A partir de 29 de abril de 2025, os modelos Gemini 1.5 Pro e Gemini 1.5 Flash não estarão disponíveis em projetos que não os usaram antes, incluindo novos projetos. Para mais detalhes, consulte Versões e ciclo de vida do modelo.

Esta página foi traduzida pela API Cloud Translation.

Guia para iniciantes sobre IA generativa

Este guia apresenta os conceitos básicos da IA generativa e o fluxo de trabalho para criar aplicativos na Vertex AI, abordando os seguintes tópicos:

Fluxo de trabalho de geração de conteúdo:uma visão geral do processo completo, desde o comando de um modelo até o recebimento de uma resposta segura e relevante.
Modelos de fundação:uma visão geral dos diferentes tipos de modelos de IA generativa disponíveis na Vertex AI, incluindo os modelos multimodais do Gemini.
Personalização e aumento de modelos:como personalizar modelos para tarefas específicas e conectá-los a informações externas usando embasamento e chamada de função.
Comece a usar os guias de início rápido:links para tutoriais práticos para começar a criar com a IA generativa na Vertex AI.

Este guia para iniciantes apresenta as principais tecnologias da IA generativa e explica como eles se complementam para potencializar chatbots e aplicativos. A IA generativa, também conhecida como genAI ou IA generativa, é um campo de machine learning (ML) que desenvolve e usa modelos de ML para gerar conteúdo novo.

Os modelos de IA generativa são frequentemente chamados de modelos de linguagem grandes (LLMs) devido ao tamanho grande e a capacidade de entender e gerar linguagem natural. No entanto, dependendo dos dados com os quais os modelos são treinados, eles podem entender e gerar conteúdo em diversas modalidades, incluindo texto, imagens, vídeos e áudio. Modelos que funcionam com várias modalidades de dados chamados modelos multimodais.

O Google oferece a família de modelos de IA generativa do Gemini projetada para casos de uso multimodais, capaz de processar informações de várias modalidades, incluindo imagens, vídeos e texto.

Conceitos

Comando:uma solicitação em linguagem natural enviada a um modelo de IA generativa para receber uma resposta.
Modelo de fundação:um modelo de IA generativa grande e pré-treinado, como o Gemini, que pode ser usado para uma ampla variedade de tarefas.
Ajuste de modelos:o processo de personalização de um modelo de fundação para realizar tarefas específicas com mais eficiência.
Embasamento:o processo de conectar as respostas de um modelo a fontes de informações verificáveis para melhorar a precisão e reduzir as alucinações.
Chamada de função:um recurso que permite que um modelo interaja com APIs externas para recuperar informações em tempo real ou realizar ações.

Geração de conteúdo

Para que os modelos de IA generativa gerem conteúdo útil em aplicativos reais, eles precisam ter os seguintes recursos:

Aprenda a realizar novas tarefas:os modelos de IA generativa são projetados para realizar tarefas gerais. Se você quiser um modelo para executar tarefas exclusivas do seu caso de uso, é preciso personalizar o modelo. Na Vertex AI, é possível personalizar seu modelo por meio do ajuste de modelos.
Acessar informações externas:os modelos de IA generativa são treinados com grandes quantidades de dados. No entanto, para que esses modelos sejam úteis, eles precisam conseguir acessar informações fora dos dados de treinamento. Por exemplo, se você quiser criar um chatbot de atendimento ao cliente com tecnologia de IA generativa, o modelo precisa ter acesso às informações sobre os produtos e serviços que você oferece. Na Vertex AI, você usa os recursos de chamada de função e embasamento para ajudar o modelo a acessar informações externas.
Bloquear conteúdo nocivo:os modelos de IA generativa podem gerar resultados inesperados, incluindo texto ofensivo ou insensível. Para manter a segurança e evitar o uso indevido, os modelos precisam de filtros de segurança para bloquear comandos e respostas que sejam considerados potencialmente nocivos. A Vertex AI tem recursos de segurança integrados que promovem o uso responsável dos nossos serviços de IA generativa.

O diagrama a seguir resume o fluxo de trabalho geral:

Comando

O fluxo de trabalho da IA generativa geralmente começa com solicitações. Um comando é uma solicitação em linguagem natural enviada a um modelo de IA generativa para receber uma resposta. Dependendo do modelo, um comando pode conter texto, imagens, vídeos, áudio, documentos ou várias modalidades (multimodal).

Por exemplo, um comando de texto simples pode ser:

"Summarize the following article in three bullet points: [article text]"

Criar um comando para receber a resposta desejada do modelo é uma prática chamada design de comandos. Embora o design de comandos seja um processo de tentativa e erro, há princípios e estratégias que podem ser usados para fazer com que o modelo se comporte da maneira desejada. O Vertex AI Studio oferece uma ferramenta de gestão de comandos para ajudar você a gerenciá-los.

Modelos de fundação

Os comandos são enviados a um modelo de IA generativa para geração de respostas. A Vertex AI tem vários modelos de fundação de IA generativa acessíveis por uma API gerenciada.

Os modelos diferem em tamanho, modalidade e custo. A tabela a seguir fornece uma visão geral:

Família do modelo	Caso de uso principal
API Gemini	Raciocínio avançado, chat com vários turnos, geração de código e comandos multimodais (texto, imagens, vídeo, áudio).
API Imagen	Geração, edição e legenda visual de imagens de alta qualidade.
MedLM (descontinuado)	Respostas a perguntas e resumos médicos.

Conheça os modelos do Google, bem como os de código aberto e de parceiros do Google, no Model Garden.

Personalização de modelo

É possível personalizar o comportamento padrão dos modelos de fundação do Google para que eles gerem os resultados desejados de maneira consistente e sem usar comandos complexos. Esse processo de personalização é chamado de ajuste do modelo. O ajuste de modelo ajuda a reduzir o custo e a latência das solicitações, o que simplifica os comandos.

A Vertex AI também oferece ferramentas de avaliação de modelos para ajudar você a avaliar o desempenho do modelo ajustado. Depois que o modelo ajustado estiver pronto para produção, será possível implantá-lo em um endpoint e monitorar o desempenho como em fluxos de trabalho MLOps padrão.

Acessar informações externas

A Vertex AI oferece várias maneiras de dar ao modelo acesso a APIs externas e informações em tempo real.

Opção	Descrição	Caso de uso
Embasamento	Conecta as respostas do modelo a uma fonte de verdade, como seus próprios dados ou a pesquisa na Web.	Reduza as alucinações e melhore a precisão factual vinculando as respostas a dados específicos.
Geração aumentada de recuperação (RAG)	Conecta modelos a fontes de conhecimento externas, como documentos e bancos de dados.	Gerar respostas mais precisas e informativas recuperando informações relevantes de grandes bases de conhecimento.
Chamada de função	Permite que o modelo interaja com APIs externas.	Receber informações em tempo real (por exemplo, clima, preços de ações) ou realizar tarefas do mundo real (por exemplo, reservar um voo, enviar um e-mail).

Verificação de citação

Depois que a resposta é gerada, a Vertex AI verifica se as citações precisam ser incluídas nela. Se uma parte significativa do texto na resposta vier de uma fonte específica, essa fonte será adicionada aos metadados de citação na resposta.

IA e segurança responsáveis

A última camada de verificações que a solicitação e a resposta passam antes de serem retornadas são os filtros de segurança. A Vertex AI verifica a solicitação e a resposta para saber quanto ela pertence a uma categoria de segurança. Se o limite for excedido para uma ou mais categorias, a resposta será bloqueada e a Vertex AI vai retornar uma resposta alternativa.

Resposta

Se a solicitação e a resposta forem aprovadas nas verificações do filtro de segurança, a resposta será retornada. Normalmente, a resposta é retornada de uma só vez. No entanto, com a Vertex AI, você também pode receber respostas progressivamente à medida que são geradas, ativando o streaming.