Vamos combinar: você já ficou irritado com uma recomendação de filme ou música que parecia não fazer o menor sentido? Aquela playlist que o algoritmo jura que você vai amar, mas que só toca coisas que você detesta. Pois é, parece que a inteligência artificial ainda está aprendendo a nos entender. Mas calma, três técnicas que podem mudar esse jogo estão se encontrando: Generative Adversarial Networks (GANs), Inverse Reinforcement Learning (IRL) e Energy-Based Models (EBMs). Vou te explicar de um jeito tão simples que até seu avô vai entender.

Primeiro, imagina que você tem um amigo que desenha muito bem (esse é o GAN). Ele tenta criar uma imagem de um gato. Do outro lado, seu outro amigo (o discriminador) diz se o desenho parece um gato de verdade ou não. Eles vão se desafiando até que o desenho fique idêntico a um gato real. É mais ou menos assim que um GAN funciona: duas redes neurais competem entre si para gerar dados realistas.

Agora, o Inverse Reinforcement Learning (IRL) é como um detetive tentando descobrir por que você age de determinada forma. Digamos que você sempre pede pizza de pepperoni. O IRL tenta entender qual é a sua motivação por trás disso: talvez seja o sabor, a crocância ou o queijo. Ele observa suas escolhas e infere qual é a sua recompensa pessoal.

Por fim, as Energy-Based Models (EBMs) são tipos de modelos que aprendem a dar notas para as coisas. Quanto menor a energia (ou pontuação), mais provável que seja algo que você goste. É como um termômetro do gosto: se a energia for baixa para uma música, é porque ela combina com você; se for alta, é porque não é sua praia.

Agora, a grande sacada é a conexão entre eles. Quando um GAN tenta gerar uma imagem, e o IRL tenta entender suas preferências, e o EBM avalia se aquilo é bom ou não — juntos, eles podem criar um sistema que não só gera conteúdo novo, como também aprende com o que você já gosta para fazer sugestões mais precisas. É uma dança entre criatividade, aprendizado e avaliação.

Mas como você pode usar isso no seu dia a dia? Bem, talvez você não vá programar um modelo agora, mas pode começar a entender como essas ideias se aplicam às ferramentas que você já usa.

Dica prática: Como usar seu próprio feedback para treinar recomendações

1. Seja crítico nas avaliações: Quando um aplicativo de streaming pedir para você dar notas, não seja genérico. Se você deu 5 estrelas para um filme, mas só assistiu pelos efeitos especiais, escreva um comentário ou use a opção 'não recomendar' para os aspectos que não gostou. Isso ensina o IRL a entender sua verdadeira recompensa.

2. Use playlists ou listas personalizadas: Plataformas como Spotify ou Netflix criam listas de sugestões baseadas no seu histórico. Se você não gostar de uma recomendação, em vez de ignorar, marque como 'não tenho interesse' ou 'não gostei'. Isso ajusta o EBM do sistema para diminuir a energia de conteúdos ruins.

3. Experimente ferramentas de IA generativa: Serviços como DALL·E ou Midjourney para imagens, ou ChatGPT para textos, permitem que você refine os resultados com feedbacks. Se você gerou uma imagem, mas queria algo mais realista, diga isso no prompt. O GAN por trás vai aprender com seu retorno.

4. Crie seu próprio conjunto de preferências: Em apps de música, por exemplo, você pode criar uma playlist com suas músicas favoritas e outra com as que detesta. A IA pode usar isso como dados de treinamento para IRL, entendendo o padrão do que você gosta.

No fundo, essas técnicas estão nos ajudando a ter algoritmos que não são apenas caixas-pretas, mas que realmente escutam o que queremos. A pergunta que fica é: até que ponto estamos dispostos a ensinar a máquina a nos conhecer? E se ela começar a saber mais sobre nossos gostos do que nós mesmos? Vale a reflexão.

Enquanto isso, da próxima vez que uma recomendação for certeira, lembre-se: talvez por trás dela haja um GAN, um IRL e um EBM trabalhando duro para te agradar.

Produtos recomendados: Inteligência Artificial: Uma Abordagem Moderna | Monitor Ultrawide 34 polegadas