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 tiver 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 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 na 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, o que a gente chama
de auto supervisionado.

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 ,

porque, 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,

porque 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 ali por trás
para entender esse padrão

que a máquina está descobrindo
e atrelar isso à 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 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 orientada 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 randal force
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 conceitos 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 o resultado final,

por exemplo, um carro autônomo.

Então, para esse profissional,
as ferramentas adicionais

poderiam ser, por exemplo,
eu 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
o 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 parques 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 24/7.

Então, mesmo que o modelo
já esteja treinado

e agora está em produção,
está sendo 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.

Então, 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 auto-supervisionado

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, qualquer 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: "Desenhem 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,
quem está alimentando, né?

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: ?

Então, em 24 horas,
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 em 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?

Assim, 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 "Compass Software",

que foi um software
de Machine Learning proposto...

Em 2013, 2014,

para auxiliar juízes

a tomarem decisões de casos.

Por exemplo, um prisioneiro ?

"Ah, quero liberdade condicional".

Aí avaliava se ele tinha chance
de reincidir no crime.

e aí 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 a pergunta central
foram se analisar porque 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.

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 software?

Então, a gente também tem uma defesa de
Será que faz sentido automatizar

esse processo?

Será que é automatizar esse processo?

Eu não estou tirando o julgamento
necessário de um ser humano.

O ser humano
que realmente teria que avaliar

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

é fazer eles serem a gente entender
eles e a aplicabilidade e a integralidade.

Então o mundo não tem só que
inferir uma resposta, dizer

esse prisioneiro
não pode ter liberdade condicional.

Ele também tem que dizer por quê
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 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
você entender se ela alucinou ou não.

Então até dica para quem vai trabalhar
com a parte de engenharia de prompt,

não só pedir alguma tarefa,
mas depois explicar por quê

ou como ela chegou nesse resultado.

Ou você pergunta
Você falou Olha, eu quero que você use

esse raciocínio, essa lógica.

Decisões mais complexas
vão precisar de instruções mais complexas.

Bom, estamos indo pro nosso último bloco.

Vamos falar agora de tendências e futuros.

E diante do que vocês estão
vendo, essas novidades,

aplicações, ferramentas Na sua opinião,

quais são as tendências que

se destacam quando nós pensamos
nesse mercado de meeting e-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.

Isso é a diferença em que os agentes
conseguem tomar decisões autônomas.

Isso que é interessante, não é assim.

Olha, deixa eu ver o que ele pode fazer.

Ele já tem ações para serem tomadas
de forma autônoma.

E o 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
e dentro da empresa

e consiga tomar as decisões
mais assertivas.

Muito bom!

E na sua visão
Henrique, o que o futuro nos aguarda?

O Flávio
disse Perfeito a questão dos agentes.

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

e acho que 2025 vai estourar isso aí,

que é a questão de robótica.

Hoje nós conseguimos construir robôs
muito melhor

do que a gente
conseguiu construir duas décadas atrás.

Então, durante a história

e agora a gente consegue colocar
o modelo de linguagem dentro dele,

então algumas questões e até de ficção.

Eu ia falar isso agora é que
a robótica permite que o robô sinta.

Então a questão é a gente agora
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 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
o novo cenário super

não só virtuais, mas também robótica.

E esse é uma teoria aqui que não cola.

Não tem nada factível ainda, mas é
a chamada teoria da mente que é a própria.

É a teoria, 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 e enfim, grandes
eventos.

É Gustavo,
as pessoas vão ficar mais preguiçosas.

Essa é a nova geração na nossa gente.

Pesquisava mais, argumentava mais.

Agora está tudo muito na mão
e tudo mais rápido.

Como é que você enxerga essa relação
homem máquina a longo prazo?

Sobre Marx,
eu pensei que você fosse perguntar

se a ia roubar nossos entrevistados.

Já estava bom.

E Mas com relação a 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 personalizado.

Se você começar a perceber,
existem atendimentos virtuais 24 por set,

então eu consigo colocar uma I.A por vídeo
em que ela faça a venda de produtos.

Então existem formas
em que o ser humano vai ser substituído.

Sim, isso é bastante importante
levar 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 sejam possíveis 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

gente, vai ter um grande problema,
resposta que pode ser alucinada ou não.

E ao mesmo tempo,
se as pessoas não tiverem 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 I.A.

Com certeza.

Então eu vejo assim esse problema,
esse paradoxo, não é?

Como é que eu faço
para que os seres humanos

sejam treinados para que eles consigam
sobreviver nessa nova era?

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

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

Acho que uma das coisas que.

É uma tarefa um

pouco mais fácil que, de fato,
uma tarefa um pouco mais fácil.

Eu diria que as pessoas têm que estar
preparadas.

Que tarefas altamente repetitivas,
sejam elas mecânicas ou burocráticas.

Hoje a gente tem processos automáticos

usando ferramentas de ar
que aceleram esses processos.

Se é um processo
que pode ser automatizado,

ele é repetitivo, não exige muita decisão
ou a decisão é muito pontual.

Isso vai ser subir.

Não tem porque ser manual
e não faz sentido o ser humano fazer isso.

Vai substituir a máquina,
vai substituir o ser humano.

Agora tem uma questão que a gente

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.

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, falar.

Nesse ponto, cria um e-mail de 30 linhas
e a pessoa do outro lado fala Resuma esse

meio de 30 linhas.

Então isso

deveria dizer um pouco sobre
como a gente realiza as nossas tarefas.

Então não só acho que a ideia é que

a máquina está sendo construída
e como o homem na medida do homem.

Então a gente precisa pensar será que
essa tarefa que a gente está fazendo

tem sentido próprio na origem dela?

Então, isso vai facilitar
a forma como a gente vai integrar

o nosso dia a dia.

Eu quero dizer por que eu
tenho que escrever um e-mail grande?

Se eu pudesse mandar o ponto
direto para a pessoa, se isso é um pouco

de como a gente se comporta
e aí permitindo a questão ali da

ficção científica,
eu acho que cada vez mais, hoje

todo mundo tem um celular no bolso.

A gente está cada vez mais indo
por uma questão de transhumanismo.

A gente tá indo por uma questão
de realmente a tecnologia

está aumentando as nossas capacidades
cognitivas.

A gente consegue fazer tantas coisas,

essas

ferramentas, essas tecnologias,
desde o celular, a roupa,

ela permite que o homem vá além
do que as características biológicas dele.

Isso é muito interessante. Isso.

O futuro é incerto, tem como dizer.

Mas eu fico super empolgado
saber o que vai acontecer.

Acho que isso tem grandes oportunidades
que pode vir no futuro sim.

Sensacional!

Gente, que papo incrível
que a gente teve, Passou super rápido,

Chegamos ao fim de mais um podcast,
então quero agradecer a presença de vocês

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

Então Palavrinhas finais
Quer dar uma última dica?

Uma última palavra?

Olha, eu queria,

acho que muitos não vou pensar nisso,
mas você que está nos assistindo.

Aí eu falei para vocês investirem
em português e inglês na parte gramatical,

porque é isso que vai
vai ditar os novos rumos aí relacionados.

A inteligência artificial não é só
a tecnologia, é como você pede praia.

Então é isso que a gente não pode
esquecer.

Então tem que investir
sim, Língua portuguesa e inglês,

uma segunda, 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 de que

basicamente as ferramentas estão aí.

Temos oportunidade de usar
elas, nós 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, mas também alunos
que estamos sempre aprendendo.

É muito bom esse bate papo, saudade
de conversar e usar a inteligência humana,

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

porque a tecnologia do amanhã
já está sendo feita.

Mas depois de amanhã que você,
vocês, alunos, que vão fazer

só através da interação que vocês vão ter
entre vocês,

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

Muito bom!

Chegamos ao fim de mais um podcast
e nós vimos aqui que o e-Learning Conecta

une os poderes dos algoritmos
com os conhecimentos humanos

e desse método surgem muitas soluções

que estão guiando o nosso futuro.

Muito obrigado e até a próxima.