Sessão de Bancada IA Multimodal Arquitetura e Aplicações Práticas (2026-04-28)
Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.
O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.
Notas citadas nas anotações desta sessão.
A sessão apresentou os fundamentos e as aplicações práticas de inteligência artificial multimodal, destacando sua capacidade de processar e combinar texto, imagem, áudio e vídeo tanto como entrada quanto como saída. Foram comparadas arquiteturas unimodais, voltadas a um único tipo de dado, e multimodais, que utilizam codificadores especializados, embeddings e um espaço latente compartilhado para relacionar diferentes modalidades. Também foram explicados conceitos como aprendizado contrastivo, zero-shot learning, cross-attention e estratégias de fusão de dados, com exemplos do CLIP e do Stable Diffusion.
A discussão avançou para agentes multimodais, capazes de perceber, interpretar e executar ações com base em múltiplos tipos de informação, incluindo aplicações em assistentes, robótica, compras e interfaces digitais. O Stitch, da Google, foi demonstrado como ferramenta de geração de protótipos de interfaces a partir de descrições textuais, sendo comparado a recursos do Figma. Entre os pontos de atenção, destacaram-se o custo computacional, a qualidade e a procedência dos dados, a privacidade e a dificuldade de utilizar sistemas multimodais sem compartilhar informações com serviços externos. Ficou em aberto quais modelos locais oferecem melhor suporte multimodal e como equilibrar desempenho, custo e proteção de dados; ao final, foi divulgado um workshop sobre implementação de agentes com LangGraph.