IA, Machine Learning e Deep Learning: o mapa do território
O que cada termo significa de verdade e como eles se encaixam — com analogias de quem programa.
5 min de leitura
Escolha como aprender
— combine como quiserDica: o vídeo é um resumo visual rápido — o áudio e o texto trazem a aula completa.
IA, Machine Learning, Deep Learning, GenAI — esses termos aparecem juntos o tempo todo, mas raramente alguém para e explica onde um termina e o outro começa. Antes de construir qualquer sistema de IA, você precisa desse mapa: não por formalidade acadêmica, mas porque confundir os conceitos leva a decisões erradas de arquitetura.
IA é o guarda-chuva, não o produto
Inteligência Artificial é um campo amplo com uma definição simples: sistemas que executam tarefas que, até recentemente, pareciam exigir inteligência humana — reconhecer uma face, traduzir um texto, jogar xadrez, responder uma pergunta em linguagem natural.
O ponto importante é que IA é uma categoria de problema, não uma tecnologia específica. Um sistema de regras if/else que diagnostica falhas de rede pode ser chamado de IA — e era, nos anos 1980, sob o nome de sistema especialista. O que mudou não foi a definição, mas a abordagem dominante para resolver esses problemas.
Hoje, quando alguém diz "vou usar IA", quase sempre quer dizer "vou usar um modelo treinado em dados" — ou seja, Machine Learning. Mas IA é maior que ML. Há abordagens baseadas em busca, em lógica formal, em algoritmos evolutivos. ML é só a abordagem que dominou a última década porque escala bem com dados e poder computacional.
Entender isso evita um erro comum: achar que todo problema precisa de um modelo. Às vezes, uma árvore de decisão com regras explícitas é mais auditável, mais barata e mais correta. A lição 20 desta trilha vai fundo nessa decisão.
Machine Learning: aprender em vez de programar
Aqui está a analogia que uso com todo dev que está começando:
Código tradicional: você escreve as regras. O programa aplica as regras nos dados e produz respostas.
Machine Learning: você fornece dados e as respostas corretas. O algoritmo descobre as regras sozinho.
Pense em um filtro de spam. A abordagem clássica seria: if email.contains('promoção grátis') or email.contains('clique aqui') → spam. Você escreve, mantém, atualiza à mão. Funciona até o spammer mudar o vocabulário.
Com ML, você alimenta o modelo com milhares de e-mails rotulados como spam ou não-spam. O modelo aprende padrões que você nunca conseguiria escrever explicitamente — combinações de palavras, horário de envio, comportamento do remetente. E quando o spammer muda, você retreina com novos exemplos.
Essa inversão — dados + respostas → regras implícitas em vez de regras explícitas → respostas — é a essência do ML. O modelo resultante é um arquivo de parâmetros numéricos que encapsula o que foi aprendido. A lição 02 desta trilha explica exatamente como esse aprendizado acontece.
ML cobre uma família enorme de técnicas: regressão linear, árvores de decisão, SVMs, redes bayesianas. Deep Learning é um subconjunto específico dessa família — e é o que destravou os casos de uso mais impressionantes dos últimos anos.
Deep Learning, GenAI e LLMs: onde estamos hoje
Deep Learning é ML com redes neurais profundas — arquiteturas com muitas camadas que aprendem representações hierárquicas dos dados. Uma camada aprende bordas numa imagem; a próxima aprende formas; a seguinte aprende rostos. Esse empilhamento de abstrações é o que tornou possível visão computacional, reconhecimento de voz e, eventualmente, linguagem natural em escala.
O salto aconteceu quando hardware (GPUs), dados (internet) e arquiteturas (especialmente o Transformer, de 2017) se alinharam. Redes que antes eram impraticáveis de treinar passaram a ser viáveis.
IA Generativa é um subconjunto do Deep Learning focado em gerar conteúdo novo — texto, imagem, código, áudio — em vez de apenas classificar ou prever. E LLMs (Large Language Models) são modelos generativos treinados especificamente em texto em escala massiva, capazes de conversar, raciocinar, resumir e escrever código.
É aqui que esta trilha passa a maior parte do tempo. Não porque LLMs sejam a única IA que importa, mas porque são a tecnologia que mais impacta o trabalho de arquitetos e devs agora — e entendê-los de verdade, desde tokens até agentes, é o que separa quem usa de quem projeta sistemas com eles.
O diagrama abaixo mostra como tudo isso se encaixa visualmente.
O mapa do território: conjuntos aninhados da IA
Cada camada é um subconjunto da anterior. LLMs são o ponto de entrada desta trilha.
- Sistemas de Regras · if/else, lógica formal
- Busca & Planejamento · algorítmico
- ML Clássico · regressão, árvores, SVM
- Visão Computacional · CNNs
- Voz & Áudio · RNNs, Transformers
- Geração de Imagem · Diffusion, GANs
- LLMs · GPT, Claude, Titan…
- Agente · LLM + tools + memória
O que fixar antes de continuar
Glossário rápido
Toque num cartão para virar.
Na prática, a maioria dos projetos que chegam até mim já chegam com a decisão tomada: 'vamos usar LLM'. Às vezes faz sentido. Às vezes o problema seria resolvido melhor com um modelo de classificação treinado em dados próprios, mais barato, mais auditável e sem risco de alucinação. Saber onde cada tecnologia se encaixa no mapa não é trivia acadêmica — é o que te permite questionar a premissa antes de construir a solução errada. Esta trilha vai te dar esse repertório.
Regras escritas à mão vs. modelo treinado
| Critério | Regras if/else | Modelo de ML | |
|---|---|---|---|
| Como é criado | Programado à mão por especialistas | Treinado em exemplos rotulados | — |
| Escala com dados | Não — mais dados exigem mais regras | Sim — mais dados geralmente melhoram o modelo | — |
| Auditabilidade | Alta — cada regra é legível | Variável — de árvores legíveis a redes opacas | — |
| Adaptação a mudanças | Manual — alguém precisa atualizar o código | Retreinamento com novos dados | — |
| Melhor para | Lógica de negócio determinística e auditável | Padrões complexos em dados não estruturados | — |
Dúvidas frequentes nesta etapa
Todo modelo de ML é uma rede neural?
Não. Redes neurais são uma família dentro do ML. Regressão logística, Random Forest, XGBoost e SVMs são modelos de ML que não são redes neurais — e continuam sendo a escolha certa para muitos problemas tabulares.
IA Generativa e LLM são a mesma coisa?
Não. IA Generativa é a categoria — inclui modelos de imagem (Stable Diffusion, DALL-E), áudio, vídeo e texto. LLM é o subconjunto focado em linguagem. Todo LLM é GenAI, mas nem toda GenAI é LLM.
Preciso saber matemática para seguir esta trilha?
Não para esta trilha. O foco é em como usar e arquitetar sistemas de IA, não em derivar backpropagation. Onde a matemática ajuda a entender um conceito, eu explico com analogia primeiro.
O que vem a seguir nesta trilha
Agora que o mapa está claro, a trilha mergulha nos fundamentos que você precisa para trabalhar com LLMs de verdade.
A lição 02 abre a caixa preta do aprendizado: o que são parâmetros, o que acontece durante o treino e o que é inferência — sem matemática pesada, mas com precisão suficiente para você tomar decisões de arquitetura.
Da lição 03 em diante, entramos no território dos LLMs: tokens, janela de contexto, embeddings, prompting, RAG e tool calling. Cada lição constrói sobre a anterior. O destino final é a lição 11, onde montamos um agente completo — e as lições seguintes mostram como colocar isso em produção na AWS com Amazon Bedrock e AgentCore.
Antes de ir para a próxima lição, revise os termos do glossário abaixo e responda o quiz rápido. Se você acertar tudo, está pronto para continuar. Se errar algum, releia a seção correspondente — é normal na primeira vez.
Checagem rápida
1. Qual relação é correta?
2. O que diferencia ML de 'programação tradicional'?