IA, machine learning e deep learning: qual a diferença

Inteligência artificial é o campo mais amplo, que reúne máquinas capazes de imitar tarefas humanas como aprender e resolver problemas. Machine learning é uma parte dela, em que o computador aprende com exemplos em vez de seguir regras escritas à mão. Deep learning é um tipo de machine learning que usa redes neurais profundas.

Na prática, os quatro termos aparecem misturados em notícias, propagandas e conversas, e quase sempre como se fossem sinônimos. Não são. Este guia explica cada um com exemplos de celular, banco e redes sociais, mostra como se encaixam, onde a IA generativa entra e por que essa diferença ajuda você a escolher e a desconfiar melhor das ferramentas. Se você está começando, vale ter à mão o guia completo do que é inteligência artificial.

O que é inteligência artificial

A IBM, em seu texto sobre as diferenças entre IA, machine learning, deep learning e redes neurais, descreve a IA como o termo mais amplo, usado para classificar máquinas que imitam a inteligência humana e funções cognitivas como resolver problemas e aprender. Os quatro conceitos funcionam como camadas, uma dentro da outra.

Repare que a definição não diz "máquina pensante" nem "robô consciente". Ela fala de tarefas: reconhecer uma voz, recomendar um filme, traduzir uma frase, detectar uma fraude. Quase toda IA que você usa hoje é do tipo estreito, feita para uma tarefa ou um conjunto de tarefas, e não uma inteligência geral como a dos filmes. Um assistente que organiza sua agenda não sabe jogar xadrez, e um jogador de xadrez artificial não sabe escrever e-mail.

Existe ainda IA que não aprende nada com dados. Um sistema de regras antigo, como um robô de atendimento que responde "digite 1 para segunda via", também é uma forma simples de IA no sentido amplo, mas não aprende. É aí que entra o machine learning.

O que é machine learning (aprendizado de máquina)

Segundo o curso introdutório de machine learning do Google, ML é o treinamento de um software, chamado modelo, para fazer previsões ou gerar conteúdo a partir de dados. Em vez de um programador escrever todas as regras, o modelo aprende relações a partir de exemplos.

O Google descreve os principais tipos de aprendizado:

• Supervisionado: o modelo aprende com dados já rotulados, com a resposta certa. Serve para classificar (este e-mail é spam ou não?) e para prever números (quanto vale este imóvel?).
• Não supervisionado: o modelo procura padrões em dados sem rótulo, geralmente agrupando itens parecidos. As pessoas decidem o que cada grupo significa.
• Por reforço: o modelo aprende por recompensas e punições dentro de um ambiente, como em robôs e jogos.
• Generativo: o modelo cria conteúdo novo, como texto, imagem, áudio ou vídeo, aprendendo padrões de dados existentes.

Um exemplo cotidiano é o filtro de spam do seu e-mail: milhões de mensagens marcadas como lixo ou não lixo ensinaram o modelo a reconhecer sinais. A explicação de como esse treino acontece e por que ele erra está em como uma IA aprende.

O que é deep learning (aprendizado profundo)

Deep learning é um subcampo do machine learning que usa redes neurais, estruturas de camadas de "nós" conectados, inspiradas de forma livre no jeito como neurônios se comunicam. Pela IBM, o "profundo" se refere à quantidade de camadas da rede, e uma rede com mais de três camadas, contando a de entrada e a de saída, já é tratada como deep learning.

A diferença prática está no esforço humano. No machine learning clássico, especialistas costumam escolher quais características dos dados o modelo deve olhar, como o valor de uma compra e o horário para detectar fraude. No deep learning, a própria rede extrai boa parte dessas características de dados brutos, como pixels de foto ou ondas de som. O preço é que ela costuma precisar de bem mais dados e de mais poder de computação.

É por isso que reconhecimento de voz, tradução e identificação de rostos deram um salto com o deep learning. Quando você usa o Google Tradutor com a câmera, há redes neurais trabalhando.

Onde entra a IA generativa

A IA generativa é o tipo de IA que cria conteúdo novo: textos, imagens, músicas, vídeos. Pela definição do Google, ela aprende padrões de dados existentes, geralmente treinada primeiro de forma não supervisionada e depois refinada com aprendizado supervisionado ou por reforço. A IBM acrescenta que ela usa modelos de base treinados com enorme quantidade de dados sem rótulo, que podem ser adaptados a novos usos.

Os chatbots que você conhece e os geradores de imagem são exemplos. Eles pertencem à família do deep learning, que pertence ao machine learning, que pertence à IA. Dá para visualizar assim:

Para ver como o texto vira números dentro desses modelos, o guia sobre tokens e janela de contexto é o passo seguinte, e a evolução para modelos que veem e ouvem está em IA multimodal.

Por que essa diferença importa para você

Saber onde cada ferramenta se encaixa ajuda a prever limites. Um modelo de machine learning clássico, como o de crédito de um banco, decide sobre dados em tabela e é treinado para uma tarefa. Um modelo generativo responde a quase qualquer pedido em linguagem natural, mas pode inventar fatos, fenômeno explicado em alucinação de IA. E qualquer modelo treinado com dados enviesados reproduz o viés, tema de viés em IA.

Também ajuda a decodificar o marketing. Quando uma empresa diz "tem IA", pergunte qual tipo: regras, aprendizado de máquina, deep learning ou generativa? Um sistema que apenas segue um roteiro fixo é diferente de um modelo que aprende com dados. Para comparar os assistentes mais populares sem se perder em termos, use o guia qual IA escolher.

Termos vizinhos que aparecem junto

Quatro palavras surgem sempre ao lado desses conceitos. Modelo é o programa treinado, o "cérebro" depois do estudo. Treinamento é a fase em que ele aprende. Inferência é quando ele já pronto responde a você. Prompt é o pedido que você escreve. Para tirar mais dos modelos generativos, vale aprender a pedir bem, como ensina o guia de comandos que funcionam.

Outros conceitos mais avançados ficam para depois: RAG, que liga o chatbot aos seus documentos, os modos de raciocínio, os agentes de IA e os modelos de código aberto. Para consulta rápida, use o dicionário de inteligência artificial.

Erros comuns de quem está começando

• Usar "IA" e "ChatGPT" como sinônimos: o chatbot é um exemplo de IA generativa, não a IA inteira.
• Achar que todo sistema com IA aprende sozinho enquanto você usa: muitos são treinados antes e ficam fixos.
• Imaginar que mais camadas significa sempre mais inteligente: a profundidade ajuda em certas tarefas e custa mais dados e energia.
• Confiar cegamente na saída do modelo, sem checar fatos importantes.
• Ignorar a privacidade ao mandar dados pessoais para qualquer ferramenta, ponto que os erros comuns de quem começa reforçam.

Para guardar

Pense em bonecas russas: a maior é a IA, dentro dela está o machine learning, dentro dele o deep learning, e a IA generativa é a família de modelos que cria conteúdo e costuma morar nas camadas mais fundas. Com isso na cabeça, notícias e propagandas ficam bem mais fáceis de decifrar.

Quer praticar? Abra um chatbot, peça que ele explique esses quatro termos com um exemplo da sua profissão e compare com este texto. Depois, continue na categoria IA para iniciantes e veja como ilustrar ideias com o guia de criar imagens com IA.