Please enable JavaScript.

Coggle requires JavaScript to display documents.

IA Generativa - Coggle Diagram

- - - - E aprendem a desfazer o ruído passo a passo até formar algo coerente
        
        Imagine uma fotografia
        
        Durante o treinamento:
        • Adiciona-se ruído gradualmente à imagem.
        • A imagem vai ficando cada vez mais distorcida.
        • Até virar quase puro ruído.
        
        Na geração:
        • Começa-se com ruído aleatório.
        • O modelo remove ruído gradualmente.
        • Aos poucos, surge uma imagem coerente.
        
        Ou seja:
        Ele aprende o processo inverso da degradação
  - - - regula a amplitude da diversidade e criatividade nas previsões produzidas
        
        • Temperature baixa → respostas mais previsíveis.
        
        • Temperature alta → maior criatividade e diversidade
  - - - composta por duas redes neurais que
        competem entre si:
        
        Discriminador (Discriminator)
        
        Gerador (Generator)
        
        O processo ocorre assim
        
        O gerador cria uma amostra artificial.
        
        O discriminador avalia se é real ou sintética.
        
        O gerador recebe feedback e melhora.
        
        O discriminador também melhora.
        Esse ciclo continua até que o gerador produza dados praticamente indistinguíveis
        dos reais.
    - - Geração de imagens realistas, criação de arte digital...
- - - - algo novo, que nunca existiu antes, mas que é coerente com
        os padrões estatísticos do conjunto de dados utilizado no treinamento.
  - - - Analisa algo que já existe e responde com uma categoria, previsão ou decisão
    - - Cria dados
        
        Ex:
        
        Escrever um texto que nunca foi escrito.
        Criar uma imagem de uma cidade futurista inexistente.
        Produzir uma voz artificial.
        Gerar uma música inédita.
  - - - Analogia:
        
        O modelo aprende criando seus próprios “exercícios”
    - - Em muitos casos, modelos generativos aprendem por auto-supervisão (especialmente LLMs), por não supervisão ou por formulações probabilísticas que modelam a distribuição dos dados sem depender da par entrada–rótulo típica do supervisionado clássico.
- - - - conteúdos audiovisuais sintéticos altamente realistas
  - - - Ex: Se o texto de treinamento for racista, o modelo pode criar frases racistas
- - - - RNNs
        • LSTMs
        • GRUs
        • Transformers