O segredo da IA

 

Há quem imagine a IA como uma base de dados convencional que é alterada pelo diálogo com o utilizador através do respectivo chat. Quando a IA dá uma resposta errada ou incompleta, o utilizador corrige, a base de dados é alterada e o chat passa a dar respostas correctas. A realidade é, contudo, bem diferente.

Um chat de IA como o ChatGPT ou o Gemini funciona, de forma simples, como um sistema que lê a pergunta, procura informação relevante e gera a resposta mais provável com base no que aprendeu antes e no que está escrito naquela conversa. Não “pensa” como uma pessoa nem tem consciência; usa um modelo de linguagem treinado em muitos exemplos para prever a melhor continuação possível da conversa.

Nos sistemas mais avançados, há ainda uma peça muito importante que é a base de dados vectorial. Podemos imaginá-la como uma biblioteca de significados. Em vez de guardar peças de informação digitalizadas, guarda textos, documentos ou notas transformadas em vectores, isto é, em representações numéricas do seu significado. Assim, quando alguém faz uma pergunta, o sistema transforma essa pergunta num vector e procura na base vectorial os conteúdos com significados mais parecidos ou próximos, mesmo que as palavras não coincidam exactamente.

É aqui que entra a lógica da recuperação da informação. O sistema não depende só daquilo que o modelo sabe “de memória”; ele pode ir buscar factos relevantes a uma base documental previamente organizada. Por exemplo, se alguém pergunta “Quem é o Jorge Bettencourt” ou pede a legislação portuguesa aplicável a uma situação concreta, o sistema pode localizar uma nota biográfica ou um artigo onde o nome apareça ligado a cargos, obras ou relações familiares relevantes, assim como documentos, apontamentos, textos jurídicos ou notas que tratem da situação concreta, ainda que com formulações diferentes. A base vetorial ajuda precisamente a encontrar esses materiais com rapidez e por significado.

É verdade que o diálogo no chat continua a ser muito importante. Cada nova mensagem junta-se ao contexto anterior e ajuda o sistema a perceber o assunto, o tom e o que já foi dito. É por isso que, numa mesma conversa, o chat de IA pode corrigir uma resposta anterior, manter o tema e adaptar-se ao que foi esclarecido pelo utilizador.

Mas há aqui um ponto essencial. Corrigir uma resposta numa conversa não muda automaticamente o núcleo do sistema. O que muda é o contexto daquela sessão, não o modelo base que está por trás dela. Em termos simples, é como dar novas instruções a um aluno durante um exercício; ele passa a responder de acordo com essas instruções naquele momento, mas isso não significa que o seu conhecimento permanente foi melhorado e amanhã, noutro contexto, resolva bem o exercício.

Por isso, quando alguém diz “isto está errado” e o chat ajusta a resposta, o sistema está sobretudo a usar essa correcção como parte do diálogo em curso. A resposta seguinte pode parecer mais precisa ou mais fiel à correcção, mas isso acontece porque o contexto foi actualizado e porque a informação relevante foi recuperada da base documental, não porque o modelo inteiro foi alterado em profundidade.

O melhor sistema, na prática, junta três coisas: uma base documental fiável, conjuntos de números bem gerados que representam determinados significados num espaço matemático e um modelo de linguagem capaz de usar bem o que foi recuperado. Face a uma pergunta, a base documental fornece os factos; os conjuntos de números gerados permitem encontrá-los por semelhança de significado; e o modelo de linguagem transforma essa informação numa resposta clara e útil. Se uma destas peças falhar, a qualidade da resposta é naturalmente prejudicada.

É por isso que a personalização em função do perfil ou das correcções do utilizador, quando existe, deve ser entendida como uma camada adicional de apoio e não como uma transformação automática do sistema inteiro. Ela pode ajudar a guardar certos elementos para uso futuro, mas o que realmente sustenta a resposta é a combinação entre recuperação semântica e geração de linguagem.

Deste modo, um chat de IA pode aprender ao longo de uma conversa sobre um assunto, sem que isso signifique que aprendeu de forma permanente como uma pessoa aprende com a experiência. A correção pelo utilizador pode melhorar o diálogo; a base de dados vetorial pode assim encontrar os factos certos; e o modelo de linguagem pode usar esses factos para compor a resposta final. Mas, lá bem no fundo, a IA continuará a comportar-se como aqueles humanos que só muito dificilmente aprendem com os erros.