Gen AI 0-100: do básico às ferramentas do Google Cloud

1. Introdução ao GenAI: Existem muitos cursos sobre IA generativa. Passei muito tempo examinando muitos deles porque queria ter certeza de que, neste curso, eu forneceria todos os fundamentos de que você precisa para entender completamente o que é a IA generativa Além disso, vou dar alguns exemplos práticos, algumas demonstrações práticas de diferentes ferramentas que usam IA generativa que podem ajudá-lo hoje Sou o professor Reza e ensino tópicos sobre ciência da computação e inteligência artificial para estudantes de graduação e Também tenho milhares de estudantes on-line. Eu fiz pesquisas sobre IA e colaborei com institutos de prestígio como o MIT Media Lab, a Carnegie Mellon University, a Harvard University e a University of California San e E os resultados desses trabalhos foram publicados em locais como Springer Nature e Vou usar toda essa experiência e tudo o mais que aprendi em todos esses momentos para que você saiba como você pode entender a transformação da IA tradicional para a IA geral. Este curso é dividido em cinco seções diferentes. Na primeira seção, abordaremos inteligência artificial tradicional. Vamos dar uma definição do que é inteligência artificial. Também abordamos o que é aprendizado de máquina e discutimos diferentes tipos de aprendizado de máquina, incluindo aprendizado não supervisionado, aprendizado supervisionado e aprendizado por reforço, e também discutiremos o aprendizado profundo e a diferença entre aprendizado profundo discriminativo e aprendizado profundo generativo incluindo aprendizado não supervisionado, aprendizado supervisionado e aprendizado por reforço, e também discutiremos o aprendizado profundo e a diferença entre aprendizado profundo discriminativo e aprendizado profundo generativo. Na segunda seção, discutiremos como distinguir entre IA generativa e aprendizado de máquina tradicional Em seguida, falaremos sobre IA generativa e forneceremos alguns exemplos de IA generativa Discutiremos o que são transformadores e como eles mudam o jogo na inteligência artificial Também abordaremos tópicos como engenharia rápida e modelos de fundação. Em seguida, discutiremos os diferentes tipos de IA generativa e nesta seção , alguns exemplos de geração de código usando a IA Na seção três, discutiremos grandes modelos de linguagem. Forneceremos uma introdução a eles e também forneceremos uma comparação entre LLM e IA generativa, e também discutiremos os benefícios dos Na seção quatro, falaremos sobre os diferentes tipos de ferramentas que o Google Cloud nos fornece para que possamos usar a IA generativa em nossos próprios projetos Na última seção, fornecerei uma demonstração de como criá-los usando IA generativa sem escrever uma única linha de código Então, se você está empolgado em aprender o que é IA generativa e como você pode usá-la em sua vida diária, vamos começar 2. L1V1: IA tradicional: Neste vídeo, fornecemos uma introdução à inteligência artificial tradicional. A inteligência artificial é uma disciplina como física ou química. É um ramo da ciência da computação que lida com a criação de agentes inteligentes, que são sistemas que podem raciocinar, aprender e agir de forma autônoma De uma forma mais formal, IA é a teoria e o desenvolvimento de sistemas computacionais capazes de realizar tarefas que normalmente requerem inteligência humana. Um dos subcampos da IA é o aprendizado de máquina. O aprendizado de máquina é um programa ou sistema que treina o modelo a partir dos dados de entrada. Esse modelo treinado pode fazer previsões úteis a partir de dados novos ou nunca antes vistos, extraídos do mesmo usado para treinar o modelo aprendizado de máquina dá aos computadores a capacidade de aprender sem programação explícita Outro subcampo da IA é o aprendizado profundo. O aprendizado profundo é um tipo de aprendizado de máquina que usa rede neural artificial. As redes neurais artificiais são inspiradas na estrutura do cérebro humano e podem ser usadas para processar padrões complexos que os algoritmos tradicionais de aprendizado de máquina não conseguem. Discutiremos o aprendizado de máquina e aprendizado profundo em mais detalhes posteriormente nesta seção. Mas antes disso, vamos dar uma visão geral da IA. O restante deste vídeo está estruturado da seguinte forma. Primeiro, forneceremos um exemplo real do uso da inteligência artificial. Em seguida, forneceremos um breve histórico da IA. Em seguida, tentaremos entender o que é inteligência artificial e, em seguida, abordaremos diferentes tipos de IA, diferentes aplicações de IA e também discutiremos como será o futuro da IA. Quando falamos sobre a IA facilitando nossas vidas, casas inteligentes são um ótimo lugar para começar. Veja como funciona. Em uma casa inteligente, temos eletrodomésticos e sensores ativados por voz. Eles são como seu próprio assistente pessoal ajustando a luz e o ar condicionado para combinar com o clima lá fora Depois, há o sistema de segurança. Está sempre atento, detectando qualquer movimento incomum do lado de fora e alertando Aqui está a parte muito legal. Todos esses aparelhos conversam entre si. Eles estão conectados e podem até se comunicar com seu carro. Por exemplo, abrindo a porta da garagem ao entrar na garagem e, ainda por cima, você pode gerenciar todos esses aparelhos partir do telefone onde quer que esteja Há muita coisa que a IA pode fazer por nós. Mas antes de nos distrairmos com os aplicativos, vamos dar um passo atrás agora e mergulhar em como a inteligência artificial surgiu Aqui está um cronograma da inteligência artificial. Em 1950, Alan Turing criou o teste de turismo, um teste da capacidade de uma máquina de exibir um comportamento inteligente equivalente ou distinguível do de Em 1956, John McCarthy cunhou o termo inteligência artificial e organizou o Projeto de Pesquisa de Verão de Dartmouth Inteligência Artificial, a primeira conferência sobre IA Projeto de Pesquisa de Verão de Dartmouth sobre Inteligência Artificial, a primeira conferência sobre IA. Em 1969, o Shake the Robot foi construído, o primeiro robô móvel de uso geral. Embora simples para os padrões atuais, Shake marcou um marco no desenvolvimento da IA ao demonstrar a capacidade de processar dados e realizar tarefas com um propósito Em 1997, o Deep Blue derrotou o campeão mundial de xadrez Gary Kasparov A primeira vez que um computador venceu um humano em um jogo complexo A vitória do Deep Blue foi um grande avanço para a IA, demonstrando a capacidade dos computadores de aprender e se Em 2002, foi lançado o primeiro aspirador robótico comercialmente bem-sucedido E na década de 2005-2015, vimos o desenvolvimento de várias novas tecnologias de IA, incluindo reconhecimento de fala, automação de processos robóticos ou RPAs, robôs dançantes, casas inteligentes e Em 2016, o AlphaGo, um programa de computador desenvolvido pelo Google Deep Mind, derrotou o campeão mundial de Go Lee Sidle A vitória do Alpha Go foi um marco importante para a IA, demonstrando a capacidade dos computadores de dominar jogos estratégicos complexos Em 2017, a tecnologia de transformadores foi introduzida em um artigo chamado Attention Is All You Need A tecnologia Transformer agora é amplamente usada em tarefas de processamento de linguagem natural, como tradução automática e resumo de texto Em 2020, foi lançado o GPT three, um grande modelo de linguagem desenvolvido pela OpenAI GPT three é capaz de gerar texto de qualidade humana, traduzir idiomas e escrever diferentes tipos de conteúdo criativo E, finalmente, em 2023, as ferramentas de IA do Google Cloud Gen são lançadas, fornecendo um conjunto de ferramentas para os desenvolvedores criarem e implantarem aplicativos de IA. No mesmo ano, foi lançado o Bart, um grande modelo de linguagem desenvolvido um grande modelo de linguagem desenvolvido pelo Google AI A arte é capaz de responder suas perguntas de forma informativa, mesmo que sejam abertas, desafiadoras ou Esta é apenas uma breve visão geral da história da IA. A IA é um campo em rápido desenvolvimento e novos avanços estão sendo feitos o tempo todo. Será interessante ver o que o futuro da IA reserva. Fizemos uma jornada silenciosa com inteligência artificial. A partir da década de 1950 com os testes inovadores de Turing, o termo inteligência artificial foi cunhado em 1956 e uma nova e uma Ao longo dos anos, testemunhamos marcos como a criação do nosso primeiro robô móvel de uso geral, Shaki Em 1997, os computadores estavam derrotando os campeões de xadrez, e agora aqui estamos em 2023, testemunhando modelos de linguagem altamente sofisticados como GPT É um pouco como a revolução computacional dos anos 80, mas desta vez, tudo gira em torno da IA Dominar essas ferramentas novas e poderosas está se tornando mais crucial à medida que o ritmo dos avanços na IA O potencial é imenso, assim como era para aqueles vistos de computador nos Então, prepare-se para esta emocionante jornada pela frente. Não se trata apenas de observar o que o futuro da IA trará, mas de fazer parte da construção desse futuro por nós mesmos Entendendo a inteligência artificial. A IA é um ramo da ciência da computação que cria máquinas inteligentes capazes de realizar tarefas semelhantes às humanas , como reconhecimento de fala, identificação de objetos, aprendizado, planejamento e resolução de problemas. Lembra do computador que superou o campeão de xadrez ou aquele que controla as luzes de sua casa Isso é a IA resolvendo problemas, assim como nós fazemos. Nosso entendimento atual da IA é amplamente baseado em como ela interage conosco e como ela se compara às capacidades humanas Coisas como reconhecimento de fala e detecção de objetos são importantes na IA atualmente. É sobre a capacidade de absorver informações, aprender com elas e usá-las para planejar e realizar tarefas futuras. Atividades muito parecidas com as humanas. Isso, em certo sentido, é a magia da IA. Para entender a IA corretamente, precisamos entender três conceitos, diferentes tipos de IA, diferentes aplicações de IA e diferentes possibilidades para o futuro da IA. Agora, vamos começar com diferentes tipos de IA. Há muitos tipos diferentes de IA, mas eles podem ser amplamente classificados em quatro categorias diferentes O primeiro é a IA reativa. Os sistemas de IA reativos só podem responder ao estado atual do mundo. Eles não têm nenhuma memória ou eventos passados e não podem planejar o futuro. Um exemplo disso é um robô jogador de xadrez que segue apenas um conjunto de instruções lógicas e reage adequadamente com base no movimento do oponente O segundo tipo de IA é a IA de memória limitada. Esses sistemas podem lembrar eventos passados e usar essas informações para tomar decisões. No entanto, eles não conseguem raciocinar sobre o futuro ou entender as intenções de outros agentes. Um exemplo disso pode ser um aplicativo de MPs que sugere lugares para comer com base em suas visitas anteriores O terceiro tipo de inteligência artificial é a IA da teoria da mente. Esses sistemas podem entender os pensamentos e intenções de outros agentes. Isso permite que eles cooperem com outros agentes e alcancem metas que seriam impossíveis para um único agente Uma maneira pela qual a IA da teoria da mente pode revolucionar a maneira como interagimos com máquinas é criando robôs capazes de fornecer companhia e apoio a pessoas solitárias ou isoladas ou por meio assistência virtual capaz de entender nossas necessidades e nos fornecer as informações e assistência de que nossas necessidades e nos fornecer as informações e as informações e O quarto tipo de IA é a IA autoconsciente. IA autoconsciente é um tipo hipotético de IA que seria consciente e teria suas próprias experiências subjetivas Suponha que tenhamos uma assistente pessoal de robô chamada Eve. Se Eve fosse uma IA autoconsciente, ela não seguiria apenas instruções pré-programadas ou reagiria aos nossos comandos Em vez disso, ela entenderia sua própria existência e teria seus próprios sentimentos e pensamentos. Por exemplo, se pedirmos a Eve que busque um livro na biblioteca, uma IA normal calcularia o caminho mais curto e pegaria o No entanto, uma IA autoconsciente como Eve pode pensar se é um bom dia para caminhar ou ponderar se ela muitos livros ultimamente e sugerir um livro eletrônico em vez É importante observar que esse tipo de IA autoconsciente é puramente hipotético neste momento Alguns pesquisadores acreditam que é uma possibilidade futura que vale a pena explorar. Agora, vamos nos aprofundar nas aplicações da IA. A inteligência artificial não se trata apenas de imitar as capacidades humanas, mas também de aumentar nossas habilidades e aumentar a eficiência Do transporte à assistência médica, dos serviços financeiros ao atendimento ao cliente e da educação ao entretenimento, o potencial da IA parece ser ilimitado Aqui estão alguns exemplos de como a IA está sendo usada atualmente. Carros autônomos. A IA está revolucionando a forma como viajamos. Ele está alimentando carros autônomos que podem navegar pelas estradas e evitar obstáculos de forma autônoma, levando a estradas mais seguras Diagnóstico médico. Na área da saúde, IA está avançando no diagnóstico de doenças, muitas vezes superando os médicos humanos Ao analisar grandes quantidades de dados médicos, ele ajuda a identificar padrões e tendências que ajudam os médicos a tomar decisões mais informadas. Detecção bancária e de fraudes. A IA amadureceu significativamente no setor bancário na última meia década, desde a previsão de transações potencialmente fraudulentas até a determinação da elegibilidade de empréstimos com base em vários fatores IA desempenha um papel fundamental Atendimento ao cliente e suporte on-line. Imagine uma empresa como a HP gerenciando mais de 70.000 páginas de ajuda em 17 idiomas IA intervém aqui, automatizando o suporte ao cliente e fornecendo serviço 24 horas por dia, reduzindo significativamente o custo e aumentando Educação. No campo da educação, IA está possibilitando experiências de aprendizado personalizadas, adaptando-se às necessidades individuais de cada aluno e promovendo um processo de aprendizado mais eficaz Entretenimento. Nossa assistência virtual, como Siri, Cortana, Alexa e Google , é toda alimentada por IA Com seus recursos de reconhecimento de voz, eles são como ter uma secretária pessoal sob seu comando e segurança cibernética No domínio digital, IA é nossa vigia Com seus algoritmos de aprendizado de máquina e ampla análise de dados, ele detecta anomalias e responde a ameaças, fortalecendo nossa medida fortalecendo Você pode ver que a IA se interligou em todas as facetas de nossas vidas, aprimorando nossas capacidades e remodelando nossos cenários comerciais e remodelando nossos cenários comerciais As possibilidades são imensas e continuam se expandindo a cada dia que passa. Agora vamos falar sobre o futuro da IA. Quando pensamos no futuro da IA, é realmente muito fascinante. Estamos à beira de uma época carros autônomos podem ser a norma Imagine ter robôs em casa nos ajudando com tarefas que vão desde fazer café até coisas mais complicadas. Também estamos vendo o surgimento de cidades inteligentes em que IA executa tudo, desde nossos telefones até eletrodomésticos. Além disso, os robôs estão se preparando para realizar trabalhos de alto risco, como difusor de bombas, por exemplo À medida que a IA continua se desenvolvendo, é provável que tenha um impacto ainda maior em nosso mundo. Então, com base em tudo isso, algumas possíveis aplicações da IA no futuro podem incluir transporte automatizado. Imagine um mundo em que a IA faça todo o trabalho por nós. Estamos nos aproximando de uma realidade em que carros autônomos são uma forma padrão de se locomover. No entanto, não se trata apenas de carros. Estamos falando de drones automatizados, entregando nossos pacotes, trens movidos por IA, garantindo transporte preciso e oportuno e até mesmo barcos e aviões autônomos. Tudo isso visa tornar nossa jornada mais segura e eficiente, reduzindo o erro humano. É uma grande mudança que pode redefinir a forma como pensamos sobre transporte medicina personalizada e a IA podem ser úteis para analisar grandes quantidades de dados médicos para identificar padrões e tendências que podem ajudar os médicos a diagnosticar e tratar doenças com mais eficácia Por exemplo, a IA pode ser usada para desenvolver tratamentos personalizados contra o câncer, adaptados à composição genética específica de cada paciente. Assistência virtual. A assistência virtual baseada em IA pode nos ajudar com uma variedade de tarefas, como agendar compromissos, fazer planos de viagem e gerenciar nossas finanças assistência virtual também pode nos fornecer informações e entretenimento, e pode até ser usada para controlar nossos dispositivos domésticos inteligentes. E por falar nas próprias casas inteligentes, IA pode ser usada para tornar nossas casas mais confortáveis, eficientes e seguras. Por exemplo, a IA pode ser usada para controlar nossos termostatos, luzes e outros aparelhos E também pode ser usado para monitorar nossas casas em busca de ameaças à segurança. E por último, mas não menos importante inteligência geral artificial ou AGI AGI é um tipo hipotético de IA que seria tão inteligente quanto um ser AGI poderia potencialmente resolver alguns dos problemas mais urgentes do mundo , como mudanças climáticas e pobreza No entanto, a AGI também levanta algumas questões éticas, como o potencial da IA se tornar autoconsciente e desenvolver seus próprios objetivos e desejos A IA é uma tecnologia poderosa com o potencial de revolucionar muitos aspectos de nossas vidas É importante estar ciente dos benefícios e riscos potenciais da IA e usá-la com responsabilidade Espero que você tenha gostado dessa breve explicação sobre IA. No próximo vídeo, veremos mais detalhadamente o aprendizado de máquina. 3. L1V2: aprendizagem de máquina: O que é aprendizado de máquina? Neste vídeo, abordaremos os conceitos básicos do aprendizado de máquina Especificamente, vamos começar com uma definição do que é aprendizado de máquina. Em seguida, fornecemos uma comparação entre inteligência artificial, aprendizado de máquina e aprendizado profundo. Em seguida, discutimos como o aprendizado de máquina funciona. Falamos sobre diferentes tipos de aprendizado de máquina, aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço e Falamos sobre os pré-requisitos do aprendizado de máquina e, ao final, fornecemos alguns exemplos de aplicações do aprendizado de Então, o que é aprendizado de máquina? aprendizado de máquina trabalha no desenvolvimento de programas de computador que podem acessar dados e usá-los para aprender e melhorar automaticamente com a experiência. Isso permite que o aprendizado de máquina nos ajude a realizar tarefas complexas, como impressão em três D de casas inteiras. Ao usar algoritmos e grandes conjuntos de dados, aprendizado de máquina pode automatizar o projeto e o planejamento, ajudando a enfrentar desafios de construção, como integridade estrutural e eficiência de materiais Também pode personalizar projetos com base nas condições ambientais. Ele pode ajudar a reduzir custos e tempo e, ao mesmo tempo, aumentar precisão e tem o potencial transformar a indústria da construção. Como outro exemplo, considere nossa assistência pessoal, como Siri, Google Assistant ou Amazon Echo Todos eles usam o poder do aprendizado de máquina para nos ajudar em nossas tarefas diárias, como tocar nossa música favorita ou pedir comida, controlar nossos eletrodomésticos por voz ou solicitar direitos da Uber e muito mais Como dissemos antes, a inteligência artificial é uma técnica que permite que as máquinas imitem o comportamento humano Isso é fundamental porque é como descobrimos se nossos cálculos e trabalhos estão no caminho certo, vendo se eles podem imitar o comportamento humano Estamos usando essa abordagem para assumir parte do trabalho que os humanos fazem com o objetivo de tornar as coisas mais eficientes, simplificadas e precisas A IA é um campo amplo que abrange muitas tecnologias diferentes. Alguns exemplos de inteligência artificial incluem IBM, xadrez Deep Blue, personagens de jogos eletrônicos e carros autônomos. Esses são apenas alguns exemplos de muitas maneiras pelas quais a inteligência artificial está sendo usada atualmente. O aprendizado de máquina é uma técnica que usa métodos estatísticos para permitir que as máquinas aprendam com seus dados anteriores. Isso significa que as máquinas podem usar entradas e respostas passadas para ajudá-las a fazer melhores suposições em tentativas futuras. algoritmo de pesquisa do Google e os filtros de spam por e-mail são exemplos de aplicações de aprendizado de máquina. E então temos o aprendizado profundo, que é um subconjunto do aprendizado de máquina Usa algoritmos para permitir que os modelos se treinem e executem tarefas. AlphaGo e o reconhecimento natural de fala são dois exemplos de aprendizado profundo O aprendizado profundo é frequentemente associado redes neurais, que são um tipo de modelo de caixa preta. Como modelo de caixa preta, é difícil para os humanos acompanhar como os modelos de aprendizado profundo fazem suas previsões No entanto, os modelos de aprendizado profundo ainda podem ser muito eficazes na execução de tarefas. Mais tarde, mergulharemos mais profundamente no mundo do aprendizado profundo. Agora vamos ver como o aprendizado de máquina funciona. Para entender como o aprendizado de máquina funciona, vamos dar uma olhada no diagrama a seguir. Na primeira etapa, começamos treinando nossos dados. Em seguida, inserimos os dados treinados em um algoritmo de aprendizado de máquina para processamento. Os dados do processo passam por outro algoritmo de aprendizado de máquina. E agora é hora de testar nosso trabalho. Trazemos alguns dados novos e os executamos por meio do mesmo algoritmo. Na próxima etapa, verificamos as previsões e os resultados Se tivermos dados de treinamento de reserva, agora é a hora de usá-los. Na próxima etapa, se a previsão não parecer correta, digamos que ela seja rejeitada, é hora de voltar atrás e retreinar o algoritmo Lembre-se de que nem sempre se trata de obter a resposta certa imediatamente. O objetivo é continuar tentando encontrar uma resposta melhor. Você pode descobrir que o resultado inicial não é o que você queria. Tudo bem. É parte do processo. E isso pode depender do campo em que você está trabalhando, seja saúde, economia, negócios, mercado de ações ou qualquer outra coisa. Os resultados podem ser muito diferentes. Portanto, precisamos experimentar o modelo e, se ele não estiver nos dando o resultado de que precisamos ou se acharmos que podemos obter resultados melhores, retreinamos nosso modelo E na etapa final, continuamos refinando e retreinando até obtermos a melhor resposta possível É assim que o aprendizado de máquina funciona. Agora, vamos analisar os diferentes tipos de aprendizado de máquina. Podemos ver que temos aprendizado supervisionado, não supervisionado e por reforço Analisaremos cada um deles, teremos uma boa ideia de quando e onde usá-los e do que se tratam. No aprendizado de máquina, usamos muitos algoritmos diferentes para lidar com problemas difíceis. Cada um se encaixa em um determinado tipo. Portanto, temos três tipos principais algoritmos de aprendizado de máquina supervisionado, aprendizado não supervisionado e aprendizado por reforço e Agora vamos ver o que cada um desses métodos de aprendizado realmente significa. aprendizado supervisionado usa dados rotulados para treinar modelos de aprendizado de máquina Dados rotulados significam que a saída já é conhecida por nós. O modelo só precisa mapear as entradas para as saídas. Um exemplo de aprendizado supervisionado pode ser treinar uma máquina que identifica imagens de animais Aqui, podemos ver um modelo treinado que identifica a imagem de um gato aprendizado não supervisionado usa dados não identificados Dados não rotulados significam que não há uma variável de saída fixa O modelo aprende com os dados, descobre padrões e características nos dados e retorna a saída Neste exemplo, nosso modelo não supervisionado usa imagens de veículos para classificar se é um ônibus ou um caminhão Assim, o modelo aprende identificando as partes de um veículo, como o comprimento e a largura do veículo, as tampas dianteira e traseira, o teto, os capôs , os tipos de rodas usadas e muitos outros recursos Com base nessas características, o modelo classifica se o veículo é um ônibus ou um caminhão E temos aprendizado por reforço. aprendizado por reforço treina a máquina para realizar ações adequadas e maximizar a recompensa em uma situação específica Ele usa um agente e um ambiente para produzir ações e recompensas. O agente tem um estado inicial e um estado final, mas pode haver partes diferentes para alcançar o estado final, como um labirinto Nessa técnica de aprendizado, não há uma variável-alvo predefinida Um exemplo de aprendizado por reforço é treinar uma máquina que pode identificar a forma de um objeto, dada uma lista de objetos diferentes, como quadrado, triângulo, retângulo ou círculo Neste exemplo, o modelo tenta prever a forma do objeto, que é um quadrado. Agora, vamos analisar diferentes algoritmos de aprendizado de máquina incluídos nessas técnicas de aprendizado. Alguns dos algoritmos de aprendizado supervisionado comumente usados regressão polinomial, florestas aleatórias, regressão linear, regressão logística, cadeia de vizinhos mais próximos, base ingênua, máquinas de vetores de suporte e árvores de decisão cadeia de vizinhos mais próximos, base ingênua, máquinas de vetores de suporte são regressão polinomial, florestas aleatórias, regressão linear, regressão logística, cadeia de vizinhos mais próximos, base ingênua, máquinas de vetores de suporte e árvores de decisão. E esses são apenas alguns exemplos de algoritmos usados para aprendizado supervisionado Há muitos outros algoritmos usados no aprendizado de máquina. Para o aprendizado não supervisionado, alguns dos algoritmos amplamente usados são agrupamento de médias K , decomposição de valores singulares, médias difusas, quadrados parciais, a priori, agrupamento hierárquico , análise de componentes principais e varredura de DBS. Da mesma forma, existem muitos outros algoritmos que podem ser usados para aprendizado não supervisionado. E alguns dos algoritmos importantes de aprendizado por reforço são Q learning, SARSA, Monte Carlo e deep Então, como dissemos, há muitos algoritmos diferentes disponíveis para nós, e escolher o algoritmo certo depende do tipo de problema que estamos tentando resolver. Agora, vamos analisar a abordagem na qual essas técnicas de aprendizado de máquina funcionam. Portanto, os métodos de aprendizado supervisionado precisam supervisão externa para treinar modelos de aprendizado de máquina e, portanto, vem o nome supervisionado Eles precisam de orientação e informações adicionais para retornar o resultado. Ele pega entradas rotuladas e as mapeia para saídas conhecidas, que significa que você já conhece a As técnicas de aprendizado não supervisionado não precisam de supervisão para treinar nenhum modelo Eles aprendem sozinhos e preveem o resultado. Eles encontram padrões e entendem as tendências nos dados para descobrir o resultado. Portanto, o modelo tenta rotular os dados com base nas características dos dados de entrada. Da mesma forma, os métodos de aprendizado por reforço não precisam de supervisão para treinar modelos de aprendizado de máquina aprendizado por reforço segue o método de tentativa e erro para obter a solução desejada Depois de realizar uma tarefa, o agente recebe um prêmio Um exemplo poderia ser treinar um cachorro para pegar a bola. Se o cachorro aprender a pegar uma bola, você lhe dará uma recompensa, como uma guloseima E com isso, vamos nos concentrar em aplicativos e tipos de problemas que podem ser resolvidos usando esses três tipos de técnicas de aprendizado de máquina. Portanto, o aprendizado supervisionado geralmente é usado para problemas de classificação e regressão. Por exemplo, você pode prever o clima de um determinado dia com base nos valores de umidade, precipitação, velocidade do vento e pressão. Como em outro exemplo, você pode usar algoritmos de aprendizado supervisionado para prever as vendas para o próximo mês ou próximo trimestre de diferentes produtos Da mesma forma, você pode usá-lo para analisar o preço das ações ou identificar se uma célula cancerosa é maligna ou benigna aprendizado não supervisionado é usado para problemas agrupamento e associação. Por exemplo, ele pode fazer a segmentação de clientes, que é segmentar e agrupar clientes semelhantes em grupos com base em seu comportamento, gostos, desgostos Outro exemplo das aplicações do aprendizado não supervisionado é a análise de rotatividade de clientes, que é um processo de avaliar e entender por que e quando os clientes param de fazer negócios Com o objetivo de desenvolver estratégias para melhorar a retenção de clientes. E, finalmente, temos o aprendizado por reforço. O aprendizado por reforço é baseado em recompensas. Portanto, para cada tarefa ou etapa concluída corretamente, haverá uma recompensa recebida pelo agente. E se a tarefa não for realizada corretamente, haverá algum tipo de penalidade. Agora vamos dar uma olhada em alguns exemplos. Algoritmos de aprendizado por reforço são amplamente usados na indústria de jogos para criar jogos Também é usado para treinar robôs para realizar tarefas humanas. Chatbots de IA multiuso, como hat GPT ou Google Bart, usam aprendizado por reforço para aprender com a entrada do usuário e ajustar sua saída E com isso, chegamos ao final desta seção sobre supervisionado versus não supervisionado versus aprendizado Agora, vamos ver quais são os pré-requisitos do aprendizado de máquina Então, o primeiro é programação e os fundamentos da ciência da computação Atualmente, muitos aplicativos de aprendizado de máquina exigem uma base sólida em scripts ou programação básicos Não se trata apenas de escrever algoritmos complexos, mas de ser capaz de entender e manipular as estruturas subjacentes Sem uma boa compreensão dessas habilidades fundamentais, será difícil aproveitar ao máximo as ferramentas de aprendizado de máquina Portanto, se você está pensando seriamente em mergulhar no aprendizado de máquina, é aconselhável aprimorar suas habilidades de programação. Conhecimento estatístico intermediário. Uma compreensão fundamental das probabilidades é necessária no mundo do aprendizado de máquina Muitas vezes você se pega fazendo perguntas como se A está acontecendo, qual é a probabilidade de B ocorrer? Ou se houver nuvens no alto, quais são as chances de chover Esses tipos de perguntas, baseadas na probabilidade, estão no centro de muitos algoritmos de aprendizado de máquina É tudo uma questão de prever resultados com base em determinadas condições Portanto, se você deseja fazer avanços significativos no aprendizado de máquina, definitivamente vale a pena se familiarizar com os conceitos básicos de Álgebra linear e cálculo intermediário. álgebra linear é fundamental, pois exige que você compreenda o conceito de traçar uma linha através de traçar uma linha através seus pontos de dados Essa é a ideia principal por trás modelos de regressão linear, em que você desenha uma linha nos dados e usa essa linha para calcular novos valores Em relação ao cálculo intermediário, envolve ter uma compreensão básica das equações diferenciais Não é necessário ser mestre nisso, pois o computador lida com a maioria dos cálculos pesados, mas é benéfico reconhecer a terminologia quando ela aparece, especialmente se você estiver se aprofundando na programação de modelos E coleta e limpeza de dados. Talvez um dos aspectos mais importantes nesse campo seja dominar a arte de organizar seus dados Costuma-se dizer que se você inserir dados incorretos, obterá dados incorretos. Mas se você tiver bons dados entrando, é mais provável que tenha bons dados saindo. A qualidade dos seus dados pode influenciar muito o resultado dos seus modelos de aprendizado de máquina. Portanto, entender como limpar e organizar seus dados de forma eficaz se torna uma habilidade essencial garantir a precisão e a confiabilidade de seus resultados. Agora vamos dar uma olhada em alguns exemplos de aplicações de aprendizado de máquina. Temos detecção de objetos e segmentação de instâncias. detecção de objetos e a segmentação de instâncias são duas tarefas diferentes, mas relacionadas, no aprendizado de máquina A detecção de objetos consiste em reconhecer e encontrar itens em uma imagem como diferenciar gatos diferentes, por exemplo Por outro lado, a segmentação de instâncias é a próxima etapa que separa esses objetos identificados do resto da imagem Essas técnicas são usadas de várias maneiras, incluindo a identificação de diferentes elementos em uma imagem. Além disso, a segmentação pode isolar ou cortar ainda mais componentes específicos Uma aplicação popular de detecção e segmentação de objetos é o recurso de captura rápida de fotos dos telefones Google Pixel Esse recurso usa aprendizado de máquina para identificar objetos na visualização atual do usuário e, em seguida, sobrepor adesivos ou filtros animados sobre esses Essa pode ser uma forma divertida e criativa de adicionar um toque pessoal às fotos. Também temos detecção de placas de veículos. Esse é um uso muito legal do aprendizado de máquina. Imagine um carro aparecendo e o sistema seja capaz de localizar e identificar a placa desse carro. Essa aplicação de aprendizado de máquina pode ser particularmente útil em várias situações, como postos de controle de segurança, estacionamentos, controle de tráfego ou até mesmo para cobrar pedágios sem fazer o carro parar no meio de uma Ele mostra como o aprendizado de máquina pode extrair informações específicas de um contexto maior com precisão E também temos tradução automática. tradução automática, impulsionada pelo aprendizado de máquina mudou o jogo para derrubar as barreiras linguísticas É a força motriz por trás da tradução instantânea que você vê em sites estrangeiros, tornando o conteúdo acessível em seu idioma preferido com apenas um clique. É também a tecnologia que permite que ferramentas como o Google Lens forneçam traduções em tempo real de sinais quando você aponta a câmera para eles. Seja navegando na Internet ou navegando em uma cidade estrangeira, aprendizado de máquina revolucionou nossa capacidade de entender e interagir com Na verdade, a tradução automática é uma prova impressionante de como aprendizado de máquina pode aproximar o mundo. Obrigado por assistir a este vídeo. O mundo dos aplicativos de aprendizado de máquina é vasto e está em constante evolução. É um dos setores de tecnologia que mais cresce e as possibilidades são infinitas. O que eu mostrei aqui são apenas alguns dos destaques, uma pequena amostra do que é possível. Mas há muito mais por vir. No próximo vídeo, mudaremos os anos e exploraremos o aprendizado profundo, um campo flexível do aprendizado de máquina que possibilitou muitos dos avanços do aprendizado de máquina . Nos vemos na próxima. 4. L1V3: aprendizagem profunda: Neste vídeo, falaremos sobre aprendizado profundo e redes neurais. Você já se perguntou como o Google pode traduzir uma página da web inteira em pouco tempo de quase qualquer idioma para outro ou como o Google Fotos classifica magicamente suas fotos com base nos rostos de pessoas e animais de estimação Ou quando o Google Lens informa os detalhes de uma planta, objeto ou animal quando você os digitaliza com seu telefone Isso é aprendizado profundo fazendo sua mágica ali mesmo. Neste vídeo, vamos tentar responder à pergunta sobre o que é aprendizado profundo e como ele torna todas essas coisas incríveis possíveis. Neste vídeo, discutiremos os tópicos a seguir. Começaremos com uma compreensão do aprendizado profundo e depois passaremos para as redes neurais artificiais, que são um tipo de algoritmo de aprendizado de máquina usado no aprendizado profundo. Em seguida, exploraremos alguns dos usos práticos do aprendizado profundo e apresentaremos algumas das plataformas de aprendizado profundo mais populares. E, finalmente, discutiremos algumas das limitações do aprendizado profundo e como computadores quânticos podem lidar com essas limitações. Será uma sessão empolgante sobre aprendizado profundo. Então, como dissemos anteriormente, aprendizado profundo é um subconjunto do aprendizado de máquina, e ambos fazem parte de conceito maior chamado inteligência artificial Imagine a inteligência artificial como todo o reino de fazer as máquinas agirem como humanos O aprendizado de máquina faz parte desse reino e tem tudo a ver com dar às máquinas a capacidade de aprender e tomar decisões com base em dados, da mesma forma que aprendemos com a experiência Agora, o aprendizado profundo é uma parte mais específica do aprendizado de máquina. É como ensinar uma máquina a pensar um pouco como um cérebro humano com uma estrutura chamada rede neural artificial. Redes neurais artificiais ou ANNs são um tipo específico de algoritmo de aprendizado de máquina que tenta imitar vagamente as redes neurais do cérebro humano Quando dizemos aprendizado profundo, geralmente estamos falando sobre o uso redes neurais muito grandes para treinar um modelo com cargas de dados. Não é diferente do aprendizado de máquina, apenas um termo mais sofisticado que usamos quando as coisas ficam em grande escala Então, o que são redes neurais artificiais? Vamos examinar mais de perto a construção de uma rede neural. Cada camada consiste em nós ou o que chamamos de neurônios. Os neurônios em uma camada se conectam com os neurônios na próxima camada por meio de canais Cada canal recebe um peso, que desempenha um papel significativo no aprendizado da rede. Cada neurônio tem um viés associado e uma função de ativação A função de ativação é usada para transformar a soma ponderada das entradas e da polarização em uma saída que é enviada para a próxima camada Como dissemos antes, as ANNs estão no centro do aprendizado profundo. Esses algoritmos são criados de uma forma que reflete o funcionamento do cérebro humano Eles absorvem dados, aprendem a identificar padrões nos dados e, em seguida, fazem previsões fundamentadas para um novo conjunto de Vamos explorar o processo construindo uma rede neural capaz de distinguir entre um cubo e uma pirâmide Considere a imagem de um cubo como exemplo. Essa imagem é composta por 28 por 28 pixels, resultando em um total de 784 Cada pixel é então fornecido como entrada para neurônios individuais dentro da primeira camada Os neurônios em uma camada são conectados aos neurônios nas camadas subsequentes por meio As entradas são multiplicadas por seus pesos correspondentes e, em seguida, o viés será adicionado Esse valor combinado é então avaliado por meio de uma função de limite, conhecida como função de ativação O resultado é transmitido como entrada para o neurônio dentro da camada oculta Então, a saída da função de ativação determina se um neurônio é ativado ou não Os neurônios ativados transmitem dados aos neurônios na próxima camada por meio do canal Esse processo iterativo conhecido como propagação direta permite que os dados se propaguem pela rede Dentro da camada de saída, o neurônio com o valor mais alto ativado e determina a saída final Esses valores são essencialmente probabilidades. Nesse cenário específico, o neurônio associado à pirâmide tem a maior probabilidade, indicando que a rede neural prevê a saída como Bem, obviamente, nossa rede neural fez uma previsão incorreta. É importante observar que, nesta fase, nossa rede ainda não foi treinada Então, vamos dar uma olhada nas etapas para treinar uma rede neural. Durante o processo de treinamento, a rede recebe tanto a entrada quanto a saída esperada. Ao comparar a saída prevista com a saída real, a rede identifica o erro em sua previsão A magnitude do erro indica o quanto estamos errados, e o sinal sugere se nossos valores previstos são maiores ou menores do que o esperado. Essas informações são então propagadas para trás pela rede, uma técnica conhecida como retropropagação Por meio da retropropagação, a rede ajusta seus parâmetros internos, como pesos e vieses, para minimizar o erro e melhorar O ciclo iterativo de propagação para frente e retropropagação é repetido com várias entradas durante Esse ciclo continua até que os pesos dentro da rede sejam ajustados de forma a permitir que a rede preveja com precisão as formas na maioria dos casos Isso marca a conclusão do nosso processo de treinamento, no qual a rede aprendeu a fazer previsões corretas Embora o treinamento de redes neurais possa ser um processo demorado, às vezes levando horas ou até meses, o investimento de tempo é justificado, dadas as imensas possibilidades que elas oferecem A natureza complexa do treinamento envolve o ajuste fino de vários parâmetros e otimização do desempenho da rede, exigindo recursos computacionais e paciência significativos recursos computacionais No entanto, os benefícios obtidos com uma rede neural bem treinada, como maior precisão, reconhecimento avançado de padrões e tomada de decisão sofisticada, superam o tempo gasto no É uma troca razoável, considerando o potencial e as capacidades notáveis que as redes neurais trazem para a mesa. Agora, vamos dar uma olhada em algumas das aplicações do aprendizado profundo. Como dissemos anteriormente, é o poder das redes neurais que possibilita o aprendizado profundo. Vamos explorar algumas das principais aplicações em que as redes neurais se destacam. Um exemplo notável é tecnologia de reconhecimento facial em smartphones, que utiliza redes neurais para estimar a idade de uma pessoa com base em suas características faciais Ao distinguir o rosto do fundo e analisar linhas e manchas, essas redes correlacionam as pistas visuais para aproximar a idade da pessoa As redes neurais também desempenham um papel crucial na previsão, permitindo previsões precisas em vários domínios, como previsão do tempo ou Essas redes têm um desempenho muito bom no reconhecimento de padrões, tornando-as capazes de identificar sinais que indicam a probabilidade de chuvas ou flutuações nos preços das ações As redes neurais podem até mesmo compor músicas originais. Eles podem aprender padrões complexos na música e refinar sua compreensão para compor melodias originais, mostrando seu potencial criativo. E outra área em que as redes da NRA se destacam é o suporte ao cliente Muitas pessoas conversam com agentes de suporte ao cliente sem nem mesmo perceber que estão realmente interagindo com um bot Essas redes sofisticadas simulam diálogos realistas e fornecem assistência, aprimorando a experiência de atendimento ao cliente Também no campo da assistência médica, as redes neurais fizeram avanços significativos Eles têm a capacidade de detectar células cancerosas e analisar imagens de ressonância magnética, fornecendo resultados detalhados e precisos que auxiliam nas decisões de diagnóstico e tratamento E, obviamente, também temos carros autônomos. Antes apenas uma possibilidade na ficção científica, agora elas se tornam uma realidade tangível Esses veículos autônomos dependem redes neurais para perceber e interpretar o ambiente, permitindo que eles naveguem pelas estradas, decisões e garantam a segurança dos passageiros. E com isso, vamos dar uma olhada em algumas estruturas populares de aprendizado profundo Então, algumas dessas estruturas são tensor flow, Pytorch, cross, Deep learning four J, Cafe e Microsoft Cognitive Toolkit Essas estruturas ganharam amplo reconhecimento e desempenham um papel significativo no avanço do campo do aprendizado profundo E agora vamos discutir algumas das limitações do aprendizado profundo. Embora o aprendizado profundo seja muito promissor, também é importante reconhecer suas limitações. Então, em primeiro lugar, embora o aprendizado profundo seja altamente eficaz no tratamento de dados não estruturados , ele precisa de uma quantidade substancial de dados para fins de treinamento O segundo problema é que, mesmo supondo que tenhamos acesso aos dados necessários, processá-los pode ser um desafio devido ao poder computacional treinamento de redes neurais exige o uso de unidades de processamento gráfico ou GPUs que tenham milhares de núcleos em comparação com unidades centrais de processamento ou CPUs E, ao mesmo tempo, as GPUs são muito mais caras do que as CPUs E, finalmente, o treinamento é demorado. Redes neurais profundas podem exigir horas ou até meses para serem treinadas, com a duração aumentando à medida que o volume de dados e o número de camadas da rede aumentam. Dito isso, vale ressaltar que os computadores quânticos desenvolvidos por empresas como Google e IBM oferecem uma solução potencial para superar essas limitações Os computadores quânticos têm a capacidade de realizar cálculos complexos a uma taxa exponencialmente mais rápida do Com sua arquitetura exclusiva e unidades de processamento quântico ou QPs, eles têm o potencial de acelerar significativamente o processo de treinamento de redes neurais Além disso, os computadores quânticos podem lidar com conjuntos de dados de maior escala com mais eficiência Reduzir os requisitos de dados e mitigar os desafios associados ao processamento de quantidades tão grandes de Embora a computação quântica ainda esteja em seus estágios iniciais, pesquisa e o desenvolvimento contínuos prometem superar as limitações enfrentadas pelas abordagens tradicionais de aprendizado profundo Obrigado por explorar o mundo do aprendizado profundo comigo. É crucial reconhecer que ainda estamos nos estágios iniciais de explorar o que o aprendizado profundo e as redes neurais podem fazer por nós. No entanto, grandes nomes como Google, IBM e Nvidia reconheceram essa trajetória de crescimento, investindo no desenvolvimento de bibliotecas, modelos preditivos e GPUs poderosas para apoiar a apoiar a Estamos quase no final desta seção sobre inteligência artificial tradicional. É importante observar que estamos apenas começando com o potencial do aprendizado profundo e da IA Possibilidades empolgantes estão por vir. À medida que ultrapassamos os limites do que é possível, a linha entre ficção científica e realidade se torna cada vez mais tênue O futuro reserva uma sobrecarga de surpresas, e o aprendizado profundo está na vanguarda desses avanços inovadores No próximo vídeo, que é o último vídeo desta seção, aprenderemos a diferença entre modelos de aprendizado de máquina discriminativos e generativos, que nos preparará para a próxima seção deste curso sobre inteligência artificial generativa Nos vemos na próxima. 5. L1V4: discriminativo vs generativo: Neste vídeo, falaremos sobre algoritmos discriminativos e generativos Esses são dois tipos importantes de modelos de aprendizado de máquina. Para facilitar a compreensão, começaremos com a história e depois discutiremos como esses dois tipos de aprendizado de máquina funcionam em detalhes usando algoritmos populares como exemplos. Então, vamos direto ao assunto. Tudo bem Vamos mergulhar em nossa história. Vamos imaginar que temos dois visitantes alienígenas que nunca viram maçãs e bananas antes. Queremos observar como eles aprendem a distinguir entre essas duas frutas. O primeiro alienígena decide entender essas frutas desenhando-as. Ele observa cuidadosamente a forma, a cor e a textura de cada fruta e depois as recria no papel. Dessa forma, ele cria uma representação visual ou um modelo da aparência de cada fruta. Sempre que vê uma nova fruta, ele se refere a esses desenhos para identificar essa fruta. Isso é semelhante ao que chamamos de algoritmo generativo em aprendizado de máquina O segundo alienígena, por outro lado, faz isso de forma diferente. Em vez de desenhar, ele começa a comparar as características das frutas. Ele percebe que as maçãs geralmente são redondas e vermelhas, enquanto as bananas são longas e amarelas Quando recebe uma fruta nova , não procura uma combinação perfeita. Em vez disso, ele verifica quais características de frutas estão mais próximas da nova fruta e adivinha se é a mesma. Essa abordagem é mais parecida com o que chamamos de algoritmo discriminativo no aprendizado de máquina Então essa é a ideia básica. Essas duas abordagens diferentes nos ajudarão a entender algoritmos discriminativos e generativos Continuando, vamos definir formalmente nossos dois tipos de algoritmos com base em nossa abordagem alienígena O primeiro método alienígena é um excelente exemplo do que chamamos de classificação generativa É aqui que um modelo aprende a gerar uma representação de cada classe É como aprender a aparência de uma maçã ou banana e usar esse conhecimento para identificar a instância futura. Em contraste, o segundo método de alienígenas representa a classificação discriminativa Esse modelo aprende a distinguir entre classes com base em suas características Em vez de aprender a aparência de uma maçã ou banana, ela aprende as diferenças entre elas. Em seguida, ele usa essas diferenças para decidir o que uma nova fruta pode ser. Cada abordagem tem seus próprios pontos fortes e fracos, e eles são usados em diferentes cenários Agora que apresentamos os conceitos, vamos explorá-los com mais profundidade. Para entender melhor esses conceitos, discutiremos algoritmos específicos que empregam esses dois tipos de classificações Para classificação discriminativa, analisamos a regressão logística como exemplo E para classificação generativa, nosso exemplo será o algoritmo de base ingênua Portanto, no reino da classificação discriminativa, regressão logística cria um limite de decisão com base nas características da entrada Para nosso exemplo de frutas, essas características podem ser cor, comprimento ou peso. O algoritmo aprende padrões a partir desses recursos e os usa para classificar novas frutas Por outro lado, o algoritmo base ingênua, que é um modelo de classificação generativa, tenta entender a distribuição de cada classe no espaço Em vez de apenas identificar as diferenças entre as classes, ele aprende como cada classe se distribui nos dados Agora, vamos nos aprofundar e entender como esses algoritmos usam as estratégias para classificar novos dados Com o modelo de regressão logística, estamos lidando com características como cor, comprimento e peso dos frutos O modelo usa esses recursos para aprender padrões e tomar decisões. Por exemplo, ele pode aprender que, se uma fruta tem uma cor amarela e tem mais de 5 polegadas, há uma grande chance de ser uma banana. Esse método de criar um limite de decisão com base nas características dos exemplos é a essência do aprendizado discriminativo Por outro lado, o aprendizado generativo usado pelo modelo básico ingênuo tenta entender a distribuição de cada classe em um plano multidimensional, como um espaço tridimensional para nossas três características para nossas O modelo tenta visualizar onde maçãs e bananas provavelmente aparecerão nesse espaço com base em sua cor, forma e peso Agora, vamos pensar algumas questões importantes sobre modelos generativos e discriminativos Perguntas como qual modelo precisa de mais dados para treinamento? Qual deles é afetado pela falta de dados? Qual modelo é afetado por valores discrepantes, qual requer mais matemática e qual deles tende a É importante pensar nessas questões porque elas afetam a forma como você pode escolher usar esses modelos. Por exemplo, um modelo generativo não precisa de muitos dados porque está apenas tentando entender as características básicas de cada classe No entanto, um modelo discriminativo precisa de mais dados porque está tentando aprender as diferenças intrincadas entre as classes Pensar nessas questões pode ajudá-lo a entender esses modelos mais profundamente e usá-los de forma mais eficaz. Mas não se preocupe se você não tiver certeza das respostas. Vamos discuti-los em detalhes. Então, vamos dar uma olhada na primeira pergunta. Qual modelo precisa de mais dados para treinamento? Modelos discriminativos, como regressão logística, geralmente precisam de mais dados Eles aprendem identificando as diferenças entre as classes. Portanto, eles precisam de um conjunto rico e diversificado de exemplos para fazer isso de forma eficaz. A segunda pergunta é: qual deles é afetado pela falta de dados? O fato é que os dois tipos de modelos podem ser afetados pela falta de dados. Mas os modelos generativos podem ser mais sensíveis porque estão tentando capturar a distribuição geral dos dados Qualquer informação ausente pode distorcer sua compreensão dessa distribuição A próxima pergunta é: qual modelo é afetado por valores discrepantes? Novamente, valores discrepantes podem afetar os dois modelos, mas os modelos discriminativos podem ser mais suscetíveis Esses modelos se concentram nos limites entre as classes, e uma camada externa pode mudar significativamente esses limites A próxima pergunta é: o que requer mais matemática? Em termos de matemática, modelos generativos como a base ingênua geralmente exigem mais cálculos porque envolvem a estimativa da distribuição de dados, que pode ser E a última pergunta é: qual deles tende a se ajustar demais sobreajuste pode ocorrer em ambos os modelos, mas os modelos discriminativos geralmente são mais propensos a Isso ocorre porque eles podem ficar muito sintonizados com os dados de treinamento, aprendendo até mesmo sobre ruídos e erros E agora que sabemos a diferença entre discriminativos e generativos algoritmos de aprendizado de máquina discriminativos e generativos, vamos detalhar alguns exemplos comuns de cada Portanto, alguns dos algoritmos discriminativos são regressão logística, máquinas de vetores de suporte, árvores de decisão, florestas aleatórias e máquinas de aumento de gradiente Alguns dos algoritmos generativos são base ingênua, modelos de mistura gaussiana, modelos ocultos de Markov, alocação direta latente e redes adversárias generativas. base ingênua, modelos de mistura gaussiana, modelos ocultos de Markov, alocação direta latente e redes adversárias generativas. Então, para finalizar, neste vídeo, revelamos o mundo dos modelos discriminativos e generativos usando uma história simples e envolvente revelamos o mundo dos modelos discriminativos e generativos usando uma história simples e Vimos como a regressão logística em um modelo discriminativo usa características distintas para criar limites de decisão, enquanto o modelo generativo, base ingênua, tenta entender a distribuição geral dos Compreender a diferença entre modelos discriminativos e generativos nos dá uma visão valiosa sobre como os sistemas generativos de IA operam Modelos generativos, como os usados na IA generativa, aprendem a distribuição subjacente dos dados de treinamento Esse conhecimento é então usado para gerar novos dados que espelham os dados de treinamento É por isso que a IA generativa é tão poderosa. Ele pode gerar novas saídas realistas, como imagens, texto e até música, porque entende o mundo de seus dados de treinamento Em contraste, os modelos discriminativos simplesmente aprendem os limites entre as classes e são usados principalmente para tarefas de classificação Eles não conseguem gerar novos dados porque não tentam entender a distribuição subjacente dos dados, as diferenças entre as classes. Ao entender essas diferenças, você pode apreciar melhor a capacidade e a flexibilidade dos sistemas generativos de IA Essa compreensão pode orientá-lo na decisão sobre qual tipo de sistema de IA seria mais adequado ao seu projeto ou caso de uso específico E com isso, chegamos ao final da primeira seção deste curso, Inteligência Artificial tradicional. Nos vemos na Seção dois, onde discutiremos a inteligência artificial generativa 6. L2V1 - Transformadores: Agora, vamos discutir os transformadores e seu papel principal no fortalecimento da inteligência artificial generativa Os transformadores são um tipo de rede neural capaz de aprender dependências de longo alcance em sequências Isso os torna adequados para tarefas como geração de texto, em que o modelo precisa entender o contexto das palavras anteriores para gerar a próxima palavra. Os Transformers produziram uma revolução em 2018 no processamento de linguagem natural Agora vamos ver como os transformadores funcionam. Os transformadores são compostos por duas partes principais, um codificador e um decodificador Os codificadores são responsáveis por pegar uma sequência de entrada e convertê-la em uma sequência de estados ocultos O codificador é composto por uma pilha de camadas de autoatenção autoatenção é um mecanismo que permite que o codificador atenda a diferentes partes da sequência de entrada ao gerar os estados ocultos Isso permite que o codificador aprenda dependências de longo alcance na sequência de entrada, o que é essencial para tarefas como geração de texto Os decodificadores são responsáveis por pegar uma sequência de estados ocultos e gerar uma sequência de saída O decodificador também é composto por uma pilha de camadas de autoatenção No entanto, o decodificador também tem uma camada de atenção especial que permite atender à sequência de entrada ao gerar a sequência de saída Isso permite que o decodificador aprenda como gerar uma saída consistente com a sequência de entrada Portanto, o codificador e o decodificador trabalham juntos para gerar uma sequência de saída O codificador primeiro converte a sequência de entrada em uma sequência de estados ocultos O decodificador então pega esses estados ocultos e gera uma sequência de saída A camada de atenção do decodificador permite que ele atenda à sequência de entrada ao gerar a saída Isso permite que o decodificador aprenda como gerar uma saída consistente com a sequência de entrada Há vários benefícios em usar transformadores para IA generativa Primeiro, os transformadores são capazes de aprender dependências de longo alcance em sequências Isso permite que eles gerem resultados mais realistas e coerentes. Em segundo lugar, os transformadores podem ser treinados em conjuntos de dados muito grandes Isso permite que eles aprendam padrões e relacionamentos mais complexos nos dados. E terceiro, vários transformadores paralelos são capazes de trabalhar juntos Isso permite que eles sejam treinados com mais rapidez e eficiência. Como resultado desses benefícios, os transformadores se tornaram a abordagem de última geração para uma ampla variedade de tarefas generativas de IA, como geração de texto, geração imagens e geração de música Algo que você deve observar ao usar transformadores é que é possível que eles criem alucinações Em transformadores, alucinações são palavras ou frases geradas pelo modelo que geralmente são sem sentido ou gramaticalmente incorretas Mas por que as alucinações acontecem? alucinações podem ser causadas por vários fatores, incluindo o modelo não ser treinado com dados suficientes, ou o modelo ser treinado com dados ruidosos ou sujos, ou o modelo não receber contexto suficiente ou o modelo alucinações podem ser um problema para os transformadores porque podem dificultar a compreensão do texto de saída Eles também podem aumentar a probabilidade de o modelo gerar informações incorretas ou enganosas Então, como podemos mitigar as alucinações? Existem várias maneiras de mitigar alucinações Uma forma é treinar o modelo em mais dados. Outra forma é usar uma técnica chamada busca por feixe, que permite ao modelo explorar uma gama maior de saídas possíveis E, finalmente, é importante dar ao modelo contexto e restrições suficientes para que ele não gere uma saída sem sentido ou gramaticalmente incorreta Aqui estão alguns exemplos de alucinações que foram geradas O gato se sentou no tapete e o cachorro comeu a lua. O garoto foi até a loja e comprou um galão de ar. A mulher foi até o banco e retirou 1 milhão de dólares. Como você pode ver, esses exemplos são todos absurdos ou gramaticalmente Isso ocorre porque os transformadores geraram essas palavras ou frases sem nenhum contexto ou restrições É importante observar que alucinações nem sempre são uma Em alguns casos, eles podem ser usados para gerar textos criativos e interessantes. No entanto, é importante estar ciente do potencial de alucinações ao usar transformadores e tomar medidas para mitigá-las e tomar medidas para mitigá-las Os Transformers estão sendo usados para gerar uma grande variedade de conteúdo criativo, incluindo texto, imagem, música e até vídeo Algumas das aplicações mais comuns de transformadores em IA generativa incluem geração de texto Os transformadores podem ser usados para gerar textos como artigos de notícias, postagens em blogs e redação criativa Por exemplo, o modelo transformador, GPT three, foi usado para gerar artigos de notícias falsos com aparência realista e pode até escrever poesias e histórias Geração de imagens. Os transformadores podem ser usados para gerar imagens como pinturas, fotografias e arte digital Por exemplo, o modelo de transformador Imagine foi usado para gerar imagens realistas de pessoas, animais e objetos Geração musical. Os transformadores podem ser usados para gerar músicas, como músicas, melodias e Por exemplo, o modelo de transformador Mus Net foi capaz gerar música original que parece ter sido composta por um músico humano E temos geração de vídeo. Os Transformers podem ser usados para gerar vídeos, como filmes, programas de TV e desenhos animados Por exemplo, o vídeo do modelo de transformador Deep Mind foi usado para gerar vídeo de aparência realista que parece ter sido filmado por um operador de câmera humano À medida que a tecnologia continua se desenvolvendo, podemos esperar ver aplicações ainda mais incríveis de transformadores na IA generativa Os Transformers têm o potencial de revolucionar a forma como criamos e consumimos conteúdo, e eles já estão sendo usados para criar coisas realmente incríveis. 7. L2V2 - Gen AI: Bem-vindo à Inteligência Artificial generativa. Começamos este vídeo explicando como distinguir entre IA generativa e aprendizado de máquina tradicional Em seguida, fornecemos uma definição formal para inteligência artificial generativa e encerramos o vídeo com alguns exemplos de IA generativa Aqui, mostramos duas abordagens principais em inteligência artificial, aprendizado de máquina tradicional e inteligência artificial generativa A imagem superior mostra o aprendizado de máquina tradicional. Aqui, o modelo aprende com dados com rótulos anexados a ele O que ele faz é descobrir a ligação entre as características dos dados e seus rótulos correspondentes. Esse entendimento é então usado para fazer suposições fundamentadas sobre novos dados que nunca foram vistos antes Agora, a parte inferior da imagem mostra algo um pouco diferente. O modelo generativo de IA. Em vez de apenas descobrir a relação entre entradas e saídas, ele se Ele se concentra no padrão complexo do conteúdo. Essa compreensão do padrão é o que lhe dá o poder de criar conteúdo novo e realista por conta própria. Isso pode ser qualquer coisa, um poema, um artigo de notícias, uma foto ou até mesmo uma composição musical Então você vê que a IA generativa traz um novo ângulo criativo para o imenso mundo da IA A natureza da saída desempenha um papel crucial na diferenciação entre IA generativa e outros modelos Os modelos tradicionais geralmente produzem resultados categóricos ou numéricos, como se um e-mail é spam ou não ou prever não ou Por outro lado, a IA generativa pode produzir resultados como linguagem escrita ou falada, imagens ou até mesmo áudio, refletindo sua capacidade de gerar conteúdo que imita a gerar conteúdo que Podemos imaginá-lo assim matematicamente. Se essa equação não for algo que você tenha visto recentemente, aqui está um lembrete rápido A equação Y igual F de X calcula o resultado com base em Y simboliza o resultado do modelo. F representa a função que usamos no cálculo. E quanto ao X? Isso representa as entradas ou entradas usadas na equação Então, em termos simples, a saída do modelo é uma função de todas as entradas A chave aqui é entender a natureza da saída Y em função das entradas X. Os modelos tradicionais geralmente produzem resultados numéricos Já os modelos generativos de IA podem mapear esses valores numéricos para diferentes formas de informação, tornando-os capazes de gerar respostas complexas, como frases em linguagem natural, imagens e vídeos Para resumir em alto nível os processos clássicos tradicionais de aprendizado supervisionado e não supervisionado , código de treinamento e rotule os dados para Dependendo do caso de uso ou do problema, o modelo pode fornecer uma previsão. Ele pode classificar algo ou agrupar algo. A distinção está na aplicação. Os modelos tradicionais fazem previsões, classificam ou agrupam dados, enquanto os modelos generativos de IA são mais versáteis, criando uma ampla variedade de conteúdo O método generativo de IA pode trabalhar com código de treinamento, dados rotulados e dados não rotulados de todos os tipos para construir o que chamamos Esse modelo básico pode então produzir novos conteúdos, como texto, código, imagens, áudio, vídeo e assim por diante. O poder da IA generativa está em sua capacidade de ingerir diversos tipos de dados, incluindo dados não identificados, para criar modelos que gerem novos conteúdos, que vão além dos Percorremos um longo caminho, passando da programação tradicional para as redes neurais e agora para os modelos generativos Nos velhos tempos da programação tradicional, precisávamos inserir manualmente as regras para diferenciar o gato Tivemos que incorporar regras específicas ao programa. Era algo como se fosse um animal com quatro patas, duas orelhas, fada, e mostrasse gosto por lã e erva-dos-gatos, provavelmente é um provavelmente é E tivemos que escrever tudo isso em uma linguagem de programação e não em linguagem natural. No que diz respeito às redes neurais, poderíamos mostrar as imagens da rede de cães e gatos e depois perguntar: isso é um gato? A rede provavelmente responderia com uma previsão: é um gato. Assim, podemos ver que as redes neurais permitem tomada de decisão mais sutil por meio do treinamento em exemplos, o que é uma evolução das regras de codificação rígida Na onda generativa, podemos produzir nosso próprio conteúdo, como texto, imagens, áudio, vídeo etc Modelos como Palm ou Pathways Language Model, modelo de linguagem Lambda para aplicativos de diálogo e GPT, transformador generativo pré-treinado, consomem grandes quantidades de dados de diversas fontes, incluindo a Internet, para construir modelos de linguagem básicos, que podem ser utilizados simplesmente fazendo uma pergunta, seja digitando-a em um prompt ou falando verbalmente no modelo de linguagem Lambda para aplicativos de diálogo e GPT, transformador generativo pré-treinado, consomem grandes quantidades de dados de diversas fontes, incluindo a Internet, para construir modelos de linguagem básicos, que podem ser utilizados simplesmente fazendo uma pergunta, seja digitando-a em um prompt ou falando verbalmente no solicitação em si. Então, se perguntarmos o que é um gato, ele pode nos dar tudo o que aprendeu sobre o gato. IA generativa aumenta a interação do usuário, transformando os usuários de meros espectadores Modelos como Palm, Lambda e GPT se destacam Eles são treinados em grandes conjuntos de dados e fornecem respostas inteligentes e sensíveis ao contexto Esse foco no usuário torna a IA generativa atraente para uma variedade de aplicações diferentes Agora vamos fornecer nossa definição formal. O que é IA generativa? IA generativa é um tipo de inteligência artificial que cria novos conteúdos com base no que aprendeu com o conteúdo existente O processo de aprendizado com o conteúdo existente é chamado treinamento e resulta na criação de um modelo estatístico quando solicitado. IA usa o modelo para prever qual pode ser a resposta esperada e isso gera novos conteúdos A ênfase aqui está na herdabilidade da IA generativa para aprender e criar Ao contrário dos modelos tradicionais, que preveem com base em relacionamentos pré-estabelecidos, IA generativa se concentra na compreensão da estrutura subjacente dos dados de entrada Após o treinamento, o modelo pode gerar respostas ou conteúdos exclusivos, o que amplia significativamente as aplicações e os recursos dos sistemas de IA Essencialmente, ele aprende a estrutura subjacente dos dados e pode então gerar novas amostras semelhantes aos dados nos quais foi treinado Então, vamos ver qual é a diferença entre modelos de linguagem e modelos de imagem. Os modelos de linguagem generativa aprendem sobre padrões na linguagem por meio de dados de treinamento Em seguida, com alguns textos, eles prevêem o que vem a seguir. Modelos generativos de imagem produzem novas imagens usando técnicas como difusão Em seguida, recebem um aviso ou imagens relacionadas, eles transformam ruídos aleatórios em imagens ou geram imagens a partir de avisos Vamos nos aprofundar um pouco mais em cada um deles. Conforme mencionado anteriormente, os modelos de linguagem generativa se concentram em compreender a estrutura inerente do padrão nos dados Em seguida, eles aproveitam esses padrões aprendidos para gerar novas respostas ou conteúdos. Que geralmente se assemelham muito aos dados originais. Essas características tornam os grandes modelos de linguagem um exemplo excepcional do potencial generativo do AIS Um modelo de linguagem generativa usa texto como entrada e pode gerar mais texto e imagem, áudio ou decisões Por exemplo, sob o texto de saída, resposta à pergunta é gerada e, na imagem de saída, o vídeo é gerado Portanto, modelos de linguagem grandes são um tipo de IA generativa porque geram novas combinações de textos na forma de linguagem com som natural Também temos modelos de imagem generativos, que usam uma imagem como entrada e podem gerar texto, outra imagem ou vídeo Por exemplo, no texto de saída, você pode obter uma resposta visual às perguntas, que é uma tarefa em visão computacional que envolve responder perguntas sobre uma imagem, enquanto na imagem de saída, um preenchimento de imagem é gerado um preenchimento de imagem é E no vídeo de saída, a animação é gerada. Como mencionamos anteriormente, modelos de linguagem generativa aprendem sobre padrões e estruturas de linguagem por meio de seus dados de treinamento E então, quando recebem algum texto, eles tentam prever o que vem a seguir. Portanto, em certo sentido, os modelos de linguagem generativa podem ser vistos como sistemas de correspondência de padrões, aprimorando sua capacidade de discernir padrões a partir dos dados apresentados a Agora que fornecemos a definição formal de inteligência artificial generativa, vamos encerrar este vídeo com alguns exemplos de IA generativa Aqui está um exemplo do recurso de preenchimento automático de pesquisa do Google. Com base no que aprendeu com seus dados de treinamento, ele oferece previsões de como completar essa frase Gatos odeiam, e algumas das sugestões são que gatos odeiam o cheiro de gatos odeiam água, gatos odeiam pepinos. Aqui está o mesmo exemplo usando bar, que é um modelo de linguagem treinado em uma grande quantidade de dados de texto e capaz se comunicar e gerar texto semelhante ao humano em resposta a uma ampla variedade de solicitações e perguntas Então, quando eu uso o prompt, os gatos odeiam respostas. Os gatos odeiam muitas coisas, mas algumas das mais comuns incluem, e depois, uma lista de coisas que ele acha que os gatos odiariam E o mesmo prompt usando o GPT quatro produz essa resposta. Gatos odeiam. Os gatos podem expressar aversão ou desconforto em resposta a uma variedade de situações, objetos ou comportamentos Abaixo estão algumas das coisas que os gatos normalmente não gostam e liste algumas das coisas que ele acha que os gatos odiariam Semelhante ao Bart, o GPT four também é um modelo de linguagem treinado em uma grande quantidade de dados de texto e é capaz de se comunicar e gerar texto semelhante ao humano em resposta a uma ampla variedade de solicitações Agora vamos dar uma olhada em alguns exemplos de geração de imagens. Usamos o mesmo prompt em três ferramentas de IA diferentes. O aviso é um gato cercado por coisas que os gatos odeiam. Se tentarmos esse prompt no DALE, que é um gerador de imagens de IA criado pela OpenAI, a mesma empresa que cria o GPT Nós obtemos esse resultado. Também podemos experimentá-lo no Adobe Firefly Tik para E esses são alguns dos resultados que obtemos do Firefly Também podemos experimentar o aplicativo de conversão de texto em imagem do Canva, que fornece alguns exemplos do que considera apropriado em resposta às nossas solicitações Lembre-se de que aqui usamos um prompt muito minimalista, apenas para mostrar que, mesmo sem fornecer muito contexto, ainda podemos produzir resultados mais ou menos relevantes Obteríamos um resultado muito melhor se nossa solicitação incluísse mais detalhes e seguisse uma estrutura sólida. Isso aponta para a importância do projeto e da engenharia rápidos, que abordaremos mais adiante nesta seção. No próximo vídeo, falaremos sobre transformadores, uma tecnologia que tornou tudo isso possível. Nos vemos na próxima. 8. L2V3 - aplicativos de IA de Gen: Vamos dar uma olhada nos tipos de tarefas que diferentes modelos de IA podem realizar. Essa tarefa geralmente pode ser classificada com base no tipo de dados de entrada que eles aceitam e no tipo de dados de saída que eles geram. Aqui estão alguns exemplos. Texto para texto. Isso normalmente é usado em tradução automática, resumo de texto e chatbots como Bard e chat Por exemplo, se você perguntar ao GPT quatro, o que é um gato? Eu diria que um gato é um pequeno mamífero carnívoro que costuma ser mantido como animal O termo geralmente se refere a, e então continua gerando mais informações relacionadas a gatos. Outro modelo é a conversão de texto em imagem. Isso é usado para gerar imagens a partir de descrições de texto. Um exemplo disso seria aplicativo Canvas text to image, que cria imagens a partir de entradas de texto Neste exemplo, podemos usar o prompt um gato cinza e branco sentado no parapeito de uma janela observando pombos E isso gerará essa imagem para nós. Texto em vídeo. IA também pode ser usada para gerar vídeos a partir de descrições de texto, embora essa seja uma tarefa mais complexa e menos explorada do que a geração de texto para imagem Por exemplo, usando ferramentas como em vídeo, podemos criar um vídeo com apenas um texto de formatura O modelo de IA usa nosso prompt para escrever um roteiro para o vídeo e , em seguida, escolhe imagens e videoclipes relevantes para o conteúdo do Ele pode até mesmo aplicar filtros e transições ao vídeo. Algumas dessas ferramentas também podem escolher uma música que seja relevante para o conteúdo do vídeo. Por exemplo, o modelo de IA pode associar animais de estimação à diversão e, em seguida, escolher uma música divertida para adicionar ao vídeo Texto em três D, esses modelos geram objetos tridimensionais que correspondem à descrição de texto de um usuário. Por exemplo, se você perguntar ao Shape E, um modelo generativo condicional para três ativos D para criar um avião que se pareça com Ele cria os três objetos D que você pode ver aqui. Também temos texto para codificar. Esses modelos são capazes de usar a descrição em linguagem natural e , em seguida, criar um código com base nisso. É útil para tarefas como geração automatizada de código, detecção de erros e tradução de código. Por exemplo, esse copiloto do GPT, do Bart e do Github compartilha a capacidade de gerar código compartilha a capacidade Modelos como o Chat GPT, devido ao seu treinamento em uma ampla variedade de textos da Internet, incluindo código, têm a capacidade de gerar código quando fornecidos com um baile de formatura adequado Bart two trabalha na mesma linha, mas seu treinamento é focado especificamente em textos relacionados à programação Também temos o Github copilot que usa o modelo Codex da OpenAI, que é treinado em código disponível publicamente, permitindo sugerir preenchimento de código e gerar código a partir de comentários Responde à tarefa. Os modelos Takes to Task são treinados para realizar uma tarefa ou ação definida com base na entrada de texto. Essa tarefa pode ser uma ampla variedade de ações, como responder a uma pergunta, realizar uma pesquisa, fazer uma previsão ou realizar algum tipo de ação Por exemplo, um modelo Ts to task pode ser treinado para navegar em uma interface de usuário da web ou fazer alterações em um documento por meio da GUI Também temos imagem para texto. Isso é usado em tarefas como legendas de imagens, em que a IA descreve uma imagem em palavras Por exemplo, o BLiP, que é um modelo de IA capaz de legendar e gerar imagens, pode pegar uma imagem como entrada e fornecer uma descrição dessa imagem em texto Também temos imagem a imagem. Esses modelos realizam tarefas como tradução de imagens, por exemplo, converter imagens diurnas em noturnas, colorir imagens em preto e branco ou aprimorar a resolução ou aprimorar Por exemplo, o Night Cafe é um gerador de imagens de IA que pode usar uma imagem como entrada para inicializar o processo de criação da imagem Em seguida, ele produz uma imagem estilizada como saída com base na solicitação do usuário e em outras configurações que podem ser ajustadas Dependendo do algoritmo escolhido, artístico ou coerente, a imagem inicial tem finalidades diferentes Para o algoritmo artístico, as formas e estruturas na imagem são mais significativas. Mas no algoritmo coerente, mais atenção é dada à resolução, cores e Como outro exemplo, vamos dar uma olhada no recurso de edição mágica do Canva Usando esse recurso, podemos selecionar uma parte específica da imagem e substituí-la por uma imagem diferente. Por exemplo, aqui, seleciono a cesta e digo ao modelo que quero substituí-la por uma cordilheira, esperando que o resultado faça parecer que o gato está sentado em uma pedra. E podemos ver que o modelo cria algumas sugestões para mim. Se eu não estiver satisfeito com o resultado, posso pedir ao modelo que regenere os resultados até encontrar algo que eu goste E aqui está o resultado final. Posso até ir mais longe e selecionar o teto ao fundo e pedir ao modelo que o substitua pelo céu com nuvens. E é assim que o resultado parece. Vídeo para texto. Isso envolve gerar uma descrição em texto ou uma transcrição de um vídeo Por exemplo, o RS AI pode criar transcrições ou legendas a partir de uma entrada de vídeo, até mesmo traduzi-las de um idioma para outro Embora o que vemos neste exemplo seja legendar somente o elemento de fala do vídeo, algumas das ferramentas de legenda mais avançadas também podem legendar elementos que não sejam podem legendar elementos que não Elementos que não são de fala podem incluir efeitos sonoros, por exemplo , zumbido de abelha, toque de queijo ou campainha, música fundo ou como parte de uma cena, reações do público, por exemplo, risos, gemidos ou vaias, maneira de falar, por exemplo, sussurrar, gritar, enfatizar uma palavra ou falar com sotaque e alto-falante incluir efeitos sonoros, por exemplo, zumbido de abelha, toque de queijo ou campainha, música de fundo ou como parte de uma cena, reações do público, por exemplo, risos, gemidos ou vaias, maneira de falar, por exemplo, sussurrar, gritar, enfatizar uma palavra ou falar com sotaque e alto-falante para um narrador ou palestrante fora da tela ou para vários alto-falantes Da mesma forma, temos áudio para texto. Isso normalmente é usado em sistemas de reconhecimento de fala para transcrever a linguagem falada em texto escrito Whisper by Open AI é um exemplo de modelo de áudio para texto A IA também pode transformar texto em fala sintetizada. Os sistemas de conversão de texto em fala convertem texto em um idioma falado. Muitas ferramentas de IA, como play dot HT, podem receber uma entrada de texto e gerar uma fala semelhante à humana com vozes sintetizadas que podem se assemelhar a diferentes gêneros, idades, sotaques ou até tons diferentes, como alegria, tristeza, raiva etc Imagem em vídeo. Essa tarefa envolve gerar uma sequência de imagens ou um vídeo a partir de uma única ou de um conjunto de imagens. Por exemplo, fotos cinematográficas, um recurso do Google Fotos, utilizam aprendizado de máquina para estimar a profundidade de uma imagem e construir uma representação em três D da cena, independentemente de a imagem original conter informações de profundidade da câmera Seguindo essa estimativa, o sistema anima uma câmera virtual para criar um efeito panorâmico suave semelhante a uma Esse processo complexo usa inteligência artificial para transformar uma imagem estática em uma cena tridimensional dinâmica, proporcionando uma qualidade semelhante à de um vídeo O que discutimos até agora são apenas alguns exemplos, e a lista está crescendo continuamente à medida que o campo da IA progride e à medida que os pesquisadores inventam novas aplicações para Além disso, em muitas aplicações do mundo real, essas tarefas são combinadas. Por exemplo, um sistema de IA pode precisar converter fala em texto usando um modelo de fala em texto e, em seguida, processar o texto usando um modelo de texto em texto e, depois disso, gerar uma resposta apropriada em linguagem falada, que usa um modelo de texto em áudio. Mas espere, tem mais. Há muitos outros campos nos quais o GNAI pode ter aplicações inovadoras Por exemplo, basta considerar a palavra música. As tarefas relacionadas à música são uma área ativa de pesquisa e desenvolvimento em IA. Aqui estão algumas tarefas comuns. Temos texto para música. Esses modelos podem gerar música com base em entradas de texto. Por exemplo, eles podem criar uma melodia ou uma composição descrita por uma frase ou um trecho de texto. Música para texto. Por outro lado, a IA também pode converter música em texto, como criar partituras para uma música ou gerar texto descritivo ou emocional com base em uma peça musical Temos áudio em áudio, que pode converter um tipo de som ou música em outro, como mudar o gênero de uma música, transformar um zumbido em uma peça composta ou até mesmo remover os vocais das faixas Também há recomendação musical. A IA é muito usada para recomendar músicas com base nos hábitos de escuta, nas preferências e até no humor dos usuários preferências e até no humor Também temos geração de música. O Mus Net da Open AI é um exemplo de geração de música. Modelos como o Mus enet da OpenAI podem gerar composições musicais de quatro minutos com dez instrumentos diferentes e podem combinar estilos do country a mozart Também há aprimoramento musical. Por exemplo, o Audio Studio pode ser usado para aprimorar ou alterar músicas existentes. Ele pode fazer isso aumentando a qualidade do áudio, alterando o tempo ou adicionando efeitos E também há separação de fontes de música. Também podemos usar modelos de IA para separar instrumentos, vocais ou outros componentes individuais de uma faixa mixada ou master Metas DMax é um exemplo de ferramenta de separação de fontes de música Portanto, para concluir, o reino da IA generativa é diverso, fascinante e cheio de potencial A variedade de tarefas que ele pode realizar de tomadas a tomadas, imagens, áudio e até tarefas complexas, como aprimoramento e geração de música, é É um campo que está em constante evolução, ultrapassando os limites do que pensávamos ser possível À medida que continuamos explorando e inovando, a lista de aplicativos só vai se expandir IA generativa é a chave para muitas descobertas e avanços que podem revolucionar vários setores e a forma como interagimos com a setores e À medida que continuamos explorando essa empolgante era da IA, quem sabe quais possibilidades surpreendentes podemos A chave é manter a curiosidade, continuar explorando e começar a imaginar um futuro no qual possamos interagir com os sistemas de IA de maneira confiável, responsável e ética 9. L2V4: engenharia rápida: Vamos falar sobre um tópico intrigante no campo da IA generativa, a Como o nome sugere, IA generativa tem tudo a ver com sistemas que geram resultados, sejam textos, imagens ou qualquer outro tipo de conteúdo Como você verá na próxima seção deste curso, grandes modelos de linguagem ou LLMs, grandes modelos de linguagem ou LLMs, que são a força motriz da IA generativa, são projetados para gerar texto semelhante ao humano com base em Além de gerar textos semelhantes aos humanos, os LLMs também ajudam a traduzir nossas solicitações em saídas de outro tipo de conteúdo, como imagens Isso significa que quanto melhores forem nossas solicitações de entrada, a probabilidade de obtermos maior qualidade de qualquer ferramenta generativa de IA Hoje, exploraremos vários aspectos importantes relacionados a essas solicitações de entrada Esclareceremos exatamente o que é um prompt e seu papel na formação da saída do modelo Vamos distinguir entre projeto imediato e engenharia rápida e, em seguida, apresentaremos vários métodos de engenharia rápida. Por fim, discutiremos as limitações da engenharia rápida para oferecer a você uma compreensão e uma expectativa realistas desse processo empolgante Então, vamos começar. Então, o que é um prompt? Um prompt é essencialmente um pedaço de texto que é fornecido a um modelo generativo de IA como entrada Mas não é uma tentativa qualquer. Ele serve a um propósito fundamental. Esses prompts são seu link de comunicação com o modelo. Eles direcionam o modelo de IA e orientam sua geração de resultados. O modelo recebe sua solicitação, a processa e fornece uma saída que se alinha com a instrução da solicitação. Em outras palavras, esses prompts são sua ferramenta para controlar a saída do modelo Pense em um prompt como sua instrução orientadora para o modelo generativo de IA, como um diretor guiando um Quanto mais precisa e clara for sua direção, melhor será o desempenho que você pode esperar do ator. Da mesma forma, instruções bem projetadas permitem que o modelo produza resultados de maior qualidade e mais específicos Lembre-se de que a chave está na qualidade e no design de seus prompts, e é aqui que entram em cena os conceitos de design rápido e engenharia rápida, que discutiremos agora Como mencionamos anteriormente, a qualidade do prompt desempenha um papel crucial na determinação da qualidade da saída de um modelo generativo de IA Aqui, dois conceitos entram em cena: design rápido e engenharia rápida. design do prompt se refere à criação de solicitações específicas para a tarefa que o modelo deve Por exemplo, se você quiser que o modelo traduza um texto do inglês para o francês, o prompt seria escrito em inglês e especificaria que a saída desejada deveria estar em francês. Em essência, trata-se de criar prompts que gerarão a saída desejada Por outro lado, temos engenharia rápida. Esse processo tem mais a ver com aprimorar o desempenho do modelo Envolve estratégias como aproveitar o conhecimento específico do domínio, fornecer exemplos do resultado desejado ou incorporar palavras-chave conhecidas por serem eficazes para qualquer modelo específico de IA generativa Como você vê, embora os dois conceitos girem em torno da criação de instruções, eles servem O design rápido consiste em adaptar as instruções às tarefas, enquanto a engenharia rápida visa aumentar o No entanto, eles não são mutuamente exclusivos. Na prática, criar um prompt eficaz geralmente envolve projetá-lo para a tarefa e projetá-lo para um melhor desempenho. Agora, vamos dar uma olhada em algumas das técnicas empregadas na engenharia rápida para maximizar a qualidade de saída de nossos modelos generativos de IA Um desses métodos é usar conhecimento específico do domínio. Quando você conhece bem a área de tarefas, pode aproveitar essa experiência para criar instruções que orientem o modelo com mais eficiência Por exemplo, se você trabalha com IA médica, pode usar terminologia e estruturas médicas em suas instruções para aumentar a precisão Outro método é usar palavras-chave conhecidas por serem eficazes para um modelo específico. Assim como na otimização de mecanismos de pesquisa, que palavras-chave específicas ajudam a classificar as páginas mais alto, determinadas palavras-chave podem direcionar o modelo com mais eficiência. A escolha das palavras-chave seria baseada nos dados de treinamento do modelo e nos padrões aprendidos. Com modelos como Bart ou chat GPT, você pode perguntar diretamente ao modelo sobre essas palavras-chave e como usá-las para otimizar sua solicitação Também devemos considerar estratégias avançadas, como estímulo a papéis, estímulo à tomada de decisão e estímulo à cadeia de pensamento solicitação de papéis é uma técnica em que instruímos o modelo GNAI a assumir uma determinada função ou personalidade enquanto gera sua saída Por exemplo, você pode instruir o modelo a responder como se fosse um historiador explicando as causas da Primeira Guerra Mundial O modelo então usa seus dados de treinamento para gerar uma resposta alinhada com essa pessoa A solicitação de foto, por outro lado, envolve dar uma foto do contexto antes da instrução real Você pode fornecer exemplos da saída desejada. Isso ajuda a orientar o modelo, fornecendo uma referência ou um plano do que é esperado Por exemplo, se você quiser um resumo de um documento, forneça alguns exemplos de resumos junto com o texto original Ou se você está procurando uma resenha de um filme, em vez de simplesmente dizer, escreva uma resenha do filme X, você poderia dizer: Imagine que você acabou de assistir ao emocionante filme X em um cinema lotado Escreva uma resenha do filme. Esse contexto adicional pode orientar o modelo para produzir resultados mais carregados de emoção e conscientes do contexto Existem diferentes tipos de solicitação de disparo, zero, um e poucos disparos Zero shot prompting executa o modelo Gen AI sem exemplos anteriores Por exemplo, traduza essa frase em inglês para o francês. O bate-papo está arrebatador. Aqui, estamos fornecendo uma tarefa sem um exemplo específico de como ela deve ser feita. solicitação única fornece um único exemplo de orientação Por exemplo, continue a história a seguir. Era uma vez em uma terra distante, houve uma noite corajosa Em seguida, fornecemos um exemplo de continuação da história. O modelo então tenta continuar a história seguindo o estilo do exemplo que fornecemos. E temos algumas solicitações de captura , também conhecidas como solicitação de várias fotos Aqui, fornecemos vários exemplos para auxiliar o modelo. Um exemplo seria pedir ao modelo que gerasse uma análise de produto, precedida por uma série de exemplos de avaliações de produtos O modelo tentará escrever uma avaliação semelhante aos exemplos que fornecemos. E por último, mas não menos importante, estimular a cadeia de pensamento envolve fornecer uma linha de raciocínio ou argumento para o modelo GNAI Em vez de uma pergunta ou instrução direta, você dá uma série de pensamentos que levam à pergunta. Por exemplo, em vez de perguntar quais são as causas do aquecimento global, você diria que vimos um aumento nas temperaturas globais nas últimas décadas. Essa mudança, muitas vezes chamada de aquecimento global, parece ser influenciada por vários fatores. Quais são essas causas? Essas estratégias podem aumentar a riqueza e a relevância da produção do modelo, demonstrando ainda mais o poder de uma engenharia rápida e habilidosa. Lembre-se de que esses não são métodos autônomos, mas geralmente podem ser combinados para criar um prompt poderoso Agora que entendemos essas técnicas, vamos passar às limitações da engenharia rápida. Embora a engenharia rápida abra oportunidades empolgantes para ajustar a produção de um modelo generativo de IA, é importante ter em mente que não é uma varinha mágica que sempre pode garantir resultados perfeitos Existem certas limitações e restrições que precisamos conhecer Primeiro, os modelos generativos de IA, embora poderosos, não são onipotentes Eles são treinados em uma grande variedade de dados, mas isso não significa que tenham a capacidade de responder com precisão a qualquer pergunta ou realizar qualquer tarefa que você solicitar. Por exemplo, o modelo não tem a capacidade de gerar conteúdo fora da data limite de treinamento ou prever eventos futuros com precisão Em segundo lugar, a precisão e a relevância da saída do modelo dependem muito da qualidade e clareza de sua solicitação. No entanto, mesmo um prompt perfeitamente elaborado nem sempre produz o resultado esperado devido à imprevisibilidade inerente aos modelos de IA Em terceiro lugar, mesmo com uma engenharia rápida e meticulosa, os modelos às vezes podem gerar resultados que são factualmente incorretos Isso ocorre porque esses modelos geram respostas com base nos padrões que aprenderam durante o treinamento e não entendem o conteúdo no sentido humano. E, por fim, certas tarefas podem exigir um nível de especificação ou conhecimento específico do domínio que supere o treinamento do modelo Um modelo generativo de IA de uso geral pode não ser capaz de gerar com precisão conteúdo altamente especializado ou responder a solicitações altamente técnicas em áreas como direito, matemática avançada ou subdisciplinas médicas específicas Portanto, embora a engenharia rápida seja uma ferramenta poderosa, é essencial estar ciente dessas limitações para manter expectativas realistas e usar modelos generativos de IA com mais eficiência Tudo bem, vamos encerrar as coisas. Hoje, exploramos o mundo das solicitações em modelos generativos Aprendemos sobre design e engenharia imediatos e discutimos vários métodos, como solicitação de disparo, solicitação rolagem e solicitação de cadeia de pensamento Lembre-se de que a engenharia rápida não é uma solução mágica. É uma ferramenta e, como qualquer ferramenta, tem suas limitações. Então, experimente criar seus próprios prompts e explore as possibilidades Obrigado por assistir, e nos vemos na próxima. 10. L3V1 - LLMs: Bem-vindo à introdução aos grandes modelos de linguagem. Modelos de linguagem grandes, ou LLMs, para abreviar, são um subconjunto do aprendizado profundo Eles se cruzam com a IA generativa, que também faz parte do aprendizado Já explicamos que a IA generativa é um tipo de inteligência artificial que pode produzir novos conteúdos, incluindo texto, imagens, áudio e dados sintéticos Mas o que são grandes modelos de linguagem? Quando usamos o termo modelos de linguagem grandes, nos referimos a grandes modelos de linguagem de uso geral que podemos pré-treinar e depois ajustar para atender às nossas necessidades para fins específicos. Mas o que queremos dizer com pré-treinado e ajustado? Pense no processo de treinar um cachorro. Normalmente, você instrui seu cão sobre comandos básicos, como sentar, se acalmar e ficar Esses comandos geralmente são suficientes para o dia a dia, ajudando seu cão a se tornar um cão bem comportado na vizinhança No entanto, quando você exige que um cão cumpra uma função especial, como cão de segurança, cão-guia ou cão policial, torna-se necessário um treinamento específico adicional. O mesmo princípio se aplica a grandes modelos de linguagem, assim como o treinamento especializado prepara os cães para suas funções únicas, ajuste fino de um modelo de linguagem grande pré-treinado permite que ele execute tarefas específicas com eficiência e precisão, seja análise de sentimentos ou tradução automática O modelo pode ser aprimorado para o Excel no domínio desejado. Esses modelos passam por treinamento com um foco amplo, preparando-os para lidar as tarefas padrão relacionadas ao idioma como classificação de texto, uma tarefa de processamento de linguagem natural amplamente usada que envolve a categorização do texto em grupos organizados com base em seu conteúdo Resposta a perguntas, que é uma tarefa significativa no processamento de linguagem natural, em que o modelo é treinado para entender e responder às perguntas com precisão, simulando essencialmente a capacidade humana compreender e responder Resumo de documentos, em que o modelo tem a tarefa produzir um resumo conciso e fluido de um texto grande, manter a essência e as ideias principais e ideias principais geração de texto em vários setores, criar texto semelhante ao humano, que pode ser adaptado a setores específicos, seja redigindo e-mails em comunicação corporativa, criando uma descrição do produto em de produzir um resumo conciso e fluido de um texto grande, manter a essência e as ideias principais e a geração de texto em vários setores, criar texto semelhante ao humano, que pode ser adaptado a setores específicos, seja redigindo e-mails em comunicação corporativa, criando uma descrição do produto em comércio eletrônico ou geração de relatórios de pacientes na área da saúde Esses modelos têm a capacidade de serem ajustados para resolver desafios exclusivos em vários setores, incluindo varejo, finanças e entretenimento, utilizando conjuntos de dados específicos de campo comparativamente menores Por exemplo, no varejo, eles podem ser usados para recomendações personalizadas de produtos com base em dados de texto. Enquanto trabalham com finanças, eles podem ajudar prever tendências de mercado a partir de relatórios financeiros Ou no setor de entretenimento, eles podem ajudar na geração de scripts ou na recomendação de conteúdo, mostrando a flexibilidade e a ampla aplicabilidade de grandes modelos de linguagem Vamos dividir ainda mais o conceito em três recursos principais de grandes modelos de linguagem. Modelos de linguagem grandes são amplos, uso geral, pré-treinados e ajustados. Vamos discutir cada um deles separadamente. O termo grande se refere a duas coisas. Em primeiro lugar, ele aponta para o enorme tamanho do conjunto de dados de treinamento, às vezes atingindo a escala de petabytes Em segundo lugar, aponta para o imenso número de parâmetros envolvidos No campo do aprendizado de máquina, esses parâmetros geralmente são chamados de hiperparâmetros Essencialmente, esses parâmetros atuam como a memória e o conhecimento que a máquina ganha durante o treinamento do modelo. Eles geralmente descrevem a proficiência de um modelo em abordar uma tarefa, como prever texto Ao ajustar esses parâmetros, podemos ajustar o desempenho do modelo para uma previsão mais precisa O propósito geral significa que os modelos são poderosos o suficiente para resolver problemas comuns do dia a dia Esse conceito é liderado por dois motivos. Em primeiro lugar, a linguagem humana exibe uma natureza universal, independentemente da tarefa distinta à qual é aplicada Em segundo lugar, temos que considerar as limitações de recursos. Somente um número limitado de organizações tem a capacidade de treinar esses enormes modelos de linguagem, que exigem conjuntos de dados extensos e uma grande quantidade de parâmetros Então, por que não deixar que essas organizações construam modelos linguísticos fundamentais que outras pessoas possam usar Isso nos leva ao aspecto final de grandes modelos de linguagem, pré-treinamento e ajuste fino. Essencialmente, isso significa que um grande modelo de linguagem é primeiro pré-treinado para casos de uso amplos, usando um extenso conjunto de dados, coletando uma ampla variedade de padrões e conhecimentos linguísticos Após esse estágio de pré-treinamento, o modelo é então ajustado para atender a objetivos específicos usando um conjunto de dados relativamente menor e mais especializado Esse processo de duas etapas garante que o modelo mantenha uma ampla base de entendimento ao mesmo tempo, seja capaz de compreender profundamente e gerar previsões específicas para um determinado campo ou tarefa E com isso, encerramos nossa introdução aos grandes modelos de linguagem. No próximo vídeo, discutiremos alguns dos benefícios do uso de LLMs. 11. L3V2 - benefícios do LMM: Neste vídeo, vamos explorar os vários benefícios usar modelos de linguagem grandes ou LLMs, de forma abreviada Veremos como esses impressionantes modelos de IA podem ser usados para uma variedade de tarefas, como funcionam com o mínimo de dados de treinamento de campo e como continuam melhorando à medida que mais dados e parâmetros são adicionados. Também discutiremos como LLMs se adaptam a diferentes cenários de aprendizado, mesmo com a presença de dados anteriores mínimos Então, espero que, ao discutir esses benefícios, possamos ver por que os LLMs são um grande avanço no campo da inteligência artificial Há muitos benefícios claros e impactantes na contratação Eles não estão restritos a uma única tarefa. Um modelo por si só é uma potência multitarefa diferentes. Esses sofisticados LLMs, que são treinados em um enorme volume de dados e desenvolvem bilhões de parâmetros, têm a capacidade lidar com uma variedade de tarefas Por exemplo, eles se destacam em responder perguntas. Os LLMs podem examinar seus extensos dados de treinamento para encontrar as respostas mais adequadas e precisas para uma ampla variedade de consultas Eles são capazes de entender o contexto, a ambigüidade e até mesmo as nuances da linguagem, os torna altamente eficazes em tarefas de resposta a perguntas O modelo gera uma resposta que corresponde ao contexto, tom e complexidade das consultas , fornecendo precisas e contextualmente adequadas Em termos de geração de texto, os LLMs realmente brilham. Eles podem criar textos de alta qualidade que sejam coerentes, contextualmente apropriados e notavelmente humanos Seja gerando uma notícia, escrevendo um poema ou até mesmo criando uma história envolvente, os LLMs são altamente capazes Eles também podem auxiliar em tarefas como criação de conteúdo, assistência na redação e até mesmo na conclusão do rascunho. Ao considerar a entrada fornecida e usar sua vasta base de conhecimento, eles podem gerar um texto que não é apenas gramaticalmente correto, mas também rico em conteúdo atenda às demandas de vários casos de uso Modelos de idiomas grandes também são altamente capazes de traduzir idiomas. Equipados com o conhecimento de vários idiomas a partir de seus extensos dados de treinamento, eles podem traduzir textos com precisão de um idioma para outro, mantendo o significado semântico e o contexto do texto original Eles não apenas trabalham com idiomas comumente falados, mas os LLMs também podem lidar com idiomas menos usados, tornando-os uma ferramenta inestimável para a comunicação intercultural Além disso, eles podem compreender e se adaptar a diferentes dialetos, gírias e linguagem informal, garantindo que as traduções sejam precisas, legíveis compreender e se adaptar a diferentes dialetos, gírias e linguagem informal, garantindo que as traduções sejam precisas, legíveis e com som natural. LLMs também são uma ferramenta poderosa quando se trata de brainstorming Eles podem gerar ideias, sugerir perspectivas alternativas e contribuir para a solução criativa de problemas. Se você está procurando um título atraente, estratégia de marketing exclusiva ou um novo enredo para um romance, esses modelos podem gerar inúmeras possibilidades com base no contexto que você fornece Ao treinar com uma grande variedade de dados, eles aprenderam a criar ideias diversas e inovadoras que podem despertar mais inspiração e ajudar a levar seu projeto adiante Além disso, eles também podem oferecer críticas e sugestões para melhorar as ideias existentes, atuando como um parceiro artificial de brainstorming disponível a qualquer momento E tem muito mais. Além da tarefa que discutimos até agora, LLMs têm uma abundância de outros recursos Por exemplo, eles podem ser usados na análise de sentimentos, determinando se um texto transmite um sentimento positivo, negativo ou neutro Eles podem ajudar a resumir textos longos. Os LLMs também podem ser usados em sistemas de tutoria, fornecendo explicações para tópicos complexos em uma variedade As possibilidades são infinitas e estão em constante expansão à medida que esses modelos continuam evoluindo e melhorando Outro grande benefício dos grandes modelos de linguagem é sua capacidade de ter desempenho impressionante com o mínimo de dados de treinamento adaptados a um problema específico Eles podem fornecer resultados de qualidade mesmo quando fornecidos com uma pequena quantidade de dados específicos do domínio. Essa qualidade os torna altamente adaptáveis a cenários de aprendizado com poucas ou nenhuma chance Agora, não vamos nos confundir aqui. Deixe-me explicar qual é a diferença entre o aprendizado de fotos e a solicitação de fotos Conforme discutimos no vídeo de engenharia rápida, solicitação de captura envolve fornecer uma foto do contexto antes da instrução real Esse contexto adicional pode orientar o modelo para produzir resultados mais carregados de emoção e conscientes do contexto Também dissemos que existem diferentes tipos de solicitação de disparo, zero, um e poucos disparos Zero shot prompting executa o modelo GNAI sem exemplos anteriores solicitação de uma foto fornece um único exemplo, e a solicitação de poucas fotos fornece vários exemplos para auxiliar o modelo No contexto do aprendizado de máquina, o aprendizado poucas fotos se refere a cenários em que um modelo é treinado em um conjunto limitado de dados. Esse processo é particularmente benéfico em situações em que grandes quantidades de dados de treinamento não estão disponíveis ou não são práticas. Por outro lado, zero shot se refere a uma capacidade ainda mais impressionante dos modelos. Isso implica que um modelo pode identificar e compreender conceitos ou tarefas os quais não foi explicitamente treinado É como ter um sistema inteligente que pode fazer suposições lógicas e fornecer soluções com base no conhecimento adquirido, mesmo quando confrontado com cenários completamente novos Assim, podemos ver que os LLMs podem se destacar mesmo em cenários de zero chance, graças ao treinamento em vastos conjuntos Eles podem lidar com novas situações aproveitando seu amplo conhecimento para inferir respostas apropriadas, mesmo sem terem encontrado diretamente o cenário específico em seus dados de treinamento Em essência, os LLMs podem ser rapidamente adaptados a uma ampla gama de tarefas, mesmo quando essas tarefas estão fora do domínio específico em que o modelo foi originalmente treinado Essa adaptabilidade abre um mundo de possibilidades para o uso desses modelos em diversos campos e aplicações Um dos principais benefícios dos LLMs é sua melhoria consistente à medida que aumentamos a quantidade de dados e o número de parâmetros envolvidos em seu treinamento Por exemplo, considere a jornada do GPT 3.5 com 175 bilhões de parâmetros para o GPT quatro com uma estimativa de 170 trilhões O aumento exponencial na contagem de parâmetros levou a um avanço notável nas capacidades, compreensão e precisão do modelo Essa tendência de crescimento sugere que os LLMs podem evoluir ainda mais à medida que continuamos a ultrapassar os limites dos dados e recursos computacionais disponíveis O GPT quatro supera significativamente o GPTs 3.5 devido ao seu maior número Ele mostra uma compreensão superior dos contextos e nuances, fornece respostas mais precisas e tem um melhor desempenho nas tarefas de tradução e resumo Além disso, o GPT quatro é mais capaz de entender instruções complexas sem precisar dividi-las em etapas menores, demonstrando sua capacidade superior se adaptar a cenários de aprendizado de zero e poucos disparos E o quarto benefício dos LLMs é que, ao interagir em linguagem natural, eles melhoram a acessibilidade à IA para qualquer pessoa com um computador básico, eliminando a necessidade de habilidades técnicas especializadas Se você é um estudante procurando ajuda com a lição de casa, um escritor que precisa de inspiração ou um empresário em busca de análise de tendências de mercado, LLMs estão aqui Suas habilidades de reconhecimento de fala e síntese de voz humana abrem possibilidades para aqueles que podem ter dificuldades para digitar ou até mesmo para pessoas que não sabem ler e escrever Além disso, seus recursos de tradução de alta qualidade eliminam as barreiras linguísticas, tornando essas ferramentas poderosas utilizáveis para pessoas de diferentes grupos demográficos e origens Essencialmente, os LLMs estão transformando a maneira como interagimos com a tecnologia, trazendo habilidades complexas de IA para uma ampla gama de usuários Concluindo, grandes modelos de linguagem estão derrubando barreiras, tornando a IA acessível a todos. Com seus recursos versáteis e potencial em constante evolução, LLMs estão revolucionando a maneira como interagimos com a tecnologia interagimos Ao olharmos para o futuro, certeza veremos esses modelos continuarem melhorando nossas vidas e nosso trabalho de maneiras inimagináveis No próximo vídeo, analisaremos um pouco mais detalhadamente três exemplos de LLMs Palm e Lambda do Google e GPT da Open AI. Nos vemos na próxima. 12. L3V3 - exemplos de LLMs: Neste vídeo, veremos alguns exemplos de grandes modelos de linguagem. Entramos nos detalhes de três LLMs de última geração, Palm, Lambda e GPT, e também discutiremos alguns outros LLMs, que se mostraram promissores no campo da Então, vamos começar com Palm, que significa pathways language model O Palm é um modelo de linguagem de 540 bilhões de parâmetros desenvolvido pelo Google AI Ele é treinado em um enorme conjunto de dados de textos e códigos e pode realizar uma ampla variedade de tarefas, incluindo resposta a perguntas, inferência de linguagem natural, geração de código, tradução Ele utiliza o sistema de caminhos do Google, que permite que ele seja treinado em um enorme conjunto de dados de texto Com 540 bilhões de parâmetros, Palm é um dos maiores modelos de linguagem do mundo É um modelo denso de transformador exclusivo para decodificadores, o que significa que foi projetado especificamente para tarefas de geração de linguagem natural Palm pode alcançar um desempenho de O Palm pode alcançar um desempenho de última geração na maioria das tarefas, o que significa que ele pode aprender a realizar uma nova tarefa com apenas alguns exemplos. Isso faz do Palm uma ferramenta poderosa para uma variedade de aplicações. Então, o que é o sistema de caminhos? O sistema Pathway é uma arquitetura de IA que permanece altamente eficaz enquanto gera em diferentes domínios e tarefas Ele é capaz de treinar com eficácia um único modelo em vários quatro pods TPU V, que são aceleradores de aprendizado de máquina de design personalizado do Google aprendizado de máquina de design Isso permite que o sistema Pathway realize muitas tarefas ao mesmo tempo, reflita uma melhor compreensão do mundo e aprenda novas tarefas rapidamente Os sistemas Pathway conseguem isso usando várias técnicas, incluindo paralelismo de modelos Essa técnica permite que vários modelos sejam treinados nos mesmos dados simultaneamente. Isso pode melhorar a velocidade de treinamento e a eficiência do sistema de caminhos Paralelismo de dados. Essa técnica permite que várias cópias do mesmo modelo sejam treinadas em conjuntos de dados diferentes Isso pode melhorar a precisão do sistema Pathway, permitindo que ele aprenda com uma variedade maior de dados e com o aprendizado automático Essa técnica permite que o sistema pathway otimize automaticamente seus parâmetros de treinamento Isso pode melhorar o desempenho do sistema de caminhos, evitando que ele se ajuste demais aos dados de O sistema Pathway ainda está em desenvolvimento, mas tem o potencial de revolucionar a forma como construímos e implantamos modelos Ao permitir que os modelos orquestrem a computação distribuída para aceleradores, os sistemas Pathway podem facilitar a criação e o treinamento de modelos de IA grandes e complexos que podem lidar com uma A seguir, vamos discutir outro LLM do Google, o Lambda. Lambda significa modelo de linguagem para aplicativos de diálogo. Lambda é uma família de modelos de linguagem neural desenvolvidos pela IA do Google Ele é treinado em diálogo e tem até 130 bilhões de parâmetros, pré-treinados em um conjunto de dados de 1,56 trilhão de Lambda tem três objetivos principais de qualidade, segurança e solidez. Esses objetivos são medidos por métricas como sensibilidade, especificidade, interesse Lambda foi projetado para ser informativo e abrangente, além de ser seguro e fundamentado É capaz de gerar diferentes formatos de texto criativo, como poemas, códigos, scripts, peças musicais, e-mail, cartas e muito mais Ele fará o possível para atender a todos os seus requisitos. Lambda tem o potencial de revolucionar a forma como interagimos com computadores Ele pode ser usado para criar experiências de diálogo mais naturais e envolventes e para fornecer aos usuários assistência mais útil e informativa Como dissemos anteriormente, há três benefícios principais no Lambda Diálogo único, natural e envolvente. Lambda pode se engajar em diálogos naturais e envolventes com humanos Ele pode entender o contexto de uma conversa e responder de uma forma informativa e interessante Dois, assistência útil e informativa. Lambda pode fornecer aos usuários assistência útil e informativa. Ele pode responder perguntas, gerar formatos de texto criativos e seguir as instruções. E três, seguro e aterrado. O Lambda foi projetado para ser seguro e aterrado. Ele é treinado em um enorme conjunto de dados de texto e código e é capaz de distinguir entre conteúdo seguro e não seguro E agora vamos passar para o GPT da OpenAI, que é a abreviação de transformador generativo pré-treinado GPT é um tipo de modelo de aprendizado profundo usado para gerar texto semelhante ao humano Foi desenvolvido pela OpenAI, uma empresa de pesquisa sem fins lucrativos e é financiado pela Microsoft GPT utiliza uma arquitetura de transformador, que é um tipo de rede neural adequada para tarefas de processamento de linguagem natural Os parâmetros da versão mais recente do GPT, que é o GPT quatro , não foram divulgados, mas provavelmente é muito maior do que os 3,575 bilhões de parâmetros do GPT Isso significa que o GPT quatro tem uma capacidade maior de aprender e entender a linguagem O GPT quatro também demonstrou ser proficiente em avaliações de habilidades, como Em um estudo recente, o GPT obteve quatro pontuações no 90º percentil no exame da ordem, que é um teste padronizado exigido para admissão na Ordem que é um teste padronizado dos Advogados em muitas jurisdições GPT é uma ferramenta poderosa que pode ser usada para uma variedade de tarefas, incluindo gerar texto, responder perguntas, traduzir idiomas e Além do que discutimos até agora, há outros LLMs que estão transformando a forma como encaramos IA e estão ajudando a moldar o futuro do campo Vamos analisar brevemente alguns deles. O primeiro é visitar o NLG by Microsoft, um modelo de linguagem em maior escala treinado em diversos textos da Internet que é capaz de escrever parágrafos coerentes Burt by Google, um modelo revolucionário baseado em transformadores que é pré-treinado em um grande corpus de textos e ajustado para várias tarefas de processamento de linguagem natural, fornecendo um alto nível de compreensão do contexto e dos significados semânticos Transformer XL, um modelo de linguagem desenvolvido pela equipe cerebral do Google que lida de forma inovadora com dependências de longo prazo em sequências, melhorando significativamente o desempenho de tarefas como geração e tradução de texto tarefas Há também o Excel Net, que é uma extensão do transformador xl, desenvolvido pelo Google Brain e pela Carnegie Ele usa um método de treinamento baseado em permutação para superar algumas limitações do BIRT e superá-lo Electra é uma abordagem de pré-treinamento altamente eficiente desenvolvida pela pesquisa do Google que usa menos poder de computação para desempenho semelhante ou até melhor do que modelos como Temos o transformador Megatron, um modelo baseado em transformador desenvolvido pela Nvidia, projetado para treinar modelos de linguagem muito grandes um modelo baseado em transformador desenvolvido pela Nvidia, projetado para treinar modelos de linguagem muito grandes com bilhões de parâmetros. Ele aproveita os recursos de processamento paralelo das GPUs modernas E temos o ama introduzido pelo meta, Lama é um modelo de linguagem básico, menor, mas com alto desempenho Ele foi projetado para ampliar o acesso à pesquisa de IA, exigindo menos poder computacional e recursos para testar novas abordagens e validar Lama também pode estar disponível em tamanhos diferentes, variando de 7000000000-65 Então, neste vídeo, mergulhamos nos empolgantes avanços em grandes modelos de linguagem, com foco no Palm e Lambda do Google AI, bem como no GPT da OpenAI Também destacamos outros modelos de destaque na área, como touring Energy, BRT, XLNt Discutimos como esses LLMs com parâmetros que podem chegar a centenas de bilhões redefinem o aprendizado multitarefa e revolucionam nossa interação com Esses modelos já demonstraram suas habilidades excepcionais em tarefas como geração de texto e até mesmo avaliações práticas, como exame de ordem, e estão cada vez melhores 13. L3V4 - modelos de base: Neste vídeo, você aprenderá sobre modelos básicos que, como o nome sugere, fornecem uma base para modelos generativos de IA Especificamente, começamos fornecendo uma definição para os modelos básicos e explicando o que eles são. Em seguida, falaremos sobre plataformas que fornecem diferentes tipos de modelos de fundação com foco no jardim de modelos da IA de vértices e encerraremos o vídeo discutindo diferentes tipos de modelos de fundação Agora, o que são modelos básicos? Vamos pedir a Bart que nos ajude a responder à pergunta. Ele fornece três rascunhos diferentes. Os modelos básicos são grandes redes neurais pré-treinadas que podem ser ajustadas para uma variedade de tarefas, como processamento de linguagem natural, visão computacional e reconhecimento de fala Os modelos básicos são grandes modelos de linguagem treinados em grandes conjuntos de dados que podem ser ajustados para uma variedade de tarefas posteriores, como tradução, resposta a perguntas Os modelos básicos são grandes modelos de aprendizado de máquina pré-treinados que podem ser adaptados a uma ampla variedade de tarefas, como processamento de linguagem natural, visão computacional e robótica Portanto, os modelos básicos são grandes modelos de IA que podem ser adaptados a uma ampla variedade de tarefas e podem gerar resultados de alta qualidade. Embora os modelos de IA não sejam novos para nós, há algo bem diferente nesses modelos básicos. Eles vêm equipados com várias características principais que os diferenciam, marcando uma mudança significativa em relação aos modelos de IA que vimos nas gerações anteriores. Os modelos básicos não se limitam a uma única tarefa. Eles são multitarefas. Um único modelo básico pode lidar com uma ampla variedade de tarefas imediatamente, como resumo, resposta a perguntas ou classificação Eles podem lidar com várias modalidades de tipos de dados, incluindo imagens, texto, código e muito mais Com o mínimo ou nenhum treinamento, os modelos básicos podem funcionar bem imediatamente. Eles também podem ser personalizados para casos de uso específicos usando apenas alguns exemplos de dados Como geralmente são treinados em grandes quantidades de dados diversos, esses modelos podem aprender padrões e representações gerais, que podem ser aplicados em vários domínios e tarefas Antes, os modelos de fundação eram difíceis de acessar. São necessárias habilidades especializadas de aprendizado de máquina e recursos computacionais para uso na produção Mas com a recente onda de avanços na IA generativa, as coisas estão Por exemplo, veja a Vertex AI, uma plataforma de aprendizado de máquina totalmente gerenciada disponível no Google Cloud Se você já está familiarizado com as ferramentas do Google Cloud, já sabe que o Vertex AI permite acessar, criar, experimentar, implantar e gerenciar diferentes modelos de aprendizado de máquina Coisas como ciência de dados tradicional, aprendizado de máquina, MLPs ou simplesmente criar um aplicativo baseado em IA O Vertex AI está equipado para suportar todas essas cargas de trabalho. Isso é muito legal e tudo mais, mas é aí que as coisas começam a ficar realmente interessantes. Recentemente, o Google Cloud anunciou duas ferramentas principais que nos permitem fazer ainda mais jardins de modelos e estúdios generativos de IA Essas ferramentas disponibilizam os modelos básicos para um público muito mais amplo, mesmo sem muita experiência com programação e desenvolvimento de ML A última seção deste curso é dedicada à introdução das ferramentas de IA do Google Cloud Gen, e falaremos mais sobre o estúdio de IA generativa nessa seção Então, neste vídeo, vamos nos concentrar apenas no jardim modelo. O que é exatamente onde está o XAI Model Garden? É um único lugar para explorar e interagir com os modelos líderes do setor do Google, bem como com os modelos de código aberto populares, ou com o suporte EmlOpStoling corporativo do Google Cloud incorporado Ele abriga modelos tradicionais de aprendizado de máquina e modelos básicos para aplicativos generativos de IA Dentro do Model Garden, você encontrará uma variedade de modelos do Google Cloud, Google Research e de várias fontes externas, acomodam uma variedade de formatos de dados Então é assim que parece o Model Garden da Vertex AI Com diversos modelos prontos para uso corporativo à sua disposição, Model Garden permite que você selecione o modelo mais adequado, dependendo do seu caso de uso, sua experiência em ML e do orçamento disponível. Lembre-se de que estamos usando Model Garden da Vertex AI como um exemplo de plataforma que Google Cloud fornece para diferentes IA generativa e outras ferramentas e APIs de aprendizado de máquina Existem outras empresas que também têm suas próprias versões do Model Garden. Por exemplo, Amazon Sagemaker, assistente do IBM Watson, e Vida Clara, data IKAI, Open AI chat GPT API, Microsoft Azores Machine Learning, data Robot AI e Databricks LakehousePlatform, todos fornecem ferramentas e APIs para modelos tradicionais de aprendizado de máquina e modelos básicos de IA generativa. modelos básicos de IA generativa. Existem diferentes tipos de modelos básicos, incluindo geração e resumo de texto, bate-papo e diálogo, geração e preenchimento de código, geração e modificação de imagens e incorporações Agora, vamos dar uma olhada mais profunda em cada um deles. Modelos de texto. Esses modelos ajudam você a realizar tarefas de linguagem natural com zero ou poucas solicitações. Eles podem realizar tarefas como resumo, extração de entidades e informações, geração de ideias e muito mais Por exemplo, um jornalista pode usar modelos de texto para resumir grandes artigos ou reportagens Um pesquisador acadêmico pode extrair entidades específicas de informações de um enorme corpus de artigos ou, em uma sessão de brainstorming, um empreendedor pode usar o modelo para gerar novas ideias Conforme mencionado anteriormente, esses modelos funcionam de forma eficaz assim que saem da caixa. No entanto, se desejar que o modelo siga determinadas especificações, você pode fornecer exemplos estruturados para orientar suas respostas. Isso permite uma experiência personalizada que se alinha às suas necessidades e objetivos específicos Em seguida, vamos nos concentrar no diálogo. Esses modelos também são baseados em texto, mas foram ajustados para manter uma conversa natural Os modelos de diálogo permitem que você participe de conversas em vários turnos, mantendo o contexto durante toda a interação. Considere um cenário em uma central de atendimento ao cliente um chatbot de IA alimentado por esses modelos de diálogo pode ajudar os clientes a se lembrarem da conversa anterior e a fornecer respostas contextuais Ele pode responder perguntas, resumir informações ou até mesmo orientar os usuários em procedimentos complexos ou ao mesmo tempo em que está ajustado ao seu domínio específico Esses modelos podem ajudá-lo a criar ferramentas poderosas que aprimoram consideravelmente a experiência do usuário, sejam elas implantadas em um navegador, aplicativo móvel ou outras interfaces digitais Passando para o preenchimento e geração de código. Esses modelos funcionam como seu assistente de codificação sobrecarregado. Você pode dar um baile de formatura em linguagem natural para descrever um trecho de código que você deseja escrever, ou você pode usar o modelo para completar automaticamente um trecho de código Existem até extensões para IDEs que podem receber um trecho de código parcial como entrada e, em seguida, fornecer a provável Imagine que você está trabalhando em um projeto de software complexo. Ele pode ajudar a eliminar os aspectos entediantes da codificação e até mesmo fornecer ajuda na depuração do código, permitindo que você, como desenvolvedor, se concentre mais na solução criativa de problemas e menos na sintaxe criativa de problemas e menos na sintaxe e menos na sintaxe E agora vamos mergulhar na geração de imagens. Esses modelos permitem gerar e editar imagens de acordo com suas especificações. Além disso, você pode utilizar esses modelos para tarefas relacionadas à mídia, como classificação, detecção de objetos e muito mais. Além disso, esses modelos normalmente incorporam mecanismos de moderação de conteúdo para garantir práticas responsáveis de segurança de IA Imagine que você está criando uma plataforma de comércio eletrônico. Um modelo para detecção de objetos pode marcar automaticamente itens nas imagens do produto, enquanto um modelo de geração de imagens pode criar novas imagens do produto com base nas descrições. O recurso de moderação de conteúdo garantiria que todo o conteúdo gerado pelo usuário alinhado com a política da sua plataforma, aprimorando a experiência do usuário, por último, mas definitivamente não menos importante Vamos falar sobre incorporações, que podem parecer um pouco complexas, mas na verdade são um conceito muito legal Então, deixe-me explicar isso para você. Imagine que você tem uma enorme cesta de frutas e quer separá-las. Você pode classificá-los por cor, tamanho, peso ou até mesmo sabor. Da mesma forma, no mundo dos dados, muitas vezes precisamos classificar ou categorizar as coisas. Mas as coisas com as quais estamos lidando são palavras ou frases, não frutas. É aí que entram as incorporações. Eles são como um cartão de identificação exclusivo para cada palavra ou frase, mas em vez de um cartão, é uma lista de números, que chamamos de vetor. Essa lista de números captura a essência dessa palavra ou frase significado é o contexto e suas relações com outras palavras. Com as incorporações, podemos entender dados não estruturados, como um livro longo ou um feed do Twitter, e usar esse entendimento para fazer coisas como alimentar mecanismos de recomendação ou direcionar anúncios Por exemplo, considere o domínio do comércio eletrônico. Um modelo de incorporação pode ser usado para alimentar mecanismos de recomendação, combinando os usuários com os produtos nos quais eles têm maior probabilidade se interessar com base em seu histórico de navegação Ou, no marketing digital, esses modelos podem aprimorar os sistemas de segmentação de anúncios, permitindo publicidade altamente personalizada Eles também podem ser usados para tarefas complexas de classificação, funcionalidade de pesquisa e muitos outros aplicativos. Portanto, em conclusão, os modelos básicos representam um avanço significativo na tecnologia de IA Eles oferecem uma base adaptável poderosa que pode ser usada para uma ampla variedade de tarefas logo que saem da caixa Com plataformas como o Model Garden da Vertex AI, essas ferramentas estão mais acessíveis do que nunca, colocando recursos avançados de IA nas mãos de uma população muito maior de usuários De tarefas de linguagem natural a diálogos multiturnos, implementação de código, geração e modificação de imagens e extração de informações semânticas, as aplicações potenciais desses modelos são Seja aprimorando o atendimento ao cliente com chatbots de IA, auxiliando desenvolvedores com código gerado automaticamente ou alimentando mecanismos de recomendação, ou alimentando mecanismos de recomendação modelos básicos estão moldando Com os modelos básicos e o poder da IA generativa, não estamos apenas prevendo o futuro Estamos construindo isso. No próximo vídeo, veremos alguns dos aplicativos incríveis que diferentes tipos de modelos generativos de IA oferecem 14. L3V5 - Desenvolvimento LLM: Vamos falar sobre como grandes modelos de linguagem são desenvolvidos. Neste vídeo, começamos fornecendo uma comparação entre o desenvolvimento de LLM e o desenvolvimento tradicional de aprendizado de máquina Em seguida, falaremos sobre três tipos principais de LLMs e, no final, discutiremos um conceito chamado raciocínio em cadeia de pensamento e como isso pode ajudar a criar melhores instruções para LLMs. Vamos começar comparando o desenvolvimento de LLMs usando modelos pré-existentes com a abordagem tradicional de desenvolvimento de aprendizado de máquina No mundo do LLM, não há pré-requisitos para conhecimentos técnicos ou exemplos extensivos de treinamento, e Você também pode esquecer o treinamento de modelos. Tudo gira em torno da arte do design rápido, claro, conciso e cheio de informações úteis Por outro lado, o aprendizado de máquina tradicional exige que você arregace as mangas e se aprofunde em exemplos de treinamento, treinamento de modelos e, às vezes, até mesmo precise de um conhecimento básico de hardware e poder de computação Existem três tipos principais de LLMs: genéricos, ajustados por instruções e ajustados por diálogo Cada um desses modelos exige seu estilo único de solicitação. Os modelos genéricos de linguagem funcionam como o preenchimento automático do telefone, prevendo a próxima palavra com base nos padrões linguísticos dos dados de treinamento Os modelos ajustados à instrução, por outro lado, respondem a diretrizes específicas, seja resumindo um texto, gerando um poema no estilo de um poeta famoso ou oferecendo uma análise do sentimento de uma declaração Esses modelos seguem as instruções incorporadas na entrada. Por fim, temos modelos ajustados ao diálogo. Esses são um subconjunto de modelos ajustados por instruções, projetados especificamente para um contexto interativo, como um bate-papo com um bot Então, vamos mergulhar em exemplos desses três tipos e vê-los em ação. Antes de entrar em exemplos de diferentes tipos de LLMs, vamos fornecer uma definição para tokens Um token é uma unidade de dados que o modelo processa. Pode ser uma palavra ou parte de uma palavra. Começaremos com os modelos genéricos de linguagem. Eles são bem simples. Sua tarefa principal é prever a palavra subsequente com base no contexto fornecido pelos dados de treinamento. Vamos dar um exemplo simples. O gato se sentou e agora queremos saber qual é a próxima palavra mais provável o modelo nos diz qual é essa resposta Assim como os recursos de preenchimento automático do seu telefone sugeririam É um vislumbre fascinante de como a IA pode imitar a forma como nos comunicamos naturalmente Passando para os modelos ajustados às instruções, esses modelos se destacam quando se trata de gerar respostas Eles seguem o exemplo das instruções fornecidas na entrada, seja uma solicitação para resumir um texto, gerar um poema em um estilo específico ou até mesmo classificar um ou até mesmo classificar É como ter seu próprio assistente digital, sempre em espera para executar suas instruções com precisão E, por fim, temos modelos ajustados por dialeto, que são um tipo especializado de modelos ajustados por instruções No entanto, eles não estão apenas esperando instruções. Eles são treinados para se envolver em uma conversa de ida e volta. Normalmente, você pode encontrá-los na forma de chatbots Se você já fez uma pergunta a um assistente virtual, é provável que tenha interagido com esse tipo de modelo Tudo se resume a permitir uma interação conversacional natural Agora é hora de explorar um conceito interessante, o raciocínio em cadeia de pensamento Essa é uma observação de que os modelos são mais precisos na produção respostas corretas quando geram pela primeira vez um caminho ou cadeia de raciocínio que leva à Vamos considerar um exemplo simples. Roger tem cinco bolas de tênis e compra mais duas latas, cada uma com Quantas bolas Roger tem agora? Inicialmente, o modelo pode ter dificuldade em fornecer a resposta correta. No entanto, depois de apresentar o problema pela segunda vez, o modelo fica mais propenso a concluir com a resposta correta. O raciocínio da cadeia de pensamento ajuda a aprimorar as capacidades de compreensão e resposta de grandes modelos de linguagem Concluindo, o desenvolvimento e a implantação de grandes modelos de linguagem abrem novos e empolgantes caminhos no mundo do aprendizado de máquina À medida que continuamos aprimorando e refinando essas tecnologias, prevemos um futuro em que compreensão avançada da linguagem pela IA mude drasticamente nossa interação com Agora que entendemos como os LLMs são desenvolvidos, é hora de ver por que ajustá-los para tarefas específicas é importante e como podemos ajustar os LLMs de forma eficiente Nos vemos no próximo vídeo. 15. L3V6 - LLMs de ajuste: Neste vídeo, falaremos sobre a importância de ajustar LLMs para tarefas específicas e como fazer isso com eficiência É uma ideia interessante ter um modelo que possa lidar com tudo. Mas, na prática, os LLMs vêm com seu quinhão de limitações Para aumentar sua confiabilidade e eficiência, LLMs precisam ser ajustados para tarefas específicas e em conhecimentos de domínio específicos Assim como um atleta profissional especializado em seu esporte, esses modelos precisam refinar suas habilidades para dominar seu desempenho Vamos começar com um exemplo de tarefa simples. Resposta de perguntas. Esse é um subdomínio do processamento de linguagem natural que trata de responder automaticamente às perguntas feitas na linguagem cotidiana Esses sistemas de perguntas e respostas são potentes capazes de lidar com uma variedade de questões, desde factuais até baseadas em opiniões, graças ao seu extenso treinamento potentes capazes de lidar com uma variedade de questões, desde factuais até baseadas em opiniões, graças ao seu extenso treinamento em texto e código. No entanto, o ingrediente secreto para o sucesso desse modelo é o conhecimento do domínio. Considere isso. Quando você está desenvolvendo um modelo de controle de qualidade para suporte ao cliente, assistência médica ou cadeia de suprimentos, o conhecimento do domínio se torna um requisito essencial. No suporte ao cliente, um LLM ajustado ao domínio pode fornecer informações sobre assinaturas e serviços, garantindo que seus clientes fornecer informações detalhadas sobre assinaturas e serviços, garantindo que seus clientes recebam um serviço eficiente assistido por IA. No campo da educação, esses modelos podem oferecer informações detalhadas sobre cursos, mensalidades ou políticas acadêmicas Para a área da saúde, eles poderiam servir como ferramentas de autogestão para pacientes, fornecendo informações críticas relacionadas à saúde. As empresas de varejo poderiam se beneficiar de melhores chatbots de IA e visualização de produtos, elevando a experiência do cliente E no campo do gerenciamento da cadeia de suprimentos, LLMs podem oferecer valiosas sobre logística e informações de inventário E não vamos esquecer as grandes empresas de tecnologia. Eles poderiam usar esses modelos para fornecer suporte técnico superior aos clientes. Cada setor tem seus próprios requisitos exclusivos, e o ajuste de um LLM, acordo com essas especificações, pode aumentar drasticamente a eficácia do modelo Embora os modelos generativos de perguntas e respostas possam usar sua base de conhecimento de treinamento para responder perguntas sem precisar de conhecimento de domínio específico, ajuste fino desses modelos no conhecimento específico do domínio aumenta significativamente sua É como fornecer ao modelo um mapa detalhado do terreno em que ele deve navegar Veja o Vertex AI como exemplo. Ele fornece modelos básicos de tarefas específicas que já estão ajustados para uma variedade de casos de uso Digamos que você queira entender os sentimentos do seu cliente em relação ao melhor os sentimentos do seu cliente em relação ao seu produto ou serviço Vertex AI tem um modelo de tarefa de análise de sentimentos que é ideal para o Talvez você esteja no setor de varejo ou imobiliário e precise realizar análises de ocupação Também existe um modelo específico de tarefa projetado para isso. Esses modelos, aperfeiçoados para tarefas específicas, demonstram o valor do ajuste Eles são mais eficientes, direcionados e eficazes em seus respectivos trabalhos. A capacidade de selecionar e usar um modelo que se alinhe suas necessidades específicas pode aumentar drasticamente a eficácia geral de suas soluções de IA Ok, agora é hora de definir formalmente o que queremos dizer com ajuste ajuste se refere ao processo de adaptação de um modelo pré-treinado a uma tarefa mais específica , como um conjunto de casos de uso personalizados ou novo domínio, treinando-o em novos dados O ajuste é obtido treinando o modelo em novos dados relevantes para a tarefa em questão. Por exemplo, se estivermos trabalhando no setor jurídico ou médico, coletaremos dados de treinamento desses domínios para ajustar nosso modelo adequadamente Mas o que é ajuste fino? Pense no ajuste fino como um ajuste de alta precisão no modelo. Você traz seu próprio conjunto de dados e treina novamente o modelo, afetando cada peso no LLM Pode ser um trabalho intensivo em mão-de-obra e recursos e requer a hospedagem de seu próprio modelo de ajuste fino. E isso pode torná-lo impraticável para muitos casos de uso. Mas é importante saber que um modelo de ajuste fino está equipado com um alto nível de precisão e especificidade. Vamos dar um exemplo do mundo real para ilustrar o poder do ajuste fino Imagine um modelo básico de assistência médica que tenha sido amplamente treinado em uma ampla variedade de dados de saúde Ele pode realizar várias tarefas sem problemas, respondendo a perguntas médicas, analisando imagens médicas, encontrando pacientes com condições semelhantes e muito mais A razão por trás desse sucesso é o ajuste fino com o conhecimento específico do domínio. Ao fazer isso, ele se torna um especialista em vez de um generalista, fornecendo resultados precisos e confiáveis no contexto da saúde Esse processo ressalta o imenso potencial e a versatilidade do ajuste, transformando um modelo único para todos em uma ferramenta altamente especializada para navegar em uma ferramenta altamente especializada para navegar O ajuste fino é uma ótima maneira melhorar o desempenho de um modelo, mas, semelhante à reforma de uma casa inteira , pode ser caro e nem sempre prático Então, se estamos procurando uma maneira mais eficiente ajustar grandes modelos de linguagem, o que podemos fazer? Uma abordagem a seguir são métodos de ajuste com eficiência de parâmetros, ou PETM, para abreviar Pense no PETM como uma reforma completa em seu modelo em vez de uma reforma completa Normalmente, com o ajuste fino, ajustamos todos os parâmetros do modelo, que é complicado e demorado. Mas com o PETM, nos concentramos em alterar apenas um pequeno subconjunto desses parâmetros ou até mesmo adicionar alguns novos Talvez adicionemos algumas camadas extras ao modelo ou adicionemos uma informação extra. Descobrir a melhor maneira de fazer isso ainda é um tópico importante entre os pesquisadores A principal conclusão aqui é que o PETM é como um atalho. Isso nos ajuda a evitar a necessidade de retreinar todo o modelo, economizando tempo, esforço e recursos Além disso, ele até simplifica o processo de uso desses modelos posteriormente, pois apenas usamos o modelo básico e adicionamos nossos bits extras Agora chegamos à conclusão de nossa exploração do mundo dos grandes modelos de linguagem. Nesta seção, obtivemos informações valiosas sobre LLMs, começando com uma introdução à sua estrutura e função Discutimos os inúmeros benefícios do uso de LLMs e fornecemos alguns exemplos deles, incluindo Palm, Lambda e Também falamos sobre o processo de desenvolvimento do LLM, destacando como ele é diferente do tradicional de aprendizado de máquina E o mais importante, ressaltamos a importância de ajustar LLMs Mergulhando nas formas como isso aumenta sua confiabilidade e precisão Vimos como o conhecimento específico do domínio pode melhorar significativamente seu desempenho e aprendemos sobre ajuste eficientes, como métodos ajuste eficientes de parâmetros. Na próxima seção, nos familiarizaremos com as quatro principais ferramentas do Google Cloud que nos permitem acessar e ajustar modelos generativos de IA e criar nossos próprios aplicativos de IA generativa 16. L4V1 - folha de aplicativo: Vamos falar sobre o apshet uma plataforma inovadora sem código do Google que está aproveitando o poder da IA generativa para transformar o desenvolvimento de IA generativa para transformar Imagine um mundo em que qualquer pessoa, independentemente de suas habilidades de codificação, possa criar rapidamente aplicativos centrados em dados para É exatamente isso que o apsheet foi projetado para fazer. Lembre-se do processo tedioso desenvolvimento tradicional de aplicativos, da conceituação à elaboração das especificações do projeto e da colaboração em equipe à codificação, e da colaboração em equipe à codificação, foi uma jornada longa e exaustiva Mas com o apsheet, o ciclo de vida do desenvolvimento de aplicativos foi simplificado drasticamente O que costumava levar meses agora pode ser realizado em dias ou até horas, liberando seu tempo para tarefas mais valiosas A beleza do Apshet é sua versatilidade. Ele permite que você crie aplicativos para várias plataformas, incluindo aplicativos para desktop, dispositivos móveis e bate-papo. Apsheet fornece uma variedade de aplicativos que são tão variados quanto suas necessidades específicas Pode ser que você esteja gerenciando um depósito e precise de uma solução simplificada para rastreamento de inventário Talvez você esteja organizando um grande evento corporativo e precise de uma ferramenta detalhada de planejamento de eventos, ou talvez esteja realizando uma enorme campanha de marketing multifacetada e precise de um aplicativo para coordenar as várias Do gerenciamento do relacionamento com o cliente à coordenação da cadeia de suprimentos, agendamento de funcionários ao gerenciamento de projetos O Apsheet é adaptável o suficiente para atender às suas necessidades específicas Sua flexibilidade e versatilidade abrem as portas para inúmeros cenários, tornando-a uma plataforma ideal para o desenvolvimento de aplicativos personalizados centrados em dados Desde que você tenha uma ideia clara sobre o que precisa e possa explicá-la em linguagem natural, apsheet pode ajudá-lo a transformar essa ideia em um aplicativo Então, vamos nos aprofundar. Recentemente, a Apshet introduziu novos recursos todos baseados em IA generativa Agora, você pode transformar sua ideia em um aplicativo totalmente funcional em minutos e pode fazer isso usando linguagem natural. Por exemplo, você deseja criar um aplicativo para rastrear despesas de viagem. Tudo o que você precisa fazer é descrever seu processo para apset. Em seguida, o Aphet assume a tarefa de fazer perguntas de acompanhamento para entender melhor os requisitos do seu aplicativo Depois que o Apsheet reúne informações suficientes, ele apresenta uma prévia das tabelas seu aplicativo e até fornece dados de amostra para ajudá-lo a testar isso Em seguida, o Upseet continua criando o aplicativo inicial para você. Assim que o aplicativo estiver pronto, você poderá iniciá-lo, testá-lo e fazer os ajustes necessários. Curiosamente, você pode continuar usando a linguagem natural para especificar as alterações desejadas, e o apsheet o ajudará a refinar Criar um aplicativo por meio linguagem natural sem codificação, essa é a mágica do apsheet Ele capacita qualquer pessoa a desenvolver aplicativos para sua organização com rapidez e eficiência Então, vamos ver como o Apsheet aproveita a IA generativa para tornar isso possível Quando o usuário interage com uma planilha, o Dialogflow e a IA generativa, auxiliados por um LLM personalizado e treinado, trabalham juntos para fornecer as informações necessárias para criar o aplicativo Dialogflow e a IA generativa, auxiliados por um LLM personalizado e treinado, trabalham juntos para fornecer as informações necessárias para o fluxo de dialeto reúne informações essenciais sobre o problema comercial do usuário que o Apsheet usará para criar um O Apsheet tenta fazer com que esse aplicativo se alinhe máximo possível com a solução ideal do usuário Depois que o Direct flow reúne as informações necessárias, Apsheet envia uma solicitação ao LLM para auxiliar na geração do modelo de dados e das visualizações necessárias para o Quando o LLM fornece o esquema certo, apsheet utiliza todas as informações coletadas para criar um aplicativo inicial em O aplicativo fornecido inclui um banco de dados abrangente, uma interface de aplicativo intuitiva e todas as configurações específicas que foram expressas durante a interação, como preferências de notificação Quando o aplicativo inicial estiver pronto, os usuários poderão continuar colaborando com o Apsheet para ajustar e melhorar ainda mais o Dependendo da complexidade da solicitação, o apsheet pode utilizar o Dialogflow e o LLM A combinação do Dialect flow e do LLM aprimora os recursos do Asheet, permitindo que ele gerencie até mesmo as solicitações de desenvolvimento de aplicativos mais complexas Você pode até mesmo personalizar essas duas tecnologias. Para o fluxo de dialeto, você pode personalizá-lo para ajudá-lo a criar interfaces de bate-papo conversacional Veja como você faz isso. Primeiro, você cria um agente de fluxo de dialeto. Em seguida, defina sua intenção e entidades personalizadas. Feito isso, a API de fluxo de dialeto está disponível para ajudá-lo a integrar esse agente ao seu aplicativo Em essência, você está adaptando uma tecnologia sofisticada às suas necessidades específicas Para o LLM, você pode criar um modelo para atender às demandas exclusivas de sua aplicação com o AI generative AI Studio da Vertex Essa plataforma apresenta uma variedade de modelos básicos do Google Cloud que você pode refinar de acordo com suas necessidades Você pode conseguir isso formulando e ajustando os prompts conforme necessário e aprimorando os modelos usando Concluindo, se beneficiar de tecnologias generativas de IA, especificamente o fluxo de dialeto do Google e um LLM com treinamento personalizado, Appset permite que qualquer indivíduo desenvolva o Appset permite que qualquer indivíduo desenvolva aplicativos baseados em dados sem experiência em codificação e Tornou-se uma plataforma poderosa que permite aos usuários gerar aplicativos diferentes usando linguagem natural. E isso conclui esta seção sobre quatro poderosas ferramentas generativas de IA disponíveis no Google Cloud Na próxima e última seção deste curso, tentaremos usar essas ferramentas para criar nosso próprio aplicativo usando o poder da IA generativa 17. L4V2 - Gen App Builder: O Jen App Builder disponível por meio do Vertex AI do Google Cloud combina magistralmente modelos básicos com a força da inteligência artificial conversacional e de busca, capacitando uma nova gama de usuários a criar aplicativos inovadores de IA generativa em pouco tempo e sem a necessidade de habilidades sem A natureza humana e envolvente das interações on-line representa uma oportunidade para os usuários aprimorarem suas conexões com seu público potencial. Para as empresas, isso significa uma melhor comunicação com clientes, funcionários e parceiros. Com o Jen App Builder, criação desses poderosos aplicativos GN AI não requer nenhuma codificação Pense em criar seu assistente digital personalizado, mecanismos de pesquisa personalizados, bases de conhecimento, aplicativos educacionais e muito mais Com o Jen App Builder, você tem o poder de dar vida a essas visões O Jen App Builder apresenta uma interface dragon drop amigável, tornando o processo de design e desenvolvimento de aplicativos muito mais fácil. Ele tem um editor visual que permite criar e modificar facilmente o conteúdo do seu aplicativo. O mecanismo de pesquisa integrado permite que os usuários encontrem informações no aplicativo, enquanto o mecanismo de IA conversacional permite interações em linguagem natural Portanto, o Jen App Builder oferece a flexibilidade de criar uma experiência de pesquisa corporativa, uma experiência de conversa ou bate-papo , ou até mesmo ambas O processo é simples. Você começa criando uma fonte de conteúdo, que pode ser um documento do Word ou uma planilha contendo informações sobre sua empresa Em seguida, você seleciona os recursos que gostaria de incorporar ao seu aplicativo. Isso pode ser pesquisa, bate-papo ou ambos. E quando terminar, basta clicar em Criar. Mas espere, tem mais. Este aplicativo também permite controlar e personalizar as respostas geradas ou criar respostas padrão. Se isso não for suficiente, você sempre pode acessar o controle granular sobre as respostas com opções para controlar o tipo de resposta, definir termos proibidos e desativar as respostas geradas quando necessário Mas não se preocupe. Mesmo com as respostas geradas desativadas, seu aplicativo com tecnologia de IA ainda pode responder perguntas complexas graças à tecnologia de pesquisa do Google O Jen App Builder também tem a capacidade de concluir transações em nome do usuário Com a integração de fluxos pré-estruturados para casos de uso comuns, como verificar status do pedido ou explicar faturas, você pode adicionar facilmente essas funções ao seu aplicativo com apenas um clique, mas isso não se limita a fornecer apenas funcionalidades predefinidas Ele permite que você crie seu fluxo de transação exclusivo com a ajuda de uma interface simples baseada em gráficos para delinear a lógica de negócios de alto nível Se preferir, você pode até mesmo usar a criação de fluxo baseada em solicitações para explicar sua lógica usando uma linguagem natural simples Quando você estiver satisfeito com as configurações do seu aplicativo, ele estará pronto para ser testado E se tudo estiver bem, Jen App Builders em integrações integradas facilita lançamento perfeito do seu aplicativo em seu site ou em plataformas de seu site Ele também oferece conectividade com parceiros de telefonia. Para implantar seu novo aplicativo, você só precisa obter o código de implantação do widget É tão simples quanto isso. Assim, você pode ver que Jen App Builder permite que você publique facilmente sua conversa ou busque um site ou se conecte a aplicativos de mensagens populares Jen App Builder aproveita o poder da IA, permitindo que você crie chatbots que podem lidar com tarefas como responder a perguntas específicas do domínio, processar entradas de multimídia O Jen App Builder aproveita o poder da IA, permitindo que você crie chatbots que podem lidar com tarefas como responder a perguntas específicas do domínio, processar entradas de multimídia e fornecer respostas multimodais. Esses bots de bate-papo podem orientar os usuários até conteúdo relevante e fornecer respostas generativas de IA mesmo sem conhecimento específico do domínio E eles podem concluir transações, resumir informações usando IA e ter a flexibilidade de pausar e retomar conversas sempre que Com Jen Apbilder, você está criando assistência digital que redefine os Concluindo, Jen Abuilder é onde os pontos fortes dos modelos básicos atuais do Google, da pesquisa corporativa e da IA conversacional Ele permite que você crie facilmente aplicativos avançados que redefinem aplicativos avançados que redefinem Sua interface amigável e seu editor visualmente atraente abrem caminho para a criação e modificação do conteúdo do aplicativo com o mínimo esforço Com recursos que variam de mecanismos de pesquisa integrados a um mecanismo de IA conversacional e uma interface amigável e intuitiva, Jen App Builder oferece um extenso kit de ferramentas para criar aplicativos dinâmicos responsivos Você pode criar chatbots capazes de inserir multimídia, respostas multimodais e perguntas específicas de domínio E com a capacidade de concluir transações, pausar e retomar conversas, esses chatbots são mais do que bots comuns Eles foram projetados para lidar com as tarefas e interações mais complexas, além de serem fáceis de publicar e se conectar ao seu site ou aplicativos de mensagens populares. Agora, vamos passar para o próximo interessante App Builder disponível na planilha de aplicativos do Google Cloud. 18. L4V3 - Suíte Maker: Maker SID é uma ferramenta intuitiva baseada em navegador projetada para permitir a prototipagem rápida e fácil com o Palm A integração do Maker SUID com Palm API significa que agora podemos acessar a API por meio de uma interface gráfica amigável A API Palm é uma porta de entrada para os grandes modelos de linguagem e ferramentas generativas de IA do Google, facilitando a prototipagem eficiente e acessível Essa plataforma permite que você teste modelos rapidamente e experimente com diferentes solicitações. Você pode usá-lo para criar e ajustar seus prompts, adicionar dados sintéticos ao seu conjunto de dados personalizado, gerar incorporações de ponta e ajustar seus modelos personalizados E se você inventar algo com o qual esteja satisfeito, make your Suite oferece a capacidade de transformá-lo em código Python, possibilitando chamar o modelo usando a API Palm Palm API e o Maker Suite são a dupla perfeita para o desenvolvimento generativo de IA A API Palm é seu ponto de partida para acessar os LLMs do Google, dando aos desenvolvedores a liberdade de usar modelos otimizados para várias tarefas Por outro lado, o Maker Suite fornece uma interface intuitiva para começar a protótipos e criar seus aplicativos exclusivos Agora, vamos dar uma olhada no Maker Suite e ver como podemos começar a criar protótipos com grandes modelos de linguagem em apenas alguns minutos Então é assim que se parece o interior do Maker Suite. Vamos conferir esse menu à esquerda. Aqui, podemos criar novos prompts. Como podemos ver, existem três tipos diferentes de solicitações nas quais podemos criar solicitações de texto, solicitações dados e solicitações de bate-papo Também temos acesso à nossa biblioteca, que é a página atual que está aberta no momento. Se você for obter a ApiKey, podemos ver que aqui temos a opção de criar uma chave de API para um novo projeto E também há outros links rápidos disponíveis. Há um guia para você começar. Há uma galeria de solicitações que ajuda você a explorar diferentes tipos de solicitações. Há documentação da API e mais algumas informações sobre política de privacidade e termos de serviço. Agora vamos voltar à nossa biblioteca e experimentar instruções diferentes O primeiro é o prompt de texto. Vamos experimentá-lo. Então, aqui, há coisas interessantes para explorar. A primeira coisa a notar são esses exemplos de prompts. Há alguns exemplos para nos ajudar a ter uma ideia melhor de como essas instruções poderiam ser Além disso, se você prestar atenção aos livros didáticos, podemos ver que existem alguns exemplos fornecidos para Vamos ler alguns deles. Categorize uma maçã como fruta ou vegetal. Escreva uma função JavaScript e explique-a para mim. Parafraseando, parece que está prestes a chover e muitos outros exemplos Ele apenas mostra que tipo de prompts você pode usar como exemplos de um prompt de texto Agora, vamos explorar uma das amostras fornecidas aqui. Vamos dar uma olhada nas ponderações casuais. Portanto, a solicitação seria reescrever isso em um e-mail casual e, em seguida, fornecer uma mensagem de texto para um e-mail Posso clicar em Executar e agora posso ver que o modelo de linguagem criou uma resposta à minha solicitação. Vamos explorar o outro tipo de solicitação, a solicitação de dados. Então, aqui, podemos ver que há duas partes diferentes. A primeira é uma tabela para escrever nossos exemplos rápidos. E a segunda parte é para nos ajudar a testar nosso prompt. Então, vamos dar uma olhada em um exemplo e ver como ficaria. Vamos tentar os opostos. Nos exemplos, vemos que estamos fornecendo quatro exemplos diferentes do que cada uma dessas entradas deve receber como saída Portanto, se nossa solicitação for encontrar uma palavra ou frase com significado oposto , podemos fornecer exemplos como, se a entrada for forte, a saída deverá ser fraca. Se a entrada for grossa, a saída deverá ser fina e assim por diante. Depois de fornecer esses exemplos, podemos testar nosso prompt. Agora, perguntamos ao modelo de linguagem. Se a entrada estiver errada, qual seria a saída? E se a entrada for rápida, qual deve ser a saída? E agora, se executarmos, vemos que, em resposta ao erro, o modelo de linguagem está criando corretamente e, para a entrada rápida, o modelo de linguagem cria lentamente. Podemos ver que, para cada entrada, o modelo de linguagem cria o oposto da saída. Vamos explorar o terceiro tipo de solicitação, a solicitação de bate-papo. Aqui, também podemos ver que existem duas partes. Há uma parte para escrever nossos exemplos de solicitação e outra parte para testar nossa solicitação. Então, vamos dar uma olhada em alguns desses exemplos. Vamos tentar conversar com um alienígena. Então, no exemplo, fornecemos algum contexto. Seja um alienígena que vive em uma das luas de Júpiter e forneça um exemplo Se o usuário disser, como está indo, o modelo deve dizer: estou bem e assim por diante. Se você quiser adicionar mais exemplos, temos a opção aqui embaixo. E agora podemos testar nosso modelo. Então, em resposta, dizemos: eu gostaria de visitar. O que devo fazer? Mas o modelo fornece uma resposta que é relevante e dá continuidade à conversa. Podemos continuar interagindo com o modelo escrevendo mais solicitações Também temos algumas opções para ajustar o modelo abaixo. A primeira é uma prévia de texto do mesmo prompt em que estamos trabalhando. Seja um prompt de tabela ou um prompt de bate-papo, sempre podemos ter acesso à versão em texto do mesmo prompt. Por meio do outro, podemos ajustar nosso modelo. Podemos escolher o tipo de modelo que queremos usar. Podemos definir a temperatura que define o nível de aleatoriedade ou criatividade do modelo e também podemos personalizar o número de saídas que o modelo deve produzir Também há algumas configurações mais avançadas disponíveis. Então, para recapitular, primeiro, selecionamos nosso tipo de prompt e inserimos um prompt, incluindo quaisquer exemplos e instruções Seja qual for o tipo de aviso usado, você sempre tem a opção de vê-lo em formato de texto. Se você precisar testar a saída do modelo, faça com que seu traje simplifique a reutilização de solicitações maneiras diferentes usando entradas de teste em Também temos a flexibilidade de brincar com os parâmetros do modelo. Por exemplo, há uma opção para ajustar a configuração de temperatura, o que influencia o elemento de aleatoriedade nas respostas dos modelos Um valor mais alto aqui geralmente leva a resultados mais inesperados ou até criativos Também podemos fazer ajustes adicionais em parâmetros como sequências de parada, número de saídas e assim por diante E, finalmente, depois de ficar satisfeito com sua solicitação, você pode salvá-la, compartilhá-la e até mesmo exportá-la para diferentes ambientes de desenvolvedores. Para salvar seus prompts, Maker Suite oferece um recurso de biblioteca de prompts, atuando como um espaço de armazenamento seguro para todos os seus prompts, tornando-os facilmente recuperáveis Você também pode salvar seus prompts no Google Drive. Compartilhar sua solicitação é tão simples quanto clicar no botão Compartilhar. E se você quiser exportar seu trabalho para um ambiente de desenvolvedor, basta clicar no botão Obter código. Você pode exportar seus prompts no formato adequado para você. Código Python ou JavaScript, objetos JSON ou até mesmo como um Seu trabalho no Maker Suite, incluindo as configurações, as instruções e os exemplos de teste estão todos armazenados neste trecho de código Portanto, para concluir, a combinação da API Palm e do make your Suite oferece uma abordagem incrivelmente conveniente e fácil para prototipagem com grandes modelos de linguagem Eles colocam o poder da IA generativa em suas mãos, oferecendo a flexibilidade de experimentar, ajustar e refinar até que você tenha criado o aplicativo perfeito Nos vemos na próxima. 19. L4V4 Generative AI Studio: À medida que a empolgação com a IA generativa cresce, podemos ver que seu poder de acelerar o processo de prototipagem de aplicativos é um Se você tiver acesso às ferramentas certas, como o Generative AI Studio e outros recursos do GNAI que estão disponíveis agora por meio do Vertex AI no Google Cloud, você pode experimentar, adaptar e aperfeiçoar novas ideias em E por Snap, quero dizer minutos ou horas em vez de semanas e meses Criar um aplicativo é tão fácil quanto abrir o estúdio de IA generativa na seção Vertex AI do Console do Google Cloud Selecionar a modalidade com a qual você deseja trabalhar, escolher seu formato preferido, inserir seu prompt e ajustar os parâmetros do modelo para Com o Generative AI Studio, você tem a chance de explorar e personalizar modelos de IA generativa que se encaixam perfeitamente em seus aplicativos do Google Cloud Você pode até mesmo incorporar esses aplicativos ao seu site ou aplicativo móvel Neste vídeo, vamos explorar AI Studio generativo disponível no Vertex AI Mas antes disso, vamos ver brevemente quais outras ferramentas estão disponíveis no Vertex AI Então é assim que a IA do Vertex se parece. Se expandirmos o menu à esquerda, podemos ver todas as ferramentas que estão disponíveis para nós. Podemos ver que temos acesso ao jardim modelo, à bancada de trabalho e aos oleodutos Também temos um estúdio generativo de IA, sobre o qual falaremos em breve Além disso, temos ferramentas para gerenciamento de dados, desenvolvimento de modelos e implantação e uso de modelos. Generative AI Studio ajuda os desenvolvedores a criar e implantar modelos fornecendo ferramentas e recursos que facilitam o início Generative AI Studio permite testar e personalizar rapidamente uma variedade de modelos básicos do Google por meio de solicitações e ajustes, além de permitir que você implante facilmente seus modelos ajustados No Generative Va Studio, você pode acessar os modelos básicos de linguagem, visão e fala do Google modelos básicos de linguagem, visão e fala A disponibilidade de algumas modalidades varia. Por exemplo, você pode ver que no momento da gravação deste vídeo, eu não tenho acesso aos modelos de visão. Então, vamos nos concentrar na linguagem e na fala. Vamos nos concentrar na linguagem por enquanto. Você pode clicar no idioma no menu à esquerda ou abrir o botão na parte inferior da caixa de idiomas. Se você quiser ter uma ideia melhor de como usar o GN AI Studio para diferentes propósitos, explore a galeria de prompts. Portanto, antes de explorar os diferentes tipos de solicitações, vamos dar uma olhada na galeria de solicitações Aqui, podemos ver uma variedade de exemplos de prompts predefinidos para ajudar a demonstrar os recursos do modelo Os exemplos de prompts são categorizados por tipo de tarefa, como resumo, classificação e extração Vamos dar uma olhada em um exemplo. Ao abrir o exemplo de solicitação, você pode ver que as solicitações estão pré-configuradas com um modelo específico e valores de parâmetros Assim, basta clicar em Enviar e obter o modelo para gerar uma resposta. Para trabalhar diretamente com os modelos de linguagem, temos três opções. Interaja com o modelo de forma livre ou com instruções estruturadas, interaja com o agente como um chatbot ou crie um modelo ajustado que esteja melhor equipado para nossos Vamos explorar o prompt de texto ou código em um formato de formato livre. Então, vamos tentar criar e testar seus próprios prompts. Aqui, posso dar uma solicitação ao modelo e pedir que ele produza uma resposta. Acabei de fornecer um longo artigo aqui e estou pedindo ao modelo que forneça um breve resumo para o artigo a seguir. Para diferentes tipos de solicitações, também posso usar meu microfone e falar diretamente com o modelo No lado direito, também podemos ver que existem algumas configurações que podemos usar para configurar o modelo. Podemos escolher o tipo de modelo que queremos usar. Aqui, temos dois modelos de linguagem e dois modelos de. Podemos definir a temperatura do modelo, que controla o grau de aleatoriedade ou criatividade Também podemos definir o limite de tokens, que determina a quantidade máxima de saída de texto de um prompt. Top K muda a forma como o modelo seleciona tokens para a saída Top P muda a forma como o modelo seleciona tokens para a saída, e também podemos definir diferentes limites de filtro de segurança Portanto, agora podemos pedir ao modelo que produza uma resposta para nossa solicitação. Vamos clicar em Enviar. E podemos ver que o modelo resume o longo artigo em três linhas Se você estiver fazendo algumas solicitações de captura, um modelo de solicitação estruturado está disponível para facilitar, fornecendo um formulário para contexto e exemplos Para instruções estruturadas, vamos voltar ao nosso exemplo de classificação de vinhos Podemos fornecer algum contexto ao modelo, que instrui como o modelo deve responder Também podemos fornecer vários exemplos para o modelo. Esses exemplos ajudam o modelo a entender qual é a aparência de uma resposta apropriada do modelo. Também temos nossas configurações no lado direito. Também temos a opção de adicionar mais colunas para exemplos mais complexos. E para testar o modelo, fornecemos uma entrada, seja escrevendo-a na seção de entrada ou conversando diretamente com o modelo. E quando eu clico em Enviar, o modelo gera uma resposta para mim. Podemos converter facilmente qualquer solicitação estruturada em formato livre. E é assim que parece. Você pode optar por iniciar um bate-papo por texto ou código para iniciar uma conversa com a modelo Você pode fornecer contexto e exemplos de interações para direcionar ainda mais a conversa. Todas as configurações do modelo também estão disponíveis aqui. Agora, vamos tentar um prompt de bate-papo. No prompt de bate-papo, temos a opção de fornecer algum contexto ao modelo, que o instrui sobre como ele deve responder Também podemos fornecer exemplos para ajudar o modelo a entender como seria uma resposta apropriada. Por exemplo, se o usuário disser isso, o modelo deve dizer isso. Também temos a opção de fornecer mais exemplos para o modelo. Depois de fornecer contexto e exemplos suficientes, podemos começar a conversar com o agente. Então, se você perguntar quantos planetas existem no sistema solar, o modelo fornece uma resposta apropriada. Da mesma forma, podemos fazer outras perguntas e o modelo continua fornecendo respostas adequadas e precisas, consistentes com os exemplos que fornecemos. Agora, vamos ver como podemos criar um modelo ajustado usando nosso próprio banco de dados Temos a opção de ajustar um modelo que ele esteja melhor equipado para nossos casos de uso. Vamos dar uma olhada. Então, aqui, podemos escolher nosso conjunto de dados JSON e definir um local para armazenar o conjunto de dados na nuvem Depois de fornecer o conjunto de dados, podemos ajustar os detalhes do modelo e, depois disso, podemos ajustar o modelo com base em nosso conjunto de dados e em nossas configurações Para decidir qual modelo seria o mais adequado para nossos casos de uso específicos, podemos conferir a biblioteca de modelos básicos do Google, que está disponível no Model Garden. No Model Garden, você pode explorar modelos por modalidade, tarefa e outros recursos Com muitos modelos corporativos diferentes à sua disposição, Model Garden permite que você selecione o modelo mais adequado, dependendo do seu caso de uso, sua experiência em aprendizado de máquina e do orçamento disponível. Ok, hora de conferir os modelos de fala. Agora é hora de explorar os modelos de fala. Podemos escolher a fala no menu à esquerda ou clicando na abertura abaixo da caixa de fala. Aqui, temos duas opções diferentes texto para fala ou fala para texto. Vamos para a conversão de texto em fala. Aqui, podemos fornecer o texto ou falar diretamente com o modelo. Depois de fornecer o texto, temos algumas opções para escolher idiomas diferentes ou definir a velocidade da fala. Se tudo estiver bem, podemos clicar em Enviar. E agora temos uma voz de IA sintetizada que pode ler esse texto para Criar um aplicativo é tão fácil quanto abrir o estúdio de IA generativa na seção Vertex AI do Console do Google Cloud Selecionar a modalidade com a qual você deseja trabalhar, escolhendo seu formato preferido Para recursos mais avançados, como suporte para áudio mais longo, podemos usar o Speech Studio e é assim que o ambiente se parece. Também temos conversão de fala em texto. Aqui, podemos fazer o upload um arquivo de áudio ou gravar nossa própria voz. E depois de fornecer o discurso ao modelo, podemos ver que ele o transforma em texto. Agora eu gravei minha voz e clico em Enviar. E aqui está meu discurso transformado em texto. Também podemos usar o Speeches Studio para aplicativos de fala em texto Ambos os recursos, fala em texto e conversão de texto em fala, estão disponíveis no estúdio de fala. Depois de personalizar seu modelo, você tem algumas opções. Você pode salvar o prompt na galeria de prompts. Você também pode implantar plataforma de aprendizado de máquina da Vertex AI para produção e gerenciamento Ou você pode implementar seus modelos recém-ajustados diretamente em seu site e aplicativos Concluindo, por meio do estúdio Generative AI da Vertex AI, podemos acessar modelos de linguagem, visão e fala Por meio de modelos de linguagem, podemos testar, ajustar e implantar modelos generativos de linguagem de IA Também podemos acessar a API palm ou Cody para geração de conteúdo, bate-papo, resumo, código e Com os modelos de visão, podemos escrever solicitações de texto para gerar novas imagens usando a API imagine Também podemos gerar novas áreas para uma imagem existente. E com os modelos de fala, podemos converter fala em texto usando a API chirp. Também podemos sintetizar fala a partir de texto usando o modelo de fala universal do Google ou USM, e isso conclui este vídeo no estúdio generativo Va no Vertex AI 20. Demonstração da folha de aplicativo: Em nosso vídeo de introdução no apsheet, vimos que, por meio do apsheet, podemos criar aplicativos personalizados sem escrever código Recentemente, o Google adicionou recursos de GNAI, o que nos torna capazes explicar diretamente o tipo de aplicativo que precisamos . Ele cria um aplicativo inicial com base Em seguida, podemos modificar e personalizar ainda mais o aplicativo inicial somente conversando com Vamos considerar o exemplo a seguir. Anne Gray é gerente de uma empresa e uma de suas responsabilidades é supervisionar as solicitações de viagem de seus colegas de trabalho Essas solicitações podem vir de e-mails, bate-papos ou reuniões, o que pode ser bastante complicado Ela se pergunta se o recurso generativo de IA no apsheet pode ajudá-la a otimizar as operações, facilitando uma solução para aprovar Para experimentar, ela decide explorar o aplicativo de bate-papo apsheet disponível no Google Chat Vamos ver como isso funciona. Para acessar esse recurso de bate-papo, acessamos chat.google.com Em seguida, selecionamos Explorar aplicativos e encontramos o aplicativo de bate-papo apshet. Agora vamos ver como seria o processo do ponto de vista de Ann. Na primeira página, podemos ver que o apsheet dá as boas-vindas ao usuário e o convida a enviar uma descrição de um aplicativo ou problema comercial que ele deseja Por exemplo, descrevendo um fluxo de trabalho. An faz isso descrevendo brevemente o que ela precisa para simplificar o processo de os gerentes receberem e aprovarem solicitações de viagem Ela acrescenta à descrição observando os tipos de dados que ela também precisará monitorar depois de inserir a solicitação Ushid responde com um esquema geral Desde a primeira solicitação de Ann, Upshd reconheceu que o aplicativo deve ter um fluxo de aprovação e pede que ela escolha como as notificações da solicitação de aprovação devem ser Como podemos ver, existem diferentes opções disponíveis aqui, selecionando apenas e-mail por enquanto Em seguida, apshet sugere algumas telas que ela talvez queira incluir, um formulário para os usuários enviarem novas solicitações, uma lista resumida de viagens, viagens futuras e algumas outras visualizações Essas telas são basicamente a espinha dorsal do esquema do aplicativo de Anne Ele descreve o que é o aplicativo dela. Ela não quer uma tela M Travel em seu aplicativo, então ela a desmarca para removê-la do aplicativo e, em seguida, clica em Aplicativo Agora que o Apsheet sabe o que montar para o aplicativo de solicitação de viagem de Ann, ele confirma as tabelas que poderiam ser criadas no banco de dados do Apsheet Esses conjuntos de dados são criados com base nas telas ou visualizações do aplicativo que ela acabou de selecionar O Upsheet cria duas tabelas para apoiar o esquema, a viagem e Ainda não inserimos nenhum dado em nosso aplicativo, então todas essas tabelas estarão vazias. Se não temos dados no aplicativo , como podemos testar para ver se tudo funciona? Eu também pensei nisso. Depois de criar as tabelas, Upseet oferece a opção incluir dados de amostra no aplicativo Anne está pronta para testar o aplicativo, então ela escolhe sim. E, finalmente, apseet solicita que Anne escolha um nome para seu A chama esse símbolo de viagem, e pronto. próxima resposta do Apshet é um link para uma prévia totalmente funcional do aplicativo que acabou de ser criado Vamos fazer uma pausa e relembrar o que fizemos até agora. Por meio de apenas algumas trocas de perguntas e respostas, apseet conseguiu atender à solicitação de Ann, que foi escrita em linguagem natural, e eu recomendei várias soluções, incluindo as telas que os usuários do aplicativo precisarão ver As coisas que eles precisarão fazer e o local onde os dados serão armazenados. Ele até configurou a notificação por e-mail para os usuários. Criar um aplicativo por meio de linguagem natural sem codificação é uma mágica que agora é uma realidade na planilha de aplicativos Ele permite que muitos novos usuários desenvolvam aplicativos com rapidez e eficiência. Continuando, Anne tem a opção de visualizar o aplicativo que foi criado para ela ou mergulhar no editor Ashoot para Ela opta por dar uma olhada rápida na prévia primeiro. Ao navegar pelo emulador de aplicativos em seu desktop, ela explora as visualizações que o abse gerou, começando com uma nova viagem, passando pela viagem do usuário e, finalmente, pela próxima viagem ela explora as visualizações que o abse gerou, começando com uma nova viagem, passando pela viagem do usuário e, finalmente, pela próxima viagem. Essa última visualização exibe um mapa e uma lista de viagens futuras, todos preenchidos com os dados de amostra que ela decidiu incluir anteriormente. Tudo parece estar em ordem até agora. Mas Ann percebe que uma visão que ela tinha em mente está faltando no aplicativo Ela tem uma adição específica em mente, uma tela que compila todas as solicitações de viagem em um painel abrangente, fornecendo à equipe financeira uma resposta a uma pergunta que eles fazem com frequência Qual é o custo total da viagem de cada funcionário? No editor, e percebe o recurso generativo de IA que ela usou antes também está disponível aqui Ela digita sua solicitação de um novo painel e, em pouco tempo, Abscht atende a solicitação, disseca e sugere os componentes necessários para essa os componentes necessários para Ela propõe uma nova coluna calculada para a tabela de sua equipe e fornece uma prévia do gráfico que representará os dados agregados, assim como ela fez antes e deseja examinar cada parte Então, ela confere o gráfico de pré-visualização. E parece bom. Em seguida, ela inspeciona a nova coluna no banco de dados para garantir que tudo esteja bem lá Ela usa o link fornecido para ver a alteração proposta na tabela de aprovação no banco de dados de planilhas Com uma rápida olhada nos números, confirma que a nova visão e as mudanças nos dados estão de acordo com suas expectativas Ela aprova as mudanças no editor de planilhas e pronto Seu aplicativo agora está ativo e pronto para uso e parece que ela tem o que precisa. Sua confiança nas tabelas e colunas que o apseet criou para ela é alta Como está satisfeita com a funcionalidade do aplicativo, ela se livra dos dados de amostra, implanta o aplicativo e os compartilha com sua equipe Agora, sua equipe pode ver essa versão refinada do aplicativo e começar a enviar suas solicitações de viagem Algumas semanas depois, enquanto Anne vasculha intranet de sua empresa em busca um formulário específico, surge uma ideia Anne volta para o editor. Sabendo com que frequência sua equipe usa o Google Chat, ela considera a média do Apsheets sem um recurso de aplicativo de bate-papo com código Isso permitiria que sua equipe buscasse o formulário exigido simplesmente conversando com a Symbol Travel Anne volta ao editor e habilita a viagem de símbolos como um aplicativo de bate-papo para os espaços internos de seus domínios Essa etapa possibilita que os colegas de Anne adicionem viagens simbólicas aos espaços de bate-papo do Google, bate-papos em grupo ou até mesmo em conversas privadas Agora é hora de revisar as configurações. Por padrão, o aplicativo de bate-papo Symbol Travel exibiria uma lista de todas as visualizações de aplicativos acessíveis para os usuários. Mas Anne está criando essa versão de bate-papo especificamente para usuários finais. Os funcionários que desejam usar o aplicativo principalmente para enviar solicitações de viagem. Ela escolhe apenas as visualizações de aplicativos necessárias para seus usuários, que significa que ela precisa excluir tudo, exceto os formulários de solicitação Em seguida, adiciona uma mensagem de boas-vindas para seus usuários, fornecendo um contexto sobre como interagir com o bate-papo. Ela decide incluir um comando slash. Ao adicionar esse comando, sempre que um usuário digita slash NETRIP, o aplicativo de bate-papo abre imediatamente o O Aphit também fornece um comando de busca inteligente. Esse comando permitiria que seus colegas de equipe usassem o pipeline de processamento de linguagem natural da Apht para pesquisar dados ou visualizações em seu aplicativo Mas ela decide manter as coisas simples e desativa o comando de busca inteligente Sua última tarefa envolve configurar uma automação para notificar os usuários sempre que o status de aprovação da viagem mudar. Nesta página, é possível criar o fluxo certo trabalhando com uma interface gráfica. Dessa forma, ela pode construir a base para a automação necessária Depois de terminar, ela nomeia sua automação, ajusta alguns detalhes sobre quando ela deve ser executada e como as respostas devem ser agrupadas e retorna ao criador de aplicativos de bate-papo para finalizar as coisas agrupadas e retorna ao criador de aplicativos de bate-papo para finalizar as Graças à implantação do aplicativo de bate-papo sem código da Apsht, não precisa lidar com nenhuma configuração adicional para que seu aplicativo ou sua automação funcionem no A Upshet cuida de toda a configuração da plataforma Google Cloud nos bastidores, tudo com um único clique Agora e está pronta para compartilhar seu aplicativo de bate-papo com a equipe. E aí vai. O aplicativo de bate-papo agora está ativo e pronto para ser instalado e usado por toda a organização. Agora, digamos que Jeffrey Clark, membro da equipe de Ann, decida usar o aplicativo Jeffrey precisa de aprovação para seus planos de viagem para visitar as instalações do cliente Ele já instalou o aplicativo de bate-papo Symbol Travel, então ele escreve a barra New Trip Command para abrir o formulário de solicitação de viagem Jeffrey insere todos os detalhes necessários sobre sua próxima viagem no formulário e clica em enviar. Do lado de Anne, ela pode ver pedido de Jeffrey aparecendo quase instantaneamente A nova solicitação de aprovação aciona notificação por e-mail para o gerente de Marcus Jeffrey Marcus recebe um e-mail detalhando a solicitação de viagem de Jeffrey Depois de examinar os detalhes do envio, Marcus aprova o formulário diretamente de seu Em questão de segundos, Jeffrey percebe uma notificação de chat do Symbol A mensagem é a confirmação da aprovação da viagem. Parabéns Jeffrey e boa viagem. Concluindo, testemunhamos o poder do recurso de IA generativa do app Sheets Isso ajudou Ann a criar e personalizar uma solução para gerenciar a solicitação de viagem de sua equipe usando linguagem natural e sem código. resolveu com eficiência um desafio comercial, criando um aplicativo de solicitação de viagem ajustado às necessidades de sua equipe A integração perfeita com Google Chat e o bom funcionamento, conforme mostrado na solicitação de viagem de Jeffrey e aprovação imediata de Marcus, destacam a acessibilidade e a eficiência da plataforma Esse é o poder de não desenvolver código. O ApshetsGenerative AI está revolucionando o desenvolvimento sem código, tornando-o acessível, eficiente e intuitivo