções, ferramentas e capacidade de ação.
• NLP interpreta linguagem e oferece detecção de idioma, classificação, sentimento, entidades, PII e resumo.
• Reconhecimento de fala converte áudio em texto; síntese transforma texto em áudio.
• Visão computacional abrange classificação, detecção, segmentação e modelos multimodais.
• Extração de informações usa OCR e modelos analíticos para estruturar conteúdo de documentos, imagens, áudio e vídeo.
• IA responsável depende de equidade, confiabilidade e segurança, privacidade e segurança, inclusão, transparência e responsabilidade.

• Microsoft AI
• Abordagem da Microsoft para IA responsável
• Módulo original no Microsoft Learn