Tema recorrentemente em voga na atualidade e de grande impacto na sociedade, a IA (inteligência artificial), domina de certa forma o debate a respeito de assuntos pertinentes a tecnologias emergentes no mundo. Vivemos evidentemente numa era de dinamização e instantaneidade da informação, e cada vez mais serão utilizadas com recursos tecnológicos para exponenciar o trabalho intelectual das pessoas, principalmente nas áreas de criação, alta gestão e que envolvam o conhecimento.

A IA generativa, diz respeito a um ramo da IA na qual concerne na criação de novos conteúdos, como textos, imagens gráficas, áudio, música e vídeo, tomando por base grandes quantidades de dados já existentes destes tipos. Para instrumentalizar a IA generativa, são utilizados modelos avançados de algoritmos de aprendizado de máquina, que objetivam aprender padrões nos dados processados e analisados, e após efetuar a geração de novos exemplos, baseados nos modelos de dados. Materialmente concerne na geração de conhecimento calcado nos padrões identificados pelos poderosos algoritmos de aprendizado de máquina, na qual diz respeito a um ramo importante da IA de grande aplicabilidade atualmente. Porém há impreterivelmente um aspecto a ser destacado, os dados que alimentam às aplicações de IA generativa, limitam e muito a capacidade da referida aplicação, pois se eles não forem confiáveis e retratarem a realidade válida, a aplicação não tem utilidade alguma, sendo até mais nociva do que benéfica.

Diante deste panorama, os pesquisadores da DeepMind da empresa Google argumentam que a IA generativa tenha a capacidade de ter uma interação automatizada com o ambiente e aprenda de forma autônoma. Só assim poderia ultrapassar as limitações dos dados estáticos e nem sempre confiáveis, além de preconceitos e falácias humanas.

No tangente a IA generativa e sua evolução que experimentamos na atualidade, é relevante destacar que há preocupações despertadas na comunidade científica, mais precisamente no que se refere à eficácia dos testes de referência que são balizadores para a medição do desempenho dos seus modelos de aprendizado. E consoante ao que apregoam os pesquisadores do DeepMind, a limitação da IA generativa não necessariamente está nos testes de aprendizado, mas sim na estrutura analítica dos modelos de treinamento concebidos.

Então os conjuntos de dados para treinamento do sistema de aprendizado de máquina são restritos e estáticos, e forma então uma clara limitação no algoritmo que breca o aprendizado, e compromete significativamente o desenvolvimento de competências e funcionalidades de sistemas baseados em IA generativa.

Surge então como alternativa para isso, uma possibilidade tecnológica em que a IA interaja com o ambiente, intuindo formular objetivos que são baseados em estímulos que advém do meio que engloba seu estado. Não é possível prever claramente quais caminhos irão surgir quando se explorará a aprendizagem experiencial. O projeto para o exposto consiste no modo de aprendizagem por reforço, metodologia esta que está na base da aplicação de IA AlphaZero, na qual introduz o conceito de “fluxo”, haja visto que tem-se atualmente flagrantes limitações dos gigantescos modelos de dados que tem como premissa responder a perguntas humanas individuais.

Cumpre destacar que os modelos de IA generativa evidenciam um grande avanço no campo da tecnologia da comunicação e informação, pois lidam muito bem com às solicitações humanas sem um regramento explícito. Contudo é relevante frisar que esta transição para a IA generativa, tem uma implicação mordaz, que é a perda da capacidade dos agentes de IA descobrirem o conhecimento de forma autônoma. É então um pleno antagonismo, onde uma aplicação calcada na IA, já traga no seu bojo um fator delimitador de galgar índices maiores de conhecimento.

Neste flagrante contexto então a IA generativa deve ter na gênese das suas aplicações algoritmos que explorem de forma profunda a aprendizagem autônoma, ensejando transcender de forma automatizada os critérios que são cabalmente impostos pelos humanos.