Os três termos aparecem juntos em manchetes, cursos e propagandas, e muita gente os usa como se fossem a mesma coisa. Não são, mas também não são rivais: um está dentro do outro. Entender essa hierarquia ajuda a ler notícias com mais clareza e a escolher o que estudar, ou o que contratar, sem cair em exagero de marketing.
O mapa em três círculos
Imagine três círculos, um dentro do outro:
- Círculo maior, inteligência artificial (IA): qualquer técnica que faz uma máquina realizar tarefas que normalmente exigiriam inteligência humana, como reconhecer fala, traduzir ou jogar xadrez.
- Círculo do meio, machine learning (aprendizado de máquina): o jeito de fazer IA em que o sistema aprende com dados, em vez de receber todas as regras prontas.
- Círculo menor, deep learning (aprendizado profundo): um tipo de machine learning que usa redes neurais com muitas camadas, muito bom com imagens, áudio e linguagem.
Dentro do deep learning vivem os modelos de linguagem atuais e os geradores de imagem. Para uma visão geral do campo, veja o que é inteligência artificial.
IA: o campo todo
“Inteligência artificial” é um guarda-chuva. Ele cobre desde sistemas simples até os mais sofisticados:
- um programa de xadrez que avalia jogadas com regras escritas por programadores;
- um atendimento automático que segue um fluxo de menus;
- um assistente que conversa em linguagem natural.
O primeiro e o segundo são IA em sentido amplo, mas não aprendem sozinhos. O terceiro aprende com dados. Por isso, dizer que algo “usa IA” sozinho não informa muito: vale perguntar como ela funciona.
Machine learning: aprender com exemplos
Na programação tradicional, a pessoa escreve as regras: “se o e-mail tiver tal palavra, é spam”. No machine learning, você mostra milhares de e-mails já marcados como spam ou não spam, e o sistema descobre sozinho os padrões que separam um grupo do outro.
Os tipos mais comuns de aprendizado são:
- Supervisionado: o sistema aprende com exemplos que já têm a resposta certa (foto de gato, foto de cachorro). Serve para classificar e prever.
- Não supervisionado: não há respostas prontas, e o sistema procura grupos e padrões nos dados, como agrupar clientes parecidos.
- Por reforço: o sistema tenta ações e recebe recompensas ou punições, usado em jogos e robótica.
Exemplos do cotidiano: filtro de spam, recomendação de filmes e músicas, sugestão de preço, detecção de fraude em cartão e desbloqueio do celular por rosto.
Deep learning: redes neurais em camadas
O deep learning (“aprendizado profundo”) usa redes neurais artificiais, estruturas inspiradas de longe no cérebro, formadas por camadas de pequenas unidades de cálculo. O “profundo” vem do número de camadas.
Cada camada extrai características cada vez mais abstratas. Numa imagem, por exemplo, as primeiras camadas podem captar bordas, as seguintes formas, e as últimas, o objeto inteiro.
O deep learning exige muitos dados e muito poder de computação, mas entrega resultados que métodos antigos não alcançavam em:
- reconhecimento de imagem e de voz;
- tradução automática;
- modelos de linguagem, como os que alimentam os assistentes de chat;
- geração de imagens, áudio e vídeo.
Para ver o resultado dessa tecnologia na prática, leia o que é IA generativa.
Exemplos para fixar a diferença
Pense em três sistemas que você já usa:
- Um robô de atendimento que mostra um menu com opções numeradas. É IA em sentido amplo, ou apenas automação: segue regras escritas por pessoas e não aprende nada com as conversas.
- O filtro de spam do seu e-mail. É machine learning: aprendeu a reconhecer mensagens indesejadas com base em milhões de exemplos marcados pelos próprios usuários.
- O recurso que transcreve um áudio do WhatsApp em texto, ou o assistente que conversa com você. É deep learning: redes neurais profundas aprenderam a lidar com fala e linguagem.
Os três cabem no guarda-chuva “inteligência artificial”, mas só os dois últimos aprendem com dados, e só o último usa redes neurais profundas.
Quando usar cada termo
Na dúvida sobre qual palavra usar, este guia rápido resolve:
- Falando de forma geral ou com público leigo: “inteligência artificial”.
- Quando o sistema aprende com dados para classificar, prever ou recomendar: “machine learning”.
- Quando o assunto é imagem, voz, linguagem natural e modelos grandes: “deep learning”, ou o termo mais específico (modelo de linguagem, rede neural).
Por que isso importa para você
Se você é usuário, saber a diferença ajuda a avaliar promessas. Um sistema que aprende com dados costuma errar de formas previsíveis: depende da qualidade dos exemplos, pode reproduzir preconceitos (veja viés em inteligência artificial) e precisa de revisão.
Se você é profissional ou estudante, o caminho costuma ser: base de programação (Python é a porta de entrada mais comum), noções de estatística, depois machine learning e, por fim, deep learning. O guia de carreira em inteligência artificial detalha esse roteiro.
Se você é dono de negócio, o que importa é o problema que quer resolver. Muitas vezes uma regra simples ou uma planilha bem feita resolve, e a IA só entra quando existe volume de dados e um padrão a descobrir.
Em uma linha: a IA é o campo, o machine learning é o método de aprender com dados, e o deep learning é a versão desse método com redes neurais profundas. Da próxima vez que ouvir um dos três termos, tente identificar em qual círculo a conversa está. Isso já filtra muita propaganda e deixa claro o que a tecnologia realmente faz.