IA vs ML vs LLM: Guia Completo

Entenda a hierarquia de IA, ML e LLMs — quando usar cada termo e exemplos práticos.

Hierarquia de Conceitos

IA, ML e LLM não são a mesma coisa. É uma hierarquia:

┌──────────────────────────────────────────┐
│      IA (Inteligência Artificial)      │  ← Campo amplo
│   ┌────────────────────────────────┐    │
│   │  ML (Machine Learning)       │    │  ← Subcampo
│   │   ┌───────────────────────┐    │
│   │   │  LLM (Large Language│    │  ← Modelo específico
│   │   │      Model)          │    │
│   │   └───────────────────────┘    │
│   └────────────────────────────────┘    │
└──────────────────────────────────────────┘

Analogia:

• IA = “Informática” (campo geral)
• ML = “Programação” (técnica específica)
• LLM = “JavaScript” (linguagem específica)

IA (Inteligência Artificial)

Definição: Sistemas que simulam comportamento inteligente.

Tipos:

IA Simbólica (não usa ML):

• Regras explícitas programadas
• Sistemas especialistas (if-then)
• Motores de busca clássicos

# IA sem ML - regras fixas
if temperatura > 40 and humidity > 70:
    activate_air_conditioner()

IA Baseada em ML:

• Aprende padrões de dados
• Classificação, regressão, clustering
• É o foco da série de posts

ML (Machine Learning)

Definição: IA que aprende a partir de dados, sem ser explicitamente programada.

Como funciona:

Programação tradicional:
  → Você escreve as regras

Machine Learning:
  → Você fornece dados
  → O algoritmo descobre as regras

Três categorias principais:

1. Aprendizado Supervisionado

O que é: Dados rotulados → Modelo aprende mapeamento

Exemplos:

• Classificação de emails (spam/não spam)
• Detecção de fraude
• Reconhecimento de dígitos (MNIST)

# Dados de treino rotulados
X = [[10, 20], [5, 15], [30, 25]]  # temperaturas
y = ["frio", "frio", "quente", "quente"]

# Modelo aprende: baixa temperatura = frio
modelo.fit(X, y)

# Predição
modelo.predict([[18]])  # "frio"

2. Aprendizado Não-Supervisionado

O que é: Dados sem rótulos → Modelo descobre padrões

Exemplos:

• Clustering de clientes por comportamento
• Detecção de anomalias
• Compressão de dados

# Agrupa clientes sem rótulos
clientes = dados_clientes
kmeans = KMeans(n_clusters=3)
grupos = kmeans.fit_predict(clientes)

# Output: 3 grupos emergem naturalmente

3. Aprendizado por Reforço

O que é: Agente interage com ambiente → Recebe recompensas

Exemplos:

• Jogos (AlphaGo, Chess)
• Robôs aprendendo a andar
• Controle de tráfico

# Agente aprende a equilibrar varas
agente = Environment()
for episode in range(1000):
    action = agente.escolha_acao()
    reward = environment.step(action)
    agente.aprender(reward)

LLM (Large Language Model)

Definição: Modelo de ML treinado em massas gigantescas de texto para prever o próximo token.

Arquitetura:

Input: "A capital do Brasil é"
  ↓
Tokenização (texto → números)
  ↓
Embedding (números → vetores)
  ↓
LLM (transformer com bilhões de parâmetros)
  ↓
Probabilidades de cada token possível
  ↓
Decoding (escolha do próximo token)
  ↓
Output: "Brasília"

Não é “entendimento” — é estatística avançada.

Modelos populares:

Diferenças Práticas

IA vs ML

ML vs LLM

Arquitetura de Chatbot com IA/ML/LLM

Como os três componentes aparecem em um sistema real:

class ChatbotCompleto:
    def __init__(self):
        # IA - sistema inteligente
        self.sistema_ia = SistemaEspecialista(
            regras_negocio="conversas_proibidas"
        )

        # ML - modelo treinado
        self.modelo_ml = ClassificadorSentimento(
            modelo_treinado="bert-base-portuguese"
        )

        # LLM - gerador de texto
        self.llm = LLM(
            modelo="llama3.2:3b",
            modo="local"  # Ollama
        )

    def processar_mensagem(self, texto):
        # 1. IA - verifica regras de segurança
        if self.sistema_ia.eh_bloqueado(texto):
            return "Mensagem não permitida."

        # 2. ML - analisa sentimento
        sentimento = self.modelo_ml.classificar(texto)
        # Output: "positivo" ou "negativo"

        # 3. LLM - gera resposta
        contexto = f"Usuário disse: {texto}\nSentimento: {sentimento}"
        resposta = self.llm.gerar(contexto)

        return resposta

Terminologia correta:

• ❌ “A IA do chatbot” (vago)
• ❌ “O ML do chatbot” (incompleto)
• ✅ “O LLM gera respostas” (preciso)
• ✅ “O ML classifica sentimento” (preciso)

LLMs Locais: Por que Importante?

Arquitetura Cloud vs Local

Cloud AI (GPT-4, Claude):

Seu dispositivo → Internet → Servidor OpenAI → Modelo → Resposta
                                       ↑
                                 Seus dados (ficam lá)

AI Local (Ollama + Llama):

Seu dispositivo → Modelo local → Resposta
                  ↓
          Seus dados (nunca saem)

Vantagens do local:

• ✅ 100% offline
• ✅ Zero custo recorrente
• ✅ Privacidade total
• ✅ Seus dados alimentam seus modelos (RAG)

Setup Prático (2 minutos)

# Instalar Ollama
curl https://ollama.com/install.sh | sh

# Rodar Llama 3 (2.5B - leve)
ollama run llama3.2:3b

# Testar com pergunta complexa
# "Explique a diferença entre IA, ML e LLM como eu fosse engenheiro de software de 15 anos"

Quando Usar Cada Termo

“IA” - Situações Apropriadas

Use quando:

• Discutindo o campo geral
• Conversando com público leigo
• Referenciando sistemas inteligentes sem especificar

Exemplos:

✅ “A IA está transformando a medicina.” ✅ “O sistema de IA da fábrica reduziu defeitos em 40%.” ✅ “Nosso chatbot usa IA para atender clientes.”

“ML” - Situações Apropriadas

Use quando:

• Explicando técnicas de aprendizado
• Discutindo algoritmos (árvores de decisão, redes neurais)
• Conversando com desenvolvedores técnicos

Exemplos:

✅ “Usamos ML para detectar anomalias em tempo real.” ✅ “O modelo de classificação atingiu 98% de acurácia.” ✅ “O pipeline de ML está otimizado com feature engineering.”

“LLM” - Situações Apropriadas

Use quando:

• Referenciando modelos de texto/chat
• Discutindo GPT, Claude, Llama, Mistral
• Explicando arquitetura de chatbots

Exemplos:

✅ “Rodamos Llama 3 localmente para transcrição de reuniões.” ✅ “O LLM gera código com base em descrição natural.” ✅ “Fine-tuning do LLM melhorou performance no domínio médico.”

Key Takeaways

1. IA = Campo amplo de sistemas inteligentes (pode usar ML ou não)
2. ML = Subcampo de IA que aprende com dados (não precisa ser programado)
3. LLM = Tipo específico de ML treinado em massas de texto para gerar texto

Prática:

• Para sistemas técnicos: Especifique (ML, LLM)
• Para conversas gerais: IA é aceitável
• Para chatbots/texto: LLM é o termo correto

Próximo Artigo

Markdown > DOCX: Por que Arquivos MD são o Futuro da AI

No próximo post (semana 2), você vai aprender:

• Por que Markdown é superior para AI workflows
• Como integrar Git versionamento com seus prompts
• Ferramentas para editar MD com AI (Obsidian, VS Code)
• Exemplos práticos de code blocks formatados
• Renderização instantânea com Hugo/Jekyll

Siga @nexusai — Tutoriais de AI local toda terça e quinta.