Aulas

Inteligência artificial

Leitura de 12 min

Inteligência Artificial

O diferencial não é saber, é usar

Saber sobre IA virou commodity: está a 5 segundos de distância. Quem larga na frente é quem usa e orquestra essas ferramentas no trabalho real, todo dia.

🧭 Esta aula é a parte PRÁTICA (mão na massa)

A teoria de IA (o que é, história, tipos, redes neurais, ética) já está em outras disciplinas, não vamos repetir:

  • IA em Fundamentos da Computação: conceitos, machine learning, redes neurais, deep learning.
  • IA em Empreendedorismo: IA aplicada a negócios, marca, automação comercial.
  • Aqui (Roadmap do Futuro): como você, na prática, conversa com a IA, dá memória e conhecimento a ela, e a coloca pra trabalhar sozinha.

Ferramentas com aula própria neste módulo: Ollama, n8n, Vibe Coding, Fluxos e Orquestração.

🧠 LLM: o que é, na prática

Um LLM (Large Language Model, modelo de linguagem grande) é, no fundo, uma máquina de adivinhar a próxima palavra. Você dá um começo de texto, ele calcula qual pedaço de palavra é mais provável vir em seguida, escreve, e repete. ChatGPT, Claude e Gemini são todos LLMs com essa mesma mecânica por baixo.

Analogia do teclado turbinado

Pense no corretor do celular que sugere a próxima palavra. Um LLM é isso levado ao extremo: treinado em quase toda a internet, ele não sugere uma palavra, ele escreve textos, códigos e respostas inteiras, mantendo o contexto da conversa.

A arquitetura que tornou isso possível se chama Transformer (2017). O detalhe que importa pra você: o mecanismo de atenção deixa o modelo “olhar” pra todas as palavras ao mesmo tempo e pesar quais importam mais. É por isso que ele entende contexto tão bem.

Arquitetura Transformer: a base dos LLMs modernos

Ele não "sabe", ele prevê

O LLM gera o texto mais provável, não o mais verdadeiro. Quando ele inventa um fato com confiança (uma lei que não existe, uma data errada), isso se chama alucinação. Regra de sobrevivência: para qualquer informação crítica, confira a fonte. As técnicas de RAG (mais abaixo) existem em parte para reduzir isso.

🔤 Tokens e Contexto: a “memória” da conversa

A IA não lê letras nem palavras inteiras: ela quebra o texto em tokens (pedaços de palavra). Uma regra de bolso útil em português: 1 token ≈ 0,75 palavra, ou 100 tokens ≈ 75 palavras.

flowchart LR
    A["📝 Seu prompt<br/>'Explique IA pra mim'"] --> B["✂️ Tokenização<br/>Ex + plique + IA + pra + mim"]
    B --> C["🧠 LLM processa<br/>e prevê token a token"]
    C --> D["💬 Resposta<br/>gerada um token por vez"]
    style A fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style B fill:#E8A838,color:#fff,stroke:#b07a1a
    style C fill:#9B59B6,color:#fff,stroke:#6c3483
    style D fill:#2ECC71,color:#fff,stroke:#1a8a4a

A janela de contexto é o tamanho máximo de tokens que o modelo “enxerga” de uma vez, somando o que você manda + o que ele responde + todo o histórico da conversa. É a memória de curto prazo da IA.

Por que a conversa "esquece" coisas

Quando você ultrapassa a janela de contexto, o modelo descarta as partes mais antigas silenciosamente. Por isso, numa conversa muito longa, a IA parece esquecer o que foi combinado no começo. Solução prática: comece uma conversa nova e cole só o que importa, ou peça um resumo antes de continuar.

Modelo (2026)Janela de contexto aprox.Equivale a ler
GPT-5.5~1.000.000 tokensum livro grosso inteiro
Gemini 3.1 Pro~1.000.000 tokensum livro grosso inteiro
Claude Opus 4.8~200.000 a 1.000.000 tokenscentenas de páginas
Modelo local 8B (no seu PC)~8.000 a 128.000 tokensde um capítulo a um livro fino

Contexto custa

Janela maior = mais caro e mais lento, porque o preço das APIs é por token processado. E cuidado: contexto grande anunciado não garante que o modelo realmente use tudo, ele tende a prestar mais atenção ao começo e ao fim. Coloque o essencial nas pontas do prompt.

✍️ Prompting eficaz: falar com a IA do jeito certo

A qualidade da resposta é diretamente proporcional à qualidade do prompt. “Me faça um texto” gera lixo genérico. Um bom prompt tem papel + tarefa + contexto + formato.

TécnicaO que éQuando usar
Zero-shotPedir direto, sem exemploTarefas simples e comuns
Few-shotDar 2-3 exemplos do resultado que você querQuando o formato importa (a IA copia o padrão)
Chain-of-thoughtPedir “pense passo a passo”Lógica, matemática, depuração, decisão
Papel (role)“Aja como um professor de redes…”Ajustar tom e profundidade

Prompt fraco vs. prompt forte

❌ Fraco: escreva sobre redes de computadores ✅ Forte: Aja como um professor de ensino técnico. Explique a diferença entre TCP e UDP para alunos do 2º ano, em no máximo 5 frases, usando uma analogia com os Correios. Termine com 1 pergunta de fixação.

🧪 Atividade 1: O mesmo pedido, dois prompts

Ferramenta: chatgpt.com, claude.ai ou gemini.google.com (qualquer um, plano grátis serve)

O que fazer:

  1. Abra a ferramenta e mande o prompt fraco: me explica o que é uma API
  2. Em uma conversa nova, mande o prompt forte: Aja como um instrutor de programação. Explique o que é uma API para um iniciante absoluto, em no máximo 4 frases, usando a analogia de um garçom de restaurante. Depois dê 1 exemplo real de API que uso no dia a dia sem perceber.
  3. Cole as duas respostas lado a lado num documento.

Resultado observável (o que entregar): as duas respostas + 3 diferenças concretas que você anotou (tamanho, analogia, exemplo, vocabulário). Qual ficou mais útil e por quê?

🧪 Atividade 2: Comparar dois modelos na mesma tarefa

Ferramenta: dois LLMs diferentes (ex: ChatGPT e Gemini)

O que fazer:

  1. Cole exatamente o mesmo prompt nos dois: Você é um avaliador rigoroso. Liste 3 erros comuns que iniciantes cometem ao usar IA e, para cada um, dê 1 correção prática. Seja específico.
  2. Faça uma tabelinha comparando: clareza, profundidade, e se algum dos dois alucinou (inventou algo).

Resultado observável: a tabela comparativa preenchida + sua escolha de qual modelo respondeu melhor nessa tarefa específica (eles variam por tipo de tarefa).

📚 Embeddings e RAG: dando memória e conhecimento à IA

Um LLM “puro” só sabe o que estava nos dados de treino, e nada sobre os seus arquivos. O RAG (Retrieval-Augmented Generation, geração aumentada por recuperação) resolve isso: antes de responder, o sistema busca trechos relevantes nos seus documentos e os entrega ao modelo junto com a pergunta.

A mágica da busca são os embeddings: cada trecho de texto vira uma lista de números (um vetor) que representa o seu significado. Textos com sentido parecido ficam com vetores próximos. Assim a busca acha por significado, não por palavra exata.

Pipeline de RAG: a pergunta e os documentos viram vetores, recuperam o contexto certo e alimentam o LLM

flowchart TD
    subgraph Indexação["📥 Indexação (uma vez)"]
        D[📄 Seus documentos] --> CH[✂️ Quebra em pedaços]
        CH --> EM1[🔢 Vira vetores<br/>embeddings]
        EM1 --> VDB[(🗄️ Banco vetorial)]
    end
    subgraph Consulta["💬 Consulta (toda pergunta)"]
        Q[❓ Pergunta do usuário] --> EM2[🔢 Vira vetor]
        EM2 --> SR[🔎 Busca os trechos<br/>mais parecidos]
        VDB --> SR
        SR --> CTX[📋 Trechos relevantes]
        CTX --> LLM[🧠 LLM responde<br/>usando os trechos]
        Q --> LLM
        LLM --> R[✅ Resposta fundamentada]
    end
    style D fill:#4A90D9,color:#fff
    style VDB fill:#9B59B6,color:#fff
    style LLM fill:#E8A838,color:#fff
    style R fill:#2ECC71,color:#fff

Por que RAG é tão usado

  • Dá à IA conhecimento atualizado e privado (seus PDFs, manuais, notas) sem retreinar nada.
  • Reduz alucinação: o modelo responde com base no que foi recuperado, e pode até citar a fonte.
  • É como dar uma prova com consulta: em vez de decorar tudo, o modelo “abre o livro” na página certa antes de responder.

🧪 Atividade 3: Testar um RAG real de graça

Ferramenta: NotebookLM (Google) , um RAG pronto, gratuito e em português. (Alternativa: subir um PDF no claude.ai ou ChatGPT.)

O que fazer:

  1. Acesse o NotebookLM, crie um notebook e faça upload de um PDF seu (um trabalho, uma apostila, um artigo, qualquer documento de texto).
  2. Pergunte algo que só esteja dentro daquele documento: ex. Qual a conclusão do autor sobre X? ou Resuma a seção 3 em 3 tópicos.
  3. Repare que a resposta vem com citação do trecho de onde saiu (clique na citação e confira).
  4. Agora pergunte algo que não está no documento e veja como ele se comporta.

Resultado observável: uma resposta correta extraída do seu arquivo, com a citação da fonte clicada e conferida + a comparação com o comportamento na pergunta fora do escopo. Isso é RAG funcionando.

🎯 Fine-tuning: quando vale (e quando não)

Fine-tuning é pegar um modelo pronto e continuar o treino com seus próprios exemplos, ajustando os “pesos” dele. A versão barata e moderna disso é o LoRA / QLoRA, que treina só uns “adaptadores” pequenos e roda até numa GPU de consumidor.

A regra de ouro de 2026

A ordem certa de tentar é: Prompt → RAG → Fine-tuning. Comece pelo mais barato.

  • Prompt: grátis, instantâneo, reversível. Resolve a maioria dos casos.
  • RAG: quando o problema é conhecimento (fatos, seus documentos, coisas que mudam).
  • Fine-tuning: quando o problema é comportamento (um tom, um formato rígido, um estilo repetido em escala). “RAG é pra fatos; fine-tuning é pra forma.”
SituaçãoMelhor abordagem
”A IA não conhece o manual da minha empresa”RAG
”Quero que ela responda sempre no meu tom de voz da marca”Fine-tuning
”Preciso de respostas mais detalhadas só hoje”Prompt (peça melhor)
“Quero um modelo menor e mais rápido imitando um grande”Fine-tuning (distilação)

Fine-tuning quase nunca é o primeiro passo

Custa dados, tempo e dinheiro, e não serve pra ensinar fatos novos (pra isso, RAG). Só parta pra ele depois que prompt e RAG não derem conta.

💻 Rodando IA localmente (no seu PC)

Você não precisa pagar API nem mandar seus dados pra nuvem: dá pra rodar um LLM no seu computador. Vantagens: privacidade total, custo zero por uso e funciona offline. Custo: precisa de hardware (de preferência uma GPU) e os modelos locais são menores que os de ponta.

A porta de entrada mais fácil é o Ollama. ➡️ Aula dedicada: Ollama - gerenciamento de modelos de IA

O número antes do "B" é o tamanho

Modelos vêm em tamanhos: 7B, 8B, 27B, 70B… o “B” é bilhões de parâmetros. Maior = mais inteligente, porém mais pesado. Para PC comum (8 GB), modelos como Llama 3.1 8B ou Gemma 3 4B rodam bem. Para máquinas fortes (24 GB+), dá pra rodar Qwen 27B ou Llama 70B.

FerramentaPara quêTipo
OllamaRodar modelos via terminal, simplesLinha de comando
LM StudioMesma ideia, com interface gráficaApp visual
Hugging FaceO “GitHub da IA”: baixar modelos e testar no navegador (Spaces)Repositório + demos

🧪 Atividade 4: Testar um modelo no Hugging Face (sem instalar nada)

Ferramenta: Hugging Face Spaces

O que fazer:

  1. Acesse os Spaces e use a busca por chat (ou abra um Space de chat em destaque, ex. um modelo aberto como Qwen ou Llama rodando ali).
  2. Mande o mesmo prompt forte da Atividade 1 e leia a resposta.
  3. Compare mentalmente com a resposta que um ChatGPT/Gemini deu: o modelo aberto ficou perto? Onde perdeu?

Resultado observável: a resposta do modelo aberto rodando no navegador + sua avaliação de 1 ponto em que ele foi bem e 1 em que ficou atrás dos grandes. (Quem tiver máquina boa: instale o Ollama e repita o teste local, seguindo a aula do Ollama.)

🤖 Agentes e Orquestração: a IA trabalhando sozinha

Um agente de IA é um passo além do chatbot: em vez de só responder, ele decide, usa ferramentas e executa tarefas de vários passos para atingir um objetivo (buscar na web, preencher um formulário, mandar um email, consultar um sistema). Ele percebe, raciocina e age, com pouca intervenção sua.

A forma mais acessível de montar agentes e automações sem programar é com ferramentas visuais como o n8n, onde você conecta blocos (gatilho → IA → ações) num fluxograma. ➡️ Aulas dedicadas: N8N - automações visuais sem código e Fluxos e orquestração.

flowchart LR
    G[⚡ Gatilho<br/>ex: email novo] --> AG[🤖 Agente IA<br/>lê e decide]
    AG --> T1[🔧 Ferramenta:<br/>buscar dados]
    AG --> T2[🔧 Ferramenta:<br/>responder email]
    AG --> T3[🔧 Ferramenta:<br/>salvar em planilha]
    T1 --> R[✅ Tarefa concluída<br/>sozinha]
    T2 --> R
    T3 --> R
    style G fill:#4A90D9,color:#fff
    style AG fill:#9B59B6,color:#fff
    style R fill:#2ECC71,color:#fff

Chatbot vs. Agente

Chatbot: você pergunta, ele responde. Para por aí. Agente: você dá um objetivo, ele monta os passos, usa ferramentas e age até concluir. É a fronteira mais quente da IA em 2026.

🗺️ Ecossistema de IA em 2026 (mapa mental)

mindmap
  root((Usar IA<br/>na prática))
    Conversar
      ChatGPT GPT-5.5
      Claude Opus 4.8
      Gemini 3.1 Pro
      Perplexity busca+fontes
    Dar conhecimento
      RAG seus documentos
      Embeddings busca por significado
      NotebookLM pronto
    Rodar local
      Ollama
      LM Studio
      Hugging Face modelos abertos
    Orquestrar
      n8n agentes sem código
      Make / Zapier
      Agentes autônomos
    Ajustar
      Prompt primeiro
      Fine-tuning LoRA/QLoRA
FerramentaMelhor paraGrátis?
ChatGPTUso geral, escrita, códigoSim (plano básico)
ClaudeTextos longos, análise de documentos, códigoSim (plano básico)
GeminiPesquisa, multimodal, ecossistema GoogleSim
PerplexityPesquisa com fontes citadasSim
NotebookLMRAG dos seus PDFs, sem códigoSim
OllamaIA local e privadaSim (open source)
Hugging FaceBaixar/testar modelos abertosSim
n8nAutomações e agentes visuaisSim (open source)

Como começar HOJE

  1. Escolha um assistente e use de verdade numa tarefa real esta semana.
  2. Pratique prompt forte (papel + tarefa + contexto + formato).
  3. Suba um PDF no NotebookLM e veja o RAG funcionando.
  4. Tem máquina boa? Instale o Ollama.
  5. Pensou numa tarefa chata e repetitiva? Esboce um agente no n8n.

📚 Fontes (2026)

Visão de gráfico

Backlinks