Análise do Texto sobre Inteligência Artificial

Texto original

O texto original pode conter falhas de gramática ou de concordância, isso ocorre porque ele foi obtido por um processo de extração de texto automático.

Texto extraído do video Prepare-se: A IA vai invadir a sua profissão (e você vai gostar!)

Você já pensou nas várias palavras conceitos e definições apresentados na Universidade? Isso acontece a todo momento, pois você está aprendendo um novo campo de conhecimento.
E para não se perder nessa avalanche de ideias, algumas estratégias são muito importantes.
Tenham um lugar para anotar o significado dessas palavras e dos novos conceitos.
Pode ser em um caderno, no bloquinho de anotações, no computador ou no smartphone.
Peracessa a informação quando você quiser ou precisar facilita na hora de fazer trabalhos, provas e outras atividades que forem solicitadas.
Essa é uma das estratégias de estudo, mas existem muitas outras.
A melhor maneira de estudar é que se encaixa na sua rotina e traz resultados positivos.
Bom, sábitos de estudo são muito importantes na vida acadêmica.
O antes ou durante e o depois das aulas envolvem ações como lista de atividade, leitura, revisão das anotações de aulas, tirar dúvidas com o professor ou com os amigos, pesquisar por conta própria e relacionar outros temas.
Essas atitudes vão contribuir para o seu desempenho.
Estudar é um projeto, assim como construir uma casa.
O que é a sua vida? Estudar é um projeto, assim como construir uma casa.
O planejamento e a execução são fundamentais para os resultados.
Como estudar? Quais as estratégias para obter os melhores resultados? Como estabelecer uma rotina de estudos? Qual lugar é o mais adequado para estudar? Encontrar essas respostas vai te ajudar a organizar os seus hábitos de estudo e a obter excelente resultados acadêmicos.
As pessoas normalmente precisam de um ambiente adequado para estudar.
Pode ser em qualquer lugar, mas o ideal é que seja organizado com boa ação de estudos.
Mas o ideal é que seja organizado com boa ação de estudos.
A gente precisa de um ambiente adequado para estudar.
Pode ser em qualquer lugar, mas o ideal é que seja organizado com boa luminosidade, calmo e silencioso.
Uma mesa com uma cadeira, evitar interrupções e ter acesso aos recursos de estudo são elementos perfeitos para esse local.
Equipamentos eletrônicos e conexão à internet podem otimizar os seus estudos.
Para evitar distrações, o ideal é silenciar as notificações das redes sociais.
Existe algumas pessoas que podem estudar e aprender em ambientes variados com muitas distrações e até bagunça, mas são a minoria.
Quanto mais próximo do ideal, maior será a concentração, o foco e o aprendizado.
O ideal é que seja organizado com uma cadeira, mas é a maioridade de estudos.
A gente precisa de um ambiente adequado para estudar e ter acesso aos recursos de estudo.
Desenvolveram conjunto de ações que promôvam tranquilidade, satisfação, segurança e sensação de bem estar é cuidar de si.
Essas ações podem ser dormir bem, cuidar da igénia pessoal e da alimentação, fazer exercícios físicos, perpessoas em que possa confiar, estudar e dividir sentimentos e afeto.
Estar bem consigo mesmo facilita aprendizagem.
Preste atenção às suas necessidades físicas e psicológicas para ter um rendimento melhor nos estudos.
Isso é qualidade de vida.
Olá, seja muito bem-vindo, muito bem-vinda.
Prepar-se, a IA vai invadir a sua profissão e você vai gostar.
Esse é o tema da Live de hoje.
Nosso encontro é promovido pela Univéspe e em parceria com o Instituto El Dorado.
Referência em pesquisa e desenvolvimento.
Mas antes, gostaria de me auto descrever para vocês.
Eu sou uma mulher branca, de cabelos castanhos enrolados, castanhos escuros.
Eles estão aqui na altura dos ombros.
Tenho o meu Pia alta, o meu Pia, mas eu estou de lentes de contato.
Estou vestindo uma camisa vermelha estampada e usando uma calça preta.
Mas eu não estou sozinha nessa live, não.
Nós temos aqui dois pesquisadores do Instituto participando da Live.
São os professores Renata de Paris e Diego Esquies.
Sejam bem-vindos, Diego Renata.
Bom, eu convido primeiro a professora Renata a se auto descrever para os nossos telespectadores e acompanhantes do YouTube.
Obrigada, Carla.
Sejam todos bem-vindos.
Eu sou de pele branca, cabelo castanho, liso.
Eu sou uma mulher branca e estou vestindo uma blusa, beijo, de estrada preta.
Guigada, bem-vinda, Renata.
Agora vamos à auto descreção do Diego.
Bem-vindo.
Bom, muito obrigado.
Bom noite a todos.
Eu sou um homem branco, né? Que cabelo curto, neve, vinte azulato, por conta de uma poxa com os alunos.
Cabeza, hoje é uma camisa em cola em ver, do Instituto Adorado.
Os óculos também e tenho bastante sapássitas.
Eu gosto bastante de desenhos de tatuagem.
Tá certo, Renata.
Bom, Diego.
E agora que estamos todos apresentados, eu gostaria de apresentar um pouco do currículo dos nossos convidados.
A Renata Depares é doutora em ciência da computação pela PUC Rio Grande do Sul.
É professora na área de ciência de dados e aprendizado de máquina.
Tem 10 anos de experiência, desenvolvendo para nojetos com inteligência artificial.
E atualmente, é também consultora tecnológica no Instituto de Pesquisa Adorado.
Já o Diego, Esquieires, é doutorando em engenharia mineral na Universidade de São Paulo.
Tem experiência com o desinvolvedor Full-Stack e atuação, como mentor, entrojetos de capacitação na área de dados e inteligência artificial.
Atualmente, é desenvolvedor de software cênio no Instituto de Pesquisa Adorado.
Bom, nessa primeira parte da nossa live, nós vamos acompanhar a exposição de ideias de cada um dos nossos convidados sobre o tema.
E na sequência, nós seguimos para uma roda de conversas.
Logo, a seguir para as perguntas de vocês.
E para que você possa participar dessa nossa conversa, se está acompanhando pelo YouTube, você pode mandar a sua pergunta pelo nosso chat.
Está bom? Porque pásseis, como eu disse, a IA vai invadir a sua profissão e você vai gostar.
Renata, espaço para a sua fala.
Obrigada, Carla.
Eu vou começar aqui na minha fala.
Eu trouxe uma breve apresentação.
Eu vou falar um pouquinho de uma parte mais teórica, nesse contexto das IAS generativas.
E depois eu passo para o meu collega Diego, que vai mostrar um pouquinho mais na parte prática.
Eu, mais seja teórica, vou começar com algumas perguntas para a gente pensar um pouquinho.
Se hoje, por exemplo, a gente já usou um modelo de aprendizado de máquina.
Será que, em algum de vocês já, provavelmente hoje, já usou o próprio chat de PT, já usou o Geminais, já usou outros modelos que estão ali, até mesmo outros modelos, de dia que até vocês não saibam, mas muitas vezes a gente tem nossos currículos, sejam eles no link edinho, a gente enviou para alguma empresa.
E ali por trás, tem uma IA processando para escolher, né? Se aquele nosso perfil está fazendo algum met para a Vaga que a gente está sendo ali selecionado, passando para uma série de.
.
.
para um livro ali, no primeiro momento de seleção.
Então, esse.
.
.
Embora a gente está usando em algum momento, a gente passa a ser ali de certa forma, passa dentro dos algoritmos com as nossas informações.
Então, certamente hoje a gente já vem bastante.
Outro caso muito que eu gosto de comentar bastante, é, atualmente, a gente já começa a ter alguns aprendizados com a inteligência artificial.
A gente pode fazer aulas de inglês com inteligência artificial, a gente conversa com inteligência artificial, então tudo está muito próximo e a gente, todo dia, tem algum contato.
Então, essa minha questão inicial, e aqui eu trouxe para vocês, está para a gente entender o que é inteligência artificial, porque que eu fiz a pergunta se você já usou um modelo de aprendizado de máquina, porque inteligência artificial é o guarda-chuva ali em cima.
Então, a gente tem o guarda-chuva, que é inteligência artificial, e abaixo a gente tem conceitos que é o aprendizado de máquina, e depois a gente vai para o aprendizado mais profundo.
Então, só para entender agora, da onde que suja esses modelos de inteligência artificial, que nada mais é do que um aprendizado de máquina, onde a máquina vai aprender para, então, ter esse modelo.
E esse guarda-chuva tem uma série de outras técnicas, onde a gente também tem algumas técnicas que incluem ciência de dados, onde a gente é feita todo um estudo de dados, os ados estatísticas, matemática, a gente tem contexto de grandes volumes de dados, então, isso estão aqui todos aglomerados, certo, contexto, mas, obtidivo de trazer essa imagem aqui para vocês, é entender da onde que surge, da onde, como é que foi criado um modelo de inteligência artificial? E eu vou falar bastante aqui sobre aprendizado de máquina, porque é exatamente isso, que o modelo, ele aprende, ele vai aprender, né? E ele vai aprender com algum tipo de informação, ele vai aprender com informações passadas, isso é muito comum quando a gente fala um modelo de A.
Então, esse modelo de A, ele acaba, o aprendizado de máquina, ele está dentro do modelo de A, por isso que a gente generaliza e acaba dizendo modelos de A e a generativa, mas nada mais é do que ele surgiram a partir, né, do um aprendizado de máquina.
E eu trouxe aqui dois conceitos assim bem, que eu gosto bastante de utilizar, um adulto omite, né, que ele é muito conhecido a liprária, tanto de Machine Learning como inteligência artificial, onde ele diz que a área de, o aprendizado de máquina, é uma área de pesquisa que visa desenvolver programas computacionais, de forma automática, a melhorar o seu desempenho por meio do uma experiência passada.
Então, eles são capazes de aprender, outro que eu gosto bastante do livro do Fatel, que eu uso muito nas minhas aulas, que ele dá um conceito bastante didático sobre o que é aprendizado de máquina, e nesse conceito bastante didático de aprendizado de máquina, ele comenta, né, que os algoritmos programadas com o aprendizado de máquina, eles aprendem, por aprendizagem de desaprêndio e compase na experiência passada, o que significa isso? A gente tem um histórico passado de informação, por um princípio de diferença, de enominado de indução, no qual se obtém essas conclusões.
E aí, aqui eu passo no próximo, aqui onde a gente vê exatamente essas etapas do processo, onde a gente vai ter uma obtenção de dados, que são informações passadas, que esse algoritmo ele vai se utilizar para poder fazer o treinamento.
Então, esses dados, eles passam por uma etapa de pré-processamento, claro que aqui está num livro bastante alto e nisso, tem uma série de processas no meio dessas flachinhas, inclusive elas vão e voltam no meio ali do processo, mas basicamente falando assim em principais macro etapas, né, a gente captura dados históricos passa por uma melhoria, uma decostão desses dados, ou seja, uma pré-processamento de fato para dar entrada no algoritmo de treinamento, porque a gente precisa que esses dados sejam bastante qualificáveis, que eles têm uma qualidade boa, que eles realmente representam a forma com que o algoritmo vai aprender para poder lá no final, nos predizer as situações, né.
Obviamente que ali depois do treinamento ele passa por algumas valitações para chegar lá no modelo de A, então isso é um processo bastante básico, bastante simplista, assim que eu trouxe para vocês entenderem como é que funciona um treinamento de algoritmo, de aprendizado de macro.
Obviamente que aqui os ciclos eles voltam em algum momento, né, em vários momentos aqui para imeliorando ele não é não executo a única vez, e eles écutei númeras vezes até a gente chegar ali numa melhor solução.
E aí eu trouxe aqui também um pouquinho para gente entender outra pergunta aqui, porque a pré-processada de máquina é importante.
Ele tenha a capacidade de analisar grande volume de dados, então é isso que a gente vê nas hiáfias generativas, são grandes massas de dados, sendo treinadas para se chegar no modelo de inteligência artificial, porque é que é muitos dados, porque ali a gente tem uma melhor representatividade, uma representatividade dos contextos, uma representatividade, porque é o objetivo do modelo de inteligência artificial.
Essa é aproximar ao máximo do raciocínio humano.
Então, essa aproximação do raciocínio humano requer um conhecimento e para ter esse conhecimento precisa de grandes volumes de dados, além de um algoritmo que tem toda uma hiperparimetrização, tem todo um treinamento que depois eu vou falar um pouquinho sobre quais são esses algoritmos que os modelos de aprendizado usam para chegar no modelo de inteligência artificial.
Ele, outro ponto bastante importante que também é automatizar as decisões, então, decisões que são complexas e, principalmente, repetitiva, ele aprende mais facilmente.
Aí a gente liga com tarefas repetitivas no nosso dia-a-dia, que a hiágia venha a nosso encontro, já venha buscando nos competir muitas vezes no substituir.
E essas tarefas repetitiva é uma das características, modelos que se adaptam independentemente, transforma esses dados, a gente fala que a gente recebe dados cruz, e esse dado cruz que transforma em conhecimento, e ali que a gente quer chegar num conhecimento.
E, além de assimilhar na tomada de decisão, um ponto bastante importante, porque muitas vezes ela, atualmente, a gente acha que ela vai dar resposta final, muitas vezes não, ela dá um indice para a nossa resposta para a gente tomar uma decisão.
Quando a gente fala ali em tipos de aprendizado de máquina, a gente tem alguns tipos que eu vou falar bem brevemente, aqui só para a gente entender onde eu quero chegar mais adiante, a gente tem, por exemplo, um tipo de aprendizado de máquina que ele é não supervisionado, com o objetivo de ser aprendizado de máquina não supervisionado, a gente tem um conjunto de dados ali, a gente não conhece o padrão desses dados, e eles o algoritmo ali é executado, e imagine que cada um desses pontinhos do meu gráfico aqui ser ajudado.
E ele está sendo agrupado por algum tipo de padrão, então aqui a gente tem dois conjuntos, e tem alguns pontinhos que são dados que estão fora desse conjunto.
Esses pontinhos fora daquele conjunto, eles não pertencem a não grupo, ele pode ser uma anomalia, um anomalia ou um dado que está fora desses padrões, pode ser, muitas vezes, posso pocair um exemplo aqui de, na questão de fraudes bancárias, a gente tem comportamentos ali, dois grupos de comportamentos padrões, e esses quatro pontinhos aí são anomalias, são comportamentos atípicos, que esses tipos de algoritmo que são para detectar padrões, eles vão detectar algo que é padrão, se está fora de padrão, a gente considera como atípicos ou anomalos.
Então, muito utilizado também para nessa área financeira, e aí, aqui mudando um pouco, a gente vai para um aprendizado supervisionado, onde o meu data set tem um rótulo, por exemplo, eu quero fazer um diagnóstico precoce de doenças.
Claro que, embaixo, eu trouxe um fragmento que dá um data set bastante simplório, mas imagine que cada uma dessas minhas colunas, aqui, eu até dividi em cores, aqui, imagina os sintomas, ou os sintomas, cada coluna tem uma informação do sintoma que está na cor azul, aí, a gente tem cada coluna ali os ex-amus, cada coluna tem uma informação dos ex-amus sinais, e ali no final dá um resultado de diagnóstico de uma doença, sim ou não, seja, ela é uma doença respiratórica, uma doença de outras áreas, ali, a gente pode usar o algoritmo para fazer essas previsões de diagnóstico com antecedência, o que significa aqui? Eu estou usando um histórico para treinar, o meu algoritmo vai treinar e vai tentar chegar no melhor resultado possível, ali, a partir daquela última coluna, que é o resultado.
Então, ele vai treinando e o objetivo dele, depois, quando vai fazer a inferência dessas informações, ele vai fazer a predição, ele vai fazer uma predição com o dado não visto, ele vai ter que ter as mesmas informações de entrada, que são essas informações que estão em sintomas, ex-amus e saí-se nas, e ali, no meu resultado, ele vai ter um output, se aquela doença ocorreu ou não, por isso que a gente diz dados rotulados, porque eu tenho ali uma informação categorizada dessa clasificação.
A gente também tem, no mesmo sentido aprendizado de máquina, a regressão onde o meu rótulo, ele deixa de ser uma categoria e passa a ser uma informação numérica.
Aqui, a gente tem muito, se vocês já ouviram falar em questão de forquestes de vendas, por exemplo, previsando da minha quantidade, previsando destokes para o próximo mês, previsando a minha lucratividade para o próximo mês, para os próximos dois, três, quatro, cinco meses.
Então, isso é muito comum a gente usar, tem métodos estatísticos que podem ser usados, mas nós temos algoritmos de aprendizado de máquina supervisionado para a regressão que eles auxiliam e usam essa inteligência por trás para melhorar os resultados.
Então, eu fico uma tenta reduzir a quantidade de erros e chegar mais próxima ali, do uma estimativa que seja ali uma estimativa futura, mas que vai chegar próximo de uma realidade.
Obviamente, que aqui também a gente treino algoritmo com dados passados para ele conseguir nos dados futuros ser mais acertivos possível.
Então, andando um pouquinho mais para frente, a gente já vem com uma visibilidade de aprendizado profundo, o que é o aprendizado profundo.
Então, até então, eu falei de um aprendizado mais clássico, onde a gente vinha trabalhando mais com informações tabulares.
Que que são informações tabulares? Imagina que estraio lá da minha base de dados, né? São informações mais textuais, elas são informações numéricas, onde tem, o algoritmo ele acaba tendo essa classificação com esse tipo de informação.
Ela trabalha muito com distâncias, distâncias entre os dados.
Aqui a gente está trabalhando com imagens.
Então, o objetivo aqui, quando a gente vai para precisar dos profundos, não quer dizer que não vou ter texto aqui, a gente vai ver em seguida que é a generativa.
Também ela foi treinada num aprendizado profundo usando textos.
Só que lá em 2012, foi quando surgiu as redes AlexNet, onde aqui, se o objetivo dessas redes de aprendizado profundo era detectar, que tipo de objeto tem nem imagens.
A gente pode ver que gatinhos ali embaixo bicicleta.
Então, é uma rede muito mais robusta que tem ele camadas ali, que vão tentar chegar mais próximo na assertividade dessas imagens.
Então, são redes que a gente chama mais robustas para ter uma melhor assertividade em objetos.
Então, até aqui a gente estava falando, falamos um pouco de texto, um aprendizado de máquina mais clássico.
Aí, eu já entrei aqui onde a gente tem um aprendizado profundo.
Olhando um pouquinho para a imagem, depois veio também texto.
Aí, eu trouxe aqui essa linha do tempo, onde ali em 2012 a gente tem AlexNet, AlexNet, que faz essa classificação de imagens, que vai mostrar.
.
.
É, vai, a partir de uma entrada, uma imagem, ela consegue classificar.
Obviamente, que ela também foi treinada com uma grande volume de dados.
Ela foi treinada com grande de volume de dados rotulados.
Por isso, ela é um treinamento supervisionado.
Ela tinha rotulos ali quando ela foi treinada.
E aí, ela veio evoluindo lá em 2013 e teve algumas evoluções.
2014 teve uma evolução das gãs que eu vou falar na sequência, o que são essas gãs.
A gente teve ali um pouco mais de 2017.
Também eu vou falar de uma rede muito importante que foi para treinar os modelos de linguagem, que é a rede de transformers.
E só para vocês entenderem um pouquinho mais, a e a generativa, ela está lá em 2023.
Mas o ponto dela, onde ela começou a nascer foi em 2014 com as redes gãs ali, porque a rede gãs, ela é onde começou criar-se imagens.
Começou-se ter o g de generativo que hoje em dia, generativa ia aí.
E a generativa, de gera informação.
E aí, a rede de transformers é que casou para fazer essa geração, mas acontecer de forma correta.
Então, a gente teve ali versões de GPT1, GPT2, GPT3, até chegar lá na versão do GPT3.
5, que foi o primeiro lançamento.
Então, a gente tem também ali em 2022 esse table de fújo, que é a partir de uma informação textual, fazia-se a geração da imagem.
Aqui que eu queria falar para vocês um pouquinho das redes adversárias generativas, que são as gãs, o objetivo dela é o que é criar, tem um geradora.
E o generator vai criar novas imagens.
E a partir da geração dessas imagens, ele tem um discriminador que ele vai a partir do banco de dados e identificar se aquela imagem gerada é real ou fake.
Então, aqui foi a criação das fake news.
Tudo começou com as fake news aqui onde o algoritmo começa a gerar imagens.
E o próprio algoritmo começa a partir de uma base de dados e identificar se é uma imagem já conhecida ou não.
E aí faz essa discriminação.
Em 2017, aqui a gente tem a rede do Transformers, que é então ela veio com aquele mecanismo de atenção.
Esse aqui é o artigo do Google onde foi lançado, aqui a gente tem uma rede muito mais robusta.
Mas qual foi o marco principal aqui? Até aqui, só se falava em processamento de linguagem natural.
Muito se falava onde se tentava por meio de processamento de linguagem natural com métodos bastante clássicos, se chegar numa construção textual.
Só que esse modelo mais clássico, ele não tinha longa sequência, ele conseguia prever a próxima palavra, mas não muito adiante do que a terceiro quarto e acabava não gerando tanto texto, né? Porque as técnicas que se tinha de PLN, era uma rotulada, era muito dado rotulado, aqui também começou a se ver que se tinha a possibilidade de treinar com dados não rotulados e fazer toda essa geração de informação generativa por meio das redes Transformers.
Então aqui são um exemplo também bem alto nível para entender como é que o modelo busca essa geração de texto, essa geração de grandes textos, que nos traz, ele leu nossos prômpotes e gera essa grande massa de dados.
Então aqui a gente tem novamente uma precisada profundo que por meio do grande volume de dados, essa rede foi treinada, essa rede aqui muitos dados, no início uma técnica chamada Self Supervisor, que ela aprendia com dados com uma pequena mostra de dados rotulados, ela foi aprendendo para não ter que fazer toda aquela massa de dados serem rotuladas.
E aí que vocês olharem um percentual, por exemplo, se vocês olharem a primeira linha, o antel que tem o percentual mais elevado, mas aqui a gente quer predizer o lante.
Então depois do it, aí se a gente olhar na tabelinha, se dá para ver aqui o meu mouse, na tabelinha que it, o lante é uma das probabilidades mais altas dentro dessa tabelinha, então qualquer objetivo aqui.
Por meio de uma toda essa matriz de probabilidades de palavras, tentar detectar aquela que aparece com maior frequência após uma outra, uma outra palavra, então tentar acertar de forma mais acurada possível, a próxima palavra para atir de bancos de dados gigantescos.
Mas aí, treinar o alivê de um grande volume de dados, é suficiente para obtermos bons resultados, será que é.
.
.
Então a gente fala um pouquinho do outro completar, que é esse autocompletar a partir de uma probabilidade de várias palavras ali, mas a gente tem que também ter algumas habilidades emergentes, depois o meu colégio Diego vai mostrar ali o que seria o raciocínio, né? Imagina em nossa cabeça, o que é o raciocínio? A gente pega lá e entende um problema, tenta estruturar uma forma de resolver aquele problema para depois aplicar, e ainda validar essa, aquele problema foi bem solucionado.
Então exatamente isso que a gente precisa ter para criar os nossos prômitis também.
Isso é muito importante, além de ter bastante criatividade, né? Se a gente vai fazer algo ali que a gente gera prômitis muito simplos, muitas vezes a gente não consegue chegar na resposta que a gente quer, e acaba sendo desnecessário um uso do maio generativo, né? Mas além disso, a gente tem algumas capacidades adicionais, né? Que a própria, né? muitas vezes a gente precisa ser o que? Que essas capacidades adicionais, eu acho muito importante comentar do pensamento crítico, né? A gente tem que conhecer sobre o assunto para poder dizer-se aquela resposta, ela está correto ou não.
E aí a gente tem o aprendizado para o reforço que vem ali, né? Muito importante também dentro do aprendizado de máquina, uma técnica bastante importante que as, né? Essas glantes players de a generativo, o próprio GPD foi criado dessa forma.
Então além de fazer todo aquele treinamento com grandes vôlums d'ados, ele também passa a proprensado do reforço que é isso.
Ele vai coletando nossos feedbacks lá a partir de recompensas, né? A gente vai entrando com prômitis, se ele não é certo, a gente dá uma recompensa negativa, se não dá uma positivo, o que tem nesse meio desse lupin aqui.
A gente tem um ambiente, um a gente que vai capturando as informações, mas tem um ano aqui que está entendendo, né? Avaliando essas respostas e alimentando o modelo para melhorar as respostas, para ser mais acurado no sentido de nos resolver o melhor questões que a gente utiliza ali no nosso dia a dia.
Aqui eu trouxe um exemplo do que é o aprendizado por reforço, né? A gente tem um exemplo aqui do Alphagor, muitos de vocês talvez já viram falar, né? Que é um programa de ades envolvido, desenvolvido pelo DeepMind, que ele aprendeu, né? As jogadas por meio do top best, ali, jogador, né? Que é o licido.
Então ele aprendeu com a pessoa que mais sabia jogar e depois, quando o licido foi jogar com a máquina, a máquina ganhou quatro versos com o licido que é o melhor jogador.
Então ela foi aprendendo essa aprendizado por reforço.
Ela foi aprender das melhores práticas, as melhores estratégias, as melhores jogadas e venceu o top o ano ali do jogo.
Então isso que é o que hoje as engenerativas também se aproveitam, desse feedback do humano para melhorar as suas respostas.
E aí, a última pergunta aqui que eu peço para vocês, se vocês hoje já contribuiu para melhorar um desempenho de um modelo de aprendizado de máquina, percebo que aqui eu não falo modelo de AI aprendizado de máquina, porque a gente teve esse entendimento do que que é o aprendizado de máquina, né? Que nada, mas é todo esse processo que vai gerar um modelo de inteligência artificial.
E aqui, eu trouxe um exemplo de, tanto esse primeiro exemplo aqui, é do Divinaio, segundo do GPT, onde a gente tem ali aqui os mãos, nas mãos, de positivo negativo a partir do prąpo.
De aqui o meu prąpo tip de para gerar uma imagem de um pequeno robô com o fundo branco.
Então ali, no momento que eu dou esse feedback para o meu modelo, para mim, para o meu modelo, ele vai aprender com isso e ele vai aprender que a partir desse prąpo tip ali, as imagens que eu tive mais, os meus usuários mais gostaram, foi essas aqui, vou dar uma recompensa para que os usuários não gostaram, eu vou deixar de lado, porque eles me deram recompensa negativa.
E aí, ela vai melhorando das aprendizadas aprendizagens e vai melhorando os resultados também.
Agora, que a gente entender um pouquinho essa parte mais teoric, eu vou passar para o Diego que vai falar um pouco mais com exemplos práticos.
Obrigada Renata, e você? É do teu pôr.
Foi, obrigada Renata, e você que está acompanhando aí de casa, vai notando suas dúvidas e participa com a gente por meio do chat no YouTube, tá bom? Já já a gente conversa mais Renata.
E agora a gente vai passar para o Diego, Diego, fica a vontade.
Poupa, tudo bem pessoal, obrigado Renata, então aí pela intro sozinho.
Então, como Renata disse, vocês já tiveram o panorama geral, ali dos modelos, como eles aprendem, como eles perem palavras, como é que eles são justados.
Chegou a hora, a gente traz, então, que uma maneira de se eu sou mais isso em algo útil na fudia de vocês, lembrando que ele é bem não ver pensamentos, você também.
Então, como ela já tinha abordado antes, é instituto, é precisando entender essa palavinha, pronte, que nada mais é, é que uma instrução ou pergunta para o modelo de A, é como um comando que guia máquina, então o pronte é um privinho, da A, tem instruções e perguntas que definha tarefa, que você está trazendo para resolver.
Então, o que é engenheir de pronte, então, nada mais é, é que a prática de escrever e ajustar esses prontos prontos, para tirar o melhor resultado possível deles.
Então, quanto mais específico pedido, menor chance dele aducinar, que a gente fala que ele é aducinado, então ele começa a sair fora do que do que do que é, de resultado ideal.
Isso não é só para programadores, não é só programatador que faz dinheiro de prontos, então qualquer pessoa pode aprender e ganhar uma produtividade com isso também.
Eu trouxe aqui também que alguns elementos de prontos, então, um bom pronte não é só uma pergunta solta, então, tem que ter uma estrutura, esse curto mais genérica pergunta mais genérica e ampla pode ser resposta, então não vai ter um padrão, a gente resposta para a gente busca sempre trazer um tipo de padrão, tentar controlar o máximo possível para direcionar a nossa qualquer resposta que a gente quer que ele atraga para nós, a solução.
Então, a gente tem que quatro partes, então, um meta que seria meio que a tarefa, o que você quer exatamente que ele afassa, então tem que ser o mais direto específico, então, quero uma lista de estrelas assim com marcadores para preparar.
Tem uma outra parte do texto pronta que a gente põe como contexto, isso é bem importante também, então a gente tem que explicar o cenário, quem está envolvido e por que isso importa, a gente pode também trazer algumas limitações pra iar.
Então, a gente tem um exemplo próximo, a gente é um cliente com pouco, isso está atual, quando que ele se perdida e eu pensar.
Aqui tem bem nessa parte que a gente pode introduzir um tipo de persona também, expectativas também, então, como é que a gente quer que a iar responda, que ela seja mais formal, que ela seja mais amigável, resumido, tem um teor mais técnico talvez, então, acho que é a tirada de um melatoio técnico, uma coisa a gente pede pra ela isso na expectativa que ela tenha um perfil mais técnico, a fonte de onde ela deve tirar essas informações, um documento, uma planilha ou um texto fornecido, e aí, cabe um ponto importante, nisso também, quando a gente faz fazer, a gente pede alguma coisa pra iar, então a gente é adjetiva.
Ela desstrase referências do que ela não adquisa, mas muitas vezes ela não usou de fato aquelas referências, então é um ponto importante a gente cuidar isso, porque como ela, como a iar, mesmo a iar, ela já tinha mostrado antes, e ela vai meio que pesquisar nesse opresunto, então ela vai buscar informações ali pra fazer com relação com a próxima palavra, que faz mais sentido do peso.
Às vezes ela fala que acessou uma URL e às vezes tu vai tentar acessar aquela URL e você vê que precisa de um login, uma chave de acesse, que pode entrar naquele documento, e logo, aí ela não tem essa chave, ela não tem esse acesse aqui documento, então por muitas vezes ela pode acabar tendo que usar a própria URL pra pesquisar na web e tentar te trazer informações pra ti e fala que usou aquela URL como referência, e te falta a não usou.
É importante a gente controlar isso, tá fonte, da objecta tirando fonte, e aí eu vou explicar de um jeito melhor também, mas a gente também botar ali algumas imitações, algumas palavras, alguns peças de limite a ela, se caso ela não encontrar nessas URLs, ela dizer que não achou.
A gente já tem mais resposta, um pouco mais direcionada, e não deixa ela nos assinar.
Então, vamos passar para o próximo aqui, uma outra coisa, um ponto interessante que é aqui, é que a aproveita pra deixar uma tica, existe alguns laboratoria de prote, ajuda a gente a prototipar, comparar e impressionar a variações de sproms, o WebNWatsomepromptilè é um deles.
Ele testa prônptil de lado a lado, então consegue medir qualidade, de salvar o que funcionou, né? Então quem quiser pode escanear e não ficar acesso do tutorial, é gratuito pra vocês, né? No finalzinho a gente vai mostrar mais sobre esses links, mas vocês vão ter acesso aí a diversos cursos, seria que a IBM tá oferecendo aí, que vai parecer recolgurado aqui, com a lá.
Bom, vamos lá.
Então pensando agora no prônptil, repare ali as cores, o meta, as cores, o meu azul ali, então é o tarefa, o que fazer, o inciso ali com texto, o molda, a resposta, você vai analisar de suporte, usando feedbacks, flientes, e a amarela já é a fonte, onde tu tirou esse texto, a saída é o roxo, então tu pode até vir controlar o final, né? Então como classificar o sentimento ali, né? Boa destrução, né? De ali, o sentimento negativo, né? O outro positivo.
Tu já meio que dá o tipo de resposta que tu espera dela, tá? Eu vou abrir que rapidinho, vou abrir.
.
.
Estão.
.
.
Não vou te dizer que rapidinho, pra mostrar pra vocês aqui, né? Então meio que exemplificar o que a gente trouxe que eu posso pegar aqui, por exemplo, vou pegar uma notação que eu tenho aqui, dando capelhão de tempo aqui, isso é evento.
Mas a gente pode estruturar dessa forma.
Eu vou ter essa questão do meta aqui, pra vocês ficarem mais visualizando, mais visual pra vocês, mas de fato não precisa, tá? Você pode colocar o texto correndo direto, que ele vai entender, né? É mais um dia pra nós, né? Poder estruturar melhor o pronto, cheirinho, pra iar, tá? Então a gente tem que ir à meta, resumo ter se fonecitos em 3 pontos chaves, para discussão a cadeia, e ficar apresentado um informado de tabela, em uma breve explicação.
Conte isso, né? De apoio aqui, um persona, você é um professor de universidade, explicando o tema para alguns de graduação.
Então pode ser um professor de universidade, você pode importar, você é um especialista, pedagogo, de tantos anos, então, senho, no assunto, isso já dá um, do que ir uma persona pra iar, poderia te responder? Então, ela já perde aqui pra iar, aqui já põe uma limitação.
Evite termos esse seu mid-tech, inclusive, mantém clarizas e objetividade.
Não incluem opiniões pessoais, ou exemplos irrelevantes, pessoais em trássaro, ou quantos pais da a pessoa naquela que eu.
Então, aqui a gente tem a fonte, a gente faz a demarcação, é legal a gente fazer mais demarcação, tanto como início e fim, mas a gente pode votar também as aspas triplas, né? As aspas triplas, né? Três as aspas triplas para demarcar o início e fim.
Por exemplo, aqui, entre certificias de nativa, estatas flamandiversas áreas, como saúde de educação e educativa, imodeus de iguais gereneles, gerenes, textos, códigos e magias, mas também apresentam riscos, como viésse nos dados, eles nações, o uso consciente de diá é essencial para que ela seja uma cremeta de apoio e não problema.
E aí eu feche os colchetes com o fim, né? Tenho início da fonte e o fim da fonte, né? E eu coloquei em colchetes aqui também, indicador de saída, né? Então gere uma resposta informada de tabela a maqdaul com as colunas, ponto chago, explicação simples, e em colchetes em uma parcada ponto.
Então eu demarquei bem, né? Tanto a minha meta, quanto contexto, quanto a minha fonte, e a saída que eu espero perceber.
Vou deixar aqui a agenda.
Pronto, ela gerou já aqui o maqdaul, desse perfeitinho do jeito que eu gostaria que fosse.
Se eu quiser mudar alguma coisa, não gostaria que fosse, vamos me gerar um novo, eu já não vou aqui.
Não gostaria que fosse a agenda informada de resposta da tabela maqdaul, porque era que fosse a informada de tabela em mudar aqui o formato de Aison, que é outro formato.
Aí ela já muda aqui a estrutura, e me apresenta informato de Aison.
Então eu tenho esse controle do que está saindo, eu não deixo ela escolher o formato mais que tiver mais propício para ela.
Então eu deixo o Odinse controle, sim, isso é uma tarefa do engenheiro de promise, que eu tenho esse controle.
Algumas outras coisas que a gente pode usar também, por exemplo, controlar a temperatura.
Então, o que é a temperatura? Não é a temperatura.
Ele recuda a criatividade da Aison.
Então, quanto mais baixo, menos criativo, quanto mais alto a temperatura, mais criativa, ela vai ser.
Então, por exemplo, eu posso.
.
.
Eu vou dar uma linha e faça, um texto de máquina.
Pode ser que o tipo, é de synths para o negócio do Instituto e do Grato.
E aí, meninista aqui, eu posso botar aqui a temperatura.
Então, posso abrir aqui com os cheques, tem a temperatura.
E botar aqui, ó, porque a casca seja altamente criativa, na resposta.
Aqui, então, a laponha que é moja, ela põe todo um, tem uma projeta atuando, a conhecer de uns soluções.
E se eu fizer o contrário aqui, não, estou fazendo, não tem a faça aqui, não tem que ir.
Vai dar.
Ó, ponto 1.
Eu quero que a casca seja menos criativo.
Ó, foi um pouco mais simples, um pouco mais séria, né? A diferença aqui, ó, aqui ela está muito mais criativa, né? Porque tem uma coisa assim, mas o que é importante disso assim? Quanto mais assim, o questão de código, ou mais coisas, mais autôsmas técnicos, né? A gente vai tentar buscar uma temperatura mais baixo.
Então, quando eu quero uma coisa mais brainstorm, sabe, é uma coisa mais relacionada à criatividade de fato, daí eu posso deixar o temperatura alta também, tá? Também temos o toppp, né, que a gente pode utilizar, para isso, o toppp, que é o que é o quanto ele vai buscar no processo de palavras, né? Para escolher qual é a próxima palavra, então, quanto mais baixo o toppp vai ser escolhido, mas mais seguras, né? E quanto mais alto, mais ele vai ficar diverso, né? Então, o toppp1, quanto zero aqui, eu posso colocar o mesmo texto ali.
Ó, o que é diverso? Então, a gente tem bastante sede falada, vai buscar a fortuda, vai ser o reduzido toppp, e ele vai também dar menos aqui.
Ó, ele fica um pouco mais sério estruturado, né? diferente do outro.
Então, são algumas coisas, né? Então, tipo, de modo geral, temperatura, ela ajusta a criatividade do modelo, né? Então, o toppp define o tamanho das serem-se de palavras que você pode utilizar.
Existe alguns outros paramos que você pode buscar também, né? Como, eu acho que até consigo assim ver outros paramos prontes, a renda de cura, vai dar aqui MacStalk, MacStalk, esse frículo se bem note, então, a gente pode ter mim aqui pesquisando aqui e buscando mais informações sobre o que a gente pode controlar o não do pront, né? E aí, eu volto ali pra questão aqui do exemplo, que é o que eu trouxe dois exemplos, vou voltar aqui à apresentação.
Então, aqui eu trouxe dois exemplos, né? Daqui a gente pode ficar se ficar pra vocês usarem, né? Porque, as que são da meta do contexto, a quantidade da saída, tem uma outra versão também ali com a persona, né? Que você pode ter evitar.
Então, não é uma coisa batida em pedra, né? Então, a gente pode ajustar um pouquinho, né? Mas, idealmente, é vocês terem meio que esse padrão aqui pra poder vocês gerar em prontes, né? Então, um exemplo, pode ter até traz um exemplo onde é entrada, saída, tá? E isso assim fica aberto pra qualquer área.
Então, isso abre pra vocês, tanto gerar em código, revisar código, depugar, ou gerar imagens, gerar prestações de pôr-ponte, ou até ajudar vocês a girar em desce, guardanales, então, pra qualquer área de negócio, desde que vocês tenham isso em mente assim, estruturar bem, é qualquer mentaleza, é qualquer persona público que eu tô interessado, né? Pra essa solução, as fontes que eu tenho, né? O formato de saída, um exemplo que você, se você já tem, tiver, melhor é o prontes de vocês, né? Então, aqui eu prossegui uns heinhos aqui, né? Que pode acontecer, nesse posto de magiênéricas, né? Que a gente acaba fazendo, né? Então, é importante lembrar que a A não é um.
.
.
ele não pensa, né? Então, ela tá apenas fazendo com relação, né? A gente, a vezes esquece, acaba achando que ela é nossa melhor amiga, né? Mas não é bem assim.
A gente precisa pensar por ela, né? Ela ainda pensa em lintação.
Eu não sei, pôr-tea com a Zita Tenho.
Aqui eu trago também ideia do no Code, no Code, no Code, no Code, no Code.
Hoje em dia, a gente tem visto muitas as questões do no Code, do no Code, do.
.
.
Se a gente vai pro Code, que eu acho que é mais recente, então, o no Code de modo geral, é, para nós, esses desenvolvedores, né? São soluções aonde a gente não tem zero gente corre, porque a gente não corre, né? Então, pra quem não programa de fato, então são.
.
.
são.
.
.
são carramentas, né? Que você não.
.
.
que você não precisa codar, elas são muitos visuais, né? São blocos que você vai apenas.
.
.
colocando, né? Você não tem com personalizar muito o Code traditional, né? Mas.
.
.
e as responsabilidades não podem.
.
.
pode não existir também, né? Pode ser difícil ajustar, mas.
.
.
e depende de uma plataforma específica, então tem, por exemplo, tem um blind, tipo um pouco, usar campas também, pode ser feito, né? Então é importante a gente ter esse problema, né? também, essas imitações.
Mas como vantagem é fácil de usar, como eu disse, não precisa programar, então tem que ter fases visuales, permite que as pessoas.
.
.
sem informação em programação, que em soluções digitais, né? Então tem essas montagens, e já o Low Code.
.
.
é um pouco mais flexível, né? Então tu tem um.
.
.
um pouco mais de controle, né? A procação, tu tem que ter um pouco mais de teismento de código, então programar, né? Então tem algumas.
.
.
alguns exemplos ali, é o Power Apps, Ape and R2, que você pode utilizar também.
Campa também, eu acho que.
.
.
eu já quero já mexer um pouco dele, também com Jake El.
.
.
é.
.
.
é mesmo.
.
.
mas o Zata.
.
.
mas agora tem a questão do Vive Code, né? que está em alta agora, que eu acho que surgiu, a Nifeverêro, a partir de um post-twitch, do confutador da.
.
.
da.
.
.
do chat TPD, da Alpenha Aiden.
Ele falou dessa questão do Vive Code, e eu já vi a luz meus fazendo isso também, é uma coisa muito interessante, que é o você conversa diretamente com a Aiden.
Então aquilo que eu falei, de buscar novos prontes, de há me buscar soluções, me explique tal coisa.
É quase uma coisa.
.
.
entra uma Vive Meio Vive Code, né? Então você usa a linguagem natural para conversar com a A.
Então não necessariamente você precisa saber se eu ver.
Então eu já vi pessoas criando Dashboards, sem saber fazer análise de dados, não precisa de muito conhecimento para começar a gerar, porque você pode investigar com a A.
Então você usa chat TPD, você usa.
.
.
eu não vou.
.
.
eu não queria ter encodido o A.
Eu vou repite, o cursor, para poder criar soluções.
Então você acaba explorando a A para ela de trazer solução.
Porém, quanto mais conhecimento você tiver no assunto, melhor resultado do que isso.
Se tiver baixíssimo conhecimento sobre análise de dados, então você não vai gerar boa soluções, e você não vai conseguir também validar se está certo ou não.
Então um conhecimento prévena à área ajuda muito isso.
É uma coisa pouco assustador pela velocidade que isso é feito.
Então eu tenho alunos meus que conseguiram elaborar um portal em uma semana.
Mas eles têm conhecimento necessário para isso também.
Eles já entendem a questão de divulgar, achar os erros, conseguir trabalhar, entender o que está acontecendo.
Eles mudalarizaram a solução, então ele não gera a do nada da solução, ele é mais modulado.
Eles têm o conhecimento prévio para poder aplicar o bytecode.
Tem muitas etapas no vento daquilo, mas o bytecode é muito importante a parte da investigação saber o que tu piti.
Então o quanto mais entendimento você tiver da ferramenta, ou também dar de negócio que você está querendo aplicar a solução, melhores resultados como você vai ter.
Como eu disse, saiba o que pedir ao dito processo e saiba conferir entendendo como é a pence.
Hoje em dia existe cursor, réplite, que fazem coisas incríveis, mas é importante, tenta o fator obando.
Então a gente não consegue fazer isso sem ter o nosso conhecimento.
Parece mais que a mais entenda, ainda não é mais que contar.
Com base nisso, ali eu também trago alguns links a<|pt|> redutikintris, que eu ofereço meus alunos também, para eles irem já se abituando algumas áreas.
Um pouco muito importante, por exemplo, isso que é ir para uma aplicar o wipecone, o versionamento de código.
Eu já vi muita gente perder sobre os sois inteiras porque não sabia a versãoal código.
Então eles não tinham controle de versões, aí ela aconteceu um banho ali, um erro que iria para o todo a solução.
Pereu tudo.
Então o pra tive que ter importante o conhecimento também, de como é que funciona, que é um pouco importante, a gente acha que ele ia agrobar nossos emprego, a gente vai acabar com a gente, mas a gente vê que ela depende muito da gente ainda.
Ela funciona muito bem para soluções rápidas.
Então como eu disse antes, ali no code, ali no code, eles são muito bons para MVP-S, então para produtos minimamente, sabe? Product, Minimum, Verbal products, produtos minimamente minha, é nada que eu não perdi.
MVP-S é Minimum, Verbal products.
Product, Minimum, Verbal.
É.
Isso.
Agora, vê.
Isso é exatamente.
Então o pra do no code é muito bom, porque funciona com uma solução rápida.
Então para a gente já vê funcionando na solução, ela não está ainda perfeita para quem não sabe quanto vai descalonar, que também é.
Então é uma solução só para aquele dado contexto.
O que é o problema às vezes é o cliente, porque o cliente acha que a gente codou super rápido e já está funcionando, já está perfeito, não é assim, demora do cliente do processo para esse governo, mas funciona muito bem para MVP-S, principalmente eu visto que os alunos de Infeito é incrível.
Então, de que interés interessante para buscar essas informações tem ele, uma civiliza de inteligência artificial também, tem diversão edicórtero, que é muito importante.
A IBM também trouxe aqui com a gente, um link, o IBM's, que é o build, que eu recomendo fortíssimo.
Então para quem tem interesse, entender um pouco mais de dar os primeiros passos ali para começar a entender como é que funciona, porque por mais que a gente consiga solções incríveis ali investigando para a edicócia artificial, como eu disse, quanto mais o conhecimento você tiver na área, quanto mais você entender das ferramentas, melhor os resultados.
Esse vai ser o diferencial daqui para frente também, né? Então, se vocês puderem acessar aqui, já aproveitem a cesse em silêncio, né? Que a gente esponhe por isso para vocês.
Aqui eu vou passar, né? Então, vocês apatizem-se em que vocês vão fazer um cadá super rápido.
Ele é de graça, não tem nenhuma cobrança, né? Os planos de afirgidizados em é só você dar em matricular.
E aí, fazer a primeira atividade.
Se vocês já fizeram a primeira atividade ali, os escritos que estão acessando aqui pela live já recebem-se educado com horas adicionais, né? Então, vocês vão ter acesso a licença da IPM Cloud, aí por um ano também.
Então, receberam por ineio orientações para fatalezarem, se vocês fataleam menos uma das trilhas, né? Eu preciso receber as organizações para receber licença da IPM Cloud, preciso entrar também com ineio da universidade, tá? E além disso, pessoas que vão ficar das track, né, que vão entrar, a gente vai poder ter acesso a elas, e a gente vai poder fazer ações adicionais com vocês.
Então, como ativações, prindes também, oposidades de estar de diverão, racatons, etc.
Então, a gente consegue haver acesso a vocês a ter mais ativações, aí trazer mais conteúdo, porque aqui é uma ordinha, né, a gente pode falar muito mais sobre o que você só assume, sei que vocês também.
É nada para não ser isso que eu vou deixar mais algum recado? Eu acho que a gente pode seguir para algumas perguntas, né? Diego, eu quero te agradecer.
Tenho certeza que você que está acompanhando aí a fala do Diego, vai usar a IPA a partir de amanhã de um modo diferente, né? Sabendo um pouco mais as estratégias para fazer pesquisas efetivas e otimizar o dia a dia.
Obrigada, Diego.
Bom, a partir da apresentação da Renata e do Diego, a gente.
.
.
Eu tenho algumas perguntas, algumas questões para iniciar a nossa roda de conversa.
A minha primeira pergunta é para a Renata.
Renata.
Aí, ela está criando novas profissões ou apenas está transformando as já existentes.
Se vocês puderem responder a partir de agora um pouco mais breves de modo coeso, a gente agradece por conta do tempo também, tá bom? Muito obrigada.
Boa.
Tá bom, Carla, obrigada pela pergunta.
Eu acho que também você é bem direta, né? Eu acho que ambas as duas opções estão corretas, né? Então a gente vê ali um Black and Norm de Novas Profissões, seja.
.
.
Tudo isso que o bastante co-direcou com o mentor ali na fala dele, então, porque ele mostrou esses cursos também, porque a gente está precisando de engenheiros de prąpito.
Isso é.
.
.
Está inevitável e não é só para a área de desenvolvimento, né? É saber fazer um prąpito correto em todas as áreas e o futuro vai ser diferente.
Vocês vão ter um apoio, porque é uma profissão que está em grande demanda.
Outro ponto bem importante de uma profissão bem relevante também, que está aqui a questão da aéitica, né? Buscar por mais ferramentas, principalmente para desenvolvedores, né? Buscar mais ferramentas que busquem nejosificativas e uma segurança, uma.
.
.
uma.
.
.
confiabilidade melhor desses modelos, tá? Tem muita alucinação, tem muita vulnerabilidade que não está sendo atendida.
Então, isso é ainda em grande.
.
.
Escala está uma demanda grande, também falam um pouquinho da nossa área, cientistas de dados, Machine Learning também, é uma área que está em alta, né? E sobre as profissões, eu tenho só um recado, né? Eu acho que ela vai substituir que ela tarefa repetitiva, como eu falei antes, né? O que é repetitiva ela prende bem rápido? Agora, quando ela não consegue ser tão criativa, então, no momento que a gente der, passa para ir, a fazer as nossas tarefas repetitivas, a gente consegue ter um olhar criativo e mais estratégico de outras formas de realizar o nosso dia a dia.
Então, se atualizem, façam um resquiling, a gente tem.
.
.
tem uma onda bem forte ali de resquiling, vamos se redaptar, fazendo os cursos, se atualizando, porque ela não vai.
.
.
as pessoas não vão perder seus lugares, se elas suberem usar e tirar proveito desse momento, tá bom? E era isso.
Renata, durante a sua fala, você disse também que aí tem alucinações, né? Eu achei muito interessante.
Depois de essas alucinações, elas podem comprometer a confiabilidade da inteligência artificial entre profissões regulamentadas, também reguladas, como, por exemplo, a metrina, o direito, a engenharia.
Sim, bom ponto, Carla, esse eleite pergunta, é bem importante isso.
Quando a gente fala em alucinação, é uma resposta encorreta, ou uma resposta que não faz sentido.
E se a pessoa que, se o especialista não tiver um humano no loop e aí que a gente fala muito, não tiver ali pra avalhar os resultados, eu digo, avalhar os resultados do início e meio, enfim, né? O início é dar um forno, esse é um própito correto, no meio ali as entrelinhas, entendendo nas meandros, né? Como é que aconteceu? E no final, avalhar esse resultado, o resposta pode ser encorreta, imagine a metrina em um diagnóstico, um diagnóstico em correto, pode causar muitos anos ao paciente.
Quem é que é o responsável por isso? É o médico? É, é, é, isso ainda.
.
.
A gente tem uma PL 2, 3, 3, 8 rodando ali no Brasil pra ter essa tipo de regulamentação, ainda não se tem uma pessoa responsável, não dá pra culpa a ir.
Pra, provavelmente, nesse momento, vai ser a pessoa que pegou a informação, né? O profissional que pegou a informação em passou, então, ele tem que ter a capacidade de avalhar e identificar quando aquela informação tá correto, não.
Um especialista, então, é, isso ainda tá muito longe de ser substituído.
Renato, queria saber de você se a engenharia de prótia ela é uma habilidade exclusiva de programadores.
Foi Diego, agora, eu estou chamando Diego de Renato, desculpa, Diego.
Obrigada, cacar.
Não, na verdade, não, né? E Geridi, de prótia, então, é, basicamente, estou com a comunicação clara, estruturada, né? E nisso, jornalista, professores, adipogados, design, gestores, né? Todos já têm experiência nisso.
Então, quem escreve briefing, né, gregante, roteiro e meio técnico, ato de reunião, já meio que, praticamente, o trabalho de um bom prótia.
E como eu disse, ele é uma suburbicote, né? Proficionais podem montar sistemas inteiros apenas com linguagem natural, né? Coletando yapa, dígia, fluxo de trabalho.
E até, ferramenta corporativa sem escrever uma única nitpótica.
Tá.
E na prática, nós vemos variação de respostas até mesmo com os promptes iguais, em alguns casos, alucinações, né? Do ponto de vista de vocês, quais técnicas realmente funcionam para padrionizar o comportamento do modelo e reduzir as alucinações? Difícil perguntar.
Posa.
Já pedora.
É, uma das partes ali que eu trouxe de também, né? Acerra depende de tão de, para mostrar, né? A temperatura.
A minha vivida isso fronte, né? Conteço incompleto, falta de um coragem em fontes.
Então, às vezes mudança de versão do modelo, né? Então, às vezes, a gente está.
.
.
Eu viajo isso tendo casos de bagcoldo, né? Então, às vezes, a gente está desenvolvendo uma solução larga e que a pouco modelo mudou e já a solução não vai ser mais a mesma, né? Então, é interessante especificar a benetarefa, bem um escopo, né? O que fazer, o que não fazer, o que ele deve fazer quando ele não encontrar informação, né? Então, a gente precisa fazer isso, né? Defina bem a pessoa na público-tom, padronize bem o formato de saída, né? Forneça exemplos, os aperciusados como âncoras, né? Então, quanto mais a gente estava ao contexto e citar fontes, né? Melhor vai ser resposta, né? E, muito quanto importante, é sempre minimizar o máximo possível de estarefas, então, assim, este mínimo necessário, que, né, for assim, o mínimo necessário para que a solução responsa, né? Precisa, né? Não deixa ele fazer uma solução completa para te saber, apenas o mínimo necessário para te dar aí a partir disso, tu evoluindo, sabe? Tu está escalando.
Tá.
Obrigado, eu te fiz.
Eu pô, depois não, Renata.
Só fazer eu comentário e mostrar um exemplo do que o Diego falou.
É um exemplo bem clássico que eu estava já aconteceu com me, nesse de, o que tem que fazer, o que não tem que fazer, foi quando eu estava entrando com uma série de perguntas, assim, que eu precisei um prompt, né? Na verdade, eu queria que ele só me traduzisse as perguntas, mas nada.
Aí, do nada, ele começou a traduzir lá no meio, como só me responder.
Eu digo, não, só tradusa.
Eu tive que ser bem direta, então, às vezes, a gente tem que ser bem direto mesmo, porque tu nada começa a lucinar e não fazer o que a gente pede.
Então, é bem isso, eu sabia escrever de forma correta, pronta, porque, do lado meio, ele vai ter algum problema, que ele vai estar.
Começa a parar de seguir o que estava fazendo.
Recado, notado.
Bom, a gente pediu e tem participação do pessoal que está nos acompanhando.
A primeira pergunta é do usuário Arctem-Arctem-Más.
Ele pergunta.
O que poderia um dizer sobre a lei recente que proibi celulares nas escolas, sendo que ia seria uma evolução da aprendizagem? Pergunto para vocês.
Eu posso começar também, tá? Eu acho que eu só ainda, um pouquinho, dá o pneu clássica.
Eu acho que a escola tem que existir, ela tem que ter o método ainda a classe e citar, mas a gente tem que saber usar a inteligência artificial de forma a adaptar a ela e de forma produtiva, né? Então, se a gente deixar tudo muito pronta nas escolas, eles não vão desenvolver raciocínio crítico muito menos o criativo.
Então, a gente tem que.
.
.
Existem netiplinas que vão trabalhar uma informática que vão te deixar utilizar ali na sala de aula, mas agora o celular, toda hora usando ele, a gente não vai abrir nossas mentes, a gente não vai ser tão criativo, porque tem uma questão também do professor dos Estados Unidos que eu ouvi que a gente tem que saber isso aí, mas se aí é a.
.
.
Assim, a gente vai fazer uma prova e essa questão que a gente pede pro alumno responder e a consegue responder, não é uma questão certa, a gente tem que conseguir algo que ela não consegue.
Então, o seu alumno aprendeu muito também com a IA, ele vai acabar, se veamos que pergunta fora do contexto, como é que ele vai fazer para responder.
E ele tem que saber também a valhar de forma crítica, tá? Então, esse é um dos meus pontos, é, eu vou passar aí pro Diego também.
Não importa o que eu posso dizer, é que, para o mais que meus alunos ali, eles têm acesso a computador, né? Eu, às vezes, muitas vezes, ainda nas aulas, a gente acaba às vezes lhe pitando ele, você é usado, dele alguns momentos que eu pedia para todos eles fechar o computador e prestar a atenção do que eu estou falando na aula, né? Para eles entender e com o texto.
E aí, então, ok, eu tenho um momento que eu deixo, eles usarem computador, podem usar, tem vez que eu deixo usar o chat-tpdm, não terminai, mas assim, o ideal é sempre trapar em aula o que eu estava trazendo ali, né? Para praticar mais a parte analítica a tua, né? Entendeu o contexto, entendeu o assunto, sabe? Para você não chegar e fazer perguntas genéricas e, às vezes, pegar uma resposta que você nem sabe o que está acontecendo ali.
Então, é uma caixa preta, né? Eu acho que é interessante entender o contexto e, para mim, ainda, eu sou da Renata, eu prefiro, prefiro a gente dessa de aula para esses momentos e aí, depois em casa, se quiser praticar, um tipo de.
.
.
Tá certo.
Gente, tem mais uma pergunta aqui do Thiago Ribeiro, ele pergunta, quais os procedimentos de segurança, se um ia se corromper e começar a danificar outros programas? Eu acho que isso vai um pouco no ponto do que eu falei anteriormente sobre as questões de vulnerabilidade, né? A gente tem toda essa questão de confiabilidade que vem dentro atrás de uma.
.
.
de uma PL, quando eu falo PL, pra ir tramitando no governo 2338, que é a questão de a gente ter uma auditoria dos modelos, né? Então, isso é altamente.
.
.
É um risco, a gente tem diferentes níveis de risco, tanto se a gente vai usar um modelo de apra-medicina, se a gente vai usar um modelo de apra-gerar um outro programa, então, ali, dependendo desse programa ser informar a arreamética, é alto risco, então tem diferentes níveis que esses modelos precisam passar por uma auditoria, porque atualmente ninguém é responsável, a gente está no mundo que não se tem culpado nisso, é a mesma questão de eu programar uma ia pra andar na chuva, pra andar num dia insolarados com uma estrada limpa sem pedestre, da que, há pouco, vem uma imagem que não passou no meu treinamento, que é um dia de chuvoso, tem pessoas andando a rua e ela.
.
.
O meu carro autônomo atropela a pessoa na rua, porque não foi treinado em cenários de chuva.
Quem é que é o responsável por isso? É a mesma questão.
Atualmente, não temos.
.
.
Começou ainda na União Europeia ter já umas regulamentações esse sentido, mas eu acredito que muito previmento que nós vamos ter, a auditoria.
.
.
Assim, já é uma realidade, tem empresas que já estão exigindo a auditoria dos modelos, não sair sem essa auditoria, ou seja, vai ter um crivo muito mais acima, tem muitos trabalhos e feitos ali, para que esses modelos não chegam nesse grau de vulnerabilidade.
A próxima pergunta do Iago Sigoli, o mercado de trabalho está exigindo hoje mais o uso de IA atuais ou para criar modelos.
Pode ser de erro relógico, quem sente mais.
.
.
Acho que ambos, acho que tem um tempo para os anos.
.
.
Aituais, o que seria aituais? A questão desse bagcô, de ser algo assim, não ou couve? Porque eu sou muito assim, e são soluções completas.
Eu vejo que o pessoal exige bastante dos meus alunos.
Eu vejo que, pro mesmo dos meus alunos, exigem muito conhecimento e conhecimento completo.
Eles querem que você saiba desde como funciona o algoritmo, como estrutural banco de dados, implementar isso numa empresa.
Então, eu varia muito.
Então, a gente tem oportunidades, acho que, para todos.
E essas novas questões de do bagcô, eu acho que é muito recente, hein? Mas tem a verga, tem que.
.
.
Os empresários têm ficados com os olhos bem, que é nasciosos em cima desse tipo de público, que não é esse conhecimento.
Agora, a nossa última pergunta vai renata para você essa.
Como garantir a veracidade das informações fornecidas pela IA? É possível, garantir? Essa pergunta é para fechar de ouro, né? Não é uma resposta que eu vou ter sem a garantia veracidade.
A gente tem estudos que buscam garantir essa veracidade.
Não é algo ainda que está.
.
.
Que a gente consegue 100% detectar.
Então, é difícil quando a gente pega um texto, seja um trabalho de um aluno, a gente não sabe se gerou da IA, muitas vezes a gente não consegue descer plage, porque antes a gente tinha os textos e podia buscar na internet textos exatamente iguais que eu com um copeteixe, atualmente não, a IA vai gerando isso, não é plástico, ela vai gerando e ela vai criando coisas novas, e é muito difícil a gente saber botar a situação da GPT, geminais, a gente não tem como fazer o que tem, a gente bita os espédios para ir a nos passar referência, mas também não funciona, né? Como o próprio Diego comentou antes, ele busca e não vai no contexto indicado.
Então, a veracidade é outro ponto que eu acho que ainda vai centralitar na regulamentação junto, que vão se tentar por meio de alguns, usando a IA e identificar.
Eu acho que essa é a forma, mas assim, a dúvida que fica, nós vamos usar outra IA para acreditar que é uma veracidade ou não.
Então, ainda uma pergunta iria aberta mesmo.
Tá certo.
Bom, Renata, Diego, muito obrigada pela presença e pela aula que vocês deram aqui para a gente.
E eu agradeço também ao Instituto El Dorado.
Aproveita para destacar que a Universo que o Instituto El Dorado possui em termo de cooperação técnica, voltava a oferta de capacitação de estudantes em ações que fazem parte da frente, denominada, rede de parcerias da iniciativa TIC entrelias.
O projeto disponibiliza cursos online em diversas áreas de tecnologia, obrigada a todos que participaram.
Lembrando que todo conteúdo da Universo pode ser acompanhado não só pela TV, mas também pelo nosso canal no YouTube e pelo nosso aplicativo, o Universo Play, como vocês podem ver, que passou agora ali na tela.
Siga o nosso superfíz no Instagram, o Arroba Universo TV Oficial e Arroba Universo Oficial.
Eu agradeço a sua participação e até a próxima.
Tchau.