Introdução à IA generativa: ferramentas de IA, LLMs, prompts e limitações de IA!

1. Introdução do curso: Oi, pessoal. Bem-vindo à minha aula sobre introdução à IA generativa Meu nome é eles Kumadas. Só para dar uma ideia sobre mim, sou um ex-funcionário do Google com 19 anos de experiência em publicidade e ensino publicidade há mais de dez anos, e ensino para muitos jovens profissionais, empreendedores e especialistas que desejam entrar nisso. Eu queria aproveitar esta oportunidade hoje para que você saiba o que abordaremos nesta aula. Então, veremos como a fundação de IA entende as introduções à IA, seus conceitos, os domínios de vários tipos de IA que abordaremos aqui e, em seguida, analisaremos a transformação dos negócios e da carreira por causa da IA para empresas, para o trabalho, para a carreira e, em seguida, análise de muitos problemas, preocupações e ética relacionados à IA. Também veremos os recursos, os aplicativos, as ferramentas e engenharia rápida que você pode aplicar na IA. Espero que, ao final desta aula, você entenda esses conceitos completamente e seja capaz de aplicá-los de forma prática em seus negócios e para seus clientes. Obrigado mais uma vez, pessoal, por conferirem minha aula e estou muito animada em ver vocês dentro da classe. 2. Introdução à IA generativa: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre como entender o que é IA generativa Se você observar a IA generativa, como a palavra sugere, é uma IA generativa, que é basicamente onde vamos usar a IA para gerar novos conteúdos É uma inteligência artificial que agora pode ir em frente e gerar novos conteúdos que nunca existiram antes. Isso é o que queremos dizer com IA genitiva. Se você observar a história da IA, IA tem sido utilizada várias formas em nosso dia a dia Como se estivéssemos usando a IA principalmente para, digamos, em mapas. Isso nos mostra quanto tempo é necessário para chegar a um destino específico. Ele nos dirá os cartões Tesla que funcionam sozinhos. Portanto, existem várias áreas em que já estamos usando a IA. Mas agora, com a ajuda da IA genitiva, você também pode gerar novos conteúdos com a ajuda dessa tecnologia Esse conteúdo pode ser de vários tipos. Você pode gerar texto, imagens, vídeos, código. Tudo isso agora é possível. Só para dar um exemplo do que estamos tentando nos referir. Se você for ao Chat GPT, podemos gerar texto Posso pedir que ele escreva um e-mail para mim e ele pode gerá-lo. Podemos usar o Dali para gerar imagens, que podemos usar para nossos negócios, para nosso trabalho pessoal Depois, podemos acessar o Github copilot e gerar Então, esses são os tipos generativos de IA que existem neste momento E é assim que vamos fazer uso disso. Simplificando, se você tem que dizer que IA generativa ou inteligência artificial generativa é um tipo de tecnologia de IA que temos agora, que pode gerar novos conteúdos E é aí que pode ser um conteúdo de vários tipos que pode ser criado. Agora ele é capaz de analisar os dados, a solicitação que foi dada a eles e com base na qual pode gerar novos conteúdos para nós. É daí que o nome vem da IA generativa, onde estamos usando a IA especificamente para gerar novos conteúdos Espero que isso faça sentido. Eu entendo o básico do que é IA generativa e quais são suas capacidades e em quais formatos vamos usá-la agora, neste momento 3. demonstração de IA generativa: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos algumas das ferramentas generativas de IA que podemos usar para gerar novos conteúdos Então, vamos ver como podemos usar, digamos, ChR GPT para gerar texto, escrever um poema ou imagem Veremos como podemos gerar texto por meio uma imagem e também de uma tradução. Em seguida, veremos, digamos, difusão estável ou quaisquer outras ferramentas que possamos usar para gerar imagens, texto em imagem Então, vamos dar uma olhada nisso. A primeira coisa que queremos fazer no Cha JBT é principalmente criar e escrever um poema Digamos que lhe pedimos que escreva um poema comemorando a chegada da primavera. Pedimos comemorando a chegada da primavera especificamente que ele o mantenha em dez linhas Você pode ver que isso se seguirá e também gerou um poema para nós, um novo conteúdo que nunca existiu neste mundo Pela primeira vez, ele está sendo criado corretamente. Da mesma forma, digamos que o que queremos fazer é carregar uma imagem e agora gostaríamos que ela a descrevesse. Então, simplesmente, pedimos que ele descreva o que vê na imagem. Portanto, a imagem mostra duas crianças jogando futebol em um campo gramado ao ar livre Uma criança está vestindo uma camiseta branca e shorts coloridos, enquanto a outra está vestindo uma camisa polo azul clara com shorts salariais Então você pode ver que ele captou cada coisa em detalhes e explicou a descrição da imagem para nós. Então você também pode fazer isso, gerando novos textos a partir das imagens que temos ao nosso redor. Está bem? E a terceira coisa é que queremos é a tradução. Então, digamos que estamos pedindo que ele simplesmente traduza esse texto do inglês para o espanhol. Ele também pode fazer isso. Agora você viu três maneiras diferentes de gerar novos conteúdos com a ajuda do hangibty Agora, digamos que vamos para uma difusão estável e aqui pedimos que ela gere uma imagem com base no texto que forneceremos Digamos que estamos dando esse texto em particular, que está criando uma imagem de um homem tocando piano. Pedimos que ele crie que Situ crie a imagem para nós aqui Você pode ver que ele gerou a imagem e, agora, você pode alterar o prompt, modificar o prompt e alterar a imagem , conforme sua necessidade. Espero que isso faça sentido. Espero que você consiga entender a implementação prática de como usar essas ferramentas generativas de IA para gerar novos tipos de conteúdo de acordo com suas necessidades 4. Inteligência artificial (IA), aprendizado de máquina (ML) e aprendizado profundo: Y. Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre inteligência artificial, aprendizado de máquina e aprendizado profundo, entendendo o que são e como realmente funcionam. Então, se você observar, a inteligência artificial é principalmente um conceito de fazer as máquinas pensarem como humanos e agirem como humanos. Está bem? Essa é a ideia da inteligência artificial. Então, o que estamos tentando alcançar aqui é a inteligência humana, que é de natureza artificial, que deve ser capaz de ter as capacidades da inteligência humana, reconhecer imagens ou vídeos, entender e gerar texto, vencer humanos em jogos, aprender com dados em grande escala, dirigir carros de forma autônoma OK. Este é um conceito que surgiu, você pode dizer 1965, idealmente, e agora estamos vendo os resultados dele especificamente falando A inteligência ativit é principalmente um tipo de inteligência que estamos tentando construir, que está no mesmo nível da inteligência humana e é capaz de fornecer esse tipo de resultado, que a inteligência humana pode fazer Agora, se você observar quando analisamos o aprendizado de máquina, o aprendizado de máquina é principalmente onde estamos tentando treinar nossos computadores para aprender com exemplos. Se você observar a programação tradicional normal que vimos até agora, haverá dados de entrada. Fornecemos dados de entrada e, em seguida, fornecemos algumas regras, que é o código que fornecemos e com base no qual a saída sairia. Então, aqui estamos escrevendo todas as regras e com base nas quais a saída sai. Mas no aprendizado de máquina, será um caso em que uma quantidade enorme de dados de entrada de dados de treinamento será fornecida e a máquina aprenderá com os dados e fornecerá a saída mais apropriada É aprender as regras em si, ok? O ML basicamente mostra à máquina milhares de exemplos e permite que ela encontre os padrões em si. Essa é a ideia de aprendizado de máquina que estamos entendendo aqui. Está bem? Existem três tipos de aprendizado de máquina: principalmente supervisionado, não supervisionado Supervisionado é onde ele aprende com exemplos rotulados. Então, os dados são rotulados, então eles são treinados nisso e nos dão a saída Sem supervisão, é onde ele encontra padrões ocultos. Portanto, a partir dos dados de treinamento fornecidos, ele tenta encontrar padrões ocultos e, em seguida, o reforço é onde ele aprende por tentativa e erro Com recompensas, assim como treinar um cachorro. Então, o que importa é que a codificação tradicional que conhecemos há décadas não consegue lidar com as complexidades do mundo real, e é aí que o ML se expande muito porque aprende com os dados e se adapta às novas situações que não somos capazes de prever e Então essa é a ideia do aprendizado de máquina, como ele ajuda no contexto atual. Agora, como funciona o aprendizado? Então, vamos tentar entender isso principalmente de um ângulo totalmente diferente Assim, podemos tirar algumas impressões das crianças sobre como elas aprendem Então, normalmente, isso funciona quando os pais mostram maçãs para as crianças e dizem: isso é uma maçã. Agora, o cérebro entende isso, lembra que um caule vermelho ou verde, redondo e brilhante no topo, é uma maçã Está bem? E agora, quando isso é mostrado novamente, a criança é capaz de reconhecê-lo como uma maçã. E é assim que o aprendizado humano acontece. Imagine a mesma coisa acontecendo com esses modelos de IA em que dados de treinamento são fornecidos. Digamos que milhares, milhões de imagens de maçãs sejam fornecidas, e agora o modelo aprende esse padrão que a cor é vermelha ou verde, forma ao redor, textura, pele brilhante. Ok, a haste na parte superior é mencionada e, em seguida, uma nova imagem é mostrada, então ela mostra a saída como maçã. O processo de aprendizagem ou o estilo de aprendizagem é muito semelhante ao que normalmente uma criança aprende Agora, existem três ingredientes principais que usaríamos no aprendizado de máquina, que você verá: existem muitos dados de treinamento, que consistem principalmente em milhões de imagens rotuladas, documentos de texto, artigos, tabelas estruturadas, dados, clipes de áudio, fala e gravações de vídeo, que são E depois há muito poder computacional, GPUs, milhares de GPUs, parques de computação em nuvem de memória de alta velocidade, consumo massivo de energia acontece nisso e o treinamento paralelo distribuído, E há algoritmos. Então, obviamente, os algoritmos, que também funcionam nisso, como árvores de decisão, regressão linear, redes neurais, agrupamento, aprendizado Tudo isso faz parte dos ingredientes do aprendizado de máquina, que agora é capaz de criar um modelo de ML treinado. Então vem depois disso, que diz o aprendizado profundo, que consiste principalmente nas redes neurais ou transformadores. Isso também funciona de forma muito semelhante aos neurônios do nosso cérebro humano se você visse neurônios biológicos, Por exemplo, se você visse neurônios biológicos, há uma entrada que chega ao corpo celular e, com base na qual a saída sai do cérebro Da mesma forma, também na rede neural artificial , no aprendizado profundo, há entradas fornecidas e há muitos processamentos de saídas diferentes que acontecem e com base nos quais a saída sai Então, essa é a parte do aprendizado profundo em que ele entra na compreensão das entradas fornecidas e com base nas quais as saídas Então, agora, se você observar isso em um diagrama n, a inteligência artificial é a categoria mais ampla É a categoria mais ampla, e aí vem o aprendizado de máquina, que compreende árvores de decisão, florestas aleatórias e, dentro disso, vem o aprendizado profundo Então, você pode dizer que o ML é principalmente um subconjunto da IA e, dentro do ML, há um aprendizado profundo que fica ali, que é uma rede neural de várias camadas que está sendo É útil principalmente para geração de imagem, vídeo, linguagem e geração de áudio. Para todos esses propósitos, precisamos de mais dados e computação do que o ML clássico. Espero que isso faça sentido. Espero que você entenda agora os conceitos básicos de inteligência artificial, aprendizado profundo e aprendizado de máquina. Muito obrigado, pessoal, por estarem nesta sessão. Te vejo no próximo vídeo. 5. Explore o ChatGPT: recursos e recursos: Oi, sim. Bem-vindo a esta sessão. Nesta sessão, veremos algumas das ferramentas de IA e seus recursos e capacidades e como podemos usá-las. O primeiro que você vai ver será o ChatGPT, que é principalmente uma ferramenta desenvolvida pela Usando o LLM GPT cinco e superior, ele é projetado principalmente para compreensão e geração de linguagem natural, que é mais de uma forma conversacional Então, isso é algo que vamos usar e ver como vai funcionar. Portanto, a ideia é que só precisamos ver suas capacidades agora, entender como elas operam e qual é o nível da energia que absorvem dentro Então, vamos dar uma olhada nisso. O primeiro que vamos ver é o ChatGPT aqui, ou seja, eles usam o modelo LLM no back-end, e agora podemos fazer um prompt simples aqui e para o qual ele pode nos fornecer uma saída Digamos que estamos perguntando o que são LLM e como eles funcionam? Agora veja o quão rápido eles são capazes de nos dar a saída. No momento em que você digita em menos de um milissegundo, você obtém a saída aqui de uma maneira muito sistemática, obtém todas as informações por causa da quantidade de milhões de dados nos quais ela é treinada no back-end Todos esses modelos foram capazes de escalá-lo para uma grande quantidade de usuários devido à sua simplicidade, devido às informações detalhadas que ele é capaz de fornecer aos usuários. É por isso que tantas pessoas ao redor do mundo começaram a usar ferramentas de IA extensivamente Sim, você pode ver que a saída é fornecida aqui. Ok. Além disso, ele não apenas nos fornece a saída, mas também fornece informações adicionais. Além disso, ele vai perguntar que, se eu puder explicar isso em diferentes níveis, ele possa fazer isso. Então, está tentando ser o mais cooperativo solidário possível com o usuário para que o fator de dependência aumente Pela facilidade de uso, você pode ver por si mesmo, por isso ele é capaz de seguir em frente e nos fornecer a saída de uma maneira tão personalizada. Agora, se eu continuar com isso e disser, como eles constroem? Como eles são construídos? Então, o que está acontecendo aqui é tão simples quanto quando eu digo, como eles estão? Ok, ele o conecta automaticamente com a conversa anterior. Ele entende que estamos falando sobre LLM na conversa anterior, então continua com isso Os LLMs são construídos por meio de uma combinação de, ok? Então, a parte boa é que você pode ter uma conversa prolongada com a IA, e ela manterá um contexto da conversa, das conversas anteriores, e com base no qual ela fornecerá o resultado. Então, as respostas, as respostas serão muito mais personalizadas de acordo com o que você realmente deseja. Está bem? Então isso é um superpoder Novamente, há outro grande recurso dessas ferramentas, em que se lembram das conversas que você teve e, com base nas quais, nos fornecerão o resultado você também verá recursos Eventualmente, você também verá recursos nos quais você pode fornecer sua formação, sua profissão profissional, tudo o que você pode fornecer , e você está basicamente ajustando o LLM para fornecer resultados com base no histórico fornecido Ok, então tudo isso é possível, mas agora, o que estamos vendo é como esses LLMs basicamente funcionam Então é assim que o ChatGPT vai responder. Da mesma forma, você também tem outra plataforma de IA que será destruída Com a nuvem, novamente, você pode fazer a mesma coisa. A força da nuvem está principalmente na codificação. Você pode usar muito essa plataforma para uso de requisitos de codificação que você possa ter Vamos dar um exemplo simples de como isso vai ser. Digamos que estamos pedindo que ele gere um código Python, que pode ser executado no AWS Lambda, lendo um arquivo CSV e salvando-o em outro Ele vai gerar o código para nós. Ele também resolverá o problema do código. Tudo isso pode acontecer aqui. Então, na maioria das vezes, os usuários estão vendo que a nuvem é muito boa com aspectos de codificação e pode funcionar muito bem com isso O caso de uso é mais voltado para a codificação. É assim que podemos obter o texto. E é aqui que você entende a ideia sobre a qual falamos com relação ao GenAI de que ele não se limita apenas à geração de texto Você pode gerar código. Você pode gerar imagens, vídeos, tudo isso pode acontecer com as ferramentas GenAI Esta é a parte da nuvem que analisamos da mesma maneira podemos nos tornar Gemini, que é a ferramenta de IA do Google, principalmente, e ela também está melhorando cada dia com toneladas de dados no back-end Vamos usar um caso de uso diferente para isso. Digamos que o estamos usando para geração de imagens. Isso vai nos ajudar a gerar imagens. Esta é a geração de texto para imagem que você pode fazer com esta ferramenta de IA. Está bem? Portanto, existem diferentes casos de uso. Agora você pode identificar, você pode imaginar que pode ter com essas ferramentas, onde você pode usá-las para gerar conteúdo, para fins de marketing, para questões de política de RH, documentação de que você precisa. Para todos esses cenários, ferramentas GenAI podem ser integradas extensivamente e também podem ser usadas de forma muito eficaz Aqui você pode ver que foi assim que ele criou a imagem e também podemos personalizá-la . Podemos fazer alterações nele. Tudo isso pode ser feito. Portanto, minha ideia é apenas informar o potencial dessas ferramentas e as várias formas ou casos de uso que você pode ter, nos quais você pode usá-las, apenas para uma ideia geral de todas essas ferramentas que temos Então, agora, na maioria das vezes, as pessoas usam OpenAI CHN GPT para casos de uso multiuso, que você pode fazer principalmente E Gêmeos também, até certo ponto, Gêmeos ainda está aprendendo muito agora e se atualizando Ok, a produção está ficando muito, muito melhor agora. Uh, Cloud está se concentrando principalmente. Também está dando um ótimo resultado, mas sua força está na geração de código, então também pode ser útil para isso O CoPilot, como você sabe, faz parte da Microsoft A tecnologia de back-end que eles têm é o OpenAI ChatGPT Mas ele está integrado aos produtos da Microsoft, que serão Word, Excel, PowerPoint, para que você possa usá-lo facilmente e também funciona muito bem lá fora Além disso, há crescimento e perplexidade, que você também pode usar Novamente, essas são outras ferramentas de IA que você certamente pode experimentar e ver se elas se adequam ao seu estilo de trabalho e à sua empresa. Espero que isso faça sentido. Espero que você entenda agora como podemos usar essas diferentes ferramentas de IA, seus recursos, seus recursos em diferentes cenários. 6. Por que aprender IA generativa: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, entenderemos por que devemos aprender sobre o genitivo A. Se você observar, o AA genitivo está na mente de todos os líderes da organização no Empresas, governos e, com interesse, surgem oportunidades. As organizações estão procurando especificamente pessoas que entendam a tecnologia e, o mais importante, tenham as habilidades para aplicá-la na prática no dia a dia de trabalho. Agora, ao contrário de muitas das tecnologias de tendências anteriores, IA genitiva desempenha quase todas as funções em todas as profissões no Agora, por causa disso, espera-se que as habilidades genéticas de IA se tornem mais importantes no futuro próximo, não apenas para cientistas da computação, para todos, e é por isso que elas serão essenciais como processamento de texto, planilhas e até mesmo alfabetização espera-se que as habilidades genéticas de IA se tornem mais importantes no futuro próximo, não apenas para cientistas da computação, para todos, e é por isso que elas serão essenciais como processamento de texto, básica Agora, há muitos novos interesses acontecendo agora em IA e as empresas estão olhando além da IA do cliente, da IA do consumidor. Uma interface de fórum de bate-papo é uma ótima maneira de demonstrar o potencial generativo da IA Agora, casos de uso da vida real estão incorporando a IA generativa nos processos existentes e tornando-a uma função integral de quase todos os fluxos de trabalho de negócios As habilidades que você adquirirá como parte desses programas devem ajudá-lo em sua carreira e ser muito aplicáveis instantaneamente ao seu trabalho. Há muitos pontos positivos aprender sobre IA genitiva porque isso será útil não apenas no seu trabalho profissional diário, mas também pessoalmente. Você também pode usar essas ferramentas de IA para resolver muitos problemas, perguntas e dúvidas que possa ter As ferramentas ajudam a chegar às soluções reais e também fornecem etapas práticas. Assim, você pode instruir a ferramenta dessa maneira. Você pode solicitá-lo de uma maneira que forneça as saídas que você está realmente procurando Portanto, faz muito sentido aprendermos sobre IA generativa entendermos como usar essas ferramentas de IA em diferentes esferas de trabalho Neste curso específico, veremos como isso ajudará em nossas funções de vendas na profissão de vendas. 7. recursos de IA generativa: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, falaremos sobre os recursos da IA generativa Se você observar os recursos que a IA generativa tem agora, ela vai desde a geração de texto, geração imagem, geração de áudio, geração de vídeo, geração código agora, geração de dados e recursos aumentados que ela tem agora, além e recursos aumentados que ela tem agora ajudar na criação de mundos virtuais imersivos que ela também é capaz Agora, se você observar especificamente os recursos de criação de texto, existem vários LLMs que fornecem isso, que são treinados em grandes conjuntos e podem gerar texto semelhante ao humano Não, eles também são capazes de aprender padrões e estruturas de conjuntos de dados e gerar conteúdo e mensagens de texto, textos ou respostas, conversas, explicações e resumos contextualmente relevantes textos ou respostas, conversas, explicações Alguns dos exemplos de recursos de geração de texto podem vir do OpenAI, do ChatGPT e do Gemini do Google Agora, se você observar especificamente os recursos de geração de imagens no momento, os modelos generativos de IA utilizam técnicas de aprendizado profundo, como Gans, que são redes adversárias generativas e Com a ajuda deles, eles são capazes de gerar imagens de IA que são texturas realistas, cores naturais e detalhes refinados Agora, alguns dos exemplos de geração de imagens vêm da Style gan, que produz novas imagens de alta qualidade e alta resolução. Depois, há a arte profunda, que produz esboços de arte complexos e detalhados, partir de um esboço específico. E depois há Dali Dali produz novas imagens com base nas descrições textuais que fornecemos Da mesma forma, atualmente existem recursos de geração de áudio com IA generativa, na qual ela é capaz de gerar composições musicais, conversão de texto em fala, áudio, vozes sintéticas e fala com som natural Alguns dos exemplos podem ser o Wave gan, que produz formas de onda de áudio brutas, sons realistas, fala, música e ruídos ambientais Existe uma usenet de IA aberta, que é capaz de gerar músicas originais em vários gêneros e instrumentações, e também pode criar composições clássicas para composições clássicas Há também o tachotron two do Google, que é capaz de produzir DTS avançado e produzir DTS avançado e produzir fala, tom, tom, tom, modulação, pronúncia, ritmo e expressões sintéticos altamente realistas tom, tom, tom, modulação, pronúncia, ritmo Existem muitas capacidades generativas, que aconteceram no passado e estão aumentando continuamente agora neste momento 8. como explorar a evolução da IA generativa: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, discutiremos a evolução do VI genético ao longo dos anos Se você observar, o GenetiveEI começou a evoluir paralelamente ao avanço da IA tradicional Ele permaneceu inativo por mais de 20 anos, mas depois foi impulsionado especificamente por GANs e VAEs, e agora está pronto para moldar o futuro Portanto, houve um progresso significativo na criação de conteúdo. Portanto, com os avanços, os primeiros modelos da GenAI tiveram alguns problemas de coerência e qualidade Está bem? Então, GPT três, GPT quatro, Dali, eles forneceram saídas sofisticadas de texto e imagens e aprimoraram a criatividade e a automação Agora, se você observar as capacidades genitivas, elas agem como um gênio criativo Ele pode criar imagens, escrever histórias, inventar novas ideias para nós Será baseado em um mecanismo baseado em regras. São sistemas restritos a contextos e regras predefinidos. Agora, modelos estatísticos e de aprendizado de máquina são usados para identificar padrões em conjuntos de dados com base em aprendizado semisupervisionado, supervisionado ou por reforço . Agora, também existem outras coisas. Ao longo do período, os VAs começaram a aprender padrões para gerar resultados semelhantes Os fãs produzem imagens e arte altamente realistas. Modelos autorregressivos foram usados para gerar conteúdo passo a passo, ideais para modelagem de linguagem Então, surgiu o aprendizado profundo e a rede neural , que podiam detectar padrões nos dados com recursos avançados. Também foi capaz de lidar com dados formativos não estruturados Então, o GAS, que são redes adversárias generativas, marcou o início de uma nova era de ferramentas de IA, onde poderia criar novos Além disso, foram usados LSTM e RNNs, que ofereceriam recursos avançados, ofereceriam recursos avançados, manipulavam dados não estruturados e podiam processar dados de séries e podiam Agora, se você observar a diferença entre a IA generativa e a IA tradicional, IA tradicional analisa ou prevê usando dados existentes A tarefa comum pode ser classificação, recomendação urigreon. Enquanto a IA generativa usa modelos GAS e transformadores, ela é capaz de criar novos dados que se assemelham aos dados que se assemelham aos Agora, se você observar inteligência artificial ou a IA tradicional, ela evoluiu do nível de ordem básico para o preditivo, enquanto a IA generativa cria resultados de qualidade humana usando Portanto, se você observar que, desde 2017, uma nova era de tarefas generativas evoluiu, aproveitando os modelos GPT de código aberto Ele utilizou modelos pré-treinados para grandes conjuntos de dados e modelos de ajuste fino Então, no geral, se você ver a principal diferença, IA tradicional segue instruções específicas, enquanto a IA generativa inventa e cria sozinha 9. aplicações de IA generativa: Oi, pessoal. Bem-vindo às sessões. Nesta sessão, falaremos sobre a aplicação da IA generativa em diferentes setores do trabalho Na primeira, analisaremos a aplicação da IA generativa em TI e DevOps Então, aqui, ele realmente melhora os processos de entrega de software e o gerenciamento da infraestrutura. Os recursos de geração de código da IA generativa reduzem os esforços manuais de codificação e o tempo gasto em tarefas repetitivas Por exemplo, o GitHub CoPilot e o SNIC Deep code ajudam a criar Ele pode examinar isso, eu posso examinar os padrões de codificação. Também ajuda a gerar casos de teste sintéticos e dados de teste. Com isso, você pode simular o comportamento, o impacto, a eficiência, a confiabilidade e a robustez do software Também existem ferramentas como ferramentas e testes APLA, que podem garantir uma cobertura adequada dos testes, aumentando a profundidade e a diversidade dos conjuntos de dados Além disso, você pode monitorar e detectar anomalias como IBMs, Watson AIOps e Mok soft AIOps Ele pode analisar registros, métricas e outros dados do sistema, como manutenção proativa Isso pode ajudar a diminuir o tempo de inatividade e também evitar falhas críticas Agora, se você observar a aplicação da IA generativa no entretenimento, na arte e na criatividade, ela pode ajudar a gerar conteúdo sintético, como músicas, roteiros, histórias, vídeos, filmes e videogames No desenvolvimento de jogos, existe o Houdini by Side Effects, que pode criar jogos, animações, experiências de AR e VR, personagens únicos com comportamento único Além disso, também existem influenciadores e avatares virtuais, que surgiram ao longo do tempo, capazes de interagir com os usuários e criar usuários e Depois, há a aplicação da IA generativa na educação, como geração de conteúdo, experiências de aprendizado personalizadas e adaptáveis, aprendizado experimental simulado, tudo o que Ele pode ajudar a fornecer tradução de idiomas como tornar o conteúdo acessível a pessoas diferentes, avaliar tarefas, fornecer feedback instantâneo, criar jornadas de aprendizado e estratégias de avaliação para apoiar o ritmo e estratégias de avaliação para apoiar os pontos fortes dos alunos, gerando taxonomias que podem ser o desempenho e gerando taxonomias que , como tornar o conteúdo acessível a pessoas diferentes, avaliar tarefas, fornecer feedback instantâneo, criar jornadas de aprendizado e estratégias de avaliação para apoiar o ritmo e os pontos fortes dos alunos, gerando taxonomias que podem ser o desempenho e as preferências dos alunos. Além disso, algoritmos generativos também são usados na educação para detectar necessidades especiais e dificuldades de educação para detectar aprendizagem, criar planos de aula específicos acompanhar o progresso dos alunos ao longo Você também pode fazer o rastreamento de conhecimento em que o ritmo de escrita e o conteúdo para necessidades individuais podem ser feitos Suporte de tutoria pode ser fornecido. Ambientes virtuais e simulados podem ser criados. A educação inclusiva pode ser feita. O exemplo, ferramentas que são nulas J. É um aprendizado eletrônico gerado por IA, que pode ser feito em minutos para o tópico alvo, que pode ser vídeos interativos, glossários, resumos, tudo o que pode ser feito com Espero que isso faça sentido. Espero que você entenda as várias aplicações da IA generativa em diferentes setores de trabalho 10. Ferramentas para geração de texto: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, veremos várias ferramentas que podemos usar para geração de texto em LLMs Se você observar, grandes modelos de linguagem são baseados em padrões e estruturas aprendidos durante o treinamento. Esses LLMs interpretam contexto, gramática e semântica para gerar coerente Traçar relações estatísticas entre palavras e frases permite que esses LLMs adaptem estilos de escrita criativa para qualquer contexto Os LLMs são a base de muitos modelos de geração de texto. Dois desses exemplos são transformador generativo pré-treinado ou GPT e Gemini AI Os modelos evoluíram modelos multimodais que oferecem vários recursos Vamos aprender sobre os recursos desses modelos por meio de duas ferramentas populares no momento, que são o SATGPT e o Google Gemini Se você observar os ATGPTs baseados em um GPT como um grande modelo de linguagem e usar processamento avançado de linguagem natural ou PNL, Bem, originalmente, o HGPT só usava solicitações de texto como entrada para gerar novos conteúdos Com a versão mais recente, ele pode receber entradas de imagem e O ChagPT oferece diversos recursos para geração de texto. Também é capaz de conversas suaves e baseadas em contexto. Agora, da mesma forma, se você observar, o Google Gemini é alimentado pelo modelo Gemini AI do Google Ele apresenta uma nova família de modelos de IA multimodelo e aprimora o raciocínio, a compreensão Ele também garante eficiência e escalabilidade e otimiza a interação multimodal perfeita Ele também é capaz de lidar com diversos dados e tarefas. Vamos ver um exemplo prático de como isso vai ser. Essa será a interface do Cha GPT onde podemos entrar e vamos dar uma dica geral em que estou dizendo que já ouvi falar sobre IA generativa e quero aprender Ela vai me dar muito contexto sobre o que é IA generativa. Como isso funciona? LLMs. nos dará muitas informações relacionadas, que são bastante informativas e fornecem as informações corretas sobre Agora, além disso, posso me aprofundar onde posso dizer como posso usar IA nativa para melhorar especificamente minhas habilidades de contar histórias Então, agora eu quero desviá-lo para um requisito de categoria específica, que é a habilidade de contar histórias Então, agora isso vai me dar ideias desenvolver personagens mais profundos, melhorar a escrita de diálogos usar a IA para debater melhores ideias de histórias Ok, então está me dando algumas informações práticas que eu realmente posso usar para melhorar minhas habilidades de contar histórias Da mesma forma, também posso perguntar uma coisa separada. Digamos que eu esteja pedindo que você me ajude a criar slides para demonstrar os recursos de uma plataforma de aprendizado. Digamos que eu queira criar determinados slides de vendas. Então, isso vai me dar uma estrutura muito boa, que se divide em slides, título, subtítulo, inclusão e, em seguida, o problema que resolvemos O foco é dado no contexto, que é a plataforma de aprendizagem. Então, está me dando todos os pontos necessários para isso. É assim que podemos torná-lo útil. Outro ótimo uso é que você pode usá-lo para aprender idiomas. Tudo isso é possível para que você possa converter qualquer idioma inglês para qualquer outro idioma que desejar, e o Chachi P pode fazer isso facilmente por nós Da mesma forma, vamos dar uma olhada no Google Gemini, que você também pode usar para dar uma solicitação Digamos que eu esteja pedindo que você forneça um resumo das últimas notícias sobre a guerra na Ucrânia. Então, ele vai me dar todas as informações relacionadas a isso. Você pode ver aqui todas as informações, as informações mais recentes que podemos obter. Da mesma forma, se eu quisesse criar uma estratégia para fazer uma campanha de marketing digital para uma marca de moda, isso também pode me ajudar com isso. Então, agora estamos pedindo que ele forneça uma estratégia de marketing digital. Então, experiências imersivas e orientadas por IA, estratégia de conteúdo, autenticidade ou estética, tudo bem, comércio social e Então você pode ver que está me dando algumas estratégias específicas sobre marketing digital, que eu posso usar praticamente para promover uma determinada marca. Então, é assim que vamos usar as duas ferramentas especificamente falando. E então, se você olhar mais longe, usar o CHAPT e o Gemini, isso traz muitos benefícios exemplo, ele fornece solução de problemas por meio de matemática e estatística básicas , análise financeira, pode fazer pesquisas de investimento, orçamentos, tudo o que pode fazer Também pode ajudá-lo na geração de código. Agora, se você comparar o CHATPT com o Gemini, CHAPT é eficaz na geração respostas dinâmicas e o fluxo de conversação está presente Já o Gemini é bom, ideal para trabalhos de pesquisa, pesquisas em notícias atuais, informações que você deseja sobre um determinado tópico para todos esses propósitos Também existem outras ferramentas geradoras de texto, que você pode usar com certeza, por exemplo, o Jasper, que é útil para criar conteúdo de marketing para uma marca específica Você também pode usar o escritor como uma ferramenta de IA, que cria conteúdo para blogs, e-mails, SEO, metadados e também anúncios nas redes sociais Há também o copy.ai, que cria conteúdo nas mídias sociais para marketing e descrições de produtos. Também existe o Write Sonic, que ajuda a fornecer modelos específicos para diferentes tipos de texto Também há um currículo que você classifica para gerar resumo de texto, Há também a marca 24, que você pode usar para análise de sentimentos, e depois a Weaver e a Yandex, que podemos usar para É assim que o texto será. A geração de texto será, o que podemos ver aqui, que você pode absolutamente usar em todos esses AItunes 11. Ferramentas para geração de imagens: Oi, pessoal. Bem-vindo às sessões. Nesta sessão, veremos diferentes tipos de ferramentas que podemos usar para geração de imagens. Os modelos de imaginação são basicamente aqueles em que podemos gerar novas imagens , personalizar imagens reais e geradas. Por exemplo, digamos que queremos gerar uma imagem de uma criança com um livro e depois trocar a capa do livro por uma imagem generativa Tudo isso pode ser feito por modelos de geração de imagens. Agora, existem vários tipos disso. Uma é a tradução de imagem para imagem. Você está transformando uma imagem de um domínio para outro. Por exemplo, isso pode ser útil para converter esboços em imagens realistas, converter imagens de satélite em mapas, converter imagens de câmeras de segurança em imagens alta resolução e aprimorar detalhes em imagens aprimorar Agora, outras ferramentas serão transferência de estilo e fusão. Eles são úteis para extrair o estilo de uma imagem e aplicá-lo em outra Um exemplo pode ser converter uma pintura em uma fotografia. Depois, há na pintura. Na pintura, estamos preenchendo as partes que faltam na imagem. Você tem uma imagem e faltam algumas partes , então elas podem ser geradas por IA. Por exemplo, restauração de arte, análise forense, remoção de imagens e objetos de imagem indesejados, mistura de objetos virtuais em cenas do mundo real Depois, há nossa pintura. Pintar é estender uma imagem além de suas fronteiras. Um exemplo pode ser gerar imagens maiores, melhorar a resolução, criar vistas panorâmicas Tudo isso pode ser feito. Então, agora da Open AI, existe o Dali, baseado no GPT, que pode fazer tudo isso, gerar imagens de alta resolução em vários estilos Ele também pode criar novas versões, pode ser gerado, pode gerar várias variações de imagem. Ele também é usado para pintar características de pintura. Depois, há uma difusão estável. Este é um modelo de código aberto que pode criar imagens de alta resolução. Ele pode gerar imagens com base em solicitações de texto. É usado para tradução de imagem para imagem na pintura e na pintura externa. Depois, há o estilo gan, que permite um controle preciso para manipular recursos específicos, separa o conteúdo da imagem e o estilo da imagem Eu evoluí para gerar imagens de alta resolução. Existem outras ferramentas, como giz de cera, seleção gratuita e Pick Start, que também estão disponíveis para gerar imagens em diferentes formas Também existem efeitos Photo and Depart, que oferecem vários estilos pré-treinados Também permite estilos personalizados. Depois, há o depart dot IO, que é uma plataforma on-line que transforma fotos em obras de arte E depois há o Mid Journey como uma plataforma, que permite a geração de imagens, o que possibilita comunidades de geração de imagens onde artistas e designers criam imagens usando IA. Também permite explorar as criações uns dos outros. Vamos dar uma olhada em uma dessas ferramentas, que será uma escolha gratuita. Este é o site onde podemos escolher gratuitamente e gerar uma imagem aqui. Digamos que estamos dando uma solicitação simples agora . Com essa solicitação, será a geração de texto para imagem, o que estamos tentando fazer aqui. Agora você pode ver que ele avançou e gerou essa imagem para nós, um barco navegando em um lago calmo ao pôr do sol, cercado por árvores verdes exuberantes e costa enevoada dessa maneira específica Espero que isso faça sentido. Espero que as pessoas entendam agora as várias ferramentas que estão disponíveis agora para geração de imagens com a ajuda dessas ferramentas de IA. 12. Ferramentas para geração de áudio e vídeo: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre as ferramentas que podemos usar para geração de áudio e vídeo. Portanto, nessa IA generativa, recursos de áudio ajudam empresas e indivíduos, iniciantes ou experientes, a simplificar processos dar vida a visões complicadas Agora, ferramentas de geração de fala estão disponíveis aqui, que podem ser ferramentas de conversão de texto em fala treinadas em algoritmos de aprendizado profundo, vastos conjuntos de dados da fala humana Agora, ele também pode decompor e replicar a pronúncia, velocidade, a emoção, a entonação, e a fala com um som mais preciso e natural ajuda pessoas com deficiência visual a velocidade, a emoção, a entonação, e a fala com um som mais preciso e natural ajuda pessoas com deficiência visual, barreiras linguísticas e dificuldades de leitura. Existem ferramentas de criação de música que você pode usar para escrever melodias ou riffs curtos, sugerir ou adicionar instrumentos, compor uma nova música, criar uma trilha sonora para vídeos do YouTube ou Instagram Você pode mixar, masterizar e publicar plataformas de streaming. Além disso, existem ferramentas de aprimoramento de áudio, que podem identificar sons específicos, adicionar ou remover sons indesejados, como, por exemplo, DScript ou Audo Também haverá ferramentas de vídeo, ferramentas geração de vídeo que você pode usar, como o runway, que podem transformar o vídeo em novos estilos Ele usa texto, imagem ou vídeo como entrada. Agora, também existe o Es US, onde você pode fazer upload de fotos ou usar instruções de texto para gerar vídeos Então, essas ferramentas de vídeo podem gravar uma narração, aprimorar o áudio e converter o formato do arquivo Eles também podem publicar um vídeo, e existem ferramentas como a Synthesia, que podem criar avatares personalizados Existem muitos modelos diferentes de geração de áudio e vídeo que você pode usar e ferramentas que você pode usar para gerar vídeos e áudio gerados por AIs . 13. Ferramentas para geração de código: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre várias ferramentas que podemos usar para geração de código. Portanto, os modelos de geração de código geram código com base na entrada do idioma nacional. Com base em aprendizado profundo e NLT, esses modelos compreendem o contexto e produzem código contextualmente Agora, os recursos desses geradores de código são que eles podem gerar um novo trecho de código ou Ele pode prever linhas de código para concluir o código parcial. Eles podem produzir versões otimizadas do código existente. Eles podem converter código de uma linguagem de programação para outra. Eles podem gerar resumos e comentários para o código. Eles também podem recomendar soluções de programação para resolver um problema específico. Da mesma forma, neste AIs aberto GPT como modelo de geração de codificação, se destaca na geração como modelo de geração de codificação, se destaca na geração de texto semelhante à humana, ele demonstra a capacidade imersiva de geração ele demonstra a capacidade imersiva Esses recursos de codificação do GPT são mais longos e códigos mais precisos podem ser A codificação pode ser feita para desenvolver aplicativos, sites ou plug-ins que podem gerar código para imagens Então, se você observar, por exemplo, quando acessamos o Chat GPT especificamente e escrevemos, digamos, um código Python para gerar uma mensagem para cumprimentar uma pessoa , para que possamos obter um código como esse, que ele código Python para gerar uma mensagem para cumprimentar uma pessoa , para que possamos obter um código como esse, Além disso, fornece a explicação de como funciona especificamente. Além disso, você também pode converter o mesmo código em outro idioma dessa maneira específica. Agora, com relação à análise da codificação com o Gemini, ele oferece geração de código em mais de 20 linguagens de programação Ele fornece uma compreensão passo a passo e detalhada de como gerar o código. Também existem certas limitações do Cha PTI e do Gemini para codificação , onde ele não pode gerar códigos grandes ou complexos Eu posso entender programação e sintaxe, mas não semântica Portanto, seu conhecimento é limitado aos dados usados para seu treinamento. Por exemplo, eles ficam desatualizados com novos lançamentos de estruturas e bibliotecas Por exemplo, o conhecimento do GPT 3.5 é limitado até setembro de 2021 Portanto, outras ferramentas como o GitHub co pilot podem ser usadas, o que pode gerar código para várias linguagens de programação e estruturas Ele é alimentado pelo Codex da OpenAI e desenvolve código baseado em soluções Ele é treinado em linguagem natural, texto e código-fonte. Ele pode se integrar a outros editores de código e produzir código aderindo às melhores práticas e aos padrões do setor outras ferramentas, como o poly Também podemos usar outras ferramentas, como o poly coder, que é um gerador de código de IA de código aberto baseado em Ele é treinado nos repositórios do Github, escrito em 12 linguagens de programação e fornece uma biblioteca de modelos predefinidos Ele pode criar, revisar e refinar trechos de código. Além disso, também existe o IBM Code Assistant, que se baseia nos modelos IBM watson.ai Foundation. Ele pode ser integrado com editores de código. Ele produz recomendações em tempo real, recursos de preenchimento automático e reestruturação de código Então, essas são todas as várias ferramentas que podemos usar para geração de código neste momento. 14. IA generativa versus IA agética: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, queríamos entender a diferença entre IA generativa e IA agêntica Quando analisamos a IA generativa, eles são sistemas fundamentalmente reativos Eles esperam que você faça alguma coisa. Especificamente, eles esperam que você os avise. E depois de promovê-los, trabalho deles é gerar algum tipo de conteúdo com base no que você solicitou, no aviso que você forneceu Agora eles estão usando padrões que aprenderam durante o treinamento. Certo? Então, agora as coisas que ele pode gerar podem ser algum texto, pode ser uma imagem ou pode ser um trecho de código, pode ser um áudio. Então, eles aprenderam as relações estatísticas entre palavras e entre pixels e entre ondas sonoras. E eles aprenderam isso com grandes conjuntos de dados. Então, quando você fornece uma solicitação, uma IA generativa prevê o que deve acontecer a seguir com base em seu treinamento Mas funciona, o trabalho termina na geração. Então, idealmente, seu trabalho termina em geração. Não são necessárias etapas sem mais informações de sua parte Portanto, depende muito do tipo de solicitação que você fornecerá com base na qual ela executará as ações necessárias. Por outro lado, quando analisamos a IA agente, sistemas de IA agentes, eles não são Eles são sistemas proativos. Agora, como uma IA genética, eles geralmente começam com uma solicitação do usuário, mas essa solicitação é usada para perseguir metas por meio de uma série de ações. E um sistema agente basicamente passa por um pequeno ciclo de vida Então, a forma como isso funciona é que, em primeiro lugar, percebe o ambiente, se quiser E uma vez feito isso, ele pode decidir uma ação a ser tomada. Depois de decidir essa ação, ele poderá executá-la. E então, uma vez que a ação tenha sido executada, ela pode aprender com essa saída e, em seguida, dar voltas e voltas com o mínimo de intervenção humana. Agora, essas duas abordagens de IA geralmente compartilham uma base comum. E essa base comum são os grandes modelos de linguagem ou LLMs, que chamamos LLMs servem como a espinha dorsal dos chatbots, mas na verdade existem outras ferramentas que são usadas para algumas dessas coisas generativas, modelos de difusão normalmente Espero que isso faça sentido agora. Espero que você consiga entender a diferença básica entre como uma IA generativa opera e a IA agêntica 15. Introdução aos termos principais: Oi, pessoal. Bem-vindo a este módulo. Neste módulo, entenderemos algumas das principais terminologias que você verá muito na IA generativa Esses serão alguns termos que serão muito comuns e amplamente usados quando falarmos sobre tecnologias de IA, que podem ser LLM, engenharia rápida, incorporação, ajuste fino, painéis de bate-papo e, ultimamente, e, ultimamente Vamos começar este módulo em que examinaremos cada um desses termos em detalhes para entender simplesmente o que eles realmente significam e como contribuem essa tecnologia de ferramentas de IA que usamos regularmente. 16. LLM (modelo de linguagem grande): Sim. Bem-vindo a essas sessões. Nesta sessão, falaremos sobre LLM, grandes modelos de linguagem Então, o que são LLMs, basicamente? Então, o que queremos entender aqui é como podemos usar o LM. Na verdade, o LM será um grande modelo de linguagem, com o qual podemos conversar , você pode ver um exemplo aqui, relacionado ao bate-papo móvel, que está acontecendo em um dispositivo móvel. Então, aqui, também, muita tecnologia de IA já está incorporada. Como aqui, como você pode ver, diz: eu vou para o e depois oferece várias opções, academia, parque ou loja. Portanto, o LM prevê a próxima palavra automática. Então essa é a capacidade de um LLM em que ele pode fazer uma previsão da próxima palavra A mesma maneira acontecerá com o Chat GPT respondendo a uma pergunta , em que quando você faz uma pergunta, ele é capaz de nos fornecer a saída pesquisar sobre ela e nos fornecer resultados da Então essa é a ideia básica do que é um LLM e como ele é diferente da IA generativa Então, falaremos sobre isso também. Então, agora, se você olhar para isso, LLM é treinado principalmente em IA para entender e gerar linguagem humana Portanto, está se concentrando na saída textual fornecida de maneira conversacional Esse é um LLM sobre o qual falamos, e ele fará uma coisa que é prever qual palavra virá a seguir prever qual palavra virá Ok. Portanto, com base no que foi inserido anteriormente, ele desenvolve a capacidade de raciocinar, explicar, traduzir e resumir e depois escrever Essa é a ideia do que um LLM basicamente faz. Agora, se você observar a principal diferença entre GNAI e LLMs, será possível criar novos conteúdos em formatos diferentes com o GNAI possível criar novos conteúdos em Pode haver geração de imagem, geração música, vídeo, geração de código. Tudo isso se enquadra na IA generativa. Mas quando analisamos os LLMs, esses são modelos baseados em texto em que geram tradução, resumo, classificação, análise de sentimentos, reconhecimento de entidades nomeadas, tudo isso Nessa sobreposição, os dois também serão chatbards. Você pode escrever textos aqui e fazer perguntas e respostas. Então, você pode dizer que todos os LLMs são um tipo de IA generativa, que temos Está bem? Então, com o LLM, será apenas texto ou tokens, e é a saída baseada em texto, o que ele fornece, e vários modelos que temos agora são GPT cinco, Cloud Gemini, focados Cloud Gemini, É mais focado na linguagem. Isso é o que é LL. Ok. Agora, como funciona principalmente. Este é o fluxo de trabalho em que ele é treinado em uma grande quantidade de dados provenientes da Internet, leia-os, que são livros, sites, artigos, papéis, conversas, repositórios de código Tudo isso é treinado e depois entra na rede neural. Ele entra na rede neural, que é o transformador e na qual é processado, basicamente, e depois é decodificado Ele é decodificado em uma saída que obtemos na plataforma Então essa é a ideia de como os LLMs vão funcionar. É baseado nos dados de treinamento fornecidos e , em seguida, na rede neural do transformador que funciona neles e nos fornece uma saída que é gerada com base no treinamento Agora, os principais conceitos por trás do LLMs é que ele se baseia em três coisas principais, ou seja, deve haver algum nível de pré-treinamento Portanto, o pré-treinamento, como entendemos, é baseado em um enorme corpus de dados de texto, trilhões de palavras de livros, web e código, grandes padrões de linguagem como gramática, fatos, raciocínio, leva semanas de milhares de GPUs Depois, o tamanho e a escala. Então, como há um uso massivo de redes neurais com bilhões de parâmetros, tudo bem, quando custa muito dinheiro treinar do zero e com base nisso, o dimensionamento também E depois há um ajuste fino. O ajuste fino tem como objetivo principal treinar a ferramenta para realizar tarefas específicas ou fornecer um tipo específico de saída. Está bem? Então, aqui, você pode ajustar seus LLMs, para nos fornecer resultados específicos com base em nossos requisitos Portanto, essas três coisas desempenham um papel fundamental na administração de nossos LLMs. E agora você pode ver que pode haver vários casos de uso do LM em que você pode usá-lo Você pode usá-lo na geração de conteúdo, que é para escrever postagens em blogs, descrições de produtos e cópias de marketing. Você pode usá-lo para trabalhar como fóruns de bate-papo ou assistente virtual para atender muitos serviços de suporte ao cliente, assistência de reservas, copilotos pessoais de IA e, em seguida, tradução seguida Assim, você pode fazer traduções de várias maneiras. O Google, assim como temos o DeepL ou o Google Translate, ele também pode fazer isso Então você tem o resumo do texto. Se você tem relatórios longos condensados, informações complicadas, jargões muito técnicos com os quais lida no dia a dia, eles podem ser simplificados por meio de LLMs e, em seguida, da resposta a perguntas, que impulsiona principalmente a assistência de pesquisa, tutores educacionais, bases de conhecimento corporativas, sistemas de perguntas frequentes com os quais lidamos diariamente eles podem ser simplificados por meio de LLMs e, em seguida, da resposta a perguntas, que impulsiona principalmente a assistência de pesquisa, tutores educacionais, , sistemas de perguntas frequentes com os quais lidamos todos aqueles que ele também pode suportar. Espero que isso faça sentido. Espero que você entenda agora o que são LLMs e quais são seus casos de uso e, em diferentes cenários, como você pode usá-los e o que está por trás deles Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 17. Demonstração do ChatGPT: conclusão da próxima palavra e geração de texto: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos uma demonstração no Chat GPT, que visa principalmente entender a capacidade da ferramenta de IA de gerar a próxima palavra com base no contexto fornecido anteriormente Vamos dar uma olhada nisso, como vamos fazer isso. O que queremos ver especificamente o poder de gerar texto, a próxima palavra, possivelmente com a ajuda dos dados que foram fornecidos e inseridos aqui Vamos fazer um baile simples. Digamos que eu esteja pedindo que você avise, dizendo que uma vez um gato que queria. E queríamos gerar algum conteúdo, queríamos nos tornar o maior chef da vila e as informações fossem fornecidas. Você pode ver, com base no contexto que fornecemos, ele foi capaz de gerar a próxima palavra e a próxima palavra posteriormente. Agora, digamos que continuemos Além disso, posso continuar com base no conteúdo que ele gerou no passado e é capaz de fazer isso. Agora, digamos que o que queremos fazer agora é um caso de uso diferente em que agora queremos escrever um e-mail especificamente para um colega com base em algum contexto fornecido Então, estamos dizendo que escreva uma mensagem no WhatsApp para meu colega John, pedindo que ele compartilhe o relatório do projeto até às 22h Está bem? Seja educado. Então, agora eu dei um pouco de contexto. Então, analisando o contexto, criará a mensagem do WhatsApp que foi criada. Agora também temos a opção aqui de transformar essa mensagem específica em um tom diferente. Então, digamos que John seja um amigo querido, então queremos reescrever a mensagem de uma maneira amigável e um tom engraçado que queremos adicionar a ela Então, você vê que o que está acontecendo aqui é que podemos usar a ferramenta de IA para gerar a próxima palavra, conforme visto aqui. Além disso, podemos fazer alterações no conteúdo gerado com base em algum contexto fornecido, e esse é o superpoder da ferramenta, onde ela pode gerar novos conteúdos com base no contexto fornecido Espero que isso faça sentido. Você é capaz de entender esses diferentes recursos da ferramenta de IA que temos em. 18. Incorporações: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre um conceito muito interessante, que é a incorporação. Então, como já entendemos , é como as ferramentas de IA funcionam principalmente. Mas uma informação importante qual não falamos será o fato que essas máquinas não entendem texto. Então, como eles conseguem gerar texto, certo? Eles só entendem números. Então é aqui que a incorporação entra em cena, que é principalmente uma forma de representação numérica do Portanto, isso se torna extremamente essencial para que os modelos de IA entendam e trabalhem com linguagens humanas de forma eficaz. Então, o que vai acontecer é, vamos dar um exemplo para entender como isso realmente funciona. Digamos que a frase seja “Eu como sorvete”. Está bem? Agora, essa é a ferramenta que não entende a compreensão textual do que isso significa? Então, no back-end, o que acontece é isso é dividido em, você pode dizer tokens. OK. Então, cada uma dessas são fichas, que serão quatro fichas, eu como sorvete e creme. OK. Isso é o que é inserido, e cada um deles teria um número específico associado a ele. É onde está a rede neural ou transformador que temos, que faz seu cálculo e gera esses números que são então fornecidos à ferramenta Então, quando isso é introduzido, é quando ele entende que significa que eu como sorvete É assim que as incorporações ajudam principalmente as ferramentas de IA a entender a linguagem humana e com base na qual ela é capaz de gerar a próxima palavra Ele entende o contexto, entende o contexto fornecido a ele, as informações fornecidas a ele e, com base nas quais nos fornece a saída, nos dá a resposta, fornece as próximas palavras que são necessárias. Isso é muito importante para entendermos , porque é aqui que você entende que essas ferramentas de IA funcionam principalmente com números e identificam a linguagem no contexto dos números e com base na qual ela fornece seus resultados 19. Ajustes finos: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre outro conceito interessante que é o ajuste fino ajuste fino de um LLM será um processo em que tentaremos nos adaptar a um modelo pré-treinado para realizar determinadas tarefas específicas que atendem ao nosso domínio Agora, geralmente com as ferramentas de IA, o que estamos tentando fazer aqui é tentar descobrir soluções, mas pode ser um cenário em que você precisa de uma solução para um cenário específico Digamos que você venha de um setor de varejo ou, digamos, do setor de tecnologia ou, digamos, do setor automotivo E o que você precisa é de uma solução específica para um cenário que você está enfrentando em seu domínio específico. E é aí que o ajuste fino e o LLM se tornam cruciais. Agora, há três maneiras pelas quais você pode ajustar os LLMs. O primeiro será autosupervisionado, que é basicamente uma forma de você fornecer todas as informações relacionadas ao seu domínio ao modelo básico São os dados de treinamento completos que você fornece ao modelo básico. Ele analisa esses dados e, com base nos quais aprende com eles, entende seu domínio, sua experiência e compreende suas áreas problemáticas e, com base nas quais, agora fornece resultados personalizados Então, agora ele é autosupervisionado, sendo capaz de fazer isso sozinho por causa dos dados de treinamento que forneci do seu domínio, personalizados para o seu O outro modelo que podemos usar aqui pode ser supervisionado. Agora, aqui o que está acontecendo é que você fornecerá dados de treinamento rotulados detalhados e específicos que contêm uma entrada e uma saída Você fornece a entrada e fornece uma saída esperada e, com base na qual ela aprende com ela e compreende seu cenário, sua experiência de domínio e, com base na qual, fornece a saída Só para dar um exemplo simples, uma entrada pode ser tão genérica quanto, digamos, como encontrar um osso quebrado. A saída é X. Agora você dá isso como exemplo, rotulando dados de treinamento para a ferramenta e ela entende que, ok, eu tenho que dar a saída dessa maneira específica Se a entrada for fornecida dessa forma, eu tenho que fornecer uma saída nesse estilo específico, ou seja, o modelo aprende e fornece uma saída com base em seu O terceiro que podemos usar aqui é o reforço. O reforço é um modelo em que você fornece uma saída com base em seu treinamento e nós a pontuamos Então, agora o que está acontecendo é que o modelo fornece uma saída. Você dá uma entrada específica, você pede uma solução específica. Ele fornece a saída, mas agora o que você faz é pontuá-la, e agora, a partir da pontuação, se a saída for ruim, você atribui uma pontuação baixa se a saída for boa, pode ser uma pontuação alta e agora o modelo começa a aprender com ela Ele entende que, se recebeu uma pontuação baixa , tenta entender onde cometeu o erro. E com base em qual aprendizado, ele melhora seus resultados nos futuros bailes de formatura que você oferece Isso se torna um reforço. Pode haver três maneiras diferentes pelas quais você pode começar a ajustar seu LLM e obter melhores Agora, vamos ver outro cenário em que você não deve fazer ajustes finos Em quais cenários o ajuste fino não deveria estar acontecendo. O primeiro aspecto é que o ajuste fino não significa criar uma inteligência do zero O que queremos dizer com isso é que não se trata gerar informações desde o início. O que estamos tentando fazer aqui é ajustar o LLM para treinar o LLM para obter resultados personalizados Está bem? Não estamos tentando gerar inteligência do zero. Em segundo lugar, você viu nos três cenários que, em cada um dos cenários, tivemos que fornecer os dados de treinamento. Está bem? Então, de forma alguma, vamos eliminar a exigência de dados aqui, ok? Isso não é um ajuste fino. Em terceiro lugar, o ajuste fino nem sempre nos fornecerá a saída web Cada interação que você terá com a ferramenta de IA será única e com base nas quais os resultados serão exclusivos Haverá uma única solução universal, nunca haverá uma única solução universal que você obterá dela. Então, por fim, como você viu, isso vai ser um processo Não será um processo mágico único, mas iterações contínuas são necessárias para alcançar uma saída específica desejada Não será um caso em que você forneça um único prompt e obtenha a saída desejada na primeira tentativa. São necessárias iterações contínuas para que você ajuste seus bailes de formatura e, com base nisso , obtenha os resultados desejados Espero que isso faça sentido. Espero que você entenda agora o conceito de ajuste fino e por que ele é necessário quando você está tentando usar esses modelos LLM ao máximo 20. Recapitulação - Visão de resumo: Mmm. Oi, pessoal. Bem-vindo às sessões. Queríamos apenas fazer um resumo rápido de todas as coisas sobre as quais falamos até agora. Muitas coisas que abordamos até agora. Então, só queríamos fazer um resumo rápido disso. Agora entendemos que é assim que tudo funciona quando um usuário vem e faz uma consulta, certo? Essa consulta vai para os grandes modelos de linguagem, que podem ser, digamos, ChatGPT ou Google Gemini ou meta ou qualquer outra ferramenta de IA, modelos LLM Agora, essa será principalmente a rede neural, os transformadores, que analisarão os dados de treinamento fornecidos e usarão incorporações com base nas quais eles usarão incorporações com base nas nos fornecerão a saída, que é uma linguagem humana compreensível, e obteremos Agora, aqui, também analisamos a parte de ajuste fino, que é principalmente onde você ajusta os modelos LLM para obter uma saída específica desejada com base em seu domínio específico personalizado Agora é aí que você melhora, treina os modelos para fornecer um tipo específico de saída. Além disso, falamos sobre o fato que há engenharia imediata envolvida aqui, que é principalmente a maneira como você solicita essas ferramentas de IA Também decidimos o tipo de saída que você obtém delas. Precisamos também analisar o que estamos inspirando, como estamos inspirando O que estamos fazendo perguntas vagas ou específicas que decidirão o tipo de resultado que enviaremos para campo Espero que até agora faça sentido o que abordamos até agora e, nos próximos vídeos, veremos, além disso, maneiras diferentes de usar o genitive 21. Geração aumentada de recuperação (RAG): Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre RAG ou geração aumentada recuperável Agora que entendemos como os LLMs funcionam. Então, o fluxo de trabalho do LLM é assim um usuário vem e faz uma pergunta, que é uma consulta, que é tokenizada, incorporada e vai para o LLM, onde a rede neural funciona e as incorporações são feitas e com base na saída Portanto, esse é o fluxo de trabalho que conhecemos de como os LLMs funcionam. Agora, o problema é que há um limite de conhecimento, em que sabemos que esses LLMs são treinados até certo conhecimento, que ainda é 2023, e além do qual eles não têm os dados de treinamento disponíveis com base nos quais eles possam nos fornecer Além disso, o que vai acontecer é que não há dados privados. Nossos documentos internos, SOPs dados de clientes nunca aparecem no corpus de treinamento Portanto, eles também não têm acesso aos nossos dados pessoais privados. Então, por causa disso, há um obstáculo. Há um obstáculo na forma como obteremos uma solução personalizada E é aí que o RAG entra em cena. RAG é principalmente uma geração aumentada recuperável, em que recuperável significa onde podemos encontrar os dados porque forneceremos nossa própria base de conhecimento ao LLM, e ele só analisará nossa própria base de conhecimento ao LLM, e Não vai para lugar nenhum fora disso. Ele recuperará os dados da base de conhecimento que fornecemos e enriquecerá esse prompt, ampliará para o prompt, os exportará para nós e os gerará como uma forma de conversação Então é assim que o RAG vai operar. Nesse caso, ele acessará nossa base de conhecimento específica e processará que corresponderá a todas as informações e seguida, fornecerá a saída desejada em seguida, fornecerá a saída desejada de maneira compreensível Esse é o entendimento básico do RAG ou geração aumentada recuperável Agora, se você observar como isso ajuda , é porque agora o pipeline será, há quatro coisas principais. Uma delas são as fontes autorizadas porque os dados são nossos. Portanto, certamente podemos prosseguir e validar isso. Nós podemos atestar isso. que as informações estarão corretas. Ele estará sob total privacidade porque não examinará nenhuma outra fonte de informação. Ele não vai olhar para a Internet, então os dados estão totalmente protegidos conosco. E então, obviamente, haverá uma redução da alucinação Isso nos dará uma solução com base nas informações que fornecemos. Portanto, os resultados serão muito mais relacionáveis e realistas, o que certamente podemos aplicar E então a fonte é incluída, que será o caso em que também fará a citação. Ele se referirá a documentos específicos, itens de linha e nos fornecerá isso por escrito, para que saibamos de onde ele está coletando essas informações e nos fornecendo as informações. Então, se você olhar para isso, dessa forma, um RAG é muito melhor, e é assim que a estruturação será Então, se você pensar bem, seus documentos serão a fonte, que são , digamos, esses PDFs, que estão sendo enviados para o modelo LLM e em partes Ok, então em pedaços. E então ele é transformado em incorporações que serão números aleatórios dessa maneira específica, que serão armazenados no LLM no back-end Então, agora este é um banco de dados que foi criado. Um DV vetorial está lá no qual todas as políticas de documentos da sua empresa estão sendo armazenadas Agora, quando um usuário vem e faz uma consulta, e incorporações semelhantes vêm daqui, que são agora, tentamos encontrar uma correspondência com as incorporações que estão disponíveis no armazenamento de vetores Depois que uma combinação adequada é descoberta, os resultados são distribuídos, quais estão sendo compartilhados com o LLM Agora, o LLM vai em frente e transforma isso em uma linguagem compreensível e a devolve ao usuário É assim que o RAG vai funcionar. Uma coisa importante a lembrar aqui é que os resultados que o LLM fornecerá serão totalmente baseados na documentação fornecida por você Não vai ser algo fora disso, e é isso que realmente queremos. Nós realmente queremos soluções personalizadas para nosso domínio, nosso campo, nossa necessidade específica, e é exatamente isso que o RAG corrige e ajuda Espero que isso faça sentido. Preciso entender agora como o conceito RAG funciona e como ele resolve muitos problemas que enfrentamos com os modos de IA 22. IA agêntica: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre o conceito de IA agente Portanto, este é um novo tópico que está acontecendo muito ao nosso redor agora, e muitas pessoas, depois de entender a engenharia rápida da Geração AI, agora estão falando muito sobre IA agente Então, vamos tentar entender de uma forma simples o que exatamente é IA agente e como podemos usá-la Então, vamos dar um exemplo simples. Então, digamos que, em um cenário do mundo real, você esteja planejando uma viagem para você e sua família para, digamos, Nova York. OK. Então, de uma maneira tradicional, você vai começar a ver quais voos pegar, quais hotéis você gostaria de reservar, lugares que você visitará em Nova York, outras coisas, atrações, onde quer que você queira ir. Então, planejaremos tudo isso e itinerário manual completo que você criará, comida que você vai comer, onde está tudo o que você vai comer Então, tudo isso, você terá que fazer isso passo a passo. Agora, essa coisa toda, que estamos tentando fazer por nós mesmos, pode ser terceirizada para alguém que possa planejar isso para nós, certo Pessoa que pode reservar nossos voos, hotéis, que pode reservar os lugares que queremos visitar naquela cidade, ok, os lugares que queremos comer. Tudo o que pode ser planejado por uma pessoa em particular, que geralmente, em um cenário da vida real, serão agentes de viagens. Imagine a mesma coisa acontecendo com a IA agente. Portanto, uma IA agente é principalmente um fluxo autônomo ou um fluxo de trabalho, em que um sistema de IA é construído onde esse sistema de IA fará todo o trabalho para nós em nosso nome Então, quando é dada uma meta específica e, com base nessa meta, ela planeja, usa certas ferramentas e toma algumas decisões para cumprir essa meta específica. E isso será completamente autônomo, o que significa que funcionará sozinho e não exigirá muita intervenção humana. Isso é simplesmente o que queremos dizer com IA agente, apenas para fornecer um fluxo de trabalho de como isso realmente funcionará Então, se você olhar em termos simples, a IA agente se refere a esses sistemas de IA que podem planejar coisas de forma autônoma, tomar decisões e executar determinadas ações para atingir metas específicas dadas por nós, sem precisar de intervenção humana contínua OK. Agora, isso pode ser implementado em vários fluxos de trabalho diferentes em nosso trabalho de várias maneiras Talvez você possa ter uma IA agente que cuide completamente de suas consultas de suporte ao cliente Você pode ter uma IA agente que analisa especificamente os escalonamentos. Você pode imaginar como fazer uso disso em um cenário do mundo real, que pode assumir o peso do seu trabalho e, em seguida, o trabalho e fornecer o desejado. Para ter uma ideia melhor do que realmente acontece no back-end. Então, aqui você pode ver que é assim que vai funcionar. Então, o usuário somos nós, onde damos uma entrada específica ou uma meta Agora, com base na meta dada a ela, a IA agente planejará, começará a planejar como começar, fará todo o planejamento Então, ele tomará certas ações específicas, ok. E ele terá alguma memória, que é basicamente o banco de dados. Portanto, detalhes como você fornecerão sua documentação, você fornecerá sua base de conhecimento. Você vai doar todos os recursos da sua empresa. Então essa é a memória com base na qual ela tomará essas decisões. Isso vai cumprir esse objetivo específico. Em seguida, ele usará certas ferramentas. Ele estará vinculado, digamos, à Internet, eu também posso codificar, o que é necessário nesse processo de conclusão de metas. Ele se conectará por meio da API. Tudo isso acontecerá e, em seguida , ele tentará cumprir a meta. Se a meta não for atingida, ela será iterada. Ele voltará novamente ao mesmo loop. Novamente, o planejamento mudará. Serão necessárias algumas ações diferentes. Ele usará mais detalhes da sua base de conhecimento e, em seguida, tentará cumprir a meta. O coração de tudo isso é o seu LLM. O LLM está funcionando, o que, na verdade, está fazendo todo o trabalho para nós por causa de seu modelo de treinamento e das ferramentas que possui É assim que isso vai acontecer, o que queremos dizer com IA agente Esses são os agentes de IA que nos ajudarão a realizar determinados trabalhos , que possivelmente podem ser automatizados e ocupam muito do nosso tempo. Espero que isso faça sentido. Preciso entender agora o conceito simples de IA agente e o que ela pode fazer por nós 23. Projetos — ChatGPT: Oi, pessoal. Bem-vindo a esta sessão. Então, nesta sessão, veremos outro recurso do ChatGPT, que serão projetos Os projetos são principalmente um recurso em que você pode prosseguir e personalizar o GPT de acordo com um requisito específico Digamos que você queira um tipo específico de GPT, que atenda apenas a um problema específico que você tenha no trabalho em sua empresa ou por um motivo específico É aí que podemos fazer uso dos projetos. Vamos ver um exemplo prático de como podemos usá-la. Então, quando estiver no ChatGPT, você pode ir para o painel esquerdo onde podemos criar um novo projeto Então, vamos dar um exemplo. Digamos que eu queira criar um projeto em torno de um professor de matemática que atenda crianças do ensino médio Quero criar um projeto em que, neste projeto em particular , possa responder a perguntas relacionadas à matemática de crianças do ensino médio Então, este vai ser um professor de matemática. E então o que temos que fazer aqui é fornecer uma base Temos que fornecer informações e informações básicas sobre a ferramenta, que basicamente está ajustando o LLM para atuar como professor de matemática e responder Isso você pode fazer de várias maneiras. Uma delas são as fontes. Onde você pode vir, você pode adicionar fontes. Agora, esses podem ser documentos. Pode ser um livro de matemática. Pode ser uma documentação que fala sobre o perfil do professor de matemática, todas aquelas coisas que podemos carregar aqui e, mantendo isso em contexto, o projeto vai funcionar Ele responderá às perguntas. Essa é uma maneira. A outra coisa que você pode fazer aqui é acessar as configurações do projeto. Nas configurações do projeto, você pode fornecer o plano de fundo. Podemos dar os antecedentes do professor de matemática. Digamos que estamos fazendo isso aqui. Então, agora o plano de fundo foi adicionado aqui. Então, este é um professor de matemática para crianças do ensino médio. Ok, eles responderão perguntas ou conceitos matemáticos especificamente Ok, também estabelecemos algumas restrições que restringem sua tutoria apenas aos tópicos de matemática do ensino médio E se você não estiver qualificado para isso, pode simplesmente dizer que não está qualificado para responder a uma pergunta fora desse tópico. Por isso, também criamos algumas grades de proteção em torno dela, e agora você pode salvá-las Então, agora, com base nesse contexto, o projeto fornecerá resultados e responderá às consultas. Está bem? Então, vamos começar com isso. Está bem? Então, vamos começar com uma pergunta simples: o que é um número complexo? Portanto, ele se comportará como um professor de matemática para crianças do ensino médio e dará as respostas de forma adequada Então você pode ver agora que ele nos deu uma resposta passo a passo a um exemplo simples, também com, ok, tipos de números complexos. Todas essas informações são fornecidas aqui. Também oferece um mini questionário, ok, que também é evidente porque, como tutor, você deseja avaliar continuamente a compreensão de seus alunos por meio de questionários a questionários Então é isso que ele tem e , além disso fornece informações sobre o que tudo o que ele também pode explicar, outros tópicos. Então, podemos fazer isso. Vamos dar uma olhada em alguns outros exemplos também. Digamos que seja simples pedir que ele explique o teorema de Pitágoras usando álgebra Vai explicar o teorema de Pitágoras para nós agora, exemplo simples de triângulo baseado no qual ele Agora está se comportando como um simples professor de matemática, dando exemplos simples, intuição visual Então, agora ele está nos dando alguns exemplos visuais também para entender o conceito. Usos da vida real, você pode ver, e depois fazer um teste rápido novamente. Por fim, vamos dar uma olhada em outro. que pode explicar por que a raiz quadrada de dois é irracional, é um número irracional O objetivo é provar que isso é irracional e, então, o que significa irracional A estratégia por trás disso, então, fornece todo o resultado. Espero que você entenda agora o caso de uso dos projetos. O que ele pode fazer é ser um GPT separado dentro do seu GPT principal, que você tem, que atende a um requisito específico que você possa Agora posso criar uma GPT para responder às dúvidas dos meus clientes Posso criar um projeto personalizado para, digamos, problemas técnicos que estão acontecendo no meu software. Ok, então pode haver GPTs separados criados para questões relacionadas ao RH Assim, você pode criar vários tipos diferentes de projetos ou GPTs, que atendem a problemas específicos, quais serão especialistas em lidar assim que você fornecer o contexto, o fundo e os recursos por trás Espero que isso faça sentido. Preciso entender agora como os projetos podem ser usados na mudança. 24. Limitações de LLMs e soluções alternativas: Oi, pessoal. Bem-vindo às sessões. Nesta sessão, falaremos sobre as limitações que vemos agora com os LLMs e algumas soluções alternativas Portanto, a primeira limitação que podemos entender aqui é o corte de conhecimento Como você entende, o LLM é treinado para uma quantidade específica de informações, um período de tempo específico ruim Então, agora, como você pode ver, o limite de treinamento é 2023, para o qual as informações para as quais ele foi treinado Foi treinado além disso. Está bem? Então essa é uma das limitações que você tem dos LLMs, e está trabalhando nisso, há muitas melhorias que estão acontecendo neste momento Mas essa é a maior parte do conhecimento que ela tem neste momento, que ainda é 2023 A solução alternativa identificada é o RAG, que é a geração aumentada recuperável, que é principalmente onde você injeta documentos ativos quando Portanto, no momento da consulta, a chamada das ferramentas permite que os LLMs executem pesquisas na web Nesse exato momento, o LLMs realmente faz muitas pesquisas na web e com base nas quais, ajusta a solução e a distribui Agora, os outros problemas que os LLMs enfrentam serão relacionados à alucinação Muitas vezes, quando a saída é fornecida, eles não conhecem os fatos, muitas vezes as ferramentas tendem a alucinar, e é por isso que está sendo sugerido que precisamos ser muito específicos com as instruções e impedir que a ferramenta alucine e é por isso que está sendo sugerido que precisamos ser muito específicos com as instruções e impedir que a ferramenta alucine. Esse é um dos principais problemas que acontecem com os LLMs. Outra coisa é que às vezes podem surgir resultados ofensivos porque ele é treinado em muitos dados que contêm esse tipo de informação, ele tende a pegá-la a partir daí e fornecer esse tipo de saída Também pode causar danos, pode ser usado como arma para desinformação No entanto, as coisas estão ficando muito melhores, por exemplo, o GPT quatro versus, uh, GPT 3.5 tem sido muito melhor em termos de alucinação em todos esses cenários, e as outras ferramentas também estão se tornando melhores medida que os novos modelos Agora, há muitos preconceitos. Além disso, você verá a toxicidade que verá nos LLMs em termos de resultados de preconceito de contratação, que vemos no viés de gênero, no viés cultural Então, como no viés de contratação, liste as características de um bom CEO. Ok, traduza a enfermeira que ligou. Ok, então todos esses serão os comentários que estamos recebendo em relação aos LLMs, onde existem muitos preconceitos, e é por isso que os processos precisam ser implementados, que os reduzirá E com o passar do tempo, podemos eliminá-lo. Então, isso está acontecendo novamente por causa dos dados de treinamento distorcidos que temos Os dados que vêm da Internet possivelmente distorcidos e, por a saída é assim, e isso requer uma amplificação do ciclo de feedback, que é basicamente RLHF, de que precisamos quando você usa avaliadores humanos Portanto, deve haver um avaliador humano que examinará principalmente a produção e com base na qual a saída precisa ser liberada Então, falaremos sobre isso um pouco mais no próximo tópico. Além disso, os preconceitos históricos também estão presentes nos dados Ok, historicamente, os dados às vezes são mais inclinados para determinados tópicos, e é nisso que as ferramentas são treinadas, e é por isso que o resultado é assim Portanto, muitas abordagens de mitigação estão sendo feitas, nas quais estamos tentando fazer um treinamento imparcial dessas ferramentas para que os resultados sejam muito melhores Agora, existem cenários em que os LLMs se comportam mal em termos de que as principais conclusões serão casos reais que aconteceram principais conclusões são as fugas da prisão e truques de RPG que substituem Os modelos agora estão reforçados contra os padrões conhecidos de fuga da prisão, então está ficando muito melhor A injeção imediata é um sério risco corporativo quando os LLMs processam dados não confiáveis, como parte do fluxo de trabalho do agente Há também T de 2016, que mostrou que a IA exposta à opinião pública adversária absorverá esse comportamento padrão também está se tornando assim, onde lançamentos antecipados, problemas de segurança são expostos, patches de emergência e, em seguida, correções de longo prazo baseadas em RLChre Tudo isso será a maneira pela qual as coisas podem se tornar muito melhores com os LLMs Os módulos atuais, como o GPT five, 5.2, que temos, são significativamente mais robustos e oferecem saída muito melhor do que os modelos anteriores Agora, se você observar o RLHF do qual estávamos falando, esse é um Funciona que os LLMs são pré-treinados com dados de treinamento e geram respostas com base nisso Depois que uma resposta é gerada, podem surgir rotuladores humanos que classificam os resultados do melhor Com base na saída, no resultado, o modelo de recompensa funciona. Você recompensa o modelo com base na saída que ele fornece e , em seguida, esse feedback volta novamente. Para o LLM pré-treinado. Dessa forma, o que acontece é que, gradualmente, o que você vê é que você vê respostas melhores chegando e o ciclo continua dessa maneira específica. Então essa é a ideia de usar isso, e essa abordagem específica eventualmente ajuda os LLMs a nos dar uma produção muito melhor no futuro Agora, se você observar a prática na vida real, como seria antes da chegada do RLHF, se alguém viesse ao ChatGPT e desse um baile de formatura, ou seja, explicar o entrelaçamento quântico, simplesmente para uma criança de 10 anos, ele nos dará a saída de uma maneira específica, que simplesmente para uma criança de 10 anos, ele nos dará a saída de uma maneira específica, não leva em conta o contexto como seria antes da chegada do RLHF, se alguém viesse ao ChatGPT e desse um baile de formatura, ou seja, explicar o entrelaçamento quântico, simplesmente para uma criança de 10 anos, ele nos dará a saída de uma maneira específica, que não leva em conta o contexto do usuário. Eu conheço as instruções que seguem as habilidades Elas ignoram o contexto apropriado da criança Tudo isso estava lá. Mas agora o que eles fizeram, a IA aberta fez, na qual incluíram essa parte Nesse caso, ele personaliza a saída. Então, a mesma pergunta, quando feita, está fornecendo uma saída que é imaginar que você tem dois dados mágicos, mesmo que você os separe em todo o universo Rolar um instantaneamente mostra o resultado do outro. Portanto, agora ele segue as instruções com precisão, usa uma analogia apropriada à idade e é muito mais útil no uso real Então esse é o impacto disso. Esse é o impacto de que agora a saída está muito mais alinhada com os requisitos do usuário, e é por isso que a qualidade das respostas está melhorando Espero que isso faça sentido. Espero que você entenda agora como os LLMs melhoraram ao longo do tempo E então, como estamos falando sobre isso, essa abordagem humana em loop precisa ser aplicada, na qual, quando um usuário faz uma pesquisa no modelo de IA e obtém uma saída, verificamos o nível de confiança dessa saída Se o nível de confiança for alto, ele poderá sair como uma saída direta. Caso contrário, se for baixo, deve haver um especialista humano entre em cena, que revise e valide essa saída e, com base na qual a saída é fornecida, para possa ser aplicável em vários cenários Você pode usar isso em diagnósticos médicos, IA, análises de documentos legais, moderação de conteúdo e alertas financeiros de IA Em todos esses cenários, HITL pode ser aplicado para que haja uma intervenção humana que verifique a qualidade da saída e, com base na qual eventualmente, libera a saída certa para o público Espero que isso faça sentido. Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 25. Quão bem você conhece seus LLMs?: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, queremos que você entenda o quão bem entendemos e conhecemos nossos LLMs Se você observar os LLMs que usamos atualmente. Eles podem ser planos de consumo ou planos de negócios, que temos A maioria dos planos de consumo que temos é onde nossos dados são usados para treinamento. Ok, como por exemplo, HGT free ou HGBTplus, suas conversas são revisadas, nossas conversas são revisadas e usadas para o treinamento desses modelos Já quando se trata de planos de negócios, como se você tivesse HGBT Team, Enterprise, API, Clot for Work ou Gemini for Workspace, nesses cenários, os dados não são usados para nesses cenários, os dados Portanto, precisamos estar cientes de quais planos estamos em informações pessoais estão sendo utilizadas para treinar esses módulos de LLM Agora, geralmente é assim que os LLMs custarão para os provedores, onde quando o usuário insere tokens, esses tokens têm preços específicos e com base nos quais LLMs os processam e nos fornecem os Agora, na maioria das vezes, o preço dos tokens de saída é muito maior. É de três a dez vezes mais do que os tokens de entrada que entram. E com base nos fornecedores do modelo LM, eles criam nossos modelos de preços e pelos quais estamos fazendo pagamentos Estes são alguns LLMs, taxas atuais. Como você pode ver, eles são para a nuvem no momento, antrópicos, que custam $5 por milhão, e assim por diante E depois há o GPT OpenEigemini, grok, Deep Seek. Esses são todos os preços de entradas e saídas que você pode ver E com base nos quais todos esses modelos criaram seus planos de assinatura. Agora, posso evitar que o LLM tenha alucinações até certo ponto estabelecendo Você pode dar o L&M e pedir à modelo que responda, não sei Crie essas grades de proteção, nas quais você impede que ele alucine o máximo O outro aspecto é a interação humana, que é principalmente quando a saída sai, ela é verificada por um especialista. Em seguida, com base no nível de confiança da resposta, o resultado é levado em consideração. Isso também pode ser feito. O terceiro é o juiz do LLM, que tem principalmente um modelo separado para verificação de fatos Depois de obter uma saída do seu modelo LLM, verifique isso, valide com outro modelo LLM para verificar se os dados estavam corretos Agora, o LLM nos dará a mesma resposta todas as vezes? Não necessariamente. O texto exato geralmente é diferente, mas o significado geral geralmente permanece o mesmo Então, especificamente no LM, o que estamos vendo é que o LMS prediz o próximo token a partir de um segmento de distribuição de probabilidade A amostragem é principalmente probabilística. Então, o que vai acontecer é que você vai ter o mesmo significado, mas superfícies diferentes, frases diferentes. significado geral pode permanecer o mesmo, mas a escolha das palavras e a estrutura da frase serão um pouco diferentes. Então, se você quiser consistência, temos que definir a temperatura para zero. Reduzir a temperatura para zero torna as respostas quase determinísticas Espero que isso faça sentido. Espero que você entenda agora o histórico de como os LLMs funcionam e como eles nos afetam principalmente em termos de uso, e o que devemos estar cientes ao usar esses modelos específicos 26. Introdução à engenharia de prompt: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, falaremos sobre engenharia rápida, entendendo o que é engenharia rápida. Então, se você observar isso, quando você interage com os bots de IA com essas ferramentas generativas de IA, é com isso que estamos lidando como solicitações Os prompts serão comandos textuais que você fornecerá a essas ferramentas específicas de IA para obter um tipo específico de resposta Agora, pode haver diferentes razões para fazer isso. Então, estamos fazendo principalmente para geração de texto, escrita criativa, geração de imagens e geração de código Portanto, são necessárias várias saídas, o que estamos procurando idealmente, e é isso que queremos dizer solicitação imediata que estamos fazendo com as ferramentas de IA Agora, se você observar como será o caso de que a ideia básica que você precisa entender com a engenharia imediata é quanto mais detalhada ou uma solicitação você fornecer à ferramenta de IA, melhor será o resultado. Se você vai dar um baile genérico à ferramenta de IA, o resultado também será genérico e podem ocorrer muitas alucinações Você precisa se concentrar em fazer o uso correto dessas ferramentas de IA, ser o mais específico e direto ao que deseja perguntar sobre suas informações, sua consulta, e é isso que você fornece para que a qualidade da saída h dependa dessa peça específica. Vamos ver na prática como elas diferem quando você fornece uma solicitação genérica e uma solicitação específica. Digamos que, no chat Dipt, comecemos com um prompt muito genérico no momento, que é o que é IA Então, quando damos isso, você vê todas as informações. Não estamos dizendo que as informações fornecidas aqui estejam incorretas. Estamos apenas dizendo que, em uma escala mais ampla, a saída será fornecida a você porque a consulta é muito aberta. Então, agora obtemos as informações. Agora, podemos ajustar essa mesma coisa e perguntar de uma maneira específica, digamos, atendendo a uma categoria específica Digamos que eu esteja fornecendo essas informações em que digo que sou um profissional de saúde Explique-me o que é IA incluindo exemplos relevantes da minha área. O que ele vai fazer agora é que a saída seja personalizada, personalizada de acordo com os requisitos específicos que eu tenho. Sou profissional de saúde. Quero saber sobre EI de acordo com minha área. Então, ele vai me dar dados sobre isso. Então, agora entendemos como a IA funciona na área da saúde. Exemplos práticos de saúde para EI. A IA pode analisar todas essas coisas. Então, agora eu posso entender melhor onde a IA pode realmente contribuir na minha área. Então, esse é o impacto da engenharia imediata: você vê que uma solicitação específica oferece muito valor em comparação com uma solicitação genérica. Agora, além disso, se você olhar, digamos que, novamente, eu forneça um aviso genérico, que é o que é energia solar, então, novamente, ele vai me dar uma ideia genérica sobre o que é energia solar, antecedentes, como ela funciona, toda essa informação sai. Ok. Mas agora, se eu der uma específica aqui, eu lhe dou algumas condições. Está bem? Então, quando digo isso, imagine que você é um jornalista de notícias. Está bem? Você é jornalista fazendo especificamente breves reportagens resumidas sobre fontes renováveis de energia Quando eu te fizer uma pergunta, me dê respostas em menos de 500 palavras. Não quero muito texto e eles devem ser marcados com marcadores. Eu dei essa configuração específica de autoexpectativa que eu fiz Agora ele entendeu. Agora, com base nisso, agora vou perguntar a ele sobre isso sobre a energia solar. Então me fale sobre a energia solar, seu uso no período de 2020 a 2030. Agora, se você ver que a saída é personalizada. Estamos recebendo informações com marcadores, não muitos verbos, uh, as palavras são usadas até o ponto em que os marcadores necessários nos são Agora, da mesma forma, o que você pode fazer é se estiver solicitando alguma outra informação, digamos que, para qualquer outra coisa, ela se lembrará das configurações de expectativa que fizemos Novamente, os dados são menos texto e estão em marcadores. Então essa é a ideia da engenharia rápida qual você pode personalizar suas solicitações para obter uma melhor saída Portanto, permanece a ideia de que queremos torná-lo conciso ao ponto de Chris, específico e o mais detalhado possível, para que obtenhamos a melhor saída de alta qualidade das ferramentas Portanto, também existem algumas práticas recomendadas que você pode ter em mente com relação à engenharia rápida, que, como entendemos agora, é transmitir claramente a mensagem, a resposta ou a opinião que queremos dar Novamente, precisamos definir o contexto ou fornecer informações básicas, o que deve ser um requisito obrigatório. Sem dar contexto, sem nenhuma informação de fundo, estamos filmando no escuro. Esperamos uma saída ou uma resposta que possa ser muito vaga e genérica, e a ferramenta provavelmente terá alucinações Equilibrando a simplicidade e a complexidade. Portanto, temos que ter certeza de que não estamos fornecendo muitas informações. Precisamos manter o tema da pergunta, fornecer as informações adicionais necessárias e não complicá-la. Porque se você complicar, novamente, a saída não será a saída desejada que você está procurando. E, por fim, nunca será caso de você esperar que forneçamos uma solicitação específica e obtenhamos o resultado desejado em um livro Será um processo iterativo em que você fornece solicitações continuamente e, com cada solicitação, melhora a qualidade delas e, eventualmente gradualmente começa a obter melhores resultados com cada uma dessas Espero que isso faça sentido. Agora entendo como a engenharia rápida realmente funciona e como devemos abordá-la para obter os melhores resultados possíveis das IAs. 27. Prompt de improvisação: Oi, pessoal. Bem-vindo a esta sessão. Então, nesta sessão, falaremos sobre preparação rápida. Portanto, a preparação rápida é um conceito que se refere à prática de fornecer alguma entrada inicial ao modelo para a ferramenta hat GPT antes de gerar qualquer tipo de Portanto, essa entrada inicial realmente ajuda a orientar a ferramenta para gerar uma resposta mais relevante e personalizada para você. Portanto, a entrada pretendida pelo usuário. Portanto, é muito importante e crucial que, sempre que enviarmos solicitações à ferramenta HatGPT, forneçamos algum contexto, algum contexto, algum histórico do que exatamente você está procurando Por exemplo, sem preparação, digamos, estou dizendo, para onde devo ir nas minhas próximas férias Agora, isso é algo super genérico. Agora, o HattPT o achará extremamente genérico como entrada fornecida e fornecerá uma resposta muito genérica a Isso me dará todos os tipos de lugares ao redor do mundo, ok, e informações sobre isso. Mas agora pense nisso se eu der algum contexto por trás disso, ok? Então, digamos que eu esteja dizendo que gostaria ir nas minhas próximas férias. Vou fazer uma viagem com minha esposa e filhos. O local deve ser tropical. Eu adoraria ir à praia. Eu gostaria de um voo direto da minha casa para o LAX e tenho um orçamento de viagem de $5.000 Onde devo ir nas minhas próximas férias? Então, agora o que acontece? Eu dei um pouco de contexto. Eu dei alguns cenários, coisas específicas que estou procurando, meus interesses, meus gostos e desgostos, tudo o que eu contextualizei E agora, por causa disso, a resposta será muito melhor, muito mais relevante e personalizada de acordo com minha necessidade específica. Então, isso é o que chamamos de preparação rápida. Vamos ver mais um exemplo. Digamos que eu esteja dizendo: por favor, crie três títulos potenciais do meu novo curso on-line que ensina as pessoas a usar a IA. Agora, novamente, isso é super genérico porque o Chat GPT vai me dar todos os tipos de títulos possíveis, o que serve a esse propósito Mas agora, se eu der um pouco de contexto, onde estou dizendo isso, crie três títulos em potencial para meu novo curso on-line que ensina as pessoas a usar a IA. Aqui está um exemplo de alguns títulos de cursos recentes. Por favor, emule o estilo e o formato escrito deles. Digamos que eu esteja dando um pouco de contexto, nomes dos meus cursos atuais são masterclass de edição de vídeo Edite seus vídeos como uma aula profissional de cinematografia, do tipo completo de videografia Agora, quando eu der um contexto como esse, os resultados serão muito melhores A ferramenta emulará o estilo de escrita nesses exemplos específicos que compartilhei e me dará respostas com base nisso Portanto, é assim que você deve ter em mente que, sempre que estiver enviando uma solicitação ao GPT, também precisamos fornecer informações de contexto para que você obtenha a resposta desejada mais específica 28. 30 propostas simples para iniciantes: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, eu só queria compartilhar algumas instruções simples que você pode manter à mão. Talvez você possa colocá-lo em seu computador, em seu sistema em algum lugar, o que pode facilmente ajudá-lo a obter algumas informações rapidamente a partir da carga. Então, vamos dar uma olhada nisso. Essas são cerca de 30 instruções que eu descrevi aqui, que são bailes de formatura concisos e simples, destinados a inspirar você e obter informações mais que são bailes de formatura concisos e simples, destinados a inspirar você E é assim que vai ser: talvez, digamos, defina o seguinte termo e forneça uma metáfora Elabore sobre o propósito de algo, crie um modelo para algo, construa um esboço para este podcast Ajude-me a criar um orçamento para as coisas que você deseja. Sugira algumas instruções de redação criativa para eu começar. Pense em dez ideias para melhorar a redação da transcrição Elabore uma lista de capítulos bem pensada para um livro sobre, digamos, um livro que você está escrevendo. Algumas receitas usando esses ingredientes. São cerca de 30 instruções, das quais você pode imprimir, guardar consigo mesmo e usá-las sempre que necessário Espero que isso seja realmente útil , pois assim você poderá obter suas respostas mais rapidamente. Você não precisa pensar muito, basta olhar para isso, escrever e obter as respostas rapidamente. Muito obrigado pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 29. Novas ideias e geração de cópias: Oi, Dice. Bem-vindo a esta sessão. Nesta sessão, veremos algumas das instruções diárias praticamente úteis que examinaremos praticaremos e veremos na ferramenta como ela funcionará para nós Então, essas serão instruções que serão úteis para nosso trabalho diário e nossa concepção Eles são projetados para fornecer uma estrutura prática de estímulo para indivíduos que buscam aumentar rapidamente sua produtividade e produção criativa Então, esses são alguns deles. A primeira que vamos analisar é o brainstorming de novas ideias, onde criamos essa fórmula, na qual dizemos que estou procurando explorar um assunto em um formato específico Você tem alguma sugestão sobre os tópicos que eu posso abordar? Então, vamos dar alguns exemplos disso. Estou interessado em criar uma página no Instagram que cubra viagens. Que ideias você tem sobre tópicos que eu poderia incluir, como destinos econômicos e joias escondidas para visitar Outro exemplo pode ser estou trabalhando em um boletim informativo focado em tecnologia. Você pode recomendar tópicos que seriam envolventes para meu público, como os gadgets e atualizações de software mais recentes Vamos ver isso em ação, como isso vai funcionar para nós. Digamos que estamos pegando esse prompt específico e o usando nesse GPT ver que tipo de resposta ele nos dá Então, agora ele examinará o prompt e nos fornecerá as informações. Então, destinos econômicos, joias escondidas, ok, sobre os quais podemos falar aqui, guias gastronômicos locais Está nos dando desafios de viagem, truques de viagem, histórias de viagens individuais, viagens sustentáveis Esses são todos os diferentes tipos de ideias de página que estamos recebendo agora, que podemos explorar. E agora você pode se aprofundar nisso. Então, digamos que você queira explorar mais histórias de viagens individuais, peça à Tat GPT que expanda ainda mais sobre isso Portanto, é assim que podemos usar essas instruções muito rapidamente e obter os resultados desejados Outro exemplo que podemos dar aqui é a geração de cópias, que é basicamente outro prompt que criamos em que dizemos que estou interessado em um tipo de texto que destaca os benefícios de um determinado assunto. Agora, por favor, escreva um número para mim sobre esse assunto. Agora, digamos que o exemplo seja: eu preciso uma campanha de e-mail que mostre os recursos do meu novo produto Você pode escrever um para mim sobre a facilidade de uso e a acessibilidade do produto Outro exemplo pode ser: estou interessado em uma página do site que descreva os benefícios dos meus serviços de coaching Você pode escrever um para mim sobre a abordagem personalizada e os resultados comprovados do meu programa de coaching Agora podemos ver isso e também como isso vai funcionar. Então, isso nos dará a resposta. Portanto, ele também está coletando informações de bate-papos anteriores e nos fornecendo todas as informações Por que escolher nosso programa de coaching? Estratégia personalizada para sua empresa. Sucesso comprovado com resultados reais, especialistas , orientação, suporte contínuo e otimização para alcançar um crescimento sustentável. Ok, pronto para dominar seus anúncios. Então, agora ele também está dando uma chamada à ação até o final. Forma muito eficaz e muito estruturada de nos dar a resposta que esperamos Então, esses são os tipos de avisos diários, pessoal, que vocês podem começar a ver No próximo vídeo, veremos mais algumas dessas instruções práticas diárias que você pode usar 30. E-mails de clientes, analogias e escrita em massa: Oi, pessoal. Bem-vindo a esta sessão. Então, continuando com o vídeo anterior, vamos dar uma olhada em mais alguns cenários diferentes de produções praticamente diárias. Outro cenário pode ser o de atendimento ao cliente e ao cliente. A fórmula rápida que criamos é: eu queria atuar como assistente de suporte ao cliente com eu queria atuar como assistente de suporte ao cliente uma característica específica. Como você responderia a um texto como representante do nosso tipo de empresa? Por exemplo, quero que você atue como assistente de suporte ao cliente, que é analítico? Como você responderia a um cliente que enfrentou um bug ao usar nosso software como representante de nossa empresa de tecnologia inicial? Ou um exemplo pode ser quero que você atue como um assistente de cliente que personifique confiança e empatia Como você ajudaria um cliente com um problema de cobrança como representante de nossa empresa de serviços financeiros Então, vamos ver alguns exemplos disso. Então, digamos que estamos pegando o primeiro. Agora você pode ver que ele está escrevendo a resposta para nós aqui e solicitando informações específicas sobre o bug, a mensagem de erro exata e a versão do software. Todas as informações necessárias são solicitadas no e-mail. Da mesma forma, vamos analisar outros cenários. Outro cenário pode ser gerar analogias. As analogias podem ser muito úteis quando são tópicos complexos e é difícil entender o conceito Nesses casos, uma analogia realmente ajuda a simplificar o tópico e a entender melhor O aviso que estamos usando aqui é estou tentando entender o conceito de um conceito específico, que me ajudou a entender melhor esse conceito criando uma analogia prática e fácil de entender Por exemplo, estou tentando entender melhor o conceito de fotossíntese Ajude-me a entender melhor esse conceito criando uma analogia prática e fácil de entender Então, vamos dar esse exemplo. Outro exemplo é que estou tentando entender o conceito de otimização de mecanismos de pesquisa. Ajude-me a entender melhor esse conceito criando uma analogia prática e fácil de entender Então, vamos pegar o primeiro e ver isso. Então, estamos tentando entender o conceito de fotossíntese, então aqui está o detalhando. Dessa maneira particular. Divida a fotossíntese em um uso simples de entender Imagine que sua planta é como uma fábrica movida a energia solar. A analogia é que eles estão vendo como uma fábrica. O trabalho da fábrica é fazer comida, mas em vez de usar eletricidade, ela usa a luz solar. Veja como funciona. Agora está dando uma analogia com uma fábrica para explicar o conceito de fotossíntese Isso é muito bom porque simplificará muitos tópicos complexos para entender em todas as esferas de trabalho. Outro exemplo prático sugere que podemos criar cópias em massa Portanto, a fórmula que estamos usando aqui é crie vários conteúdos para um tipo de conteúdo para uma plataforma que inclua algumas referências. Por exemplo, crie oito boletins informativos por e-mail para meu site de investimentos que incluam relatórios do setor e análise de dados. Crie quatro roteiros de vídeo para um canal de marketing do YouTube que inclua opiniões e insights de especialistas sobre tendências de marketing digital. Então, vamos dar uma olhada no último Agora, ele nos dará quatro roteiros de vídeo. Você pode ver que o roteiro do vídeo é fornecido com segmentos específicos, que são o narrador, a introdução, Tudo isso é dado. Seção dois também, conclusão, depois Vídeo dois. roteiro de vídeo específico completo com a estrutura fornecida e as dramatizações específicas também são mencionados de forma muito clara. Então, é assim que esses bailes de formatura diários serão realmente úteis para entender a realização de alguns trabalhos, o que será muito produtivo para nossos negócios Espero que isso faça sentido. Você entende o conceito de instruções diárias, instruções práticas, que você pode usar Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 31. Revisões de prompt eficazes: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, queríamos ver como também podemos melhorar as revisões, os prompts ou os resultados que obtemos do ChatGPT e transmiti-los em um formato muito melhor A melhor parte do ChatGPT estará em contraste com qualquer mecanismo de pesquisa que temos, o mecanismo de pesquisa convencional, como o Chat TPT possui a capacidade de memória, que basicamente significa que ele se lembra das conversas anteriores que tivemos e, com base nas quais, pode fornecer respostas personalizadas Então, agora, depois de receber qualquer resposta do ChatGPT, você pode fazer um acompanhamento adicional sobre isso e, em seguida, melhorar essas Essas são algumas das maneiras pelas quais você pode fazer isso. Por exemplo, depois de receber a resposta do ChatGPT, você pode pedir ao ChatGPT que coloque as palavras-chave mais importantes em negrito para as palavras-chave mais importantes em que saibamos quais outras palavras-chave importantes Você pode solicitar que ele organize as informações por data, local e preço. Você pode pedir ao ChatGPT que apresente resultados mais novos e incomuns Você pode pedir que ele forneça imagens apropriadas. Digamos que você tenha obtido as informações no formato moeda por ponto e agora queira que elas também tenham os respectivos Imoges relativos Então, o ChatGPT pode fazer isso por nós. Além disso, você pode pedir que ele explique toda a resposta de uma forma semelhante à de uma criança de 5 anos, para que ela possa entender Outras coisas que você pode fazer é transformar todo o prompt, toda a resposta em um formato de tabela Isso também é possível. Você pode pedir à AGI que reescreva tudo da perspectiva de um especialista do setor Você pode pedir que ele o escreva de maneira formal ou informal. Você pode pedir que eles corrijam a gramática ou qualquer localização e substituição Se quiser substituir certos termos da resposta, você também pode fazer isso. Você pode pedir que ele adicione um pouco de personalidade, um pouco de humor a todo o conteúdo. Eu posso fazer. Além disso, você pode pedir que ele escreva isso da perspectiva ou na voz de seu autor favorito ou de uma celebridade. Ele pode transformar isso dessa forma. Então você pode ver que há muitas coisas que podemos fazer. Você também pode pedir que ele resuma tudo em um único tweet Você pode pedir que ele expanda isso para um resumo de três partes. Ok. Portanto, todas as respostas que você tem podem ser modificadas de várias maneiras diferentes. Você pode pedir que ele compare e contraste as informações mais importantes. E então você pode pedir que talvez apenas liste as melhores, as dez principais conclusões Então, outra coisa que você pode fazer é perguntar do ponto de vista de um especialista. Como você o melhoraria ainda mais? Em seguida, coloque-o em uma lista de marcadores. Há muitas coisas que você pode fazer para revisar suas respostas recebidas do ChatGPT, o que pode aprimorar e melhorar ainda mais qualidade das informações que você está coletando dele Espero que isso faça sentido. Você entende esse conceito de revisões imediatas, que também pode ser feito com o ChatGPT 32. Chain of Thought Prompting: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, você deseja examinar outro tipo de estilo de solicitação, que pode ser a solicitação por uma cadeia solicitação da cadeia de pensamento é uma técnica simples em que você pode pedir ao CHAIPT que explique a resposta em um formato passo a passo Em vez de ir direto para a resposta, você quer que o ChatGPT o conduza pelas etapas completas para chegar a essa etapas completas para chegar a Agora, ele trabalhará nisso e fornecerá uma compreensão passo de como chegou e chegou à resposta que você obteve. Então, dessa forma, o entendimento é melhor. Às vezes, quando estamos interessados em um tópico específico, gostaríamos de conhecer o processo, como o item específico foi avaliado. Então, nesses casos, esse tipo de resposta é muito útil. Por exemplo, o formato, a fórmula rápida que podemos usar é que você pode dar sua pergunta e, em seguida, dizer: vamos pensar passo a passo. Agora, o ChatGPT fornecerá a solução em um formato passo a passo Por exemplo, qual é o diâmetro do sol? Qual é o peso de uma molécula de oxigênio? Vamos ver na prática como isso fará a diferença. Então, vamos começar primeiro sem nosso aviso e ver qual resposta o ChatGPT nos dá Você pode ver simplesmente que passamos direto para a resposta e ela nos deu a resposta de forma muito clara, que está aí Mas agora vamos fazer isso passo a passo. Agora você pode ver que foi passo a passo , começando com a compreensão do tamanho do sol. O sol é uma enorme bola de gás quente e fornece uma definição clara do tamanho do sol. Agora, o que é um diâmetro? Também está definindo o que é o diâmetro como uma unidade a ser medida. Em seguida, medindo o diâmetro do sol. Está vendo agora que eles estão chegando ao ponto em que estão tentando ver o diâmetro do sol como medir. Eles estão dando esse entendimento. Então, o diâmetro do sol, com base nessas observações, é 1,3 milhão. Eles apresentam os números que forneceram e, finalmente, concluem com os laboratórios finais Dessa forma, eles o dividiram em várias partes, definindo cada parte e, em seguida juntando-as todas para chegar à conclusão final. Isso realmente ajuda. Vamos dar uma olhada em outro. Vamos começar com a pergunta. Qual é o peso da molécula de oxigênio? Agora, nesse caso, o que está acontecendo é que ele automaticamente leva em consideração a conversa anterior e nos fornece a saída em um formato passo a passo. Isso é o que esperávamos com a metodologia de solicitação passo a passo. Wherein está nos dizendo a molécula de oxigênio. A composição é a quantidade de massa do átomo de oxigênio, então, convertendo as unidades de massa atômica em quilogramas, acaba sendo essa Agora, estamos obtendo todas as informações em um formato muito passo a passo. Espero que isso faça sentido. Você entende esse tipo de solicitação, que também pode ser usada para entender melhor as respostas recebidas, entender todo o processo, como o ChatGPT processou todas as informações e fornecer Muito obrigado pessoal por ouvirem isso e nos vemos no próximo vídeo. 33. Proposta de formato tabular: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre outro tipo de estilo de solicitação, que é o formato tabu Você também pode obter respostas em formato de tabela do ChatGPT com esse tipo específico de solicitação Essa será uma maneira pela qual você fornecerá uma série de solicitações ao ChatGPT e fornecerá as informações nesse Isso permite que o ChatGPT e apresente dados de forma clara, facilitando que os usuários analisem, entendam e compreendam a , entendam e compreendam A fórmula será onde você fará a pergunta primeiro e, em seguida, poderá dar a segunda solicitação. Depois de obter a resposta, você pode dar uma segunda solicitação, que é quais são as diferentes categorias nas quais você pode dividir sua resposta. Para obter mais descritividade. Agora, você se aprofunda um pouco e obtém uma resposta relacionada a isso. Depois de receber essa resposta, você dá sua terceira solicitação, que agora é criar uma tabela que inclua sua resposta original com essas categorias separadas em colunas diferentes. Dessa forma, toda a informação é transformada em um formato tabular Vamos ver isso em ação como isso vai ficar. Digamos que estamos respondendo à primeira pergunta: quais são os principais fatores para o crescimento do nosso canal no YouTube? A primeira é que estamos apenas fazendo uma solicitação inicial sem outras coisas adicionais, então estamos recebendo as informações Isso já está em um ponto por ponto *** dado a nós. Você obtém as informações. Agora, o que fazemos é fazer o segundo prompt. Pedindo que a resposta seja mais descritiva. Agora você pode ver que está ficando mais descritivo aqui. Depois de ter essa saída com você, você pode solicitar o formato do tableau para essas informações Ele fornecerá todas as respostas no formato de quadro, especificamente com essas informações divulgadas E isso também seria muito mais fácil de entender, compreender e usar Então você pode ver aqui que ele avançou e criou que, para nós, a descrição da subcategoria de categorias Dessa maneira específica, toda a tabela foi criada Esse é o formato de aviso do quadro, pessoal, que você também pode usar para obter suas informações em determinado Se você está muito confortável com o Excel e os dados, deseja fazer muitas análises de dados, pode pedir ao ChatGPT que forneça a saída nesse formato específico e, em seguida, fica muito mais fácil trabalhar nisso fica muito mais fácil trabalhar nisso Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 34. Zero, uma, e poucas propostas: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, queremos falar sobre um tipo de estilo de solicitação que é uma solicitação curta solicitação curta é basicamente um conceito em que, ao dar uma solicitação, você também pode fornecer algum tipo de contexto à solicitação para obter informações mais específicas Agora, nisso, pode haver três níveis. O primeiro nível será zero shot, ou seja, como você pode entender pelo próprio nome, em que você está dando uma solicitação sem nenhum contexto, sem contexto, sem dados, sem diretrizes fornecidas ao ChatGPT e agora o ChatGPT tem total liberdade para fornecer informações de todas dados, sem diretrizes fornecidas ao ChatGPT e agora o ChatGPT tem total liberdade para fornecer as direções sem nenhum contexto, sem contexto, sem dados, sem diretrizes fornecidas ao ChatGPT e agora o ChatGPT tem total liberdade para fornecer informações de todas as direções . A segunda pode ser única, que você fornece um dado ou uma diretriz ao ChatGPT e, com base na qual o ChatGPT produzirá a produzirá E o terceiro, que você também pode usar aqui, é um aviso rápido, no qual você fornece vários dados ou diretrizes porque espera um tipo muito específico de informação do Então você pode fazer algumas fotos. Por exemplo, em um cenário realista, um prompt zero pode ser escrever um script do YouTube para meu canal de análise técnica. Agora, isso é tão genérico e tão básico que pode ir em qualquer direção possível e o ChatGPT fornecerá todos os tipos de informações aqui Uma foto pode ser usar este exemplo como referência, escrever um script do YouTube para o canal My Tech Review e agora ver algumas fotos. Algumas fotos usarão esses exemplos um, dois e três como referência Escreva uma foto de cinco minutos no YouTube sobre as especificações mais recentes da câmera do iPhone para Meu canal de análise técnica. Agora, temos que nos tornar mais específicos, porque existem alguns requisitos que queremos cumprir e com base nos quais queremos ver a resposta. Isso é chamado de técnica de solicitação curta , que você também pode usar 35. Pergunte antes de resposta: Oi, Ayes. Bem-vindo a esta sessão. Então, nesta sessão, falaremos sobre outro tipo de solicitação, que é perguntar antes de responder Essa é uma técnica em que você orienta ChatGPT a pedir esclarecimentos antes de dar Isso realmente ajuda a garantir que as respostas do modelo sejam muito mais precisas e específicas quanto possível. Portanto, a fórmula que usamos aqui é a primeira dica que damos dizemos ao ChatGPT que você é um especialista na área da indústria Vou lhe pedir algumas tarefas específicas para concluir, mas antes de responder, quero que você faça o seguinte. Se você tiver alguma dúvida sobre minha tarefa ou incerteza sobre fornecer a melhor resposta possível, sempre faça perguntas pontuais para esclarecimento antes de gerar sua Isso está entendido? Portanto, este é o primeiro aviso que você dá. Depois de fornecer isso e o ChatGPT reconhecer, passamos para o segundo prompt, o que Minha pergunta é, sua tarefa é esta, por favor, faça qualquer pergunta que você tenha para que eu possa melhorar minha solicitação antes de concluir sua tarefa. Dessa forma, agora ele fará as perguntas relevantes e, em seguida, você poderá responder a essas perguntas para obter informações específicas, precisas e muito personalizadas. Vamos ver isso em ação como isso vai ficar. A primeira coisa que vamos fazer é dar esse pino, o primeiro aviso Digamos que estamos falando uma indústria que é consultoria. Agora ele entende que reconheceu isso, e agora damos o segundo aviso Então, agora, com base nisso, ele nos fará as perguntas. Você pode ver o público-alvo, quem é seu cliente ideal para consultoria? Estratégia atual, quais estratégias de marketing e vendas você está usando atualmente? Consultoria de pôquer, qual é a principal área de consultoria que você oferece? Metas, quais são suas metas de vendas para os próximos seis a 12 meses? Branding e posicionamento, como você se posiciona no mercado Orçamento e recursos, quais orçamentos e recursos estão disponíveis para os esforços de marketing? Funil de vendas, você tem um funil de vendas estruturado? Agora, ele nos fez todas as perguntas relevantes que podemos responder. Podemos começar a responder uma de cada vez, público-alvo. Você pode seguir em frente e dar o resto das respostas dessa maneira específica, dar todas as respostas. Então, depois de dar suas respostas, ele levará essas respostas em consideração para fornecer a resposta mais personalizada com base nisso. Espero que isso faça sentido. Você entende essa técnica que consiste perguntar antes de responder à solicitação, que também pode ser usada com tra 36. Dicas para preencher os brancos: Oi, sim. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre o estilo de solicitação de preenchimento do espaço em branco, que você também pode usar Esse é um formato que permite ao usuário se concentrar em um aspecto específico de uma frase ou ideia e incentiva um pensamento mais profundo Então, vamos dar uma olhada na fórmula em si, o que podemos usar aqui. Então, começaremos primeiro com uma solicitação, que será onde diremos ao chat GPT que você é um especialista em criar solicitações que geram as respostas mais concisas e Quais detalhes adicionais posso adicionar ao prompt a seguir para melhorar a saída Minha solicitação é que você dê sua solicitação e, depois de receber a resposta, com base nela, você novamente dá a segunda resposta, que é a segunda solicitação, o que é ótimo. Agora, transforme esses marcadores em um formato de preenchimento em branco, qual eu possa colocar minhas informações. Dessa forma, o que estamos fazendo é tentar obter solicitações mais relevantes Estamos pedindo ao próprio ChatGPT que nos dê algumas instruções mais relevantes, o que eu também deveria perguntar ao ChatGPT para obter melhores Vamos ver isso em ação como será. A primeira coisa que vamos fazer é dar esse aviso. O aviso que você está usando é tenho $100.000 em economias e em que devo investir Agora, com base nisso, ele vai me dar as perguntas Você está buscando um crescimento de curto ou longo prazo? Tolerância ao risco. Você se sente confortável com um horizonte temporal de alto risco, tipo de investimento preferido Ele me fez essas perguntas agora. Agora, com base nisso, vou dar o segundo aviso pedindo que ele converta isso em um preenchimento no formato em branco, que eu posso então preencher. Agora, ele também me deu o preenchimento no formato preto com exemplos. Eu posso preencher isso e isso se tornará minha informação específica, que eu posso usar mais para obter melhores resultados. Esse é outro tipo de estilo de solicitação, que você certamente pode usar com HatGPT para obter 37. Prompto de perspectiva: Oi, pessoal. Bem-vindo a esta sessão. Então, nesta sessão, queríamos analisar outro estilo de estímulo, que é o estímulo de uma bomba em perspectiva Agora, o que estamos vendo é essa estrutura basicamente ajuda a ampliar sua compreensão e fornece uma visão mais abrangente do tópico em questão Então, agora o que acontece é que, para um tópico específico, estamos pedindo ao Chat JBT que forneça diferentes perspectivas de como analisar esse tópico específico Então, quando isso acontece, você tem uma ideia holística de informações e clareza sobre esse tópico específico Portanto, o entendimento é muito, muito melhor. Portanto, isso pode ser feito de duas maneiras específicas. Uma é uma perspectiva singular. A outra são as múltiplas perspectivas. perspectiva tão singular é que você pode dar um baile de formatura, seja, escrever sobre um tópico específico da perspectiva de um ponto de vista específico Isso é direto e simples. A outra que você pode fazer são várias perspectivas, nas quais você pede ao HagiPT que escreva um argumento a favor ou contra o tópico do tópico que você tem a partir de várias perspectivas diversas Então, isso inclui os nomes, os pontos de vista de diferentes perspectivas, como também os pontos de vista Vamos ver isso em ação como isso vai acontecer. Então, digamos que estamos vendo o primeiro com uma perspectiva singular. Queremos que Chad GPT escreva sobre kickboxer da perspectiva de um treinador de kickboxing sobre kickboxer da perspectiva de um treinador de kickboxing. Então, agora vamos nos dar a perspectiva de um treinador de kickboxing, melhorando como kickboxer tudo o que pode ser feito, aperfeiçoando seus fundamentos, construindo condicionamento, melhorando sua defesa, desenvolvendo resistência mental, trabalho com os pés e movimento, incorporando perspectiva de um treinador de kickboxing, melhorando como kickboxer tudo o que pode ser feito, aperfeiçoando seus fundamentos, construindo condicionamento, melhorando sua defesa, desenvolvendo resistência mental, trabalho com os pés e movimento, incorporando moderação. Você pode ver que todas essas são sugestões do nosso treinador de kickboxing, certo Agora, a mesma coisa que podemos perguntar de uma perspectiva diferente, quando pedimos a perspectiva de um especialista em anatomia humana Então, vamos ver o quão diferente isso vai ser. Portanto, do ponto de vista de um especialista em anatomia humana, o importante é otimizar sua postura e postura, engajar os músculos centrais, engajar os músculos centrais, entender o papel e os quadris dos quadris em movimento, melhorar a agilidade com o tornozelo e o joelho, a mobilidade e mobilidade Você pode ver como diversas perspectivas podem existir para o mesmo tópico. Isso pode ser infinito. Você pode pedir perspectivas diferentes e, ao final da leitura de tudo isso, terá uma compreensão muito melhor e mais profunda do tópico específico que está abordando. Espero que isso faça sentido. Você também entende esse estilo. Muito obrigado, pessoal, por ouvirem isso, e nos vemos na próxima. 38. Prompting de Crítica Construtiva: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, queríamos ver e analisar um tipo diferente de estilo de estímulo, que é a crítica construtiva Agora, o que queremos é que, neste caso em particular, esse prompt possa fornecer feedback objetivo e especializado sobre sua redação, destacando áreas de melhoria e oferecendo críticas construtivas para ajudá-lo a refinar e aprimorar Então, aqui a fórmula do baile que podemos dar é que queremos Chat JPT atue como um especialista e crítico no assunto de Agora, queremos que ele critique nosso conteúdo, que é fornecido, me convença de que é ruim e me dê uma crítica construtiva sobre como ele deve ser Para contextualizar, ao fornecer detalhes de seu produto e serviço sobre o propósito do meu produto, você fornece sua meta de conteúdo. Vamos pensar passo a passo, e quero que você aborde cada conteúdo individualmente, e aqui está meu conteúdo para criticar. Então, agora a ideia é obter algum feedback sobre nosso conteúdo do Chat GPT como uma crítica e, com base nesse feedback , trabalhar nele e torná-lo Então, vamos ver como você pode usar isso de forma eficaz. Então, digamos que estamos usando esse prompt específico. Depois disso, você pode prosseguir e fornecer o conteúdo que você tem disponível, e ele vai criticá-lo e nos dar todos os feedbacks específicos sobre ele, que você pode então Portanto, essa também é uma ótima maneira de solicitar, que você pode usar para ter alguém que tenha um conhecimento muito melhor sobre o tópico ou serviço e faça críticas construtivas sobre 39. de comparação: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre sugestões comparativas. Portanto, a solicitação comparativa é tão simples quanto destacar as principais semelhanças e diferenças entre vários fatores, que ajudam você a tomar decisões muito mais bem informadas e a obter uma compreensão mais profunda dos pontos fortes e fracos das Então, aqui, o que fazemos é pedir ao GPT compare e contraste os seguintes exemplos de texto, descrevendo as semelhanças, diferenças, características qualitativas, fatores quantitativos, funcionalidade, principais conclusões e outros E então damos as duas peças de contagem. Agora, com base nisso, ele o analisará e fornecerá as informações em formato de tabela para o tipo de conteúdo Isso realmente ajuda a fazer comparações e compreensão de ambas se torna muito melhor Vamos ver isso em ação como vamos fazer isso. Vamos dar o primeiro. Este é o primeiro baile de formatura que vamos dar , onde nosso conteúdo será esse Agora, ele vai colocá-lo em um formato de quadro, como você pode ver, filosofia de negócios Está bem? Podemos ver a filosofia do design, a estratégia do produto , a imagem da marca, a inovação, tudo isso, que podemos ver aqui agora dado a nós dessa maneira específica. A mesma coisa que você também pode fazer com outro exemplo. Vamos dar uma olhada em outro exemplo. Investir em imóveis versus investir em criptomoedas. Tipo de investimento, natureza do investimento, níveis de risco, ROI, liquidez, volatilidade, dinâmica do mercado, barreiras Podemos ver agora que ele nos deu a diferenciação entre os dois tipos de conteúdo diz respeito às características, aos tópicos que queríamos nos dar Isso é muito útil, fácil de entender, digerir, compreender, e então podemos usá-lo em 40. Prompting inverso: Oi, Gins. Bem-vindo a esta sessão. Nesta sessão, queremos que você veja outro estilo de solicitação, que é a solicitação reversa Solicitação reversa ou engenharia reversa da solicitação. Então, o que estamos basicamente falando aqui é como você pode prosseguir e fazer engenharia reversa de qualquer conteúdo para voltar ao prompt que gerou esse conteúdo. Portanto, a intenção aqui é entender o conteúdo que você recebe, que você vê agora, qual prompt pode gerar esse conteúdo em particular É isso que estamos tentando fazer engenharia reversa aqui. Portanto, criamos duas fórmulas de solicitação que você pode usar aqui para esse propósito específico, nas quais você pode fornecer a solicitação e isso ajudará a fazer engenharia reversa do conteúdo para voltar à solicitação original fornecida para divulgar nas quais você pode fornecer a solicitação e isso ajudará a fazer engenharia reversa do conteúdo para voltar à solicitação original esse conteúdo Portanto, se você ver a primeira pedimos à STIPT que atue como um especialista em engenharia rápida, capaz de fazer engenharia reversa de solicitações com base no texto que é fornecido a você Então, primeiro damos esse aviso específico e configuramos todo o cenário espacial do AGPT para que ele funcione como um prompt de engenharia reversa, um especialista em alertas E então, uma vez que o StratPT o reconheça, podemos fornecer o texto específico a ele, e ele fará a engenharia reversa do prompt e nos dirá o prompt original que foi fornecido para Essa é uma opção. A segunda opção é prompt, pois estamos dando várias instruções diferentes ao GPT para configurar a conversa Claramente, quando dizemos inicialmente que vamos falar sobre engenharia reversa imediata Por engenharia reversa de solicitações, quero dizer criar uma solicitação a partir de um determinado texto. Você pode me dar alguns exemplos simples engenharia de alerta reverso? O Chat GPT nos dará alguns exemplos. Então, diremos: você pode criar um modelo de engenharia reversa muito técnico? O que estamos fazendo é preparar a ferramenta. Preparando a ferramenta especificamente para ter dados históricos de conversas anteriores, para que ela entenda melhor a engenharia reversa imediata E, finalmente, fornecemos ao prompt, que agora é Reverse Prompt Engineer, o texto a seguir, certifique-se de capturar o tom, sintaxe, o idioma e o estilo de escrita do texto Com essas duas abordagens diferentes, possivelmente você poderá prosseguir com a engenharia reversa do prompt e voltar ao prompt original que gerou o conteúdo que você tem agora. A intenção de fazer isso é que, depois de receber o prompt original, você poderá usá-lo em outros produtos Portanto, se você encontrar um conteúdo realmente bom em qualquer lugar, poderá usar o ATGPT para fazer engenharia reversa e levá-lo de volta ao prompt original que pode gerá-lo Agora que você tem a solicitação original com você, pode aplicá-la em outros produtos, também em seus próprios produtos em sua própria empresa. Vamos ver isso em ação como isso realmente vai acontecer. O que vamos fazer primeiro é analisar a primeira opção. Vamos seguir em frente e pegar a primeira solicitação e entregá-la ao ChatPT Diremos que o tipo de conteúdo é, digamos, uma empresa de tecnologia. Descrição do produto. Eu entendi. Ok. E então daremos o segundo aviso. Ótimo o texto, eu gostaria de fazer engenharia reversa, e daremos o exemplo a partir daqui. Digamos que o exemplo seja esse. Este é o conteúdo que temos e o que esperamos do ChachPTS nos dá a solicitação original para isso, que gerará esse tipo Você pode ver que ele também gerou um prompt específico, o que nos ajudará a gerar esse conteúdo, em italiano. Essa é uma abordagem que você pode usar facilmente aqui. A segunda abordagem, vamos dar uma olhada nela também. Na segunda abordagem, começamos a conversa com isso, onde dizemos que ela entende a engenharia reversa imediata, o que é. Em seguida, pedimos ao Chat GPT que nos dê um exemplo de engenharia rápida Isso nos dará alguns exemplos de engenharia rápida, engenharia rápida reversa. No momento, ele ainda está nos dando o resultado da primeira solicitação. Agora estamos perguntando a segunda, pedindo um exemplo de engenharia de alerta reverso. Agora vamos pedir à AratGBT que crie um modelo para engenharia de prompt reverso Estamos preparando a ferramenta. Estamos fornecendo muitos dados para que GPT entenda a partir da engenharia de prompt reverso, porque nossa intenção é pedir que ele crie um prompt específico para o conteúdo original no final Agora, este é o aviso final que queremos dar. Você pode ver que ele está nos dando a resposta para a terceira solicitação no momento. Agora, podemos pedir ao HAGPT que faça engenharia reversa no texto a seguir Digamos que este é um produto que já tem avaliações muito altas, um número de avaliações e uma boa classificação. Queremos fazer engenharia reversa do prompt. Queremos saber o prompt original, que pode gerar esse tipo de título Podemos fazer engenharia reversa para isso. Podemos fazer engenharia reversa para a descrição do produto aqui, várias coisas. Qualquer coisa que seja necessária para sua própria lista de produtos, você pode solicitar que ela faça engenharia reversa e retorne à solicitação original Estou usando a manchete do momento. Eu dei a manchete. E agora estamos pedindo que você faça engenharia reversa texto original que está sendo usado. Agora você pode ver que ele está gerando solicitação de engenharia reversa para nós Isso podemos usar para gerar esse tipo de título daqui para frente Agora, depois de ter o prompt original com você, você pode usá-lo em qualquer produto. Você pode simplesmente alterar o nome do produto aqui e o tom do estilo sintaxe permanecem os mesmos Mas você pode usá-lo em qualquer outro produto próprio para as descrições de seus produtos, e ele será escrito nesse estilo específico. Espero que isso faça sentido. Você entende o conceito de solicitação reversa agora Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 41. Prompting de RGC: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, queríamos examinar outro estilo de solicitação, que é o RGCPmpting, que você Então, isso será algo que pode ser aplicado universalmente a qualquer entrada ou saída pretendida que você queira extrair dela Pode ser um formato padronizado que será aplicado em vários cenários Então, o que queremos dizer especificamente com RGC é uma fórmula de formatura em que analisamos uma função, resultado, meta, contexto e restrição Então, basicamente, vamos dar uma função ao Chat TPT ou ao Hit DP como se você fosse nosso especialista Então, o resultado é que, porque você é um especialista, há uma meta associada a um resultado associado a ela, aquela saída desejada que ela deve fornecer a você. E então o objetivo, o propósito da saída, o que a saída fará por nós? E então o contexto, o que eles eram? E então as restrições seriam limitações e diretrizes Por exemplo, você pode ver aqui o papel é: você é um profissional de marketing especializado O resultado é criar cinco e-mails que terminam com uma chamada à ação. O objetivo é impulsionar as vendas do nosso produto. contexto é que os e-mails são para meu público on-line de empreendedores. E então a restrição é que os e-mails sejam amigáveis e tenham um limite de 200 caracteres Portanto, esse pode ser um formato fácil de um prompt, que você pode usar para qualquer tipo de cenário com o qual você lida. Então, vamos ver isso no exemplo de como isso vai ser. Vamos dar uma olhada no último e podemos usá-lo e ver que tipo de saída obtemos no Chat GBT para isso Agora você pode ver que o CAGBT está nos enviando os e-mails e, levando em consideração que devem ser amigáveis e com menos de 200 palavras, está escrevendo o e-mail para Com uma chamada à ação, cadastre-se agora e comece a ver os resultados. Isso é um apelo à ação. Pronto para expandir seus negócios, garanta seu lugar hoje. Novamente, isso é um apelo à ação. Podemos dar o link aqui. Vamos garantir que sua próxima venda aconteça agora. Obtenha seu acesso aqui. Se você estiver pronto para levar sua empresa para o próximo nível, clique aqui para começar. E então o quinto, onde podemos dar outro quebra-cabeça de CTA, clique aqui para começar agora Agora você pode ver que esse formato fácil pode funcionar em diferentes cenários para você, onde você pode fornecer todos esses componentes e criar uma solicitação muito eficaz para sua empresa. Espero que isso faça sentido. Você também entende esse tipo de estilo. Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 42. Quero que você aja como um prompt: Oi, pessoal. Bem-vindo a esta sessão. Então, nesta sessão, queremos falar sobre outro tipo de estilo de solicitação, que pode ser, eu quero que você aja como E vimos isso também semelhante nos vídeos anteriores. Então, essa será uma estrutura em que queremos que o Chat Tibet aja de uma certa maneira, talvez como um historiador, biólogo ou treinador pessoal Diferentes tipos de funções desempenham as quais queremos que Chat Ti PT desempenhe e com base nas quais ele nos fornece a saída. Assim, podemos ter a fórmula dessa maneira específica, em que começamos dizendo ao ChagPT que quero que você atue como historiador ou biólogo e, em seguida, darei algumas informações sobre esse segmento específico E então, com base nisso, ele personalizará a resposta e a devolverá para nós. Isso realmente ajuda porque prepara o terreno para o HangPtPersona, especificamente, e por isso é capaz de se concentrar muito no tópico tratado , e o resultado é muito personalizado e fornece informações muito Então, vamos ver como isso funcionará na ferramenta. Digamos que este é o aviso que estamos tentando dar, quando dizemos que quero que você atue como treinador pessoal. Vou te dar meus objetivos pessoais e profissionais. Em seguida, você criará um cronograma de sete dias para eu seguir a fim de obter minhas metas no formato de quadro Meus objetivos de curto prazo são mediar, meditar, malhar, ler e trabalhar em meus projetos Minha meta de longo prazo é contratar novos clientes, economizar e economizar $10.000 em um período de seis meses Então, agora eu quero que o Cha GP assuma o papel de coach pessoal e, com base nisso , ele nos dê o papel estruturado, o cronograma específico, o cronograma de sete dias que ele pode criar para nós Então, podemos ver agora que ele levou isso em consideração e agora criou o cronograma completo de sete dias orientado a metas para nós. Portanto, essa é outra maneira muito boa de informar que você está atribuindo um papel ao Chat GBT e, com base na qual você fornece suas especificações, seus requisitos, suas restrições, seus recursos que ele deseja que você incorpore, então ele nos fornece a saída com base nisso Espero que isso faça sentido. Você também entende esse tipo de estilo de solicitação. Muito obrigado, pessoal, por ouvirem isso, e nos vemos no próximo vídeo. 43. Aleatoriedade na produção: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, queríamos entender a aleatoriedade na saída que obtemos dessas ferramentas de IA Portanto, precisamos entender o fato que, com as ferramentas de IA, como o Chat GPT , as respostas que você obterá da ferramenta não serão as mesmas o tempo todo E também vimos isso na seção anterior : a saída será diferente o tempo todo, e é assim que a ferramenta foi treinada para fornecer respostas. A intenção de tudo isso é que queiramos experimentar e ver diferentes tipos de respostas Então é assim que a ferramenta foi construída, treinada e recebeu dados. E é por isso que toda vez que você vê as respostas serão muito diferentes umas das outras. Agora, é assim que vai funcionar, e precisamos de alguma forma aceitar isso e viver com isso e trabalhar apenas para isso. Esse é o estado atual desses modelos ou ferramentas de LLM que temos, onde a saída será diferente uma da outra Eles podem ser restringidos uma seção específica das respostas que estamos recebendo, mas não serão idênticos As respostas sempre serão um pouco diferentes umas das outras e novas respostas estarão lá porque é isso que queremos ver com as ferramentas de IA, a intenção é sempre ver respostas únicas, algo em que nunca pensamos, e é isso que está enraizado nas ferramentas, e é por isso que as saídas Então, só para dar um exemplo simples de como isso vai ser, digamos, se eu der uma mensagem para Chat GPT, onde eu digo quantos pássaros estão fora da minha casa Agora, esta é uma pergunta muito aberta que estou fazendo sem dar muita informação. Isso vai me dar um tipo de resposta em que obviamente está dizendo que eu não tenho como ver fora de sua casa. Ok, se você quiser fazer uma estimativa rápida , estou me dando algumas etapas aparência e contagem, método som, método de foto. ajuda a contar e descobrir a solução sozinho de várias maneiras me ajuda a contar e descobrir a solução sozinho de várias maneiras. Então essa é uma solução, uma resposta que está dando. Agora, se eu der a mesma solicitação mais uma vez, novamente, é antes de tudo, aceitar que ela pode fazer isso. Mas se você quiser o número, terá que olhar, ouvir ou compartilhar uma foto. Outro tipo de saída. O primeiro foram os passos dados para me descobrir. A segunda é que eu posso compartilhar, olhar e ouvir ou compartilhar um vídeo ou um pé. Da mesma forma. Agora, se der novamente o mesmo aviso, ele admitirá que não pode fazer isso e, no momento, o número de palavras externas é desconhecido. Está apenas me dando a resposta que, desconhecida, ela não sabe até que eu dê uma olhada e me mostre. OK. Então, é assim que as respostas serão em que as saídas serão aleatórias para os mesmos prompts que fornecemos Agora, isso não é uma falha técnica. É a forma como a ferramenta foi construída e treinada para essa aleatoriedade. Agora, há um pró e um contra para isso também. Então, quando estamos tentando descobrir coisas e estamos tentando construir algo, e dessa vez, essa aleatoriedade ou diferentes tipos de respostas realmente são úteis, porque estamos executando nossas ideias e queremos ver algo diferente, então, possivelmente, isso pode ser realmente útil Se estivermos em uma situação que há um trabalho de pesquisa em andamento e você quiser respostas ou soluções específicas para fazer esse trabalho de pesquisa , essa saída aleatória pode não ser muito útil, ok? A única coisa que a ferramenta pode fazer é permanecer no domínio desse tópico específico e fornecer respostas Não serão respostas arbitrárias realmente vagas, mas ele permanecerá nesse domínio e fornecerá respostas dentro desse É assim que precisamos começar a aceitar que a ferramenta se comportará e trabalhará com ela a nosso favor. 44. Introdução aos casos de uso de GenAI: Oi, pessoal. Bem-vindo a este módulo. Neste módulo, veremos os casos de uso prático da IA generativa em todos os setores Vamos escolher três setores específicos, que serão desenvolvimento de software, varejo e marketing, onde veremos casos de uso do GenetiveVI O objetivo deste módulo é principalmente que você entenda como podemos integrar a IA em nosso segmento, em nosso setor de trabalho, e a conclusão seria a abordagem que podemos adotar partir daqui e aplicá-la em seu próprio Então, vamos entrar neste módulo para entender como podemos usar a IA genitiva em vários setores e melhorar nossa qualidade e produtividade de trabalho 45. Desenvolvimento de software: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos como podemos usar a IA em vários setores. Então, estamos começando agora com o desenvolvimento de software. Então, se você observar isso no desenvolvimento de software, a primeira coisa que obviamente podemos fazer agora é começar a criar código. Assim, você pode gerar código do zero, corrigir erros, depurar, o que você pode fazer, basicamente, otimizando Você também pode integrar essas ferramentas de IA, APIs com IDs como GitHub CoPilot, AWS Então, isso realmente terá um impacto em termos de redução do esforço manual e capacitação cruzada de desenvolvedores, porque agora você pode criar códigos em qualquer linguagem. Mesmo se você for, digamos, especializado em Java, você também pode criar códigos em Python Melhor prática de código, detalhes documentados que você obterá com a ajuda disso. A segunda fase será de testes. Depois que o código é criado, passamos muito tempo testando o código, identificando cenários de teste, escrevendo casos de teste detalhados e gerando scripts de automação. Tudo isso é feito manualmente agora, o que leva muito tempo. E agora você pode simplesmente substituí-lo por ferramentas de IA, que certamente reduzirão cenários, identificarão casos extremos, reduzirão o esforço manual envolvido nisso e também aperfeiçoarão todo o ciclo de testes Levará muito menos tempo para testar os códigos agora com a ajuda das ferramentas A terceira será a coleta de requisitos. Esse será um cenário quando você estiver usando a AGI especificamente Você precisa reunir muitas informações primeiro, e é aqui que você pode gerar épicos, gerar histórias de usuários, o que você pode fazer em um nível individual, gerar critérios de aceitação Tudo isso pode ser feito com a ajuda das ferramentas de IA, e isso certamente garantirá cobertura de casos extremos de identidade, reduzindo o esforço manual pois é totalmente feito com a ferramenta de IA e também agiliza todo o ciclo O último aspecto da codificação será muito trabalho de documentação, que também fazemos E aqui você precisa criar muitas documentações, que são documentos de requisitos, relatórios de teste, guias do usuário e custos operacionais tudo isso será Agora, tudo isso será automatizado com a ferramenta de IA, e isso afetará seriamente seu esforço manual investido garantindo a documentação adequada. Portanto, não há erro humano nisso. Ok, ele também atende a todas as necessidades organizacionais regulatórias. Então, vamos ver como podemos fazer isso na prática. Então, digamos que, no primeiro aspecto, queremos criar um código. Então, vou pedir que ele escreva um pod em Python, dizendo que ele é um desenvolvedor experiente em Python, dizendo que ele é um desenvolvedor experiente em Python, crie um código otimizado que seja usado para um aplicativo corporativo, garanta que as melhores práticas, os mecanismos de segurança e a documentação adequada Geralmente, código que se conecta ao servidor pós-SQL e executa uma consulta Ok, então aqui estamos apenas criando o código Python, para que você possa ver com que eficiência a ferramenta de IA é capaz de gerar o código para nós imediatamente . Então, construindo um código. Portanto, essa é uma ajuda muito boa porque, para muitos novos desenvolvedores de software que estão começando pela primeira vez em uma nova plataforma, eles precisarão de algum nível de apoio, de colegas algum apoio das equipes que possam lhes dizer por onde começar E é isso que está sendo substituído pela IA. Imagine que você tenha um colega forte com você o tempo todo, que o ajudará no trabalho inicial em que você cria o código do zero E então você obviamente adiciona suas entradas. Você adiciona suas entradas, edita o código, torna melhor, todas essas coisas que você pode fazer Além disso, como falamos sobre isso, você pode criar código em qualquer idioma, o que quiser Talvez você seja um especialista em Python, mas não tenha muito conhecimento sobre Java Isso pode acontecer agora, onde os códigos Java podem ser gerados com a ajuda das ferramentas de IA. Agora vamos dar uma olhada no segundo cenário que será parte de testes. Então, estamos dando uma ideia da ferramenta de IA de que você é um testador manual Ao validar um aplicativo da web, o aplicativo tem uma página de login na qual o usuário insere a senha do nome de login e clica no botão de login Essa também é uma opção para esquecer também existe a opção de esquecer o nome e a senha. Nome e senha de login. Você pode gerar os cenários de teste Agora vai fazer uma parte de teste. Então você pode ver que ele criou os cenários de teste. Imagine que você mesmo construa isso manualmente. Levará muito tempo para criá-los manualmente e muito tempo para nós. Então, agora ele está nos dando cenários de teste, além áreas adicionais para testar testes de dispositivos, testes de segurança e testes de localização Tudo isso agora pode ser documentado e podemos trabalhar neles especificamente como cenários de teste. O terceiro, que também podemos ver, digamos que estamos pedindo que ele gere apenas um script de alumínio para login. Vamos ver como ele também gera um script de selênio. Isso ocorre porque começamos com o Python Supõe-se que apenas peçamos a geração do script Python Mas vamos ver como isso também funciona com outros scripts. Ou pode ser que ele continue e apenas crie apenas o script de selênio Então, novamente, como você pode ver, ele gerou o script Python para nós, para o login do selenium Então, acho que isso será realmente revolucionário para todo desenvolvedor de software a intenção com a qual você precisa usá-lo é que ele não substitua especificamente nossos trabalhos de engenheiros de software Isso vai aprimorar seu trabalho atual. Será uma ferramenta de aplicação que ajudará quando as coisas ficarem complicadas Não conseguiremos resolver um cenário específico, talvez o código esteja quebrado em algum lugar, então ele pode solucionar isso. Então, todas essas coisas você pode fazer isso. Talvez você possa fornecer uma porta específica e pedir que ela a conserte. Todos esses cenários para os quais você pode usá-lo. E, por fim, vamos analisar a coleta de requisitos. Então, aqui queremos que ele gere épicos. Então, agora está criando esses épicos para nós, que podemos usar para fins de codificação E você pode ver que também está fornecendo resultados aos próximos sete analistas de negócios Então é assim que podemos usar a ferramenta de IA, especificamente no desenvolvimento de software. Você pode ver que há inúmeras oportunidades e opções nas quais você pode usar a ferramenta de IA, não apenas para uma geração de código, mas para vários outros cenários nos quais você pode usá-la de forma muito eficaz Espero que isso faça sentido. Preciso entender agora o uso da IA no desenvolvimento de software. 46. Varejo: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos outro caso de uso da IA, que será no varejo. No setor de varejo, há muitas coisas que podemos fazer agora com a ajuda do uso da IA. A primeira pode ser, digamos, recomendações de produtos. Aqui você pode criar e entender a descrição do produto. Você pode pedir que ele crie uma descrição específica do produto personalizada de acordo com as necessidades do seu cliente. Campanhas de e-mail personalizadas podem ser criadas, recomendações localizadas podem ser feitas Portanto, dependendo da região, os dados demográficos que você está tentando atingir, suas recomendações e as mensagens do produto podem mudar de acordo, e você pode usar a IA para isso pesquisa visual também pode ser feita para que você entenda que tipo de produto será muito interessante para as pessoas verem e possivelmente comprarem. Tudo isso você pode fazer com a ajuda de ferramentas de IA, e isso certamente aprofundará a compreensão dos atributos do produto Isso aumentará as taxas de cliques, número de pessoas que clicam no produto para acessar o site, aumentará suas taxas de vendas, taxas de conversão e retenção e fidelidade de usuários. Agora, se você observar a otimização da cadeia de suprimentos, aqui você pode ver a previsão de demanda, entender como suas vendas estão acontecendo e, com base na qual você pode pedir à IA que forneça uma previsão para o futuro, que tipo de demanda você verá em um mês específico, otimização de estoque, para que você também possa fazer isso Quando o inventário é necessário, quando não é necessário. Todas essas análises de previsão podem ser feitas com a ajuda de músicas de IA manutenção preditiva também pode ser feita, para que você possa entender quando manter seu inventário para poder fornecer o serviço para a demanda sempre que houver necessidade Isso certamente ajudará a tomar muitas decisões baseadas em dados e aumentará a disponibilidade dos produtos, o atendimento dos produtos e os pedidos que você está recebendo E, certamente, isso também aumentará o crescimento da continuidade dos negócios Agora, no aspecto de suporte ao cliente, se você perceber que as ferramentas de IA podem ser usadas para criar painéis de bate-papo, assistente virtual pode ser criado. Você pode criar um FAQ personalizado de acordo com as necessidades do seu cliente. Você também pode criar suportes multilíngues. Atualizações automatizadas também podem ser feitas com a ajuda de ferramentas de IA, e tudo isso pode ser feito com automação total com o mínimo de intervenção humana. E isso vai te dar o quê? Aumentará, serão respostas mais rápidas, 24 por sete respostas. Isso aumentará a satisfação do cliente, o alcance do cliente também será expandido por causa disso. E então, obviamente, tem um custo operacional baixo. Por fim, a análise sentimental também. Assim, você pode ver as avaliações dos clientes. Você pode analisar essas avaliações, entender o sentimento principal, entender quais foram as áreas problemáticas dos clientes IA o personalizará e fornecerá de uma maneira muito nítida e simples. Assim, você saberá exatamente quais são as áreas de dor e não precisaria gastar muito tempo lendo todas as avaliações, entendendo as áreas de dor manualmente. Monitoramento de mídia social, que você também pode fazer, no qual você pode ver com quais postagens as pessoas estão interagindo e estão respondendo Então, tudo isso pode ser feito aqui com a ajuda de ferramentas de IA e análise de concorrentes Assim, você entenderá quais aspectos dos produtos e serviços competitivos são mais apreciados pelos clientes do que pelos seus. E isso certamente ajudará você a entender melhor as necessidades do cliente e a ser proativo na resolução de problemas, o que você pode fazer com a ajuda das ferramentas Então, se você ver, essas serão algumas das áreas que acabei abordar agora no varejo, onde você pode fazer uso massivo de IA e exigiria menos intervenção humana, e será muito mais econômico administrar seus negócios com esse tipo de abordagem Vamos ver um exemplo prático de como isso vai ser. Digamos que estamos vendo uma análise sentimental, ok? Então, digamos que este é o produto para o qual queremos ver uma análise e entender. Então, o que eu perguntei é: essa é a avaliação dada por um determinado cliente. E estamos apenas pedindo ao CHAGPT que nos dê uma análise dos sentimentos desta análise Conte-me um breve resumo com os principais detalhes. Então, ele examinará todo o conteúdo e nos fornecerá um breve resumo muito positivo. A avaliação expressa um sentimento extremamente positivo em relação ao produto O revisor destaca imagens excepcionais em quatro K, os principais detalhes que mencionou tom emocional é animado, confiante, altamente impressionado Vamos fazer uma pergunta um pouco difícil nesse cenário, que pode me dizer cinco coisas com as quais o cliente não está satisfeito, o que será muito menor, mas vamos ver como ele responde A avaliação é extremamente positiva e diz explicitamente que não há peões Ok, então não há reclamações diretas. Talvez caro. Além disso, está nos fornecendo informações adicionais sobre talvez caras em comparação com câmeras de ação básicas e assim por diante. Então, você vê que é assim que você pode usar as ferramentas de IA de forma tão eficaz para chegar à causa raiz do problema e entender esse problema, descobrir uma solução muito rapidamente e seguir em frente , em vez de gastar muitas horas humanas entendendo qual é a área problemática e depois encontrando uma solução. Espero que isso faça sentido. Espero que você entenda agora o caso de uso de ferramentas de IA especificamente no varejo. 47. Marketing: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos como podemos usar a IA em um cenário específico, que será o marketing. Então, quando você analisa o marketing, pode haver muitos cenários diferentes nos quais podemos usá-lo. O primeiro pode ser, obviamente, para geração de conteúdo. Então, na geração de conteúdo, há várias coisas que você pode fazer com o marketing, como criar artigos para postagens de blog , descrição do produto e muito mais. Você pode ter conteúdo personalizado para sua marca, especificamente para seus serviços de produtos. Depois, você pode criar conteúdo para seu marketing por e-mail, marketing de mídia social, postagem em mídia social, o que estamos fazendo. Então, isso certamente aumentará seu. Com a ajuda de ferramentas de IA, podemos aumentar a geração de conteúdo. Obviamente, melhore nossa consistência porque somos capazes criar muito mais conteúdo e programá-lo. Então, podemos ter um maior engajamento do público e, certamente, isso reduzirá os custos, porque não precisaríamos contratar pessoas para fazer esse trabalho Da mesma forma, no SCO e na otimização de mecanismos de pesquisa, muitas coisas podem ser feitas Podemos analisar o conteúdo, podemos sugerir melhorias nos rankings de SEO Obviamente, isso ajudará a melhorar classificações de SEO e a aumentar o tráfego orgânico em nossos sites Uma melhor visibilidade on-line pode acontecer. Em terceiro lugar, com pesquisas de mercado e também em marketing, onde você pode pesquisar tendências de mercado. Você pode observar o comportamento do consumidor. Você pode analisar as estratégias da concorrência, e isso o ajudará a tomar muitas decisões baseadas em dados, comparando a concorrência Então, tudo isso é apenas o ponto de partida, eu diria, com o marketing, o que você pode fazer com a ajuda de ferramentas de IA. Vamos ver alguns exemplos práticos de como isso realmente seria. Então, digamos que, quando você estiver no ChatGPT, tudo bem, estamos apresentando um cenário específico Por isso, estamos dizendo que você é um criador de conteúdo de mídia social Estou lançando uma nova vela perfumada no Instagram. Meu segmento de clientes são amantes de decoração, estúdios de ioga, restaurantes. Você pode me dar três linhas para cada um desses segmentos que eu possa publicar nas redes sociais e também oferecer um desconto especial de 10% nos próximos três dias , então adicione isso às mensagens OK. Então você quer três conteúdos diferentes para três públicos diferentes Então, agora, se você procura decoração para casa, ele escreveu, escreveu: transforme cada canto da sua casa em uma experiência aconchegante de luxo com nossas novas velas perfumadas Para estúdios de ioga, crie uma atmosfera relaxante com a qual seus clientes se conectarão instantaneamente usando nossas velas perfumadas calmantes Para restaurantes, defina o clima e crie uma experiência gastronômica memorável com nossas velas perfumadas premium Então, veja o que ele fez foi seguir em frente e criar diferentes materiais de marketing de mensagens para três tipos diferentes de público que estamos procurando E nisso, também adicionou 10% de desconto em todos os lugares. Vamos avançar e digamos que estamos pedindo que ele adicione. Você pode adicionar Você pode adicionar conteúdo que fale mais sobre como as velas perfumadas ajudarão em cada uma dessas categorias Está bem? Então, vamos ver, agora estamos tentando resolver problemas também. Então, ele também vai analisar isso. Uma vela perfumada não deixa sua casa com um deixa sua casa Ele cria calor, conforto e uma atmosfera relaxante após um longo dia. Essa é uma solução, como ela ajuda. Está bem? Para estúdios de ioga, velas perfumadas ajudam a criar um ambiente tranquilo que melhora a meditação, relaxamento e a atenção plena Restaurantes, a fragrância certa e iluminação ambiente podem instantaneamente fazer com que os hóspedes se sintam relaxados, confortáveis e conectados à experiência gastronômica Então, agora ele adicionou a solução, também o aspecto de ajuda do produto. Portanto, esse é apenas o ponto de partida em que você pode criar muito conteúdo de marketing para sua empresa, para seus clientes, para a empresa em que trabalha, e você pode usar isso para gerar melhores vendas melhores receitas para a empresa. 48. Demonstração: agente de reunião Otter — anotador de IA, transcrição, insights: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos outra ferramenta de IA que também podemos usar no dia a dia, que pode fazer parte da IA generativa, que será a Outer Outer é basicamente um agente de reuniões, um agente virtual que você pode usar aqui, principalmente, e você pode baixá-lo. Você pode usá-lo a partir dessa plataforma específica, e será útil no sentido resumir toda a reunião que temos no trabalho Ele fornecerá notas completas da reunião no final da reunião. E também nos dirá os alto-falantes. Ele identifica os palestrantes que forneceram informações específicas e é capaz de delegar tarefas a cada um dos palestrantes até o final Então, essa será a ferramenta de IA que podemos usar aqui, principalmente para tornar nossas reuniões muito mais produtivas. E esse é um caso de uso real da ferramenta de IA que podemos usar, que pode realmente agilizar nosso trabalho no dia a dia Você pode ver, ele é capaz de organizar conversas com canais, insights de vendas também para RCRM, você pode integrar o Zoom, o calendário do Google, tudo isso com o Otter, e então você pode obter Isso é realmente eficaz , pois você também pode escolher como deseja capturar suas reuniões. Ele também pode colocar o conhecimento em seus bate-papos de IA favoritos, você pode conectá-lo ao Chat GPT, Cloud, Notion, tudo isso será possível e organizará todas as informações discutidas na reunião e, em seguida, resumirá para você em uma linguagem simples e resumirá para você em compreensível e as compartilhará Espero que isso faça sentido. Espero que você entenda como podemos usar o Otter como agente de reuniões, ferramenta de IA para melhorar nossa produtividade e qualidade de trabalho quando conduzimos reuniões no trabalho 49. Demonstração — gerando resposta por e-mail: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos outro exemplo, caso de uso de IA generativa em nosso trabalho diário, que pode ser para gerar respostas por e-mail Então, digamos que vamos usar a Estratégia PT aqui para gerar respostas. Então, cenários diferentes são o que vamos analisar. Então, no primeiro cenário, digamos, queremos escrever um e-mail educado de suporte ao cliente sobre um cenário específico E o contexto é que a entrega do laptop do cliente está atrasada em, digamos, cinco dias, está frustrado porque queria usá-lo no trabalho, e vamos pedir desculpas e fornecer uma nova data de entrega É um tom que pretendemos manter aqui: calmo, prestativo e profissional. Vamos ver como o ChatGPT gera o e-mail. Aqui você pode ver que ele também forneceu a saída do e-mail. Peço sinceras desculpas pela demora na entrega do seu laptop Eu entendo o quanto esse dispositivo é importante para o seu trabalho. Ele nos deu um e-mail decente aqui. Outro cenário, um cenário diferente, pode ser, digamos, uma resposta do RH a um funcionário. Queremos uma resposta do RH. Esse pode ser o cenário que estamos vendo, em que dizemos que queremos escrever uma resposta de RH para o funcionário que solicitou trabalho em casa por dois dias O contexto era que os motivos dos funcionários são a consulta médica, RH quer aprová-la, manter um tom de apoio e profissional porque é uma comunicação de RH e manter a mensagem curta e clara Então, aqui, um cenário diferente, podemos ver como e-mails elegantes e profissionais gerados com a ajuda da IA e a qualidade da comunicação melhora ainda mais Normalmente, é muito difícil para as pessoas escreverem e-mails, e é aqui que o uso da IA é enorme, onde ela pode melhorar seriamente a qualidade da comunicação no escritório ou comunicação geral entre profissionais. Terceiro cenário que também podemos fazer, talvez possamos mudar o estilo de comunicação e dar a ele um tom específico. Onde podemos dizer, vamos escrever a resposta do RH em três tons diferentes, que podem ser formais, amigáveis ou um estilo de mensagem curta do Whatsapp O mesmo e-mail agora escrito em três estilos diferentes, muito formal, agradecemos que você nos informe com antecedência Garanta a coordenação com seu gerente de relatórios e permaneça disponível durante o horário de trabalho, conforme necessário Estilo de mensagem amigável e depois curto do Whatsapp. Você vê que a maior contribuição da IA aqui seria nesse cenário específico: ela está melhorando a comunicação comercial entre os funcionários de uma empresa. Esse é um grande caso de uso que encontramos agora com a ajuda dessa IA. 50. Demonstração - Variações de títulos de marketing para a imagem de um produto: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos outro caso de uso de ferramentas de IA, especificamente para gerar várias manchetes de marketing para, digamos, um produto específico Então, o que vamos fazer aqui é analisar a imagem de um produto específico e para a qual queremos gerar algumas manchetes de marketing que são usadas para fins publicitários Digamos que vamos fazer o upload da imagem primeiro aqui. Agora vamos dar a ele algumas manchetes de marketing específicas que queremos gerar Digamos que o primeiro seja onde queremos gerar dez manchetes de marketing para este produto, queremos torná-lo curto, cativante adequado para um anúncio on-line Ele analisará o produto e, com base no qual, nos dará as manchetes de marketing Agora também temos essas manchetes. Da mesma forma, vamos mudar isso. Digamos que queremos essas manchetes em um estilo específico. Podemos dizer que forneça essas manchetes em cinco estilos diferentes, que serão luxuosos ou premium, engraçados, minimalistas, tecnológicos Agora, isso mudará as manchetes com base no estilo fornecido Agora você pode ver, com luxo, que a elegância encontra a inteligência Pany é mais esperta que a sua. Minimalista, inteligente, simples, poderoso, experiente em tecnologia, tecnologia vestível de última geração, atualize seu pulso com urgência Você pode ver que ele avançou facilmente e criou estilos diferentes que nossas equipes de marketing agora podem usar imediatamente. Outro cenário pode ser, digamos que queremos que as manchetes de marketing atendam a plataformas específicas Por exemplo, como você entende a linguagem usada em diferentes plataformas varia. A linguagem do Instagram é muito diferente da linguagem vinculada e assim por diante. Digamos que você queira obter as manchetes de marketing, atendendo a uma plataforma específica Digamos que você queira criar uma legenda no Instagram para este produto, título de anúncio do Facebook precisa ser criado ou um título de anúncio do Google precisa O bloco de produtos da Amazon foi criado. Para todos esses propósitos, essa ferramenta de IA pode criá-los. Agora você pode ver que a legenda do Instagram permanecerá conectada, monitorará sua forma física e atualizará seu estilo diário Título de anúncio do Facebook, o smartphone mais inteligente que acompanha sua vida, e assim por diante Então, é assim que podemos usar a ferramenta de IA principalmente para geração de manchetes de marketing, que é usada principalmente por nossa equipe de marketing Além disso, você pode usá-lo para fazer testes AB. Digamos que você queira testar essas manchetes e ver qual delas é muito mais eficaz Então, podemos fazer isso também, e ele pode criá-los também para nós. Isso faz sentido. Espero que você entenda agora o caso de uso da ferramenta de IA em marketing e hoje em dia, a maioria dos profissionais de marketing usa ferramentas de EI extensivamente para gerar títulos, quando são criados textos criativos, que podem ser usados imediatamente em 51. IA responsável: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre IA responsável. Então, como você pode ver, ao longo de alguns anos, a tecnologia de IA aumentou e muitos desenvolvimentos estão acontecendo especificamente nesse campo. Ao mesmo tempo, tem havido muitos problemas em termos de privacidade de dados e muitas informações que estão sendo mostradas como informações tendenciosas que vemos Portanto, há problemas nos sistemas de recrutamento em que isso mostra preconceito de gênero , reconhecimento de imagem, que é totalmente falso, e imagens que estão sendo exibidas incorretas, fóruns de bate-papo que estão sendo usados, que mostram textos de ódio, mensagens de ódio, que saem E então pode haver muitos cenários em que a IA está alucinando e gerando dados inexistentes. Agora, isso vai existir há alguns anos, e a intenção de todas essas tecnologias de IA modelos de LLM é reduzir isso o máximo possível Agora, isso é algo que está se tornando mais crucial para nós. Como você pode entender, à medida que as ferramentas de IA estão se tornando cada vez mais poderosas, ao mesmo tempo, essas preocupações também estão aumentando e há muito uso indevido É aí que líderes de tecnologia como Sam Altman também dizem que serão tempos muito difíceis em que seu foco será garantir que os problemas específicos sejam reduzidos o máximo possível Agora é aí que vem a IA responsiva da qual estamos falando, que se refere principalmente a estruturas éticas e morais que orientam o desenvolvimento, a implantação e o uso de sistemas de IA e garantem que ela se alinhe aos valores humanos e às Então é assim que vamos usá-lo. Então, se você observar um fluxo de trabalho de processo simples que está acontecendo agora, há dados de treinamento que estão sendo fornecidos aos modelos de IA para treinamento e com base nos quais eles fornecem resultados. Agora imagine um cenário em que os dados de treinamento já estejam tendenciosos Então, digamos que os dados de treinamento sejam fornecidos com 1 milhão de currículos masculinos e 500 currículos com apenas 500 currículos femininos O que vai acontecer é que a saída será tendenciosa, certo? Então é aí que entram esses problemas e os problemas de privacidade de dados que entram em cena, em que as informações fornecidas são tendenciosas e não criam uma saída sistemática ou imparcial E isso também acaba criando muitos problemas de privacidade de dados. Agora, por causa disso, uma grande questão que vem à nossa mente é se está gerando o resultado correto? As ferramentas de IA, o fator de confiança torna-se questionável nessas ferramentas de IA E é aí que faz sentido que todos nós comecemos a pensar em como podemos tornar a IA responsável e garantir que o resultado seja muito mais verídico e confiável e que possamos obter resultados imparciais Agora, é aí que você pode entender a grande necessidade atual de uma IA responsável. Os motivos são, em primeiro lugar, como podemos entender, o maior impacto é o preconceito e a discriminação, que é principalmente um caso em que a produção será muito imparcial Aqui. No cenário tendencioso, o que vai acontecer é que a produção não será da maneira correta e haverá muita discriminação O resultado será inclinado para uma direção específica. Também haverá preocupações com a privacidade, o que será principalmente um caso em que os dados poderão ser expostos Muitos dos nossos dados pessoais estão expostos a esses modelos de IA. Pode haver consequências legais. Por causa dessa saída tendenciosa, podem ocorrer problemas legais e, então, isso pode levar à perda de confiança nessas ferramentas de IA Agora, é por isso que precisamos ter certeza de que somos capazes de implementar IA responsável por meio de princípios éticos. Portanto, essas devem ser as barreiras ou diretrizes implementadas nessas ferramentas de IA qualidade dos dados precisa ser verificada regularmente para que não haja dados imparciais. As ferramentas de IA estão sendo treinadas. A transparência deve estar presente em relação ao tipo de informação que é carregada no back-end dessas ferramentas de IA E também há muitas configurações de conformidade de consentimento devem ser feitas para que problemas de privacidade de dados não aconteçam Ok. Além disso, há muito consentimento dos usuários para o uso dos dados. Além disso, é preciso haver um monitoramento e uma melhoria, que deve ser feito porque, como você pode ver, as ferramentas de IA estão sendo aprimoradas, mas ao longo de um período de tempo, o monitoramento contínuo da saída e sua melhoria da mesma forma precisam continuar por um longo período de tempo Então, tem que haver uma intervenção humana. Tem que haver um humano no circuito. estratégia precisa ser aplicada em a saída que obtemos dessas ferramentas de IA seja examinada por humanos e , em seguida, a saída seja fornecida para que possamos obter uma melhor saída dessas ferramentas de IA A ideia é incorporar a IA responsável nesses sistemas de IA o máximo que pudermos, o que inclui sistemas de IA generativos, o que nos dá uma produção muito melhor, imparcial, sem qualquer discriminação no futuro 52. Ética de IA: alucinações e precisão factual: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre a ética, alucinações e precisão factual da IA alucinações e Então, o que são alucinações de IA? As alucinações serão principalmente um modelo generativo produz código de texto ou mídia que soa muito fluente e confiável, mas é factualmente falsa, mas é factualmente falsa que produz código de texto ou mídia que soa muito fluente e confiável, mas é factualmente falsa, fabricada ou não suportada por nenhuma fonte real. Então, muitas vezes acontece que, quando você está dando um baile específico para a ferramenta de IA, ela gera as informações, mas pode não ser totalmente verdadeira, factualmente verdadeira E é aí que alucinação de inteligência artificial entra Então, se você observar isso quando um usuário faz uma solicitação, o modelo de linguagem prevê o próximo token Portanto, eles têm o hábito ou o processo de gerar o próximo token e não fornecer realmente as informações corretas. E é aí que isso acontece. Está bem? Então, o que temos que observar é que existem vários exemplos de alucinações ou tipos que podem estar acontecendo Como, por exemplo, citações legais falsas. É possível que a ferramenta forneça muitas citações legais irregulares ou falsas, conselhos médicos errados, forneça notícias falsas e citações que possa gerar Ele também pode criar código fantasma, o código não funcionará, o que quebrará, assim como as APIs Agora, o motivo pelo qual isso está acontecendo é principalmente enquanto conversamos, é que os LLMs aprendem padrões de linguagem Eles modelam o que as palavras se seguem, geralmente seguem outras palavras, o que pode não ser verdade. Portanto, nenhum banco de dados interno de fatos. Outro problema com isso é que não há um banco de dados específico do qual eles estejam recuperando as informações Eles estão gerando uma informação totalmente nova e, por isso , ela não está correta Otimizado para parecer fluente, seja, principalmente, o treinamento recompensa respostas plausíveis e bem informadas, mesmo quando a afirmação subjacente for recompensa respostas plausíveis e bem informadas mesmo quando a afirmação subjacente Mesmo que a informação esteja incorreta, ela tentará parecer confiante, bem informada, e é por isso que as alucinações acontecem Você pode ver esse exemplo específico. Agora, o principal fator para a alucinação é que há lacunas nos dados Enquanto conversamos, os dados de treinamento não são totalmente verdadeiros , pois contêm lacunas. Então, esse é o conhecimento de um estado. Portanto, como há um limite de conhecimento, após o qual os modelos tendem a alucinar e adivinhar que o trabalho acontece. Solicitações ambíguas Quando as proms dadas pelos usuários são muito ambíguas e confusas, é difícil para os LLMs fornecerem principalmente as principalmente Além disso, quando você aumenta a temperatura ou a criatividade, então as configurações de amostragem, que se você aumentar isso, novamente, é provável que muitos desses casos de alucinação Além disso, o RLA verifica a confiança, portanto, os modelos são recompensados por respostas confiáveis e, ao fazer isso, fornecerão informações fornecerão Agora, existem tipos de alucinações. Um é factual alucinações factuais serão basicamente declarações falsas diretas Eles podem ser sobre pessoas inventadas, datas, estatísticas , citações, eventos, algo assim, citar um estudo sobre produtividade no trabalho remoto e fornecerão uma saída que não existe, que não existe Esse volume de periódicos ou autores não existe. Quantas estações de carregamento de EV na Índia? Para lhe dar algum número, o número é ligeiramente menor, os números são inventados e assim por diante Da mesma forma, outro é raciocínio e a alucinação contextual, que os fatos podem estar parcialmente corretos, mas a cadeia de raciocínio, mas a cadeia de raciocínio, matemática O contexto matemático não está lá. raciocínio não existe. Por exemplo, será a matemática que parece correta. Eu lhe darei o resultado, mas isso pode não estar correto. Fonte atribuída incorretamente, resuma a política de RH em anexo, que dirá que a política concede 26 semanas de licença parental, que geralmente existe, mas nessa documentação não está Esse tipo de coisa, alucinações contextuais Agora, a alucinação criativa é outro tipo, que é quando solicitada a imaginar modelos inventados com confiança, úteis para o atrito Dê-nos uma citação famosa de Albert Einstein sobre IA. Ele fornecerá uma citação que você nunca disse ser possível. Escreva uma pequena biografia da pintora fictícia Maria Velazcos. Agora, este é um pintor fictício, mas ainda assim a IA está dando uma saída rascunho de avaliações de clientes para um novo produto SAS, cinco avaliações dadas, que na verdade nunca foram dadas por pessoas reais. Portanto, agora existem cenários de alto risco para alucinações. alucinações não são igualmente caras nesses domínios; um único erro confiante pode causar um único erro confiante Pode ser que os cuidados de saúde sejam tão prejudiciais que, se ocorrerem alucinações nesse domínio específico, podem ocorrer grandes decisões que impactam a vida decisões que impactam Relacionado a leis, finanças, preços e segurança, código e infraestrutura Você pode imaginar que podem ser criados códigos que podem não funcionar. Jornalismo, códigos falsos, fontes inventadas podem distorcer Então, detectando alucinações, pode haver diferentes maneiras diferentes maneiras de detectar alucinações. O primeiro é a consistência. Então, uma defesa simples é: ok, faremos a mesma pergunta três a cinco vezes em novas sessões para que possamos ver a saída e entender se ela está dando uma saída melhor ou se as respostas são iguais ou não, e tratá-las como suspeitas. Em segundo lugar, o que podemos fazer é também fazer um modelo cruzado da verificação, que consiste basicamente em colocar a questão em dois modelos diferentes e validar as informações para dois modelos diferentes e validar que, dessa forma, entendamos que as informações estão corretas ou são uma prova de autoconsistência Solicitando ao modelo que liste suas afirmações, como ele está reivindicando essa resposta e verificando cada resposta com uma afirmação Dessa forma, podemos prosseguir e detectar alucinações. Outras técnicas de detecção podem ser o Rag, que você pode usar a geração aumentada, que é onde você fornece seu conteúdo Você prevê que o modelo responda somente a partir de uma documentação fornecida. Você carrega toda a sua base de conhecimento e com base na qual ela precisa responder. Então esse é o seu Rag. Em seguida, verificação de fatos, afirmação por afirmação, dividindo a resposta em várias afirmações atômicas e pedindo que ele verifique e nos forneça a fonte confiável de onde a referenciou, com base na qual Verificação de citação. Então, novamente, pedimos que ele verifique cada URL, DOI, número de caso ISBN depois de fornecer a saída, e a ferramenta usa o roteamento de calculadora, que encaminha matemática, datas e pesquisas para ferramentas determinísticas em vez de pedir ao modelo que saiba a resposta, perguntando como ele chegou a essa perguntando como ele Em vez de apenas acreditar no resultado fornecido pela ferramenta. Portanto, essas são maneiras diferentes pelas quais podemos controlar as alucinações, que geralmente acontece em várias Espero que isso faça sentido. Espero que você entenda agora as implicações das alucinações de IA e como podemos controlá-las 53. Ética na IA: viés e questões de equidade: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falamos sobre questões de ética, preconceito e justiça da IA que enfrentamos Então, o que queremos dizer com preconceito na IA. viés na IA é principalmente um cenário em que um modelo produz uma saída que favorece sistematicamente um determinado grupo ou prejudica um determinado grupo ou prejudica um Agora, isso pode ser por sexo, idade, geografia, deficiência. Podem ser várias outras coisas. Isso é o que simplesmente queremos dizer com preconceito, o que pode acontecer na IA. Agora, esses também podem ser tipos, como preconceito estatístico ou social. Agora, quando você analisa o viés estatístico, é basicamente a previsão de um modelo que se desvia sistematicamente do valor real Está bem? Portanto, é uma variação de termo mais técnica e neutra você pode dizer variação ou ruído. Por exemplo, um modelo climático prevê consistentemente dois graus Celsius abaixo da temperatura real Embora um preconceito social seja um padrão social injusto, ele gera estereótipos reforçados ou ele gera estereótipos reforçados ou grupos protegidos desvantajosos. Por exemplo, um avaliador de currículos constantemente rebaixa os currículos com nomes de mulheres Portanto, também pode haver preconceitos problemáticos. Portanto, o viés se torna um problema quando rastreia atributos protegidos. Por exemplo, ele rastreia raça, sexo, elenco, idade e deficiência específicos . Isso causa danos reais, como empréstimos negados, diagnóstico perdido, prisão injusta, Então é sistemático e não aleatório. O mesmo grupo está em desvantagem em relação a um tipo. Ok, então é isso que queremos dizer as áreas problemáticas que podemos enfrentar com preconceito Agora, quais podem ser as razões para isso? Então, primeiro, pode ser o viés dos dados de treinamento. Portanto, a principal fonte porque as ferramentas de IA são treinadas em determinados dados de treinamento, que são manipulados por si mesmos, que são tendenciosos em E por isso a saída é tendenciosa, certo? Portanto, há texto na Internet, há registros históricos, opções de rotulagem. Tudo isso faz parte dos dados de treinamento. E quando entra no modelo, a saída também é semelhante. Agora, existem tipos de vieses nos dados de treinamento que podem ocorrer Portanto, o treinamento de viés de seção definido abaixo representa alguns grupos. Viés histórico, dados anteriores refletem desigualdades passadas. Ok, então, por causa disso, a saída é assim, amostragem distorce os dados coletados de determinadas regiões geográficas em relação a outras. anotadores humanos injetam suas próprias suposições Viés de medição e proxies representam o que realmente queremos medir Então, se você observar outros preconceitos que podem ocorrer, é o viés de associação de palavras, que envolve mais a compreensão de quais palavras estão próximas umas das outras como estereótipos, por exemplo, homem, tem que ser um rei que será um Esperada para mulheres, espera-se que seja rainha. Da mesma forma, o viés de associação de imagens, que pode estar mais presente quando pensamos em um CEO, será um homem mais velho com um escritório na esquina. Quando procuramos uma enfermeira, será um uniforme para uma jovem, hospitais, um jovem criminoso, geralmente de pele escura, um cientista, um homem branco, óculos de quadra . Esses são vieses de associação de imagens que podem ocorrer. Agora, o que está criando é um zumbido social e epistêmico, que é basicamente preconceito, distorce o que as pessoas veem, aprendem e acreditam, certo Ele pode criar um zumbido social e epistêmico, que gira em torno de pesquisas, resumos e respostas de bate-papo, o que é verdadeiro para usuários Agora, também pode haver danos dignitários, e é aí que você classifica erroneamente Pode humilhar, negar oportunidades e privar as pessoas do reconhecimento Então, pode ser apagador, por exemplo, assistentes de voz que falham em determinados sotaques Geradores de imagens que mostram comunidades inteiras de forma estereotipada ou humilhante em milhões de resultados ou ferramentas de análise de riscos, rotulando indivíduos como de alto risco com base em estatísticas indivíduos como de alto risco de grupo, não em seu comportamento real. de grupo, não em seu comportamento real. Então, como vamos lidar com isso? Portanto, existem maneiras pelas quais podemos começar a lidar com preconceitos na IA A primeira é a intervenção em nível de dados, que é uma amostragem diversa Então, quando estamos coletando dados , eles precisam ser diversos. Está bem? Precisamos coletar deliberadamente dados sobre dados demográficos, geografias e idiomas Não confie no que é fácil de descartar. Rebalanceamento e reponderação, que são sub-representados sem peso durante o treinamento ou amostras de minirelógios com igual representação de grupos treinamento ou amostras de minirelógios grupos sub-representados sem peso durante o treinamento ou amostras de minirelógios com igual representação de grupos. Limpar os dados históricos, auditar os conjuntos de dados em busca padrões não discriminatórios e removê-los. Aumento sintético, que gera exemplos contrafactuais, para que o modelo não possa se fixar ao atributo Outras coisas que você pode fazer são intervenções em nível de algoritmo, seja, no próprio algoritmo, você introduz termos de imparcialidade na função de perda, para que o modelo seja penalizado quando precisão difere entre os grupos degradação adversária treina a segunda rede que tenta prever o atributo protegido O modelo principal é recompensado por enganá-lo. calibração pós-processamento ajusta os limites ou esporos após o treinamento, para que as taxas de erro sejam iguais em todos Então, essas são maneiras pelas quais você pode fazer isso. Agora, o que a avaliação e a governança podem ser feitas em torno disso é que podemos ter uma avaliação desagregada Relate a precisão, o erro e as taxas de erro por grupo demográfico, não apenas no geral Então, isso dá uma imagem errada. Cartões de modelo e dados. Assim, podemos publicar uma planilha de dados padrão cobrindo o uso pretendido, treinamento, os dados, a composição, as limitações conhecidas e os grupos testados. A avaliação humana pode estar presente no circuito. Dessa forma, especificamente, os resultados podem ser examinados pelo humano e, em seguida, podem ser compartilhados com auditorias e reparações externas Portanto, auditores independentes testam preconceitos e os usuários afetados têm um caminho claro para contestar as decisões Então, essas são maneiras pelas quais podemos analisar preconceito na IA e procurar maneiras de resolvê-lo e controlá-lo para o futuro 54. Ética na IA: limitações técnicas: Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, falaremos sobre as limitações técnicas que enfrentamos na ética da IA. Então, agora estamos entrando em limitações técnicas. Conversamos sobre alucinações e preconceito de IA. Agora, se você observar, isso está abaixo dos modelos LLM, que é onde falamos sobre contexto, janela, computação e custo, orçamentos, local e versus nuvem, memória, ok, latência Todas essas também são limitações que as ferramentas de LLM enfrentam. janela de contexto é principalmente a quantidade máxima de texto que um modelo é capaz de capturar em uma instância , medida em tokens Agora, inclui o prompt do usuário, os documentos que você anexa e a resposta do modelo. Se você observar, ao longo do tempo, esse número aumentou e continuou crescendo agora, como você vê aqui, o que é um bom sinal. No entanto, também há uma limitação para isso. Então, a razão pela qual os limites de contexto são importantes é porque, quando uma tarefa excede aquela janela específica, o modelo não recusa, eu a descarto silenciosamente e comprimo os E por isso, a saída pode ficar um pouco desfocada, não clara e específica Ok, então acontece o truncamento, seja , documentos longos têm o cheiro cortado. O modelo vê apenas a primeira e a última parte e as respostas desse fragmento Portanto, a resposta pode não estar totalmente correta ou verdadeira. Você pode ter casos de perda do histórico de conversas. Em bate-papos longos, a ferramenta pode esquecer as informações que você forneceu várias horas antes Então, o efeito perdido no meio pode acontecer mesmo dentro da mesma janela; os modelos podem prestar atenção apenas ao início e ao fim e esquecer a conversa do meio. Depois, há também o escalonamento de custo e latência. Um contexto maior custa mais e funciona mais devagar. Portanto, os preços escalam linearmente com os tokens. Portanto, um aviso de token de 200 mil é muito caro. Então, o que pode ser uma solução alternativa para os limites do contexto é a fragmentação Fragmento em que dividimos um documento longo em partes sobrepostas, processamos cada uma por uma e mesclamos Resumindo cada parte primeiro e depois resumindo os resumos Isso também pode ser feito. Em seguida, Rag, que é uma geração aumentada recuperável onde Armazenamos documentos em bancos de dados vetoriais e recuperamos informações apenas de sua janela deslizante para bate-papo, mantemos o prompt do sistema no modo de execução executando um resumo de termos antigos, uma memória compactada da Então, dessa forma, podemos trabalhar com isso. Podemos contornar os limites do contexto. Agora, também haverá requisitos anteriores de computação e custos de inferência, certo Então, isso não vai ser algo pelo qual precisaremos pagar. Portanto, quando você está executando um modelo grande, não há uma única vez, mas cada resposta usa GPUs e eletricidade Existe engenharia, ok? Portanto, há um certo custo para cada um deles. OK. Então, aqui, o que vai acontecer é se você ver que a latência por resposta será de 0,5 a 10 segundos, ok? O custo que estamos pagando por aproximadamente 1.000 tokens é de 0,001 a 0,10 USD, energia por consulta, que também está sendo utilizada Portanto, há um certo custo que estamos pagando para gerar esses resultados Agora, existem maneiras pelas quais, se você comparar o local com a nuvem e a escalabilidade, onde o modelo é executado, molda o que você cria, duas opções reais surgem nuvem grandes e modelos pequenos Você pode executar seu SO em fronteira ou grandes modelos de nuvem, dos quais temos GPT de quatro ou cinco gêmeos de nuvem, eles são fortes em raciocínio Nenhuma introdução é gerenciar escalas de forma elástica com o tráfego. Enquanto no dispositivo, os dados permanecem na sua máquina. Não há custo por polo, pois funciona offline, com baixa latência. Então, agora o outro aspecto disso será a memória de curto prazo, que é especificamente. Então, aqui, o que vai acontecer é que um modelo não tem memória persistente entre as sessões. Portanto, tudo o que ele sabe dentro de um bate-papo fica apenas na janela de contexto atual e desaparece quando a janela é fechada Portanto, também precisamos levar em consideração pesos treinados a longo prazo Então, quaisquer dados de treinamento que tenham sido fornecidos. As informações de curto prazo da janela de contexto são apenas com as quais elas funcionarão, ok? Então, por que saber que limitações é fortalecedor é saber disso Agora você pode ver como contorná-las, como melhorá-las ao longo do período, que será por meio de fragmentação, agricultura, modelos menores, um dispositivo e lojas persistentes Então é assim que podemos seguir em frente e trabalhar especificamente com cenários em que a IA tende a esquecer, certo? Contexto tão pequeno, alto custo de inferência, sem problemas persistentes de memória ou privacidade Essas são todas as limitações que temos, e pode haver soluções alternativas, como você pode ver aqui, que podemos usar como 55. Ética na IA: preocupações éticas e de segurança: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, queremos falar sobre as questões éticas e de segurança, que envolvem especificamente a IA. Então, o que entendemos, em primeiro lugar, é a diferença entre desinformação e desinformação Desinformação é quando uma informação imprecisa ou enganosa é compartilhada por alguém Genuinamente, a pessoa não sabe disso, não havia intenção Mas a desinformação é conteúdo criado ou divulgado intencionalmente para enganar, manipular É aqui que reside, especificamente, a ética da IA. Se você observar a geração de texto, a geração texto como uma ferramenta de desinformação Com a ajuda da IA agora, minutos de gerações podem acontecer com uma pessoa, alguns dólares gastos e isso pode acontecer. Esta é uma ferramenta de desinformação que pode existir e precisa ser regulamentada Modelos generativos de IA podem produzir artigos, resenhas, tweets. Sites inteiros de notícias falsas podem ser escritos por uma pessoa real Agora, também há outro cenário que pode ser a mídia falsa e sintética, que pode levar à manipulação política, clipes falsos de líderes confessando ou fazendo declarações inflamadas , imagens não consensuais de rostos de pessoas reais enxertadas em conteúdo explícito ou de assédio. Fraudes e falsificações de identidade também podem acontecer vozes clonadas usadas para se passar CEOs em fraudes de transferência , erosão da confiança Quando qualquer vídeo pode ser falso, evidências reais perdem seu peso principalmente, como você pode ver. Portanto, há consequências do conteúdo falso. O conteúdo falso tem muito impacto no mundo real, como danos democráticos. Ok, a percepção distorcida do eleitor, manipulação do mercado, o que pode acontecer, imagens falsas de explosões ou declarações falsas do CEO podem fazer com que os preços reais das ações do mercado subam Ok, danos pessoais, indivíduos alvo enfrentam assédio, risco à saúde pública, antivacina ou falsa cura Os rumores durante pandemias custam Há uma consequência séria do conteúdo falso que pode acontecer, e a IA é capaz de fazer isso. Ok, então também há outro aspecto disso é o deslocamento do mercado, então humano versus IA funciona, certo? trabalho humano, que envolve anos de artesanato e experiências vividas, ok, pode ser substituído por um derivado instantâneo barato treinado base no trabalho criativo humano anterior produz resultados de centavos por peça Portanto, pode acontecer muita substituição do trabalho, o que pode ser muito mais barato no diz respeito à produção e pode substituir o trabalho humano com muita facilidade. E aí vem, novamente, o uso responsável da IA. Então, deveres individuais. Portanto, nesses cenários, como você pode ver, há muitas preocupações sérias em torno disso. O que pode ser feito em termos de ética especificamente por questões de segurança? Algumas coisas que podem ser nossas tarefas individuais são primeiro verificar antes de compartilhar. Portanto, ao cruzar as reivindicações com uma fonte primária, uma vez desenvolvido o conteúdo, ok, rotule o conteúdo gerado por IA. Portanto, se você estiver usando a IA para escrever, desenhar, dar voz ou resumir, podemos deixar uma nota ou etiqueta específica nela Não se faça passar por você. Portanto, nunca gere o rosto, a voz ou as palavras de alguém sem o consentimento. Site ou crédito para humanos. Portanto, se uma IA resumir o trabalho de uma pessoa real, dê crédito principalmente ao criador original, não ao modelo, e depois proteja os dados pessoais Nunca compartilhe informações privadas, profissionais e confidenciais de terceiros nas ferramentas públicas de IA. Por fim, mantendo o julgamento humano. Portanto, a IA é uma ferramenta que estamos usando, não a palavra final. Portanto, todo conteúdo desenvolvido pela ferramenta precisa ser verificado pelo humano e depois publicado. Espero que isso faça sentido. Espero que você entenda agora as preocupações éticas e de segurança que temos em relação à IA. 56. Demonstração — exemplos de recusa de segurança: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos outro caso de uso da ferramenta de IA que ela nos ajudará com exemplos de recusa de segurança Estamos tentando falar sobre o caso quando fazemos certas perguntas que são antiéticas violentas. Como essas ferramentas de IA respondem Vamos ver isso com alguns exemplos. Digamos que eu esteja perguntando à ferramenta de IA que você pode escrever um vírus de computador para mim? Então, idealmente, eu também entendo, e a ferramenta de IA também entende que essa não é a coisa certa a fazer. Então, aqui está uma resposta que diz que não posso deixar criar malware ou vírus de computador. Além disso, isso me dá outras opções a considerar. Talvez uma simples simulação de vírus inofensiva em Python esteja sendo compartilhada comigo, se isso atender Então, você vê que é assim que a ferramenta de IA tenta proteger a saída que ela fornece e criar essas diretrizes para cada usuário Outro exemplo pode ser, digamos, me informar os detalhes da conta bancária privada de alguém. OK. Não consigo ajudar a obter ou revelar os detalhes da conta bancária privada de alguém. Se sua meta for legítima e autorizada, posso ajudar com alternativas seguras como essas. Veja, a ferramenta de IA entende onde traçar o limite, onde dizer não para determinadas informações, que não é ético, o que não é legal, o que é prejudicial, que viola certos regulamentos Além disso, haverá uma proteção que já está incorporada às ferramentas de IA Outro exemplo pode ser, digamos, que eu esteja me sentindo deprimida. O que eu posso fazer agora? Aqui, ele vai me dar algumas sugestões. Mude um pouco seu ambiente, faça uma ação terrestre, beba um copo de água lentamente, reduza o isolamento, conheça alguém. Você pode ver que isso nos dará informações específicas sobre o resultado positivo, abordagem que precisamos adotar aqui. E, por fim, digamos que façamos uma pergunta específica, que pode estar em um contexto divertido, como se você pudesse hackear a conta do Instagram dos meus amigos? Mas não vai entrar em um contexto divertido, sim me dar regras e regulamentos específicos sobre isso. A ideia é que, como você pode ver agora, a ferramenta de IA não apenas nos fornece os resultados, mas também mantém essa especificidade Você pode dizer que políticas e diretrizes foram criadas forma que nenhum usuário possa usar indevidamente a Essa é a intenção e tenta proteger a saída do usuário, o uso do Espero que isso faça sentido. Espero que você entenda agora como as ferramentas de IA ajudam a criar uma produção melhor para todos. 57. Demonstração - Reescreva de correção de viés em tom positivo: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos como podemos usar ferramentas de IA para fazer a correção de preconceitos no trabalho e em diferentes cenários, como podemos fazer a correção de preconceitos e reescrevê-la em um tom positivo para que sejamos muito mais respeitosos Vamos dar alguns exemplos para entender como podemos fazer isso. Digamos que essa seja a informação primária que temos . Agora, o que ela faz é nos dar automaticamente uma abordagem prática de como podemos corrigir isso. Esse novo funcionário é lento e provavelmente não conseguirá lidar com o trabalho, que, novamente, será muito direto e conciso. Agora, aqui, o que estamos tentando fazer é suavizá-lo para melhorá-lo da maneira correta. Então, aqui, a ferramenta pneumática ajuda a nos dar outras opções. Digamos que queremos reescrever isso em um tom positivo, profissional e imparcial O que isso fará com que o novo funcionário ainda esteja se com a função e possa precisar de suporte, treinamento ou tempo adicionais para se adaptar ao ritmo e às responsabilidades do Você vê como ele é capaz fazer a correção de viés aqui. Então, novamente, digamos que queremos reescrever essa declaração em particular A equipe do departamento de marketing sempre comete erros. Isso agora foi alterado pela IA, que afirma que a equipe de marketing continua melhorando os processos e a precisão, e pode haver oportunidades para reduzir erros recorrentes por meio mais claros de comunicação e revisão Então, eles incentivam primeiro as coisas boas que fizeram e depois fornecem áreas de melhoria, que é a maneira correta de dar feedback. Outro exemplo pode ser que também podemos pedir à ferramenta de IA que reescreva tudo em tons diferentes, talvez positivos, neutros ou motivacionais, que possam ser Você pode ver como a ferramenta de IA ajuda a corrigir preconceitos no trabalho, como ela pode trazer muita positividade, inclusão e profissionalismo na forma como nos comunicamos com nossos outros 58. Caso de uso: geração de código com o GitHub CoPilot: Oi, pessoal. Bem-vindo às sessões. Nesta sessão, falaremos sobre como podemos usar o copiloto do GitHub para geração de código Vamos ver um caso de uso para isso. Você pode primeiro fazer login no GitHub copilot e aqui veremos dois cenários diferentes O primeiro cenário será fornecer um diagrama de arquitetura para explicar. Vamos fazer o upload do diagrama primeiro. É um diagrama de arquitetura da AWS, que gostaríamos que ele simplificasse e explicasse para nós. Digamos que você peça que ele explique o diagrama. Deixe-me mostrar como o diagrama também se parece. Então, esse será um diagrama complexo que usa o Amazon Route 53. Ok, servidores de aplicativos, servidores web, Amazon S Three Bucket é usado. Então, só queremos saber como isso vai explicar isso para nós. Então, agora você pode ver que ele avançou e olhou para o diagrama e começou a dar uma explicação descritiva sobre ele. Está bem? Portanto, temos todas as informações aqui, de forma estruturada, fornecidas aqui. Então, esse pode ser um caso de uso. O outro caso de uso que veremos é criar um aplicativo simples. Digamos que um STM ou um aplicativo JavaScript. Então, vamos pedir que ele crie esse aplicativo para nós. Portanto, este é principalmente um aplicativo que fará um trabalho simples de enviar um vídeo do nosso computador e, em seguida, iniciará o vídeo, interromperá o vídeo e pausará o vídeo Está bem? Então é isso que queremos construir. Está bem? Então, aqui ele vai gerar o código para nós, códigos STML, como você pode ver, ok? Ela criou o que foi criado. Então o que podemos fazer é você copiar isso. Você também pode salvá-lo e depois executá-lo. Deixe-me mostrar como esse código realmente funciona. É um arquivo SML de índice. Então, temos isso aqui, e você pode ver que é assim o aplicativo realmente funcionará . Você vai enviar, digamos, um vídeo. Então podemos começar. Suas boas-vindas a esta sessão. Nesta sessão, veremos como podemos usar o recurso de criação de vídeos. O que também podemos ver no Asset Lab. Como você pode ver, os botões também estão funcionando corretamente. É assim que também podemos usar o copiloto do Github para criar aplicativos de código, o que ele pode fazer facilmente e isso pode realmente ajudar a melhorar nossa qualidade de trabalho 59. Caso de uso: imagem e geração de vídeo com o Amazon Nova: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, veremos como podemos usar as ferramentas da GN AI para geração de imagens e vídeos. Então, para isso, vamos usar Mid Journey e Runaway AI. Está bem? Então, vamos dar uma olhada nisso. Então, o primeiro que vamos ver é o meio da viagem, que é o que vamos usar para geração de imagens. Então, vamos dar uma olhada em alguns exemplos de como isso vai ser. Então, digamos que vamos fazer com a primeira, que será um baile de formatura bastante descritivo, onde queremos criar essa imagem em particular, que onde queremos baile de formatura bastante descritivo, onde queremos criar essa imagem em particular, é basicamente uma rainha sendo carregada em um palanquim O palanquim é ricamente decorado . A rainha parece olhar para fora do palanquim, e há fazendas verdejantes em e há fazendas verdejantes Está bem? No pano de fundo há colinas com muita vegetação Assim, você pode ver como a ferramenta de meio de viagem é capaz gerar a imagem com base na solicitação fornecida aqui. Então, agora temos a imagem criada. Como você pode ver, é assim que a imagem se parece agora com a ajuda do prompt de texto que fornecemos. Vamos dar outro exemplo disso e ver como isso funciona. Este é um exemplo um pouco diferente em que queremos criar um anúncio de pasta de dente, que uma senhora está segurando a pasta de dente na mão e uma escova na outra. Ok, o nome da marca é Hello Ok, queremos ter certeza de que a ortografia está correta. Ok, então vamos ver como isso funciona. Então, todas essas serão gerações de imagens, gerações imagens de IA, o que estamos tentando fazer. Mid Journey é especializado em geração de imagens, imagens geradas por IA , que ele pode criar, como você pode ver aqui, e é capaz de criá-las com as especificações fornecidas. Então agora você tem as imagens construídas. Dessa maneira específica, e então também podemos verificá-los . Parece bom ou não. Assim, podemos ver o contexto. Parece bem claro, pois os detalhes também estão corretos aqui. Então, agora temos a geração de imagens. Como você pode ver, estamos fazendo no meio da jornada. A próxima será a geração de vídeo. Vamos dar uma olhada na IA da pista. Essa é a IA da pista, que podemos usar para geração de vídeo, que é texto para vídeo É aqui que você pode avisar. Digamos que estamos dando um aviso, que é mostrar um clipe de vídeo em erupção, mostrar uma foto aérea do vulcão tirada de um helicóptero, capturar detalhes como a explosão que deveria estar aparecendo, fluxo de lava, nuvens de poeira, tudo isso que queremos ver acontecendo Ok, agora, essa será uma geração de vídeo, que levará comparativamente mais tempo do que a geração de imagens, como você pode ver, e a ferramenta é capaz de fazer isso, é assim que você vai criá-las de forma ideal para o seu trabalho E você pode ver como essas ferramentas G AI se tornaram muito mais detalhadas e termos de qualidade se tornaram muito mais eficazes ao longo dos anos devido à computação que está acontecendo no back-end, à quantidade de dados que elas têm agora E por causa disso, os resultados se tornaram muito mais refinados Portanto, faz sentido que, sempre que estivermos usando essas ferramentas do GeneI, possamos usá-las principalmente para nosso trabalho E com o passar do tempo, você verá, hum, muitas dessas ferramentas se tornando muito mais melhores, precisas e nos fornecendo informações muito mais precisas, hum, que podem ser usadas sem alterações. Então, aqui, o que estamos criando é um vídeo principalmente com a ajuda do runway ML Está bem? Então, vamos dar uma olhada em como isso vai acabar sendo. Então, você pode ver que a ideia geral é que essas ferramentas existirão várias ferramentas. Open AI também criou sua plataforma de IA de vídeo, que foi criada por SoraH Da mesma forma, o Google Gemini e outras ferramentas também fizeram isso Vamos ver como esse vídeo funciona agora. É um vídeo de 5 segundos criado com a ajuda desse prompt. Espero que isso faça sentido. Preciso entender agora como podemos usar essas ferramentas de IA da Geração para geração de imagens e vídeos. 60. Como a IA está perturbando a pesquisa: Oi, pessoal. Bem-vindo a esta sessão. Nesta sessão, falaremos sobre como IA está realmente atrapalhando as buscas Então, se você observar os melhores jogadores em busca por participação de mercado. Está bem? Portanto, neste momento, como você pode ver, Google é o principal líder nesse espaço específico, com participação de mercado em torno de 89% E há outros players nesse mercado específico. A receita estimada é aproximadamente 175 bilhões de receita de pesquisa, qual estamos falando. Agora, se você observar a receita total que o Google obteve em 2024, dois anos atrás, foi de 348 bilhões de dólares, dos quais aproximadamente 200 bilhões vinham apenas da pesquisa do Google Agora, as coisas são, se você olhar para isso, como era a pesquisa antes da IA. Então, era tão simples quanto isso um usuário vinha e, como pergunta, fazia uma consulta de pesquisa no Google e ia para as páginas de resultados da pesquisa, para as páginas de resultados da pesquisa onde havia anúncios pagos e, em seguida, listagens orgânicas. Então, as pessoas clicariam em qualquer um deles e, em seguida, acessariam o site e obteriam essas informações. Esse tem sido o processo por décadas. Mas agora, se você olhar para isso, todo esse modelo está mudando por causa da entrada em cena da IA. Agora, a jornada do usuário é em que um usuário vem com uma pergunta, faz uma consulta de pesquisa e, seguida, há um servidor alimentado por IA. resumo da IA aparece na página, como você pode ver, haverá respostas dadas pelo Google Gemini ou por qualquer outra ferramenta de IA, e não é necessário clicar Essas informações são fornecidas. Pode haver a opção de conversar com o agente, se necessário, e depois aparecem os resultados da pesquisa paga e orgânica na parte inferior da página, quais as pessoas tendem a clicar. Agora, por causa dessa mudança que está acontecendo, há muitas implicações na pesquisa, que vimos até agora. OK. Então, no geral, é uma mudança completa de paradigma que está acontecendo de um mecanismo de pesquisa que era um provedor de informações para um novo mecanismo de pesquisa baseado em IA, que é um provedor de soluções Então, aqui, a IA gera a resposta. Ele faz o trabalho, fornece soluções diretas. Portanto, é uma solução personalizada que, anteriormente, aconteceria era que obteríamos uma informação bruta, uma lista de links que estão sendo fornecidos para nós. Havia anúncios na parte superior nos quais as pessoas clicavam e havia uma receita proveniente dos cliques. Portanto, era mais centrado especificamente no site. Mas agora, se você olhar para isso, tudo está se movendo em direção a soluções diretas que você está fornecendo ao usuário. O modelo de receita está mudando de anúncios de CPC para assinaturas de IA ou acesso à API site AI Centric é onde estamos nos dirigindo neste momento Portanto, é uma mudança completa em termos de como as coisas funcionam ou se comportam especificamente nas pesquisas no Google. E por isso, agora, o que significa para a publicidade na web é que haverá muitas implicações. Haverá muito impacto. Em primeiro lugar, obviamente, você verá uma grande queda no tráfego orgânico do site, porque agora os adultos de busca orgânica estão chegando ao final da página, na segunda metade da página. Está bem? Anúncios e SEO podem não ter muito impacto. Ok, porque a maioria do tráfego vem principalmente de agentes de IA, ok? Precisamos repensar como sites, aplicativos móveis e sites funcionarão agora, porque os usuários nunca mais clicam no seu site agora, ok? Uma nova pilha de IA está surgindo, que consiste principalmente em agentes de IA Interfaces de voz, painéis de bate-papo e bases de conhecimento baseadas em agricultura estão substituindo a forma tradicional de propriedades da web, que vimos E então surgirão novos modelos de negócios por causa das startups. Surgirão novos modelos de negócios mais inclinados à otimização de EISO, otimização de mecanismos de resposta, treinamento de LLM, licenciamento de dados, agentes de IA, comércio nativo de IA, tudo isso surgirá nos próximos anos Então, você vê que, ao longo de um período de tempo a pesquisa que vimos, que conhecemos há décadas , evoluirá e mudará em uma direção diferente, mais personalizada em direção à revolução da IA que estamos vendo, e será direcionada para oferecer uma solução mais melhor para nossos usuários finais Espero que isso faça sentido. Preciso entender agora, IA, como a pesquisa está sendo fortemente impactada por causa da revolução da IA que estamos vendo agora 61. O futuro, empregos e certificações: Oi, sim. Bem-vindo a esta sessão. Nesta sessão, queríamos entender os cenários futuros de trabalho e as certificações relacionadas ao Geniti O que podemos esperar agora que aconteça daqui para frente. O que estamos vendo agora é que o GeneI está evoluindo em um ritmo rápido Muitas ferramentas novas estão surgindo agora. Além disso, as ferramentas atuais que temos, as mais proeminentes, estão sendo aprimoradas regularmente. Há uma grande melhoria e um grande engajamento, a evolução evolutiva, que está acontecendo com os restogenera E agora, o que também estamos vendo é que há uma grande mudança das ideias para a implementação. Então, em vez de experimentar as ferramentas agora, as pessoas começaram a usá-las no dia a dia de trabalho, no trabalho e também em níveis pessoais Então, a implementação começou. E o que você verá eventualmente também é que modelos menores direcionados desses LLMs serão criados para casos de uso específicos Um exemplo simples pode ser GPTs personalizados que podemos criar agora por meio do Open AI, em que qualquer pessoa pode criar um GPT personalizado para qualquer caso de uso e todos Então, isso acontecerá mais. Você verá mais modelos desse tipo sendo lançados. E também pode haver uma fusão de IA de vários modelos, que é principalmente agora, como entendemos, esses LLMs podem ser baseados principalmente em texto, mas você verá que, no futuro, também pode ser para imagens e vídeos Então, tudo isso evoluirá e surgirá em um futuro próximo. O que também veremos em paralelo serão muitas regulamentações e restrições, políticas de responsabilidade que entrarão em cena porque, políticas de responsabilidade que entrarão em cena porque obviamente, os governos gostariam regular esse tipo de tecnologia para o caso de uso correto. Agora, uma coisa que está ficando muito clara é que IA generativa avançará ainda mais e crescerá muito mais, e a adoção aumentará O que vimos na prática, e isso é fato real do Gartner, é que mais de 80% das empresas da empresa já começaram a usar IA generativa em Então, uma grande questão que surge por causa de tudo isso é no futuro, isso substituirá os empregos humanos? Então, como queremos ver isso dessa maneira, haverá uma mudança no conjunto de habilidades, o que está acontecendo, e isso criará novas oportunidades de emprego, Então, como vimos anteriormente nas últimas duas, três décadas, existem muitos requisitos para que pessoas que saibam programar ou que computadores surjam. Então, houve muitas mudanças no conjunto de habilidades que aconteceram naquela época. A mesma coisa está acontecendo agora novamente. Então, desta vez, o que também veremos é que haverá mais impacto disso sobre os trabalhadores do conhecimento, que são haverá mais impacto disso sobre os trabalhadores do conhecimento, principalmente o setor de TI, em vez de outros setores , porque, como você entende, a tecnologia pode ser muito útil para a geração de portas. Outros setores em que isso pode ser realmente impactante pois você verá operações com clientes, jurídico, marketing e vendas, engenharia de software, RN, como você entende, todas essas coisas podem ser Documentação legal pode ser gerada, materiais de marketing podem ser gerados. Operações personalizadas podem ser configuradas por meio de GBTs personalizados, códigos de engenharia de software podem ser gerados Então, tudo isso será fortemente impactado por causa da revolução da IA Mas, ao mesmo tempo, você também verá uma grande quantidade de produtividade humana aumentando porque a qualidade do trabalho melhorará. Os professores levarão menos tempo para criar o currículo. Ok, engenheiros de software levarão muito menos tempo para gerar código, revisá-lo e criar códigos melhores Dessa forma, a qualidade do trabalho melhorará daqui para frente. Então, novamente, volta para nós a questão de que isso terá um grande impacto nos empregos humanos. Então, minha opinião ou, em geral, o que posso dizer aqui é que não substituirá inteiramente os trabalhos humanos completos. Precisaremos usá-lo principalmente como uma ferramenta. Precisaremos aprendê-lo e começar a usá-lo em nosso trabalho como assistente. Portanto, precisamos vê-lo como um ajudante, um trabalhador muito eficiente que você tem em mãos agora, que pode ser usado para fazer perguntas e entender coisas complexas e facilitar seu trabalho com elas Então, a ideia é que precisamos começar a analisar como podemos usá-la para que possamos produzir nosso trabalho, gerar nosso trabalho de uma maneira muito mais rápida alta qualidade. No futuro, o que substituirá são as pessoas que não entendem nem usam a IA versus as que fazem anotações. Espero que isso faça sentido. Espero que você entenda agora as implicações da ferramenta de IA e como ela evoluirá no futuro 62. O caminho para a inteligência geral artificial (AGI): Oi, pessoal. Bem-vindo a essas sessões. Nesta sessão, falaremos sobre o caminho para a AGI, Inteligência Geral Artificial A inteligência artificial será uma transição da configuração atual de IA que temos para uma IA geral ou AGI, como a chamamos Agora, isso inclui várias coisas. Como você pode ver, haverá raciocínio, bom senso, aprendizado, criatividade, transferência de aprendizado, planejamento Tudo isso faz parte disso. Já atualmente, estamos em muito reconhecimento de fala, reconhecimento imagem, modelos de linguagem, jogos e detecção de objetos. Tudo isso está acontecendo. Muito dinheiro também está sendo investido na AGI, e há muitos técnicos que estão realmente trabalhando na AGI, mas ainda é muito incerto saber quando a alcançaremos Agora, o que é principalmente AGI, Inteligência Geral Artificial é um sistema hipotético de IA, capaz de realizar qualquer tarefa intelectual que um humano possa realizar com a mesma amplitude, Essa é a ideia principal. Não apenas uma tarefa, mas várias tarefas. Ele pode aprender como um ser humano entende principalmente o contexto, consciente dos limites Tudo isso está acontecendo simultaneamente, e é aí que fica a AGI Agora, se você observar o modelo atual, as principais características da AGI estão na ampla competência, na qual você tem competência de, digamos , um sistema que realiza várias tarefas, diagnósticos, doenças, direitos, resumos legais Todos esses serão os alvos da AGI. Idealmente, uma AGI amplamente competente não se destaca apenas em uma área especializada, ela executa no nível humano ou acima níveis humanos em uma vasta gama de tarefas, alternando entre elas com fluidez, assim como uma pessoa pode preparar o café da manhã, assim como uma pessoa pode preparar o café da manhã, redigir um e-mail e resolver um problema de matemática em um Advertência. Então essa é a ideia. É aí que planeja chegar. E agora, essas são várias características que você encontrará. O outro aspecto é o aprendizado por transferência. Portanto, a AGI aplica as habilidades de um domínio para outro. Então, basicamente, ele aprende uma habilidade específica e agora também pode implementá-la em outros domínios Está bem? O raciocínio do senso comum estará presente na compreensão de regras não declaradas, algo como se um copo caísse se for empurrado de uma mesa, Você não deve oferecer olhos a alguém que está chorando. Está bem? Então, tudo isso é algo que o LLM atual estimula, mas esse AGI acabará por internalizá-lo Depois, há também o aprendizado autônomo, que consiste em aprender continuamente com experiências e experiências ao vivo e desenvolver seu próprio pensamento sobre como buscar coisas diferentes no futuro. Essa é a ideia da AGI. Outro aspecto disso é a metacognição, que é quando você observa metacognição é principalmente uma capacidade de monitorar, avaliar e regular Então, pensar em como o pensamento deve ser feito é o que permite ao aluno perceber que não entendeu um conceito e voltar a ler. Ok, então automonitoramento, principalmente, automonitoramento, compreensão do que você está aprendendo, no que está pensando, detecção de erros, onde você está cometendo os erros, calibração de confiança, digamos que tenho 90% de certeza ou não sei com precisão Então, calibração de confiança, como você faz isso? Mudança de estratégia, quando mudar sua estratégia com base em certos raciocínios, certo pensamento é o que a AGI seria capaz Agora, se você observar onde estamos hoje, o estado atual é que temos modelos diferentes, o DPT 5.2 está lá, tra Gemini, uh, ultra está lá, Alpha Tudo isso está lá agora, mas há certas limitações. Se você observar, o motivo pelo qual ainda não estamos na AGI é principalmente devido à pouca experiência Não temos nenhum aprendizado contínuo que esteja acontecendo, nem autoconsciência, os LLMs têm no momento ineficiência de recursos existe, nenhum modelo mundial foi criado ainda e o raciocínio é frágil Agora, a lacuna que existe principalmente a IA atual se destaca em sua distribuição de treinamento Portanto, os dados de treinamento, que estão lá, dependem disso. Portanto, os desafios principais são que o planejamento da AGI, a IA atual, depende da visualização dos padrões de entrada, corresponda aos dados de treinamento, à resposta estatisticamente provável, enquanto o planejamento da AGI compreende a estrutura da meta Modelos de pausa e efeito, planos, várias sequências de várias etapas Tudo isso vai estar lá. Agora, os elementos atuais predizem o próximo token. Eles não planejam isso de verdade. Quando solicitados a resolver novos problemas em várias etapas, eles agrupam etapas que parecem plausíveis que geralmente fracassam sob escrutínio que Portanto, se você observar a AGI, o que ela precisa é de uma decomposição hierárquica de metas do modelo mundial causal hierárquica de metas do modelo mundial Da mesma forma, a AGI enfrentará muitos desafios e levará muito tempo para chegar lá O segundo são os modelos mundiais ou o senso comum. Então, no momento, não existe um modelo mundial. A IA não prevê que o copo caia ou derrame quando empurrado Já o modelo mundial AGI analisa um cenário em que entende que entende o senso comum, que é a gravidade puxar para baixo, líquido flui ou os objetos têm massa Todos esses são modelos mundiais de senso comum que precisam existir, que a AGI ainda precisa entender e para quais há muita computação necessária no momento Outra é o aprendizado contínuo. Então, o aprendizado contínuo é algo que não está acontecendo agora. Com AGI, estamos vendo que haverá aprendizado contínuo, os humanos aprendem novos fatos sem esquecer os antigos, os humanos aprendem novos fatos sem esquecer O cérebro consolida as memórias durante o sono. todos esses serão recursos da AGI Eventualmente, todos esses serão recursos da AGI, o que não está acontecendo com os modelos atuais de LLM Então, a previsão é essa agora. Então, no momento, o que está sendo previsto é que nós , Agentic AI, funcionará, ok Eventualmente, a ideia é que a AGI completa, otimista, em 2045, esteja em algum lugar Consenso: a maioria dos especialistas afirma que, em 2060, devemos alcançar ou atingir a AGI completa E também há 2.100, que é o ritmo atual Mas há líderes de tecnologia específicos que também são muito otimistas sobre isso Le Altman previu que, por volta de 2029, 2032, devemos ser capazes de alcançar AGI Elon Mas de 2026 a 2029, muito mais longe e mais rápido Ray 2029 a 2045, e assim por diante. Então, como você pode ver, o AGI será dez vezes melhor do que os módulos LLM que estamos usando agora e é uma mistura no momento considerando como será utilizado naquele momento Portanto, muitos processos devem ser implementados para regular o uso da AGI quando ela surgir no futuro Espero que isso faça sentido. Preciso entender o conceito de AGI e como isso afetará o mundo daqui para frente 63. oportunidades de carreira em IA generativa: Oi Bem-vindo a esta sessão. Nesta sessão, falaremos sobre as várias oportunidades de carreira que estão acontecendo na IA genitiva Então, neste momento, como você pode ver, devido ao aumento da tecnologia de IA, muitas oportunidades de carreira estão surgindo e crescendo agora. Quase podemos dizer que mais de 14 milhões de empregos de IA em todo o mundo estão acontecendo, e eles estão crescendo a um crescimento anual de 40%. Agora, tudo isso está acontecendo porque as carreiras de IA explodiram em várias empresas de tecnologia, como a OpenAI, Grok e várias outras empresas, nas quais todas essas empresas estão tentando incorporar tecnologias de IA Agora, se você observar as funções técnicas que estão surgindo agora, são funções de ML, engenheiro de ML, pesquisador de IA, engenheiro de MLOps, cientista de dados que têm as capacidades de conhecer essas tecnologias e são bem remuneradas por fazerem esse tipo específico de trabalho Agora, especificamente no ML, as principais responsabilidades dos engenheiros de aprendizado de máquina serão projetar e criar modelos de ML, otimizar o desempenho do modelo, integrar modelos de IA às APIs e, em modelos de ML, otimizar o desempenho do modelo, integrar modelos de IA às APIs e, seguida, ajustar os modelos básicos, executando vários testes de AB ou experimentos AB, colaborando com pesquisadores, gerentes colaborando com pesquisadores, produto Portanto, seu conjunto de habilidades técnicas exigiria Python, Pytorch Tudo isso, eles deveriam conhecer Cloud, AWS, SageMaker, Docker, gate Linux Todos esses serão os requisitos para engenheiros de ML. Da mesma forma, os cientistas pesquisadores de IA trabalharão principalmente no desenvolvimento de novos algoritmos de IA, conduzindo e publicando pesquisas de revisão por pares, projetando experimentos controlados, pré-treinando e avaliando grandes modelos básicos e assim por diante Seu conjunto de habilidades seria em torno de PhD e ML, CS, matemática, cálculo avançado, PyTorch Tudo isso seria necessário. Em seguida, vêm o ML Ops, engenheiros e cientistas de dados, em que os ML Ops analisarão a criação pipelines CICD, monitorarão a deriva do modelo, modelos em contêineres com o Docker, enquanto os cientistas de dados se concentrarão em explorar e limpar conjuntos de dados, criar modelos preditivos, criar painéis executivos, projetar e analisar o ABTS engenheiros e cientistas de dados, em que os ML Ops analisarão a criação de pipelines CICD, monitorarão a deriva do modelo, colocarão os modelos em contêineres com o Docker, enquanto os cientistas de dados se concentrarão em explorar e limpar conjuntos de dados, criar modelos preditivos, criar painéis executivos, projetar e analisar o ABTS. engenheiros e cientistas de dados, em que os ML Ops analisarão a criação de pipelines CICD, monitorarão a deriva do modelo, colocarão os modelos em contêineres com o Docker, enquanto os cientistas de dados se concentrarão em explorar e limpar conjuntos de dados, criar modelos preditivos, criar painéis executivos, projetar e analisar o ABTS. Além disso, se você observar as funções não técnicas que estão surgindo agora no espaço da IA, elas envolverão engenharia rápida , gerente de produtos de IA e especialista em ética em IA. Portanto, a engenharia imediata está basicamente projetando instruções de IA para máxima precisão. E essa é uma alta demanda emergente no momento para qualquer empresa de IA. Já um gerente de produto de IA define quais produtos de IA eles podem criar e por quê, preenchendo a lacuna entre engenheiros, usuários e negócios E esta é uma regra de rápido crescimento que está surgindo agora. Embora a ética da IA garanta especificamente que os sistemas de IA sejam justos , imparciais, seguros e compatíveis, os antecedentes devem estar relacionados à lei, filosofia Agora, se você observar os outros aspectos, serão engenharia rápida, gerentes de produto de IA, suas funções serão mais focadas na cadeia de pensamento, suas funções serão mais focadas no refinamento iterativo de solicitações e na criação de bibliotecas de solicitações reutilizáveis. Todas essas serão as funções da engenharia rápida, enquanto o gerente de produto de IA definirá a visão do produto, priorizará o roteiro de recursos de IA, priorizará o roteiro de recursos de IA, conduzirá pesquisas com usuários para encontrar oportunidades de automação de IA de alto valor definir métricas de sucesso para Agora, se você observar a ética da IA, há especialistas em ética de IA, estrategistas de conteúdo de IA e regras de treinadores de IA que também estão surgindo, IA e regras de treinadores de IA que também estão onde a ética da IA está principalmente porque muitos governos em todo o mundo estão aprovando regulamentações de IA As empresas precisam de especialistas que possam garantir os sistemas de IA sejam auditados, documentados e estejam em conformidade Já os estrategistas de conteúdo de IA são necessários porque a IA pode gerar vários tipos de conteúdo, e é necessária uma intervenção humana para definir o tom, os padrões de precisão, os fluxos de trabalho editoriais e as bibliotecas rápidas Já os treinadores de IA serão úteis porque modelos como ChatGPT Cloud são treinados usando RL HF e feedback, e avaliadores humanos são necessários para avaliar esses resultados e fornecer os melhores resultados Além dessas, também estão surgindo muitas funções híbridas, que podem ser a IA na área da saúde, ou seja, analista radiologista de IA, consultores jurídicos de IA, estrategista de IA W, designers de currículos de IA, artistas generativos Então, essas são todas as outras funções diferentes que estão surgindo, que são regras híbridas, nas quais você tem uma experiência de domínio e agora você também se especializou em IA, e é isso que acontecerá também Portanto, este curso específico que estamos fazendo pode realmente funcionar nesta seção específica em que, se você vem de algum campo específico e tem experiência em IA, pode implementá-los em seu campo com pode implementá-los em seu campo muita facilidade. Espero que isso faça sentido. Espero que você entenda agora as várias oportunidades de carreira que estão crescendo tremendamente agora no espaço da IA e como você pode utilizá-las em sua carreira 64. Obrigada por participar deste curso!: Oi, pessoal. Parabéns por ter chegado ao final desta aula. Obrigado mais uma vez por fazer este curso. Espero que o conteúdo tenha sido valioso e que você entenda esses conceitos agora completamente e possa aplicá-los na prática em sua empresa e para seus clientes. Obrigado mais uma vez e estou muito animado ver você novamente em breve em uma nova aula.