Sep 30, 2026 · 38 min · 10 segments
Neste episódio do Science Bits entramos no mundo da Inteligência Artificial com Alípio Jorge, investigador do INESC TEC, Professor Catedrático da Faculdade de Ciências da Universidade do Porto (FCUP)…
E agora vamos ao detalhe pra desconstruir aqui alguns conceitos.
E num-- e já falamos num deles, que é machine learning ou em português, aprendizagem computacional.
O que que é isto, Lipe?
Começando se calhar pela, pela, pela própria inteligência, é, e inteligência artificial.
A inteligência artificial, ééé, tem múltiplas, é, definições, mas eu gosto de ver a inteligência artificial como um processo de, de três passos.
O segundo passo em que, ééé, se pega nessa grande quantidade de informação e se compacta, que é a fase da abstração, que é aquilo que nós fazemos quando olhamos pra uma coisa e tentamos perceber, não é? Recebemos a informação, nós tamos aqui, tamos neste ambiente, por exemplo, tamos a ver montes de coisas, temos-- recebemos muita informação visual, auditiva, é, outras sensações, e toda essa informação, é, é compactada.
Nós amanhã vamos nos lembrar deste momento, não vamos lembrar de tudo isto, todos os detalhes, as cores, os-- as texturas.
Depois o terceiro passo é o passo de nós pegarmos nesse, nesse, é, compacto, nesse, nesse, nesse modelo abstrato e usarmos isso para tomarmos decisões, para fazer inferência.
O, o machine learning é um processo de passarmos dos dados para essa abstração.
Ou seja, é pegarmos nos dados e transformarmos esses dados num modelo muito mais pequeno que os próprios dados, que depois pode ser utilizado, é, para fazer inferência.
Porque, por exemplo, um modelo, um LLM, que toda a gente usa hoje em dia, apesar de ser uma coisa já gigantesca e muito grande, apesar de tudo, é muito pequeno relativamente aos dados que são utilizados pra o treinar.
Se nós pensarmos em toda a Wikipédia, todos os, os textos que nós temos, é, na, na web, isto no, no domínio do texto, se pensarmos em imagem, ainda são mais dados, e tudo isso é compactado no, é, num modelo, e isso é feito usando o machine learning.
Portanto, machine learning essencialmente é termos um programa que consegue aprender com a experiência, como nós aprendemos com a experiência.
Mais uma vez, errando, fazendo a coisa certa, um dia percebemos que aquele é o passo certo que a gente deve dar, fazendo a coisa errada no outro dia, percebemos que não é por ali o caminho.
Isso, isso é um tipo de aprendizagem, que é a aprendizagem por, por experiência.
A aprendizagem mais comum, mais normal, quando se fala em machine learning hoje em dia, pra além dessa, que também é relativamente comum, a tal aprendizagem por reforço, reinforcement learning, é aprendizagem a partir dos dados.
Portanto, é a partir desse, dessa grande quantidade de dados, nós termos algoritmos, programas que utilizando muitas vezes estatística, matemática, lógica, álgebra.
Álgebra é, é muito importante, e o cálculo também é muito importante nestes, nestes processos, é, consegue construir a tal abstração.
Portanto, consegue a partir duma grande quantidade de dados ou de experiência, é, construir um objeto muito pequeno, a que nós chamamos o modelo, e que depois pode ser utilizado em múltiplas aplicações.
E é por isso que, por exemplo, hã, o feedback é tão importante.
Darmos feedback quando fazemos o prompt e recebemos uma resposta.
Dar feedback, dizer: era esta a resposta que eu esperava ou não era esta a resposta que eu esperava, pra que possa continuar a aprender.
E agora vamos ao detalhe pra desconstruir aqui alguns conceitos.
E num-- e já falamos num deles, que é machine learning ou em português, aprendizagem computacional.
O que que é isto, Lipe?
Começando se calhar pela, pela, pela própria inteligência, é, e inteligência artificial.
A inteligência artificial, ééé, tem múltiplas, é, definições, mas eu gosto de ver a inteligência artificial como um processo de, de três passos.
O segundo passo em que, ééé, se pega nessa grande quantidade de informação e se compacta, que é a fase da abstração, que é aquilo que nós fazemos quando olhamos pra uma coisa e tentamos perceber, não é? Recebemos a informação, nós tamos aqui, tamos neste ambiente, por exemplo, tamos a ver montes de coisas, temos-- recebemos muita informação visual, auditiva, é, outras sensações, e toda essa informação, é, é compactada.
Nós amanhã vamos nos lembrar deste momento, não vamos lembrar de tudo isto, todos os detalhes, as cores, os-- as texturas.
Depois o terceiro passo é o passo de nós pegarmos nesse, nesse, é, compacto, nesse, nesse, nesse modelo abstrato e usarmos isso para tomarmos decisões, para fazer inferência.
O, o machine learning é um processo de passarmos dos dados para essa abstração.
Ou seja, é pegarmos nos dados e transformarmos esses dados num modelo muito mais pequeno que os próprios dados, que depois pode ser utilizado, é, para fazer inferência.
Porque, por exemplo, um modelo, um LLM, que toda a gente usa hoje em dia, apesar de ser uma coisa já gigantesca e muito grande, apesar de tudo, é muito pequeno relativamente aos dados que são utilizados pra o treinar.
Se nós pensarmos em toda a Wikipédia, todos os, os textos que nós temos, é, na, na web, isto no, no domínio do texto, se pensarmos em imagem, ainda são mais dados, e tudo isso é compactado no, é, num modelo, e isso é feito usando o machine learning.
Portanto, machine learning essencialmente é termos um programa que consegue aprender com a experiência, como nós aprendemos com a experiência.
Mais uma vez, errando, fazendo a coisa certa, um dia percebemos que aquele é o passo certo que a gente deve dar, fazendo a coisa errada no outro dia, percebemos que não é por ali o caminho.
Isso, isso é um tipo de aprendizagem, que é a aprendizagem por, por experiência.
A aprendizagem mais comum, mais normal, quando se fala em machine learning hoje em dia, pra além dessa, que também é relativamente comum, a tal aprendizagem por reforço, reinforcement learning, é aprendizagem a partir dos dados.
Portanto, é a partir desse, dessa grande quantidade de dados, nós termos algoritmos, programas que utilizando muitas vezes estatística, matemática, lógica, álgebra.
Álgebra é, é muito importante, e o cálculo também é muito importante nestes, nestes processos, é, consegue construir a tal abstração.
Portanto, consegue a partir duma grande quantidade de dados ou de experiência, é, construir um objeto muito pequeno, a que nós chamamos o modelo, e que depois pode ser utilizado em múltiplas aplicações.
E é por isso que, por exemplo, hã, o feedback é tão importante.
Darmos feedback quando fazemos o prompt e recebemos uma resposta.
Dar feedback, dizer: era esta a resposta que eu esperava ou não era esta a resposta que eu esperava, pra que possa continuar a aprender.
The rest of this transcript — segmented and speaker-labeled, so you land on the exact moment something was said
Search every transcript — by keyword, by phrase, or by meaning, across every show Radar indexes
Trends — what is surging across podcasts, measured against its own baseline
Alerts — when a name you follow appears in a newly indexed episode
No account is needed to search Radar.
