PBL IA ANO 01 FASE 05 2025 VIDEOCAST MINDSET MACHINE LEARNING

Será que as máquinas
conseguem aprender?

Sendo bem direto
e objetivo, sim,

graças ao poder
da Inteligência Artificial,

um grande leque de opções
que, dentro dele,

tem o tal do Machine Learning.

E esse é o assunto
do nosso bate-papo de hoje.

Vamos falar sobre tipos
de Machine Learning,

polêmicas, e o que vem por aí.

Eu sou o Gustavo Torrente,
professor da FIAP,

e não estou sozinho.

Estou aqui com grandes
especialistas da área.

Professor Flávio Marques,
professor Henrique,

sejam muito bem-vindos.

Tudo bom, Flávio?

Tudo bom, Gustavo.

Olá a todos e a todas.

Sou o Flávio, especialista
em infraestrutura

e instrutor da Cisco Systems.

Sensacional!

Seja bem-vindo, Henrique.

Obrigado, Gustavo,
obrigado, Fábio.

Vai ser um prazer
conversar com vocês.

Sou Henrique Ferreira, sou
pesquisador na área de IA,

engenheiro de informação,

e estou envolvido na construção
de Inteligências Artificiais

usando Machine Learning.

Bom, para começar esse bate-papo,
não é novidade para ninguém

que a Inteligência Artificial
é um grande guarda-chuva

que abriga várias ramificações,

e uma delas é o tal
do Machine Learning.

Onde se encaixa
o Machine Learning

dentro desse universo
da IA, Flávio?

Todo mundo fala hoje em ChatGPT,
e fica com esse foco.

Mas a gente não pode esquecer
que Machine Learning

é uma subárea
da Inteligência Artificial,

e é para deixar
muito claro isso.

Então a gente tem, dentro
da Inteligência Artificial,

uma subárea que é
a Machine Learning.

E um pouco mais aprofundado,
que também faz parte disso

quando a gente trabalha
com redes neurais,

a gente vai começar
a trabalhar com Deep Learning.

Perfeito.

Henrique, Machine Learning,

o professor Flávio
falou muito bem,

é uma subárea dentro da IA,
que não é de hoje.

E, na sua visão, onde se encaixa
dentro desse universo?

É muito interessante...

A gente falou de ChatGPT hoje,

mas Machine Learning,
aprendizado de máquina, na verdade,

é um artigo seminal
da década de 1950.

É uma velha senhora
de 80 anos, né?

É algo que tem há muito tempo.

Só que, o poder computacional

para conseguir
extrair valor disso,

teve que ser desenvolvido.

Então a gente precisou
ter as placas de vídeo

para conseguir treinar
redes neurais profundas

que utilizam o aprendizado
de máquina

para conseguir extrair valor

e conseguir criar sistemas,
como o ChatGPT.

Então é algo antigo que está
sendo pesquisado há muito tempo.

O objetivo do Machine Learning,
dentro da Inteligência Artificial,

é fazer as máquinas aprenderem.

Muito bom!

E dentro desse tal
de aprendizado máquina,

nós temos o aprendizado
não supervisionado

e o supervisionado.

Tem pior, melhor?

Quando eu uso um,
quando eu uso o outro?

Quem quer responder essa?

Eu vou falar de uma forma
um pouco mais...

Generalista.

A gente tem os dois grandes
paradigmas do Machine Learning,

o supervisionado
e o não supervisionado.

Quando você tem algo controlado,

que você já tem medições feitas,

e você consegue já tem a certeza
do que é certo, do que é errado,

do que você está querendo medir,

você está falando
em modelo supervisionado.

Quando você tem
uma situação caótica

em que você não sabe
o que você tem,

a gente fala em modelo
não supervisionado.

E se a gente for falar em algo
um pouco mais concreto,

se eu estiver falando,
por exemplo, de roupas,

se eu quiser fazer
uma classificação

para poder separar gravatas
de pequenas ou grandes,

eu faço o modelo de regressão,
que é supervisionado.

Se eu quiser classificar
se uma roupa

tem um padrão de uma gravata,

uma cueca, ou
algo nesse sentido,

eu faço um processo
de classificação.

Agora, se eu tiver uma prerrogativa
de agrupar as roupas,

separar gravata, separar
cuecas e camisas,

aí vou ter que trabalhar
em um modelo não supervisionado,

porque eu não sei
o que eu vou encontrar.

Eu vou encontrar um padrão.

Então isso é uma das grandes
diferenças entre os dois tipos.

Um é caótico, que é
o não supervisionado,

e o outro já é
muito bem conhecido

e possível de ser treinado.

Muito bom!

Quais são as outras características
desses modelos, Henrique?

Como o professor Flávio
falou aqui perfeitamente,

no supervisionado,
você precisa dos rótulos.

Então existe um certo custo
de ter esses rótulos.

E o não supervisionado,
você não precisa dos rótulos.

Então é um pouco mais barato
de você explorar aquilo

porque você não precisa ter
esses rótulos naquele momento.

Mas aí vem as nuances,

por exemplo, o aprendizado
autossupervisionado,

onde você quer algo que tenha
as características do supervisionado,

mas você ainda não tem aqueles
rótulos escritos por humanos,

e aí você tem que usar
algumas estratégias

que é, por exemplo, o que está por trás
de grandes modelos de linguagem,

como o ChatGPT.

A ideia do auto supervisionado
é você pegar texto

da internet, de diversas fontes,

e mascarar algumas palavras
para fazer o modelo prever

qual é a próxima palavra
com os dados que você já tem.

Então é o que a gente chama
de autossupervisionado.

Ele aprende com aqueles dados

sem nenhum ser humano
ter que rotular o que ele significa.

E por trás desses ambos modelos,

cá entre nós, tem
muita matemática, né?

As pessoas acham que é mágica.

"Meu Deus! Ele adivinhou
o que eu estava pensando.

Ele adivinhou qual era
a próxima palavra",

ou qual era o próximo texto.

E, na verdade, o professor
Flávio falou de regressão,

mas tem estatística,
probabilidade.

E é muito interessante
esses modelos,

a entrada desses dados,
processamento e as saídas,

como no caso
de um cartão de crédito,

quando vai bloquear uma transação
por segurança ou não.

Não é mais alguém que fica
ali atrás do computador

bloqueando, mas sim um algoritmo.

E o não supervisionado,
no nosso dia a dia,

está presente
no algoritmo da Netflix

na hora de sugerir
um filme baseado em padrões,

ou no Spotify, e por aí vai.

- São exemplos mais clichês, né?
- Um exemplo bem interessante...

Quando ele fala
em não se posicionado

é, por exemplo,
a questão de cancelamento.

Por que uma empresa tem um grande
número de cancelamentos?

É uma situação caótica.

Ela não sabe por que está
sendo cancelado o serviço,

então ela vai recorrer a esse tipo
de modelo, não supervisionado,

para entender qual é o padrão,
dentre os meus clientes,

que está acontecendo
nesse tipo de cancelamento.

Então ela vai começar
a trabalhar com clusters,

identificar padrões dentro
do que ela não conhece, a priori,

no que está acontecendo.

E quando a gente
conecta essas buzzwords

com outras áreas da tecnologia,

e aqui eu quero falar
do Data Science, né,

de que maneira o aprendizado
de máquina, Henrique,

se conecta com Data Science,

sobretudo quando nós falamos
da manipulação dos bancos de dados?

Perfeito.

Essa pergunta é excelente.

Basicamente, a Ciência de Dados
é você extrair valor

de um certo conjunto de dados.

E o Machine Learning, que são
algoritmos computacionais,

faz esse trabalho de extrair
valor dos dados.

Então hoje, nas empresas,
você tem as áreas de dados

onde você tem
profissionais especializados

em tentar extrair valor dos dados
que a empresa produz.

Então a ideia é você encontrar
um padrão, por exemplo,

do porquê está sendo
cancelado, ou, de repente,

como eu recomendo um novo
produto para o meu cliente,

seja a Netflix ou a Amazon.

Eu quero fazer um sistema automático
com os dados que eu já tenho

e aí eu vou usar Machine Learning,
vou usar algoritmos.

Então, a Ciência de Dados
é um profissional,

um cientista de dados
é um profissional,

que está por trás ali
para entender esse padrão

que a máquina está descobrindo
e atrelar isso a alguma coisa

que vai trazer valor
para a empresa.

Então ele precisa entender
o produto da empresa,

entender
o que a empresa pode fazer,

e pegar esses algoritmos automáticos
para que a empresa entregue

e você consiga extrair
valor dos dados.

Poxa, que bacana!!

Esse universo
do Data Science hoje,

eu poderia falar, Flávio, que é
imprescindível a gente ter ali

Machine Learning,
outros algoritmos?

Olha, hoje, todas as empresas,
para sobreviverem,

precisam ser data-driven,

então elas precisam
ser orientadas a dados.

É justamente por causa desse
grande volume de dados

que começou a ser possível
a gente ter novos algoritmos,

Chegar nesse nível, né?

Para chegar nesse nível,
para você ter novos algoritmos.

A gente está falando mais
de 400, 500 algoritmos,

que você poderia utilizar

usando bibliotecas
do próprio Python,

como o scikit-learn.

E, a partir daí, você tem diversos
algoritmos que vão trabalhar,

seja usando regressão, seja usando
o modelo não supervisionado,

seja random forest,
enfim, diversos algoritmos,

para tentar resolver o problema
de uma forma ou outra.

O que é legal é que as empresas
procurem também utilizar

uma metodologia, qualquer
que seja a metodologia.

Uma das mais conhecidas
é a CRISP-DM,

que é uma metodologia em que você
consegue fazer projetos

envolvendo dados desde
o entendimento do negócio...

Porque se não tiver
entendimento do negócio,

nada vai funcionar.

Entendimento dos dados,
preparação.

Aí entra na parte de modelagem,

algoritmos que envolvem
Machine Learning

para depois
você ter a avaliação.

Então é aí que entra
a estatística.

Qual é a acurácia
do meu modelo?

Quanto que ele acerta?

Então a gente vai chegar
em fases do modelo CRISP,

e isso ajuda a sustentar muito
projetos relacionados à dados.

Olha só!

Isso é muito importante,
Henrique,

porque toda empresa hoje
quer ter Inteligência Artificial.

Eu falo que, nos anos 2000,

toda empresa
queria ter o seu site,

nos anos nos anos 2010, toda
empresa queria ter seu aplicativo,

e agora toda empresa quer ter
a sua Inteligência Artificial.

Todo mundo quer, mas e aí,
como está a sua casinha?

Como estão os seus dados?

Onde eles estão armazenados?

Como?

Quais são os níveis
de permissão, os rótulos,

a classificação disso?

Todo mundo quer o que está
no final do arco íris, né?

Mas a gente tem que fazer
esse trabalho dentro de casa.

Eu, quando era um profissional
de início de carreira,

há 15 anos,

quando eu quis ir
para a área de tecnologia,

eu comecei a pesquisar
sobre ferramentas,

linguagens de programação,

seguir profissionais,
os cursos que eles faziam.

Então, para aproveitar esse
momento que nós estamos aqui,

Flávio, quais são as ferramentas
e os principais comandos

que um profissional
de tecnologia precisa saber

para aplicar Machine Learning
dentro do seu dia a dia?

Bom, se a gente for por um caminho
que envolva a Ciência de Dados,

é muito importante que primeiro
tenha a base de sustentação no SQL.

Então, a linguagem
de consulta estruturada

é extremamente importante
para dados estruturados.

Ponto.

O primeiro passo é SQL?

O SQL é importantíssimo.

É claro que não é só ele,
ele aponta uma linguagem,

ou algumas linguagens
de programação,

com conhecimento quase
fluente, como Python e R.

Então R é uma linguagem
mais estatística.

O Python é algo
que é muito mais...

A gente fala que é muito mais
apropriado para o mercado,

quando você fala
em projetos de dados.

Agora, se for por um caminho
de Engenharia de Dados,

quem fica nos bastidores
de toda essa parte,

aí eu teria que falar um pouquinho
em microsserviços,

a parte de orquestração
de software.

Então vai depender muito da área
que o profissional quer seguir,

seja Ciência de Dados
ou Engenharia de Dados.

Perfeito.

E na sua opinião,
na sua visão, Henrique,

nessas ferramentas do dia a dia,

quais são as suas dicas
para esse profissional

que vai adentrar
em Ciência de Dados?

Eu vou até pegar
o que o Flávio disse

e colocar mais uma profissão.

A gente tem o cientista de dados,
o engenheiro de dados,

e também temos
um engenheiro de IA,

que é aquele que vai
construir, por exemplo,

uma rede neural, ou um sistema
que conecta várias outras IAs,

para gerar um resultado final,

por exemplo, um carro autônomo.

Então, para esse profissional,
as ferramentas adicionais

poderiam ser, por exemplo,
um Keras TensorFlow,

um PyTorch, que hoje está por trás
dos grandes modelos de linguagem.

Então, são ferramentas que você
pode utilizar com Python, né,

e eles dão um subsídio para você
construir as redes neurais,

que é o Deep Learning.

E não precisa
reinventar a roda, né,

não precisa fazer
um negócio do zero,

do PyTorch, entre
outras ferramentas,

para alguém já resolver
alguns problemas, né?

Exatamente. Tem uma coisa
bem interessante,

que hoje muitos modelos
já estão disponibilizados,

por exemplo, no Hugging Face.

Então você pode pegar
um modelo pré-treinado...

O que seria um modelo
pré-treinado?

Uma rede neural onde você já descobriu
quais são os pesos sinápticos,

ela já está apta a resolver
uma determinada tarefa,

por exemplo,
de classificação ou regressão.

Você pode baixar esse modelo

e colocá-lo para fazer
as inferências em produção.

E aí vem a parte de como eu faço
para colocar isso em produção.

Aí você vai precisar de alguns
outros detalhes profissionais.

Por exemplo, o Machine
Learning DevOps, né?

MLDevOps.

MLDevOps.

MLOps, e por aí vai.

Para quem não sabe
o que é o Hugging Face,

é a primeira vez que o pessoal está
escutando esse termo Hugging Face,

posso falar que é um GitHub
da Inteligência Artificial?

Mais ou menos isso?

Sim, eu acho que é
uma boa forma de colocar.

Eles são uma empresa,
e têm um repositório de modelos.

Então todo mundo que produz
um modelo de linguagem

quer disponibilizá-lo.

Llama, por exemplo, é um modelo
de linguagem da Meta, do Facebook,

que é basicamente
igual ao ChatGPT...

- Só que ele está disponibilizado...
- Open source.

Open source, exatamente.

Isso me lembrou
muito o RM Studio,

que foi o que eu
comecei a brincar.

É um software que você instala,

e, por ele, você consegue baixar
os modelos já pré-treinados

e a rodar local sem
a necessidade da internet.

Fantástico isso.

Agora você levantou
um gancho importante aqui

para a continuação do nosso
bate-papo, que é a nuvem.

Como a gente está
usando esses recursos,

vantagens, os desafios
do Machine Learning,

dentro da Cloud Computing?

Eu diria que, a primeira coisa,

pensando especificamente
em redes neurais,

é o custo de treinamento.

Porque além de você
ter muitos dados,

você vai precisar
de placas de vídeo,

e são Parks com muitas...

É custoso você construir essa
infraestrutura dentro da sua empresa,

e às vezes é muito
mais vantajoso

você contratar
um serviço de cloud

para você ter essa
etapa de treinamento.

Além disso, na nuvem,
as coisas estão disponíveis 24/7.

Então, mesmo que o modelo
já esteja treinado

e agora está em produção,
está sendo utilizado,

você tem a garantia
de que ele vai ficar disponível.

A solução, se você quiser fazer

dentro da sua empresa
ou na sua casa,

você vai ter que conseguir
disponibilizar isso em 24/7

então você tem esses
custos associados.

O que eu vejo normalmente é...

Por exemplo, eu quero
um modelo de linguagem

para fazer um papel,
por exemplo, como o Copilot.

Ele vai auxiliar os meus
desenvolvedores, os meus devs,

na produção de código.

Então, o modelo de linguagem
que vai auxiliar na produção de código.

Só que eu não quero
expor esse código,

eu não quero que uma empresa
de terceiro veja esse código.

Então às vezes é melhor
eu criar um servidor local

com uma placa de vídeo,
um modelo já pré-treinado,

eu o coloco disponibilizado...

Aquela NVIDIA, que eu
posso programar agora.

E aí você consegue disponibilizar
para todos seus devs

um Copilot, ou algo semelhante,

que vai ajudar
na produção de código

e não expor o seu código
para nenhum terceiro.

Então essa é uma solução caseira

que eu tenho visto
muitas empresas adotando.

Prós e contras, né, Flávio?

A nuvem sem dúvida é o caminho

quando você quer
ter algo escalonável.

Não tem como você fazer isso
que não seja em nuvem.

Agora, existem estratégias para que você
não gaste muito em nuvem.

Então, por exemplo, você pode
subir uma máquina virtual,

colocar um Spark nela,

e começar a brincar
de forma profissional,

mas sem gastar muito

quando você usar o serviço
diretamente na nuvem,

como as empresas às vezes fazem.

Então você sobe
máquinas virtuais

e coloca um Spark ali
de uma forma parruda

para conseguir resolver
problemas mais sofisticados.

E dependendo do que você
faz em dados...

Me corrijam se eu estiver errado,

porque eu estou tirando
a certificação da AWS agora.

Tem algumas instâncias
que você pode comprar

que são muito mais baratas,

mas é aquela história, né...

"Olha, qualquer hora pode
parar de funcionar.

Mas é muito mais barato.

Você pode consumir esse recurso
que eu não estou utilizando".

É uma forma de economizar
também, né?

Às vezes eles fazem isso,

usam, mas deixam, por exemplo,
alguma instância no BigQuery

porque você consegue ter
uma rotatividade mensal

para diminuir custo,

e aí você consegue realmente

direcionar os esforços
para outros pontos

que não só a nuvem, né,
porque senão fica muito custoso.

Dúvidas sanadas,

vamos para o nosso próximo
bloco aqui do bate-papo.

Vamos falar agora sobre ética,

um assunto muito importante.

Depois desse hype da IA,

a gente precisa
voltar uma casinha

e falar quais são as principais
responsabilidades éticas,

na visão de vocês,

para a gente treinar esses
modelos de Machine Learning.

Olha, tem uma questão que eu
sempre falo para os meus alunos,

que é a questão
da escolha das features.

Digamos que você
vai construir, por exemplo,

um sisteminha para o RH

para fazer seleção
de próximos profissionais

e você quer automatizar
usando Machine Learning.

Será que faz sentido você colocar
uma coluna, ou uma feature,

ali na entrada do seu modelo
de sexo do profissional?

Pra quê, né?

Você não quer
selecionar o profissional

usando esse tipo de informação.

Agora você está criando
um sistema de diagnóstico médico.

- Faz sentido trazer feature?
- Ah, sim!

Então, esse é o primeiro
pensamento ético

do profissional
que está construindo a IA

porque é a primeira linha de frente
na hora que ele seleciona as features.

E depois essas coisas
ficam meio que ocultadas,

por uma vez que o modelo está pronto,
você não sabe exatamente

o que está sendo usado,
o que ele aprendeu.

Então esse é o primeiro ponto

que a gente tem
que tomar cuidado.

E outro ponto, também ainda
relacionado com isso,

é a questão do envenenamento
de corpos que a gente diz,

que é: qualquer coisa
que tiver ruim

no seu corpus de treinamento,

e, corpus, eu quero dizer os dados
que você está usando, por exemplo.

para treinar
o modelo de linguagem,

que envolve grandes
quantidades de texto,

todo aquele viés
que está no texto

pode ser aprendido pelo modelo.

Então a gente pode tentar fazer
algo autossupervisionado

para economizar na rotulagem,

na etapa ali que a gente
está analisando,

mas tem uma hora
que a gente precisa avaliar

o que está sendo
escrito de fato.

Então, por exemplo, a OpenAI,

que está por trás do ChatGPT,

contrataram profissionais

para verificar o grosso do texto

que foi usado durante
o treinamento

para eliminar,
durante o treinamento,

assuntos, vamos dizer assim,
muito polêmicos.

Então...

Abuso sexual, qualquer
tipo de texto que...

Crimes?

Crimes.

Então, esse tipo de assunto
eles eliminavam

para o modelo não aprender

e não reproduzir esse tipo de...

E é uma constância, né, Flávio,

é um trabalho que não tem fim.

Porque mesmo eles
contratando esses profissionais,

como o Henrique
muito bem trouxe,

no início ali,

quando a OpenAI

disponibilizou para os usuários
aquele modelo 3.5,

depois, em paralelo,
teve o DALL-E, e juntou,

você pedia ali:
"Desenhe um CEO".

E aí tinha o viés de sempre ser

um homem, branco, mais velho...

Realmente esse viés,
como ela é treinada,

e os humanos é que vão gerar

os dados para esse treinamento,

pode ter sim um viés,
e às vezes é proposital.

Então, o que as empresas
precisam entender

é que é preciso,

dentro dessa fase, dentro
do entendimento dos dados,

como o Henrique mencionou...

Se ela não tiver noção

se aquela feature vai ser
considerada ou não,

que use uma matriz de correlação

para ver o quanto aquela
feature vai impactar

na medida que você
está querendo fazer.

Então, entender se é
significativa ou não

a presença daquela feature

para um determinado
treinamento que você vai fazer.

O pessoal fala já há muito tempo
sobre os vieses algoritmos.

E não é só o desenvolvedor.

É também quem usa, porque
quem usa é quem está alimentando,

então é dos dois lados.

Vocês se recordam, se lembram,
de algum caso emblemático

que tem relação com esse mau
treinamento desses dados?

Eu lembro de um caso
bastante emblemático,

que tem a ver com a ideia
de você fazer o próprio usuário

fornecer dados para treinar,

um treinamento constante.

Chamava-se "Microsoft Tay".

Era um chatbot que foi
disponibilizado no Twitter,

e em 24 horas, a Microsoft teve
que desligar esse chatbot

porque os trolls
da internet ensinaram

o bot a falar "hue hue hue".

Então eles tiveram que desligar.

É um risco, né,
quando você coloca ali

porque o usuário pode...

É o risco do não supervisionado.

Como você não está observando
aquela realimentação dos dados

que os usuários estão
imputando no sistema,

o sistema aprendeu
com os usuários, e aí...

Foram ingênuos demais.

Exatamente.

Tempos atrás também, a Amazon
teve um processo seletivo

e quis fazer algo automatizado.

E o que acabou acontecendo?

Como ela tinha uma base
totalmente formada por homens,

então ela acabou,
no processo de escolha,

deixando as mulheres de lado.

Então, nesse processo em que você
usa algo automatizado,

você tem que entender que, se você
usar uma base histórica de profissionais

que fazem parte de uma empresa,
você tem que identificar que...

"Opa, eu não posso fazer isso
com o processo seletivo,

porque senão eu só
vou contratar homens".

E como a gente pode evitar de isso
acontecer daqui para frente, Flávio?

A gente precisa
identificar a amostra, tá?

A amostra realmente
vai ser usada...

Uma parte é para treino
e a outra é para teste.

É sempre assim que a gente
trabalha com Machine learning.

Então, dentro da sua mostra,

você tem que verificar se ela tem
o balanceamento correto.

Se ela estiver desbalanceada,
você tem que usar algumas técnicas

para poder fazer esse
balanceamento acontecer

de forma probabilística
ou de uma forma apropriada.

Isso pode acarretar problemas
se você não observar.

Então, se você tem um dataset
totalmente desbalanceado,

você vai ter problemas.

Isso é fato.

Mesmo que a acurácia seja alta,

você pode ter um problema
de overfitting.

Mas eu preciso entender dos dados
para saber o que eu tenho...

Eu tenho que enriquecer
os dados às vezes,

eu tenho que fazer alguma coisa

para que a minha amostra
realmente seja significativa,

para que eu tenha
o treinamento adequado.

É dessa forma que você está ensinando
em sala de aula, Henrique?

Sim.

Tem duas coisas
que eu gostaria de adicionar

ao que o Flávio disse aqui.

A primeira é que eu me
recordo de um caso,

o COMPAS software,

que foi um software
de Machine Learning proposto...

Em 2013, 2014,

para auxiliar juízes

a tomarem decisões de casos.

Por exemplo, um prisioneiro
dos tribunais americanos chega e fala:

"Ah, quero liberdade condicional".

Aí avaliava se ele tinha chance
de reincidir no crime.

O que aconteceu
é que o algoritmo era racista.

O algoritmo decidia muito mais
a favor de pessoas brancas

do que de pessoas negras.

E aí foram analisar
do porquê isso acontecia.

Isso tem a ver com o viés nos dados
do sistema prisional americano.

Você tem uma população
carcerária de maioria negra,

por isso que acabou
criando esse tipo de viés,

e o algoritmo aprendeu.

Mas isso levanta uma questão
mais fundamental.

Será que faz sentido você criar
um software para fazer isso?

Será que é justo avaliar
as pessoas, nesse sentido,

com um software?

Então a gente também
tem uma defesa de:

será que faz sentido
automatizar esse processo?

Será que, ao automatizar
esse processo,

eu não estou tirando o julgamento
necessário de um ser humano,

que um ser humano
que realmente teria que avaliar?

Então isso é uma coisa que a gente
também tem que se preocupar,

e é uma questão que vai
além da parte técnica.

E a outra questão técnica
que a gente tem desenvolvido

para melhorar os modelos

para a gente entendê-los

é a explicabilidade
e a interpretabilidade.

Então o modelo não tem só
que inferir uma resposta, dizer...

"Esse prisioneiro não pode
ter liberdade condicional".

Ele também tem que dizer por que
e como ele chegou nessa conclusão.

É isso que a gente está tentando
fazer os modelos conseguirem produzir,

a explicação de como ele
chegou na resposta

para a gente conseguir interpretar
com detalhe e ver se foi justo.

Até mesmo no prompt
a gente recomenda

que você não
só peça o resultado,

mas também explique para mim
como você chegou a ele.

Isso é uma forma interessante
de você entender se ela alucinou ou não.

Então é até uma dica
para quem vai trabalhar

com a parte
de engenharia de prompt,

não só pedir algo, uma tarefa,
mas depois explicar por que,

ou como ela chegou
nesse resultado.

Ou você pergunta ou você fala:

"Olha, eu quero que você use
esse raciocínio, essa lógica".

Decisões mais complexas
vão precisar de instruções

mais complexas.

Bom, estamos indo
para o nosso último bloco.

Vamos falar agora
de tendências e futuros.

E diante do que vocês estão
vendo, essas novidades,

aplicações, ferramentas,

na sua opinião, Flávio,

quais são as tendências
que se destacam

quando nós pensamos nesse
mercado de Machine Learning?

Eu vejo duas grandes tendências.

Uma delas são
os agentes autônomos.

Estão vindo com tudo,
principalmente com assistentes virtuais.

Estou falando em conversação,
algo conversacional,

por voz, que é fantástico.

E a diferença é que os agentes
conseguem tomar

decisões autônomas.

Isso que é interessante.

Não é assim... "Olha, deixe-me
ver o que ele pode fazer".

Não. Ele já tem ações para serem
tomadas de forma autônoma.

E um outro ponto que também
está crescendo muito

para poder empoderar os profissionais
que trabalham com negócios,

mas não são especialistas
em tecnologia,

é o Auto Machine Learning.

Então eu consigo trabalhar
com ferramentas

que, dentro dela, eu já
tenho todo o pacote,

os algoritmos em que você
não vai precisar programar,

e sim clicar para que você tenha
um modelo preditivo feito

e aí você resolva problemas
dentro da empresa

e consiga tomar decisões
mais assertivas.

Muito bom!

E na sua visão, Henrique,

o que o futuro nos aguarda?

O que o Flávio disse é perfeito,
a questão dos agentes.

Mas eu quero falar uma coisa específica
dos agentes que eu tenho visto,

e eu acho que em 2025
vai estourar isso aí,

que é a questão de robótica.

Hoje nós conseguimos
construir muito melhor robôs

do que a gente
conseguia construir...

Décadas atrás.

Não, durante a história
da humanidade, né?

E agora a gente consegue colocar
um modelo de linguagem dentro dele.

Então, algumas questões aí,
até de ficção científica...

Eu ia falar isso agora.

É que a robótica permite
que o robô sinta.

Então a questão é que agora a gente
consegue criar um modelo de linguagem

que, de certa forma,
parece pensar.

Será que pensar e sentir
pode gerar consciência?

Então, essa é
uma questão interessante,

e é óbvio que a gente
ainda vai explorar,

tem muita coisa a ser feita,

mas eu diria que, 2025, é um ano
de inflexão em relação a isso.

A gente vai começar a explorar
um novo cenário.

Superagentes, não só virtuais,
mas também robóticos.

Essa é uma teoria que...

É claro, não tem nada factível ainda,
mas é chamada a teoria da mente, né,

que a própria IA
teria uma consciência.

Que loucura, gente!

Estamos chegando ao fim
dessa nossa conversa.

Mas antes de vocês darem as dicas
finais para os nossos alunos,

uma das perguntas
que eu mais recebo,

principalmente em palestras
dentro de empresas,

enfim, em grandes eventos, é:

"Gustavo, as pessoas vão
ficar mais preguiçosas?".

Essa nova geração...

Na nossa, a gente pesquisava
mais, argumentava mais.

Agora está tudo muito
na mão, tudo mais rápido.

Como você enxerga essa
relação homem-máquina

a longo prazo, Flávio Marques?

Eu pensei que você fosse perguntar
se a IA ia roubar os nossos empregos.

Ah, não, isso aí já
está batido, né, gente?

Mas com relação à questão
de interface homem-máquina,

a gente começa a perceber que,
com o avanço da robótica

e a própria Inteligência
Artificial, juntas,

a gente está começando a ter
uma forma de atendimento

mais personalizada.

Se você perceber,

existem atendimentos
virtuais 24/7,

então eu consigo colocar
uma IA por vídeo

em que ela faça
a venda de produtos.

Então existem formas
em que o ser humano

vai ser substituído sim,

e é bastante importante
levar isso em consideração.

E não é que as pessoas
vão ficar mais preguiçosas.

Elas vão ter que começar
a ser direcionadas

para outros tipos de tarefas que não
seja possível a automatização,

ou elas vão começar a ter
um nível intelectual mais alto,

por isso precisam ser
preparadas para isso.

Esse é o grande problema, que as pessoas
não têm oportunidade para isso,

então elas vão ficar estagnadas,
e aí sim a gente vai ter...

Dependentes, né...

A gente vai ter
um grande problema.

À uma resposta que pode
ser alucinada ou não.

E ao mesmo tempo, se as pessoas
não estiverem preparadas,

elas não vão conseguir
alcançar os cargos

que são necessários hoje.

Eu preciso de um pouco mais
de intelecto, às vezes, para uma tarefa,

porque as outras,
que são mais fáceis,

vão ser substituídas
pela IA com certeza.

Então eu vejo esse problema,
esse paradoxo, né,

como eu faço para que os seres
humanos sejam treinados,

para que eles consigam
sobreviver nessa nova era.

E você, Henrique, o que acha desse
impacto homem-máquina a longo prazo?

Eu acho que tem vários pontos
que a gente precisa destacar.

Pegando a fala do Flávio,
eu acho que uma das coisas

seria uma tarefa
um pouco mais fácil.

O que, de fato, é uma tarefa
um pouco mais fácil?

Eu diria que as pessoas
têm que estar preparadas,

porque tarefas
altamente repetitivas,

sejam elas mecânicas
ou burocráticas...

Hoje a gente tem
processos automáticos

usando ferramentas de IA
que aceleram esses processos.

Então, se é um processo que pode
ser automatizado, ele é repetitivo,

não exige muita decisão,
ou a decisão é muito pontual,

isso vai ser substituído.

Não tem por que ser manual,
não faz sentido.

É, a máquina vai substituir
o ser humano.

Agora, tem uma questão que,

usando essas ferramentas,
interagindo com elas,

essa simbiose entre o que nós,
humanos, fazemos,

e as máquinas
que nós construímos...

Tem uma charge muito legal,
eu gosto muito dessa charge,

que mostra uma pessoa
digitando um e-mail,

e aí ela pede para uma ferramenta
de linguagem fazer um e-mail,

aí ela fala: "Desse ponto,
crie um e-mail de 30 linhas",

e a pessoa do outro lado fala:

"Resuma esse e-mail
de 30 linhas em 1 ponto".

Então isso vem dizer um pouco

sobre como a gente
realiza as nossas tarefas.

Eu acho que a ideia é que a máquina
está sendo construída

na medida do homem.

Então a gente precisa pensar: "Será
que essa tarefa que a gente está fazendo

não é sem sentido
na origem dela?".

Então isso vai facilitar a forma

como a gente vai integrar
IA com o nosso dia a dia.

O que eu quero dizer?

Por que eu tenho que escrever
um e-mail grande

se eu posso simplesmente
escrever um ponto

e mandar o ponto
direto para a pessoa?

Então isso é um pouco
de como a gente se comporta.

E aí, permitindo a questão
da ficção científica,

eu acho que todo mundo hoje
tem um celular no bolso,

a gente está cada vez mais indo
por uma questão de transumanismo,

a gente realmente está
indo por uma questão

de a tecnologia estar aumentando
as nossas capacidades cognitivas.

Hoje a gente consegue
fazer tantas coisas.

Essas ferramentas, essas tecnologias,
desde o celular à roupa,

permitem que o homem vá além
que as características biológicas dele.

Isso é muito interessante.

O futuro é incerto,
a gente não tem como dizer,

mas eu fico superempolgado
em saber o que vai acontecer.

Eu acho que tem grandes oportunidades
que podem vir no futuro.

Sensacional!

Gente, que papo incrível
que a gente teve.

Passou super-rápido.

Chegamos ao fim
de mais um podcast,

então eu quero agradecer
a presença de vocês,

e agradecer a sua presença,
que ficou até agora aqui com a gente.

Então, palavrinhas finais?

Querem dar uma última dica,

uma última palavra?

Eu acho que muitos
não vão pensar nisso,

mas você que está nos assistindo,

eu falei para vocês investirem
em português, inglês,

na parte gramatical,

porque é isso que vai
vai ditar os novos rumos

relacionados
à Inteligência Artificial.

Não é só a tecnologia, é
como você pede para a IA.

- Então é isso que a gente não pode esquecer.
- Não é o quê, é o como.

Então tem que investir sim
em língua portuguesa, em inglês,

uma segunda ou terceira língua,

porque isso vai fazer
diferença no futuro.

Boa!

E você, Henrique,
qual é o recado final?

Olha, eu vou pegar aqui a ideia

que as ferramentas estão aí

e temos a oportunidade
de usá-las,

temos que nos adaptar a elas,

mas a gente também
precisa se conectar

com os outros seres humanos.

Eu acho que é a oportunidade
que você, aluno,

nós, como professores,

que estamos sempre aprendendo,

ter esse bate-papo.

Então, a possibilidade de conversar
e usar a inteligência humana,

porque isso é que vai criar
a tecnologia do depois de amanhã.

Porque a tecnologia do amanhã
já está sendo feita.

Mas a do depois de amanhã,

que vão ser vocês, alunos,
que vão fazer,

só através da interação
que vocês vão ter entre vocês

que vocês vão conseguir vislumbrar
o que é possível de ser feito.

Muito bom!

Chegamos ao fim
de mais um podcast.

Nós vimos aqui
que o Machine Learning

conecta, une,
os poderes dos algoritmos

com os conhecimentos humanos,

e que, desse match,
surgem muitas soluções

que estão guiando
o nosso futuro.

Muito obrigado e até a próxima!