Imagine que você está escrevendo a estratégia de jogadas de um programa de jogo da velha chinês (cinco em linha). As regras já foram explicadas, o tabuleiro é exibido corretamente e, a seguir, parece que basta fazer o programa escolher a melhor jogada. Mas, ao começar a simular, cada resposta do adversário abre novas variantes. O jogo ainda nem começou e o tempo de cálculo já não é suficiente.
Esse pequeno impasse traz à tona uma questão importante da inteligência artificial: quando informação, tempo e recursos computacionais têm limites, como um sistema faz escolhas fundamentadas? Para quem já se acostumou a usar ferramentas de IA, enfrentar um problema assim é também uma oportunidade de se aproximar do funcionamento interno da tecnologia.
A disciplina COMP5511 Artificial Intelligence Concepts (Conceitos de Inteligência Artificial) da Universidade Politécnica de Hong Kong gira em torno de busca, representação do conhecimento, raciocínio e aprendizado de máquina. Nos materiais atuais do curso no EvoClass, o percurso de aprendizagem se estende ainda a Transformers, grandes modelos de linguagem e agentes. Partindo do tabuleiro, encontram-se diferentes tarefas pelo caminho e, repetidamente, uma nova revisão do que significa "fazer uma escolha".
Antes da primeira jogada, aprender a abrir mão
Se todas as possibilidades merecessem cálculo, o programa logo mergulharia em um espaço de busca enorme. Para jogar dentro de um tempo limitado, é preciso decidir quais posições considerar primeiro, com que critério avaliá-las e até que ponto a busca pode parar.
Um problema que parecia ser apenas "falta de velocidade" transforma-se, assim, em uma escolha de método.
Em Estratégias de busca: busca não informada e busca heurística, os estudantes podem comparar diferentes formas de exploração; em Busca adversarial e satisfação de restrições, precisam incluir as escolhas do adversário em seu próprio julgamento. Olhar mais jogadas à frente, avaliar posições e reduzir cálculos desnecessários ganham significado concreto.
O experimento de cinco em linha da disciplina oferece uma janela de observação. É possível alterar uma estratégia, executar o programa e comparar as jogadas e o tempo gasto. Uma jogada aparentemente vantajosa pode deixar brechas mais adiante; buscar mais profundamente também custa mais computação.
Quando o código realmente roda, as concessões por trás dos nomes dos algoritmos tornam-se visíveis. A aprendizagem ganha também um ponto de apoio claro: explicar essa escolha e encontrar formas de testar a explicação.
Trocando por uma imagem manuscrita, o problema muda
As regras de uma jogada de cinco em linha podem ser escritas com clareza, mas é difícil especificar uma a uma a aparência dos dígitos manuscritos. O mesmo "3" pode ser escrito arredondado, achatado, ou com traços quase emendados.
Continuar acrescentando regras pode resolver alguns exemplos imediatos, mas ainda surgirão novas formas de escrita. A tarefa toma então outra direção: fornecer dados ao modelo para que ele aprenda padrões úteis ao reconhecimento.
Mas ter aprendido com um conjunto de exemplos não significa dar conta de todas as situações novas.
Os materiais experimentais da COMP5511 no EvoClass incluem classificação de dígitos manuscritos, e o conteúdo das aulas avança do aprendizado de máquina tradicional para redes neurais e visão computacional. Para os estudantes, um pequeno exercício que vale a pena é guardar algumas classificações erradas, observar o que o modelo confundiu com o quê e voltar aos dados e ao método para buscar as causas.
Seguindo por esse caminho até Modelagem de sequências e Transformers, o foco se volta ainda mais para sequências e contexto. Ao estudar depois os grandes modelos de linguagem, por trás da familiar interface de conversa passam a existir pistas técnicas a serem investigadas.
Em seguida, a disciplina leva o problema para além da tela: se a resposta só pode ser obtida por meio de uma ação real, como o sistema deve continuar?
Depois da resposta, ainda há uma ação
Buscar uma informação, executar um trecho de código ou continuar uma tarefa com base nas informações retornadas exige que o sistema se conecte a ferramentas externas. Depois de gerar um plano, ainda é preciso enviar a requisição, ler o resultado e julgar se o próximo passo continua razoável.
A prática de agentes e chamadas de ferramentas do Lab 11 conduz os estudantes a essa etapa: conectar um modelo de linguagem a ferramentas externas e observar como pensamento, ação e retroalimentação formam um processo contínuo.
Nesse momento, vale concentrar a atenção em um passo facilmente ignorado: depois que a ferramenta já retornou um resultado, como o sistema o utiliza de fato. O conteúdo retornado pode estar incompleto e a operação pode falhar; repetir, mudar de método ou parar exige justificativas correspondentes.
O problema do tabuleiro do início reaparece de outra forma. Uma escolha altera a situação presente, e o julgamento seguinte precisa levar em conta essa mudança.
Programas de busca e modelos de linguagem têm mecanismos diferentes. Colocá-los em um mesmo percurso de aprendizagem permite exercitar uma forma de observação que atravessa todo o processo: primeiro esclarecer a tarefa, depois ver como o sistema age e, por fim, usar os resultados para verificar o julgamento original.
Transformar um experimento em julgamento próprio
Quando os sistemas passam a influenciar tarefas reais, o sucesso na execução precisa ser considerado junto com confiabilidade, vieses e limites de uso. Ética, segurança e alinhamento em IA incorpora essas questões ao curso, colocando a implementação técnica e a responsabilidade humana no mesmo quadro.
Ao estudar esta disciplina, pode-se reservar uma tarefa bem pequena: antes de executar um experimento, anotar a expectativa; depois de ver o resultado, registrar um ponto em que ele diferiu do esperado; em seguida, voltar à unidade de aula correspondente e tentar explicar a diferença.
Essa diferença pode ser uma jogada inesperada, uma imagem mal reconhecida ou um retorno de ferramenta ignorado pelo agente. Ela indica a direção do próximo aprendizado e conecta os conceitos dos capítulos às próprias observações.
Na página da disciplina COMP5511 no EvoClass, é possível construir o fio de conhecimento pelas unidades de aula, passar aos experimentos e trazer as questões de volta; ou ainda escolher primeiro um tema de interesse e verificar a compreensão com exercícios simulados.
De volta ao jogo, o programa continua precisando escolher a próxima jogada em tempo limitado. Agora, porém, você tem mais recursos para examiná-lo: ver como a busca se desenrola, qual é o critério de avaliação e se os resultados sustentam o projeto original.
Entender a IA pode começar por uma peça como essa.
As informações básicas da disciplina seguem a descrição oficial do curso na PolyU; a apresentação das unidades e dos laboratórios baseia-se no conteúdo atual do curso no EvoClass. Os links das aulas no texto apontam para materiais de estudo em inglês.