CompuzillaComputação em palavras simples
← Todos os guias

Guia · Inteligência artificial

Treinamento e inferência em IA: o que acontece em cada fase?

Treinamento ajusta um modelo segundo dados e objetivos. Inferência usa um modelo para produzir resultados a partir de entradas. Em modelos de linguagem, o contexto de uma conversa pode afetar a saída sem significar novo ajuste permanente dos parâmetros.

Escrito pela equipe Compuzilla

Publicado em . Atualizado em .

Nesta leitura
Compuzilla sorrindo ao lado de um diagrama: Treinamento e inferência em IA: o que acontece em cada fase.

Treinamento e inferência em IA: o que acontece em cada fase

  1. Ajustar parâmetros
  2. Modelo disponível
  3. Aplicar a novas entradas
A sequência mostra o recorte básico. Contexto de entrada pode mudar a saída sem novo ajuste dos parâmetros. Ilustração: equipe Compuzilla.

Um modelo aprende uma tarefa

Imagine classificar imagens em categorias definidas. No treinamento, exemplos e um objetivo orientam o ajuste dos parâmetros. Depois, entradas separadas ajudam a avaliar como o modelo se comporta fora dos exemplos usados para ajustar.

A separação é necessária para não confundir desempenho sobre material conhecido com capacidade de aplicar o modelo a outros casos. Procedimentos e métricas dependem da tarefa.

Usar o modelo é outra operação

Na inferência, o sistema aplica o modelo a uma entrada e produz uma saída. Classificar uma nova imagem não exige necessariamente refazer o treinamento. O programa usa os parâmetros disponíveis para executar as operações.

Alguns sistemas incluem adaptação ou aprendizado em operação. Isso precisa ser descrito explicitamente; não deve ser presumido como característica de qualquer resposta.

Contexto não é sinônimo de treinamento

Em um modelo de linguagem, fornecer exemplos no texto de entrada pode orientar a continuação. O trabalho sobre GPT-3 documenta avaliações com esse uso de contexto sem ajuste de parâmetros para cada tarefa.

Assim, incluir uma informação numa conversa pode mudar a resposta daquela execução sem gravar um aprendizado permanente no modelo. Persistência de conversas, uso posterior de dados e políticas de um produto são questões adicionais, que dependem do sistema específico.

A saída ainda precisa de avaliação

Um resultado pode ser fluente e incorreto. Inferência aplica o modelo, mas não certifica veracidade. Ferramentas de busca e verificações externas podem ser acrescentadas a uma aplicação, com suas próprias condições de funcionamento.

Também há custos distintos: preparar e ajustar parâmetros exige trabalho; executar o modelo durante o uso também consome processamento e memória. A existência de um modelo treinado não torna qualquer geração gratuita ou instantânea.

Próxima leitura

Leia como uma IA aprende com dados para acompanhar treino e avaliação num exemplo numérico.

Continue aprendendo

  • Verbete Aprendizado de máquina — Aprendizado de máquina é uma abordagem em que dados são usados para ajustar um modelo que realiza uma tarefa, como prever valores ou classificar exemplos. O objetivo é funcionar também com casos que não foram usados no ajuste.
  • Verbete Rede neural — Rede neural artificial é um modelo computacional composto por operações conectadas e parâmetros ajustáveis. Transforma entradas em saídas e pode aprender relações a partir de dados. A inspiração no cérebro não torna o modelo uma reprodução completa do funcionamento humano.
  • Verbete Modelo de linguagem — Modelo de linguagem é um modelo que representa regularidades de sequências de linguagem, frequentemente estimando probabilidades de tokens. Alguns modelos geram texto por escolhas sucessivas. Texto fluente não garante precisão factual nem demonstra compreensão humana.
  • Verbete Token em modelos de linguagem — Token, em modelos de linguagem, é uma unidade usada para representar uma sequência de entrada ou saída. Pode corresponder a uma palavra, parte dela ou outro elemento, conforme o tokenizador. Não há equivalência fixa entre quantidade de tokens e palavras.

Fontes para aprofundar