Statistical AI

IA estatística é uma abordagem de inteligência artificial que constrói sistemas estimando padrões e probabilidades a partir de dados, em vez de codificar regras escritas manualmente. Um sistema estatístico representa a incerteza explicitamente, ajusta seus parâmetros a exemplos e é avaliado pela capacidade de lidar com dados que nunca viu. Quase toda a IA moderna funciona dessa maneira, de filtros de spam e reconhecedores de fala a detectores de objetos e modelos de linguagem grandes (LLMs), que atribuem uma probabilidade a cada possível token seguinte. O termo é usado principalmente em contraste com a IA simbólica, a tradição baseada em regras e lógica que dominou as primeiras décadas da área.

Das regras às probabilidades#

Da década de 1950 à década de 1980, a maior parte das pesquisas de IA se concentrou em métodos simbólicos: lógica, busca e sistemas especialistas cujos engenheiros do conhecimento registravam regras do tipo “se... então”. Esses sistemas funcionavam em domínios restritos e bem definidos, mas falhavam diante de entradas ruidosas ou ambíguas, e cada nova situação exigia novas regras. Nas décadas de 1980 e 1990, os métodos probabilísticos assumiram uma área após outra. Os modelos ocultos de Markov tornaram-se a base do reconhecimento de fala; o livro de Judea Pearl, de 1988, sobre redes bayesianas tornou prático o raciocínio probabilístico, um trabalho reconhecido posteriormente com o Prêmio Turing de 2011; pesquisadores da IBM publicaram uma abordagem estatística à tradução automática em 1990; e as máquinas de vetores de suporte vieram em 1995. Desde 2012, o aprendizado profundo ampliou a mesma abordagem, que passou de características projetadas manualmente a pixels brutos, áudio e texto.

Ideias fundamentais#

• Modelos probabilísticos: As crenças são distribuições de probabilidade, e o teorema de Bayes atualiza uma crença prévia com a probabilidade de novas evidências para obter uma crença posterior. A mesma atualização orienta filtros de spam, modelos de diagnóstico e rastreadores de objetos.
• Aprendizado como estimação: O treinamento escolhe os parâmetros que tornam os dados observados mais prováveis, o que, na maioria dos modelos, equivale a minimizar uma função de perda, geralmente com descida do gradiente.
• Generalização: Um modelo flexível pode ajustar-se ao ruído do conjunto de treinamento, por isso o desempenho é medido em dados mantidos à parte. O equilíbrio entre viés e variância descreve a relação entre modelos simples demais e flexíveis demais para os dados.
• Confiança graduada: As previsões vêm acompanhadas de probabilidades que os sistemas subsequentes podem usar como limite, classificar ou combinar com outras evidências.

Um filtro de spam de Bayes ingênuo demonstra essas ideias em poucas linhas. Ele estima a frequência de cada palavra em mensagens de spam e em mensagens normais, depois combina essas estimativas com o teorema de Bayes para pontuar uma nova mensagem:

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# Labeled examples replace hand-written rules: 1 = spam, 0 = not spam
messages = ["win a free prize now", "claim your free cash reward", "limited offer, click now to win"]
messages += ["meeting moved to monday", "can you review my draft today", "lunch with the team on friday"]
labels = [1, 1, 1, 0, 0, 0]

# Count words, then estimate each word's probability under each class
vectorizer = CountVectorizer()
model = MultinomialNB()
model.fit(vectorizer.fit_transform(messages), labels)

for text in ["free prize inside", "draft for monday", "free lunch on friday"]:
    spam_probability = model.predict_proba(vectorizer.transform([text]))[0, 1]
    print(f"{text!r}: P(spam) = {spam_probability:.2f}")

“free prize inside” recebe uma probabilidade de spam de 0.86, e “draft for monday”, de 0.21, enquanto “free lunch on friday”, que combina palavras das duas classes, fica em 0.29. O modelo aprendeu que “free” indica spam com apenas seis mensagens rotuladas.

Famílias de métodos estatísticos#

A IA estatística abrange desde pequenos modelos probabilísticos até redes profundas com bilhões de parâmetros, e as diferentes famílias trocam estrutura predefinida por dados. Modelos gráficos codificam dependências explicitamente e funcionam com poucos dados; métodos clássicos, como k-vizinhos mais próximos, e árvores impulsionadas por gradiente, como XGBoost e LightGBM, aprendem a partir de tabelas de características; e redes profundas aprendem suas próprias características a partir de entradas brutas:

IA estatística e termos relacionados#

• IA simbólica: Representa o conhecimento com símbolos e regras explícitos, como as instruções condicionais de um sistema especialista, e extrai conclusões por inferência lógica. Seu raciocínio pode ser acompanhado passo a passo e não exige dados de treinamento, mas falha diante de entradas que suas regras não abrangem.
• Aprendizado de máquina: A principal prática da IA estatística. Os dois termos se sobrepõem quase completamente, e “IA estatística” aparece principalmente ao contrastar métodos orientados por dados com métodos simbólicos.
• IA neurossimbólica: Combina modelos aprendidos com raciocínio simbólico, como um LLM que chama uma calculadora, uma consulta a um banco de dados ou um demonstrador de teoremas.
• Lógica fuzzy: Atribui graus de verdade entre 0 e 1 a afirmações vagas, como “o ambiente está quente”; essa medida de imprecisão é diferente da probabilidade de um evento.

Aplicações no mundo real#

• Filtragem de spam: O ensaio de Paul Graham de 2002, A Plan for Spam, popularizou filtros bayesianos que aprendem as probabilidades das palavras com os e-mails de cada usuário, e os filtros atuais aplicam a mesma ideia a muito mais sinais.
• Tradução automática: O Google Tradutor foi lançado em 2006 usando tradução automática estatística, que aprendia probabilidades de tradução de frases a partir de textos paralelos, e passou à tradução automática neural em 2016.
• Geração de texto: Os LLMs produzem texto amostrando, em cada etapa, uma distribuição de probabilidade sobre seu vocabulário, e uma configuração de temperatura torna essa distribuição mais concentrada ou mais uniforme antes de cada amostragem.
• Percepção visual: Os detectores de objetos são modelos estatísticos de ponta a ponta. O Ultralytics YOLO26 aprende seus pesos minimizando uma perda em imagens rotuladas, informa uma pontuação de confiança para cada caixa e, no modo de previsão, descarta as caixas abaixo do limite conf, cujo valor padrão é 0.25.