Uma rede neural é um tipo de modelo de machine learning formado por camadas de unidades simples conectadas entre si. Cada conexão tem um peso, um número que diz quanto ela importa. Ao treinar com exemplos, esses pesos são ajustados aos poucos para a rede errar menos. É assim que ela reconhece fotos, vozes ou texto.
Uma pergunta do app. Escolha uma resposta.
Em um chat de IA, o que é o modelo?
Esse é o app. Ele manda sua mensagem ao modelo e mostra o que responde, e pode trocar de modelo sem trocar de janela.
É uma rede neural: milhões de números, os parâmetros, ajustados ao treinar com muito texto. Com eles calcula cada token que escreve.
Ele não busca respostas guardadas: gera cada uma com o que aprendeu. Por isso a mesma pergunta pode dar duas respostas diferentes.
Imagine uma rede que diz se uma foto tem um gato. A primeira camada recebe a foto como números: quão claro ou escuro é cada ponto. As camadas do meio combinam esses números, e a última dá uma única resposta: gato ou não gato.
Cada unidade faz algo muito simples: recebe números da camada anterior, mistura esses números de acordo com os pesos das conexões e passa um número para a próxima. Nenhuma unidade sabe o que é um gato. O resultado sai de milhares ou milhões dessas contas pequenas juntas.
Pense numa mesa de som com milhares de botões, um para cada peso. No começo estão em qualquer posição e a rede responde ao acaso. Ela vê uma foto com a resposta certa, mede-se quanto errou e cada botão é girado um pouquinho para o lado em que o erro diminui.
Isso se repete com milhares de fotos. Ninguém gira os botões à mão nem escreve a regra "orelhas pontudas, bigodes": a rede encontra sozinha os ajustes que funcionam. Por isso, como todo machine learning, ela depende dos exemplos: aprende os padrões deles e pode errar em casos que não se parecem com eles.
Aprendizado profundo (deep learning) é usar redes neurais com muitas camadas. "Profundo" fala da quantidade de camadas, não de entender mais a fundo. Com mais camadas, a rede consegue montar ideias sobre ideias: numa rede de fotos, as primeiras camadas costumam reagir a bordas e as seguintes a formas mais completas.
Os modelos de linguagem que conversam com você são redes neurais enormes, com bilhões de pesos. Esses pesos são chamados de parâmetros, e são o que fica guardado quando se treina um modelo. A ideia é a mesma do gato, mas em vez de decidir "gato ou não", eles preveem qual pedaço de texto vem depois.
"Funciona como o cérebro." O nome vem de uma inspiração distante nos neurônios, mas um neurônio artificial é só uma conta: multiplica, soma e passa um número. Seu cérebro aprende o tempo todo e com poucos exemplos; uma rede costuma precisar de muitíssimos e, depois de treinada, fica fixa enquanto você usa. "Ela entende o que vê." Encontra padrões em números, e pode errar com uma foto só um pouco diferente das que viu. "Dá para ler por que decidiu." O que ela aprendeu está espalhado em milhões de pesos, sem uma regra escrita que alguém possa ler.