00-01-01 — IA, ML, Deep Learning e IA Generativa

O Problema com a Terminologia

Se você participou de qualquer reunião sobre IA nos últimos dois anos, provavelmente ouviu todos esses termos usados de forma intercambiável — às vezes pela mesma pessoa, na mesma frase. Isso não é acidente: a área tem um problema sério de terminologia inflacionada, onde "IA" virou guarda-chuva para tudo que parece mágico.

A confusão tem custo real. Se você não sabe a diferença entre os termos, vai tomar decisões erradas: contratar a abordagem errada para o problema certo, avaliar mal propostas de fornecedores, e perder tempo em conversas que giram em círculos sem que ninguém perceba que está falando de coisas diferentes.

A boa notícia: o mapa é simples. São quatro conceitos em relação de contenção — cada um é subconjunto do anterior.

Inteligência Artificial: o Campo Inteiro

Tendo o contexto do problema de terminologia em mente, comece pelo maior círculo: Inteligência Artificial é qualquer sistema computacional projetado para realizar tarefas que, se feitas por humanos, exigiriam inteligência.

Essa definição é propositalmente ampla. Inclui sistemas de regras manuais dos anos 60 (ELIZA, sistemas especialistas), algoritmos de busca, jogos de xadrez programados com heurísticas, e sim — também os LLMs de hoje. O ponto importante: IA não implica nenhuma tecnologia específica. É uma intenção, não um método.

Machine Learning: Aprender com Dados, Não com Regras

Dentro do campo de IA, o que virou dominante é o Machine Learning — e por um motivo concreto: escala. Programar regras manualmente não funciona quando o problema tem milhões de variações. ML inverte o fluxo: em vez de você escrever regras e dar dados ao sistema, você dá dados e deixa o sistema inferir as regras.

Na prática do desenvolvimento .NET, a analogia mais direta é: imagine que em vez de codificar uma função ClassificarEmail(email) com condicionais, você passa 100.000 e-mails rotulados como spam/não-spam para um algoritmo. Ele "aprende" os padrões estatísticos que separam as classes. Quando chega um novo e-mail, o modelo aplica o que aprendeu — sem que você tenha escrito uma única regra explícita.

ML cobre uma vasta gama de técnicas: regressão linear, árvores de decisão, SVM, random forests, redes neurais rasas. O que une todas: aprender representações úteis a partir de exemplos.

Deep Learning: ML com Redes Neurais Profundas

Se ML é a abordagem dominante dentro de IA, Deep Learning é a técnica que dominou ML a partir de 2012. A diferença do DL para o ML "clássico" está na arquitetura: redes neurais com muitas camadas (daí "profundo") que aprendem representações hierárquicas dos dados.

O que mudou em 2012 foi a escala viabilizada por GPUs. As redes neurais existiam desde os anos 40 — a novidade foi poder treinar redes com centenas de camadas e bilhões de parâmetros em tempo razoável. AlexNet venceu o ImageNet Challenge com uma margem tão grande que o campo literalmente não acreditou nos resultados na primeira vez.

Deep Learning é o que está por baixo de reconhecimento de imagem, tradução automática, síntese de voz, e — crucialmente — dos grandes modelos de linguagem.

IA Generativa: Criar em vez de Classificar

A maioria dos modelos de ML clássico e boa parte do DL são discriminativos: dado um input, eles produzem uma classificação ou predição. "Esse e-mail é spam?" "Qual o preço estimado desse imóvel?" "Esse tumor é benigno ou maligno?"

IA Generativa inverte o paradigma: em vez de classificar o que existe, ela cria algo novo. Um modelo generativo aprende a distribuição dos dados de treinamento e pode amostrar dessa distribuição para gerar outputs novos e plausíveis.

As arquiteturas que tornaram isso possível em grande escala foram os Transformers (2017) e as técnicas de self-supervised learning que permitiram treinar em quantidades absurdas de texto sem precisar de rotulação manual. GPT, Claude, Gemini, Phi — todos são modelos generativos treinados para prever o próximo token em sequências de texto.

Os Quatro Termos em Relação

O diagrama abaixo sintetiza a relação de contenção entre os conceitos. Cada círculo interno é um subconjunto mais específico do círculo externo:

Por que Isso Importa para Decisões Práticas

Entender esses quatro níveis não é exercício acadêmico — é o que permite fazer as perguntas certas quando um fornecedor aparece com uma proposta de "solução de IA".

Se alguém propõe usar um LLM (IA Generativa) para classificar tickets de suporte em cinco categorias, a pergunta certa é: "por que não um modelo discriminativo mais simples e barato?" Classificação é exatamente o tipo de problema que ML clássico resolve bem. LLMs nesse cenário são sledgehammer para pregar um prego.

Por outro lado, se alguém propõe um sistema de regras para gerar relatórios executivos personalizados, a pergunta é o inverso: "por que não IA Generativa?" Geração de texto contextualizada é exatamente o que LLMs fazem melhor.

Exemplo: Quatro Abordagens, Quatro Problemas

// PROBLEMA 1: Classificação de tickets (ML clássico ou DL discriminativo)
// Entrada: texto do ticket → Saída: categoria (billing, tech, sales...)
// Ferramenta: modelo treinado com ML.NET ou Azure Custom Vision

// PROBLEMA 2: Previsão de churn (ML regressão/classificação)
// Entrada: features do cliente → Saída: probabilidade de cancelamento
// Ferramenta: XGBoost via ML.NET, ou AutoML no Azure

// PROBLEMA 3: Extração de entidades (NLP clássico ou fine-tuned)
// Entrada: contrato em PDF → Saída: partes, datas, valores
// Ferramenta: Azure AI Language + Document Intelligence

// PROBLEMA 4: Geração de rascunho de proposta (IA Generativa)
// Entrada: briefing + template → Saída: documento draft
// Ferramenta: GPT-4o via Azure OpenAI + Semantic Kernel

// A escolha errada para cada problema custa tempo e dinheiro.
// A escolha certa começa pela categoria, não pela tecnologia da moda.