Dados: o combustível da IA. Por que eles são decisivos

Na aula sobre como uma rede aprende, o princípio "lixo entra, lixo sai" foi mencionado de passagem. É hora de levá-lo a sério: dados não são um pano de fundo, são o combustível que toda IA usa. Mude o combustível e tudo muda.

Por que os dados decidem, e não o algoritmo

A intuição diz que uma IA forte significa um algoritmo brilhante. Na realidade, algoritmos de treinamento são publicados há anos e estão disponíveis para todos — estudantes os estudam. O que separa um modelo medíocre de um ótimo é mais frequentemente os dados: quanto, quão limpos, quão variados. Lembre-se da primeira aula por que o avanço veio em 2012: os algoritmos de redes neurais eram conhecidos desde os anos 1980, mas só funcionaram quando a internet acumulou bilhões de exemplos. O algoritmo não estava esperando por dados — os dados despertaram o algoritmo.

Daí a regra da indústria: investir nos dados geralmente compensa mais do que mais um ajuste no modelo. Empresas com dados únicos (mecanismos de busca, redes sociais, bancos) são fortes precisamente por isso — dados são mais difíceis de copiar do que código.

Dois tipos de dados: estruturados e não estruturados

Dados estruturados são organizados de forma clara em tabelas: linhas, colunas, números, categorias. Idade do cliente, valor da compra, data — tudo em seu devido lugar.

Dados não estruturados são todo o resto: o texto de e-mails, fotos, áudios, vídeos, posts. Sem linhas, sem colunas — apenas um fluxo. Por várias estimativas, a maior parte dos dados do mundo é não estruturada, e por décadas as empresas mal conseguiam usar qualquer parte dela. O avanço das redes neurais é exatamente este: pela primeira vez, há uma ferramenta que extrai significado desse oceano. O LLM do último módulo é uma máquina para digerir texto não estruturado.

De onde vêm os dados

• Rotulagem. Pessoas adicionam as "respostas" manualmente: contornando pedestres em filmagens para um carro autônomo, marcando e-mails como spam / não spam. O famoso conjunto de dados ImageNet da primeira aula — cerca de 14 milhões de imagens, rotuladas à mão por um exército de pessoas; foi com isso que o AlexNet venceu. A rotulagem é um trabalho caro, lento e insubstituível.
• Observação de comportamento. Cada clique, cada curtida, cada vídeo que você assiste até o fim é uma rotulagem gratuita. Sem perceber, você é quem treina os sistemas de recomendação: assistiu até o fim — "bom exemplo"; passou direto — "mau exemplo".
• Conjuntos de dados prontos. Conjuntos coletados e limpos que muitas pessoas reutilizam: o texto de livros, enciclopédias, coleções de fotos abertas. Rápido — mas todos têm os mesmos, então não oferecem uma vantagem única.

Você dá a entrada e a saída — a rede constrói o resto sozinha

Um detalhe importante que explica por que a rotulagem "entrada → resposta" é suficiente. Você nunca descreve à IA como um gato ou um rosto se parece. Você fornece apenas a entrada A (uma foto) e a saída B ("gato / não gato") — e a rede monta as características intermediárias por si mesma, camada por camada, como peças de lego. No reconhecimento facial, você pode ver claramente: as primeiras camadas encontram bordas e manchas simples, as próximas constroem partes a partir delas (um olho, um nariz, um contorno), as superiores constroem rostos inteiros.

Ninguém programou "um olho" manualmente — a rede desenvolveu o conceito por si mesma, apenas para que as respostas saíssem corretas. É por isso que a abordagem venceu (lembre-se da aula sobre o que é IA): as características que uma pessoa não conseguiria expressar em palavras, a máquina as deriva de exemplos.

"Lixo entra, lixo sai"

Agora o princípio da aula de treinamento pode ser ouvido em alto e bom som. Um modelo não é mais inteligente do que seus dados: ele aprende o que você mostrou a ele, incluindo erros, lacunas e vieses.

Um caso real: em 2016, a Microsoft lançou um chatbot no Twitter chamado Tay, destinado a aprender conversação natural diretamente do que os usuários diziam a ele. Em menos de um dia, trolls o bombardearam com mensagens abusivas e racistas — e Tay, aprendendo obedientemente com esse "combustível", começou a repetir a mesma sujeira. Dezesseis horas depois, a Microsoft desligou o sistema. O algoritmo funcionou exatamente como projetado — foram os dados que foram inseridos que estavam envenenados.

Três equívocos sobre dados

• "Mais dados são sempre melhores." Não: um milhão de exemplos ruins são piores do que mil limpos. Volume sem qualidade apenas amplifica o erro.
• "Dados são objetivos, são números." Dados são uma impressão da realidade capturada por pessoas, com suas escolhas e seus pontos cegos. Um número não é garantia de verdade: lembre-se do corte de conhecimento e dos preços desatualizados da aula de treinamento.
• "Não temos muitos dados — a IA não é para nós." Um pouco geralmente é suficiente, se for limpo e relevante; e você sempre pode pegar um modelo pronto e complementar seu treinamento um pouco (isso foi no final da aula de treinamento).

Faça isso agora

Um exercício de cinco minutos, sem ferramentas — apenas sua cabeça. Escolha qualquer serviço de IA que você conheça (um feed de recomendações, um filtro de spam, um assistente de voz) e responda a três perguntas no papel: (1) com quais dados ele provavelmente foi treinado? (2) de onde vieram esses dados — rotulagem, observação de comportamento ou um conjunto de dados pronto? (3) que viés poderia ter sido inserido nele? O hábito de ver os dados por trás do resultado é o que separa um profissional de um consumidor. Na próxima aula, veremos o que a IA, dados assim, pode realmente fazer — e o que está além dela.