Modelo generativo e modelo discriminativo

São duas abordagens de modelos de Machine Learning que aprendem padrões nos dados de maneiras diferentes. Um modelo generativo aprende características e padrões da distribuição dos dados e pode ser usado para gerar novas amostras ou conteúdos semelhantes aos dados aprendidos. Um modelo discriminativo aprende principalmente a diferenciar categorias ou estimar uma saída a partir de uma entrada, sendo muito usado para classificação e previsão.

A diferença ajuda a entender qual tipo de modelo faz mais sentido para o problema que o produto precisa resolver. Se a experiência precisa criar, completar ou transformar conteúdo, modelos generativos podem ser mais adequados. Se precisa classificar, detectar ou prever algo a partir de informações existentes, modelos discriminativos costumam aparecer com mais frequência. Para Produto, o mais importante não é escolher a arquitetura técnica, mas entender o tipo de resultado esperado e traduzi-lo em requisitos, métricas e critérios de qualidade.

Use modelo generativo e modelo discriminativo quando estiver comparando como modelos aprendem e produzem resultados, e não apenas tipos de produtos de IA. Não confunda modelo generativo com IA Generativa. O modelo é a tecnologia que pode estar por trás da solução; IA Generativa é uma categoria mais ampla de sistemas e aplicações voltados à geração de conteúdo. Uma forma simples de diferenciar: o generativo aprende padrões que permitem modelar ou gerar dados; o discriminativo aprende a distinguir ou prever uma saída a partir dos dados.

Distinção clássica da estatística e do ML; formalizada em Ng & Jordan (2001) ao comparar Naive Bayes e regressão logística.

Ng & Jordan, On Discriminative vs. Generative Classifiers (2001); Google Machine Learning Glossary