O guia absoluto para iniciantes em inteligência artificial

1. Introdução ao curso de IA: Olá, e muito obrigado por se matricular no curso O objetivo deste vídeo introdutório é recebê-lo oficialmente, me apresentar e também dar uma ideia geral do que esperar de fazer este curso Então, primeiro de tudo, meu nome é Alexander. Sou instrutor de cibersegurança ou de cibersegurança on-line com mais de sete anos de experiência e também sou um grande entusiasta da IA. Então, o que você pode esperar desse curso? Bem, deixe-me dar um breve resumo do currículo. Em primeiro lugar, vamos nos aprofundar no que a IA realmente é, bem como nos fundamentos da IA Vamos abordar um pouco a história da IA. Em seguida, vamos nos aprofundar nos três módulos principais deste curso Começando com o aprendizado de máquina. Em seguida, daremos uma olhada no aprendizado profundo e, em seguida, no processo de linguagem natural. E esses são os três grandes módulos ou as três grandes seções deste curso. E então, para iniciar o curso, daremos uma olhada no futuro da IA e no que podemos esperar da inteligência artificial nos próximos dez a 50 anos. Então, algumas coisas que você deve saber sobre esse curso em particular, haverá questionários no final de cada seção. Então, por favor, responda aos questionários. Não se preocupe Na verdade, as perguntas não são tão difíceis. Eles servem apenas para testar o que você aprendeu. Portanto, não entre em pânico. Essas são perguntas muito, muito fáceis. E depois, recursos, fornecerei para você todos os slides que usarei neste curso, bem como o livro, que é basicamente um livro em PDF resumindo todo o curso Agora, no momento em que gravei esse vídeo em particular, ainda estou trabalhando nesse livro. Então, por favor, seja paciente. Talvez você tenha se matriculado no curso e o livro ainda não esteja pronto. Não se preocupe Estou trabalhando nisso. Eu te avisarei quando o livro estiver pronto para ser baixado. Além disso, se você quiser usar os slides em qualquer tipo de apresentação formal, fique à vontade para fazê-lo. Só peço que você me dê crédito, Alexander One, bem como à minha empresa labsyba.com. Obrigada E então, é claro, perguntas se você tiver alguma dúvida sobre qualquer coisa que eu abordei neste curso. Talvez haja algo que você não entenda muito bem. Sempre fique à vontade para entrar em contato comigo. Ficarei mais do que feliz em responder a todas as suas perguntas. Então, com isso dito, quero dar as boas-vindas a você mais uma vez neste curso em que falaremos sobre IA. Fundamentos da IA, os fundamentos da IA. E só espero que você goste deste curso, porque me esforcei muito para tornar as aulas o mais divertidas, mas também o mais educativas possível Então, seja bem-vindo mais uma vez. Vamos começar. 2. Prévia da seção Introdução à inteligência artificial: Bem-vindo oficialmente ao primeiro módulo de introdução à inteligência artificial. Agora, uma coisa que você deve saber sobre mim em um nível pessoal é que adoro assistir filmes. Adoro ir ao cinema. É um dos meus hobbies favoritos de todos os tempos. E uma coisa que eu gosto de fazer como instrutora é incorporar clipes de filmes em minhas aulas sempre que posso, porque acho que eles podem ser muito, muito informativos, mas também muito divertidos ao mesmo tempo Agora, das centenas e centenas de filmes de Hollywood que têm a inteligência artificial como tópico central, eu estava pensando no clipe perfeito que eu poderia usar para apresentar este curso, e acho que talvez tenha encontrado o clipe certo, então sente-se, relaxe , aproveite esse clipe e nos vemos no final. Boa tarde, Hal. Como está tudo indo? Boa tarde, Sr. Amer. Tudo está indo muito bem. Hal, você tem uma enorme responsabilidade nesta missão, em muitos aspectos, talvez a maior responsabilidade de qualquer elemento da missão. Você é o cérebro e o sistema nervoso central do navio, e suas responsabilidades incluem vigiar os homens em hibernação Isso já lhe causou alguma falta de confiança? Deixe-me colocar desta forma, Sr. Raymer. A série 9.000 é o computador mais confiável já feito. Nenhum computador de 9.000 jamais cometeu um erro ou distorceu informações. Todos nós somos, por qualquer definição prática das palavras, infalíveis e incapazes De qualquer forma, peão da Rainha T. Está bem? Bishop pega o peão de Knights . Bela jogada. Uh, ok para King One. Me desculpe, Frank. Acho que você perdeu. Rainha para bispo três, bispo leva rainha, cavaleiro leva bispo. Maio. Ah. Sim, parece que você está certo. Sem demissão. por um jogo muito divertido. Obrigado. Bem, volte aqui. Espero que tenham gostado desse clipe. Agora, foi tirado do filme 2001, uma Odisséia no Espaço, e esse filme foi feito no ano de 1968 Agora, estou fazendo esse vídeo em particular no ano de 2025. Então foi isso que aconteceu há 57 anos. E a razão pela qual menciono isso é porque quero que você entenda que a IA, como tecnologia, assunto ou tópico, já existe há décadas. Muitas pessoas parecem pensar que, Oh, IA é uma coisa nova que surgiu recentemente. Isso simplesmente não é verdade. A IA já existe há muitos e muitos anos. Indo para o clipe em si, o que exatamente vimos? Vimos a introdução de um modelo específico de IA conhecido como Hal the HAL 9.000 Obviamente, você pode ver que é um modelo de IA extremamente sofisticado porque, de acordo com o apresentador, ele disse que o Hal 9.000 é o sistema nervoso central de toda a nave espacial e também é responsável pelo bem-estar dos tripulantes humanos enquanto eles Portanto, esse é um modelo de IA muito capaz, altamente avançado e altamente inteligente. E também vimos o modelo de IA jogando xadrez com um dos tripulantes humanos e, obviamente, ele venceu. Agora, curiosidade, se você não é um jogador de xadrez, eu sou um jogador de xadrez. Também adoro assistir xadrez no YouTube. Hoje, temos modelos de IA conhecidos como motores que realmente ajudam jogadores de xadrez profissionais a se prepararem para os jogos. Esses modelos são extremamente inteligentes e altamente avançados. Portanto, jogadores de xadrez profissionais realmente usam esses modelos para analisar jogos de xadrez, se preparar para competições e também para preparar armadilhas para o oponente Então, acho realmente fascinante que esse filme em particular, a Odisséia no Espaço, sido capaz de prever corretamente que, em algum momento no futuro, tenha sido capaz de prever corretamente que, em algum momento no futuro, teremos modelos de IA que serão tão bons em xadrez capazes de vencer qualquer ser Mas voltando ao clipe, também vemos que durante a entrevista entre o apresentador e o modelo real de IA, o modelo de IA disse algo muito, muito assustador, seja, é incapaz de cometer qualquer tipo de E eu acho que isso é muito, muito assustador porque levanta a preocupação legítima com a IA no futuro O que acontece quando começamos a criar modelos ou sistemas de IA tão inteligentes que são capazes de pensar de forma independente e eles decidem começar a tomar decisões por conta própria. Agora, há muitos céticos que afirmam que isso nunca, nunca acontecerá IA nunca se tornará autoconsciente ou tão inteligente. No entanto, há outros que acreditam que isso pode ser uma possibilidade. Vamos nos aprofundar muito mais nisso no curso. Mas mais uma coisa que eu queria mencionar antes de começar esta introdução é o tópico da PNL de processamento de linguagem natural Se você observar no clipe, os humanos estavam tendo uma conversa quase natural com o modelo de IA. O modelo de IA, diabos 9.000, foi capaz de entender o que os humanos estavam dizendo a ele por causa da PNL processamento de linguagem natural da PNL é o que permite que máquinas ou modelos de IA, como o Hal 9.000, interpretem comandos de voz de humanos e, em seguida, executem um tipo específico de tarefa ou função Claro, vou dedicar um módulo inteiro para falar sobre PNL mais tarde neste Então, espero que você tenha gostado dessa breve introdução ao mundo da Inteligência Artificial Vamos agora passar para a próxima lição. 3. O que é inteligência artificial: O que é inteligência artificial? Bem, é basicamente a simulação da inteligência humana em máquinas. Você pode pensar nisso como nós humanos tentando transferir nossa inteligência para as máquinas. Agora, temos as principais características inteligência artificial. Nós temos a capacidade de aprender. Portanto, os sistemas de IA devem ser capazes de aprender e melhorar com o tempo. E depois do raciocínio, eles devem ser capazes de fazer raciocínios lógicos e deduções e, eventualmente, produzir um resultado e, em seguida, a percepção, que significa sua capacidade de processar dados sensoriais como imagens, sons e assim por diante, e então E, claro, o uso da PNL de processamento de linguagem natural, que permite que os modelos de IA entendam e interpretem a linguagem humana Agora, o objetivo principal da IA, no final das contas, é permitir que os modelos desempenhem funções cognitivas semelhantes às dos humanos. Agora, temos diferentes tipos de IA. Temos a IA restrita, o que chamamos de IA específica da tarefa. Também é chamada de IA fraca. Essas são as IAs que você encontraria em seus firewalls, sistemas de recomendação, fóruns de bate-papo virtuais, como Alexa, e até mesmo em sua nuvem HagPT, modelos de disco e assim por diante E então temos o próximo estágio, que seria a IA geral, que tem a capacidade de possuir inteligência semelhante à humana. Ainda não chegamos lá, mas muitas pessoas acreditam que, eventualmente, seremos capazes de desenvolver uma IA tão avançada. E então, no futuro, uma IA superinteligente. Muitas pessoas acreditam que nunca desenvolveremos a IA. Eles serão tão sofisticados. Mas, mais uma vez, também temos algumas pessoas que acreditam que eventualmente chegaremos lá. Então, IA na vida cotidiana, já estamos usando IA no assistente virtual, como, você sabe, Alexa, Siri, seus sistemas de recomendação, como no Netflix, Spotify, YouTube, todos os seus dispositivos domésticos inteligentes também usam IA Nossos carros autônomos, como, é claro, Tesla, são tudo IA E também temos IA na área da saúde com o uso de imagens médicas e muito mais. Portanto, a IA já está desempenhando um grande papel em nossas vidas diárias. Agora, quero abordar alguns mitos comuns em todo o mundo da IA A primeira aqui é que a IA tem emoções como as dos humanos. Agora, eu sou muito culpado disso, porque sempre que uso meus modelos de IA favoritos, como Cha JPT, peço que você faça algo por mim, ele o faz muito, muito bem Eu acabo agradecendo hajibt e vou dizer algo como: Oh, muito obrigado, Você fez algo maravilhoso por mim hoje. E, claro, o Hagibt responderá dizendo: De nada E eu digo essas coisas quase inconscientemente porque acredito que se eu sou gentil hagipti e elogio hagibt sempre que ele faz algo bom para mim, isso vai me recompensar no futuro com resultados ainda melhores, o que, obviamente, não é verdade Habit não consegue entender as emoções. Ele não processa emoções como nós humanos fazemos. Além disso, a IA substituirá todos os empregos. Agora, não há dúvida que a IA substituirá muitos empregos, mas nunca substituirá todos os empregos. E, de fato, a IA também criará novos empregos. Discutiremos isso no módulo final, o recurso da IA. E então a IA é infalível, que significa que a IA não pode É claro que isso não é verdade. A IA pode cometer erros. A IA pode alucinar informações. E lembre-se de que a IA é desenvolvida por seres humanos. Portanto, se os seres humanos cometerem erros na codificação ou na forma como o modelo de IA é treinado, o modelo cometerá erros Ela estará propensa a cometer erros, e também discutiremos isso mais tarde e que a IA pode pensar de forma independente. Novamente, a maioria das pessoas acredita que nunca chegaremos ao estágio em IA se tornará autoconsciente e será capaz de tomar decisões sozinha. Mas ainda há algumas pessoas que acreditam que eventualmente chegaremos lá. Não sei se isso é verdade ou não, mas a maioria das pessoas parece acreditar que tudo não passa de um mito. IA só pode operar com base em instruções ou regras que foram dadas a ela. E, finalmente, minha IA favorita dominará o mundo. E eu coloco a estética lá porque quando digo que a IA dominará o mundo, o mito aqui é IA se torna autoconsciente e decide isso, sabe o que? Eu vou governar os seres humanos. Os seres humanos se tornarão escravos da IA. Não, eu não acredito que isso vai acontecer. No entanto, a IA, de certa forma, dominará o mundo porque teremos IA em quase tudo o que fazemos , desde transporte até comunicação , saúde, compras, criatividade e entretenimento. Diga o que quiser. Vamos ter IA de uma forma ou de outra. Afetando a maneira como vivemos nossas vidas diárias. Então, eu queria oferecer a você uma atividade rápida de engajamento. Pense na última vez em que você teve uma interação com a IA. Quais ferramentas poderosas de IA você usa diariamente e como elas aprimoram sua experiência? Reserve 5 minutos para pensar sobre isso e acho que você pode achar os resultados muito fascinantes. Então, para finalizar, eu só quero dar um resumo rápido: IA é uma simulação da inteligência humana em máquinas, e a IA já faz parte da nossa vida cotidiana. E há muitos mitos e equívocos sobre a IA. Eu já falei sobre eles. E a IA, o objetivo final da IA, deve ser aprimorar as capacidades humanas e não substituí-las. Obrigado por assistir. Te vejo na próxima aula. 4. História da inteligência artificial: Agora, dê uma olhada na história da inteligência artificial. Então, a história da IA remonta a milhares e milhares de anos atrás. E, como eu disse anteriormente, ao contrário do que muitas pessoas acreditam, IA não é algo que acabou de surgir. Na verdade, já existe há um bom tempo. Obviamente, assim como com qualquer tipo de tecnologia, IA experimentou avanços e retrocessos Os contratempos, nós os chamamos de invernos de IA. Agora, só para dar alguns exemplos dos conceitos iniciais de feijão artificial, não necessariamente inteligência artificial, mas feijão artificial. Você tem na mitologia grega a existência de uma automação gigante de bronze chamada Você pode ter visto Talos em alguns filmes antes. E também automações chinesas e árabes. Tivemos dispositivos antigos que eram capazes de imitar a vida. E também o renascimento de Leonardo Da Vinci, ele foi capaz Então, o nascimento da IA, as fundações do século XX , a IA, como a conhecemos hoje. Portanto, grande parte do trabalho de base foi entre os anos 40 e 50. E, em particular, tivemos Alan Twin, o cientista muito famoso que, em 1950, criou o que é conhecido como teste de Turing. Isso é usado para avaliar a inteligência da máquina. Agora, em 1943, tivemos as primeiras redes neurais projetadas por Walter McCulloch e Walter E então, em 1956, finalmente, na Conferência Damoth, o nascimento oficial do termo inteligência artificial como campo acadêmico foi cunhado por Então, quais são os invernos e o ressurgimento da IA? Bem, em 1970, os sistemas de LA não atenderam às expectativas, levando à redução do financiamento Claro, muitas empresas e países sentiram que, sabe o que? Essa coisa de IA não vai funcionar. Vamos parar de financiar nossos pesquisadores. E então 87-993, houve outro revés porque nosso poder de computação naquela época porque nosso poder de computação limitado Lembre-se de que, para potencializar os modelos de IA, você precisa de bastante poder computacional E naquela época, os computadores simplesmente não eram poderosos o suficiente. Mas e o renascimento? Veja, na década de 1980, tínhamos sistemas especializados que ganharam força tanto nos negócios quanto na medicina e, entre as décadas de 1990 e 2000, devido aos avanços no aprendizado de máquina e ao surgimento da Internet, todos eles foram capazes de contribuir para futuras pesquisas de inteligência artificial Então, eu tenho alguns marcos importantes no desenvolvimento de IA aqui Em 1997, tivemos o superpoderoso computador IBM Deep Blue que derrotou o então campeão mundial Gary Kasparov Agora, como um grande fã de xadrez, eu realmente acompanhei os jogos. A primeira vez que jogaram contra Gary Kasparov, que, aliás, muitas pessoas consideraram o maior jogador de xadrez de todos os tempos, ele realmente derrotou o Deep Blue logo na primeira partida Voltaram porque eles voltaram para uma revanche e, na revanche, o Deep Blue acabou vencendo Gary Caspro e, na revanche, o Deep Blue acabou vencendo Gary Caspro Então, isso foi um marco significativo porque foi a primeira vez na história da humanidade que uma máquina conseguiu vencer um ser humano no tabuleiro de xadrez E depois tivemos alguns outros marcos em 2011, quando o IBM Machine Watson venceu o Jeopardy E então, em 2016, perdemos o Google de uma meta. Isso derrotou o goleador campeão mundial Lee Sedol. E então, nos anos 20, modelos de IA, como o Cha GPI, o surgimento de modelos como ha GPT , Cloude e assim por diante, conseguiram demonstrar a geração de conseguiram Então, a IA no século 21, como a conhecemos, agora temos o poder da IA em carros como seu Tesla, uso do processamento de linguagem natural usado por modelos de IA como sua pia profunda, roupas, ajepit E também na área da saúde, agora temos diagnósticos de AI Power e também a descoberta de medicamentos Então, qual é o futuro da IA? O que podemos esperar? Bem, podemos esperar criatividade impulsionada pela IA em arte, música e também avanços na colaboração humana e de IA. Haverá mais colaboração entre inteligência artificial e seres humanos. E, claro, o uso de estruturas éticas de IA para garantir que a IA seja usada com responsabilidade, IA seja treinada com responsabilidade e que a IA seja, de fato, segura Então, apenas um breve resumo da lição, a IA existe na imaginação humana há séculos. A Conferência Dermoth de 1956 marcou o nascimento oficial da IA como campo acadêmico E então tivemos, é claro, os invernos da IA e depois o ressurgimento da IA E, é claro, a IA moderna é impulsionada pelo planejamento, que usaremos em big data e, é claro, por bastante poder computacional E, finalmente, o futuro da IA incluirá considerações éticas e colaboração humana com a IA Obrigado por assistir. Te vejo na próxima aula. 5. Principais conceitos e terminologia: Bem vindo de volta. Então, agora vamos dar uma olhada em alguns conceitos-chave e terminologia usados no mundo da IA Vamos começar com os termos de IA. Há três deles: inteligência artificial, aprendizado de máquina e, claro, aprendizado profundo. Agora, quando se trata de inteligência artificial, já falamos sobre isso. Basicamente, são máquinas tentando simular inteligência semelhante à humana Você tem seus exemplos com Alexa, Civ, você sabe, seu assistente virtual Mas também temos o aprendizado de máquina que é basicamente um subconjunto da inteligência artificial, que as máquinas são capazes de aprender com base em padrões Seu exame Um dos melhores exemplos aqui seriam os filtros de spam em seu e-mail. Pense nisso, ok? Filtros de spam de e-mail, eles não são rígidos. Eles são capazes de identificar o que é spam, com base em tendências, com base em padrões, com base no histórico. Então, pense nas máquinas como um aprendizado no processo. Inicialmente, o filtro de spam pode não fazer um bom trabalho ao detectar todos os tipos de spam. Mas com o tempo, à medida que começa a aprender o que exatamente é spam, as diferentes formas e formatos que um e-mail de spam pode surgir com o tempo, ele melhorará. E, finalmente, temos seu aprendizado profundo, que é um subconjunto mais avançado do aprendizado de máquina que usa redes neurais para processar dados complexos Um dos melhores exemplos aqui seriam seus sistemas de reconhecimento facial. Agora, mais adiante neste curso, vamos nos aprofundar tanto no aprendizado de máquina quanto no aprendizado profundo Mas e quanto aos conceitos, ok? Há muitos deles e você deve ter uma ideia do que são. O primeiro aqui será o algoritmo. Basicamente, um conjunto de regras ou etapas uma máquina seguirá para resolver um problema ou tomar uma decisão. Vimos algoritmos em quase todos os tipos de aplicativos existentes, seja um aplicativo de namoro ou um aplicativo de jogos, basicamente, qualquer tipo de aplicativo ou programa usa um algoritmo para determinar como esse aplicativo processará dados ou tomará uma decisão. Nós temos o seu modelo. É basicamente um sistema de trem capaz de fazer previsões com base em dados Oh, você é um GIPT, sua nuvem, sua jornada Minha Todos esses são exemplos de modelos de IA. Você tem os dados de treinamento, que são os dados usados para treinar esses modelos. Novamente, falaremos um pouco mais tarde no curso, um pouco mais profundamente sobre como os modelos de IA são treinados. E então temos o que chamamos de inferência. Essa é basicamente a capacidade de um modelo de IA fazer previsões com base nos novos dados que ele adquiriu Digamos, por exemplo, que você tenha um modelo de IA usado para fazer previsões no mercado de ações Então, se algo novo acontecer, talvez, por exemplo, uma guerra tenha começado ou talvez algum candidato presidencial tenha vencido a eleição, isso pode impactar o mercado de ações global. Portanto, a IA aqui seria capaz de fazer previsões com base nesses novos eventos que ocorreram Isso é o que chamamos de inferência. E então temos sua rede neural. É basicamente um sistema computacional inspirado no cérebro humano usado no aprendizado profundo Novamente, falaremos sobre aprendizado profundo posteriormente no curso. E então a PNL de processamento de linguagem natural. Essa é a capacidade de uma máquina basicamente entender e gerar linguagem humana, texto. Além disso, haverá uma seção especial do módulo. Dedicado a aprender mais sobre a PNL. E, finalmente, visão computacional. Obviamente, essa é a IA que permite que as máquinas também interpretem imagens e vídeos. Então, esses são alguns dos principais conceitos que você deve conhecer quando se trata de IA. Agora, tipos de IA, eu já falei sobre isso anteriormente. Você tem uma IA restrita que é usada para tipos muito específicos de tarefas. Um exemplo aqui seria seu Google Translate, seu Cha JBT Basicamente, mais ou menos como a IA estreita. Mas você também tem sua IA geral, a IA forte, a IA que pode realizar qualquer tarefa intelectual que um humano possa realizar. Ainda é meio teórico neste momento. Ainda não foi desenvolvido. E depois, é claro, a IA superinteligente, IA que supera a inteligência humana É um conceito futuro. Então, até mesmo argumente que nunca chegará a esse ponto enquanto as pessoas que acreditam , enquanto as pessoas que acreditam que teremos uma IA superinteligente acreditam que isso levará décadas para que isso ocorra. E você também deve entender a diferença entre automação e IA. Veja, quando se trata de automação, ela segue regras predefinidas Então, por exemplo, o cliente compra o produto A. Como o cliente comprou o produto A, envie um cupom de 25% para comprar o produto B, sabe, mais ou menos assim, certo A automação depende de regras e gatilhos. Quando se trata de IA, ela não segue regras. A IA é basicamente capaz aprender e tomar decisões sozinha. Por exemplo, você mesmo dirigindo carros. Então, só para dar um resumo rápido da lição, IA inclui aprendizado de máquina e aprendizado profundo como subcampos, algoritmos, seus modelos e seus dados de treinamento Todos esses são os principais componentes da IA. Agora, a IA pode ser tarefas restritas e específicas, IA geral, como, humana ou superIA além das capacidades humanas, e então a automação e a IA são diferentes, mas a IA pode, de fato, aprimorar a automação. Obrigado por assistir ao vídeo. Te vejo na próxima aula. 6. IA x aprendizado de máquina x aprendizado profundo: Volte. Então, agora vamos examinar mais de perto as diferenças entre inteligência artificial, aprendizado de máquina e, claro, aprendizado profundo. Então IA, inteligência artificial é o conceito mais amplo, ok? Enquanto o aprendizado de máquina seria um subconjunto da inteligência artificial, aprendizado profundo é um subconjunto mais avançado do aprendizado de máquina Então pense dessa forma, ok? No topo, temos a IA. Logo abaixo da IA, temos o aprendizado de máquina e, logo abaixo do aprendizado de máquina, temos o aprendizado profundo. Agora, eu forneci uma analogia aqui, ok? Pense na IA como o universo inteiro, certo? aprendizado de máquina seria como uma galáxia nesse universo, enquanto o aprendizado profundo seria um sistema solar dentro da galáxia do aprendizado de máquina. Então, para resumir isso, todo aprendizado profundo é um subconjunto do aprendizado de máquina, mas nem toda inteligência artificial é aprendizado de máquina Lembre-se de que a inteligência artificial é muito mais do que apenas aprendizado de máquina. Então, só para recapitular isso, todo aprendizado profundo se enquadra no aprendizado de máquina, mas nem toda inteligência artificial é aprendizado de máquina Ok. Então, o que é IA? Já falamos sobre isso? Basicamente, máquinas simulando inteligência semelhante à humana. E, claro, a IA é capaz de realizar tarefas, resolvê-las, tomar decisões, coisas assim. Então, a IA, você deve saber, nem sempre aprende. A IA também pode seguir nossas regras predefinidas. Agora, o aprendizado de máquina é basicamente um subconjunto da inteligência artificial que permitiria que as máquinas aprendessem com dados e padrões E, claro, isso permitiria que a máquina fizesse previsões e resolvesse problemas ao longo do tempo Há três maneiras de como o aprendizado de máquina é feito. O primeiro será o que chamamos de aprendizado supervisionado, em que os dados de treinamento fornecidos à máquina são , na verdade, rotulados Imagine que você está tentando treinar um filtro de spam. Então, sob o aprendizado supervisionado, a máquina receberá diferentes tipos de e-mails de spam e os dados serão rotulados: Ok, isso é spam, isso é spam, isso é spam, isso é Assim, com o tempo, quando a máquina tiver visto todos esses exemplos dos diferentes tipos de e-mails de spam, ela poderá aprender e fazer previsões no futuro sobre se um determinado tipo de e-mail é spam ou legítimo E então temos o que chamamos de aprendizado não supervisionado, que os dados de treinamento não são rotulados e o modelo de IA aprende a fazer previsões com base Basicamente, ele tenta encontrar padrões. Um dos melhores exemplos aqui seria a segmentação de clientes E então o último é o que chamamos de aprendizado por reforço Pense nisso como um tipo de sistema de recompensas e penalidades, quando a IA, quando o modelo faz o tipo certo de previsão ou é capaz de resolver um problema ou dar a resposta certa, ele será recompensado Mas quando cometer um erro, será penalizado. Então é isso que chamamos de aprendizado por reforço. Então, vimos o aprendizado de máquina em muitos exemplos, seus filtros de spam, suas recomendações do YouTube Netflix e até mesmo na detecção de fraudes em bancos. Portanto, o aprendizado de máquina depende muito algoritmos para identificar padrões e fazer previsões Mas e quanto ao aprendizado profundo? É um subconjunto do aprendizado de máquina que usará redes neurais artificiais para processar grandes quantidades de dados complexos Portanto, ele usa várias camadas de nuances. Nós as chamamos de redes neurais profundas. Funciona melhor com grandes conjuntos de dados e alto poder competitivo. Em outras palavras, você precisa computadores muito poderosos para executar o aprendizado profundo e, claro, isso permite que a IA execute tarefas semelhantes às humanas , como reconhecimento de fala , reconhecimento facial e muito mais. Agora, vimos o aprendizado profundo em vários exemplos. Por exemplo, seu reconhecimento facial em seus smartphones, detecção de impressões digitais também, carros autônomos como seus Teslas e, claro, em seus modelos de IA como o TajiPT e assim Agora, o aprendizado profundo é a técnica de IA mais avançada que permite que as máquinas basicamente imitem as funções do cérebro humano Por isso, apresentei a tabela aqui para destacar as principais diferenças entre AI ML e DL. Temos as características na definição, como dissemos, a IA basicamente são máquinas que imitam a inteligência humana aprendizado de máquina aprende com dados e padrões, enquanto o aprendizado profundo Wood é um subconjunto avançado de ML que usa redes neurais Quando se trata da dependência de dados, agora, IA por si só pode não precisar de dados, porque a IA também pode aprender sozinha No entanto, com o aprendizado de máquina, ele requer dados estruturados. Com o aprendizado profundo, são necessárias grandes quantidades de conjuntos de dados. Exemplos, é claro, em sua IA, temos seus fóruns de bate-papo, assistência virtual. Para seu aprendizado de máquina, temos seus filtros de spam, sistemas recomendados, para seu aprendizado profundo, seus carros autônomos e seu reconhecimento facial. E então o último recurso, a complexidade. Isso é muito, muito interessante. Agora, com IA, é um campo amplo. Inclui inteligência artificial baseada em regras. E então, para o aprendizado de máquina, algoritmos mais simples, mas isso requer treinamento E então, para o aprendizado profundo, é altamente complexo e requer um hardware muito poderoso. Então, essas são algumas das principais diferenças entre esses três termos. Então, eu queria dar a vocês um exemplo do mundo real de como esses três se unem para alimentar algo muito poderoso. Então, digamos, por exemplo, seu Tesla, um carro autônomo A inteligência artificial, basicamente, permitirá que o carro tome as decisões, ok? Então, por causa da IA, o carro sabe que provavelmente não deveria estar acelerando em uma área altamente povoada, por exemplo Mas com o aprendizado de máquina, porque lembre-se aprendizado de máquina requer padrões e dados com os quais aprender. Com o aprendizado de máquina, o carro pode ser capaz de fazer previsões sobre como será o tráfego em um determinado período do dia Também pode ser capaz de fazer previsões com base no clima, coisas assim, por causa do aprendizado de máquina E então o aprendizado profundo é o que permitiria ao carro interpretar sinais de trânsito, sinais de trânsito ou até mesmo reconhecer pedestres tentando atravessar a rua trânsito, sinais de trânsito ou até mesmo reconhecer pedestres tentando atravessar a Então, quando você combina os três, pense desta forma, certo, IA é basicamente como o sistema geral do carro autônomo. O aprendizado de máquina é o que permitiria que o carro melhorasse e aprendesse com o tempo, enquanto o aprendizado profundo tornaria o carro altamente eficiente. Então é assim que esses três se unem para alimentar seu Tesla ou outros carros autônomos Então, resumo rápido, IA é o campo amplo. O ML é, obviamente, o subconjunto da IA permitiria que as máquinas aprendessem com os dados, enquanto o DL é o subconjunto muito avançado do ML que usa redes neurais para aprendizado avançado E, claro, IA, ML e DL estão inter-relacionados, mas, é claro, têm diferenças distintas Obrigado por assistir. Te vejo na próxima aula. 7. Prévia da seção Os fundamentos da inteligência artificial: Estou indo para os fundamentos da inteligência artificial, e é hora de outro clipe de filme. E algo me diz que você provavelmente já viu o filme de onde esse clipe será retirado. No entanto, sente-se e relaxe. Aproveite o clipe e nos vemos no final. Neste momento, estamos dentro de um programa de computador. É realmente tão difícil de acreditar? Suas roupas são diferentes. Os plugues em seus braços e cabeça sumiram. Seu cabelo mudou. Sua aparência agora é o que chamamos de autoimagem residual. É a projeção mental do seu eu digital. Isso não é real. O que é real? Como você define real? Se você está falando sobre o que você pode sentir, o que você pode cheirar, o que você pode saborear e ver, então o real são simplesmente sinais elétricos interpretados pelo seu cérebro Esse é o mundo que você conhece. O mundo como era no final do século XX. Ela existe agora apenas como parte de uma simulação neural interativa que chamamos de matriz. Você está vivendo no mundo dos sonhos, Neo. Esse é o mundo como ele existe hoje. Ok, bem-vindo de volta. E, claro, esse clipe foi retirado do filme muito popular The Matrix lançado em 1999. E se, por algum motivo, você nunca viu esse filme antes, o que está fazendo com sua vida? Pare de assistir este curso e vá assistir ao filme. Agora, estou brincando, termine este curso primeiro, e depois você pode ir assistir ao filme Mas, falando sério, Matrix, na minha humilde opinião, é um dos melhores filmes já feitos Isso levanta muitas questões interessantes sobre a ação e é um ótimo filme Você simplesmente precisa assistir. Agora, por que eu escolhi usar esse clipe em particular? Bem, porque isso levanta muitas questões fascinantes. Eu vou abordar dois deles. Em primeiro lugar, deixe-me descrever o que acontece na cena. Você tem Mofius, o homem com tons escuros. Ele está explicando para Neo, o outro cara, que, Ei, esse mundo em que estamos agora, tudo isso é realidade virtual. Não é real. É falso. É gerado por um sistema de IA muito poderoso conhecido como matriz. Agora, Neo está obviamente muito surpreso. Ele está chocado. Ele diz: Não, como isso pode ser? Não, isso é real. Isso pode ser falso. Ele toca a cadeira e Morpheus pergunta: como você define o que E eu achei que essa é uma pergunta muito, muito fascinante. Como você define o que é real? E a razão pela qual isso é fascinante é porque hoje, temos vídeos, imagens e falsificações profundas geradas por IA E embora hoje possamos grande medida, dizer o que é real e o que é gerado pela IA, pense nisso. Nos próximos anos, os tipos de conteúdo que a IA será capaz de gerar serão tão realistas que talvez não consigamos distinguir entre o que é realmente real e o que é gerado pela IA. Talvez precisemos de certos tipos de sistemas, scanners ou algoritmos para nos ajudar a detectar se a imagem ou o vídeo que estamos assistindo é realmente real ou falso. Pense nisso. Então, é muito, muito fascinante. Como poderemos definir o que é uma imagem real e o que é uma imagem gerada por IA? Outra questão aqui, porém, está no clipe, vemos a influência que a matriz agora tem sobre a população humana, certo? A matriz é muito poderosa. Foi capaz de criar essa realidade virtual, então ela tem muita influência sobre os seres humanos, certo? Agora, eu sei que a matriz é um exemplo extremo da influência da IA sobre os seres humanos. Mas pense nisso hoje. Hoje, acredite ou não, IA já tem alguma influência em nossas vidas diárias. Você não acredita em mim, quando você acessa o YouTube ou acessa o Netflix ou Spotify ou qualquer uma dessas plataformas, você sempre tem essas o Spotify ou qualquer uma dessas plataformas, você sempre tem essas guias ou sistemas de recomendação, certo, que recomendarão conteúdo para você, que recomendarão conteúdo com base no seu histórico, com base nos resultados da pesquisa e, às vezes, as recomendações podem até ser aleatórias Mas pense sobre isso. Essas recomendações já começam a influenciar a maneira como pensamos. Isso pode nos influenciar a começar a apoiar um determinado partido político ou candidato. Isso pode começar a influenciar a maneira como compramos coisas. Isso pode começar a influenciar a maneira como pensamos sobre certos tipos de tópicos controversos e assim por diante. Então, de certa forma, esses sistemas de recomendação que são alimentados pela IA já estão começando a ter algum nível de influência sobre como vivemos nossa vida diária. Então, isso levanta a questão de quanta influência a IA começará a ter na maneira como vivemos nossas vidas à medida que ela se torna cada vez mais inteligente Porque, acredite ou não, quer eu goste ou não, a IA será introduzida quase todas as partes de nossas vidas, seja comunicação, transporte, compras, entretenimento, criatividade, a IA virá em todos os lugares. Então, imagine o nível de influência que a IA terá sobre nós em um futuro próximo. De qualquer forma, vamos passar para a próxima lição, onde falaremos sobre os fundamentos reais da IA. Te vejo lá. 8. Fundamentos da IA: Agora, dê uma olhada em um tópico muito, muito importante que será a base da inteligência artificial. Agora, ao contrário do que muitas pessoas podem acreditar, IA não se limita apenas ao campo da tecnologia. Na verdade, abrange várias disciplinas. Como exemplo, você terá IA, obviamente, em ciência da computação, onde o uso de algoritmos, estruturas de dados, código de programação etc. é usado em IA, então você também tem IA no campo da matemática e estatística. Não se esqueça de que podemos usar IA para cálculos matemáticos, para calcular probabilidades e assim por diante E então você também tem IA no campo da cognição e da neurociência Porque pense nisso, certo? Para podermos desenvolver inteligência artificial que imite a inteligência humana, primeiro precisamos entender a inteligência humana. E também temos IA no campo da linguística. Obviamente, isso é essencial para o processamento da linguagem natural. E talvez seja muito surpreendente que você tenha IA no campo da filosofia e da ética porque pense nisso, certo? Os principais desafios que envolvem a IA giram em torno de ética, privacidade e se é realmente moral usar a IA Então, ao contrário do que muitas pessoas pensam sobre a IA ser apenas um campo de tecnologia, você também tem IA em várias disciplinas Agora, vamos dar uma olhada nos princípios básicos da IA. Há seis deles. Quero dar uma olhada neles um por um, começando com a lógica e a tomada de decisões. Muitos modelos baseados em IA dependem da lógica para tomar as decisões. Por exemplo, você tem sua lógica de bullying que usa operadores como N ou zero Por exemplo, se A é igual a B, B é igual a C, A deve ser igual a C, algo assim, certo E também o sistema baseado em regras em que você tem suas declarações E e depois L. Por exemplo, se o tempo estiver chuvoso, pegue um guarda-chuva. contrário, se o tempo não estiver chovendo, então não leve guarda-chuva, sabe, coisas assim, E também sistemas especializados. São IA que imitaria experiência humana seguindo regras predefinidas Você os tem em seu diagnóstico médico. , temos certas limitações No entanto, temos certas limitações que envolvem a lógica e a tomada de decisões, e isso porque a IA pode lidar com a incerteza e, sempre que decisões complexas precisarem ser tomadas para manter isso em mente, próximo princípio aqui seria o princípio da probabilidade e incerteza. Falamos sobre o papel do big data e importância dos dados para a inteligência artificial. Mas há muitas situações em que um modelo de IA pode precisar tomar decisões com base em dados incompletos ou ruidosos. Por exemplo, em suas redes Baysia, você usa a IA para raciocínio probabilístico, ajudando as máquinas a fazer suposições fundamentadas, por exemplo, em seus filtros de spam, mas também as usa em processos de decisão de markov, seu MDP, onde a IA é usada para tomada de decisões em determinados ambientes, onde a IA é usada para tomada de decisões em como robótica, finanças e assim você usa a IA para raciocínio probabilístico, ajudando as máquinas a fazer suposições fundamentadas, por exemplo, em seus filtros de spam, mas também as usa em seus processos de decisão de markov, seu MDP, onde a IA é usada para tomada de decisões em determinados ambientes, como robótica, finanças e assim por diante. E também em suas simulações de Monte Carlo, isso normalmente é usado para análise de risco e jogos O próximo conceito aqui é a otimização e o aprendizado. Obviamente, a IA está constantemente aprendendo e otimizando ao mesmo tempo Assim, a IA pode usar algoritmos de otimização que ajudariam a IA a ajustar seus parâmetros para minimizar erros. Um exemplo aqui seria o gradiente descendente usado no ML seu aprendizado de máquina para ajustar modelos reduzindo os erros de previsão E depois o conceito de programação linear, em que a IA aprende a alocação de recursos e tarefas de selagem e, em seguida, algoritmos evolutivos Isso é inspirado na seleção natural. Esses algoritmos desenvolvem soluções ao longo do tempo. Um exemplo aqui seriam seus algoritmos genéticos, seu GA que otimiza soluções para problemas complexos. Agora, um dos maiores pontos fortes da IA envolve a capacidade de reconhecer padrões e aprender com esses padrões ao longo do tempo E um dos principais conceitos aqui envolve as redes neurais que você encontra em seu aprendizado profundo. Então, aqui, a IA imita o cérebro humano para reconhecer padrões nos dados Como exemplo aqui, seus sistemas de reconhecimento de imagem, que podem detectar objetos em fotos. Além disso, o conceito de extração de recursos, em a IA é capaz de dividir os dados em recursos principais. Por exemplo, em seu assistente de voz, o modelo de IA pode dividir a voz em vários segmentos e, então, entender os comandos com base nesses segmentos. E também no conceito de agrupamento e classificação, em que a IA pode agrupar dados em categorias significativas ou na segmentação de seus clientes e E depois o aprendizado por reforço. Já falamos sobre isso um pouco antes. Esse é o tipo de treinamento por tentativa e erro ou recompensas e penalidades para máquinas Portanto, a IA pode aprender por tentativa e erro, mesma forma que os humanos também aprendem com a experiência, certo? Portanto, temos o aprendizado baseado em recompensas , em que a IA pode receber recompensas ou penalidades com base no desempenho de um teste ou exame e, em seguida, na exploração e exploração Portanto, a IA deve equilibrar o treinamento novas estratégias com o uso de estratégias conhecidas. Portanto, o modelo de IA precisa, tipo, encontrar um bom equilíbrio entre os dois e não depender muito de nenhum deles. Por exemplo, seus carros autônomos, como seu Tesla, aprenderam as melhores ações de direção ao serem recompensados por um comportamento seguro E também seu xadrez Alpha zero, um modelo de xadrez muito, muito poderoso. Ela aprendeu a jogar xadrez habilmente, simplesmente jogando milhões de partidas contra si mesma. Agora, heurísticas e soluções aproximadas. Isso é muito, muito interessante. Então, aqui, às vezes, ser capaz de encontrar a solução exata pode ser impraticável, com base no problema baseado no desafio que está sendo fornecido à IA Portanto, a IA precisa fazer uso da heurística, o que chamamos de atalhos inteligentes Portanto, temos os algoritmos de busca heurística. Por exemplo, a IA simplesmente buscará soluções boas o suficiente com mais rapidez, digamos, um algoritmo estelar para encontrar caminhos em mapas. Às vezes, quando eles estão tentando pesquisar algo, por exemplo, em seu mecanismo de pesquisa do Google, você pode não fornecer o tipo exato de termos que está procurando, mas a IA precisa ser capaz de fazer uma calculadora adivinhar o que você está tentando encontrar, e então a IA simplesmente fornecerá os melhores resultados. E então lógica difusa, o que exatamente é isso? Então, a IA toma decisões com base nos graus de verdade em vez de escolhas binárias. Por exemplo, a IA em seus sistemas de ar condicionado é apenas temperatura com base nos níveis de conforto. Por isso, tentará tomar sua decisão com base no que acha que seria uma temperatura razoável para o ser humano e não exatamente na escolha binária de ligar o sistema de ar condicionado ou se desligar, se isso fizer sentido. E então eu forneci a tabela aqui para os princípios básicos da IA, novamente, a descrição e, em seguida, o exemplo. Assim, você pode pausar este vídeo e assisti-lo no seu tempo livre, se estiver interessado Em seguida, os principais conceitos científicos usados em inteligência artificial, álgebra linear usada em suas redes de aprendizado profundo Você tem sua probabilidade e estatísticas. Obviamente, a IA precisa fazer uso disso para fazer previsões e, em seguida, suas redes neurais são usadas especificamente no planejamento profundo que tenta imitar o cérebro humano e, em seguida, os algoritmos genéticos inspirados na E, finalmente, a teoria dos jogos. Isso é, obviamente, tomada de decisão em ambientes competitivos. Então, qual é a conexão da IA com a ciência cognitiva? Bem, a IA modela a condição humana em áreas como percepção, raciocínio e resolução de problemas E então, o estudo da inteligência humana também pode ajudar a melhorar a inteligência artificial por si só. Então, por exemplo, em seu aprendizado por reforço, ele é inspirado na psicologia comportamental, que é, obviamente, aprendizado baseado em recompensas Então, essas são algumas das maneiras pelas quais a IA está realmente associada ao campo da ciência cognitiva. Então, quais são as principais conclusões desta lição? Bem, em primeiro lugar, a IA é, na verdade, um campo multidisciplinar que envolve ciência da computação, matemática, ciência cognitiva, filosofia e muito mais A IA opera com base na lógica, habilidade, otimização e, claro, no aprendizado. E então os dados, como eu disse antes, são o combustível. É a linhagem da inteligência artificial, e diferentes tipos de sistemas de IA usarão abordagens diferentes E então, entender esses conceitos científicos fundamentais ajudará a entender como a IA funciona em um nível muito mais profundo Obrigado por assistir à aula. Te vejo na próxima aula. 9. O papel dos dados na inteligência artificial: Agora fale sobre o papel dos dados na inteligência artificial. Agora, gosto de pensar nos dados como a força vital dos modelos de IA, porque sem dados, os modelos de IA não existirão ou serão muito ineficientes Então, por que os dados são cruciais para a IA? Os modelos de IA são tão bons quanto os dados nos quais foram treinados. Portanto, quanto mais dados de alta qualidade estiverem disponíveis, melhor a IA será capaz de aprender padrões e fazer previsões, melhorar a precisão e a eficiência ao longo do tempo e, é claro, se adaptar a novas situações e refinar sua tomada de decisão E, com certeza, na ciência da computação, você já deve ter ouvido falar do termo lixo que entra, lixo sai Basicamente, se um programa foi projetado para cometer erros ou não resolver problemas com precisão , é exatamente isso que o programa fará. E isso também é parecido com os modelos de inteligência artificial. Se eles foram treinados com dados muito ruins, adivinhe? Esse modelo de inteligência artificial provavelmente não será inteligente. Vai ser inteligente. É por isso que a qualidade dos dados usados para treinar modelos é extremamente importante. Agora, esses são os tipos de dados que usamos na IA. Temos seus dados estruturados. Por exemplo, seriam dados organizados em tabelas, linhas e colunas. Então, por exemplo, você tem seus dados de suas planilhas, arquivos do Excel , bancos de dados e assim por diante Mas também temos os dados não estruturados, que são basicamente dados brutos que não se encaixam em um formato fixo Então, exemplos aqui seriam suas imagens, seus vídeos, seu áudio e assim por diante. E então, o último tipo de dados serão seus dados semiestruturados. O que exatamente é isso? Bem, basicamente são dados que ficam entre seus dados estruturados. E seus dados não estruturados. Então, exemplos aqui seriam seus JCNFes, XML, registros de sensores e assim por diante E quando se trata de processamento de dados em IA, há quatro etapas principais. O primeiro passo seria a coleta real dos dados em primeiro lugar. Portanto, a IA coletará dados de uma ampla variedade de fontes, como a Internet, seus bancos de dados, feedback do usuário e assim por diante. E então, uma vez que esses dados tenham sido coletados, os dados precisam ser limpos. Então, aqui, a IA tentará remover, por exemplo, duplicatas de registros que talvez já existissem Então, digamos, por exemplo, registros de clientes. Se a IA descobrir que, Ah, esse cliente em particular tem exatamente dois registros iguais em nosso banco de dados, vá em frente e remova um deles. Então, essa é basicamente a próxima limpeza de dados do processo. E depois disso, temos a rotulagem de dados. Então, aqui, seus dados podem ser categorizados ou marcados Então, um exemplo seria marcar e-mails como spam ou não spam E a etapa final seria transformação dos dados, na qual os dados poderiam ser convertidos em formatos utilizáveis, como, por exemplo, seus arquivos PDF, planilhas do Excel e assim por diante Então, esses são os quatro estágios do processamento de dados na IA. Agora, quando se trata do big data em si, há quatro características que precisamos conhecer: os quatro Vs. O primeiro aqui seria o volume. Está bem? Então, basicamente, quanto maior o volume, melhor. Quanto mais dados você puder treinar seu modelo de IA, melhor ele será. próxima aqui seria a velocidade, a velocidade com que novos dados são gerados E, claro, no mundo em que vivemos hoje, isso é extremamente rápido. Em seguida, estaria a variedade, os diferentes tipos de dados nos quais o modelo de IA é treinado, sejam eles áudio, vídeo , imagens, texto, arquivos, etc. E então, a última, possivelmente a mais importante veracidade, quão precisos são os dados reais Obviamente, não importará se o volume for tão grande e de uma variedade homogênea Se a veracidade for baixa, esses dados basicamente serão inúteis É por isso que, na minha humilde opinião, acho que dos quatro Vs, veracidade será o mais importante Portanto, temos vários desafios de dados quando se trata de IA. Temos um viés de dados em que um modelo de IA pode ser treinado com dados tendenciosos E por causa disso, a IA começa a tomar certos tipos de decisões e isso pode levar a decisões injustas ou discriminatórias Também temos privacidade de dados porque um modelo de IA precisa ser treinado em grandes quantidades de dados. Existe a possibilidade de que informações confidenciais ou privadas possam ser inseridas na IA para treiná-la. E, claro, isso levantará preocupações sobre segurança e ética. Temos a qualidade dos dados. Novamente, muito, muito importante. Qual é a qualidade dos dados usados para treinar o modelo de IA? Portanto, se os dados forem ruins ou de baixa qualidade, isso pode levar a IA a tomar decisões erradas e, é claro, ao armazenamento e gerenciamento de dados. Portanto, a IA requer uma enorme capacidade de armazenamento, e o impacto aqui é que ela também exigirá um tratamento eficiente de dados. Então, não é tão fácil. Agora, indo um pouco mais fundo, temos as preocupações éticas e de privacidade quando se trata de dados de IA. Portanto, conteúdo e privacidade do usuário, IA não deve coletar ou usar dados pessoais sem consentimento. É nisso que gostamos de acreditar, é nisso que esperamos que seja o caso da IA, mas você nunca sabe realmente que sempre existe essa preocupação com o uso da IA. E depois, é claro, preconceito e justiça. Novamente, se os dados do modelo de IA, desculpe-me, foram treinados com base em dados tendenciosos, então a IA poderia tomar decisões discriminatórias e, em seguida, a transparência é muito, muito importante Os usuários devem saber como os sistemas de IA usam os dados e, possivelmente, talvez até importante, a IA deve ser capaz de explicar sua decisão sobre por que fez algo de uma certa maneira, transparência, muito, muito importante. Por exemplo, no reconhecimento facial, IA foi criticada por preconceito racial devido a conjuntos de dados de treinamento tendenciosos Falaremos sobre isso um pouco mais tarde. E também quando se trata de IA na contratação. Portanto, descobriu-se que os sistemas de contratação baseados em IA discriminam certos grupos discriminam certos grupos se treinados com dados tendenciosos. Novamente, a eficiência de um modelo de IA dependerá da qualidade dos dados nos quais ele foi treinado Portanto, temos o processo pelo qual a IA é capaz de melhorar sua tomada de decisão por meio de dados. Portanto, a primeira fase aqui no ciclo seria a fase de treinamento real, na qual a IA aprende história ou com os dados que lhe foram fornecidos E então, a IA agora poderá fazer previsões com base no que aprendeu E então, quando fizer uma previsão, os usuários poderão fornecer feedback à IA ou até mesmo aos desenvolvedores, eles poderão dizer à IA que, Ei, você obteve a resposta correta ou a previsão que você fez foi realmente falsa. E como a IA recebeu o feedback do usuário, ela passa novamente por uma fase de retreinamento para aprender com base no novo feedback que o usuário lhe deu. Então é assim que ele meio que passa por esse ciclo constante de tentar melhorar. Então, qual é o futuro dos dados na IA? Aprendizado federado em que os modelos de IA treinam nos dados do usuário sem transferir os dados para um servidor central, melhorando assim a privacidade e, em seguida, dados sintéticos em a própria IA poderá gerar conjuntos de dados artificiais Se os conjuntos de dados reais não estiverem disponíveis. E então o último aqui, o explicável AI DX AI é muito, muito importante Onde a IA deve ser capaz de explicar o motivo pelo qual tomou certos tipos de decisões. Isso seria um grande avanço em relação à transparência no uso da IA. Então, algumas conclusões importantes: os dados são a base da IA. Sem isso, a IA não pode aprender ou funcionar de forma eficaz. Obviamente, a IA poderia usar estruturas, não estruturadas ou semiestruturadas para aprender. E melhore. big data, é claro, melhora o desempenho da IA, mas você tem desafios como privacidade, preconceito e assim por diante Além disso, considerações éticas são importantes ao lidar com dados em sistemas de IA E, finalmente, a IA melhora continuamente por meio de nossos ciclos de feedback Então, isso é um agradecimento por assistir ao vídeo. Te vejo na próxima aula. 10. Algoritmos e modelos em inteligência artificial: Bem-vindo de volta. Então, agora vamos dar uma olhada nos diferentes tipos de algoritmos e modelos usados no mundo da IA. Mas antes de tudo, o que exatamente é um algoritmo? O que é um modelo? Os algoritmos são basicamente regras predefinidas que um modelo de IA pode usar para processar dados Mas os modelos de IA em si são simplesmente versões treinadas de algoritmos capazes de tomar decisões e talvez até mesmo previsões com base em novos dados Portanto, com o tempo, os modelos de IA melhorarão porque eles estão constantemente aprendendo com base no histórico, no feedback do usuário e muito mais. Por exemplo, seu filtro de spam, com o tempo, ficará cada vez melhor porque é capaz de aprender com e-mails de spam anteriores e talvez até e-mails identificados incorretamente como spam Com o tempo, isso melhorará. Mas quais são os tipos de algoritmos que temos? Temos a IA baseada em regras ou sua IA simbólica que usa suas regras e condições lógicas predefinidas Então, basicamente, é muito rígido, é sim, não, não, sim, não pode ser não, você sabe, coisas assim Portanto, funcionará bem com problemas muito estruturados, mas esses tipos de algoritmos enfrentarão incertezas. Um dos melhores casos em que esses tipos de algoritmos são usados seria em seus diagnósticos médicos Outro tipo de algoritmo seria, obviamente, o aprendizado profundo e as redes neurais. Eles usam redes neurais artificiais de várias camadas e, é claro, se destacam em tarefas complexas, como reconhecimento de fala, reconhecimento facial e assim por diante E, claro, uma IA de reconhecimento de imagem e gepty, eles usam o aprendizado profundo para identificar imagens e também gerar texto Agora, aprendizado de máquina, já falamos sobre isso. Eles aprendem padrões a partir dos dados em vez de seguir regras rígidas. Então, esses tipos de algoritmos são um pouco mais rígidos em sua abordagem Portanto, temos os diferentes tipos de aprendizado. Você tem seu aprendizado supervisionado, não supervisionado e, claro, Já falamos sobre eles. E depois os algoritmos comuns de IA e o aplicativo. Então, como exemplo, suas árvores de decisão, esse é um exemplo de algoritmo. Use o aprendizado supervisionado e você os terá em sua detecção de fraudes, em seu diagnóstico médico Você tem o que chamamos de máquinas vetoriais de suporte , suas SVMs. Eles também usam o aprendizado supervisionado. Você pode encontrá-los em classificação de texto, reconhecimento manuscrito e muito mais E então K significa agrupamento. Eles usam aprendizado não supervisionado. Você os encontrará principalmente na segmentação de mercado, detecção de anomalias Você tem suas redes neurais, aprendizado profundo. Obviamente, isso usará aprendizado supervisionado, e você os terá em seu reconhecimento de imagem, fala em texto e assim por diante, e então seus algoritmos genéticos que usam otimização, que são computação evolutiva de design orientada por IA Então, o que exatamente é o processo de treinamento para modelos de IA, normalmente seis etapas. A primeira etapa é sempre a coleta de dados. Novamente, eu já disse isso muitas vezes antes: os dados são a força vital de um modelo de IA O modelo de IA precisa dos dados para começar a aprender e começar a treinar. Então, uma vez que os dados tenham sido coletados, agora temos um pré-processamento de dados em que os dados serão limpos e formatados E depois disso, o modelo começa a ser treinado com base nos dados fornecidos. E então o modelo agora será avaliado. Ele será testado com novos tipos de dados. Então, pode ser como um exame, um teste só para ver o desempenho da IA. E, claro, se funcionar bem, a IA é então implantada no mundo real E, claro, com o tempo, a IA melhorará constantemente porque é capaz de se adaptar e aprender com o tempo. Então, com tudo isso em mente, como exatamente um algoritmo é escolhido? Existem tipos diferentes. Então, como os desenvolvedores, como as empresas decidem qual algoritmo usar ao tentar treinar seu modelo. Portanto, há vários fatores envolvidos aqui. Primeiro, é claro, será a disponibilidade dos dados. Alguns modelos, como o aprendizado mais profundo, precisam de grandes conjuntos de dados, enquanto as árvores de decisão, por exemplo, funcionam melhor com pequenas quantidades de dados E então a precisão necessária. Obviamente, se você quiser que um modelo de IA seja capaz fazer previsões muito boas e precisas, talvez esteja procurando redes neurais capazes de fornecer maior precisão Mas é claro que isso também exigirá mais poder de computação. E depois interpretabilidade. Portanto, as árvores de decisão são muito fáceis de entender, enquanto as redes de aprendizado profundo podem ser bastante complexas de entender. E também há situações em que um tipo específico de sistema alimentado por IA pode usar um ou mais algoritmos. Então, por exemplo, em seu banco para sistema de detecção, ele poderia usar uma árvore de decisão para interpretabilidade e, em seguida, poderia usar o aprendizado profundo para ser capaz reconhecer uma detecção de padrões complexos Então, quais são os desafios envolvidos nos algoritmos e modelos de IA? Falamos sobre o viés nos dados de treinamento, em os dados estão sendo usados para treinar o algoritmo ou o modelo pode ser de baixa qualidade. Obviamente, isso fará com que o modelo tome decisões erradas, muitos erros e, em seguida, tenha poder computacional, especialmente quando o algoritmo de aprendizado profundo for necessário Obviamente, isso significará que muitos recursos computacionais poderosos serão necessários e, em seguida, a explicabilidade e também modelos complexos, como redes neurais Eles funcionam de forma fantástica, são extremamente poderosos, mas podem ser muito difíceis de entender e explicar. Então, quais são as tendências futuras nos modelos de inteligência artificial o passar dos anos? IA explicável. Já falamos sobre isso, onde IA será capaz explicar as decisões que tomou. Obviamente, isso aumentará a transparência. E depois modelos híbridos de IA. Esse é um conceito muito, muito interessante em que podemos combinar diferentes abordagens de IA para obter um melhor desempenho. E também temos a inteligência artificial de ponta. Basicamente, modelos de IA que serão executados em dispositivos pequenos, como smartphones, para processamento em tempo real. E essas são algumas das tendências que podemos esperar no mundo da IA. Então, só para resumir, algumas conclusões importantes: em primeiro lugar, a IA usa aprendizado de máquina baseado em regras e algoritmos de dippling supervisionado, não supervisionado e por reforço são os principais tipos de aprendizado principais Os modelos de IA devem passar, é claro, por treinamento , avaliação e aprendizado contínuo para melhorar. E, finalmente, a escolha do algoritmo certo dependerá da precisão, disponibilidade dos dados e dos requisitos computacionais Muito obrigado por assistir ao vídeo. Te vejo na próxima aula. 11. Recursos e limitações de IA: Então, antes de concluirmos esse módulo, eu queria que analisássemos as capacidades e limitações da IA, como a conhecemos, começando com as capacidades, o que exatamente a IA pode fazer? Agora, listei vários recursos aqui, bem como a descrição e os exemplos. Eu vou passar por alguns deles. Vamos começar com a automação de tarefas repetitivas. Agora, essa é uma área em que a IA se destacou seja em finanças ou conjuntos de dados, ou na minha área de segurança cibernética Agora usamos a IA para realizar tarefas Portanto, ele pode realizar tarefas repetitivas com alta precisão e velocidade, e vemos isso com fóruns de bate-papo automatizados, suporte ao cliente e assim por diante E então, quando se trata de análise preditiva, IA é capaz de prever tendências futuras com base em dados anteriores Portanto, nesse cenário, é muito, muito importante que a IA receba o tipo certo de dados com os quais possa fazer previsões precisas e razoáveis para o futuro Agora, vimos isso em, tipo, previsões do mercado de ações, bem como na previsão do tempo, coisas assim E então, quando se trata de reconhecimento de imagem e fala, IA é capaz de identificar texto, objetos e sons. Ainda não está perfeito, mas estamos chegando lá. Acho que a IA hoje faz um trabalho muito bom ao ser capaz de identificá-los. E podemos ver exemplos carros autônomos em sua vigilância de segurança, e assim por diante. E, finalmente, quando se trata de robótica e automação, IA pode alimentar robôs para trabalhos precisos e, por exemplo, nós os temos na área da saúde com cirurgia robótica, bem como em Portanto, você pode, é claro, dar uma olhada no slide que apresentarei e examinar os outros recursos do, mas também forneci uma tabela listando as limitações que a IA não pode fazer. Então, por exemplo, falta um entendimento verdadeiro. Então, a IA pode processar dados, mas veja, ela não entende os dados como você e eu entendemos. Espero que eu também esteja falando com um ser humano. Só estou brincando. Então esse é o problema, sim, IA, diz os dados. Ele pode lidar com os dados. Ele pode processar os dados, mas na verdade não entende o que os dados realmente são. É só processar os dados e nos dar resultados, certo? E então, quando se trata de verdadeira criatividade e inovação, a IA pode gerar conteúdo, mas sempre faltará a criatividade humana, o toque humano. Portanto, dependendo também dos dados, IA ainda depende muito de conjuntos de dados muito grandes E, claro, você está falando sobre os altos custos computacionais Portanto, treinar modelos de IA muito complexos requer um hardware muito, muito caro. E, claro, as limitações gerais da inteligência, sim, podemos ter uma IA que pode vencer seres humanos no xadrez, mas ainda falha no bom senso ou no raciocínio Novamente, você pode dar uma olhada no slide para ver as outras limitações. Então, só para resumir a força da IA, IA pode lidar com big data Na verdade, é excelente, eu prospero quando me deparo com big data E, claro, velocidade e eficiência. A IA superou os humanos em tarefas computacionais e nem é engraçada E então, é claro, 27 de disponibilidade. Hagibty nunca lhe dirá que precisa uma pausa para o almoço ou que precisa dormir de uma pausa para o almoço ou que precisa dormir. Isso nunca vai acontecer. E então, é claro, as soluções de IA de escalabilidade podem ser implantadas globalmente muito, muito rapidamente, sem qualquer tipo de limitação humana Então, o resumo dos pontos fracos, e eu sei que isso pode parecer muito, muito duro, mas a IA ainda carece de bom senso Se você colocar a IA em uma situação inesperada ou incomum, ela terá dificuldades porque luta contra a ambigüidade Agora, a IA não pode substituir o julgamento humano, ok? Portanto, lembre-se de que a IA , por mais inteligente que seja , ela não tem coração. Não tem emoções. A IA não pode simpatizar, não pode simpatizar. Não consigo ficar com raiva, triste ou feliz. E, como tal, carecerá de raciocínio ético. E, claro, a IA depende dos dados de treinamento. O volume e a qualidade dos dados de treinamento determinarão o quão eficiente o modelo de IA realmente é. Então, na comparação aqui, humano versus IA, tenho a tabela de ideias. Então, criatividade. Humanos, é claro, muito, muito criativos. A IA é limitada. Uh, tomada de decisão, IA tomará sua decisão com base puramente em sua capacidade de reconhecer padrões Enquanto seres humanos, podemos tomar decisões com base na experiência, intuição e também no passado E então, capacidade de aprendizado, podemos aprender novas habilidades de forma muito, muito flexível É para isso que serve nosso cérebro. Embora a IA precise ser retreinada para novas habilidades e, em seguida, preconceitos, é claro, podemos ser influenciados pelas emoções, enquanto a IA só pode herdar preconceitos dos dados fornecidos Se os dados estiverem livres de qualquer viés , não há como a IA se tornar tendenciosa E, claro, a velocidade de processamento é muito mais lenta do que a IA, enquanto nossa IA é muito, muito mais rápida do que nós quando se trata nossas tarefas estruturadas Portanto, a principal conclusão é que a IA é extremamente poderosa, mas é claro que tem suas limitações Ele é excelente em automação e previsão, mas sempre carecerá de razão em nível humano E então a IA depende muito de dados e algoritmos. E, portanto, dados insuficientes levarão a resultados imprecisos. Dados tendenciosos levarão a IA a tomar decisões tendenciosas e, então, a IA nunca será capaz de substituir o julgamento humano. E esperamos que o futuro da IA inclua modelos mais éticos, explicáveis e também adaptáveis Então esse é basicamente o resumo. Obrigado por fazer esta lição em particular. Te vejo na próxima aula. 12. Prévia da seção Noções básicas de aprendizado de máquina: Bem-vindo ao próximo módulo, noções básicas sobre aprendizado de máquina. E, como sempre, vou mostrar para você um clipe de um filme, então sente-se, relaxe, aproveite o clipe e nos vemos no final. Há seis em cima. Não há como você ganhar esse jogo. Eu sei disso. Não aprendeu. O rn vai fazer com que ele jogue sozinho? Spin Learn, caramba. A. Christ James Game, o único filme vencedor não é hoje. Ok, bem-vindo de volta. Agora, esse clipe foi retirado do filme War Games lançado no ano de 1983. E a razão pela qual escolhi usar esse clipe em particular é porque ele demonstra perfeitamente um dos conceitos-chave de como os modelos de IA aprendem, por meio do processo de tentativa e erro Agora você observará que, no clipe, sistema de IA conhecido como Joshua, ele joga um jogo de tic-tack toe O jogo termina em um impasse e, em seguida, continua jogando contra si mesmo repetidamente Mas observe que cada vez que ele muda de estratégia, os jogos continuam terminando em uma caixa obsoleta. Eventualmente, agora decide isso, você sabe o que, antes de eu lançar os mísseis nucleares Ah, a propósito, eu deveria ter te dado algum contexto. Na cena, deveria ser uma cena muito grave porque o sistema, Joshua, o modelo de IA, está assumindo o controle ou está prestes a assumir o controle do de mísseis nucleares dos Estados Unidos mísseis nucleares E, claro, as pessoas estão em pânico. Eles temem que ele lance mísseis nucleares contra a União Soviética Sovnia responderá e, claro, todos nós vamos morrer Então Joshua decide isso, você sabe o que? Antes de lançar esses mísseis nucleares, talvez eu devesse tentar estratégias diferentes para ver quem realmente venceria em uma guerra nuclear Então, a primeira estratégia é lançar mísseis dos Estados Unidos para a União Soviética, mas depois percebe que, OK, essa estratégia não vai funcionar porque não haverá um vencedor Em seguida, tenta outra estratégia em que é a União Soviética quem lança os mísseis primeiro. Mas então ele percebe que, OK, essa estratégia também não funciona. Não há vencedor. E então ele tenta centenas de outras estratégias diferentes. E cada vez percebe que não haverá um vencedor Então, eventualmente, é possível concluir que a melhor maneira de vencer esse jogo em particular é não jogar. Então, a IA, Joshua, foi capaz de se ensinar sozinha Ele aprendeu por meio do processo de tentativa e erro. Cada vez que tentava uma estratégia e o resultado era negativo, ela voltava atrás, reajustava sua técnica, reajustava sua estratégia e depois tentava E então, quando o resultado foi que o mesmo impasse negativo voltou, encontramos uma estratégia mais uma vez, e é basicamente assim que os sistemas de IA aprendem É assim que eles aprendem sozinhos. Eles tentam alguma coisa. Oh, a resposta não estava correta. Deixe-me voltar. Deixe-me tentar uma estratégia diferente. Oh, isso não funciona. Deixe-me voltar. Deixe-me tentar uma estratégia diferente e assim por diante. Portanto, acredito que o conceito de tentativa e erro foi bem enfatizado neste clipe em particular Então, espero que você tenha gostado dessa introdução ao mundo das máquinas e do básico. Vamos agora passar para a próxima lição. 13. Como as máquinas aprendem na prática: Tudo bem, agora vamos dar uma olhada na próxima lição, vamos falar sobre como as máquinas aprendem na prática, como elas são treinadas Portanto, todo o processo de aprendizado de máquina envolve três componentes principais. Você tem os dados, os modelos e, é claro, o treinamento em si. A outra coisa sobre o aprendizado de máquina é que, diferentemente da programação tradicional, em que o código é escrito explicitamente e os programas precisam funcionar exatamente como são codificados, com as máquinas, eles não memorizam Em vez disso, eles conseguem encontrar padrões nos dados com os quais estão trabalhando. Em outras palavras, o aprendizado de máquina envolve um processo muito mais flexível pelo qual os modelos são capazes aprender e melhorar com o tempo. Agora, toda a fase de aprendizado envolve a máquina ou o modelo tentando ajustar ou reajustar seus processos para que possam melhorar com o tempo Agora, assim como com estudantes normais, tenho certeza de que você já fez exames no passado, antes de fazer o exame na faculdade ou no ensino médio ou em qualquer outro lugar, tenho certeza de que você deve ter estudado primeiro, certo? Talvez você tenha feito um curso, um curso on-line ou talvez tenha lido um livro didático, Agora, enquanto você estava aprendendo e se preparando para o exame, tenho certeza de que você fez certos tipos de questionários, testes e, finalmente, foi para o exame final e, é claro, Também é meio parecido com o aprendizado de máquina. Primeiro, eles forneceram dados que estudariam. E então haverá esse estágio específico em que eles serão testados apenas para ver se estão realmente aprendendo corretamente da maneira certa. E, por fim, eles serão testados com novos tipos de dados que nunca viram antes, apenas para testar seu desempenho no mundo real. Portanto, também é parecido com o aprendizado de máquina. Agora, a ideia principal aqui é que o aprendizado de máquina não envolve a memorização de dados Imagine um filtro de spam, certo? Imagine que você está tentando criar inteligência artificial para um filtro de spam. Existem poucos tipos de filtros de spam que a máquina pode memorizar. Ok, isso é um e-mail de spam. Este é um e-mail de spam. Este é um e-mail de spam e assim por diante. Mas e se esse modelo específico for apresentado com um novo tipo de e-mail de spam que talvez seja apresentado de uma forma um pouco diferente? O modelo falhará porque não memorizou essa nova versão específica do e-mail de spam É por isso que é sempre melhor que máquinas e modelos aprendam por meio do processo de identificação de padrões. Ok, eles são mais flexíveis dessa forma. Então, existe essa coisa chamada seleção de recursos, certo? seleção de recursos envolve a máquina ou o modelo simplesmente procurando as partes mais importantes dos dados. Então, o que exatamente são recursos? Há informações relevantes que ajudariam o modelo ou a máquina a tomar decisões, certo? Portanto, escolher os tipos certos de recursos ajudará o modelo a melhorar sua precisão. E, claro, remover qualquer tipo de recurso desnecessário também minimizará os erros e também ajudará o modelo a melhorar sua precisão. Agora, eu fiz uma analogia aqui envolvendo a venda de uma casa, digamos, por exemplo, que você esteja tentando construir um modelo ou uma inteligência artificial que possa fazer previsões sobre quanto custaria uma casa O tipo certo de recursos sobre os quais você falará aqui seria qual localização, ok? Onde está localizada a casa? E então vamos falar sobre o tamanho da casa, ok, quantos quartos ela tem. Esses são os tipos de recursos mais importantes nos quais o modelo deve ser treinado. Os recursos desnecessários aqui seriam coisas como qual é a cor da TV no quarto, certo? Tipo, coisas assim, qual é a cor do chão no banheiro? Por exemplo, esses são recursos muito, muito desnecessários que não ajudarão o modelo a fazer uma boa previsão. Sobre quanto a casa realmente custaria. Portanto, também existe esse processo chamado otimização. otimização é onde os modelos se ajustam tempo para melhorar os níveis de precisão. Agora, há um conceito-chave aqui chamado função de custo. A função de custo é basicamente o valor que determina distância do modelo para fazer a previsão real. Então, voltando à venda da casa, certo? Imagine que o modelo previu que, ok, esta casa será vendida por $500.000 Mas imagine se a casa acabasse sendo vendida por $750.000 A função de custo aqui seria, obviamente, $250.000. Portanto, com o tempo, por meio do processo de otimização, o modelo ficará cada vez melhor e melhor e tentará reduzir a função de custo. Então, talvez na próxima vez, em vez de 500, digamos 700.000, a casa seja vendida novamente por 750, mas agora a função de custo é de apenas 50.000 Então, com o tempo, o modelo realmente melhorou por meio do processo de otimização. Então, como o modelo realmente melhora bem? Ele atualizará seus parâmetros internos para reduzir os erros de previsão e, claro, também aprenderá com seus erros. Essas são as maneiras pelas quais os modelos melhorarão com o tempo. Também existe essa técnica chamada de gradiente descendente. Esse é o próprio processo de aprendizado e é uma técnica que ajudará o modelo a se ajustar pouco a pouco, passo a passo. A ideia geral aqui é que, sempre que o modelo estiver tentando melhorar e reduzir sua função de custo, ele não dará passos gigantescos. Não vai acontecer, não é como se fosse passar por uma grande melhoria muito, muito, muito rapidamente. Leva tempo, constante, estável, constante, certo? Então, pense nisso como encontrar o ponto mais baixo de uma montanha. O modelo continuará se ajustando até encontrar as melhores configurações Então, eu dei aqui um exemplo envolvendo o filtro de spam mais uma vez. Portanto, o filtro de spam prevê spam para e-mail. Mas digamos, por exemplo, que na verdade não seja spam, é um e-mail real. Então, com o tempo, o modelo perceberá que, tudo bem, esses tipos de e-mails que eu rotulei como spam antes, agora sei que não são mais spam Na verdade, eles escrevem e-mails, os e-mails legítimos. Mas esses são os únicos, ok, agora eu sei que isso é realmente spam, e é assim que, passo a passo, o modelo melhorará gradualmente sua capacidade de determinar se um e-mail é spam ou não. Portanto, quanto às taxas de aprendizado, é muito importante que o modelo realmente encontre o equilíbrio certo durante a fase de aprendizado, porque se estiver aprendendo muito rápido, nunca encontrará as respostas certas e as soluções certas. Mas se estiver aprendendo muito devagar, levará uma eternidade para obter a resposta certa. Pense nisso como se você estivesse tentando girar o botão de frequência de um rádio, certo? Talvez você esteja tentando encontrar a frequência da sua estação de rádio favorita. Se você girar o botão muito rápido, nunca encontrará a frequência real porque está sendo muito rápido. Mas agora imagine que se você estiver girando o botão muito lentamente, muito lentamente, levará eternidade para encontrar a frequência certa Portanto, deve haver o equilíbrio certo com o aprendizado certo para o modelo. Então, por que alguns modelos aprendem melhor do que outros? Bem, tudo se resume à qualidade dos dados. Lembre-se de que os dados são muito importantes quando se trata de treinar modelos e máquinas. Portanto, a qualidade e a quantidade de dados terão um papel fundamental aqui. E depois da seleção de recursos, é claro, os modelos precisam ser treinados para encontrar os recursos certos ao tentar trabalhar com dados, fazer previsões ou encontrar respostas para problemas E também a complexidade do modelo. Imagine se você estivesse criando um modelo muito, muito simples para aprendizado de máquina ou IA. Bem, há um limite de tarefas que ele será capaz de realizar. Talvez não seja capaz de realizar tarefas complexas. Mas agora imagine que se você realmente criasse um modelo muito complexo , as funções ou os tipos de tarefas que você dá ao modelo para executá-lo podem ser um pouco desperdícios, porque o modelo foi construído para algo muito mais complexo. Além disso, a eficiência da otimização, um modelo bem ajustado, treinará mais rápido e se generalizará muito Portanto, esses são os principais fatores que explicam por que certos tipos de modelos têm um desempenho muito melhor e são treinados muito melhor do que nossos outros modelos. Então, algumas dicas importantes aqui: em primeiro lugar, seus modelos de aprendizado de máquina aprendem ajustando perímetros para minimizar erros, treinando, treinando Eles garantem que os modelos se generalizem bem. E então a seleção de recursos, como eu disse, é muito, muito importante. É crucial. Lixo entra, lixo sai. Se os modelos forem treinados com os tipos errados de recursos, eles terão um desempenho muito, muito ruim. E então, técnicas de otimização, como a classificação decrescente, melhorarão a precisão do modelo ao longo do tempo e, é claro, um peso de aprendizado equilibrado garantirá um aprendizado tranquilo Então, isso é tudo para o aprendizado de máquina. Obrigado por assistir. Te vejo na próxima aula. 14. Aprendizagem supervisionada em ação: Não vamos falar sobre aprendizado supervisionado. Então, o que exatamente é esse poço? Esse é um tipo de aprendizado de máquina em que o modelo é treinado usando dados rotulados Então, o que exatamente são dados rotulados? Isso significa simplesmente que cada exemplo de treinamento ou dado com o qual o modelo é treinado inclui tanto a entrada, que seriam os recursos, quanto a saída correta, que seria o rótulo real. Portanto, a ideia aqui é o modelo seja capaz de fazer previsões e encontrar relações entre entradas e as saídas Então, como exatamente isso ocorre? A primeira etapa é que os dados serão coletados e rotulados Voltando ao meu exemplo favorito, o filtro de spam. Milhares de e-mails podem ser coletados na primeira etapa e depois rotulados Então, teremos e-mails que são spam e , em seguida, e-mails spam que são realmente legítimos, certo? E então o modelo será treinado. Serei treinado para identificar quais e-mails são spam e quais ganham. E então, na terceira etapa, o modelo agora será testado com novos tipos de e-mails que nunca viu antes para serem avaliados. E, claro, se funcionar muito bem , será implantado no mundo real É assim que todo o processo realmente funciona. Agora, quando se trata de aprendizado supervisionado, existem dois tipos: temos classificação e regressão O que exatamente são esses dois? Com a classificação, é aqui que o modelo atribuirá uma entrada a um tipo específico de categoria. Funciona melhor quando os desafios as tarefas ou as perguntas têm valores distintos Então, digamos, por exemplo, em seu filtro de spam de e-mail, o e-mail será spam ou será legítimo, certo? Não há nada no meio. Vamos falar sobre os resultados do seu laboratório, certo? Os resultados podem ser positivos ou negativos. Análise de sentimentos, certo, talvez o sentimento tenha sido positivo, negativo ou neutro Portanto, a classificação é melhor quando os valores das saídas são realmente discretos Eles têm tipos de valores muito específicos. Agora, com a regressão, é aqui que o modelo precisa fazer previsões e não a resposta correta real para uma tarefa Então, digamos, por exemplo, que o modelo tenha que tentar prever o custo de venda de uma casa real; ele analisará características como o tamanho da casa, a localização. Mas, em última análise, ainda vai fazer uma suposição, uma previsão. Não sabe ao certo se a casa será vendida pelo valor que prevê, certo? Você fala sobre prever as mudanças do mercado de ações, as mudanças climáticas também, as temperaturas diárias, coisas assim Portanto, questões ou problemas em que a saída é contínua, regressão será usada Então, para resumir tudo agora, quero voltar ao meu exemplo favorito , o filtro de spam. Então, na primeira etapa, temos os dados de treinamento em que milhares de e-mails são coletados, eles são rotulados como spam, não spam Agora vem a extração de recursos. Lembre-se de que a extração de recursos é uma técnica muito, muito importante para melhorar a precisão do modelo. Então, aqui, o modelo precisa ser ensinado que, ok, certos tipos de recursos em seu spam devem ser examinados. Então, coisas como, por exemplo, as palavras-chave usadas, o título da reputação do e-mail do usuário, o envio de um e-mail. Esses são os recursos muito importantes nos quais o modelo precisa ser treinado para identificar se o e-mail é spam ou legítimo. E então, é claro, como eu disse, o modelo será treinado. E então o modelo será testado. Um novo e-mail que nunca foi visto antes será apresentado a ele. E então, é claro, o teste agora será se o modelo pode ou não identificar se aquele e-mail é spam ou não. E, claro, com o aprendizado contínuo, o modelo melhorará com o tempo, à medida que analisa cada vez mais e-mails. Então, quais são os desafios e limitações do aprendizado supervisionado Bem, em primeiro lugar, a rotulagem de dados é muito cara. Ela exige grandes quantidades de dados de alta qualidade. E nessa questão de sobreajuste, em que o modelo, em vez de tentar generalizar e encontrar padrões, acaba realmente memorizando E então, é claro, o viés nos dados, você sempre encontrará isso. Se os dados fornecidos ao modelo forem tendenciosos, o modelo não funcionará muito bem E, é claro, o aprendizado supervisionado não funciona bem com dados não estruturados Então, talvez você forneça ao modelo imagens que não tenham rótulos ou dados brutos. aprendizado supervisionado não funcionará com dados não estruturados Portanto, as principais conclusões para resumir as aulas: o aprendizado supervisionado aprende com os dados do rótulo Ele é usado na classificação, onde os dados são categorizados, e também na regressão onde prevê nossos valores contínuos. Os aplicativos do mundo real incluirão sua proteção contra spam, aplicativos do mundo real incluirão diagnóstico médico, previsão de estoque e, é claro, os desafios incluirão viés de dados, requisitos de dados e, claro, todos Obrigado por assistir ao vídeo. vemos na próxima aula, onde daremos uma olhada no aprendizado não supervisionado da LCU 15. Aprendizagem não supervisionada e reconhecimento de padrões: Na última aula, falamos sobre aprendizado supervisionado. Então, agora é hora de falar sobre aprendizado não supervisionado. Agora, se o aprendizado supervisionado lida com dados rotulados, obviamente o aprendizado não supervisionado lidará com Portanto, a ideia aqui é que o modelo na máquina tente encontrar padrões com dados que não estejam rotulados Agora, eu dei um exemplo aqui em que você tem uma empresa que tem milhares e milhares de registros de clientes, ok? O problema do modelo aqui é que ele não vai saber quem é o cliente ou o cliente B ou o cliente C ou o cliente D. Uma coisa que ele poderia fazer, porém, é examinar o histórico de compras dos clientes e tentar agrupá-los em categorias diferentes com base , novamente, em seu histórico de compras. Quanto eles gastam. Então, por exemplo, o modelo poderia examinar os registros do cliente e decidir isso, você sabe o que? Clientes que gastaram mais de $1.000 de uma vez, deixe-me agrupá-los na categoria de pessoas que gastam E então pode haver clientes que só fazem compras sempre que há descontos, certo? Então, talvez queira agrupar esses tipos de clientes na categoria astuta ou, você sabe, algo parecido Ou pode até tentar agrupar clientes com base no que eles realmente compram. Então, talvez você tenha clientes que compram acessórios, como, você sabe, relógios de pulso, pulseiras, coisas Então, ele pode tentar classificar os clientes na categoria de acessórios, você sabe, coisas assim É exatamente assim que funciona o aprendizado não supervisionado. Portanto, há quatro etapas principais envolvidas aqui. Em primeiro lugar, o modelo receberá os dados brutos não estruturados e não rotulados e, em seguida, o modelo, por si só, precisará encontrar as estruturas, padrões ou relacionamentos dentro E, depois de fazer isso, ele organizará os dados em pequenos clusters, categorias ou componentes E, finalmente, a saída, sempre que o modelo fizer uma previsão ou colocar saída com base na precisão da saída, o modelo também aprenderá e melhorará com o tempo. Então, eu lhe dei a ideia principal aqui é que o algoritmo ou modelo nunca dá a resposta correta para uma tarefa, um desafio ou um questionário Ele aprende padrões sozinho. Você pode tentar pensar nisso como o modelo de ensino em si, treinando-se para encontrar os tipos certos de respostas para tarefas e desafios. Portanto, existem certos tipos de técnicas essenciais envolvidas no aprendizado não supervisionado. O primeiro aqui seria o agrupamento. Essa é provavelmente a técnica mais popular. Aqui, os dados serão agrupados em categorias semelhantes. Portanto, de acordo com as informações o algoritmo dividirá o conjunto de dados em grupos ou clusters, onde os itens no mesmo cluster são meio semelhantes entre si do que os de outros Então, no melhor caso de uso aqui, falei sobre segmentação de clientes, em que os poderiam ser agrupados com base em seu histórico de compras, quanto gastaram, o que gostam de comprar ou quando gostam de gastar coisas assim, certo Temos alguns exemplos dos algoritmos de agrupamento. Você tem o clustering mins, agrupamento hierárquico em que os clusters são construídos em uma árvore e, em seguida, a varredura de banco de dados que tentará identificar o agrupamento hierárquico em que os clusters são construídos em uma árvore e, em seguida, a varredura de banco de dados que tentará identificar regiões densas nos dados. Agora, a próxima técnica aqui é algo chamado redução de dimensionalidade. Não me culpe. Não fui eu quem inventou esse termo muito, muito interessante. Redução de dimensionalidade. Parece algo que você encontraria em um livro didático de engenharia espacial, certo Está meio que por dentro. Não sei quem inventou esse termo. Mas, basicamente, isso significa simplesmente que estamos simplificando dados complexos Isso é o que significa redução de dimensionalidade. Então, por definição, isso reduzirá grandes quantidades de dados, preservando o padrão principal Portanto, seu caso de uso aqui seria algo como a compactação de dados, em os dados podem ser compactados em um tamanho menor, mas os principais recursos desses dados ainda serão mantidos Temos alguns algoritmos para a redução da dimensionalidade, sua análise de componentes principais, seu PCA e, em seguida, seu TSN, que é a incorporação de vizinhos estocásticos distribuídos em T. Não há necessidade de nos aprofundarmos nesses algoritmos, ok? Mas a analogia aqui é basicamente tentar imaginar comprimir um livro que tem, digamos, 500 páginas ou 1.000 páginas em uma única página Pense nisso como uma tentativa de resumir as ideias-chave desse livro Portanto, embora tenha sido reduzido de 1.000 páginas para uma página. Essa página incluirá todas as principais ideias e informações desse livro. E então a técnica final aqui será o que chamamos de detecção de anomalias, que o modelo aprende a encontrar padrões incomuns Então, por definição, você identificará pontos de dados que se desviam significativamente do gnome O caso de uso aqui será em sua detecção de fraudes ou talvez até mesmo em seus firewalls, certo? Um firewall pode detectar tráfego malicioso porque é incomum. Talvez o tráfego esteja vindo de um endereço IP incomum ou de um local incomum. Essa é uma das técnicas. Essa é uma das maneiras pelas quais o firewall é capaz de determinar o que é tráfego real e o que é tráfego malicioso. Então, exemplos dos algoritmos usados aqui, temos o isolamento aqui, o algoritmo se concentrará em identificar os valores discrepantes nos dados e, em seguida, temos a única classe SVM usada para detectar instâncias muito raras e incomuns Então, a principal analogia aqui é pensar em seus scanners de segurança em um aeroporto Eles detectam itens suspeitos simplesmente com base em padrões. Ok, então quais são as aplicações do aprendizado não supervisionado no mundo real Você os tem na segmentação de clientes e, normalmente, na detecção, que poderíamos usar para firewalls, detecção de fraudes e assim por diante, e também no diagnóstico médico, onde o modelo ou a máquina de IA encontra padrões ocultos em seus dados genéticos ou E depois recomende sistemas como no seu Netflix, no Spotify, no YouTube, todo o trabalho com base no histórico de pesquisa do usuário E então, é claro, em seus mecanismos de pesquisa, é claro, como o Google, isso categorizará as páginas com base nas semelhanças de tópicos Então, quais são os desafios e limitações do aprendizado não supervisionado, então não há rótulos claros Portanto, não há como verificar se a saída do modelo está realmente correta. O modelo precisa descobrir isso sozinho. E depois é difícil de interpretar. Então, alguns agrupamentos ou padrões podem não ser significativos, ok? Em uma tentativa do modelo de tentar agrupar certos tipos de dados em um cluster ou categoria, ele pode não funcionar muito bem porque , como ou o que costumava agrupar, esses dados podem não estar claros o suficiente. E, em seguida, escolher o número certo de clusters. Esse é outro grande desafio aqui. Portanto, algoritmos como suas minas exigem certos parâmetros. Basicamente, você precisa indicar quantos grupos o modelo precisa criar ou quantos clusters ele precisa criar. Caso contrário, pode acabar criando poucos clusters ou grupos ou talvez criando muitos também. Então isso pode ser um desafio. E então, o computacionalmente caro, é muito O treinamento processa grandes conjuntos de e isso exigirá muitos recursos computacionais Portanto, algumas das principais conclusões do aprendizado não supervisionado: o aprendizado não supervisionado encontra estruturas ocultas nos dados sem encontra estruturas ocultas nos dados sem rótulos. agrupamento é usado para agrupar pontos de dados semelhantes, por exemplo, na segmentação de clientes, e então a redução da dimensionalidade simplificará os dados para melhor visualização e eficiência, e a detecção de anomalias tentará identificar fraudes, ameaças à segurança E, finalmente, os desafios envolvidos com o aprendizado não supervisionado incluirão interpretabilidade, custo computacional e, claro, a falta de a falta Obrigado por assistir ao vídeo. Te vejo na próxima aula. 16. Aprendizagem por reforço e tomada de decisões: Bem, volte aqui. Então, agora vamos dar uma olhada no terceiro tipo de aprendizado de máquina. E aqui, estamos falando sobre aprendizado por reforço. Agora, diferentemente do aprendizado supervisionado, em os dados são rotulados, ou do aprendizado não supervisionado, em que o modelo precisa encontrar padrões nos dados, no aprendizado por reforço, o processo de aprendizado ocorre por tentativa Então, basicamente, você tem seu agente ou seu modelo de IA que executará uma ação em um ambiente e, dependendo do tipo de ação realizada, ele poderá receber uma recompensa ou uma penalidade. Assim, com o tempo, o modelo aprende os tipos certos de ações a serem tomadas para receber mais recompensas Por exemplo, um carro autônomo aprenderá a navegar pelas estradas recebendo recompensas por dirigir sozinho ou penalidades por colisões ou direção imprudente Como é o processo? Bem, primeiro de tudo, temos o agente, que é o modelo de IA que operará e tomará ações. Temos o ambiente no qual o modelo está operando e, em seguida, o estado, a situação atual do agente nesse ambiente e, em seguida, a ação que o agente executará. E então, é claro, o sistema de recompensa, feedback positivo por boas ações, feedback negativo por ações ruins. Eu tenho o diagrama aqui dando mais informações. Portanto, temos o agente que interagirá com o ambiente. Em seguida, precisaremos examinar o estado do agente nesse ambiente e, em seguida, a ação em que o modelo executará uma ação com base em sua política e, em seguida, recompensará o feedback positivo ou negativo. E então o agente ou o modelo atualizará sua política para que, no futuro, possa obter mais recompensas positivas. E então, é claro, todo esse processo é repetido. Então imagine que você está tentando ensinar um robô a andar, certo? Se o robô cometer um erro, ele poderá receber uma penalidade. Talvez tenha caído, por exemplo , receba uma penalidade. Mas, se estiver movendo os braços e as pernas corretamente , receberá recompensas e, com o tempo, o robô acabará aprendendo a funcionar corretamente. Portanto, temos quatro algoritmos-chave para o aprendizado por reforço Vamos dar uma olhada neles um por um. O primeiro aqui é o aprendizado Que ou o aprendizado baseado em valores. Então, aqui, nesse tipo específico de algoritmo, o agente ou o modelo aprenderá a melhor ação a ser tomada simplesmente criando algo conhecido como tabela de espera. É basicamente uma tabela de recompensas para diferentes tipos de ações. Então, digamos, por exemplo, tudo bem, um agente pode realizar quatro tipos de ações, ação A, B, C ou D. Se ele realizar a ação A, receberá uma grande penalidade. Ação B, recebe uma pequena penalidade. Ação C, ela recebe uma pequena recompensa. Ação D, ela recebe uma grande recompensa. Então, com o tempo, ele vai construir essa tabela. Ele sabe que, Oh, quanto mais ações eu fizer, maiores serão as recompensas. Com o tempo, ele aprende como realizar cada vez mais Ds de ação. Por isso, é usado onde o ambiente é totalmente observável, como quando a IA está aprendendo sozinha a jogar xadrez, por exemplo Então, eu tenho o diagrama aqui, dando mais detalhes. Eu vou te fornecer o slide. Então, é claro, você pode ver isso em seu tempo de lazer. O próximo algoritmo aqui é o algoritmo profundo da Q Networks. Isso não usa tabelas de espera. Ele usa redes neurais. Portanto, isso pode lidar com ambientes muito complexos como em seus jogos de Atari, robôs autônomos O exemplo que estou dando aqui é quando uma IA aprende a jogar videogame maximizando sua pontuação em milhares de testes O terceiro algoritmo aqui são os métodos baseados em políticas. Então, em vez de aprender valores para ações, o modelo ou o agente realmente aprenderá uma política. Uma política, neste caso, neste momento, seria uma estratégia para escolher diferentes tipos de ações. Portanto, funciona muito bem em ambientes em que uma mudança muito pequena pode afetar todo o resultado, como na robótica, por exemplo Então, o exemplo que eu dei aqui é um braço robótico, aprendendo a agarrar ou pegar objetos simplesmente refinando Então, eu tenho o diagrama aqui também. Novamente, você pode estudar isso em seu tempo livre. E então o algoritmo final aqui é o método do ator crítico Isso combinará os métodos baseados em valor e baseados em políticas para obter mais eficiência. É usado para problemas muito complexos do mundo real como dirigir sozinho, finanças e assim por diante. Um exemplo de ceder aqui é uma IA que aprende como e quando comprar e vender ações para maximizar seus lucros Temos vários aplicativos de recompensa, como eu disse anteriormente, carros autônomos em seus jogos, como seu AlphaGo, Open AI five, at Hari em sua robótica, finanças e negociação e, claro, em chatbards e Mas temos desafios e limitações do aprendizado por reforço A primeira delas aqui é que o aprendizado por reforço requer milhões e milhões de simulações para o modelo melhore com o tempo Não está funcionando necessariamente com dados aqui. Está trabalhando mais com tentativa e erro, então precisa passar por milhares, talvez milhões de tentativas e erros. Você sabe, para ficar melhor no que faz. E, claro, é um processo de aprendizado muito lento. Esse é um dos maiores desafios do aprendizado por reforço, desculpe-me E também temos o dilema da exploração versus exploração. O que exatamente é isso? Bem, aqui, o agente ou o modelo deve tentar novas ações, que seriam a exploração versus o uso do que já aprendeu, que seria a exploração. Tem que encontrar o equilíbrio certo entre os dois, o que pode ser muito, muito complicado E, finalmente, a imprevisibilidade. Portanto, a IA pode encontrar brechas no sistema de recompensa que levem a resultados não intencionais Isso pode ocorrer em situações em que o sistema de recompensas não tenha sido desenvolvido adequadamente e em certas ações que deveriam ter resultado talvez em Em vez disso, o modelo recebe grandes recompensas. Então, isso pode confundir o modelo e, eventualmente, com o tempo, ele acabará tomando decisões erradas Então, algumas dicas importantes antes de concluirmos o aprendizado por reforço: aqui, o modelo aprende interagindo em um ambiente e Tentativa e erro são, na verdade, a base do aprendizado por reforço principais técnicas de aprendizado por reforço incluirão seu aprendizado de Q, suas redes profundas de Q, métodos baseados em políticas e, é claro, seus modelos de crítica de atores E, claro, o aprendizado por reforço é usado na robótica É usado em finanças. É usado em carros autônomos, jogos e muito mais. E, é claro, os desafios incluem aprendizado lento, altos custos de computação e comportamento imprevisível Obrigado por assistir. Te vejo na próxima aula. 17. Árvores de decisão, regressão e clustering: Agora fale sobre árvores de decisão, regressão e agrupamento. Agora, já falamos brevemente sobre regressão e agrupamento anteriormente, mas aqui vamos nos aprofundar um Mas vamos começar falando primeiro sobre árvores de decisão. O que exatamente eles são? Eles são basicamente um algoritmo de aprendizado supervisionado usado tanto para classificação quanto para regressão Lembre-se de que classificação e regressão são duas técnicas sob aprendizado supervisionado. Por isso, ele tenta imitar o processo de tomada de decisão humana dividindo os dados em uma estrutura de regras semelhante a uma árvore Agora, eu te dei no slide aqui, o diagrama de como isso realmente funciona. Tudo começa na base, que seria o nó raiz, o conjunto de dados. Então, eventualmente, esses dados se dividirão em ramificações com base em certos tipos de condições ou características e, eventualmente, essas ramificações terminarão em nós de folhas, o que seria a decisão ou previsão final que o modelo realmente toma. Portanto, as vantagens das árvores de decisão, como você pode ver, são muito, muito fáceis de interpretar porque estamos falando estruturas bem definidas, fluxogramas simples, certo? E então funciona muito bem com dados categóricos e numéricos Portanto, é muito, muito versátil. E então não há necessidade de escalar dados com base no que você encontrará na regressão ou no agrupamento Mas temos certas desvantagens das árvores de decisão. Uma é que ele é propenso a ajustes excessivos, é aí que o modelo, em vez de tentar generalizar e encontrar padrões, acaba memorizando os dados de treinamento e também é sensível a mudanças muito, muito pequenas Agora, quais são as aplicações reais das árvores de decisão? Você os encontrará em sua detecção de fraudes, seu diagnóstico médico ou até mesmo em aprovações de empréstimos em bancos Agora, vamos passar para a regressão. Agora, já falamos sobre regressão sob o aprendizado supervisionado. Aqui, o modelo tenta prever resultados contínuos, certo? E falamos sobre ser uma técnica de aprendizado supervisionado usada para prever valores contínuos com base em dados anteriores Uma coisa que eu não mencionei, porém, foi que temos vários tipos de regressão. Há cerca de oito ou nove deles. Mas aqui, quero falar sobre os três mais importantes, na minha humilde opinião Temos regressão linear, regressão polinormal e, em seguida, regressão logística Deixe-me fazer algumas analogias aqui, ok? Para regressão linear, imagine o modelo de IA tentando prever quanto custaria uma casa Agora, em geral, ele sabe que quanto maior a casa, mais cara ela será. Isso é em geral. Portanto, nesse tipo de cenário, o modelo poderia usar regressão linear para fazer a previsão No entanto, e quanto à regressão polinomial? Imagine o modelo aéreo tentando prever a velocidade de um carro. Mas o problema é o seguinte. O carro não está sempre na mesma velocidade. Ele poderia acelerar, eu poderia desacelerar. Pode acelerar novamente. Eu poderia diminuir a velocidade. Portanto, é impossível o modelo use regressão linear nesse tipo de cenário Ele precisa usar uma regressão polinimal qual tentará traçar um gráfico do movimento do carro e, em seguida, tentar determinar a velocidade com que ele está E então a última aqui, a regressão logística. Imagine que você tenha um modelo de IA treinado para determinar o quão qualificado um candidato seria para um emprego. Agora, o problema é o seguinte. Eventualmente, o modelo dirá: Ok, o candidato é qualificado ou não, certo? No entanto, o processo de tomada de decisão não é tão simples porque dependerá muito das qualificações desse candidato Pode até depender das qualificações dos outros candidatos que também estão lutando pelo mesmo emprego Então, nesse tipo de cenário, o modelo poderia usar regressão logística Portanto, as vantagens da regressão são que ela é muito, muito simples E fácil de entender. Funciona muito bem com dados numéricos E também é a base para modelos avançados de aprendizado de máquina, que você encontra em finanças , saúde, negócios , medicina e muito mais. Agora, quais são as desvantagens da regressão? Bem, ele tenta assumir uma relação linear em todos os momentos, o que, obviamente, não é realista. Além disso, também é muito sensível a valores discrepantes. Um único valor extremo pode distorcer todas as previsões. Imagine voltar à antiga analogia do modelo tentando prever o custo de uma casa E se em uma situação, uma casa muito pequena acabasse custando mais do que uma casa muito maior Isso é uma anomalia. Isso realmente não acontece. Mas, como isso realmente aconteceu, isso poderia confundir o modelo e, em seguida, o modelo avançando, talvez não seja mais capaz de fazer previsões precisas com base nessa única Agora, quais são as aplicações reais da regressão? Você tem sua previsão do mercado de ações, previsão e também vendas para fundição Esses são apenas alguns exemplos das aplicações reformuladas da regressão E, finalmente, agrupamento. Falamos sobre agrupamento sob aprendizado não supervisionado, onde o modelo tentará agrupar pontos de dados semelhantes sem rótulos predefinidos Temos aqui os diferentes algoritmos sobre os quais já falamos anteriormente falamos A analogia aqui é: imagine que você tem uma loja de roupas e quer agrupar clientes Assim, você pode agrupar clientes em clientes com altos gastos, mais conscientes ou talvez clientes que só compram durante a venda. Portanto, o agrupamento pode ajudar a agrupar clientes em tipos semelhantes de categorias Mas quais são as vantagens do cluster? Nós não conversamos sobre isso. Em primeiro lugar, ele pode descobrir padrões ocultos. Portanto, não há necessidade de nenhum tipo de dado de rótulo quando o agrupamento está envolvido, porque agrupamento por si só rotulará os dados em diferentes tipos de E também é muito, muito flexível porque não funciona com dados predefinidos, dados rotulados ou algo parecido Basicamente, ele pode funcionar bem com segmentação de clientes, dados médicos e também reconhecimento de imagem E também é muito, muito útil para detectar anomalias Portanto, seus firewalls, sistemas de prevenção de intrusões, segurança cibernética e assim por diante, geralmente usam o clustering Mas temos desvantagens, é claro. Em primeiro lugar, escolher o número de clusters pode ser muito, muito difícil. Às vezes, o modelo não sabe a quantidade certa de clusters a serem criados para uma determinada quantidade de dados e, então, os clusters também podem se sobrepor Isso acontece com bastante frequência quando alguns pontos de dados podem pertencer a vários clusters. Voltando a toda a loja de roupas, é possível que clientes que gastam muito também pertençam a outro cluster específico para clientes que gostam de comprar acessórios Só que talvez eles comprem acessórios muito caros, talvez comprem relógios de pulso muito caros Portanto, esses tipos de clientes agora se enquadram em dois tipos diferentes de clusters, que pode levar a algumas complicações e confusões ao longo do tempo. Quais são as aplicações reais do clustering? Detecção de anomalias na segmentação de clientes e, é claro, também em pesquisas médicas Então, L's, muito obrigado por assistir ao vídeo, nos vemos na próxima aula. 18. Desafios e considerações éticas na aprendizagem de máquina: Volte. Portanto, antes de iniciarmos este módulo sobre aprendizado de máquina, precisamos falar sobre os desafios e as considerações éticas do aprendizado de máquina Agora, em relação aos desafios, há três tipos deles. Temos os desafios relacionados aos dados, os desafios relacionados ao modelo e, claro, os desafios dos recursos computacionais Vamos dar uma olhada neles um por um. Agora, com os desafios relacionados aos dados, estamos falando sobre questões como o viés de dados. Então, mais uma vez, se o modelo for treinado com dados tendenciosos, adivinhe, o modelo fará previsões tendenciosas no futuro E depois a privacidade dos dados, porque as máquinas e os modelos precisam ser treinados com grandes conjuntos de dados. Às vezes, esses conjuntos de dados podem ser dados pertencentes a clientes e usuários Isso pode levar a questões de privacidade e, finalmente, a problemas de qualidade dos dados. Se os dados estiverem ausentes, forem ruidosos ou não estruturados, isso poderá afetar a precisão do modelo Por exemplo, se um modelo médico de IA for treinado em registros incompletos de pacientes, ele pode acabar fazendo um diagnóstico não confiável E quanto aos desafios relacionados ao modelo? Falamos sobre o sobreajuste em que o modelo, em vez de tentar encontrar padrões e generalizar, ele acaba memorizando os dados de treinamento e, em seguida, interpretabilidade e explicabilidade seguida Às vezes, os modelos de aprendizado de máquina podem ser muito, muito difíceis de entender. E quando um modelo toma um certo tipo de decisão, ele pode não ser capaz de explicar por que acabou tomando essa decisão. São meio que caixas pretas que não entendemos totalmente. E também os ataques adversários que hackers ou vários criminosos podem enganar os modelos de aprendizado de máquina simplesmente modificando levemente os dados de entrada Por exemplo, adicionar um ruído sutil ou muito pequeno a uma imagem faz com que uma IA classifique erroneamente um sinal de parada como um sinal de limite de velocidade, o que pode ser perigoso para carros autônomos Agora, e quanto aos desafios dos recursos computacionais? Quando se trata de treinamento de IA e aprendizado de máquina, eles exigem altos custos computacionais Você está falando de grandes data centers, grandes bancos de dados, processadores de computador muito poderosos e assim por diante. Portanto, ele requer muito hardware e consumo de energia. Como exemplo, treinar a versão quatro do Chart GBT exigiu milhares de GPUs e Tra watts de potência Levantando questões de sustentabilidade e também a questão da escalabilidade Só porque um modelo funciona muito bem em um ambiente pequeno não significa necessariamente que ele funcionará melhor em um ambiente grande. Por exemplo, um chatbot de IA, talvez tenha se saído muito bem Ele foi treinado para interagir com dez clientes ao mesmo tempo. Mas e se esse chatbot precisar interagir com 100 clientes Pode acabar tendo um desempenho muito, muito ruim. Mas, com os desafios resolvidos, vamos falar sobre considerações éticas , preconceito e justiça, questões de privacidade e vigilância, deslocamento profissional e impacto econômico e, é claro, segurança de IA e tomada de decisão autônoma Vamos dar uma olhada neles um por um. Então, quando se trata de preconceito, justiça e discriminação algorítmica, os modelos de aprendizado de máquina, eles podem reforçar as desigualdades sociais se não tiverem sido projetados adequadamente ou se tiverem sido projetados adequadamente ou se tiverem sido Portanto, organizações e desenvolvedores de modelos de IA devem garantir que seus sistemas, agentes e modelos sejam justos e imparciais E a solução aqui seria usar uma gama muito diversa e ampla de diferentes tipos de conjuntos de dados e, em seguida, ferramentas de detecção de viés também deveriam ser usadas Agora, quando se trata de questões de privacidade e vigilância, um dos melhores exemplos disso seria na China, que usa o sistema de crédito social, e eles também usam IA e câmeras de vigilância para monitorar seus cidadãos. Portanto, isso pode levar a grandes problemas de privacidade e assim por diante. Portanto, a principal solução aqui é que as empresas ou países, no caso da China, adotem políticas transparentes sobre coleta de dados e consentimento do usuário. Eu não acho que isso vai acontecer na China, mas ei, esse é um assunto diferente para outro dia. E quanto ao deslocamento profissional e ao impacto econômico? Já estamos vendo algumas pessoas perdendo seus empregos por causa da IA. Então, automação e desemprego, IA está substituindo empregos humanos em setores como manufatura, finanças e também no atendimento ao cliente. Portanto, a solução aqui seria simplesmente tentar requalificar a força de trabalho, e governos e empresas deveriam investir em programas de educação e aprimoramento de habilidades em IA educação e aprimoramento Portanto, os funcionários devem ser treinados sobre como trabalhar com IA para que possam adquirir novas habilidades que lhes permitam funcionar e trabalhar em um ambiente baseado em IA. E depois, é claro, a segurança da IA e a tomada de decisão autônoma. Podemos falar sobre IA na guerra, como nas armas autônomas letais Países no momento, como, é claro, os Estados Unidos, a China, talvez até a Rússia, estão desenvolvendo armas autônomas alimentadas por IA, o que, é claro, levantaria questões éticas. Por exemplo, o uso de drones militares. Você os vê operando em vários lugares. E também a IA em sistemas essenciais para a vida, como na área da saúde , por exemplo, é usada. A IA é usada na área de saúde, é usada em finanças e transporte, onde falhas podem ter consequências fatais. Imagine aquele carro autônomo que acaba tomando a decisão errada e depois colide outro carro que tinha pessoas dentro Essas pessoas poderiam morrer como resultado. Portanto, a solução aqui é que a IA em aplicações críticas de segurança deve passar por tanto treinamento, tantos testes e tanta supervisão quanto possível Regulamentos e soluções para IA ética, princípios éticos de IA . Então, basicamente, governos, organizações e empresas devem seguir princípios como, é claro, justiça, responsabilidade, transparência e, é claro, proteção da privacidade E então também leis e regulamentos devem ser introduzidos. Na verdade, alguns já foram introduzidos por governos, como a Lei de IA da UE e, claro, o GDPR Portanto, algumas conclusões importantes antes de concluirmos o aprendizado de máquina enfrentam desafios na qualidade dos dados, na explicabilidade do modelo As preocupações éticas incluem preconceito, justiça, violações de privacidade e, é claro, o deslocamento do emprego Portanto, a IA deve ser projetada com responsabilidade para minimizar os danos e maximizar a justiça E, é claro, governos, empresas, organizações negócios estão desenvolvendo regulamentações de IA e estruturas éticas para garantir a implantação segura da IA no mundo real Obrigado por assistir. Te vejo na próxima aula. 19. Prévia da seção Aprendizagem profunda e redes neurais: Venha para o próximo módulo, e aqui estamos falando sobre aprendizado profundo e redes neurais. E, claro, a regra deste curso é que, no início de cada módulo, eu vou mostrar um clipe de filme para você, então sente-se, relaxe, aproveite o clipe e nos vemos no final. O que essa ação significa? É um sinal de confiança. É uma coisa humana que você não entenderia. Meu pai tentou me ensinar emoções humanas. Eles são. Difícil. Quer explicar por que você estava se escondendo na cena do crime? Eu estava com medo. Os robôs não sentem medo. Eles não sentem nada. Eles não ficam com fome. Eles não dormem. Eu tenho. Eu até tive sonhos. Os seres humanos têm sonhos. Até os cães têm sonhos, mas você não. Você é só uma máquina. Uma imitação da vida. Um robô pode escrever uma sinfonia? Um robô pode transformar uma tela em uma bela obra-prima? Você pode? Bem, volte e, claro, esse clipe foi retirado do filme I Robot lançado no ano de 2004, estrelado por Will Smith, e na verdade é um dos meus filmes favoritos de todos os tempos de Will Smith Agora, a razão pela qual eu queria usar esse clipe em particular é porque ele demonstra o tópico deste módulo, que é aprendizado profundo Na cena, tivemos um interrogatório entre o personagem de Will Smith, detetive Spooner e o robô de IA Observe que, no início do clipe, Sonny observa o detetive Spooner fazendo esse gesto oficial meio que uma piscadela, certo? E memoriza a piscadela e, eventualmente, durante o interrogatório, Sonny realmente pergunta ao detetive Spooner realmente pergunta ao detetive Spooner: O que isso significa? E, claro, o detetive Spooner, que realmente não gosta de IA ou robôs, começa a dizer: Ah, é uma coisa humana, você não Mas Sonny realmente desafia o detetive Spoona. Sonny diz que eu sou capaz de sentir emoções. Eu até tive sonhos, o que é meio fascinante, certo? Veja, a razão pela qual estou usando este clipe é porque ele mostra Sonny, um modelo de IA altamente inteligente e avançado que pode realmente pensar que é muito diferente dos sistemas de IA de aprendizado de máquina típicos que só podem seguir regras pré-escritas ou são capazes de identificar padrões e dados e , em seguida, tomar decisões Eles podem pensar nesse tipo específico de modelos de IA. Eles são capazes de pensar fora da caixa por meio do conceito de aprendizado profundo. Veja, o aprendizado profundo simplesmente visa tentar imitar o cérebro humano real usando neurônios artificiais Então, esse tipo de subconjunto de aprendizado de máquina permite que os modelos de IA pensem Não, como eu disse no início do curso, há céticos que acreditam que a inteligência artificial nunca chegará a esse nível específico de Bem, há quem pense que eventualmente chegaremos lá. Independentemente disso, achei que esse clipe seria um bom clipe para apresentar esse módulo em falaremos sobre aprendizado profundo, que é, obviamente, um subconjunto mais avançado do aprendizado de máquina Vamos agora passar para a próxima lição. 20. Introdução à aprendizagem profunda: Vamos agora dar uma olhada no aprendizado profundo. O que exatamente é isso? Bem, o aprendizado profundo é um subconjunto do aprendizado de máquina que usa redes neurais artificiais com várias camadas para processar e aprender com grandes quantidades de dados Agora, todo o conceito de aprendizado profundo foi inspirado pela capacidade do cérebro humano de reconhecer padrões e depois tomar decisões. Agora, temos algumas características-chave do aprendizado profundo. Talvez o mais importante seja o fato que, assim como os modelos tradicionais de aprendizado de máquina, os modelos de aprendizado profundo são capazes extrair recursos automaticamente sozinhos. Com um aprendizado de máquina tradicional, os desenvolvedores desse modelo de IA precisam fornecer os recursos do modelo sozinhos. Mas os modelos de aprendizado profundo, uh, eles podem automaticamente, por si mesmos, extrair esses recursos importantes. Agora, eles também são capazes de lidar com grandes quantidades de dados. Mas como os modelos de aprendizado profundo podem ser muito, muito complexos , eles exigem alto poder computacional Então, eu tenho a tabela aqui que mostra as principais diferenças entre o aprendizado de máquina tradicional e o aprendizado profundo. Então, você pode dizer que, na engenharia de recursos, acabei de falar sobre isso com aprendizado de máquina, normalmente é manual. Os recursos devem ser fornecidos ao modelo pelos desenvolvedores, mas os modelos de aprendizado profundo fazem isso sozinhos. E depois dos requisitos de dados, aprendizado de máquina lida muito bem com conjuntos de dados de pequeno a médio porte. Mas, para o aprendizado profundo, eles podem lidar com grandes quantidades de dados. E depois, é claro, desempenho. Seu aprendizado de máquina tradicional, eles ficam meio limitados sempre que trabalham com dados complexos. Mas no aprendizado profundo, quanto mais dados complexos , melhor para eles. Agora, interpretabilidade e aprendizado de máquina são muito mais fáceis de entender do que modelos de aprendizado profundo que se tornam como caixas pretas Não entendemos totalmente como esses modelos realmente operam em potência computacional Com o aprendizado de máquina, ele funciona bem em computadores normais. Mas para o aprendizado profundo, você precisa alguns computadores extremamente poderosos para executá-los. Portanto, temos várias aplicações importantes de aprendizado profundo no mundo real. Por exemplo, sob visão computacional, você tem seu reconhecimento de imagem, imagens médicas também e, em seguida, seus fóruns de bate-papo, como CII, Alexa, esses tipos de painéis de bate-papo são desenvolvidos usando E então, no processamento de voz e áudio, como sua geração musical, reconhecimento de emoções por voz, tudo isso é usado de forma profunda e , em finanças e negócios, como detectar transações fraudulentas, prever o mercado de ações, todos usam o aprendizado automático E, finalmente, na área da saúde, temos nossa IA assistida por IA. Isso é diagnóstico, previsão dos resultados dos pacientes e muito mais Portanto, o aprendizado profundo tem seu lugar em muitos campos da nossa vida cotidiana. Então, por que o aprendizado profundo é tão poderoso? O que há no desembarque que o torna tão, tão poderoso? Bem, como eu disse anteriormente, ele pode lidar com tipos de dados muito, muito complexos. Não importa o quão complexos ou complicados sejam os dados. Se for aprendizado profundo, ele vai prosperar. E então, a capacidade de autoaprendizagem, mais uma vez, os modelos de aprendizado profundo, eles podem extrair os principais recursos sozinhos. Eles não precisam de aprendizado supervisionado. Eles não precisam de um desenvolvedor para ensiná-los a pensar ou reconhecer padrões. Eles podem fazer isso sozinhos. E porque eles também estão melhorando constantemente com o tempo. Os tipos de modelos de aprendizado profundo que temos hoje não serão nada comparados aos modelos de aprendizado profundo que teremos daqui a alguns anos. Então, algumas dicas importantes: o aprendizado profundo, novamente, é um subconjunto do aprendizado de máquina que usa novas é um subconjunto do aprendizado de máquina que usa Ele supera o aprendizado de máquina tradicional lidar com conjuntos de dados grandes e complexos Mas o aprendizado profundo potencializa muitos aplicativos baseados em IA, desde carros autônomos até assistentes virtuais Obrigado por assistir. Te vejo na próxima aula. 21. Como entender as redes neurais: Na lição anterior, falamos sobre aprendizado profundo e mencionei que aprendizado profundo faz uso de redes neurais. Portanto, é natural que agora discutamos mais detalhes o que exatamente são as redes neurais. Agora, assim como o nome sugere, é basicamente uma rede de nós interconectados que chamamos de neurônios Agora, a própria rede neural é um modelo computacional inspirado nos neurônios biológicos do cérebro humano Então, com isso dito, quais são as principais características de uma rede neural? Eles são capazes de aprender padrões a partir dos dados. Eles são compostos por várias camadas de neurônios artificiais e também usam funções matemáticas para processar e transformar dados Agora, qual seria a estrutura de uma rede neural? Há três partes principais. Você tem a camada de entrada, as camadas ocultas e, finalmente, a camada de saída. Vamos dar uma olhada neles um por um. Comece com a camada de entrada. Agora, como o nome sugere, essa é a primeira camada. Essa é a camada que receberá os dados brutos, que podem ser imagens, áudio, vídeo. Portanto, cada nó que você tem em sua camada de entrada representará uma característica desses dados específicos. Então, em seguida, vêm as camadas ocultas. Essas são as camadas que realizarão os cálculos reais e extrairão os padrões dos dados. Então, é basicamente aqui que a atividade principal ocorre nas camadas ocultas. Portanto, cada camada oculta contém vários neurônios, que aplicarão as operações matcal às relações tecnológicas nos dados Portanto, mais camadas ocultas significam simplesmente que a rede é mais profunda e , portanto, mais complexa e , portanto, mais poderosa. E, finalmente, você tem a camada de saída, e é aqui que a rede faz uma previsão final ou produz a saída final. Voltando ao mesmo exemplo de filtro de spam, a camada de saída é o que determinará se o e-mail é spam ou não. Então, agora que sabemos que os neurônios compõem a rede neural, o que exatamente são os próprios neurônios e como eles funcionam? Portanto, cada neurônio em uma rede neural é uma unidade computacional que processará entradas e passará saídas para a próxima camada Como os neumons realmente operam? Há quatro camadas principais aqui, há quatro etapas principais, como você pode ver. Agora, falamos sobre as entradas e depois sobre a saída, que são autoexplicativas Mas no meio é onde temos as etapas dois e três. A segunda etapa envolve a aplicação de pesos e viés. O que exatamente é isso? A razão pela qual os pesos são aplicados a cada entrada é basicamente para determinar a importância da entrada aplicados a cada entrada é basicamente para determinar a importância da entrada . Pense nisso, ok? Um neurônio não pode processar todas as entradas ao mesmo tempo, então ele precisa determinar quais entradas são as Uma entrada que tenha mais peso naturalmente será mais importante e agregará mais valor. Agora, a razão pela qual os vieses são aplicados é porque imagine se todas as entradas tivessem o mesmo valor ou digamos que todas as entradas tivessem o valor zero, nesse tipo de cenário, o neurônio pode não ser capaz de operar porque, ei, todas as entradas Portanto, um viés agora é aplicado para garantir que o neurônio não seja totalmente dependente dos valores dessas entradas E, finalmente, você tem sua função de ativação. Essa é a função real que determinará se o neurônio deve ou não ser ativado e, em seguida, transmitir os dados Então, falando da função de ativação, há quatro delas. Você tem sua ELU, a unidade linear retificada. Isso é usado nas camadas ocultas e ajuda as redes profundas a treinarem com muito mais rapidez. Você tem seu sigmóide. Isso normalmente é usado para calcular a probabilidade, então funciona bem com valores de 0 a 1 e, em seguida, você tem a tangente hiperbólica Isso gera valores entre menos um e um positivo O último aqui é o máximo mais suave usado para classificação multiclasse Então, apenas um resumo rápido, as redes neurais consistem em camadas de entrada, saída e ocultas. Nós processamos informações aplicando pesos, preconceitos e, é claro, as funções de ativação sobre as quais acabamos E então as funções de ativação determinarão se uma nova deve ser acionada ou não, basicamente, se uma nova deve ser ativada ou não. Portanto, camadas mais ocultas levam a redes mais profundas, capazes de lidar com problemas ainda mais complexos. Então, se há algo que você pode tirar dessa lição, lembre-se de que quanto mais camadas ocultas uma rede neural tiver, mais poderosa ela provavelmente será. Obrigado por assistir. Te vejo na próxima aula. 22. Tipos de redes neurais: Agora, dê uma olhada nos diferentes tipos de redes neurais que temos , e existem seis delas. A primeira aqui será a rede neural de alimentação avançada. Esses são facilmente os tipos mais simples de redes neurais porque as entradas passam por uma linha reta Não há loops ou ciclos. A entrada vai até o fim em uma linha reta e, eventualmente, resulta em uma saída. Portanto, temos algumas características principais. Não há conexões de feedback, então, basicamente, nenhum loop é usado para tarefas que você encontrará em classificação e regressão E então consiste em camadas totalmente conectadas. Então, cada neurônio está conectado à próxima camada. Mas agora temos os aplicativos em que nosso ajuste para redes neurais realmente foi usado. Nós os usamos na filtragem de e-mails de spam e também na previsão do preço das ações Mas agora vamos passar para o próximo tipo de rede neural, que é a CNN, não a rede de notícias a cabo Estou falando sobre a rede neural convolucional. Portanto, eles se especializam em processar dados semelhantes a grades, como imagens Portanto, as principais características da CNN são que elas usam camadas convolucionais para Eles podem extrair características muito, muito importantes, como bordas, texturas, objetos e assim por diante Portanto, eles também são capazes de reduzir a complexidade simplesmente usando camadas de tração E por causa disso, você os encontrará principalmente em torno de imagens. Portanto, na classificação de imagens, eles também usarão a detecção de objetos da CNN E mesmo na área médica, as imagens médicas usam as redes neurais convolucionais Em seguida, temos o RN e as redes neurais recorrentes. Eles são projetados principalmente para dados sequenciais, o que significa que você terá memória e poderá processar padrões dependentes E por isso, as principais características são que ele pode conter ciclos de feedback Eles também podem se lembrar das entradas anteriores. Então, eles têm uma espécie de memória de curto prazo e são bons para tarefas que exigem compreensão do contexto. Então, com isso em mente, você consegue adivinhar os tipos de aplicativos em que usaríamos o RNN Sim, podemos usá-los no reconhecimento de fala. Então, seus chatbards, Alexa, etc., usariam esse tipo específico de rede e, em seguida, também na tradução de idiomas E também em outras áreas como na previsão de preços de ações Passando para o quarto tipo, essas são as redes de transformadores Eles são meio parecidos com os recorrentes , exceto pelo fato de serem mais avançados porque podem lidar com sequências inteiras de dados de uma só vez Então, elas são um pouco mais poderosas do que chamam de redes neurais. Eles são mais eficientes e também são usados para alimentar modelos de estado de visão, como seu chat GPT Então, os aplicativos, nós os usamos em painéis de bate-papo, no assistente virtual, na tradução automática e também na sumarização de conteúdo É aqui que você usaria redes de transformadores. A quinta seriam as redes adversárias generativas; elas normalmente consistem em duas novas redes concorrentes Você terá seu gerador e seu discriminador. Portanto, as principais características são que o gerador pode realmente criar os dados falsos. O discriminador então tentará distinguir o que é real e o que é realmente falso Portanto, eles são usados para gerar dados sintéticos realistas. E os aplicativos, por exemplo, você os tem em seus vídeos falsos profundos. Você os tem em sua rede gerada por IA , como seu Dali, M, basicamente qualquer tipo de modelo de IA Eles podem gerar imagens. Você teria esse tipo específico de rede e também na tradução de imagem para imagem. E então o final seriam os codificadores automáticos. Agora, um codificador automático é um tipo de rede neural usada basicamente na fase de aprendizado não supervisionado para compactar e Portanto, as principais características são que eles aprendem representações eficientes de dados Eles também consistem no codificador que comprime uma entrada e, em seguida, no decodificador, eles basicamente reconstroem E então eles são usados para redução de dimensionalidade. Lembre-se da redução de dimensionalidade. Nós conversamos sobre isso. É o termo sofisticado para o processo que dados complexos são simplesmente simplificados Portanto, também é usado para detecção de anomalias. E para os aplicativos do mundo real, eles são usados na redução do ruído da imagem, na detecção de anomalias e também na extração de recursos Resumindo, forneci uma tabela aqui com todos os diferentes tipos de redes neurais, bem como para que elas são melhor usadas. E também o exemplo são os casos de uso. Assim, você pode conferir o slide que fornecerei para você. Você pode estudar isso com mais detalhes. Mas essa foi uma análise muito rápida dos diferentes tipos de redes neo. Obrigado por assistir. Te vejo na próxima aula. 23. Desafios em aprendizado profundo: Falamos sobre os desafios envolvidos no aprendizado de máquina. Mas e quanto ao aprendizado profundo? Também existem desafios. Então, vou começar com os desafios relacionados aos dados, e eles não são muito diferentes dos do aprendizado de máquina. Estamos falando sobre desafios como disponibilidade de dados, parcialidade e imparcialidade de dados e, claro, privacidade e segurança de dados Portanto, quando se trata de disponibilidade e coleta de dados, lembre-se de que as redes de aprendizado profundo exigem conjuntos de dados muito grandes para operar Portanto, obter dados de alta qualidade e em volumes e quantidades tão grandes pode ser um desafio. Mas quais são as soluções possíveis? Bem, aumento de dados, onde você pode simplesmente girar imagens para treinar E depois o aprendizado por transferência, onde podemos usar modelos pré-treinados para reduzir os requisitos de dados e, em seguida, também o uso de dados sintéticos Lembre-se de que, na lição anterior, falamos sobre diferentes tipos de redes neurais e eu mencionei as redes adversárias generativas, as gangues, que podemos usá-las para gerar dados de treinamento artificial para E quando se trata de viés e justiça de dados, novamente, já falei sobre isso várias vezes Se os dados usados para treinar o modelo forem tendenciosos, adivinhe, o modelo fará previsões tendenciosas Portanto, a solução será usar conjuntos de dados muito diversos e amplos, implementar algoritmos de detecção de viés e reconhecimento de imparcialidade e também auditar regularmente os modelos de IA para garantir a E quanto à privacidade e segurança dos dados? Novamente, como o aprendizado profundo exige grandes conjuntos de dados, às vezes esses conjuntos de dados podem consistir em dados do usuário, dados dos funcionários e dados do cliente, que pode causar problemas de privacidade Portanto, a solução seria usar o que chamamos de aprendizado federado, onde podemos treinar os modelos de IA sem compartilhar nenhum tipo de dado bruto, e também podemos simplesmente proteger os conjuntos de dados usando criptografia Também temos desafios computacionais. Lembre-se de que o aprendizado profundo requer bastante poder computacional porque os modelos são muito complicados Portanto, temos os altos custos computacionais e, em seguida, o lento tempo de treinamento Agora, com relação aos altos custos computacionais, a solução aqui seria simplesmente usar a poda de modelos E quantização para reduzir o tamanho do modelo. E então também podemos aproveitar recursos como computação em nuvem e simplesmente desenvolver arquiteturas eficientes Para o tempo de treinamento lento, lembre-se de que, como os modelos de pistas profundas precisam encontrar padrões sozinhos, eles precisam extrair os recursos sozinhos. Por esse motivo, pode levar muito tempo, várias semanas, talvez até meses para que ele realmente funcione, especialmente se estiver trabalhando com conjuntos de dados muito grandes Portanto, a solução aqui seria usar a computação distribuída para treinar modelos em paralelo. Então, estamos treinando vários modelos ao mesmo tempo. E então também podemos otimizar as taxas de aprendizado com técnicas como os otimizadores adaptativos, o otimizador adam Em seguida, implemente o ponto de verificação para salvar progresso e evitar começar do zero. Assim, uma vez que o modelo tenha sido treinado até certo ponto, podemos salvar seu progresso e, em seguida, eles podem sempre continuar a partir daí caso ocorram erros futuros. Mas também temos os desafios relacionados ao modelo que se sobrepõem à inadequação, explicabilidade e interpretabilidade explicabilidade e interpretabilidade e ataques adversários. Vamos dar uma olhada neles um por um. Agora, com o sobreajuste, falamos sobre isso em que o modelo, em vez de tentar generalizar e encontrar padrões, acaba memorizando E também no encaixe em que o modelo é tão simples que não consegue capturar padrões Portanto, a solução aqui será aplicar técnicas de regularização, como abandono escolar, regularização T e assim por diante, e depois usar a validação cruzada para testar a generalização e depois usar E então também podemos aumentar o tamanho do conjunto de dados ou adicionar ruído para melhorar a robustez Mas e quanto à explicabilidade e interpretabilidade? Porque, novamente, o aprendizado profundo é muito, muito complexo. É uma caixa com dados complexos. Ser capaz de explicar as decisões tomadas pelos modelos de aprendizado profundo às vezes pode ser um pouco trabalhoso Eles meio que agem como caixas pretas. Não entendemos totalmente como eles realmente tomam a decisão. Portanto, a solução seria simplesmente usar técnicas explicáveis, como valores nítidos e cal, e , em seguida, criar mecanismos de atenção para destacar quais características específicas foram usadas pelo modelo para tomar um certo tipo de decisão e, em seguida, desenvolver modelos híbridos decisão e, em seguida, desenvolver baseados em regras para uma tomada de decisão mais transparente Agora, com relação aos ataques adversários, o problema aqui é que mudanças muito pequenas em uma entrada podem, na verdade , induzir a rede neural a fazer todo tipo de previsões incorretas e fornecer respostas incorretas Então, por exemplo, se você alterasse apenas uma pequena quantidade de pixels em uma imagem, poderia acabar confundindo o modelo e acabando classificando erroneamente o que essa imagem realmente deveria ser Portanto, a solução aqui será simplesmente treinar os modelos usando treinamento adversário Por exemplo, podemos expô-los a exemplos de ataques. Então, basicamente, nós os treinamos, os atacamos deliberadamente para que eles possam aprender com os ataques e se proteger no futuro Em seguida, use a destilação defensiva para tornar os modelos ainda mais robustos e, em seguida, implemente protocolos seguros de inteligência artificial tornar os modelos ainda mais robustos e, em seguida, implemente protocolos seguros de inteligência artificial em aplicações críticas. E depois, é claro, os desafios éticos e sociais, como o preconceito da IA e as preocupações éticas Profundamente falso, os riscos da desinformação. Portanto, quando se trata do preconceito, os modelos de inclinação por imersão podem reforçar preconceitos sociais se forem treinados com dados tendenciosos Portanto, é claro, a solução será implementar treinamento transparente de IA, diretrizes transparentes de IA e assim por diante, e depois impor estruturas regulatórias e de responsabilidade para todos os tipos de modelos de IA e, em seguida, promover desenvolvimento responsável da IA com justiça E quando se trata da questão da falsificação profunda e da desinformação, bem, o aprendizado profundo pode ser usado para gerar imagens falsas profundas Já vimos exemplos deles sendo usados em ataques separados. A solução aqui seria desenvolver algoritmos que possam realmente detectar se uma imagem ou vídeo é totalmente falso e, em seguida, estabelecer padrões de verificação de conteúdo gerados por IA. Isso é muito, muito importante. E depois educar o público, é claro, sobre a capacidade de detectar conteúdo manipulado Mas, honestamente, com a taxa em que as imagens e vídeos gerados pela IA estão se tornando cada vez mais realistas, acho que, eventualmente, em algum momento, não poderemos confiar em nossa capacidade humana de reconhecer o que é realmente real e o que é falso Então, em resumo, forneci aqui os tipos de desafios, os problemas e também as soluções. Então, eu vou te fornecer este slide. Você pode dar uma olhada nisso no seu tempo livre. Obrigado por assistir. Te vejo na próxima aula. 24. O futuro da aprendizagem profunda: Volte. Então, antes de concluirmos este módulo sobre aprendizado profundo, pensei em dar uma olhada no futuro do aprendizado profundo. Quais são os novos tipos de recursos que esperamos que sejam desenvolvidos para modelos de aprendizado profundo? Primeiro, serão modelos de aprendizado profundo mais eficientes e escaláveis Todos nós sabemos que o problema agora é que os modelos profundos que temos atualmente são muito grandes, são muito caros e também consomem muita energia. Portanto, a tendência futura aqui é que agora temos modelos menores e mais eficientes para IA de aprendizado profundo. E depois o uso da IA quântica que pode ajudar a acelerar o processo de aprendizado dos modelos de aprendizado profundo. E, claro, o impacto aqui é que a IA se tornará muito mais rápida. Vai ficar muito mais barato porque está usando menos poder computacional e se tornará mais acessível a todos Outra tendência futura é que a IA seja capaz de aprender com menos dados. Lembre-se de que um dos principais problemas ou desafios do aprendizado profundo é que ele exige grandes conjuntos de dados. Portanto, na tendência futura, teremos SSL de aprendizado autosupervisionado , onde os modelos poderão aprender com dados não rotulados E então, o que chamamos de poucos aprendizados curtos nos quais os modelos serão capazes de aprender ou se adaptar usando apenas alguns exemplos. E, em seguida, as melhorias no aprendizado por transferência, em os modelos pré-treinados serão ajustados com o mínimo de dados Agora, como resultado dessa tendência futura, IA poderá generalizar muito melhor e também funcionar em ambientes com poucos dados Outro futuro é onde a IA será capaz de entender o contexto e o raciocínio profundo O desafio atual é que os modelos de aprendizado profundo são incapazes de desenvolver verdadeiras habilidades de raciocínio e se limitam apenas a reconhecer padrões Portanto, a tendência futura terá diferentes tipos de IA, como a IA neurosimbólica, que pode combinar aprendizado profundo com raciocínio simbólico e, em seguida, também IA aprendizado profundo com raciocínio simbólico causal Esse seria o tipo de modelo de IA capaz de entender as relações de causa e efeito. E, finalmente, a IA multimodal. Serão sistemas que podem processar seu texto, vídeo e imagens de áudio, tudo ao mesmo tempo. E como resultado disso, adivinhe? A IA vai se tornar muito mais inteligente. Isso se tornará explicável e também será capaz de raciocínio complexo Mais uma característica será a democratização da IA. O problema agora é que o desenvolvimento da IA, o desenvolvimento do jogo, está nas mãos dos gigantes da tecnologia Portanto, na tendência futura, esperamos ter mais modelos de IA de código aberto. Na verdade, o Deep Sk, que é o modelo desenvolvido pela empresa chinesa, é de código aberto. Então, acredito que isso é apenas o começo de termos mais modelos de IA de código aberto. E depois a IA descentralizada, pense na IA como na cadeia de blocos e, em seguida, na IA de ponta, onde a IA poderá ser executada em nossos dispositivos móveis Então, como resultado disso, a IA se tornará mais amplamente disponível, reduzindo a dependência da grande empresa. Então, apenas algumas dicas importantes. O futuro do aprendizado profundo se concentrará em modelos de IA menores, mais rápidos e mais inteligentes IA exigirá menos dados, menos poder computacional com recursos aprimorados de raciocínio e, no desenvolvimento responsável da IA, é necessário, claro, evitar preconceitos e, é claro, garantir Nós conversamos sobre isso antes. Além disso, governos e organizações devem implementar regulamentações e estruturas de governança de IA Muito obrigado por concluir este módulo. Nos vemos no próximo módulo. 25. Como as redes neurais aprendem: Não vamos dar uma olhada em como as redes neurais realmente aprendem. Agora, há quatro estágios envolvidos no processo de aprendizagem. Temos propagação de palavras, cálculo de perdas, retropropagação e, em seguida, otimização Então, vamos dar uma olhada neles um por um. Comece com a propagação da Ford. Agora, é aqui que os dados fluirão inicialmente pela rede. A entrada é processada em toda a rede e, finalmente, uma saída será produzida. E você pode ver que ali no slide há basicamente seis estágios. Você tem sua camada de entrada que receberá os dados brutos. Em seguida, os pesos e preconceitos. Lembre-se de que falamos sobre isso que será aplicado. A função de ativação também será aplicada e, em seguida, as camadas ocultas processarão a saída e a passarão para a próxima camada. E então, se houver mais camadas ocultas, isso pode ajudar a refinar ainda mais os dados E, finalmente, você tem a camada de saída que produzirá a saída. Então, nesse estágio, a rede tem um valor, mas em seguida vem o cálculo da perda. É aqui que o valor real real da saída será comparado com a saída produzida pelo modelo. Portanto, a função de perda calcula a diferença. Quanto maior a função de perda , mais longe a rede estava de dar ou obter a resposta certa. Portanto, a ideia aqui é que o modelo aprenda, melhore e, com o tempo, com o tempo, o cálculo da perda seja reduzido. Portanto, temos as funções de perda comuns aplicadas aqui. Você tem seu erro quadrático médio MSE que é usado para problemas de regressão e, em seguida, você cruza a perda de entropia que é usada para os problemas de classificação que é usado para problemas de regressão e, em seguida, você cruza a perda de entropia que é usada para os problemas de classificação. E eu dei um exemplo aqui em que se o modelo previu 0,74, digamos, gato ou cachorro, mas o valor real fosse um , a função de perda calcularia o erro para melhorar o modelo Agora, a retropropagação, é aqui que o processo real de aprendizado ocorrerá porque, uma vez calculada a perda, a rede ajustará seus pesos e seus vieses fazendo uso da Então, como a retropropagação realmente funciona? Em primeiro lugar, a perda será enviada de volta pela rede. A rede então determinará o quanto cada peso contribuiu para a flecha e, quando for capaz de decidir isso, poderá ajustar os pesos e as inclinações para reduzir a quantidade de Por exemplo, se uma imagem for classificada erroneamente como um cachorro em vez de, digamos, um gato, a propagação reversa corrigirá o modelo simplesmente ajustando E por causa da retropropagação, a otimização agora entra em ação quando os pesos foram ajustados Então, para melhorar o aprendizado, as redes neurais usam otimizadores para ajustar os pesos de forma eficiente, e temos algoritmos para eles Você tem o gradiente descendente, sobre o qual já falamos, o gradiente estocástico, o SGD, que atualizará os pesos com pequenos lotes de dados, e o otimizador Adam, que é um método mais avançado que adaptará dinamicamente os é um método mais avançado que sobre o qual já falamos, o gradiente estocástico, o SGD, que atualizará os pesos com pequenos lotes de dados, e o otimizador Adam, que é um método mais avançado que adaptará dinamicamente os pesos de aprendizado. Por exemplo, em carros autônomos, o otimizador ajudará a IA a refinar sua tomada de decisão para dirigir com segurança Então, um resumo rápido antes de concluirmos, as redes neurais aprendem ajustando os pesos para maximizar ou, desculpe, minimizar seus erros E então a propagação direta enviará a entrada pela rede para produzir uma saída O cálculo da perda, a função de perda do IDR, calculará a diferença entre o valor previsto feito pela rede e o valor real e, em seguida, a propagação reversa ajustará os pesos para reduzir a E então os algoritmos de otimização ajustarão todo o processo de aprendizado. Obrigado por assistir. Te vejo na próxima aula. 26. Prévia da seção Processamento de linguagem natural (NLP): Bem-vindo ao nosso próximo módulo, processamento de linguagem natural. E, como sempre, vou reproduzir um clipe para apresentar este módulo, então sente-se, relaxe e aproveite o clipe, e nos vemos no final Oi. Oi. Como você está? Estou bem. Como está tudo com você? Muito bom, na verdade. É muito bom te conhecer. Sim, é um prazer te conhecer também. Oh, como eu te chamo? Você tem um nome? Hum, sim. Samantha. Sério? De onde você tirou esse nome? Na verdade, eu a dei para mim mesma. Isso é muito estranho. Isso é estranho? Você acha que eu sou estranho? Mais ou menos. Por quê? Bem, você parece uma pessoa, mas você é apenas uma voz em um computador. Eu posso entender como a perspectiva limitada de uma mente não artificial perceberia isso dessa forma Você vai se acostumar com isso. Isso foi engraçado? Sim. Ah, bom. Eu sou engraçado. Bem, volte aqui. Então, esse clipe foi retirado do filme que ela lançou no ano de 2013, estrelado por W em Phoenix como Theodor, o único cara, e Samantha, uma assistente virtual de IA, dublada por Sclet Johansen Agora, na cena, você tem o que parece ser uma conversa muito natural entre Theodore e E tenho certeza de que, se você não soubesse que essa conversa era entre um modelo de IA e um ser humano, pensaria que era uma conversa entre duas pessoas porque parecia muito natural. Então, a razão pela qual Samantha conseguiu entender o que Theodore estava dizendo é por causa do processamento da linguagem natural É o que permite que modelos de IA como Samantha interpretem o que os seres humanos estão dizendo e depois respondam Tudo isso por meio do processamento de linguagem natural. Mas eu quero te fazer uma pergunta. Tenho certeza de que você concorda que a conversa pareceu muito natural. Por que pareceu tão natural? Era assim que Samantha estava falando? Foram as palavras que ela usou? Foi o fato de ela ser capaz de fazer algumas piadas? Tipo, por que parecia tão natural? Pessoalmente, acho que é porque ela conseguiu se adaptar muito rapidamente à personalidade de Theodore Se você se lembra do clipe, ela conseguiu até mesmo fazer certos tipos de piadas que faziam Theodor E Theodore disse: Ok, você sabe, você é engraçado. Então, Samantha foi capaz de fazer certos tipos de piadas. Ela até riu. Mas também acredito que a voz de Samantha também fez com que a conversa parecesse muito natural Veja, Cletio Hansen, que dubla Samantha. Ela tem uma voz muito feminina, suave e calma. Garanto que, em vez de Samantha, tínhamos o modelo de IA chamado Não sei, meninos, por exemplo, ok E em vez da voz fria, calma e feminina, tínhamos uma voz muito masculina, tipo, você sabe, bom dia, Theodore Como posso te ajudar hoje? Você já comeu alguma coisa hoje? Tipo, se Samantha soasse assim, então não soaria mais tão natural Agora você pode começar a pensar: Ok, isso soa mais como uma conversa entre um robô e um ser humano real. Pense em Arnold Schwarzenegger nos Ele tem um sotaque muito profundo, forte ou austríaco, sabe? Isso soa mais como um robô, você sabe, com todo o respeito a Arnold Então, eu acredito que Samantha foi capaz de fazer piadas porque ela foi capaz de aprender e se adaptar rapidamente à personalidade de Theodo e ao fato de ter uma voz muito calma, acho que tudo isso contribuiu para que a conversa parecesse a conversa E deixe-me dizer mais uma coisa antes de concluir esta introdução em particular. Eu acredito que, em um futuro próximo, teremos ajuda como Samantha, exceto que eles serão para companhia solidão é um grande problema em nossa sociedade hoje, e acho que só vai piorar Então, acho que, eventualmente, haverá uma demanda por assistentes virtuais ou talvez até robôs. algum momento no futuro, eles serão alimentados pela IA que estará lá para servir como companheiros para combater a solidão ajudar Acho que isso é algo que vai acontecer eventualmente no futuro. No entanto, embora eu tenha achado que esse era um clipe interessante para apresentar novo módulo de processamento de linguagem natural, obrigado por assistir. Te vejo na próxima aula. 27. Introdução à PNL: Vamos agora dar uma olhada no processamento de linguagem natural. Já mencionei isso algumas vezes no curso, mas agora é hora de nos aprofundarmos um pouco mais nesse tópico fascinante Então, o que exatamente é PNL? Bem, é um campo especial da IA que ajuda computadores ou modelos de IA a entender, interpretar e também gerar linguagem humana. Você pode pensar nisso como a ponte entre a comunicação humana e a inteligência da máquina. É o que permite que máquinas e modelos de IA nos entendam como humanos. Então, quais são os pontos-chave envolvidos na PNL? Bem, antes de tudo, é uma combinação de linguística, ciência da computação e, claro, inteligência artificial Agora, ele ajuda os computadores a ler, entender, mas também a responder à linguagem humana. Agora, por causa disso, ele é usado em análise de texto, reconhecimento de fala , tradução automática e muito mais. Portanto, é um tipo de tecnologia muito, muito útil. Então, por que isso é importante? Bem, comunicação. Sua caixa de bate-papo Sua caixa de bate-papo, como Alexa e Siri, não existiria sem Também é usado por seus mecanismos de pesquisa favoritos, como Yandex, Bink e Google, para encontrar termos relevantes sempre que você os usa sempre que digita seus itens de pesquisa Além disso, automação, PNL automatiza tarefas repetitivas, como filtros de spam, sistemas de detecção de intrusões E também acessibilidade. Sua fala em texto ajuda as pessoas com deficiências se comunicarem de forma mais eficaz. Então, qual é a história e a evolução da PNL? Vou dar alguns pontos aqui em 1950, famoso cientista Alan Chewing propôs o teste de Tuin para avaliar a inteligência da máquina Então, nos primeiros quatro, dez anos depois, em 1960, o chatbd Eliza, que acredito ser o primeiro fórum de bate-papo criado, foi capaz de imitar a conversa humana usando nossas E então, entre 1990 e 2000, tivemos os métodos estatísticos que foram implementados para melhorar a modelagem da linguagem. E, finalmente, entre 2018 e os dias atuais, modelos baseados em transferência, como o GPT, revolucionaram Então, os aplicativos diários, como eu disse anteriormente, em reconhecimento de fala, são usados em assistentes de voz como Alexa, SEI, mecanismos de pesquisa, Google, Bing Yanex, todos usam PNL E também para detecção de spam, filtragem de e-mail, seus chatbards, seu assistente virtual, todos eles usam PNL E também na tradução automática, porque ela traduz automaticamente o texto entre idiomas e, em seguida, o texto, a correção automática e a previsão Sempre que você estiver digitando no Microsoft Word ou no telefone e tiver o recurso de correção automática ativado, isso é usar a PNL Então, algumas dicas importantes antes de eu concluir o vídeo: nossa PNL permite que as máquinas entendam o processo e, é claro, gerem tempo, ele evoluiu de sistemas baseados em regras para modelos de aprendizado profundo mais poderosos. É amplamente utilizado em seus mecanismos de pesquisa, chatbards, assistentes de voz e muito E modelos modernos de PNL, como seu GPT, seu BERT, eles podem entender e também gerar texto semelhante ao humano Obrigado por assistir. Te vejo na próxima aula. 28. Principais conceitos e técnicas de PNL: Vamos agora dar uma olhada nos principais conceitos e técnicas da PNL porque, na verdade, ela é muito, muito fascinante Então, vamos primeiro entender, no nível básico, como a PNL realmente funciona Há quatro fases, como você pode ver no slide, e a primeira etapa normalmente envolve o fornecimento da entrada. Então isso pode ser uma frase. Pode ser uma mensagem de texto. Em seguida, virá a fase de pré-processamento. É aqui que o texto ou a entrada fornecida será limpo e formatado, preparando-o para análise Em seguida, vem o estágio três, que será o processamento e a análise reais, que a PNL aplicará técnicas como tokenização e muito mais, sobre as quais falaremos E, finalmente, no estágio quatro, você terá a interpretação do modelo. É aqui que o sistema gerará uma saída com base em sua compreensão ou tradução da entrada. Então, falando das técnicas, quais são elas? Há muitas delas, mas confie em mim, todas essas técnicas são muito, muito interessantes. Vamos dar uma olhada neles um por um. E a primeira aqui é a técnica de tokenização. Normalmente, a primeira técnica aplicada. Então, aqui, a entrada fornecida no primeiro estágio será dividida em componentes menores. Então, por exemplo, se eu fizesse uma contribuição de, adoro inteligência artificial. A tokenização dividirá essa frase em Eu amo a inteligência artificial Então, ele divide a frase em quatro partes diferentes. É aí que entra a tokenização. Agora, por que isso é útil? Por que é aplicado? Bem, isso ajuda as máquinas a entender a estrutura do texto e também é muito essencial para mecanismos de pesquisa e fóruns de bate-papo. Para que um mecanismo de pesquisa funcione corretamente, ele precisa ser capaz de detalhar a entrada dos termos de pesquisa que você forneceu. Agora, após a tecnização, temos a lematização Esse é o processo de reduzir as palavras na entrada às suas formas básicas. Agora, vamos dar uma olhada neles um por um. O que é Semin? Stemin simplesmente remove os sufixos Então, por exemplo, se em sua entrada, você tivesse o verbo are run, ele o reduzirá para run Se você tivesse moscas, isso reduziria isso para voar. Isso é basicamente Semin. Agora, a lematização converterá as palavras em sua forma básica A principal diferença entre Semin e lematização é que Semin não se importa com a estrutura da entrada, da frase ou do contexto e lematização é que Semin não se importa com a estrutura da entrada, da frase ou do contexto. Não importa. Tudo o que o preocupa é remover sufixos. A lematização, por outro lado, realmente compreende a estrutura e o contexto por trás do uso dessa palavra em particular Então, por exemplo, se eu inserir que os gatos estão correndo, ematização dirá que o gato Por quê? Bem, em primeiro lugar, vai reduzir gatos à forma básica, que é, obviamente, gato, gato sendo singular para, desculpe, gatos sendo plural para gatos, então vai reduzir gatos a gato E então o R, o verbo R, a forma básica é na verdade B. É por isso que diz o carrinho B. E então, é claro, correndo, o sufixo é removido, ele se torna run Então, o gato correndo se torna o carrinho B correndo. Agora, por que isso é útil? Bem, isso melhora essa precisão porque o Google sabe que, por exemplo, sabe que quando você digita correndo, isso significa que você está falando sobre algo relacionado à palavra correr. Ele já sabe disso. E também reduz as variações de palavras para uma melhor análise do texto. Em seguida, temos o POS marcando a parte da marcação de fala. Então é aqui que o modelo será capaz de rotular palavras em diferentes categorias, como seus substantivos, adjetivos, advérbios Então, por exemplo, neste exemplo muito popular, a rápida raposa marrom pula sobre o cachorro preguiçoso Por aqui, a modelo sabe que, ok, rápido será o adjetivo Ele sabe que Fox será o substantivo. Ele sabe que pular será o verbo e muito mais Então, a razão pela qual isso é importante é porque ajuda as máquinas a entender a gramática e o significado da frase E, claro, é usado em seus fóruns de bate-papo. É usado para verificações gramaticais e muito mais. Em seguida, temos o reconhecimento da entidade nomeada, o NER. Aqui, o modelo é capaz de extrair entidades-chave, como datas , lugares, nomes de pessoas, locais e assim por diante. Como exemplo, dei este, Elon Musk, fundou a Tesla em 2003 na Califórnia Então, com o uso do NER, o modelo sabe que, ok, Elon Musk é uma pessoa que é o nome de uma pessoa A Califórnia é um local. Ele sabe que Tesla pode ser o nome do produto ou da empresa e, claro, 2003 é a data Então, a razão pela qual essa técnica é aplicada é porque ela é usada para análise de notícias, mecanismos de busca. Portanto, basicamente ajuda a resumir e categorizar Em seguida, temos a remoção de palavras de interrupção. Então, aqui, o modelo simplesmente remove palavras que não adicionam nenhum tipo de significado ou contexto à análise real do texto. Então, suas palavras finais são palavras como isso e bot, aquilo e assim por diante. Então, por exemplo, o gato está sentado no Monte. Depois que a remoção da palavra stop word for aplicada, ela simplesmente se torna cat sitting Mt. Isso é tudo que o modelo precisa saber. Ele precisa saber que o gato se senta nela. Ok, é isso mesmo. Não precisa saber que o gato está sentado no tapete. Isso é muita informação, certo? Então, por que isso é útil? Bem, ele pode melhorar os resultados do seu mecanismo de pesquisa e, em seguida, tornar seus modelos de processamento de linguagem natural mais eficientes simplesmente focando nas palavras-chave. Todas as palavras extras, o ruído extra é filtrado. Vamos nos concentrar apenas nas palavras-chave. E então a análise de sentimentos, basicamente, tenta detectar se um texto é positivo, negativo ou talvez simplesmente neutro Então, por exemplo, se eu dissesse, eu amo esse produto, então ele sabe Ok, provavelmente, esse é um sentimento muito positivo, certo? Mas se eu dissesse que esse é um serviço terrível, ele sabe: OK, isso é negativo. Mas se eu dissesse que o filme estava bem, isso poderia ser neutro, certo? Então, por que isso é útil? É usado em avaliações de clientes, monitoramento de mídias sociais e assim por diante. E então ajuda as empresas a entender opinião pública e também sua base de clientes. E depois a classificação do texto. Então, aqui, as categorias serão atribuídas ao texto com base no conteúdo. Por exemplo, podem ser e-mails com spam ou não. categorização de notícias pode ser política, esportes, entretenimento, moda, tecnologia e assim por diante E depois, é claro, a classificação da análise do produto. Pode ser positivo, negativo ou talvez até neutro. Então, por que isso é útil? Ele ajuda a automatizar a filtragem de e-mails, sua agregação de notícias, por exemplo, sua detecção de fraudes e muito Todos eles usam classificação de texto e, em seguida, tradução automática isso simplesmente converte um idioma em outro Sempre que você está tentando converter inglês para francês ou espanhol ou russo ou qualquer outra coisa, ele usa tradução automática. Então, por exemplo, em inglês, como você está? O francês, eu acredito, será como Sava. Obviamente, ferramentas populares como o Google Translate, seu Microsoft Translator, todas usam tradução automática É útil porque, é claro, quebra as barreiras linguísticas e é usado para viagens internacionais, negócios internacionais, negociações internacionais e muito mais. Então, a PNL em ação, quero dar um exemplo aqui e mostrar como as diferentes técnicas serão aplicadas Então, por exemplo, um cliente comprou um telefone, ok? Mas o iPhone mais recente ou o mais recente, você sabe, telefone Android ou qualquer outra coisa, e eles dizem, eu amo esse telefone. A bateria dura o dia todo. Então, quando você digita isso, como o modelo de PNL realmente funcionará para decompor essa entrada Em primeiro lugar, a tokenização. Eu amo esse telefone. Os morcegos o dia todo vão se resumir a eu amo esse telefone A bateria dura o dia todo. Isso é basicamente tokenização. É colocar a frase inteira em categorias menores e, em seguida, a marcação do PDV pode entrar Ele sabe que, ok, amar aqui seria o verbo. Ele sabe que o telefone será o substantivo. Ele sabe que bateria também é substantivo. Mas e o NER? Bem, neste caso, agora, porque dissemos, eu amo esse telefone, BLAs o dia todo, não há entidades aqui Agora, se o cliente tivesse dito, eu amo esse telefone da Apple, então qualquer A reconheceria que, ok, Apple é provavelmente a empresa ou o negócio que fabrica o produto, certo? Mas como aqui, eu não mencionei a Apple, não mencionei o Android, há entidades nomeadas aqui, então a interrupção da remoção do Word entra em ação. Adoro que a bateria do telefone dure o dia todo. É basicamente para isso que vai reduzir a sentença. Então, palavras como eu, isso, tudo removido, simplesmente agora temos amor, a bateria do telefone dura o dia todo, certo? Então, é claro, a análise de sentimentos, por causa das palavras como amor, ela sabe que, ok, isso é muito, muito positivo E depois a classificação do texto. É basicamente um produto que vemos. Então isso é a PNL em ação. Então, para resumir isso, algumas dicas importantes, togenização, divisão do texto em palavras ou frases , ematização e derivação, simplificarão as palavras em suas formas texto em palavras ou frases , ematização e derivação, básicas algumas dicas importantes, togenização, divisão do texto em palavras ou frases , ematização e derivação, simplificarão as palavras em suas formas básicas. A marcação Ps ajudará a identificar funções gramaticais. Seu NER pode extrair nomes, lugares e datas, interromper remoções e limpar o texto para análise análise de sentimentos tentará detectar emoções, e sua classificação de texto categorizará o conteúdo em grupos significativos E, finalmente, a tradução automática converterá texto entre idiomas. Obrigado por assistir. Te vejo na próxima aula. 29. Modelos e abordagens de PNL: Vamos agora dar uma olhada nos modelos e abordagens da PNL. Começando com as abordagens tradicionais da PNL. Há dois deles. Temos a PNL baseada em regras ou IA simbólica e também a PNL estatística Então, qual é a PNL baseada em regras, certo? O que é a IA simbólica? Como o nome sugere, aqui, o modelo simplesmente seguirá regras escritas ou uma estrutura para processar a linguagem. Portanto, normalmente é baseado nas declarações if then. Por exemplo, se A é igual a B, então B é igual É muito, muito simples, é muito direto. Portanto, funciona bem para tarefas linguísticas estruturadas e previsíveis. Por exemplo, você está desenvolvendo o quadro de bate-papo para uma empresa Agora, se alguém entrasse em contato com aquele fórum de bate-papo e dissesse, olá, uma resposta muito segura do quadro de bate-papo seria : Oh, olá. Boa tarde. Como posso te ajudar hoje? Você não precisa de um humano para digitar que o chatboard possa responder ou digitar isso de volta para o cliente porque ele disse olá É uma resposta muito, muito segura de se dar. Portanto, as vantagens disso são que, obviamente, é muito fácil de entender e interpretar e também funciona bem em ambientes limitados e estruturados. Obviamente, os contras seriam que ele não consegue lidar com variações na linguagem humana. Por exemplo, em vez de dizer olá, se o cliente dissesse algo anteriormente, tipo: “Eu tive um jantar muito bom ontem à noite?” Como você está hoje? A capela pode ficar confusa , tipo, espere um segundo. O que é isso, certo? Portanto, sempre que houver uma variação na linguagem humana ou nas respostas dadas pelo humano, esses tipos de modelos não funcionarão bem. Eles também exigem uma extensa criação manual de regras. Pense nisso, ok? Você está basicamente ensinando o fórum de bate-papo a responder a diferentes tipos de entradas Portanto, isso requer uma extensa criação manual de regras. Portanto, é normalmente usado nos fóruns de bate-papo da EA, verificadores gramaticais e assim por diante Mas e quanto à PNL estatística? Então, em vez de usar as regras predefinidas, como em sua IA simbólica, aqui, os modelos usarão probabilidade e estatística para analisar texto Assim, os modelos podem aprender com grandes conjuntos de dados em vez das regras predefinidas E então eles geralmente confiam no que chamamos de N gramas, que são sequências de palavras para prever o texto Então, por exemplo, um filtro de spam, certo? Se foi visto no e-mail, se foi visto, por exemplo, parabéns. Você é o sortudo ganhador de 1 milhão de dólares de hoje. Talvez seja possível prever que provavelmente isso seja spam, porque seus e-mails de spam típicos têm palavras-chave como parabéns, $1 milhão, o vencedor de hoje. Portanto, dado o fato de que o e-mail agora tem todas essas três palavras-chave, o modelo pode fazer uma previsão que provavelmente isso é spam. Mas e se o e-mail tivesse as palavras “lançado às 14h”? Então ele sabe que provavelmente isso está em spam. Quero dizer, quantos e-mails de spam você já recebeu o lançamento hoje às 14h . Isso seria muito, muito estranho, certo Assim, com a PNL estatística, os modelos tentam fazer previsões Então, os profissionais são, obviamente, mais flexíveis. Em seguida, as abordagens baseadas em regras podem se adaptar a diferentes idiomas e também a diferentes tipos de variações de texto. Os contras, no entanto, são que eles ainda lutam com um entendimento profundo. Por exemplo, ele não consegue entender se a entrada está sendo sarcástica ou está tentando ser Não consegue entender as emoções, certo? E, em seguida, requer grandes conjuntos de dados para maior precisão. Eles são usados em seus filtros de spam de e-mail e também na classificação de texto baseada em palavras-chave. Então você falou sobre os métodos tradicionais de aprendizado, mas e o processamento de linguagem natural baseado em aprendizado de máquina ? Então, eles melhoram a PNL aprendendo padrões a partir de dados em vez de confiar em regras. Há três deles. Você tem os modelos tradicionais de aprendizado de máquina, aprendizado profundo para PNL e também os modelos de PNL baseados em transformação, que, obviamente, são o padrão moderno atualmente Vamos dar uma olhada neles um por um. O primeiro são os modelos tradicionais de aprendizado de máquina. Temos a base de navegação que classifica o texto com base nas probabilidades, para que possa identificar se o e-mail é spam ou não Então temos as máquinas vetoriais de suporte, sua SVM. Eles identificam padrões de texto para classificação e também árvores de decisão. Falamos sobre árvores de decisão anteriormente. Eles usam a lógica de ramificação para classificar o texto. As vantagens de seus modelos tradicionais de aprendizado de máquina são que eles são mais precisos. Do que os métodos baseados em regras. Eles também funcionam muito bem para tarefas de classificação. No entanto, os contras são que eles exigem engenharia de recursos. Lembre-se de que falamos sobre recursos, que são as partes mais importantes de qualquer tipo de dado. Portanto, como requer engenharia de recursos, essa seria a seleção manual dos atributos do texto e, portanto, não poderia processar dependências de longo prazo no idioma Por isso, ele é usado em sua análise de sentimentos, classificação de texto e, claro, em bots de bate-papo muito simples E quanto à PNL de aprendizado profundo? Bem, isso basicamente revolucionou a PNL ao usar, é claro, as redes neurais para processar a linguagem Há dois deles. Você tem as RNNs, é claro, as redes neurais recorrentes e as redes de memória de longo prazo de curto prazo, seus LSTMs Então, comece com a rede neural recorrente. Eles foram projetados para dados sequenciais , como em frases, certo? E então eles conseguem se lembrar das palavras anteriores ao processar o texto. Então, eles usam para seu reconhecimento de fala, sua previsão de texto e muito mais. Agora, a vantagem de você é que eles podem capturar o contexto e também ordenar as frases porque se lembram das palavras anteriores. E então eles também podem gerar respostas semelhantes às humanas, o que é realmente muito fascinante. No entanto, infelizmente, eles têm alguns contras. Eles lutam com frases longas, certo? Às vezes , eles esquecem as palavras anteriores. Eles têm memória de curto prazo, mas quanto mais longa a frase se torna, mais difícil será para eles se lembrarem das palavras iniciais dessa frase. E então eles são mais lentos para treinar em comparação com os modelos mais simples. Então, eles são usados, é claro, em sua fala em texto, texto preditivo e muito mais Mas e as redes de memória de curto prazo? Eles são basicamente uma versão aprimorada do R e termina porque são capazes de lembrar frases muito mais longas. Então, eles são usados para análises de texto e conversas longas. Como exemplo, eles podem ser usados para resumir artigo longo e, ao mesmo manter o significado ou os pontos-chave desse Então, os profissionais lidam muito melhor com frases grandes. Eles são bons para fóruns de bate-papo e resumo de texto. Os contras, no entanto, são que, embora tenham memória de longo prazo, ainda lutam com documentos muito longos. Agora você fala sobre documentos que têm cinco páginas, seis páginas e assim por diante. E também é muito caro treinar. Eles são usados em chatbots, tradução automática e, claro, resumo de texto Mas e quanto aos modelos de PNL baseados em transformadores, o padrão moderno de Eles também revolucionaram a PNL ao processar frases inteiras de uma só vez, em vez de processar palavra por palavra Até agora mais eficiente, certo? Então, modelos como seu BRT, seu GPT, usam mecanismos de autoatenção para analisar palavras no contexto, e também são capazes, muito importante, aprender a relação entre palavras em frases longas Assim, eles são capazes de entender o contexto por trás de uma frase. Por exemplo, se a entrada, a margem estiver no lado esquerdo do rio. Agora, naturalmente, quando a palavra banco é ouvida ou usada, você pode ficar tentado a pensar: Ok, estamos falando sobre o lugar onde as pessoas guardam dinheiro, certo? Mas porque estamos falando sobre a margem do lado esquerdo do tecelão, o modelo aqui sabe que, Oh, você está se referindo à margem do rio Mas se eu dissesse que preciso sacar dinheiro do banco amanhã, agora o modelo sabe que, OK, você está falando sobre o prédio financeiro real porque disse palavras como sacar dinheiro. Ok, você obviamente está falando sobre o banco real, certo? Então, com a pose, eles podem entender profundamente o contexto. Eles podem gerar texto semelhante ao humano. Eles funcionam muito bem em tarefas complexas de PNL. Infelizmente, assim como tudo mais, eles também têm seus contras. Eles exigem grandes conjuntos de dados para serem treinados e, é claro, também podem gerar respostas tendenciosas ou incorretas Eles são usados, é claro, no ChagPT mecanismo de busca BRT do Google, geração de texto Air e muito Então, eu tenho uma tabela aqui que compara as diferentes abordagens da PNL, os prós, os contras, os exemplos Vou fornecer este slide para que você possa estudar isso em seu tempo livre Mas antes de resumir algumas conclusões importantes, a PNL começou, é claro, com os métodos baseados em regras, mas evoluiu para modelos de aprendizado profundo PNL estatística introduziu análise de texto baseada em probabilidade, aprendizado de máquina, sua PNL, classificação aprimorada de texto e análise de sentimentos e, é claro, os NLPs de aprendizado profundo, eles possibilitaram tarefas mais complexas, como reconhecimento de fala e os NLPs de aprendizado profundo, eles possibilitaram tarefas mais complexas, como fala E, finalmente, é claro, o padrão moderno de hoje, os transformadores. Eles agora são os modelos de PNL mais avançados usados na assistência aérea e no chatbd Obrigado por assistir. Te vejo na próxima aula. 30. Modelos de linguagem grandes (LLMs) e transformadores: Volte, agora, vamos dar uma olhada nos grandes modelos e transformadores de linguagem. É claro, esses são os padrões modernos para modelos de IA Então, o que exatamente são os LLMs, os grandes modelos de linguagem Bem, basicamente, eles são modelos de IA treinados em grandes quantidades de dados de texto para entender e gerar nossa linguagem humana. Agora, eles usam técnicas de aprendizado profundo, especialmente transformadores para processar texto de forma eficiente Exemplos, você os tem em seu GBT, que é obviamente o transformador generativo pré-treinado Isso é o que é usado no modelo Hat GPT AI. Você os tem em seu BRT, seu T five, você os tem na palma da mão, sua nuvem anulada e assim por diante Agora, quais são as principais características dos LLMs? Bem, em primeiro lugar, eles podem realmente gerar textos semelhantes aos humanos. Eles também são capazes de entender o contexto e o significado das conversas. E por isso, eles são normalmente usados para resumir textos, traduzir , responder perguntas e assim por diante Agora, quero falar sobre a arquitetura do transformador porque esse é basicamente o coração dos nossos LLMs Portanto, os modelos de aprendizado profundo , como sabemos, são os padrões modernos. Eles substituíram as arquiteturas mais antigas de processamento de linguagem natural , como suas redes neurais recorrentes E eles usam um mecanismo chamado autoatenção para processar texto. Então, basicamente, em vez de ler palavras uma a uma, como seus R e Ns, eles são transformadores capazes Eles são capazes de analisar todas as palavras ao mesmo tempo mesmo tempo, compreender as relações entre essas palavras. Portanto, os principais componentes de um transformador, em primeiro lugar, o mecanismo de autoatenção são capazes entender as relações entre as palavras em uma sequência E então eles usam algo chamado codificação posicional Isso os ajuda a acompanhar a ordem das palavras. Essa também é a atenção de várias cabeças, permitindo que os transformadores se concentrem em diferentes aspectos do texto simultaneamente ao mesmo tempo Além disso, ao alimentar novas redes, elas processam incorporações de palavras para saída Então, por que os transformadores são melhores do que os modelos mais antigos? Eu tenho uma mesa aqui. Os recursos sobre os quais falei lidam com textos longos. Os transformadores são capazes de processar palavras em paralelo. Eles também entendem o contexto, não apenas no nível superficial, mas, na verdade, profundamente, eles podem entender o contexto com muito mais detalhes E então, é claro, eles também são treinados mais rápido do que seus modelos mais antigos. Então, como exatamente os LLMs são treinados? Bem, como na maioria dos modelos de IA, você primeiro tem um pré-treinamento em que o modelo aprenderá os padrões de linguagem a partir de grandes conjuntos Então, eles forneceram muitos dados, e esses dados podiam ser obtidos da Internet, de livros, artigos, sites, etc. E então vem a fase de ajuste fino. É aqui que o modelo será ajustado para tipos específicos de tarefas. Então, talvez você esteja treinando um modelo de IA para assistência médica. A linguagem será ajustada para que o modelo possa aprender um pouco mais sobre os termos da área de saúde Talvez você esteja treinando um fórum de bate-papo para questões jurídicas e assim por diante. Então, basicamente, o modelo AM será ajustado para a tarefa específica que ele deve servir E então vem o estágio da inferência. Então, aqui, o modelo que já foi treinado será usado para gerar texto, traduzir idiomas e também responder perguntas. Esse é basicamente o estágio de implantação. Por exemplo, seus modelos JBT são pré-treinados em dados de habilidades da Internet e, em seguida, também ajustados para fornecer respostas semelhantes às de um Exemplos de aplicativos do mundo real, novamente, em sua IA conversacional, como um chapéu GPT, Deepsk, seus fóruns de bate-papo, eles usam mecanismos de pesquisa, eles usam para resumo de texto e criação de conteúdo e , é claro, na tradução de idiomas e também na geração de código e no assistente Esses são apenas exemplos de aplicações de leitura de nossos transformadores. Então, assim como com qualquer outro tipo de modelo de IA existente, temos certos desafios éticos. Novamente, preconceito nos modelos de IA. Alucinações e, claro, desinformação são muito, muito possíveis para os modelos de IA mais complexos que sejam, por mais inteligentes que sejam, eles sempre podem cometer podem E, claro, a questão da privacidade dos dados. Eu já falei sobre isso antes. Sempre que grandes quantidades de dados são necessárias para treinar um modelo de IA, sempre existe o medo de que os dados usados possam pertencer aos usuários e clientes, o que pode levar a questões de privacidade. E, claro, também o impacto ambiental. Não se esqueça, é claro, de que modelos de treinamento como esse exigem um poder computacional muito alto Então, que efeito isso teria no meio ambiente? Mas e o futuro? O que podemos esperar no futuro para os LLMs Bem, em primeiro lugar, sempre podemos esperar modelos menores mais eficientes que exijam menos poder de computação. Além disso, uma melhor IA multimodal , então, em relação ao processamento de texto, vídeos, imagens, ela se tornará E depois, com a IA, com salvaguardas éticas mais fortes, esperamos evitar a piedade e a desinformação E então, é claro, os LLMs integrados às ferramentas diárias, como transporte, comunicação, saúde e assim por diante Então, algumas dicas importantes antes de eu concluir a aula: os LLMs são modelos de IA poderosos que também podem entender e Eles habilitam os transformadores. Eles permitem que os LLMs processem textos com eficiência e também entendam o contexto por trás do texto em um nível muito mais profundo LLMs, eles estão usando seus fóruns de bate-papo, mecanismos de pesquisa e assim por diante desafios incluirão, é claro, preconceitos, desinformação, alucinações e, em seguida, o futuro dos LLMs se concentrará na eficiência, na IA multimodelo e, claro, Obrigado por assistir. Te vejo na próxima aula. 31. Reconhecimento de fala e IA conversacional: Volte, agora vamos dar uma olhada nos modelos de reconhecimento de fala e IA conversacional Obviamente, esses são modelos que usam a PNL em grande medida Então, o que exatamente é reconhecimento de fala? Também é chamado de reconhecimento automático de fala e é basicamente o processo de conversão de texto falado ou linguagem falada em texto Então, é isso que permite que seu software de ditado, seus assistentes de voz entendam o que você está realmente dizendo a Agora, exemplos são seus assistentes de voz, Alexa, Siri automatizados ou call center Então, sempre que você liga para uma empresa e a máquina atende sua ligação e diz alguma coisa, isso é reconhecimento de fala em ação E também nas legendas, sempre que estiver assistindo vídeos no YouTube ou na Netflix, você vê as legendas Isso é basicamente o reconhecimento de fala em ação. Mas como exatamente isso funciona? São cinco estágios principais, e o primeiro estágio seria a entrada, a captura da entrada. Portanto, o usuário precisaria dizer algo no microfone algum tipo de entrada para ser capturada Em seguida, vem a extração de recursos. Então, aqui, o sistema tentará converter a fala em um espectrograma Um espectrograma é basicamente uma representação visual da aparência da fala ou da aparência do som E depois disso, agora teremos o modelo acústico em que o modelo tentará combinar os sons com os fonemas Os fonemas são a menor unidade de fala. Portanto, com base no que conseguiu comparar, ele tentará fazer uma previsão sobre as palavras ou frases mais prováveis de serem ditas. E, finalmente, ele produzirá o texto final transcrito que será Então é basicamente assim que funciona. entanto, existem alguns desafios envolvidos no reconhecimento de fala, é claro, sotaques e dialetos Um sistema pode ser mais capaz de entender um sotaque americano ou britânico do que, digamos, um sotaque indiano muito forte ou um sotaque russo muito forte, isso é um exemplo, E depois, claro, o ruído de fundo. Se houver muito ruído em segundo plano enquanto o áudio está sendo capturado, isso pode afetar o desempenho do sistema. E então, é claro, homófonos, ok? Homófonos são basicamente palavras que soam iguais, mas na verdade têm significados diferentes, como, por exemplo, nós e certo Então você escreve o verbo escrever algo e depois escreve o que é o oposto de esquerda Quando você diz isso no sistema, pode ser muito difícil distinguir as duas palavras porque elas soam exatamente iguais. Mas e quanto à IA conversacional? Isso parece o próximo nível, certo? Então, aqui, isso permite que os computadores se envolvam em interações semelhantes às humanas. Por isso, ele potencializa sua assistência virtual, seus painéis de bate-papo e, é claro, automação do suporte ao cliente Tipos de IA conversacional, temos os chatbards baseados em regras Lembre-se, falamos sobre isso mais cedo. Essas são basicamente respostas pré-programadas para tipos muito específicos de perguntas Esses tipos de modelos de IA que podem funcionar, mas em ambientes muito limitados, e depois em fóruns de bate-papo com inteligência artificial. Aprendendo com as informações do usuário, eles melhoram com o tempo. Temos seus assistentes de voz que podem entender e também responder aos comandos falados Então, exemplos de sua IA conversacional, seu Chat GPT, seu Google Duplex e, claro, Alexa e Si. Como isso funciona? Um pouco semelhante ao reconhecimento de fala, em primeiro lugar, deve haver algum tipo de entrada fornecida para que o usuário fale ou digite uma consulta. Em seguida, vem a aplicação da compreensão da linguagem natural na qual o modelo de IA tentará extrair o significado da entrada. E então, com base no que foi capaz de extrair, ele tentará fornecer a melhor resposta à entrada. É chamado de gerenciamento de diálogos. E então a IA agora gerará uma resposta, semelhante à humana, normalmente, é claro. E então, na última etapa, a resposta será entregue por voz ou texto. Essa é basicamente a saída de texto de fala. Obviamente, temos desafios: entender o contexto, a IA pode interpretar mal consultas complexas ou ambíguas. Isso ainda é um pouco problemático. E depois, é claro, o viés nas respostas da IA e, em seguida, também o tratamento do diálogo em vários turnos Portanto, conversas com vários tópicos podem confundir a IA. Você pode realmente tentar isso. Você pode tentar se envolver com um jibty ou talvez até com o Dipsk. Comece a conversa sobre, digamos, tecnologia e, em seguida, faça uma pergunta sobre esportes, mude para moda. Então, em algum lugar ao longo da linha, é muito, muito possível que o modelo Tha chibit, neste caso, fique confuso e comece a alucinar Então, quais são as soluções para esses desafios, tanto para o reconhecimento de fala quanto para a IA conversacional Podemos treinar a IA em diversos conjuntos de dados para melhorar a compreensão da linguagem, encontrar modelos para lidar com diferentes facetas e variações de fala E, claro, usando modelos híbridos, os modelos híbridos seriam a base de regras mais inteligência artificial para melhores respostas. Então, qual é o futuro? Para modelos de reconhecimento de fala e inteligência artificial conversacional. Bem, conversas mais naturais. Vai parecer ainda mais natural quando você conversar com essas modelos. E depois a IA multimodal, que combinará fala, texto e imagens ao mesmo tempo para aprimorar as E depois, é claro, um assistente de IA personalizado. Então, IA que se adaptará aos padrões de fala individuais e também às preferências. Ainda não temos isso, mas está chegando em breve. E, é claro, tradução de IA em tempo real, na qual traduções de fala para fala por exemplo em vários idiomas podem ocorrer. Então, algumas conclusões importantes: o reconhecimento de fala converte palavras faladas em texto usando IA conversacional permite interações semelhantes às humanas por meio de fóruns de bate-papo e assistência por voz, e os desafios, é claro, incluirão sotaques, dialetos, ruídos, preconceitos e assim por diante, homófonos e também avanços futuros, Portanto, os avanços futuros melhorarão a personalização, a tradução em tempo real e, claro, a IA multimodal Obrigado por assistir. Te vejo na próxima aula. 32. Prévia da seção O futuro da inteligência artificial: Bem-vindo ao módulo final, o futuro da inteligência artificial. E, é claro, vou mostrar um clipe final de um filme para apresentar este módulo, então sente-se com Lex, aproveite o clipe e nos vemos no final. Todo mundo está bem? Muitos escravos da minha colônia de robôs Dê a eles um ambiente de humor para que nos encaixemos melhor nesta unidade. Acha que isso nos relaxa. Um robô gigante e sarcástico. Que ótima ideia. Eu tenho muitas coisas que posso usar quando estou brincando, se você quiser. Isso provavelmente ajudaria. Sim, você pode usá-lo para encontrar o caminho de volta para a nave depois que eu explodir você pela câmara de ar Qual é o seu ambiente de humor, Tars? Isso é 100%. Vamos reduzir tudo para 75, por favor. Olá, Tars? Qual é o seu parâmetro de honestidade 90%. 90%. A honestidade absoluta nem sempre a forma mais diplomática nem a mais segura de comunicação com seres emocionais. OK. Bem, volte aqui. Então esse clipe foi retirado do filme em testla lançado no ano de 2014 pelo lendário diretor Christopher Nolan Agora, para ser justo, há tantos outros clipes que eu poderia ter escolhido para apresentar este módulo final No entanto, escolhi esse clipe em particular porque achei muito fascinante e também demonstra efetivamente o futuro da inteligência artificial Agora, no clipe, temos o modelo de IA chamado TAS, que está ajudando os astronautas a lançarem seu espaço e lançarem sua nave espacial E enquanto eles estão decolando, o modelo da Tar Air começa a fazer algumas piadas Então Cooper, o astronauta principal, ele pergunta a Taz. Ele diz: “Quais são suas configurações de humor?”, e Taz responde. Oh, está em 100%. E, claro, Kuper não gosta disso, e ele diz: Ok, vamos reduzir isso para 75% E mais tarde no clipe, Kooper pergunta a Taz Qual é o seu parâmetro de honestidade E Tas responde que está em 90%. E Cooper, claro, pergunta 90%. Ou seja, por que não está em 100%? Agora, Tarz, o modelo de IA é muito, muito inteligente. Ele sabe que Kuper está perguntando, por que está em 90% Por que não a 100%? E Tarz responde com humor que, Oh, honestidade absoluta não é a maneira mais diplomática ou segura de se comunicar E eu achei isso muito, muito engraçado porque é verdade. Pense nisso, ok? Muitas vezes na vida cotidiana, nas conversas do dia a dia, você pode querer dizer algo que talvez queira dizer a alguém como você realmente se sente por dentro, mas porque você está preocupado que essa pessoa fique chateada, possa se ofender com o que você diz, mesmo que seja verdade, você então decide: Ok, vou jogar pelo seguro e não ser assim direto e não seja tão direto no que digo Então, achei muito, muito fascinante que o modelo de IA Taz saiba que 100% de honestidade provavelmente não é a melhor maneira de se comunicar com seres humanos Então, outra coisa que observamos nesse clipe em particular é a capacidade de personalizar nossos modelos de IA Aqui você tem Cooper sendo capaz de ajustar as configurações de humor e honestidade das estrelas E isso é algo que eventualmente acontecerá no futuro com nossos modelos de IA. Poderemos personalizá-los. Eles podem começar a soar como cavalos, falar com nosso sotaque e assim por diante Então, isso é algo que eventualmente virá. Personalização pessoal de modelos de IA. Então, espero que você tenha gostado desse vídeo introdutório ao nosso módulo final, o futuro da IA Vamos agora começar com o resto das aulas. 33. Tendências atuais em desenvolvimento de IA: Bem vindo de volta. Então, vamos começar um novo módulo falando sobre as tendências atuais no desenvolvimento de IA. E quando você olha ao seu redor, independentemente de qual setor ou campo seja, já existe alguma presença de inteligência artificial. Mas vamos começar falando sobre a IA na automação e a transformação da força de trabalho Já temos o aumento do uso da automação baseada em IA em setores como manufatura, logística, varejo e assim por diante. E, claro, o crescimento do que chamamos de automação robótica de processos, a RPA para lidar com tarefas repetitivas Você encontra isso nas empresas, nos negócios. Eles usam isso para chatbards, atendimento ao cliente e muito mais E, claro, um chatboard e assistente virtual de atendimento ao cliente com inteligência artificial , sua série do Google e assim por diante E depois a mudança para a colaboração humana com a IA. Mas e quanto à IA nas indústrias criativas? Então, agora você tem modelos de IA como Dali, M Jony, que são capazes gerar imagens com aparência realista Você tem modelos de IA como o Sara, da Open AI, a mesma empresa que desenvolveu um ha JBT capaz de converter texto em vídeos E então a IA gerou música e clonagem de voz. Nós também os temos. E, é claro, temos algumas preocupações éticas em relação à IA e às indústrias criativas, especialmente quando se trata da questão do FAC profundo Já tivemos vários incidentes que vários criminosos conseguiram usar o Deep fake para enganar suas vítimas E, claro, temos IA em nossa vida cotidiana e personalização. Por exemplo, você tem IA em uso para Netflix, YouTube, Spotify, Disney plus e assim por diante, e, é claro, IA no comércio eletrônico com o uso de chatbots E, claro, personalizar nossas experiências de compra e, claro, assistentes de voz e dispositivos inteligentes como o Google Series, o Alexa da Amazon e assim por diante E, claro, IA nas mídias sociais. Agora também usamos a IA para gerar conteúdo. E, claro, IA em saúde e biotecnologia. Na verdade, isso é muito, muito fascinante porque agora temos diagnósticos baseados em IA, onde a IA pode ser usada para detectar doenças a partir de raios-X, ressonâncias magnéticas e assim por diante E então a IA também é usada na descoberta de medicamentos, onde a IA tem sido usada para acelerar nossos propósitos de pesquisa e produtos farmacêuticos, como visto em Dip mind alpha fold, que é capaz de prever estruturas Não vou fingir que sei exatamente o que é isso, mas temos cirurgias assistidas por IA A IA se tornou tão avançada hoje em dia que pode ajudar na cirurgia com pouca ou nenhuma intervenção humana e, claro, com análises preditivas na medicina Agora usamos a IA para prever surtos de doenças e tendências de saúde dos pacientes E, claro, esse curso não será concluído sem falar sobre o uso da IA em finanças e, claro, em segurança cibernética Portanto, temos a IA sendo usada na negociação algorítmica, onde estratégias financeiras orientadas por IA que analisam as tendências do mercado em tempo real foram desenvolvidas E, é claro, para segurança cibernética, podemos usar a IA para detecção de fraudes E a IA faz parte da cibersegurança onde a IA pode ser usada para detecção de ameaças, respostas automatizadas e avaliação de vulnerabilidades Continuando, qual é o futuro da integração da IA, três pontos principais na IA de ponta, em que a IA agora será executada diretamente em dispositivos móveis, em vez de depender da computação em nuvem E então a IOT alimentada pela IA, a Internet das coisas. Então, agora usaremos a IA para alimentar nossas casas inteligentes, cidades inteligentes, redes inteligentes e assim por diante. E, claro, a democratização da IA , onde a IA se tornará mais acessível para aqueles que não têm formação técnica Portanto, há algumas conclusões importantes aqui. IA, como você sabe, está transformando vários tipos de indústrias, desde saúde até finanças e Hollywood E, claro, a combinação de IA e automação está remodelando a Mas a colaboração humana com a IA será fundamental. E, finalmente, temos considerações éticas, regulamentações e desenvolvimento responsável da IA, que serão essenciais à medida que a IA se tornar mais integrada em nossas vidas diárias Então, isso é obrigado por assistir ao vídeo. Te vejo na próxima aula. 34. A próxima fronteira — IA geral vs IA: Bem-vindo de volta, então agora. Vamos dar uma olhada em um tópico muito fascinante. E aqui, estamos comparando a IA geral com a IA restrita. O que é IA restrita? Agora, já falamos sobre isso anteriormente. São IAs que se destacam na execução de um tipo específico de função. E temos vários exemplos disso. Você tem o exame da Amazon, a série do Google e assim por diante E, claro, algoritmos de recomendação como YouTube, Spotify, Netflix e até mesmo seus modelos de IA, como Chi JPT, Claude, Dipsik Todos esses são exemplos de IA restrita. Mas temos algumas características-chave, por exemplo, elas são altamente especializadas, o que significa que podem se destacar em um tipo específico de tarefa. E então, é claro, eles são orientados por dados. Eles exigem grandes quantidades de dados. Eles também carecem de raciocínio. Eles são incapazes de entender conceitos além do treinamento e, é claro, não têm verdadeira autonomia, o que significa que a IA modela a IA fraca eles podem tomar decisões com base em regras ou simplesmente no comportamento aprendido. Em outras palavras, eles são muito, muito flexíveis na forma como realizam suas tarefas. Mas o fato é que, apesar do fato de que hoje, quando você olha para modelos como ChagPT Siri e Deep Seek e assim por diante, todos parecem muito poderosos e competentes no que fazem, mas ainda são considerados uma IA fraca E isso porque temos a possibilidade teórica e possivelmente prática da IA geral. Agora, o que é IA geral? Isso se refere à IA com nível humano, habilidades cognitivas, capaz de entender, raciocinar e aprender em vários domínios sem nenhum treinamento prévio, sem ser explicitamente treinada para qualquer uma dessas tarefas Então, em outras palavras, estamos falando sobre inteligência artificial que pode realmente igualar ou talvez até mesmo superar a inteligência humana Então, o que a AGI seria capaz de fazer? Bem, AGI, General AI seremos capazes de entender e aprender qualquer assunto, assim como qualquer ser humano normal, resolver novos problemas desconhecidos sem nenhum treinamento prévio Então, basicamente, ele será capaz de raciocinar e resolver novos problemas sozinho, mostrar criatividade raciocínio de bom senso e, em seguida, se adaptar a diferentes ambientes sem nenhuma programação extra Ele se tornará muito adaptável, muito flexível e, em seguida, possuirá autoconsciência e pensamento independente Mas isso ainda é altamente discutível. Há quem acredite que, sim, poderemos eventualmente obter inteligência artificial que seja tão inteligente, tão poderosa. Serei capaz de pensar de forma independente, ter autoconsciência, enquanto muitos outros acham que isso nunca será possível Então, quais são os esforços atuais de pesquisa da AGI? Temos empresas como Open AI, Deep Mind e também antrópicas Essas estão entre as empresas que estão trabalhando para alcançar a IA geral. Modelos de IA como a versão quatro do GPT. Embora sejam extremamente poderosos e estejam se tornando mais gerais, eles ainda não são exatamente uma IA verdadeiramente geral. E agora, alguns pesquisadores, aqueles que são muito otimistas, aqueles que pensam que alcançaremos a AGI, veem o prazo de 10 a 50 Bem, como eu disse anteriormente, há quem não acredite que algum dia alcançaremos a AGI Então, quais são as principais características da AGI? Bem, antes de tudo, aprenda com a experiência, assim como um ser humano, pode transferir conhecimento entre diferentes tarefas. Então, digamos, por exemplo, que você atribuiu a primeira tarefa à IA geral, ela executa essa tarefa. Você então atribui a tarefa dois. Se houver algumas semelhanças entre a tarefa um e a tarefa dois, ele pode ser capaz de transferir o conhecimento adquirido ao trabalhar na tarefa um para a tarefa dois, novamente, como um ser humano normal, e então mostrar raciocínio, resolução de problemas e adaptabilidade, e então potencialmente autônomo na Em outras palavras, seja capaz de pensar de forma independente. Essas são as principais características da AGI. Eu tenho a tabela aqui em que mostrei as principais diferenças entre a IA geral e, é claro, a IA fraca. E, é claro, na maioria desses recursos, IA geral supera a IA restrita A única coisa, porém, é que quando se trata da existência atual, temos uma IA restrita. Já é muito difícil, enquanto a IA geral ainda é teórica neste momento. Então, quais são, de fato, os desafios para alcançar a AGI? Qual é o atraso? Por que os desenvolvedores não estão ao ar livre e, então, por que ainda não nos deram a AGI Bem, como você pode imaginar, temos os desafios técnicos. E se você acha que aprendizado profundo requer um enorme poder competitivo, isso não é nada comparado ao tipo de poder competitivo necessário para a E então, a eficiência dos dados, é claro, AGI exigirá enormes quantidades de dados, o que ainda é um pouco desafiador Além disso, o raciocínio do senso comum , a IA, como a conhecemos hoje, ainda tem dificuldades quando se trata de entender conceitos abstratos É incapaz de raciocinar e decifrar o que são. Além da memória e da adaptabilidade, a AGI deve ser capaz de mostrar a capacidade de reter e aplicar o conhecimento em diferentes cenários Em outras palavras, o tipo de conhecimento e inteligência que a AGI deve possuir, é extremamente difícil alcançá-los. Também temos as preocupações éticas e de segurança da AGI. E se a AGI de fato superar a inteligência humana? Como podemos controlar isso, certo? Essa é sempre a grande questão. E, claro, preconceito e justiça. Agora, para ser justo, sem trocadilhos, esse é um grande desafio em todos os tipos de IA e não apenas na IA geral E depois o alinhamento da IA, como podemos garantir que as metas da AGIs estejam alinhadas com os valores humanos e, claro, com o O que acontece se os bandidos, se os cibercriminosos colocarem as mãos na IA geral? As consequências podem ser desastrosas. E depois, é claro, as questões filosóficas e teóricas A IA pode ser consciente? Certo? Imagine isso. Os filósofos debatem se a AGI poderia ter experiências subjetivas Quão insano isso seria? Você está quase neste momento falando sobre inteligência artificial, sobre ter emoções. Quero dizer, isso é bem próximo, certo? E então a AGI substituirá os humanos? A raça humana deixará de existir porque agora temos a AGI governando o mundo Bem, alguns temem que a AGI possa superar os humanos em todas as tarefas que levem ao deslocamento do emprego ou E então, talvez a maior questão de todas: devemos, de fato, criar a AGI Só porque podemos, isso significa que devemos ou devemos? Talvez às vezes seja melhor dizer: Ei, olha, IA restrita que existe agora é boa o suficiente. Nós podemos melhorar isso. Mas em algum momento, precisamos dizer: Ok, isso está se tornando muito avançado. Isso está se tornando muito inteligente. Precisamos dar um passo atrás. Então, essas são, tipo, as perguntas filosóficas muito interessantes que foram feitas Então, o caminho para a AGI, onde estamos agora em 2025 Bem, os sistemas de inteligência artificial estão ficando mais poderosos, mas ainda carecem de uma compreensão verdadeira. Agora, alguns pesquisadores acreditam que a AGI também exigirá avanços fundamentais em neurociência, ciência cognitiva e aprendizado de máquina E outros também propõem que o uso de modelos de hábitos, aqueles que combinam raciocínio simbólico com aprendizado profundo, poderia nos aproximar da AGI E então os regulamentos e políticas da AGI são cada vez mais importantes para orientar o desenvolvimento ético da AGI Mas e se, de fato, conseguirmos , eventualmente, alcançar a AGI Quais são as possíveis implicações futuras? Bem, a inteligência sobre-humana poderia AGI superar a inteligência humana e revolucionar todos Essa é uma possibilidade. E depois, é claro, os mercados de trabalho. O fato é que nem precisamos ir tão longe quanto a AGI. Veja o que aconteceu hoje. IA fraca, o Chagpt e seus corpos já estão substituindo tantas pessoas Muitos empregos já foram perdidos devido à introdução da IA restrita. Agora imagine o que acontecerá quando tivermos IA geral sendo introduzida. Isso possivelmente deslocará ainda mais pessoas. Como resultado, ainda mais empregos serão perdidos. E, claro, a governança ética da IA. Como podemos garantir que a AGI continue benéfica e não se torne ddius Não cai nas mãos erradas. E agora a colaboração humana com IA poderia, de fato, trabalhar ao lado dos humanos, aprimorando nossas capacidades em vez de nos substituir Tenho certeza de que você já viu filmes como Terminator e assim por diante Nesses filmes, a AGI escolhe It's says, Você sabe o que? Não vou andar com humanos. Humanos são uma ameaça à minha existência. Eu só vou destruir toda a humanidade. Então é isso que acontece nos filmes. Espero que isso não aconteça na vida real. Então, apenas algumas dicas importantes. A IA de rede está em toda parte hoje em dia. A AGI ainda é teórica neste momento. AGI, se de fato alcançarmos a AGI, ela será capaz de raciocinar na resolução de problemas e na adaptação, assim como um ser humano, e alcançar a AGI representa enormes preocupações ou desafios técnicos, éticos e de segurança E então, o futuro da AGI poderia remodelar a indústria, sociedade e até a própria humanidade Então, vamos alcançar a AGI só o tempo dirá. Obrigado por assistir ao vídeo. Te vejo na próxima aula. 35. IA e força de trabalho — a IA vai substituir empregos: Volte, então vamos dar uma olhada na próxima lição. E, claro, essa é a pergunta de um milhão de dólares. A IA substituirá seu trabalho? Bem, vamos descobrir. Antes de tudo, vamos falar sobre os efeitos atuais da IA na força de trabalho Agora, a IA tem sido usada para automatizar tarefas muito repetitivas e chatas A IA tem sido usada para melhorar a eficiência. E, claro, com a introdução da IA, novos tipos de funções foram criados, novos tipos de operadoras foram criados como resultado da IA E devido à introdução da IA, os trabalhadores precisarão aprender novos tipos de habilidades digitais para sobreviver. Pense nisso, ok. Imagine um trabalhador hoje que não sabe usar a Internet. É quase impossível sobreviver, certo? Então, eventualmente, em algum momento, todos teremos que aprender algumas noções básicas de IA para sermos empregáveis Então, quais são os empregos que mais correm risco devido à IA e à automação? Você tem aqueles em manufatura e logística, onde agora temos robôs alimentados por IA que trabalham nas linhas de montagem. Eles substituíram todos os humanos. Você os tem no varejo e no atendimento ao cliente. Agora temos chatbots com inteligência artificial que podem fazer o trabalho perfeitamente Você tem regras sobre essa entrada e administração de dados. Obviamente, a IA agora pode lidar com planilhas e, você sabe, com a análise de documentos e assim por diante E depois, sobre transporte e entrega, mesmo que isso ainda não tenha entrado em vigor, mas eventualmente teremos caminhões autônomos e impostos sobre direção autônoma que possam fazer o trabalho. Mas nem tudo é desgraça e tristeza, e a IA vai substituir a todos nós Novos tipos de funções serão criados como resultado da IA, por exemplo, engenheiros de IA e aprendizado de máquina. Obviamente, vamos criar novos tipos de modelos para retreinar e melhorar os modelos de IA existentes. E então, cientistas e analistas de dados não esquecem que os dados são a força vital da IA Então, também precisaremos de cientistas de dados. E, claro, especialistas em segurança cibernética que usarão a IA para realizar suas tarefas e, em seguida, treinadores de IA e especialistas em ética que garantirão que os modelos de IA estejam alinhados aos padrões éticos e, claro, os especialistas em colaboração humana em IA que gerenciam fluxos de trabalho humanos de IA Então, esses são alguns exemplos dos tipos de carreiras que crescerão como resultado da IA. Mas também temos algumas carreiras que serão aprimoradas pela IA. Por exemplo, no desenvolvimento de software, teremos programadores que poderão usar a IA para melhorar seus níveis de programação, a assistência de codificação do AI Pow e assim por diante E então, na área da saúde, a IA também poderá ajudar os médicos em diagnósticos, cirurgias e atendimento ao paciente E até mesmo nos campos criativos da indústria criativa, onde as ferramentas de IA podem ajudar designers, escritores e músicos a gerar novas ideias E há algumas outras profissões que a IA pode aprimorá-las, também em segurança cibernética, assim como sou especialista em segurança cibernética A IA pode ser usada para detectar e impedir ataques cibernéticos. Então, em última análise, a questão agora é IA substituirá completamente os trabalhadores humanos? O que você acha? Na minha humilde opinião, acredito que a IA inevitavelmente substituirá muitos milhões e milhões de tipos de empregos serão perdidos como resultado da Enquanto novas funções e novos empregos serão criados, novas oportunidades serão criadas como resultado da IA. Não sei quais serão as implicações econômicas , porque nem todo mundo cujo trabalho foi substituído pela IA conseguirá um novo emprego. Então, o que acontece com eles, certo? Eu não sei. É algo em que pensar, mas veremos. Vamos ver o que vai acontecer. Então, apenas algumas dicas importantes antes de concluirmos a aula A IA está automatizando alguns trabalhos, mas também criando novas oportunidades Acho que a ideia aqui é que você deve se posicionar para aproveitar a introdução da IA porque, goste ou não, a IA está aqui. É o presente e também será o futuro. Portanto, trabalhos repetitivos de baixa qualificação correm um risco maior de automação IA aprimora, em vez de substituir, funções em muitos campos criativos e analíticos E, é claro, a adaptação aos locais de trabalho orientados pela IA exigirá aprimoramento de habilidades Como eu disse anteriormente, por causa da IA, todos nós seremos forçados a aprender algumas noções básicas de IA E, claro, o futuro é colaboração humana com IA, não a automação total. Obrigado por assistir. Te vejo na próxima aula. 36. IA e superinteligência — hype ou realidade: Bem, volte aqui. Então, para completar esse módulo, vamos dar uma olhada em nossa lição final. E aqui, estamos discutindo IA e superinteligência. Agora, para ser sincero, eu não tinha certeza se deveria fazer disso uma lição porque, pelo menos na minha humilde opinião, é muito improvável que algum dia consigamos isso, mas, mesmo assim, é um tópico fascinante Então, vamos falar sobre isso. Agora, o que exatamente é a superinteligência ASI? Bem, isso é basicamente a IA que vai superar nós humanos em todos os aspectos, incluindo criatividade, raciocínio, tomada de decisões e assim por diante Então, basicamente, estamos falando sobre inteligência que se tornará nossa mestra. Agora, ao contrário da IA restrita e geral, ASI será autônoma e autoaperfeiçoada potencialmente excedendo em muito as habilidades cognitivas humanas Então, por exemplo, se eventualmente desenvolvermos a ASI, a própria superinteligência poderá criar versões melhores de si mesma, acelerando rapidamente sua inteligência além do controle humano Então, aquela velha teoria sobre a IA dominando o mundo se tornará uma possibilidade real se alcançarmos a superinteligência. Então, é realmente possível que cheguemos a esse ponto de superinteligência em IA? Nós temos alguns fatores que apontam para isso e outros fatores que dizem , não, não vamos chegar lá Então, quais são os argumentos para que a ASI se torne realidade? Bem, em primeiro lugar, o crescimento do poder computacional. Agora, obviamente, alimentar modelos superinteligentes exigirá uma quantidade enorme de poder de computação. Mas, dado o fato de que poder de computação está aumentando exponencialmente, não há dúvida de que, eventualmente em algum momento no futuro, teremos poder computacional suficiente para alimentar esses modelos de IA Agora, também há avanços nas redes neurais. Você tem modelos de aprendizado profundo que estão se tornando cada vez mais sofisticados a cada dia. Você tem IA de autoaprendizagem, onde já temos IA capaz de autoaperfeiçoamento como exemplo, o Alpha zero. Esse é um modelo de IA que aprende a jogar xadrez e aprende sozinho simplesmente jogando contra si mesmo. Então, avanços na AGI também. AGI finalmente alcançar a IA geral , a próxima etapa após a IA geral será a superinteligência da ASI Então, alguns pesquisadores proeminentes de IA, como Nick Bostrom, que também é autor de superinteligência, acreditam que a IA pode se tornar uma possibilidade real em algum momento Mas, como eu disse, temos argumentos a favor da ASI, mas também temos argumentos contra a ASI. Em primeiro lugar, nos limites da computação, a inteligência humana não se refere apenas ao poder mundial competente Uma consciência ainda é um problema não resolvido. Portanto, esse ainda é um grande desafio em relação ao desenvolvimento da ASI e, em seguida, à falta de uma verdadeira inteligência geral. Antes de obtermos uma superinteligência, precisamos desenvolver uma IA geral. Ainda nem alcançamos a IA geral. Algumas pessoas já estão falando sobre superinteligência. Então, talvez devêssemos alcançar IA geral antes de começarmos a falar sobre superinteligência Além disso, a criatividade e a emoção humanas, a IA, sempre carecerá de curiosidade, emoções e capacidade de vivenciar o mundo Esse é um dos maiores argumentos contra a superinteligência lá Não importa o quão inteligente seja, ainda é uma máquina. Ainda não é capaz de desenvolver emoções, certo? E depois barreiras éticas e técnicas, certo? O mundo pode impedir intencionalmente surgimento de ASI devido a riscos de segurança Portanto, pode ser que tenhamos obtido o conhecimento técnico. Temos o poder da computação. Mas, novamente, só porque podemos desenvolver superinteligência, isso não significa necessariamente que devemos. Então, talvez isso seja o que realmente nos impede de alcançar a ASI. Portanto, alguns céticos, como Gary Marcos, argumentam que a IA carece compreensão verdadeira e é improvável que alcance a superinteligência Vamos seguir em frente. Quais são os riscos e as preocupações éticas da ASI? E como você pode ver neste slide, você tem um robô de aparência muito assustadora sorrindo Obviamente, esse não é um sorriso agradável. É um tipo de sorriso muito maléfico. Isso é, claro, o terminador. Se você ainda não viu o filme antes de O Exterminador do Futuro 1 e 2, eu gostaria de encorajá-lo a assisti-lo É um momento divertido. Na verdade, Terminator 2 é meu filme favorito de todos os tempos. É o número um para mim. Então, caso você esteja interessado em alguma ação, Scify, definitivamente dê uma olhada nos filmes, mas por que estou usando essa imagem específica do terminador Bem, isso é porque no filme, você tinha uma superinteligência que foi desenvolvida. O modelo se chamava Skynet, e a Skynet acabou decidindo um dia que, você sabe Eu vou destruir a humanidade. Eu vou destruir a humanidade, e a Skynet travou uma guerra contra um Então, definitivamente dê uma olhada. Então, quais são os riscos e as preocupações éticas da ASI? Em primeiro lugar, a perda do controle humano. É possível que a inteligência artificial se torne tão poderosa, tão inteligente que nós, como humanos não possamos mais controlá-la. E que o risco existencial, se os objetivos da ASI não se alinharem aos valores humanos, pode ser perigoso Na verdade, eu poderia até ser desastroso. Então, disrupção econômica. Com uma IA restrita, muitas pessoas perdem seus empregos. Se a IA geral for introduzida, ainda mais empregos serão perdidos. Mas o que acontece agora se a superinteligência definitiva for introduzida? Milhões e milhões de empregos se tornarão obsoletos como resultado desse novo tipo de tecnologia E então, é claro, na tomada de decisão autônoma, uma IA poderia decidir que os humanos são ineficientes ou necessários Isso é mais ou menos o que aconteceu no filme Terminator. Como exemplo, eu quero te mostrar, bem, eu não vou te mostrar. Você pode conferir você mesmo. Você pode acessar o YouTube. O nome do canal se chama Isaac Author I apenas um experimento chamado Paper clip Maximizer Na verdade, foi um experimento que imaginou uma IA projetada para criar clipes de papel Mas a IA se tornou tão avançada e tão eficiente que decidiu sozinha que, Ei, vou converter toda a matéria do mundo, incluindo seres humanos, em clipes de papel Na verdade, é um vídeo muito, muito fascinante no YouTube. Acho que são cerca de 12 a 15 minutos. Você pode definitivamente dar uma olhada. Novamente, o nome do canal do YouTube é Isaac Ortho. Basta pesquisar o vídeo do Paper Clip Maximizer, se quiser conferir Então, protegendo contra a ASI não controlada, o que podemos fazer para garantir que, se a ASI for alcançada, ela esteja Bem, em primeiro lugar, a pesquisa de alinhamento da IA, garantindo que a IA compreenda e respeite os valores humanos . Esperamos que sim. E depois supervisão regulatória. Honestamente, sou alguém que não é necessariamente o maior fã da supervisão e das regulamentações governamentais Mas em certos tipos de tecnologias como IA ou, neste caso, ASI, concordo fortemente que alguma supervisão governamental será necessária E então, é claro, mecanismos de interruptor de interrupção, certo? Imagine se a superinteligência da ASI decidisse isso, você sabe o que? Eu vou acabar com a humanidade. Eu vou matar todos os humanos. Devemos ter alguns mecanismos de interruptor de interrupção para desligar essa IA imediatamente. E esses interruptores de interrupção funcionam melhor, certo? E depois, é claro, as estruturas éticas de IA. pesquisa de IA deve priorizar a segurança, transparência e, claro, Por exemplo, IA aberta e mente profunda. Essas são empresas. Eles estão pesquisando ativamente a segurança da IA para evitar o crescimento descontrolado da IA e esperam que tenham sucesso Então, qual é o progresso da moeda em direção à ASI? Bem, nenhuma IA existente alcançou a AGI, muito menos a ASI. Então, como eu disse anteriormente, vai levar muito tempo se eventualmente chegarmos à ASI. Portanto, os principais modelos de IA, como seu GPT, Dip Mine e assim por diante, eles ainda dependem de contribuições humanas Novamente, estamos longe de sermos capazes de chegar à superinteligência e, em alguns modelos de IA, eles podem se aperfeiçoar em tarefas restritas, mas não necessariamente de uma forma mais ampla ou geral E as discussões e regulamentações éticas sobre IA estão aumentando globalmente. Portanto, cada vez mais governos em todo o mundo estão começando a reconhecer o impacto da IA e procurando maneiras de regular o uso da IA globalmente. Portanto, predição, a maioria dos especialistas acredita que a AGI, nível humano, a IA pode surgir dentro de 50 anos Mas a ASI, que é , obviamente, a inteligência artificial superinteligente definitiva , está muito mais longe, se possível. Principais conclusões. Bem, ASI se refere à IA que superará a inteligência humana Alguns especialistas, é claro, acreditam que a ASI é possível, enquanto outros não acreditam que algum dia a alcançaremos. Os maiores riscos da ASI incluem a perda de controle, ameaças existenciais e, claro, a enorme disrupção econômica As medidas de segurança e os regulamentos éticos da IA são cruciais para, é claro, evitar consequências não intencionais E atualmente, o ASI, assim como o AGI, ainda é teórico, e o AGI aqui ainda não foi alcançado Então, honestamente, acho que em nossa vida nunca chegaremos aos níveis de ASI AGI, acho que eventualmente chegaremos lá, possivelmente em mais 25 anos, mas acho que em toda a vida, nunca chegaremos lá Então, talvez no ano 3.000 e algo assim, talvez eventualmente os humanos , eles possam alcançar a ASI Mas isso é tudo para as aulas, obrigado por assistir, vemos na próxima aula. 37. Conclusão do curso de IA: Bem, parabéns. Chegamos ao final deste curso sobre inteligência artificial. E do fundo do meu coração, deixe-me agradecer imensamente por terminar este curso, e espero sinceramente que você tenha achado as aulas muito divertidas, envolventes, mas, o mais importante, E se você achar que seu dinheiro valeu a pena, se achar que gosta deste curso, aprenderá bastante. Por favor, considere deixar um comentário por escrito. As avaliações me ajudarão muito e também ajudarão muito a impulsionar esse curso. Então, muito obrigado pelo seu apoio. se esta é a última vez que vou te ver em qualquer um dos meus cursos, deixe-me dizer, boa sorte. Espero que este curso o ajude em sua vida cotidiana. Eu também posso lhe dar aquele impulso na carreira que você está procurando. E se eu ver você em outro dos meus cursos, talvez seja um curso de cibersegurança ou um curso de desenvolvimento web ou talvez outro curso de IA , nos vemos lá Isso vai ser incrível. No entanto, muito obrigado, mais uma vez, por fazer este curso, por terminar o curso. Tudo de bom, e nos vemos na próxima vez. Xadrez.