Como funciona
Em IA, matrizes (e tensores, que são generalizações com mais dimensões) representam dados. Uma imagem colorida é uma matriz de pixels com três canais (RGB). Os pesos de uma rede neural são matrizes. Operações como multiplicação de matrizes são a base dos cálculos em LLMs e outros modelos.
Quando um LLM processa uma frase, ela é convertida em tokens. Cada token vira um vetor (uma linha de números). O conjunto de vetores forma uma matriz que passa pelas camadas do modelo. Cada camada aplica multiplicações de matriz para transformar os dados.
GPUs são essenciais porque fazem multiplicação de matrizes em paralelo. Uma CPU processa elemento por elemento. Uma GPU processa milhares de elementos ao mesmo tempo.
Exemplo pratico
Imagine uma imagem de 28x28 pixels em escala de cinza. Ela é uma matriz de 28 linhas e 28 colunas, com valores de 0 a 255. Um modelo de visão processa essa matriz, aplicando filtros (outras matrizes menores) para detectar bordas, formas e padrões.
Em um LLM, a frase "o gato dorme" vira três tokens. Cada token é convertido em um vetor de 4096 números (dependendo do modelo). A matriz resultante tem 3 linhas e 4096 colunas. Essa matriz passa pelas camadas de atenção e feed-forward do modelo.
Para que serve
Entender matrizes ajuda a compreender como modelos processam dados. Também explica por que GPUs são necessárias e por que modelos maiores exigem mais memória. Para quem trabalha com IA, saber manipular matrizes com NumPy ou PyTorch é habilidade fundamental.
Diferenca entre matriz e tensor
Uma matriz tem duas dimensões: linhas e colunas. Um tensor pode ter mais dimensões. Um escalar é um tensor de zero dimensões. Um vetor é um tensor de uma dimensão. Uma matriz é um tensor de duas dimensões. Imagens são tensores de três dimensões (altura, largura, canais de cor).
Na prática, frameworks como PyTorch e TensorFlow trabalham com tensores. O termo matriz é usado de forma mais genérica para descrever dados organizados em grade.