 |
| Bellacosa Mainframe apresenta IA para programadores COBOL |
Inteligência Artificial Para Programadores COBOL: Da Conferência de Dartmouth ao ChatGPT
Introdução
Se você trabalha com COBOL, mainframe, processamento batch, CICS, DB2, JCL ou sistemas corporativos legados, provavelmente já ouviu alguma das seguintes frases:
"A IA vai substituir os programadores."
"O ChatGPT pensa."
"Agora tudo é Inteligência Artificial."
"COBOL morreu."
"Mainframe ficou obsoleto."
Curiosamente, todas essas afirmações têm algo em comum: são simplificações excessivas de assuntos extremamente complexos.
Nos últimos anos, a Inteligência Artificial saiu dos laboratórios de pesquisa e passou a ocupar espaço nas notícias, nas redes sociais, nas empresas e até nas conversas familiares.
Mas para compreender verdadeiramente o que está acontecendo, precisamos voltar algumas décadas.
Muito antes de existirem smartphones, internet comercial, computação em nuvem ou ChatGPT, alguns cientistas acreditavam que seria possível reproduzir aspectos da inteligência humana através de máquinas.
Foi dessa ideia que nasceu a Inteligência Artificial.
Neste artigo vamos percorrer essa trajetória, relacionando os conceitos modernos com uma realidade mais familiar para profissionais de desenvolvimento tradicional e ambientes corporativos.
Antes da IA Existir
Muitas pessoas acreditam que a Inteligência Artificial nasceu recentemente.
Na verdade, ela possui raízes filosóficas muito antigas.
Desde a Antiguidade, seres humanos imaginavam a possibilidade de criar entidades artificiais capazes de raciocinar.
A questão fundamental sempre foi:
"Será que a inteligência é algo exclusivamente humano ou pode ser reproduzida por regras?"
Essa pergunta é mais profunda do que parece.
Um programador COBOL está acostumado a pensar em termos de regras:
IF SALDO > 0
MOVE "ATIVO" TO STATUS-CONTA
ELSE
MOVE "INATIVO" TO STATUS-CONTA
END-IF
O raciocínio dos pioneiros da IA era semelhante.
Eles imaginavam que talvez toda inteligência pudesse ser decomposta em conjuntos gigantescos de regras.
Se isso fosse verdade, bastaria descobrir as regras corretas.
O restante seria programação.
 |
| Bellacosa Mainframe e a evolução da IA |
O Contexto dos Anos 1950
Após a Segunda Guerra Mundial ocorreu uma explosão tecnológica.
Alguns acontecimentos mudaram completamente a história da computação:
surgimento dos computadores eletrônicos;
teoria da informação de Claude Shannon;
trabalhos de Alan Turing;
avanços matemáticos em lógica formal.
Pela primeira vez na história existiam máquinas capazes de executar cálculos complexos em velocidades impressionantes.
Naquele momento surgiu uma pergunta inevitável:
"Se computadores podem calcular, será que podem pensar?"
Hoje sabemos que pensar é um conceito extremamente difícil de definir.
Mas naquela época muitos cientistas acreditavam que a resposta seria positiva.
Dartmouth 1956: O Nascimento Oficial da IA
O marco histórico normalmente utilizado para definir o nascimento da Inteligência Artificial ocorreu em 1956.
O evento foi chamado:
Dartmouth Summer Research Project on Artificial Intelligence.
Entre os participantes estavam nomes que se tornariam lendários:
John McCarthy
Marvin Minsky
Claude Shannon
Nathaniel Rochester
Foi John McCarthy quem cunhou o termo:
Artificial Intelligence.
O objetivo do encontro era ambicioso.
Os pesquisadores acreditavam que seria possível descobrir princípios gerais da inteligência e implementá-los em computadores.
Em outras palavras:
eles queriam construir uma mente artificial.
O Excesso de Otimismo
Algo interessante aconteceu logo no início.
Os pesquisadores acertaram na direção geral.
Mas erraram completamente no prazo.
Muitos acreditavam que máquinas comparáveis ao intelecto humano surgiriam em poucas décadas.
A realidade mostrou-se muito mais difícil.
A inteligência humana envolve:
percepção;
linguagem;
memória;
abstração;
aprendizado;
adaptação;
contexto.
Resolver apenas uma dessas áreas já se mostrou um desafio gigantesco.
Resolver todas simultaneamente é ainda mais complicado.
O Que É Inteligência Artificial?
Existe uma tendência popular de associar IA apenas a chatbots.
Isso é um erro.
IA é um campo inteiro da computação.
Uma definição razoavelmente moderna seria:
"Conjunto de técnicas computacionais que permitem a sistemas executar tarefas normalmente associadas à inteligência humana."
Isso inclui:
reconhecimento de padrões;
tomada de decisão;
planejamento;
aprendizado;
tradução;
percepção visual;
processamento de linguagem.
Observe algo importante.
A definição não menciona consciência.
E isso não é um acidente.
Inteligência Não É Consciência
Muitas discussões públicas misturam conceitos diferentes.
Um sistema pode ser inteligente para determinada tarefa sem possuir consciência.
Por exemplo:
Uma calculadora executa operações matemáticas melhor do que praticamente qualquer ser humano.
Mesmo assim ninguém acredita que ela possua consciência.
O mesmo vale para sistemas modernos de IA.
Eles podem apresentar comportamentos extremamente sofisticados sem necessariamente possuir experiências subjetivas.
Essa distinção é fundamental.
A Primeira Grande Abordagem: IA Simbólica
Os primeiros sistemas de IA eram baseados em símbolos e regras.
O paradigma era simples.
Se especialistas humanos conseguem explicar como raciocinam, então podemos transformar esse raciocínio em código.
Imagine um sistema médico simplificado:
SE febre
E tosse
ENTÃO suspeita de gripe
A lógica parecia perfeita.
Mas logo surgiram problemas.
O mundo real possui exceções praticamente infinitas.
Quanto mais regras eram adicionadas, mais difícil se tornava manter o sistema.
Curiosamente, programadores COBOL entendem esse problema muito bem.
Sistemas corporativos gigantes frequentemente acumulam décadas de regras de negócio.
O resultado pode se tornar extremamente complexo.
Os Sistemas Especialistas
Durante as décadas de 1970 e 1980 surgiu uma categoria chamada Sistemas Especialistas.
Esses sistemas tentavam capturar o conhecimento de especialistas humanos.
Um médico, por exemplo, forneceria regras.
O sistema aplicaria essas regras automaticamente.
Durante algum tempo pareceu que essa abordagem dominaria o futuro.
Mas havia limitações.
Os sistemas não aprendiam.
Eles apenas aplicavam conhecimento previamente inserido.
Toda nova situação exigia trabalho humano.
Os Invernos da IA
Um dos capítulos mais importantes da história da IA raramente aparece em apresentações superficiais.
Os chamados AI Winters.
Ou Invernos da IA.
O padrão se repetiu diversas vezes:
Surge uma descoberta.
O entusiasmo explode.
Promessas exageradas aparecem.
Os resultados não acompanham as expectativas.
O financiamento diminui.
Foi exatamente isso que ocorreu.
A comunidade percebeu que muitos problemas eram muito mais difíceis do que parecia inicialmente.
Durante anos a área perdeu prestígio e investimento.
Essa lição continua extremamente relevante atualmente.
A Mudança de Paradigma
A grande transformação ocorreu quando pesquisadores começaram a fazer uma pergunta diferente.
Ao invés de programar regras diretamente, por que não ensinar a máquina a descobrir regras?
Essa ideia deu origem ao Machine Learning.
Aprendizado de Máquina.
O Que É Machine Learning?
Imagine que você queira identificar gatos.
Na abordagem tradicional você escreveria regras:
possui orelhas;
possui bigodes;
possui cauda.
Mas isso rapidamente se torna complicado.
Agora imagine mostrar milhões de imagens de gatos e não gatos.
O sistema passa a identificar padrões estatísticos.
Ele aprende sozinho.
Esse é o coração do Machine Learning.
O programador deixa de especificar todas as regras.
Passa a construir mecanismos capazes de descobrir regras.
Uma Analogia Para Profissionais COBOL
Imagine um sistema bancário tradicional.
Você programa explicitamente:
cálculo de juros;
regras de crédito;
classificação de clientes.
Tudo é definido manualmente.
No Machine Learning ocorre algo diferente.
Você fornece históricos de dados.
O modelo tenta descobrir padrões existentes nesses dados.
A lógica deixa de ser totalmente explícita.
Ela passa a emergir do treinamento.
Essa mudança foi revolucionária.
Deep Learning
O próximo salto foi o Deep Learning.
Deep Learning é um subconjunto de Machine Learning.
Baseia-se em redes neurais artificiais.
Apesar do nome, essas redes são apenas inspirações matemáticas extremamente simplificadas do cérebro humano.
Não são cérebros digitais.
Não reproduzem neurônios biológicos reais.
São modelos matemáticos.
Mas modelos incrivelmente poderosos.
Por Que Deep Learning Mudou Tudo?
Durante décadas existiram limitações de:
processamento;
armazenamento;
disponibilidade de dados.
Quando esses fatores melhoraram simultaneamente, redes neurais profundas passaram a produzir resultados extraordinários.
Sistemas começaram a:
reconhecer imagens;
compreender voz;
traduzir textos;
identificar padrões complexos.
O desempenho cresceu rapidamente.
Deep Blue: O Primeiro Grande Choque Público
Em 1997 ocorreu um evento histórico.
O computador Deep Blue derrotou Garry Kasparov.
Campeão mundial de xadrez.
O mundo ficou impressionado.
Parecia uma demonstração de inteligência artificial.
Mas existe uma nuance importante.
Deep Blue não possuía inteligência geral.
Ele era especialista em xadrez.
Extremamente especializado.
Não conseguia conversar.
Não conseguia dirigir.
Não conseguia escrever artigos.
Mas conseguia jogar xadrez em nível sobre-humano.
Essa distinção continua importante atualmente.
Watson e o Processamento de Linguagem
Em 2011 surgiu outro marco.
IBM Watson venceu o programa Jeopardy.
O desafio era muito diferente do xadrez.
Agora a máquina precisava interpretar linguagem humana.
O feito demonstrou que computadores poderiam lidar com ambiguidades linguísticas em níveis impressionantes.
Mas novamente:
não era uma mente artificial.
Era uma combinação sofisticada de múltiplas técnicas.
AlphaGo e a Surpresa dos Especialistas
Muitos pesquisadores acreditavam que o jogo Go permaneceria difícil por muito mais tempo.
Eles estavam errados.
Em 2016 o AlphaGo derrotou Lee Sedol.
Um dos maiores jogadores do planeta.
O feito chocou especialistas.
O número de possibilidades no Go é gigantesco.
Durante décadas acreditou-se que a intuição humana teria vantagem.
Mas a combinação de Deep Learning com aprendizado por reforço mudou o cenário.
O Que São LLMs?
Chegamos ao assunto mais popular atualmente.
LLM significa:
Large Language Model.
Modelo de Linguagem de Grande Escala.
O ChatGPT é um exemplo.
Mas não é o único.
O conceito fundamental é relativamente simples.
O modelo aprende padrões estatísticos presentes em enormes volumes de texto.
O Próximo Token
De forma extremamente simplificada, um LLM aprende a prever a continuação mais provável de uma sequência.
Exemplo:
"O céu é..."
A continuação mais provável pode ser:
"azul"
Agora imagine realizar esse processo em escala gigantesca.
Bilhões ou trilhões de exemplos.
Com enormes redes neurais.
O resultado é um sistema capaz de gerar texto extremamente convincente.
Mas o ChatGPT Entende?
Essa é uma das perguntas mais debatidas atualmente.
Existem três correntes principais.
A primeira afirma:
"Não entende. Apenas manipula padrões."
A segunda afirma:
"Possui algum grau de compreensão funcional."
A terceira argumenta:
"Se o comportamento é equivalente à compreensão, a distinção pode não ser tão relevante."
A verdade é que não existe consenso definitivo.
A ciência ainda debate essa questão.
IA Não É Sinônimo de ChatGPT
Outro erro comum.
ChatGPT é apenas uma aplicação específica.
A IA moderna inclui:
visão computacional;
robótica;
sistemas de recomendação;
previsão financeira;
diagnóstico médico assistido;
otimização logística;
detecção de fraude.
Reduzir IA a chatbots seria como reduzir computação inteira a planilhas eletrônicas.
O Efeito IA
Existe um fenômeno curioso.
Quando uma tecnologia é difícil, chamamos de IA.
Quando se torna comum, deixamos de chamar.
Reconhecimento óptico de caracteres (OCR) já foi considerado IA avançada.
Motores de busca já foram considerados IA.
Sistemas de recomendação também.
Depois que amadurecem, passam a ser vistos como ferramentas normais.
Esse fenômeno recebeu informalmente o nome de AI Effect.
A Relação Entre Mainframe e IA
Muitas pessoas acreditam que ambientes mainframe estão desconectados da revolução da IA.
Na prática, isso não é verdade.
Grande parte dos dados corporativos mais valiosos do mundo continua residindo em:
z/OS;
DB2;
IMS;
VSAM;
sistemas legados.
Modelos de IA dependem de dados.
E os dados corporativos frequentemente estão em plataformas tradicionais.
Por isso, integração entre IA e mainframe tornou-se uma área estratégica.
O Futuro do Programador COBOL
Uma preocupação recorrente é:
"IA vai substituir programadores COBOL?"
A resposta séria é mais complexa que um simples sim ou não.
Ferramentas de IA já conseguem:
sugerir código;
documentar programas;
explicar rotinas;
auxiliar manutenção.
Por outro lado, elas não eliminam a necessidade de compreender:
regras de negócio;
arquitetura corporativa;
requisitos regulatórios;
processos empresariais.
Conhecimento de domínio continua sendo extremamente valioso.
Os Desafios Éticos
A discussão atual vai muito além da tecnologia.
Existem questões importantes:
privacidade;
direitos autorais;
viés algorítmico;
transparência;
concentração de poder.
Quem controla os modelos?
Quem responde por erros?
Quem é dono do conteúdo produzido?
Essas perguntas ainda não possuem respostas definitivas.
Consumo Energético
Modelos modernos exigem infraestrutura gigantesca.
Datacenters utilizam:
energia elétrica;
sistemas de refrigeração;
redes de alta velocidade;
milhares de aceleradores computacionais.
O debate ambiental é legítimo.
Ao mesmo tempo, é necessário evitar simplificações.
Existe uma diferença enorme entre:
treinar um modelo;
utilizar um modelo já treinado.
Os impactos são distintos.
IA Geral Ainda Não Existe
Uma distinção essencial é a diferença entre:
ANI — Artificial Narrow Intelligence
e
AGI — Artificial General Intelligence.
A IA atual pertence majoritariamente à primeira categoria.
São sistemas extremamente competentes em tarefas específicas.
Uma AGI seria algo muito mais amplo.
Capaz de aprender praticamente qualquer domínio intelectual.
Até hoje não existe consenso sobre quando — ou mesmo se — isso será alcançado.
Conclusão
Talvez a maior lição da história da Inteligência Artificial seja a seguinte:
a IA não surgiu com o ChatGPT.
Ela representa décadas de pesquisa, fracassos, descobertas, ciclos de entusiasmo e longos períodos de frustração.
Desde Dartmouth em 1956 até os modernos modelos de linguagem, a área evoluiu continuamente.
Para o programador COBOL, compreender IA não significa abandonar conceitos tradicionais.
Pelo contrário.
Muitas ideias fundamentais continuam as mesmas:
representação de informação;
processamento de dados;
modelagem de problemas;
automação de tarefas.
O que mudou foi a escala.
O que mudou foi a capacidade de aprender padrões a partir de enormes volumes de dados.
O que mudou foi a sofisticação dos modelos.
A Inteligência Artificial não substitui a necessidade de pensamento crítico.
Ela torna esse pensamento ainda mais importante.
Porque quanto mais poderosas as ferramentas se tornam, maior é a responsabilidade daqueles que as utilizam.
E talvez essa seja a verdadeira questão da nossa era tecnológica:
não se as máquinas podem ser inteligentes, mas como nós, humanos, escolhemos utilizar a inteligência que construímos.
Esse texto tem estrutura adequada para publicação em blog técnico, newsletter, revista corporativa ou apostila introdutória para formação de programadores COBOL que desejam entender IA sem cair em simplificações ou marketing.
