vimeo.com/.../987239317

Todo dia, uma função nova
é desbloqueada pelos dispositivos,

pelos computadores,
aplicativos de celular etc.,

e robôs também.

Mas eu te pergunto: você conhece
o que é Machine Learning,

Deep Learning e IA?

Se você, como eu
e como os computadores,

quer aprender mais, eu convido você
a participar desse bate-papo.

Eu estou aqui com dois convidados,
meu nome é Caio Azevedo

e vamos juntos aprender como as máquinas
também aprendem.

Tô aqui com o Arnaldo e com o Fernando, vou pedir pra vocês se

apresentarem.

Fernando, seja muito bem-vindo.

Legal.

Bom, meu nome é Fernando Nemec, eu trabalho com tecnologia e internet

desde 1996, 1997, quando começou a internet comercial.

De lá pra cá eu já fui programador front-end, programador back-end,

programador full-stack, cientista de dados, coordenador de projeto,

gerente de tecnologia, diretor de tecnologia, enfim, já passei por

muita coisa aí.

Hoje eu sou professor na FIAP e também tenho uma pequena empresa de

consultoria.

Seja muito bem-vindo, Fernando, obrigado.

Arnaldo, pode se apresentar pra nós, por favor.

Oi, pessoal, tudo bom?

Oi, Caio, Fernando, e aí, pessoal de casa.

Bom, eu sou o Arnaldo, sou professor aqui da FIAP e trabalho com a

parte de visão computacional na área de pesquisas pra segurança

viária, né?

Então, segurança aérea é a minha área de atuação aí na área de

pesquisa em visão computacional.

Pessoal, eu acredito que o pessoal que tá nos assistindo, os alunos,

assim como eu também que tô aqui ansioso pra receber esse

compartilhamento de informações, a gente quer colocar a nossa rede

neural pra trabalhar.

Bom, Fernando, antes de mais nada, a gente consegue fazer uma

definição breve do que é Deep Learning, do que é Machine Learning, do

que é a IA?

Fernando, você pode comentar um pouquinho pra nós, por favor?

Eu acho que a gente tem que entender que o mais abrangente que a

gente tem é a IA, né?

Quando a gente fala de IA, dentro da IA a gente tem muitas

possibilidades, muitos tipos de algoritmos e alguns desses algoritmos

a gente classifica como Machine Learning, ou seja, o aprendizado de

máquina.

Dentro do aprendizado de máquina, ou seja, fechando um pouquinho mais

esse escopo, a gente tem o que a gente costumou chamar de Deep

Learning, né?

Que são o quê?

São algoritmos que utilizam principalmente uma modelagem a partir de

neurônios pra conseguir predizer ou prever informações, enfim, e aí

tem uma série de utilidades aí, os neurônios que a gente pode

codificar utilizando Deep Learning, né?

O mais comum deles é o Perceptron, mas a gente fala disso mais pra

frente, acho que já vou dar todo o spoiler aqui do nosso podcast.

Eu acho que é legal também, uma forma que eu gosto de enxergar isso

é que eu sempre pergunto pro pessoal quando eu tô em aula se eles

acham que IA, Machine Learning e Deep Learning são a mesma coisa, né?

E o Fernando comentou bem, né?

Então, pessoal, não, não é a mesma coisa.

Então, cada um no seu quadrado, cada um com seu quadracoal.

E acho que é bacana ter essa visão assim, fica ilustrativo o pessoal

pensar que existe um grande guarda-chuva e que dentro desse guarda

-chuva a gente tem os algoritmos de Machine Learning e esse guarda

-chuva chama IA.

Então eu acho bacana a gente pensar IA como se fosse uma matéria, né?

Como a gente tem matemática, português, biologia, existe a disciplina

e a inteligência artificial.

Então ela é uma grande área de estudo, né?

A biologia é uma grande área de estudo.

E quando você quer saber, poxa, que bicho é esse, que animal é esse,

que planta é essa, a gente não fala, eu vou usar uma biologia aqui,

né?

Mas pra IA a gente fala, né?

É uma pista de linguagem que a gente tem que é horrível.

E é interessante porque a gente percebe que isso daí já começa até no

jornalismo, né?

Você vai ver uma matéria e o cara fala de inteligência artificial de

um jeito tão genérico que não faz sentido, né?

Mesma coisa que eu tenho um problema no coração, eu vou no médico.

Não, você vai no cardiologista pra ver se tem problema no coração,

né?

Pode até ir no médico, mas você vai no cardiologista.

E com a IA acontece a mesma coisa, né?

Qualquer coisa que se pareça com alguma inteligência vira IA, né?

Às vezes não, às vezes você tem que afunilar um pouquinho mais, o que

é aquilo?

Aprendizado de máquina?

Não, é deep learning.

E eu acho que eu percebo também, né?

Eu não costumo ler muita notícia assim extensivamente, mas eu acho

que tem uma confusão muito grande no jornalismo entre o que é machine

learning e o que é deep learning.

Nossa, é assim, confunde bem.

Eu acredito um pouco, Fernando, que como esses conceitos é muito novo

pra maioria da população, né?

A gente acaba tratando de forma genérica.

Então eu até pedi pra vocês tentarem trazer um pouco dessa definição

pra gente saber realmente do que se trata.

E quando o Fernando falou assim, ah, são neurônios e tal.

Eu fico, caramba, a gente tá pensando numa coisa tão orgânica, né?

Quando a gente pensa em neurônios, né?

Organicamente, e agora a gente tá falando de neurônios de máquina,

né?

Como que é isso, Fernando?

É muito interessante, né?

Se a gente pensar, quando a gente pensa em aprendizado de máquina,

dentro do aprendizado de máquina a gente tem uma classe de algoritmos

que são algoritmos muito velhos, entre aspas, né?

Não é um negócio novo, não é um negócio que surgiu antes de ontem,

né?

Tem muitos algoritmos que já foram definidos, foram escritos, e tem

paper sobre eles desde a década de 80, 70, 80, né?

E por que só ganhou tração agora, né?

Só ganhou tração agora porque só hoje a gente tem poder computacional

e uma quantidade de dados grande o suficiente pra aplicar aquilo, né?

De larga escala, né?

Então a lógica já existia, mas faltava hardware, por exemplo?

Hardware e dados, né?

Ah, sim.

O pessoal comenta aí, né?

Outra chavão ali, dados é o novo petróleo, né?

De certa forma tem o valor, né?

Tem o valor dele ali, né?

A gente pode até comentar sobre isso depois que eu acho que é um

ponto interessante.

Mas a gente tem que entender que o machine learning não é muito

recente.

Ele já é um negócio que vem andando há décadas, né?

Já o deep learning eu nem, talvez até, depois isso até me

complementa, né?

Mas já no caso do deep learning, não, né?

A gente teve uma modelagem até que recente do neurônio, do que a

gente tem de por neurônio, né?

Até o perceptron deve ter o quê?

Não deve ter nem 15 anos, né?

Eu acho, né?

Ah, tem bastante.

O perceptron, o primeiro paper lá é da década de 58, 62.

Ah, entendi, entendi.

Então mesmo o perceptron aí já estava rolando há bastante tempo, né?

Agora, as camadas ali do neurônio, toda aquela arquitetura, eu também

não sei se teve paper significativo antes dos anos 2000, né?

Vamos falar que a gente teve, ao longo da evolução, o pessoal

conseguiu desenvolver a parte matemática disso, né?

Então a gente conseguia modelar matematicamente o que a gente entende

como a forma como a gente pode processar os dados.

E aí eles chamaram esse nome de perceptron, né?

Que é a parte de modelagem de um neurônio sintético ali, tal, beleza.

Só que a gente não conseguia computar isso ainda, né?

Mas a modelagem matemática já estava toda bem definida, mas a gente

não tinha o hardware pra isso, né?

Então vamos pensar que a gente teve a época ali de escassez das IAs,

onde todo mundo foi trabalhar com outra coisa, porque todo mundo tem

boleto pra pagar, então todo mundo foi trabalhar com outras coisas.

E foi, sei lá, a década de 80 ali, onde a gente quase não

teve desenvolvimento nessa área.

Mas com a parte da computação, né?

Início da internet, era em 96, 98, as coisas evoluíram bastante, né?

E aí foram voltando a pesquisar isso, né?

Então a gente começou a ter processamento paralelizado já no GPU, pra

poder treinar essas arquiteturas.

A gente conseguiu, com a internet, criar bancos de dados que

conseguem aglutinar informações de forma mais interessante.

Então a gente conseguiu ter espaço pra poder processar isso e

computar e treinar as nossas redes, né?

Eu só vou pedir pra vocês me ajudarem um pouquinho com os meus

neurônios, pra me situar um pouquinho.

Então quando a gente fala de Machine Learning, a gente tá falando de

Aprendizado de Máquina, posso traduzir ao pé da letra dessa forma,

Fernando?

Pode, Aprendizado de Máquina.

Eu até costumo falar pros alunos Aprendizado de Máquina, né?

Eu acabo não adotando ali o anglicismo ali no dia a dia, eu falo

Aprendizado de Máquina mesmo.

Certo, e aí o Deep Learning já é uma outra coisa.

Eu entendo ele como um aprofundamento ali do Machine Learning, algo

mais elaborado que o Machine Learning.

Porque o Machine Learning é a capacidade do computador, do...

Não, o Machine Learning é...

Aprender sozinho?

Quando a gente fala do guarda-fio de Machine Learning, a gente tá

falando de vários tipos de algoritmo.

Por exemplo, uma regressão linear.

É um algoritmo de Machine Learning.

A gente usa uma regressão linear pra prever resultados, né?

Ou avaliar uma correlação, ou avaliar até, se a gente estiver falando

aí de algumas outras técnicas mais específicas pra uma regressão

linear, você pode até provar ali uma...

Causalidade, né?

Causalidade, exatamente.

Fugiu o nome.

Então, são algoritmos mais simples, entendeu?

Então, pra você ter ideia, uma regressão linear nada mais é do que

uma equação de segundo grau.

Qual é a dificuldade dela?

Calcular quais são os coeficientes daquela regressão linear pra que

eu tenha uma regressão ótima, que prever da melhor forma os

resultados que eu tô esperando, que eu desejo calcular.

No caso do Deep Learning, os algoritmos são muito mais complexos, e

exigem um poder computacional muito maior, que é algo que você estava

até comentando, né?

Ou seja, não dá pra eu colocar dentro do mesmo cesto, entendeu?

É claro que quando a gente fala de Machine Learning, a gente fala de

Boosting, Bagging, bem assim.

Tem também muitos algoritmos ali bem pesadinhos também, mas eu

acredito que não chega perto ali de alguns algoritmos mais pesados de

Deep Learning, principalmente quando a gente começa a falar até mesmo

de visão computacional, como você comentou, que é a sua

especialidade.

Acho que tem um ponto que vai ajudar você a entender essas coisas, é

que a gente tem um paradigma de programação.

O paradigma de programação, você é desenvolvedor, bom, eu tenho as

regras do que o meu sistema deve fazer, eu conheço muito bem as

regras de como ele deve operar, então, basicamente, entra dado,

aplico a regra, eu tenho a minha saída.

Sim.

Faz sentido, né?

Então, como é que eu aplico essa soma de dois números?

Então, recebo a minha entrada, eu pego o número A, pego o número B,

tenho a minha saída ali, somos dois, tudo bem.

Pensando numa regra de negócio mais complexa?

Também.

Imagina uma situação onde a gente não tem essas regras bem definidas.

Imagina um cenário de complexidade onde a gente não consegue definir

as fronteiras de decisão.

Como é que você faz o seu programa?

É.

Fica complexo, né?

Entende?

É, lógico.

No natural você não faz, né?

Exato.

Não tem regra, né?

É nesse ponto que a gente vai trabalhar com os algoritmos de Machine

Learning, porque a gente está trabalhando com um novo paradigma.

Novo nem tanto, mas vamos pensar que um paradigma é diferente.

E esse paradigma de Machine Learning é o seguinte, bom, embora eu não

conheça as regras, eu tenho exemplos de como ele deve funcionar.

Então, embora eu não saiba como soma dois números, porque para mim é

uma caixa preta que eu não sei, eu tenho a entrada e eu tenho

exemplos de saída.

Então, um dos algoritmos que a gente usa, que é o aprendizado

supervisionado dentro de Machine Learning, eu gosto de relacionar e

usar o exemplo de um livro do professor.

Então, você quer estudar para uma prova de história e aí você não

quer ler os capítulos todos que tem ali.

Bom, eu vou direto para as perguntas, vou ver as perguntas e vou ver

as respostas.

E vou tentar entender ali como que as respostas se relacionam com as

perguntas para tentar descobrir a regra de negócio, como que isso

funciona.

Então, o e-mail é algo que você descobre depois, você tem o resultado

e o e-mail.

Exato, isso é Machine Learning.

Tem um exemplo muito bacana, que eu costumo falar também em aula, que

é o filtro antispam.

O filtro antispam, você tem o e-mail, que é a entrada, o que

consiste em e-mail, você tem o texto e o assunto, variadamente ali

quem enviou, etc.

E você tem a saída, qual é a saída?

A saída é, é spam ou não é spam?

Como que você consegue, de uma forma procedural, dizer que aquele

texto é spam ou não é spam?

Assim, é praticamente impossível, não dá.

Mas a gente como humano, bate o olho e sabe que é spam.

Não é spam, é spam, não é spam.

Você consegue ter muito rapidamente a entrada e a resposta.

A partir do momento que você consegue treinar aquelas entradas para

um determinado conjunto de respostas, você pode programar um

algoritmo de aprendizado de máquina, para tentar traduzir, tentar

criar regras para transformar aquela entrada nas saídas esperadas.

É desse jeito, no fundo, como funciona o filtro antispam, por

exemplo.

Que aí todo mundo conhece, é um negócio que é bem clássico.

Sim, e é algo que já é usado há bastante tempo, então não é

algo novo, como vocês comentaram.

Com o avanço computacional e agora essas bases de dados que a gente

tem mais disponível com a internet.

Inclusive, essa é uma pergunta que eu queria fazer para vocês dois.

Esse aprendizado de máquina precisa consultar uma base de dados.

E a origem?

Que fonte que é consultada?

São diversas fontes, é uma fonte única?

Quem está acostumado, por exemplo, com a programação de um sistema

que consulta um banco, em Guajesquele, por exemplo, e agora se depara

com esse cenário?

Como que funciona, Arnaldo?

Bom, acho que o gargalo são sempre os dados.

Como o Fernando comentou, para saber o spam, a gente tem que ter a

entrada de dados, que são os e-mails, e a gente tem que rotular

esses dados, falando se é ou não é um spam.

Como que eu capturo esses dados?

As fontes são as mais diversas possíveis.

Então, se a gente estiver trabalhando com visão computacional, os

nossos dados, as nossas fontes, são imagens.

Ou, eventualmente, a gente extrai as imagens de vídeos.

Se a gente está trabalhando com dados, vamos falar, mais comportados,

a gente vai ter um banco de dados relacional, onde a gente tem as

nossas infinitas linhas e as colunas.

E a gente vai tentar relacionar essas colunas para criar as regras

para poder treinar o nosso modelo.

As fontes de dados são plurais.

Podem vir de qualquer jeito.

O que é importante, e a gente tem que sempre perceber, é que não

tem mágica.

Boa fonte de dado, se for bem processada, vão gerar bons modelos de

machine learning.

Exatamente.

Uma fonte ruim, dados de baixa qualidade, ou mal processados, você

não faz a limpeza nos seus dados, você não trabalha o pipeline de

ciência de dados, que a gente pode pensar assim, tira dados ausentes,

valida, verifica se não tem dados cruzados, se não tem linhas

duplicadas, enfim, são N abordagens que a gente pode tratar para

poder aumentar a qualidade desses dados brutos, a gente vai ter

modelos ruins.

Então, inevitavelmente, a qualidade dos dados e a origem desses dados

vão impactar bastante.

Da onde a gente vai pegar bons?

Agora a gente está trabalhando com IoT.

Então a gente tem sistemas de sensores e monitoramento que capturam

esses dados a todo instante.

Basta a gente armazenar eles de forma conveniente, pré-processar

esses dados para poder criar nossos modelos.

Interessante comentar, pegar o que o Arnaldo colocou, que foi muito

bem colocado, é aquilo, você não consegue ter um modelo bom se você

tem dados ruins, você tem que ter dados bons.

Não tem jeito.

Agora um outro ponto muito importante a respeito de dados é algo que

a gente ensina lá no curso de ciência de dados e muito aluno

perguntou, por que eu estou aprendendo isso aqui?

Que são os conceitos de LGPD.

LGPD é a Lei Geral de Proteção de Dados que estabelece que

informações pode capturar do teu cliente, como que você vai

armazenar, como que você vai armazenar o consentimento do teu

usuário, enfim, por que?

Tudo que você captura do teu usuário, do teu cliente, quem quer que

seja, foto, nome, enfim, são todos dados que você pode armazenar,

coletar e utilizar para melhorar o teu próprio produto, a despeito do

que o teu cliente queira.

Então, ou seja, a gente pode ter muitas informações, mas nem sempre é

conveniente usar todas elas, porque nem sempre a gente tem legalmente

a permissão de usar aquilo, entendeu?

Que é algo que aconteceu muito aí com o Chet Gipty, ou seja, um

monte de autor ali reclamando, o caso daquele cara que fez o Game of

Thrones, o George R.

R.

Martin, que é o escritor daquele série de livros gigante, a primeira

coisa que ele fez foi chamar o advogado dele e falar, pera lá, Chet

Gipty, você alimentou a tua rede com os meus livros, eu não quero que

você utilize meus livros para produzir um outro produto, tira daí.

E até para quem estiver vendo a gente, e de repente quiser, quer

alçar um cargo de gestão em tecnologia, é bom ficar muito atento ali

de PD.

O técnico que está operando ali, trabalhando os dados, girando ali o

algoritmo, ele pode errar, mas o gestor dele tem que ter esse olhar

muito atento ali, poxa, será que esse dado que o técnico está

utilizando pode ser utilizado, não pode ser utilizado, será que eu

estou avançando aqui o sinal, pisei em alguma barreira ou não?

Bom, e você falou agora a respeito da questão da obra do Game of

Thrones, questão de negócio, cliente, gestão, e em conversa com

pessoas que são até de outras áreas, que não são relacionadas até aí,

tem muito comentado a respeito do Chet Gipty, da questão da da

inteligência artificial, porque se tornou uma febre, todo mundo,

mesmo que não é da área de tecnologia, tem interesse em aprender.

E aí, começam a surgir alguns conceitos, do que é preditivo, do que é

generativo, existe mesmo essa divisão, Arnaldo, o que é uma IA

generativa, o que é preditiva, o que a gente usa, por exemplo, a

nível de negócio, no nosso dia a dia que é preditivo, e o que

seria generativo?

Tem sim, de fato, existe um momento de disrupção aí, que a gente está

vivendo atualmente, com a introdução dessas IAs generativas, as

generativas IAs, e qual é o conceito por trás delas?

É que elas geram conteúdo a partir dos dados, então, no detalhe lá

atrás, é como se a gente pensasse assim, quando você abre a página do

Google, você vai lá, vai fazer uma pesquisa, então, como tocar e aí

aparece ali a palavra violão, aquilo ali é uma predição que ele está

fazendo, ele está olhando, conforme todo o estudo que ele aprendeu,

na base de dados dele, qual é a probabilidade de você querer tocar

violão ou um outro instrumento, ou uma outra coisa, então, essa é uma

forma que ele está fazendo a predição, então, quando a gente pensa,

ele olha o passado, ele entende aquilo, e ele usa para fazer

predições futuras, a gente pode pensar, como é que a gente consegue

fazer predição de temperatura, então, a gente tem lá o Tupan, que faz

as predições do tempo, no supercomputador que a gente tem, ele olha

diversas variáveis ambientais, imagens de satélite, coleta diversos

dados de estações meteorológicas no Brasil inteiro, para conseguir,

no final do dia, fazer a predição que às três da tarde vai estar

22 graus em São Paulo, por exemplo, isso é uma predição que ele está

fazendo.

As IAs generativas, elas conseguem, a partir de texto, gerar outras

fontes de dados, gerar, por exemplo, imagens, ou, a partir de imagem,

gerar texto, ou, a partir de voz, gerar imagem, então, essa é uma das

vertentes que a gente tem das IAs generativas, onde a gente vai ter

um elemento ali, que é a ferramenta do Transformers, que faz

exatamente essa parte, na hora de processar os dados, ele vai gerando

lacunas, e vai tentando encaixar o que pode ser criado a partir

deles.

E é interessante também, quando a gente fala de GAN, que são as redes

neurais generativas, tem um componente muito importante ali, que é o

que a gente estava até comentando um pouquinho antes do podcast aqui,

que é o processamento de linguagem natural.

Que é fazer o que?

Fazer o computador entender o que você está escrevendo e transformar

aquilo numa informação que ele consiga utilizar.

Entendeu?

Porque aí, a partir daquela informação que ele extraiu do teu texto,

é que ele vai direcionar a GAN para o que ela tem que gerar.

Uma imagem de acordo com o que você pediu ali no prompt de comando.

Então, esse é um ponto super importante também, e é interessante,

porque é uma disciplina completamente completamente não, mas uma

disciplina à parte da GAN também.

São dois pontos críticos ali do chat IPT.

Eu acho que é legal, porque vamos pensar, aquele guarda-chuva gigante

de inteligência artificial, a gente pegou uma pontezinha e falou de

Machine Learning, mas existem todos os outros ali que a gente não

comentou.

Exato.

Aprendizado especialista, enfim, existem outros modelos diversos.

Aí dentro de Machine Learning, vamos imaginar que isso aqui cresceu

muito.

Então a gente tem um outro guarda-chuva gigante.

E dentro desse aprendizado de máquina aqui, a gente puxou Deep

Learning.

E aí dentro de Deep Learning, nos últimos anos, principalmente a

partir de 2012, foi quando teve a explosão das redes neurais

convolucionais, usando Deep Learning de fato, a gente teve um outro

boom.

Então a gente foi um lado para a visão computacional, um lado para o

processamento de linguagem natural, NLP.

E aí dentro de NLP, a gente teve um outro boom.

Que agora são as generativas.

Onde a gente junta de novo esses dois conceitos de visão e conceitos

de processamento de texto, para eles se conversarem entre si

novamente.

E aí a gente tem diversos outros modelos que estão sendo criados a

partir desse.

E é interessante também o que você estava comentando.

Como a gente vai vendo, você até perguntou logo no começo, qual a

diferença de IA e Machine Learning e tal.

Mas se a gente usar essa analogia do guarda-chuva, fica muito fácil.

IA, daí afunila um pouquinho mais.

Machine Learning, afunila um pouquinho mais.

Deep Learning, afunila um pouquinho mais, entrou na ganha, na IA

generativa.

E é interessante isso até, vou comentar, perguntar até para você

também, porque sempre que me perguntam, eu tenho dúvida até.

Eu falo, meu, espera lá.

O processamento natural de linguagem, ela é Machine Learning ou é

Deep Learning?

Até eu entendo como Machine Learning.

Mas se você ver alguns algoritmos, você fala, meu, isso aqui é muito

complexo.

Isso daqui devia estar em Deep Learning.

Não devia estar aqui.

Quando a gente vai pensar em texto para fazer o processamento de

linguagem natural, a gente tem os algoritmos de Machine Learning que

são utilizados.

Então a gente tem a parte do processamento de linguagem natural e

quando eu falo processamento de linguagem natural é de fato, a ideia

do natural é como a gente fala, como a gente escreve de fato.

Então não é um código em si.

É bem colocado, porque a gente fala linguagem natural e realmente

para o ouvinte não fica claro.

Por que eu estou querendo falar de linguagem natural?

Essa linguagem natural pode ser através de uma fonte escrita, através

de voz também, assistentes virtuais.

Você pode transformar voz em texto, texto em voz e são equivalentes

ali.

É transformar a linguagem natural mesmo que a gente fala, português,

inglês, espanhol, alemão, em inscrições que o computador compreenda.

Exato, exato.

Tanto que o chatbot que a gente usa bastante eles trabalhavam com a

ideia de redes neurais, não de redes neurais em si, mas com a parte

de linguajamento de processamento natural, processamento de linguagem

natural e a gente tem que ter para fazer o processamento de linguagem

natural, conhecer bem as regras gramaticais.

E aí é um outro inferno.

É um outro inferno, porque quando a gente vai pensar, uma frase ela

vai ter sujeito, predicado, não sei o que.

Se eu não conheço as regras gramaticais, como é que eu extraio de uma

frase o que aquilo realmente significa?

Eu quero tomar café.

Então quem quer o que aonde?

Quem é o sujeito, quem é o predicado, quem é o objeto, quem que

é o verbo aqui, entendeu?

E se você não sabe quem é sujeito, predicado, verbo, objeto esquece,

entendeu?

Vai dar ruim, né?

O que é interessante é que essas regras são muito bem definidas.

E se a gente conhece a regra de negócio, a gente consegue trabalhar.

A gente consegue escrever algoritmos para encontrar o radical das

palavras e tentar tokenizar essas palavras para entender o que de

fato ela quer dizer, a semântica daquela frase.

Mas a complexidade vai aumentando.

Sim, e aí tem a semântica, né?

Quando eu falo de Lula, eu estou falando de quem?

Do presidente ou do Molusco?

Exato.

A impressão que eu tenho as vezes é que quando a gente começa a

aprender algoritmos, seja na graduação, no curso técnico, a gente

meio que está aprendendo uma linguagem para que o computador entenda

aquilo que a gente quer fazer.

É uma linguagem informal.

E agora parece que acontece o inverso.

O computador meio que tem que se virar para aprender com o usuário o

que ele quer fazer, né?

E fica complicado ainda, né?

Porque tem a semântica, tem gíria, tem sotaque, tem quando a gente

transforma de voz para texto, né?

Por isso que...

Tem entonação também, né?

Entonação, né?

E o pior, né?

A gente pensar a biblioteca.

Pô, de repente tem uma biblioteca pronta para fazer alguma coisa?

Tem.

De repente por inglês, né?

Ah, verdade.

Vamos, né?

Trazer isso para o português?

Então, para lá, né?

Vai dar um pouquinho mais de trabalho.

Até tem muita coisa pronta já, né?

Português de Portugal ou português do Brasil?

E aí, puxando um pouco desse tema de, ah, o computador está

aprendendo com o usuário, o computador está aprendendo, saiu uma

notícia a respeito do supermercado Marche, que pretende usar a

inteligência artificial para gerenciar ali os produtos perecíveis

deles, né?

Como padrão de compra, controle de estoque.

Vocês têm algum exemplo aí real de alguém que já tem aplicado algo

desse tipo, né?

Vamos tentar prever como ele falou da meteorologia, né?

Através das estações, essas fontes de dados, a gente consegue saber a

previsão do tempo para a cidade de São Paulo à tarde, por exemplo,

né?

E como prever através da machine learning ou da IA, né?

Situações como essa onde são várias variáveis, né?

Então, por exemplo, o tempo esquentou o consumidor vai usar produtos

mais quentes, bebidas quentes, por exemplo, ou bebidas geladas no

calor, né?

Mas é feriado, tem menos circulação de pessoas naquela região, são

muitos fatos, né?

Muitas variáveis que impactam nisso, né?

Vocês têm algum exemplo assim de decisões complexas desse tipo?

Tem um caso de uso que é interessante, que é um caso de uso

que foi feito pela Volkswagen.

Ele estava implementando a automação de algumas linhas de produção.

O que é legal a gente pensar, né?

Então, uma linha de produção é um sistema fechado, bem controlado e

bem definido, bem parametrizado, né?

Afinal o pessoal está construindo o carro há mais de 100 anos aí, se

não tiver controle a gente não consegue ter escala com a elaboração.

Mas um dos pontos que eles queriam trabalhar é o seguinte, bom, será

que a gente consegue juntar esses dados e fazer de forma preventiva

sistemas de paradas específicas para poder fazer correção?

Então, antes de quebrar um equipamento, antes de precisar parar a

minha linha para fazer uma correção, será que eu consigo me precaver?

Então esse é um sistema preditivo, onde você consegue por meio de

sensores e dispositivos IoT construir um banco de dados, alimentando

informações para entender o comportamento por exemplo, da esteira de

pintura.

Então eu vou ter a minha máquina, que ela vai ficar robozinho

pintando ali e eu já vou medir na espessura da tinta se ela está

dentro dos limites de controle.

Eu consigo armazenar essa informação, e aí eu consigo ver a espessura

da tinta está ficando mais fina, então eventualmente a bomba não está

soltando tão boa, então eu já consigo me antever, para não precisar

parar a linha para fazer a correção, a preditiva tal, tal, tal, e aí

eu já consigo falar, bom, vai dar problema, então eu já vou colocar

uma linha backup, já vou fazer uma atualização, porque eu sei que vai

acontecer, por meio dos dados e com um algoritmo de machine learning

eu já consigo processar.

Interessante.

Bom, o que vocês já comentaram aqui, a respeito de modelagem

preditiva, da regressão linear também que você comentou, e tem mais

uma palavrinha aqui anotada que eu quero perguntar para vocês, a

respeito de árvore de decisões.

O que é isso, Fernando?

A árvore de decisão é um algoritmo de classificação.

Quando a gente fala de machine learning, de aprendizado de máquina,

você tem dois tipos ali principais de algoritmo.

Os regressores e os classificadores.

Os regressores vão tentar determinar valores numéricos para algo que

você está tentando prever.

Isso de uma forma bem resumida, tentando simplificar bem o assunto.

Então vamos imaginar mercado de ações, por exemplo.

Mercado de ações, eu vou lá, vou modelar uma regressão que vai tentar

prever para mim o valor do preço de uma determinada ação em algum

momento no tempo futuro.

Isso é um típico caso de regressão.

No classificador não.

No classificador eu tenho uma série de possibilidades diferentes e eu

quero identificar para uma determinada entrada qual é o resultado

correspondente.

Lembra do caso do anti-spam.

O anti-spam é um típico caso de classificador.

Ele classifica, rotula.

Rotular é até melhor.

Ele rotula uma mensagem como spam ou não spam.

É um classificador.

A árvore de decisão, o que ela faz?

Basicamente, ela utiliza probabilidade, o conceito de probabilidade

para determinar qual é a melhor árvore, qual é o melhor caminho para

o algoritmo chegar em uma classificação ótima.

O que seria a classificação ótima?

É aquela que consegue me entregar o melhor resultado possível de

acordo com a amostra original que eu tenho.

Eu não sei se ficou muito complexo, mas me ajuda aí, Arnaldo.

É que para mim, eu vou falando aqui...

Está claro, né?

Vamos tentar visualizar uma árvore de decisão.

Vamos tentar encontrar as fronteiras de decisão.

Uma árvore de decisão, a gente pode pensar como um algoritmo que vai

tentar encontrar a fronteira.

Qual é o limiar entre verdadeiro ou falso.

Ou sim ou não.

O pessoal brinca, já tem até aqueles memes que falam um algoritmo de

machine learning aí tira o capuz e é um monte de if-else.

Já vi.

Mas não é, né?

Spoiler, não é.

Poxa vida, se fosse, seria mais fácil.

Mas a gente comentou que o nosso algoritmo de machine learning ele

tem os exemplos.

Ele tem as entradas e as saídas.

E o que ele quer descobrir no final do dia é qual é a

regra que define as entradas para obter aquelas saídas.

Bom, se ele conseguiu descrever, descobrir quais são as regras Então

quer dizer que se a entrada de tal parâmetro for menor eu vou pra

um caminho.

Se for maior eu vou pra outro.

Se for menor eu vou pra um, se for maior eu vou pra outro.

Até que eu consiga classificar entre é spam ou não é spam.

Então uma árvore de decisão que a gente pode pensar tem até aquele

pessoal lá que fez uns vídeos que ficaram famosos um tempo atrás.

Ah, eu já tenho meu veredito fake natty sabe?

Vamos tentar montar uma árvore de decisão para classificar se o cara

é natural ou não?

A gente pode pensar o seguinte qual é o atributo vamos pensar o

Fernando aqui qual é o atributo que a gente pode pensar que pode nos

ajudar a classificar o Fernando como natural ou fake natty então a

gente pode pensar no atributo será que a cor do cabelo ajuda a gente

a tomar essa decisão?

Não Eu acho que não não é um atributo ou se a gente pensar

assim na nossa tabela não é uma coluna que a gente vai levar em

consideração então a gente vai deixar ele de fora vamos pensar um

outro vou pensar o tamanho do bíceps poxa interessante então se o

cara tem uns bíceps muito grandes há um indicativo de que o cara é

fake natty exato entendeu a ideia?

então a gente pode coletar esse dado criar uma coluna no nosso data

set com o tamanho do bíceps e a gente olha se o tamanho do

bíceps dele é grande ou pequeno esse número grande ou pequeno é o que

a rede vai tentar descobrir e a gente fala que é uma árvore porque

você tem a primeira decisão que é o bíceps por exemplo o bíceps ele

indica que é uma pessoa é legal, qual é a próxima decisão a ser

tomada aqui?

um perguntar uma outra coisa qualquer outra característica aí cai num

outro ramo pra uma outra decisão ser tomada daí pra cada decisão

tomada nesse segundo ramo, aí tem um terceiro ramo e assim por diante

e qual é a melhor qual é a posição ótima de perguntas que você

faz é isso que o algoritmo determina será que é melhor perguntar o

bíceps primeiro depois qualquer outra característica depois a outra,

ah não sei posso ter um resultado melhor se eu colocar o bíceps por

último no terceiro nível e no primeiro colocar outra característica

então é isso que o algoritmo determina, mas a árvore não faz nada

mais velho que isso é a probabilidade que vai cair pra um lado ou

pro outro e a partir de cada ramo você vai tendo outros ramos, outros

ramos vai abrindo até...

existe um alinhamento aí de perguntas que são feitas pra poder tomar

a decisão no final que é o conjunto de regras que você quer que

a rede descubra Bom, no começo desse bate-papo vocês na verdade

comentaram um pouco sobre o conceito de inteligência artificial que

não é novo, mas teve aí um período que ficou um pouco engavetado até

a gente ter mais dados disponíveis, ter hardware e capacidade de

processamento que fossem satisfatórios e a minha pergunta pra vocês

como que é esse cenário pro mercado brasileiro dentro do nosso país a

gente já tem computadores que são capazes de atingir esse nível de

processamento pra decisões complexas pra IA generativa pra IA

preditiva o que você acha Arnaldo?

Existe algo que a gente ainda precisa caminhar nesse sentido de

evolução ou o que nós temos hoje no mercado é o suficiente?

Ah não, sem dúvida não é o suficiente nunca vai ser né esse é

o ponto a gente nunca vai estar na fronteira do conhecimento é uma

área que exige muito investimento em recursos humanos nós precisamos

de pessoas que aprendam essas ferramentas como elas funcionam como a

gente operacionaliza elas e pessoas que vão pensar no próximo passo

como que a gente evolui e desenvolve as novas tecnologias que vão

estar na fronteira do conhecimento então sem dúvida é uma área que

estão com diversas empresas e a gente tem na vanguarda as Big Tech

então a gente tem aí a Nvidia, a gente tem a Microsoft a gente

tem a AWS, a gente tem a Meta a gente tem a Google, são

grandes empresas cada uma no seu métier ali tentando desenvolver

essas novas ferramentas essas novas inteligências que a gente vai

apoiar para criar soluções mais inovadoras mas de fato aqui no Brasil

a gente tem bastante coisa a gente tem bastante recurso humano nós

temos bons profissionais nós temos o pessoal que está estudando

agora, que está aprendendo um pouco mais sobre inteligência

artificial a gente começa em uma camada mais superficial o que eu

acho interessante é que a gente não precisa começar de dentro para

fora a gente não precisa começar escovando bit para poder entender o

que é inteligência artificial eu acho que faz muito sentido a gente

tentar primeiro vamos aplicar as ferramentas que já existem, vamos

usar e aí conforme a gente vai avançando, a curiosidade vai

despertando a gente para se aprofundar em como aquilo funciona mas

qual é o conceito estatístico que está por trás como é que de fato

a gente programa isso como é que eu crio minha própria biblioteca

para fazer esses treinamentos e poxa, calma aí mas será que a gente

consegue adaptar esse método, esse algoritmo para atuar e fazer de

tal forma isso é um caminho que a gente vai desbravando e que exige

de fato aprofundamento de conhecimento e muito estudo mas a gente tem

bastante potencial para avançar nessa área e não virar só um país de

commodity de desenvolver soluções já prontas de outras tecnologias, a

gente consegue de fato criar bastante coisa você viu que a gente

falou do guarda-chuva machine learning deep learning, agora GAN eu

acho que o mercado tem um tempo de absorção também se você chegar

para o executivo de TI hoje ou mesmo executivos que não são de TI

e perguntar na real, você consegue ver o uso de GAN para você, o

pessoal vai dar uma travada, não sei, eu sei que é muito legal muito

bacana, tem muito potencial mas eu ainda não sei onde vou usar e eu

já vi muita empresa que tem uma coleção de dados gigantesca e eu não

sei direito nem o que fazer com isso então eu acho que corroboro tudo

o que o Arnaldo falou sem dúvida nenhuma mas eu acho que ali no

mid-level nas companhias que não são as gigantescas os FAANGs

Facebook, Amazon, Google Microsoft no mundo corporativo mesmo ainda

tem muito chão para trabalhar muito, muito vou dar até um exemplo

bobo de um pequeno algoritmo que eu acabei esbarrando ano passado eu

desenvolvi um sistema para uma empresa que fazia não faz ainda, faz

estudo clínico pesquisa médica então o que eles tem, eles tem uma

base de dados gigantesca de voluntários milhares de voluntários de

gente que se dispôs ali a fazer se voluntário a uma pesquisa médica e

como que eles trabalham vou fazer uma pesquisa agora sobre gripe eu

quero pacientes com essa faixa de idade enfim, com esse perfil aqui

depois que é feito o perfil, a gente se encontra milhares de

candidatos como que essa empresa fazia tenho milhares de candidatos

pego o candidato 1, ligo pergunto e ai, você quer participar de gripe

e tal?

não, obrigado 1, 2 3 e assim vai até no 7.493 hoje não,

hoje mais que eles fazem legal, dos 7.000 que eu tenho quem tem

a maior probabilidade de aceitar participar de uma pesquisa médica,

de aceitar nesse momento, com essas condições aqui, como que ele

determina isso, com o passado quem foi que se prontificou a

participar da pesquisa médica, eu já tenho histórico a partir daí eu

prevejo o futuro como eu falei pro cara, pra pessoa pra quem eu

desenvolvi um sistema que poderia fazer isso, o cara falou meu,

sério?

é duro, dá pra fazer isso mesmo bom, põe ai não quer nem saber

o preço, já põe ai já economizou muita ligação imagina uma outra

empresa com quem eu conversei, a pessoa ela tem umas 30 posições de

trabalho de gente digitando informação, digitando nota digitando nota

fiscal recibo né fazendo lançamento manual ali também é um tipo de

atividade assim, muito tranquila de você automatizar com machine

learning e que as pessoas não tem aquela noção, não sabe que dos 30

que eu tenho aqui, dá pra reduzir pra meia dúzia, se eles tiverem as

ferramentas corretas pra trabalhar então, eu acho que tem ali um

oceano azul ali pra explorar ainda e falando de profissional também

com robólogo, a gente tem muita gente muito boa aqui no Brasil, sem

dúvida nenhuma, né, mas eu sinto que ainda falta muita gente, porque

lá no curso de Data Science a gente comenta que o bom cientista de

dados é um unicórnio né, porque a pessoa que é muito boa em

tecnologia de informação um excelente programador, é uma pessoa que

manja muito de estatística, a gente nem falou de estatística, né, mas

tudo isso que a gente comenta de algoritmos que tem aqui, é tudo

muito baseado em matemática e estatística então, ou seja, o melhor

cientista de dados é o cara que programa bem, que manja muito bem de

matemática e estatística e tem um conhecimento profundo no negócio

pra saber onde aplicar onde você acha essa pessoa entendeu?

Não tem na verdade, né o cara pode ser um excelente programador, mas

ele não é um bom estatístico né, aliás assim, a minha vida inteira eu

fui um programador, né, eu só fui aprender estatística de verdade

quando fui fazer o meu mestrado, né, aí que eu aprendi estatística de

verdade, até então conhecia muito pouco, né então, tem um lugarzinho

de fala ali pra dizer que falta essa competência ali pra boa parte

dos programadores que a gente vê no mercado sabe o que eu acredito,

às vezes, Fernando, que esse aprendizado da matemática e da

estatística, se a gente soubesse a aplicabilidade que isso ia ter no

nosso estrutura, a gente dava mais valores às nossas aulas a gente

ligava pra ele pra faculdade, né e aí, puxando um pouco desse gancho

do Fernando, que já deixou aqui várias dicas né, pro pessoal que tá

nos assistindo Arnaldo, e você?

Que dica que você dá pros nossos alunos que tão nos assistindo aqui,

esse videocast que espaço existe ainda pra ser desbravado, né com a

IA, com Machine Learning, com Deep Learning momento consultoria

grátis aqui de vocês dois, né tem alguma vertente do mercado algum

segmento que vocês olham e falam assim, poxa vida, esse segmento é

carente de usar a Inteligência Artificial poderia dar um avanço

grande aqui?

Então, além das dicas pros alunos, eu gostaria que você comentasse um

pouquinho, claro, se você tiver algum exemplo de algum segmento do

mercado que ainda tá carente de aplicação Tá, legal, bom acho que,

independente do ramo, né, de atuação que você escolher e aplicar, ele

tá carente, né, então todos os ramos vão ter oportunidades onde você

pode aprimorar, melhorar, implementar algum contexto novo ali que

ainda não tá sendo utilizado com os algoritmos de Machine Learning

pega a logística, poxa, a gente pode pensar em diversas formas de

otimização de rota de pensar como fazer melhor gestão de estoque

enfim, é uma área interessante na área de serviços, como que eu posso

entender melhor o perfil do meu cliente pra poder oferecer soluções e

serviços que sejam mais alinhados ali ao que ele tem como expectativa

se for na indústria eu comentei lá da Volkswagen como que a gente

pode pensar em trabalhar a parte de otimização pra evitar paradas,

né, que a gente não quer na linha de produção então, seja a área

industrial seja a área de telecomunicações, serviços, todas elas

precisam, né, e elas vão ser cada vez mais receptivas a quem trabalha

com os algoritmos de Machine Learning conhece Machine Learning, sabe

implementar esses algoritmos, tem entendimento de negócio e consegue

digitalizar esses processos pra se tornarem mais robustos e mais

rápidos mas, bom sei lá, acabei de chegar no curso começando agora a

Data Science e não tenho ideia pra onde começar cara, eu acho que

você pode começar programando de forma simples, entendendo um

pouquinho de linguagem de programação, né, acho que uma linguagem que

abre muitas portas pelo menos pra nosso mundo aqui, né, de ciências

de dados é você conhecer bastante um pouco de Python no som exime o

programador tudo bem, mas eu consigo ler, interpretar, entender e

propor alterações, adaptações naquele código pra resolver um

problema?

Legal tá aí um bom começo escolhe um problema e não precisa ser nada

inovador, não precisa ser nada do zero não, né, então escolhe um

problema onde já existe a solução pronta com esse problema já, com a

solução pronta estuda como ele foi resolvido acho que é uma boa forma

de você aprender né, aprender com a solução tá aí Machine Learning,

né, então olha como ele foi resolvido olha como ele foi resolvido,

tenta replicar esse estudo, né aplicando os algoritmos de Machine

Learning isso já vai te dar uma baita base ali de como você pensar

o problema como você estruturar o seu raciocínio como que você vai

desenvolver as regras de negócio, como que você vai estruturar

entender e compreender se o resultado é bom ou não beleza, consegui

rodar todo o pipeline de ciências de dados que a gente pensa agora

tenta propor uma coisa diferente você já se aprofundou sobre um

problema específico você já conseguiu rodar um pipeline completo end

to end, né, do começo até o fim e agora você consegue ter maturidade

pra tentar fazer alguma coisa diferente, então pra quem tá começando

é tentar não reinventar a roda né, começa por aí legal, Fernando

antes da gente encerrar aqui e você, o que você dá de dica e

o que você acha também do mercado né, que pode ser ainda um caminho

que falta usar da inteligência artificial legal, eu acho que é um

pouco o que o Arnaldo colocou, acho que toda indústria ali tem muita

oportunidade toda indústria, até coloquei esse exemplo aí que eu dei

agora há pouco né, a gente percebe que muitos gestores ali as pessoas

que tomam decisões na empresa não conseguem enxergar a potencialidade

então o que eu sugiro ali pra quem tá no curso agora, começando agora

é tentar fechar esse gap né, ou seja, aprender o suficiente pra

conseguir mostrar pros tomadores de decisão onde eles podem investir

onde eles podem aumentar a produtividade aumentar a lucratividade das

suas empresas, introduzindo ali aprendizado de máquina propor uma

solução né exato, e aí pode até falar, poxa, mas é muito difícil pai,

então é muito difícil o aprendizado de máquina, matemática

estatística e tal, e na verdade pra isso, pra você propor soluções

inovadoras, você não precisa claro, você precisa disso, evidente né

você não precisa ser o expert, você precisa ser uma pessoa criativa,

e é muito interessante né, poxa, eu tô no mercado há quase 30 anos,

eu sei que a turma que trabalha com TI, tem um gap criativo ali,

não é as pessoas mais criativas não estão em TI as pessoas mais

criativas estão em marketing estão em outras áreas do conhecimento

então acho que se eu pudesse dar uma dica pra quem tá começando agora

é desenvolva o teu lado criativo porque ele vai fazer falta, de um

jeito ou de outro ele vai fazer falta tem um ponto importante que o

Fernando comentou que agora a gente vendo um pouco os especialistas

da área e vendo como que a gente vai trabalhar a próxima geração de

programadores eles entendem que vai ser uma programação assistida

então vamos pensar antigamente a gente quebrava a cabeça pra fazer um

código e aí tinha um professor que fazia a revisão daquele código e

dava o feedback pra gente a gente tá num momento diferente aonde a

gente escreve um prompt e propõe que a IA generativa gere o código

pra gente, a gente tem que ter muito mais maturidade e conhecimento

pra verificar se o que foi gerado faz sentido ou não então a gente

tá um pouco professor da IA então agora a gente tem que ter acho

que ficou mais difícil até o pessoal acha que ficou mais fácil

programar não, ficou muito mais difícil porque imagina, você pegou um

código pronto ali da IA você tem que entender o que ela fez, não

adianta você não pode pegar aquilo e jogar em produção de jeito

nenhum vai dar ruim pode dar certo uma, duas, três na quarta vez, vai

dar ruim, você vai quebrar e vai perder emprego e comece uma carreira

em outro lugar, porque vai dar ruim é um pouco de expandir a nossa

rede neural pra outras áreas um ponto importante, só um último

comentário tem um banco que é o Goldman Sachs um dos maiores bancos

aí do mundo no processo de recrutamento dele todo, qualquer cargo

pode entrar lá como analista financeiro ele tem que fazer uma prova

de Python sério?

uma prova de Python, porque senão não entra porque o banco entendeu,

tudo bem, talvez ele seja muito prematuro, mas ele entendeu que

programação é uma ferramenta, uma ferramenta de trabalho você sabe

usar essa ferramenta?

sabe usar Word?

Excel?

Python?

legal, então acho que você está apto a trabalhar aqui agora vamos ver

se você tem as outras skills que eu preciso o ferramental é esse aqui

e eu acho que com o tempo isso pode virar uma tendência então seja,

tá aprendendo é chato, mas faz um esforço aí né dá uma trabalhada

ali, dá uma polida no cérebro ali pra aprender você comentou, acho

que complementando tem um ponto que é legal, diversos cursos agora

você imagina um curso de direito você acha que o cara vai aprender a

programar no primeiro ano?

é não, vai vai, jura?

vai, eu não sabia curso de programação para o pessoal claro, uma

camada muito mais superficial, onde ele tem que minimamente entender

e conseguir fazer ali um web scrapping, conseguir entender o código,

mas já tem hoje cursos de direito, onde o cara tem que interagir com

a máquina, tem que conseguir fazer uma consulta SQL, por exemplo

então o cara de marketing que consegue manipular um banco de dados

não estou falando de fazer inserções complexas montar quais as

instâncias, estou falando de meu, puta, eu queria fazer uma validação

aqui, rápida em vez dele abrir um chamado pra falar com o pessoal da

TI, pra ver se faz pera aí, deixa eu abrir aqui ó, select e

tal já puxa, já analisa, já resolve ganho de produtividade, é muito é

o diferencial que você comentou, se tornou uma ferramenta de trabalho

como um pacote office, por exemplo requisito aí para muitas coisas,

bom pessoal eu quero agradecer demais a presença de vocês dois aqui,

toda a contribuição que a gente pôde ter através desse bate-papo acho

que ajudou bastante, quem está nos assistindo a expandir mesmo a

nossa rede neural agora que você pegou esse conhecimento que a gente

compartilhou aqui seja de IA, de Deep Learning ou de Machine

Learning, está na hora de você aplicar e colocar essa inteligência a

seu favor, porque conforme nós vimos aqui o aprendizado de máquina

que vai ser benéfico, é aquele que traz uma solução para o nosso

mundo