Transcrições
1. 1: Olá a todos. Tenho certeza de que você
já viu e leu a guerra e a
inteligência artificial de IA repetidamente. E, muito provavelmente,
você já é usuário, todas as várias
ferramentas habilitadas por IA em sua vida. Agora, você se pergunta como tudo
isso funciona em alto nível? E você estaria
interessado em saber mais, como está seu trabalho e sua vida transformarão a maneira como eles morrem. Nos próximos cinco anos. A IA tem alguma
limitação nos limites? E, finalmente, para onde estamos indo com essa técnica
em rápida evolução? Se você tiver alguma
dessas perguntas
, inscreva-se no curso. Vou te dar uma breve história
da IA, como funciona aqui. Vou dar vários
exemplos de diferentes setores e como
eles estão usando a IA atualmente. E vou tentar desmistificar
alguns dos mitos sobre a IA, o que você pode e o que não pode esperar do eu
nos próximos cinco anos. E, finalmente, para onde
estamos indo à medida que coletamos mais dados e desenvolvemos algoritmos de
IA mais avançados. Ao final deste curso, você poderá usar
esses insights para planejar com antecedência sua vida
e sua própria carreira. Meu nome está dito, estudei inteligência natural e
artificial na Universidade de Cambridge
e depois tomei meu chá, também cofundador
da cognitively t, que é uma empresa de IA
dedicada a melhorar a saúde . Obrigado por assistir e espero ver
você na aula.
2. 2. Projeto: Ótimo. Então, quanto ao projeto do curso, quero que você faça um vídeo
de si mesmo descrevendo uma ferramenta ou um
aplicativo que você está usando
atualmente e
é alimentado por IA. E eu quero que você descreva em seu vídeo como você acha que a IA está usando esse produto atualmente. E talvez tente mencionar os principais recursos ou
destaques da
árvore que são
especialmente desenvolvidos pela IA. E se você pudesse tentar prever ou
tentar entender como esses recursos
existiriam ou não sem uma interface de usuário,
isso seria um valor agregado. Então, finalmente, tentei ver como esse aplicativo ou
ferramenta que você está descrevendo mudará nos
próximos cinco anos, conforme o dia em que
eu avance mais. Então, com base no que você
ouvirá nas próximas lições, isso vai te ajudar
a ter uma ideia de onde estamos indo com os
novos avanços na IA. Tão completo, isso o ajudará
a prever o que acontecerá nos próximos
cinco anos. Ótimo. Então, finalmente, quando terminar, por favor,
publique seus projetos na galeria de projetos.
3. 3. AI TimeLine e histórico: Tudo bem, então hoje é nossa primeira sessão
e eu vou
mostrar uma
rápida história
do olho de onde quase
começou e onde estamos hoje e o tipo de consciência
que possivelmente está indo no futuro. Vai ser
um cronograma rápido. Acho justo dizer que
Alan Turing, em 1951, ele estava possivelmente entre os primeiros indivíduos
que sonhava com IA. E ele tinha imaginação e eu vou ler
o código dele. Ele disse que em algum momento,
portanto, essas
máquinas, devemos esperar que elas assumam o controle. Então, isso era uma espécie de imaginação de
ritmo
naquela época, em 1951. É claro que, se as coisas não
acontecessem tão rapidamente, era muito mais difícil aparentemente
era muito mais difícil do que
as gerações humanas inicialmente. Então, em fracassos depois disso. Em 1957. Houve essas
variações iniciais das redes neurais. Em termos simples, as redes
neurais são essas grandes redes
de conexões. E você dá entrada a eles, multiplica por um conjunto de pesos e
obtém uma altitude. Essa é uma camada
dessas redes neurais. Esta é uma camada de redes neurais. Eles eram chamados de
perceptron e podiam resolver apenas problemas lineares. Então, eles se tornaram muito
populares de 1957 a 1960 para Frank Rosenblatt. Ele estava entre os
principais indivíduos visuais por trás da
introdução desses perceptrons. E depois de 1960,
a empolgação em torno dessas
redes começou a diminuir. Principalmente porque
eles só podiam resolver problemas
lineares e
eram difíceis de treinar. Portanto, não havia unidades
de processamento suficientes ou
fortes para treinar
essas redes. E não havia conjuntos de dados grandes
o suficiente. Então, essas eram duas
limitações principais ao redor, ou três limitações principais
em torno dos preceptores. Então, alguns anos depois, talvez
outra marca registrada sido a publicação desse, que chamaremos de VLSI analógico, implementação de sistemas
neurais. Talvez pudéssemos marcar
isso como outra marca registrada. Mas o Prof., mais empolgante, em 1997, foi essa grande
máquina da IBM chamada Deep Blue. Aquele, Kasparov no xadrez. Então, esse foi um
movimento histórico em 1997. E como abordaremos isso mais tarde em
uma das sessões, vou destacar aqui. Essa máquina grande, grande. Era a principal
vantagem que tinha, ou os humanos tinham uma memória
muito grande. Então, poderia,
com base em qualquer movimento
daquele chapéu de Kasparov, ter tomado uma árvore de decisão
muito grande e meio que prever qual
seria a próxima melhor jogada. Se Kasparov vier com
este ou aquele. Então, isso meio que preveria
todas as formas possíveis até o final do jogo em
uma árvore de decisão muito grande. E é assim que o
algoritmo, vamos chamá-lo. Poderíamos chamar isso de algoritmo
inteligente que funciona. A principal vantagem, portanto, era ter uma memória muito
grande e ser capaz de construir
essa árvore de decisão. Agora, avançando nos anos 2000, algo empolgante surgiu. É chamado apenas de unidades
de processamento gráfico. E não foi um avanço
no hardware. E as unidades de processamento gráfico permitem o
processamento paralelo de uma operação. Processamento paralelo massivo, uma operação. Na verdade, isso era algo que poderia ajudar
muito nas redes neurais. Agora vamos chegar a isso
em 2012-2010 por lá. Ok, então em 2 mil,
portanto, tivemos essa
introdução de GPUs. Como eu disse anteriormente, uma das limitações
das primeiras redes neurais,
os perceptrons. Além do hardware, havia falta de dados, big data, grandes dados rotulados. Então, em 2009 e por volta de 2009-2010, universidades,
institutos, etc., eles começaram a criar
esses grandes conjuntos de dados rotulados. Talvez os mais
populares até agora sejam o ImageNet. O mundo do processamento visual, reconhecimento
visual de objetos. Essa competição da ImageNet
que existia no MIT. É um conjunto de dados muito grande, milhões de imagens
que são rotuladas em termos de quais objetos elas contêm. Quero dizer, neste
ano, temos muitos outros conjuntos de dados rotulados. Então, isso foi uma espécie
de solicitação, outra marca registrada. Agora, em 2010, temos essas GPUs e grandes conjuntos de dados
rotulados. Então, o que acontece a seguir? Em 2012, há essa competição
ImageNet e uma nova rede neural, que alunos agora chamam algoritmos de aprendizado
profundo,
foi introduzida por Alex Krizhevsky na equipe de vendas em competição e venceu todos os outros
algoritmos à distância. Simplificando, era uma espécie de perceptron
multicamada. Agora, porque tanto as GPUs
quanto os grandes conjuntos de dados rotulados permitiram ou compensaram as limitações
desses perceptrons. Então, meio que se tornou um preço
possível, é claro, eles também tinham algumas inovações
e novidades. Faça o algoritmo funcionar. Menos parâmetros não estavam
densamente conectados. Ali mesmo em 2014. Nosso cresceu com alguns outros. Mostramos que existem fortes
semelhanças entre forma como os humanos processam imagens visuais
e as redes neurais profundas. Quanto mais semelhantes os
modelos de provisão de objetos se tornam aos humanos para realmente terem um
melhor desempenho no mundo real. Em 2016. Não é uma grande marca registrada. E foi aí que o AlphaGo, alguns de vocês já devem ter ouvido falar do Google DeepMind em Londres. Eles criaram esse algoritmo de IA, que foi baseado em aprendizado profundo e aprendizado por reforço. E poderia jogar
o jogo Go, que é muito mais difícil se você quiser
comprimir o peito. Porque no xadrez, como eu disse, você poderia prever ou construir essa árvore de decisão brotando
no jogo Go. Isso não é possível. De forma eficaz,
você pode decidir fazer movimentos
mais antigos possíveis. Porque se pode dizer que é um número infinito
de movimentos possíveis. Muito diferente em termos de como o jogo de golfe é
pior em comparação com o xadrez. O que você precisa aqui é uma
espécie de intuição, em vez de ter uma grande memória. Como eles fizeram isso em termos simples. A
rede neural profunda foi treinada
pelos jogos que os
campeões do Go jogam. E ao olhar para isso está
a cena do jogo. Agora, esta é a próxima melhor
jogada que esse campeão fez. Você treina o algoritmo
com essa inflamação? E em 2016,
o algoritmo desenvolvido quando era campeão
do jogo. E uma coisa interessante, que
talvez esteja relacionada aos códigos
que eu disse
no início de Alan Turing, foi que em uma das versões
do algoritmo, você precisa de modelos de IA que
competem. um contra o outro. E um deles fica cada vez
melhor ao jogar com
esses outros modelos de IA. Hoje, temos carros autônomos e estamos nos mudando para agora. Muitos aplicativos ao nosso redor se
beneficiam de algum
tipo de algoritmo de IA. Ou é
reconhecimento facial, direção autônoma, reconhecimento
e tradução de
fala, pesquisa no
Google e assim por diante. Anúncios inteligentes, recomendações
personalizadas. E tentaremos mencionar
alguns deles e
dar mais exemplos
ao longo do curso. Esse estágio em que estamos também
é conhecido
como indústria 4, que é a combinação de IoT, Internet das Coisas e inteligência
artificial. A IoT é
responsável por coletar dados e criar aparências e coisas conectadas umas
às outras. E então o processador Ai
fornece informações adicionais, certo? E caminhando em direção ao futuro. Fique comigo. Nos próximos cursos, você verá o que provavelmente nos
próximos
cinco a dez anos. Não acho que possamos
prever com precisão muito além disso, mas veremos o que, como é possível que a IA
substitua alguns dos trabalhos. Qual seria o impacto
potencial em sua carreira e em nossa vida?
4. 4. Aprendizado de máquina e IA de moda boa: Hoje vamos aprender sobre aprendizado de máquina e a
boa e velha IA, também conhecida como meta cinco. Então, o que é aprendizado de máquina? Portanto, a definição de aprendizado de máquina
é essencialmente o preenchimento de um estudo que dá aos computadores a capacidade de aprender sem
serem explicitamente programados. Então, essencialmente, estamos
ensinando as máquinas a aprenderem a fazer coisas sem programá-las
explicitamente. E nessa história que contei, na sessão anterior, vimos alguns dos jogos que as técnicas de
aprendizado de máquina
e as técnicas de IA conseguiram conquistar, como cadeiras nos anos noventa. E, recentemente
, o jogo Go. Então, esse é um tipo de
cronograma da IA e também uma definição de
alto nível do que é
inteligência artificial, o que é aprendizado de máquina? O que é aprendizado profundo? Tenho certeza de que você já ouviu todas essas
terminologias diferentes e, se você se perguntar, que se refere ao que
então faz exatamente isso. Então, o termo
inteligência artificial, esse é o guarda-chuva mais amplo. É qualquer técnica, qualquer técnica de
aprendizado ou qualquer algoritmo que
permita que as máquinas
imitem o comportamento humano. Pode ser imaginado, pode significar, falando, que poderia estar em qualquer outro domínio. Isso geralmente é chamado
de inteligência artificial. Portanto, seja qual for o aplicativo
que se enquadra, isso é chamado de aplicativo de IA. Então, mais especificamente,
eles são uma subcategoria de algoritmos que são chamados
de aprendizado de máquina. terminologia começou por
volta da década de 1980. É aí que as máquinas
aprendem de forma eficaz. E também nesta sessão falaremos sobre os diferentes ramos
do aprendizado de máquina. Então, uma subcategoria disso
é chamada de aprendizado profundo, que é baseada em redes
neurais. Então, é claro
que eles estão sobrepostos. Então, se quisermos
separar os dois, temos essas
técnicas de aprendizado de máquina que
não são baseadas em redes neurais, como classificadores simples,
regressão, etc. E temos a máquina
baseada em rede Raul aprendendo. E quando a profundidade
dessa rede neural é maior do que algumas camadas elas são chamadas de aprendizado
profundo. Hoje, mostrarei as categorias mais amplas
de aprendizado de máquina. E então, na próxima sessão, quando falarmos sobre a IA moderna, darei algumas informações sobre a
compreensão
de alto nível do que é aprendizado
profundo e de alguns
aplicativos. Certo? Então, quais são os diferentes tipos de aprendizado para máquinas? E, na verdade, não é só para
máquinas, mesmo para humanos, temos aprendizado supervisionado, aprendizado
não supervisionado e aprendizado por
reforço. O aprendizado supervisionado é eficaz quando
informamos ao agente aqui o algoritmo
ou o ser
humano ou até mesmo o
treinamento de animais. Então você dá a eles um estímulo, um objeto, uma imagem e diz a eles o que é. Portanto, é aprendizado supervisionado. E você repete esse
processo várias
vezes até ter certeza de que
eles realmente entenderam. Isso é aprendizado supervisionado. aprendizado não supervisionado
é eficaz basta fornecer as
imagens ou o estímulo. Você não dá os
rótulos ou as anotações. Então, eles podem não
saber exatamente o que é, mas com base nas características
dessas imagens ou estímulos que
você lhes deu, eles serão capazes de
agrupá-los e separar
os dois, como digamos, ok, esses são maçãs
e laranjas, certo? Talvez eu não saiba o rótulo, o nome dessa fruta. Mas eu sei que eles se parecem
uns com os outros e esses outros
parecem semelhantes entre si. Esses dois são diferentes. Os algoritmos de agrupamento se enquadram no aprendizado
não supervisionado. Então, também temos esse conceito
de aprendizado por reforço, sobre
o qual falarei
mais na próxima sessão. Mas, em termos gerais, no aprendizado por
reforço está a capacidade de aprender
pela exploração. Você coloca um agente
em um ambiente. E ao explorar
o ambiente e descobrir os limites
desse ambiente, eles aprendem a fazer coisas. E crianças humanas são um ótimo
exemplo desse cenário. Bebês, eles não
sabem andar, não
sabem como
reagir ou reagir. Ou, essencialmente, não, muito
pouco quando nascem. E explorando
o meio ambiente e estando naturalmente exposto
a coisas diferentes. Receber uma recompensa ou uma penalidade. Por essa exploração. Há coisas que eles
cobram e podem ser difíceis, então eles evitarão na próxima vez. Isso é uma espécie de penalidade
natural. Ou eles podem comer alguma coisa e achar
que é muito deliciosa, então
continuarão fazendo isso. Então, esse é um tipo de aprendizado por
reforço. Com essa exploração,
eles recebem algumas recompensas ou penalidades
e, com base nisso, decidem repetir a
ação ou não repeti-la. É assim que
o aprendizado acontece no mundo do aprendizado por
reforço. Tudo bem, agora
vou mostrar
dois exemplos aqui. Duas subcategorias principais
de aprendizagem, aprendizagem supervisionada e aprendizagem
não supervisionada. Então, o aprendizado supervisionado,
como mencionei, damos o modelo. Pode ser qualquer modelo. Pode ser um modelo de IA bom e
antiquado,
como um classificador, ou pode ser uma rede neural. Portanto, independentemente
do modelo, esse tipo de aprendizado é
chamado de aprendizado supervisionado. Mostramos uma entrada de imagens ou dados
de entrada aqui,
uma série de maçãs. Em seguida, dizemos ao modelo que os
rótulos são anotações. Nós contamos a eles alguns pequenos casos. Olha essas fotos, são maçãs e esses
são os rótulos. Então, damos algumas
repetições para garantir que o modelo tenha entendido
e aprendido os dados de entrada. Em seguida, estamos na fase de teste. Então, treinamos o modelo. O modelo aprendeu
o conceito de maçãs. Então, mostramos uma maçã. E então, o que
esperamos que todos eles digam? Bem, esperamos que todos
digam que é uma maçã. Isso se chama aprendizado
supervisionado. Agora, um bom exemplo
de aprendizado supervisionado, o qual tenho certeza que você está
familiarizado, é o Face ID. Isso é smartphone. E esses são alguns
dos sensores
na parte frontal
do, do iPhone. E esses são os instrumentos para você inserir os
dados essencialmente, certo? Então, ele lerá seus dados faciais
e me deixará reproduzir o vídeo. Então aqui, esta é a fase
de treinamento, certo? Você verá que o iPhone essencialmente
olhará para o seu rosto de diferentes perspectivas. E ela entenderá
sua geometria do rosto dela. E ele construirá um modelo da
aparência do seu rosto. Então, isso é essencialmente fornecer
os dados e rotulá-los, para que ele treine o modelo. Agora, o que acontece a seguir
é que você pode ver
neste vídeo por meio desses sensores
na frente da câmera. É, veremos o rosto que
está construindo esse modelo agora. E depois disso, na fase de teste, que é depois de
configurar seu ID facial, você procura
seu celular verá se ele
vai ser desbloqueado ou não. Se ele reconheceu seu rosto
do que reconhecerá como aqui, a ideia é que ele
seja capaz de desbloquear seu rosto. Independentemente das mudanças em sua moda diária ou
das mudanças que você possa ter, até mesmo em seus períodos de crescimento. Então, esse é o
tipo de ideia. Ele cria um
modelo facial que adota as mudanças em seu rosto. Isso é chamado de reconhecimento
facial invariante. Portanto, independentemente das
mudanças em seu rosto, desde que as mudanças sejam preservadas por
nossa identidade
, o Face ID
deve ser capaz reconhecer seu rosto, certo? Então esse foi um exemplo
de aprendizado supervisionado que agora é aprendizado
não supervisionado? Então, esse é um conjunto de frutas. E não temos os
rótulos neste exemplo, então não estamos dizendo ao modelo que são bananas
ou são maçãs. Nós apenas damos as
imagens para o modelo. E o modelo
poderá
separá-los com base em sua
semelhança. As maçãs
parecem visualmente semelhantes
e, em seguida, as bananas picam, então elas estão em três grupos
diferentes. Portanto, algoritmos de agrupamento são um exemplo de aprendizado
não supervisionado. Então você não é, você não
deu a eles o rótulo. Você não deu a
eles todos os rótulos com base nas características que
são importantes para o modelo. Nesse caso, a semelhança
visual. Os clusters serão formados. Exemplo disso é o
seu smart oh boo. Então, por exemplo, aqui, se você for, por exemplo,
para você ou para todo boom, verá que, com
base nas fotos que você
tirou anteriormente, iPhone categorizou para você. As pessoas estão agrupadas, com
pupilas ou com rostos diferentes. E mesmo que você não os tenha
rotulado, certo, neste exemplo, a
pessoa tem rótulos, mas você não
precisa necessariamente rotulá-los. Então, o que acontece é
que o ID facial, o rosto é detectado e faces semelhantes são
categorizadas em um agrupamento. E então você pode optar por adicionar um rótulo a isso ou não. Depende de você. Se você estiver interessado em
saber mais
nos bastidores, o que acontece? É o que acontece
em uma determinada foto. , a fase do algoritmo detecta
as faces e a parte superior do corpo
e, em seguida, combina as duas. Ou seja, esse rosto
pertence a esse corpo. E então vai, essa parte vai para o modelo de rosto dela e esta
passa por um modelo corporal. Então, a parte que eu queria enfatizar aqui é o
agrupamento de partes. Os rostos que se
parecem entre
si estão
agrupados em uma categoria, então você pode escolher
rotulá-los ou não, certo? Então, esse foi
outro exemplo real de aprendizado não supervisionado.
5. 5. IA moderna: Esta sessão é uma espécie de
palestra sobre a IA moderna, especialmente sobre tópicos sobre aprendizado
profundo e aprendizado por
reforço. Então, discutimos brevemente
o que é tradicionalmente I. E aqui estão
mais alguns exemplos. Sistemas especializados, as redes neurais
michele, que mencionamos
na história da IA. lógica difusa é um bom exemplo quando algumas dessas linguagens, provavelmente
linguagens específicas de A-I, A-I. Esses foram alguns dos avanços
mais antigos da IA. Em seguida, tivemos alguns avanços no aprendizado de máquina
e na visão computacional. Mencionamos o IBM Deep Blue. O grande benefício
do Deep Blue foi
ter uma grande memória, ser capaz de construir uma árvore de busca de quais são
as ações possíveis. Então, eu farei o jogo
e, portanto, poderei nos
dar núcleos e prever
qual seria o melhor próximo próximo passo para o computador. Então, migrando para a IA moderna, podemos marcar isso principalmente com dois avanços
em hardware e GPUs. E depois grandes conjuntos de dados rotulados
, como o ImageNet. Então, redes neurais profundas, elas são redes neurais que
têm mais de uma profundidade. Isso é meio que tecnicamente
referido a eles. Quanto mais profunda a rede. Normalmente,
você tem
mais parâmetros e cria conjuntos de dados de treinamento maiores. E haverá
mais não linearidade qual o algoritmo passa. B também pode mencionar as estatísticas bayesianas e algoritmos
bayesianos como uma
das ferramentas modernas e da IA. Meu foco será
principalmente fornecer você uma melhor compreensão do que é uma rede
neural profunda. Quais são as operações
envolvidas? Nível meio alto. E então um bom exemplo disso também seria
o jogo Go. O jogo Go é um dos jogos de estratégia
mais complexos. Talvez trate mil anos, qual desses jogos de tabuleiro? E em comparação
com peito, peito. Após os dois primeiros movimentos, cerca de 5400,
possíveis próximos movimentos. Portanto, é fácil criar
todos os movimentos possíveis e atribuir uma pontuação
a cada um deles. Mas em Go, existem cerca de 130 mil movimentos
possíveis e a busca é baseada, é a última a chegar. O número será maior do que os átomos no universo. Portanto, não é possível
prever todos os
possíveis movimentos futuros. E é aí que o tipo de
intuição entra, entra. E nesse caso,
o, o AlphaGo, que foi o
algoritmo criado pela DeepMind que feriu o
campeão do jogo. Foi baseado no aprendizado por
reforço profundo e tipo de aprendizado
observando e aprendendo a política e
atribuindo pontuações possíveis movimentos
futuros futuros sem construir todos
os movimentos, certo? Então, sim, o que é uma rede neural
convolucional profunda? Então essa é a primeira camada de livros encontrados em redes
neurais profundas. Essa é a imagem de entrada. E haverá
operações como o caule. Você pode ver aqui que eles
são chamados de convolução. Então, esses são filtros que estão
enrolados sobre a imagem. E então você obtém uma saída. Então, filtros diferentes
são aplicados em toda a imagem e você cria mapas de recursos
diferentes. E esses mapas de características
passam por uma operação não linear. A mais popular é a
operação que você vê aqui, função linear retificada. E então eles passam por
um pool local, o que significa que, nessa janela azul, tudo é reunido, close é mapeado em um valor sobre a próxima camada ou fornecedor. E então eles passam por
uma normalização local. Então, essa é a primeira camada
e, em seguida, cada camada tem operações muito
semelhantes a essa. E você pode ter. Várias camadas são originalmente as camadas AlexNet 20128. Eu vou mostrar uma figura
disso também. Mas antes disso, é mais ou assim que isso poderia parecer. Então, essa é a imagem de entrada e esses são os filtros
aplicados em cada letra. Em seguida, eles podem sair com uma camada e se tornar a
entrada para a próxima camada. E você tem uma série de
camadas que são consideradas aprendizado de
recursos ou extratores de
recursos. Eles mapeiam a imagem de
entrada ou os dados de entrada em um recurso. E então você não tem para você. Normalmente, camadas totalmente conectadas que estão realizando a tarefa
de classificação. Então, eles obtêm o
mapa de recursos e o mapeiam em seus rótulos finais. Essas camadas mais finas ou vêm
totalmente conectadas porque cada nó aqui está conectado a todos
os nós da próxima. É por isso que eles são
chamados de totalmente conectados. Tudo bem, então eu pensei que isso
poderia ser interessante para você. Este é o desenho original
dos 2 mil papéis. O tipo similar de rede neural
profunda, um modelo que quer a competição da
ImageNet. E foi assim que essa nova onda de redes neurais profundas começou. Isso foi treinado com aprendizado
supervisionado usando
1,2 milhão de imagens. A saída aqui
é da categoria 1000. Assim, ele pode prever ou classificar milhares de categorias de
imagens diferentes. E em termos de
número de parâmetros, havia 60 milhões de
parâmetros no total, e 650 mil
neurônios são nós. Certo? E como eu disse, são,
bem, sete camadas. Ou você pode considerar,
com a entrada, que pode
haver folhetos. Então essa é a rede
Krizhevsky dos anos 2000. Agora, falamos brevemente sobre o aprendizado por
reforço. Achei que
seria uma boa ideia dar um
exemplo de alto nível aqui. Isso é algo que você
possivelmente já viu muitas vezes. O que acontece aqui? O agente aqui, o cachorro e o ambiente aqui, a garota que está
jogando tão grosso. Esse é um caso típico de
reforço mais fácil de
entender quando o agente segue e vai
pegar o bastão
e, depois
disso, é recompensado. Então, o agente
está observando o que, o que está acontecendo
no ambiente. E então, com base
na observação de receber
recompensas ou ser penalizado, ele repetirá as
ações que levam a mais recompensas
e menos penalidades. Isso se chama aprendizado por
reforço. No contexto dos algoritmos e do concreto, isso
não é diferente? Então, aqui está um jogo da Atari que ele está usando aprendizado profundo por
reforço. O conceito é muito semelhante ao que acabei de descrever em termos
de aprendizado por reforço. Vou exibir o vídeo para que você possa
ver geralmente o que é. Então esse é o jogo. Portanto, isso não é um alvo
e você provavelmente já jogou quando era mais jovem. Então, esses são os resultados
do jogo do Atari após apenas
dez minutos de treinamento. Então você vê que o jogo em si. Então, como o treinamento funciona? É muito simples. A única coisa que o
algoritmo sabe é a entrada, que é o que você também
pode ver
na tela e na pontuação. Portanto, o algoritmo
basicamente se move em torno dessas pequenas placas e é
recompensado aleatoriamente ou penalizado. Depois de cada movimento. Ele recalcula sua compreensão
de seus ambientes e aprende a repetir as ações que
levam a essa recompensa. Ganhar uma pontuação ou
perder sua pontuação. Evitar isso evitará as
atividades ou ações que causaram uma
penalidade sem essa pontuação. Então, sim, agora, isso foi
depois de dez minutos. Agora, após 120
minutos de treinamento, você pode ver que é um jogo muito
profissional, muito bem. E esse é um exemplo de aprendizado por
reforço. Portanto, não há outro
treinamento para isso. O curioso
algoritmo não como o
pré-especificado ou qualquer
outra coisa é apenas uma política. E o agente aqui está
aprendendo a fazer isso apenas fazendo
isso e recebendo feedback que está melhorando
com o tempo, estando
no ambiente e
experimentando coisas. Lidar. Então, falamos sobre aprendizado por
reforço, falamos sobre aprendizado profundo. E neste exemplo, esse é um aprendizado
de reforço profundo. E a única parte
que é diferente de
um
valor de reforço típico aqui é que, em termos de
previsão dessa pontuação, recompensa, da penalidade. O algoritmo aqui está usando um elemento diferente
para fazer isso. Para fazer isso, prevê
qual é a pontuação de cada um e
da água removida que
o algoritmo produzirá. E isso é usar uma rede neural
profunda. Caso contrário, é o mesmo que qualquer outro algoritmo de
aprendizado por reforço. Legal.
6. 6. IA em saúde: Em cuidados de saúde e aplicações
da IA na área da saúde. Então, esse é um tópico pelo qual
eu sou mais apaixonado. É claro. Vou começar com este
livro de notas, Deep Medicine. Do Eric. Há um casaco e o livro
diz: Qual é o jogo errado. sistema de saúde atual
é aquele que falta atendimento. E a forma como isso
se relaciona com isso é
utilizando inteligência artificial que pode realmente parecer
contra-intuitiva, mas, na verdade, se trouxer a IA para nossa assassina Nicole e para a prática
médica, boas medidas implementadas, há uma boa chance de
os médicos passarem mais tempo se envolvendo de
forma mais humana no processo
de transporte dos pacientes. E é assim, é isso que
o tema do livro, e é isso que a
IA em potencial pode trazer para os cuidados de
saúde em um futuro próximo. Então, em termos de cronograma você sabe aproximadamente onde a VR, em termos de IA sendo
adotada na área da saúde. Você está ciente disso para revoluções
industriais. E acho que na
primeira sessão eu também me refiro
brevemente a isso. É justo dizer que a medicina ou a saúde
estão mais ou menos aqui. Ainda estamos totalmente na quarta
revolução industrial na área da saúde. Isso se deve em
parte às regulamentações e a alguns dos outros
atritos existentes nos cuidados de saúde. E transformações digitais. Demore um pouco
mais de tempo neste setor. E é definitivamente mais sensível porque
vidas humanas estão envolvidas. Agora, o que eu quero
passar por esses poucos minutos é para diferentes cenários nos quais a IA possa ser
utilizada na área da saúde. Talvez você já tenha visto
alguns desses aplicativos. Uma delas é melhorar a infraestrutura e o
acesso aos cuidados de saúde. O que leva à redução dos
custos dos cuidados de saúde,
melhora a qualidade. Isso torna os cuidados de saúde mais
acessíveis e acessíveis. Isso meio que o torna
escalável, como muitas pessoas, independentemente de sua localização,
idioma, etc., podem
acessar a assistência médica. Um bom exemplo, eu diria que nossos chatbots em assistência
médica e aconselhamento médico. Babylon GP, o GP, um tanh, já tem esse
chatbot. Integre-o para que possamos
consolidar o bate-papo, mas isso
lhe dá um diagnóstico inicial ,
se quiser, ou, você sabe, dá uma ideia de quando
você nos pergunta sobre condições, dá uma ideia de como o que poderia estar potencialmente errado. E então, ele meio
que conecta você a um
profissional de saúde , médico, clínico geral, etc. Agora, esse é
um tipo de infraestrutura que
oferece assistência médica acessível a uma ampla variedade de pessoas independentemente
de sua localização. Acho que esse é
um bom exemplo, mas ainda há
muito a ser feito para melhorar o acesso aos cuidados de saúde por meio dessas
transformações digitais. Então, outro cenário, que é razoavelmente óbvio e
você já deve ter ouvido a notícia, alguns dos
aplicativos são o uso de IA e aprendizado de máquina
em diagnósticos. Ou oito para diagnóstico
darão dois exemplos aqui. Uma é a capacidade cognitiva e
cognitiva. Desenvolvemos essa ferramenta, que é uma ferramenta baseada em IA para detectar deficiências
cognitivas. E ele usa ai. IA explicável. Outro exemplo é que há
uma variedade de aplicativos. Este é um exemplo
que usa imagens, suas imagens de ultrassom, para
detectar sinais de câncer de mama. Existem outros
algoritmos baseados em IA que
funcionam, por exemplo, em imagens do cérebro
, para detectar tumores e algumas outras aplicações
desse tipo. Então, o diagnóstico, eu diria, é uma das áreas em que a
IA é mais adotada. E ele é um pouco mais intuitivo,
se você entende o que quero dizer, diagnóstico oito para diagnóstico está ganhando impulso
no momento. Então, o terceiro exemplo é usar IA e aprendizado de máquina para
prevenção e monitoramento. Isso também está ficando razoavelmente popular, principalmente
com variáveis. Portanto, temos variáveis,
se estivermos coletando mais dados de um indivíduo ao longo do tempo. O Apple HealthKit é um
bom exemplo disso. É coletar seus exercícios, dormir e outras atividades. Além disso. Está monitorando sua frequência cardíaca. Ele pode fazer o monitoramento de ECG. Então, juntando todos esses
dados
, eles podem fornecer informações sobre sua vida e sua saúde
cardiovascular. E se você aplicar esses insights, poderá detectar potencialmente sinais de potenciais problemas
cardiovasculares cardíacos. Você os toma cedo para que possamos evitar ou melhorar
sua vida ainda está. Outro exemplo para rapazes é o Optima e é
um aplicativo de bem-estar. Mede objetivamente seu tipo de desempenho
diário, novamente, em comparação com suas medidas de
estilo de vida, e você pode usá-lo para
melhorar sua vida
ainda se isso ainda está amplamente relacionado à
prevenção, ao monitoramento. E nós, a IA, que é na verdade uma das tendências
da saúde, está se movendo em direção à
prevenção em
vez da detecção tardia de doenças, o que é mais caro. Agora, finalmente, a quarta dimensão
ou cenário que eu queria trazer
aqui é o tratamento. Em comparação com os
outros três que mencionei, os tratamentos estão, eu diria,
atrasados. Existem exemplos. Eu escolheria essa
árvore. Descoberta de drogas. Ele é uma escolha óbvia. Usando IA e aprendizado de máquina. As empresas farmacêuticas podem
acelerar o processo de
descoberta de novos medicamentos com
base em medicamentos já aprovados. Então, restringindo
a lista de medicamentos que
provavelmente funcionarão em um novo distúrbio e realizando um ensaio clínico em uma
lista limitada ou restrita de medicamentos em potencial. E em vez de
realizar muitos
ensaios clínicos na lista mais ampla, o que é muito mais caro
e leva mais tempo. cirurgia robótica é outra área capaz de ajudar. Terapêutica digital também é um termo usado
recentemente, com mais frequência. E isso pode se referir a alguns
dos tratamentos digitais. Você pode receber
prescrições, etc. Ainda são estágios iniciais, mas já existem
algumas aplicações. Alguns desses, por exemplo, ou jogos que podem
ajudá-lo a melhorar um pouco do
seu estado mental. E alguns desses jogos são saudáveis para melhorar o TDAH. Se você pesquisar no Google,
verá que alguns deles
já têm aprovação do FDA. Portanto, esse é um campo
que, obviamente, está evoluindo e tem aplicações
muito limitadas
no momento. Mas há uma boa chance de
que ele ganhe impulso
nos próximos cinco a dez anos. Sim, se você quiser saber
mais sobre outras histórias, outros cenários em potencial
que possam acontecer. Com IA na área da saúde. Este é um bom livro
que eu recomendaria. É um e-book. Espero que você goste. Nos vemos na próxima lição.
7. 7. IA, sociedade e empregos: Nesta sessão,
falarei sobre a IA e seu impacto na
sociedade e no futuro dos empregos. Então, vamos começar com isso. Sabemos que as tecnologias de IA e internet das coisas para vender
estão habilitadas. E se olharmos para eles sob
essa perspectiva na área da saúde, é o exemplo
que vimos na última sessão. Vemos que os mesmos serviços que
estamos recebendo hoje podem ser fornecidos de forma
mais eficaz via EI. Eles podem se tornar mais
amplamente acessíveis, mais acessíveis, podem ser
fornecidos com maior qualidade. Agora, isso é verdade em educação, finanças, saúde, etc. E vou dar dois
exemplos de educação. E depois no varejo. Na educação. Imagine
as escolas de amanhã. Não amanhã, talvez
hoje já tenhamos visto um
pouco disso, mas talvez não como parte de nossos sistemas educacionais
formais. Então imagine que temos
essas novas tecnologias. Você pode ser educado
a qualquer momento e
sua plataforma educacional se adaptará
às necessidades que você tem, às necessidades
do aluno. O currículo seria
personalizado para a carreira. Você está atrás de mentores
rituais anuais. Os exames serão personalizados
com base no que você deseja alcançar e toda a plataforma
poderá ajudá-lo a lutar. No varejo. Talvez isso seja algo que
estejamos mais familiares, Beth. Já vi mecanismos de recomendação como a
Amazon e o Google, quais você recebe
recomendações personalizadas com base em seus interesses e seu histórico. Você já deve ter
visto chatbots que oferecem
suporte ao cliente 24 horas por dia. O exemplo dos chatbots, eu também mencionei
na sessão anterior
como eles podem ajudar na área da saúde a fornecer recomendações de alto
nível. Certo? Então, avançando, esses são alguns exemplos de como a IA pode ser usada em
dias diferentes, serviços diferentes e fornecer os três
recursos que mencionamos, tornando-os mais acessíveis
a uma população maior, tornando-os mais acessíveis e também oferecendo
uma qualidade superior. Então, eu ofereço
oportunidades para países
em desenvolvimento
ou isso só é útil para países desenvolvidos? Sabemos que talvez os EUA e a China
estejam atualmente liderando a IA. Mas a IA tem muitos territórios desconhecidos
e há muito espaço para crescimento
, do qual muitos países
podem se beneficiar. E vou dar um exemplo de
um conceito chamado leap-frog, que é como
as economias em desenvolvimento podem realmente
usar a tecnologia e discutir a IA para dar alguns passos à frente e talvez
acompanhar o jogo. Agora, imagine esse ícone
preto aqui. Esta é uma economia desenvolvida. Anteriormente, eles tinham que
dar todos os passos, construir a infraestrutura
passo a passo até que ela chegasse até aqui. Onde você tem uma economia
desenvolvida com todos esses serviços
em saúde, finanças como educação, etc. Agora, imagine se você fosse
uma economia em desenvolvimento. Agora, você pode usar a tecnologia. Aqui. Este é um equipamento
de salto. Você pode usá-lo para pular e pular alguns passos e pular
aqui e, efetivamente, fazer isso no
dia. Mas veja o exemplo
da educação. Quando você fornece essa plataforma, comunicação
remota, suporte e automação
on-line. Há muitos serviços em
diferentes setores,
incluindo saúde, educação, finanças que podem ser
fornecidos por meio dele, a mesma infraestrutura que
você construiu apenas uma vez. Então, em vez de ir
para um país, construir muitos hospitais,
muitas escolas, em vez de
mantê-las. Aqui você está construindo
uma infraestrutura para essas plataformas móveis
e comunicações móveis. E dessa forma, nessa plataforma, você está
fornecendo todos esses serviços. Sapo saltar. Agora, a pergunta que
me fazem muitas vezes é como a IA pode afetar
empregos no futuro? Vamos
escolher chocolates? Então, bem, isso é, essa é uma boa visualização de como a automação e o futuro próximo afetariam cada um desses
diferentes setores. A referência é sempre C, D. E você vê à direita, essa é uma probabilidade de
automação por setor. Então, além disso, o limpador de
assistência na preparação de alimentos é ajudante, etc. Esses trabalhos têm a maior probabilidade
de serem automatizados. Então, haverá um
tipo de envolvimento menos humano, se você quiser. Porque serão automatizados. Talvez eles não
precisem muito disso. Trabalho criativo, ou eles carecem de
alguns dos aspectos das capacidades humanas
únicas,
como cuidar, etc.,
sobre os quais falarei com você possivelmente na
próxima, próxima sessão. Portanto, esses são os tipos de
trabalhos com maior probabilidade de
serem substituídos ou substituídos
por IA ou máquinas. Então, enquanto você desce
a lista aqui, existem,
esses são os empregos, como ensino, profissões de
saúde. Então, esses são os trabalhos
que envolvem, ambos
precisam, precisam de mais criatividade
e também esse aspecto da
comunicação entre humanos, assistência social. Esses aspectos são fortes nisso. Esses são os aspectos que
são fortes em humanos, mas menos máquinas de costura. Portanto, as chances
de automação ou menos. Mas, no geral, essa Quarta Revolução
Industrial não
é muito diferente das revoluções
anteriores. E o que aconteceu anteriormente
é provável que aconteça. E isso está fazendo
a previsão de que sim, eles serão empregos deslocados. Mas é mais provável que criemos mais novos empregos do que os empregos
que serão deslocados.
8. 8. Resumo e conclusões: Tudo bem, então esta é
nossa última sessão. Teremos um breve resumo do que
aprendemos juntos. Inicialmente, falamos sobre
esse cronograma da IA, como a IA evoluiu e como chegamos até aqui. E, o mais importante, discutimos IA como um facilitador, transformando
diferentes setores. E esse é o
impacto que podemos ter. Isso pode tornar as coisas mais amplamente acessíveis,
acessíveis e de alta qualidade. Discutimos isso
no contexto da saúde como um
exemplo de correio, demos exemplos de
educação, varejo e você pode generalizar
isso em outros setores. Também falamos sobre
as limitações da IA e alguns dos
personagens humanos únicos. Em particular. Espero que você considere esse v para você como diagrama bidimensional onde compaixão
e criatividade são uma estratégia. Esses
são personagens
humanos únicos , personagens nos
quais os humanos são fortes em comparação com coisas
que a IA é apenas tentar capturar, como otimização e coisas
que podem ser automatizadas. Também discutimos
como posso mudar os empregos atuais e
os empregos futuros. Em particular,
discutimos que a IA não destruirá todos os empregos e nos
tornamos uma velha lista de empregos. Em vez disso. Semelhante a outras
revoluções industriais do passado. Haverá alguns empregos em
que eles serão deslocados e novos empregos surgirão. Em particular, trabalhos que são mais fáceis de automatizar,
eles serão substituídos. E os empregos que não são nenhum
desses aspectos humanos, mais do que isso,
surgirão, permanecerão. Portanto, teremos novos empregos criados nessas
duas dimensões específicas. Eu mencionei. Com isso, o que eu
queria enfatizar a importância do
aprendizado e da educação ao longo da vida, particularmente nas
principais habilidades humanas. E, portanto, precisamos nos tornar
melhores em pensamento estratégico, criatividade e habilidades
mais suaves , conexões de
interação humana ,
compassivos e
compassivos. Então, essas são
as habilidades nas quais podemos trabalhar. nos
discrimina e Se você quiser, nos
discrimina e nos diferencie da IA. Certo? Então, obrigado a todos por estarem
comigo até aqui. Você espera que tenhamos
conseguido esclarecer alguns
dos mitos sobre a IA. E
espero que isso contribua com alguns insights
para você ver como estamos usando a IA
atualmente e
como a IA possivelmente mudará a forma como vivemos
e trabalhamos no futuro. E espero que você possa se
beneficiar disso planejando com antecedência. Tenha um dia fantástico e espero vê-lo novamente
em cursos futuros.
9. Bônus: futuro da saúde com IA (medicina de precisão): Aqui, queremos mostrar o impacto
que a inteligência artificial
pode ter nos cuidados de saúde. Para fazer isso,
vamos começar localizando onde os cuidados de saúde estão ruínas no leste em relação à
adoção de novas tecnologias. Como você pode ver aqui nesta figura, área de saúde ainda está
atrasada na adoção da IA. Há vários
motivos para isso, sobre os
quais falaremos
em uma sessão diferente. Mas, por enquanto, isso se
apresenta como uma oportunidade, porque
há muita coisa a ser feita, mas também como um desafio. Agora, uma pergunta que você pode fazer é se adotarmos uma interface de usuário, aonde isso nos leva? Então, isso nos levará do reino
da medicina
intuitiva e eu sou belo remédio para resfriado
para a medicina de precisão. Então, na medicina
intuitiva, é quando o médico
usa sua intuição. Portanto, não é baseado em dados
ou em evidências de protocolo. Baseado na intuição. Eles podem sugerir um diagnóstico
ou um plano de tratamento. Na medicina do protocolo M, o clínico usa
os dados limitados disponíveis e talvez uma entrevista clínica com o paciente examinando
algumas imagens, etc. E com base nisso,
eles apresentam um possível diagnóstico e um
provável plano de tratamento. E talvez em seis meses, eles vejam o paciente novamente para ver se a verdade e
isso não funcionaram. Então, é meio que experimentar
com o paciente para ver o que acontece então se
o tratamento com Park. Para nós em medicina de precisão, com base nos dados, uma riqueza de dados que podem ser coletados de um paciente
ao longo do tempo e variáveis, por que esses sinais, etc. O clínico, com a ajuda
disso dados e, em seguida, eu, entendendo esses dados,
posso fazer um diagnóstico preciso, diagnóstico personalizado
preciso
e, em seguida, o tratamento seguirá. Então, deixe-me fazer
uma analogia aqui. Quando você compra um carro, o fabricante
do carro garante que o carro
funcionará por 34 anos. Então, eles fazem isso com
base nos conjuntos e na qualidade do carro
que fabricaram. Em ambientes de saúde. Quando você vai a um hospital, você
pode esperar que eles
garantam um diagnóstico ou plano de
tratamento
que eles oferecem a você? Não. Isso porque há
muita incerteza. O reino da medicina
intuitiva e improvisada para
resfriado, cujo resultado não pode ser garantido. Mas migrando para a
medicina de precisão, com a ajuda da IA, o que podemos esperar
é passar
dessa incerteza para o
reino da certeza. E nesses cenários,
quando você pode fazer diagnóstico
preciso e
um plano de tratamento preciso
, até mesmo os
serviços de saúde podem ser garantidos.
Seyed Khaligh-Razavi, AI & Entrepreneurship (AM Cambridge Uni)
