1.3.5. IA Preditiva e IA Generativa: Aplicações e Implicações

arquiteturas conhecidas como redes geradoras adversárias (GAN). O gerador é responsável por criar amostras que imitam o conjunto de dados de treinamento, mas, inicialmente, suas produções são aleatórias e pouco realistas. O discriminador, por sua vez, age como um “juiz”, avaliando e distinguindo as amostras geradas das reais. Esse processo estabelece uma dinâmica de treinamento mútuo: o gerador tenta enganar o discriminador com amostras cada vez mais convincentes, enquanto o discriminador aprimora sua capacidade de diferenciar as amostras geradas das originais. Essa interação contínua resulta em dados sintéticos de alta qualidade, muitas vezes indistinguíveis de conteúdos criados por humanos138. No campo do processamento de linguagem natural (PLN), a IA generativa utiliza modelos avançados como os transformers, que pertencem à família das redes neurais artificiais. Esses modelos processam sequências de elementos – como palavras – detectando padrões e gerando respostas adaptadas às solicitações. A técnica baseia-se em representações matemáticas dos dados, permitindo uma compreensão profunda e contextual dos textos. No PLN, palavras e conceitos são analisados para detectar padrões, sendo comparados e ajustados automaticamente para melhorar a precisão e a coerência das respostas. A intervenção humana, nesses casos, ocorre apenas para corrigir erros significativos139. Modelos de linguagem de grande porte (Large Language Models, LLM) destacam-se como exemplos paradigmáticos dessa abordagem. Esses sistemas são projetados para processar e gerar linguagem natural de maneira altamente sofisticada, utilizando vastos conjuntos de dados e arquiteturas avançadas, como os transformers, acima mencionados, para compreender e responder a uma ampla gama de solicitações. Entretanto, esses modelos são frequentemente descritos como caixas-pretas, já que o processo exato pelo qual produzem suas saídas – desde a escolha das palavras até a construção de frases ou parágrafos inteiros – é complexo e pouco decifrável. Essa dificuldade de rastrear o caminho lógico das decisões tomadas pelos modelos é uma das características que os insere na categoria de caixas-pretas. Embora essa opacidade seja funcionalmente vantajosa, permitindo que os modelos 138 Cf. Dapkevicius, 2024, p.214; Porto, Shuenquener e Gabriel, 2024, p. 2.4. 139 Cervini e Heleg, 2023, pp. 266-267.