Submódulo 1: Como a IA funciona em alto nível: modelos, dados e interação com o usuário

Introdução: imagine o assistente por trás da resposta

🎯 Imagine isto

Imagine que você tem um assistente que leu milhões de livros, páginas da web e conversas — não porque ele “leu” como nós, mas porque durante o treino seus números internos (os chamados pesos) foram ajustados para prever palavras e ideias prováveis. Quando você faz uma pergunta, esse assistente usa esses padrões para sugerir a próxima palavra, uma após a outra, até formar uma resposta completa — é isso que chamamos de processo de inferência. (1)

Por que isso importa? Porque significa que a IA não tem «opinião própria» nem acesso instantâneo a tudo que acontece hoje; ela gera respostas com base no que aprendeu até a última atualização do treino. Em tarefas práticas (resumos, e‑mails, brainstorming), isso é ótimo — mas exige que nós forneçamos contexto e critérios claros para obter saídas úteis.

Neste submódulo vamos: 1) abrir a "caixa preta" em nível alto (dados → arquitetura → treino → inferência), 2) explicar tokens e embeddings — que são como o modelo representa palavras e ideias — e 3) mostrar como você, usuário, pode escrever prompts melhores e mais seguros para transformar a IA em uma ferramenta prática no seu dia a dia.

Contexto regulatório e de confiança também importam: políticas e princípios internacionais recomendam transparência, responsabilidade e mitigação de riscos ao usar IA — por isso apresentaremos lembretes práticos sobre privacidade e verificação de fatos mais adiante. (2)

O que você será capaz de fazer ao terminar: montar um prompt claro para resumir textos, revisar um e‑mail e escolher quando pedir fontes ou confirmação à IA.

Próximo passo: vamos detalhar as peças centrais — começando pelos dados e pela arquitetura do modelo.

Peças centrais: dados, arquitetura, tokens, embeddings e inferência

🔧 De que é feita uma resposta?

Existem três camadas que explicam por que um modelo responde do jeito que responde: (a) dados de treino — textos usados para aprender padrões; (b) arquitetura — como a rede neural armazena esses padrões; e (c) ciclo de treino — etapas (pré‑treino com grandes dados + ajustes como RLHF) que moldam o comportamento. Entender isso ajuda você a avaliar quando a IA pode errar ou inventar respostas. (1)

Tokens são as pequenas unidades que o modelo usa para ler e escrever: pense neles como "pedaços de palavra". Saber contar tokens ajuda a controlar o tamanho do prompt e do resultado (economia e qualidade). Por exemplo, há uma regra prática: 1 token ≈ ¾ palavra em inglês; e cada modelo tem limites de contexto (input+output) que você precisa respeitar. (2)

Embeddings são outra peça: transformam frases e ideias em vetores numéricos que medem semelhança semântica — muito úteis para buscar documentos, organizar notas ou comparar ideias. Ao combinar embeddings com buscas, você obtém respostas mais contextualizadas a partir do seu próprio acervo de documentos. (3)

Resumo prático: para tarefas como resumir um relatório longo, podemos usar embeddings para selecionar os trechos mais relevantes, e um prompt bem estruturado para pedir um resumo conciso dentro do limite de tokens — assim otimizamos custo e fidelidade.

Do prompt à verificação: COSERAF, checklist de qualidade e segurança

✍️ Como transformar teoria em prática: escrever prompts que funcionam

Antes de mais nada: sempre explique o contexto e o objetivo. Pequenas mudanças — por exemplo, pedir "resuma em 3 bullets" versus "faça um resumo conciso" — podem produzir saídas bem distintas. Por isso usamos uma estrutura reutilizável: COSERAF (Contexto, Objetivo, Saída, Exemplos, Restrições, Avaliação e Feedback). Documentação de provedores recomenda clareza, exemplos e critérios de avaliação ao promptar modelos de diálogo. (1)

Contexto: Sou gestor de marketing em uma pequena loja online e preciso responder um cliente sobre atraso de entrega. Objetivo: escrever e-mail empático e profissional. Saída: texto de e-mail (150-180 palavras) + 2 opções de assunto. Exemplos: tom caloroso, evitar promessas concretas. Restrições: não expor dados pessoais; não mencionar política interna. Avaliação: clareza, tom empático, 0 erros factuais.

Segurança prática: nunca inclua dados sensíveis (CPFs, senhas, segredos comerciais). Para conteúdos factuais (saúde, jurídico, finanças), trate a resposta como rascunho educacional e verifique com fontes confiáveis. Ferramentas e guias de empresas e documentos de governança recomendam processos de verificação e registro de decisões quando a IA apoia decisões importantes. (2)(3)

🎯 Exercícios