Por que não podemos limitar nosso estudo apenas às IAs Generativas, ha muito mais além.

Não podemos nos limitar ao estudo das IAs Generativas. Elas são fascinantes, úteis e transformadoras, mas representam apenas uma parte de um campo muito maior chamado Inteligência Artificial. Hoje, quando falamos de IA, muita gente pensa imediatamente em modelos de linguagem, geração de texto, imagens, vídeos e agentes autônomos. No entanto, existem outras arquiteturas igualmente importantes, algumas menos populares para o público geral, mas extremamente relevantes para resolver problemas reais de engenharia, ciência, negócios, segurança e análise social.

Eu comecei a estudar redes neurais há cerca de 20 anos, em uma época que ainda pressentia o fim do chamado inverno das redes neurais. Era um período em que muitos acreditavam que redes neurais seriam abandonadas, pois pareciam inviáveis, pesadas, difíceis de treinar e pouco eficientes para aplicações práticas. O que mudou esse cenário não foi apenas uma descoberta isolada, mas uma combinação de fatores: mais dados disponíveis, maior capacidade computacional, novas técnicas de treinamento, novas arquiteturas e uma mudança profunda na forma como passamos a tratar problemas complexos.

Hoje vemos a explosão dos modelos generativos, mas isso não deve nos fazer esquecer que a IA não nasceu com os grandes modelos de linguagem. Redes neurais convolucionais, redes recorrentes, modelos de atenção, aprendizado por reforço, sistemas de recomendação, árvores de decisão, modelos probabilísticos e, mais recentemente para muitos pesquisadores e desenvolvedores, as Redes Neurais de Grafos, ou GNNs, continuam sendo áreas indispensáveis para quem deseja compreender a IA de forma mais ampla.

Da memória das RNNs às relações das GNNs

Há uns 15 anos, se não me engano, comecei a ler alguns artigos acadêmicos sobre RNNs e LSTMs publicados por engenheiros da Google e outros especialistas em redes neurais. Na época, eu não tinha a menor ideia de que chegaríamos ao cenário atual. Para mim, aquilo era em parte curiosidade técnica e em parte uma tentativa de resolver um problema concreto: diagnóstico de sistemas baseado em logs.

Eu precisava de uma rede neural que tivesse memória do que havia acontecido no passado. Não bastava analisar uma linha de log isolada. O problema estava na sequência: um alerta pequeno, seguido de uma lentidão, depois uma falha de autenticação, depois uma queda parcial de serviço. Isoladamente, cada evento talvez não dissesse muito. Em conjunto, eles poderiam indicar uma falha em formação. Por isso, arquiteturas como RNN, sigla para Recurrent Neural Network, e LSTM, sigla para Long Short-Term Memory, chamaram tanto minha atenção.

Agora, em um estudo de projeto para uma instituição religiosa, deparei-me com outra necessidade: analisar relações humanas. Não apenas eventos em sequência, mas pessoas, vínculos, influências, comunidades, proximidade, confiança, caminhos entre indivíduos e a famosa ideia dos “seis graus de separação”. Nesse tipo de problema, o dado principal não é uma frase, uma imagem ou uma tabela tradicional. O dado principal é a relação. E quando o centro do problema é a relação entre entidades, entramos naturalmente no mundo dos grafos.

O que é um grafo e por que ele muda a forma de pensar os dados

Um grafo é uma estrutura formada por nós e arestas. Os nós representam entidades: pessoas, lugares, documentos, produtos, sensores, moléculas, contas de usuário, computadores ou organizações. As arestas representam relações: amizade, compra, citação, confiança, proximidade física, comunicação, dependência, avaliação, pagamento, influência ou qualquer outro tipo de conexão.

A grande diferença é que, em uma tabela comum, eu costumo olhar registros isolados. Em um grafo, eu observo o contexto relacional. Uma pessoa não é apenas uma linha em uma tabela de usuários; ela é alguém conectado a outras pessoas, eventos, locais, interesses e históricos. Um produto não é apenas um item com preço e descrição; ele pode estar conectado a compradores, avaliações, categorias, fornecedores e padrões de recomendação.

O artigo introdutório da Distill explica que grafos aparecem naturalmente em vários tipos de dados do mundo real, como redes sociais, moléculas, redes de citação científica, imagens, texto e até estruturas de código ou equações matemáticas. O ponto central é que muitos objetos do mundo real são definidos não apenas por suas características internas, mas pelas conexões que mantêm com outros objetos.

O que são GNNs

GNN é a sigla para Graph Neural Network, ou Rede Neural de Grafos. De forma simples, uma GNN é uma rede neural projetada para aprender a partir de dados organizados como grafos. Ela não olha apenas para um nó isolado. Ela considera também os vizinhos desse nó, os vizinhos dos vizinhos e os padrões de conexão ao redor dele.

O funcionamento geral pode ser entendido como uma propagação de informação. Cada nó possui atributos próprios, mas também recebe informação dos nós próximos. A cada camada da rede, o nó passa a incorporar uma visão mais ampla do seu contexto. Em uma camada, ele pode aprender sobre seus vizinhos diretos. Em duas camadas, pode aprender sobre os vizinhos dos vizinhos. Em três camadas, pode capturar padrões ainda mais amplos. Essa ideia é conhecida como message passing, ou passagem de mensagens.

A Distill apresenta três tipos principais de tarefas em grafos: tarefas no nível do grafo, quando queremos prever uma propriedade do grafo inteiro; tarefas no nível do nó, quando queremos classificar ou estimar algo sobre cada nó; e tarefas no nível da aresta, quando queremos prever propriedades de relações ou até se uma nova relação poderá surgir no futuro.

Convolução em grafos: quando a vizinhança deixa de ser uma grade

Nas imagens, uma rede neural convolucional trabalha com uma vizinhança muito organizada. Um pixel tem pixels ao lado, acima, abaixo e na diagonal. Existe uma grade regular. Isso facilita aplicar filtros convolucionais, porque a estrutura espacial é previsível.

Em grafos, a situação é diferente. Um nó pode ter dois vizinhos, outro pode ter cinquenta, outro pode estar quase isolado. As conexões não formam uma grade simples. Por isso, a convolução em grafos precisa ser generalizada. Em vez de aplicar um filtro fixo sobre uma matriz regular, a GNN agrega informações dos vizinhos de cada nó, respeitando a estrutura real das conexões.

O artigo “Understanding Convolutions on Graphs”, também da Distill, explica justamente essa transição conceitual: a ideia de convolução, tão comum em imagens, pode ser reinterpretada para grafos quando passamos a pensar em vizinhança, agregação e propagação de informação sobre estruturas não regulares.

Por que GNNs são tão importantes

A relevância das GNNs está no fato de que muitos problemas reais não são puramente tabulares, nem puramente sequenciais, nem puramente visuais. Eles são relacionais. Quando o valor da informação está na conexão entre entidades, uma rede neural tradicional pode perder parte importante do contexto.

Em uma rede social, por exemplo, não basta saber a idade, cidade ou profissão de uma pessoa. É importante saber com quem ela se relaciona, em quais grupos está inserida, quem influencia quem, quais comunidades se formam e quais conexões funcionam como pontes entre grupos distintos. Em um sistema financeiro, uma transação isolada pode parecer normal, mas o padrão de conexões entre contas, dispositivos, endereços, cartões e horários pode revelar fraude.

Em sistemas religiosos, educacionais, comunitários ou institucionais, a análise de grafos também pode ajudar a compreender vínculos, circulação de informação, grupos de apoio, isolamento social, influência positiva, rotas de comunicação e pontos de fragilidade organizacional. Isso deve ser feito com responsabilidade ética, pois estamos lidando com relações humanas, privacidade e interpretação social. Ainda assim, tecnicamente, grafos oferecem uma forma poderosa de representar esse tipo de realidade.

O exemplo do Airbnb: confiança como problema de grafo

Um exemplo didático muito interessante é o do Airbnb. Quando uma plataforma precisa conectar hóspedes, anfitriões e imóveis, ela não está apenas resolvendo um problema de busca por preço ou localização. Ela está lidando com confiança. Quem pode confiar em quem? Qual hóspede combina com qual imóvel? Qual anfitrião tem boa reputação para determinado perfil de viajante? Quais padrões podem indicar risco, fraude ou comportamento suspeito?

O artigo do GrafoLab mostra que esse ecossistema pode ser visto como um grafo heterogêneo, com diferentes tipos de nós, como hóspedes, anfitriões, anúncios e localizações, e diferentes tipos de arestas, como “ficou em”, “administra”, “avaliou” e “está localizado em”. Essa modelagem permite representar a complexidade das relações de forma muito mais rica do que tabelas isoladas.

A própria engenharia do Airbnb já discutiu o uso de Graph Machine Learning em modelos de confiança e segurança. A justificativa é clara: atributos simples de uma entidade, como localização, idade da conta ou número de reservas, não descrevem suficientemente bem essa entidade dentro do contexto geral da plataforma e de suas interações.

Onde GNNs já são aplicadas

As GNNs já aparecem em várias áreas. Em sistemas de recomendação, elas ajudam a conectar usuários, produtos, avaliações, preferências e históricos de navegação. Em segurança digital, podem identificar padrões suspeitos em redes de contas, dispositivos, endereços IP e transações. Em mobilidade urbana, são usadas para previsão de tráfego, pois ruas, cruzamentos, estações e rotas formam naturalmente uma rede.

Na química e na descoberta de medicamentos, moléculas podem ser representadas como grafos, em que átomos são nós e ligações químicas são arestas. Isso permite prever propriedades moleculares, toxicidade, afinidade com receptores e outras características relevantes para pesquisa farmacêutica. A própria introdução da Distill cita aplicações práticas de GNNs em descoberta antibacteriana, simulações físicas, detecção de notícias falsas, previsão de tráfego e sistemas de recomendação.

Também há pesquisas específicas sobre GNNs em sistemas inteligentes de transporte. Uma revisão de 2024 aponta aplicações em previsão de tráfego, veículos autônomos, controle de semáforos, segurança no transporte, previsão de demanda e gerenciamento de estacionamento.

GNNs e relações humanas: cuidado técnico e ético

Quando penso em relações humanas, preciso ser ainda mais cuidadoso. Um grafo pode representar conexões, mas não deve reduzir pessoas a pontos em uma rede. Uma relação humana tem contexto, história, emoção, confiança, conflito, cultura e espiritualidade. A tecnologia pode ajudar a observar padrões, mas não deve substituir discernimento, escuta e responsabilidade.

Ainda assim, a modelagem por grafos pode ser muito útil. Em uma instituição religiosa, por exemplo, pode ajudar a compreender como grupos se formam, como novos membros são acolhidos, quais pessoas atuam como pontes entre comunidades, quais eventos fortalecem vínculos e onde podem existir lacunas de comunicação. A teoria dos seis graus de separação entra aqui como uma metáfora poderosa: muitas vezes, pessoas aparentemente distantes estão conectadas por poucos intermediários.

Uma GNN poderia, em tese, aprender padrões de aproximação, recomendação de grupos de estudo, identificação de comunidades, sugestão de mentoria, análise de participação em eventos ou detecção de isolamento. Mas isso exige governança, consentimento, transparência e limites claros. Quando o dado representa pessoas, o modelo nunca deve ser tratado como uma verdade absoluta, mas como uma ferramenta auxiliar.

GNNs, GraphRAG e o futuro da IA aplicada

Outro ponto importante é a conexão entre GNNs, bancos de grafos e sistemas de Inteligência Generativa. Hoje muito se fala em RAG, sigla para Retrieval-Augmented Generation, ou geração aumentada por recuperação. Em sistemas RAG tradicionais, buscamos documentos relevantes para entregar contexto a um modelo generativo. Mas quando usamos grafos, podemos melhorar essa recuperação ao considerar relações entre conceitos, pessoas, documentos, eventos e entidades.

É aqui que surge o interesse por abordagens como GraphRAG. A ideia geral é que o conhecimento não seja tratado apenas como fragmentos de texto soltos, mas como uma rede de entidades e relações. Isso pode reduzir respostas superficiais e ajudar o modelo a navegar por dependências conceituais mais complexas. Uma GNN pode ser usada em alguns cenários para aprender sobre esse grafo, classificar nós, prever relações ou melhorar recomendações dentro da rede de conhecimento.

Portanto, estudar GNNs não significa abandonar as IAs Generativas. Significa ampliar o repertório. Um profissional que entende apenas geração de texto pode construir bons prompts. Mas um profissional que entende grafos, GNNs, bancos vetoriais, ontologias, séries temporais, redes recorrentes e modelos generativos começa a enxergar a IA como engenharia de sistemas inteligentes.

Conclusão

Eu vejo as GNNs como uma das áreas mais importantes para quem deseja ir além do entusiasmo imediato com modelos generativos. Elas nos lembram que muitos problemas do mundo real não estão apenas nos dados, mas nas conexões entre os dados. Uma falha em um sistema pode depender da sequência de eventos anteriores. Uma fraude pode aparecer apenas quando analisamos a rede de relações. Uma recomendação pode melhorar quando entendemos caminhos de confiança. Uma instituição pode se fortalecer quando compreende melhor sua própria rede humana.

As IAs Generativas mudaram a forma como escrevemos, programamos, pesquisamos e interagimos com sistemas computacionais. Mas a próxima maturidade virá quando integrarmos essas IAs a modelos especializados, capazes de compreender estrutura, relação, memória, causalidade e contexto. Nesse cenário, as Redes Neurais de Grafos não são apenas mais um tópico acadêmico. Elas são uma ferramenta essencial para quem deseja aplicar IA em problemas reais, complexos e profundamente conectados.

Referências

GrafoLab — Airbnb e Grafos: A Rede de Confiança por Trás da Sua Hospedagem

https://grafolab.ia.br/2025/10/29/airbnb-e-grafos-a-rede-de-confianca-por-tras-da-sua-hospedagem/

Distill — A Gentle Introduction to Graph Neural Networks

https://distill.pub/2021/gnn-intro/

Distill — Understanding Convolutions on Graphs

https://distill.pub/2021/understanding-gnns/

Airbnb Engineering — Graph Machine Learning at Airbnb

https://medium.com/airbnb-engineering/graph-machine-learning-at-airbnb-f868d65f36ee

A Survey on Graph Neural Networks in Intelligent Transportation Systems

https://arxiv.org/html/2401.00713v2