muito boa noite senhores e senhoras senhoritas muito bem senhores e senhoras Vamos lá nós vamos falar nessas próximas duas noites hoje am manhã 4 horas sobre gerenciamento de produto de Inteligência Artificial uma iniciação aqui para essa para essa disciplina n e nós vamos passar por um contexto bem legal que é os fundamentos disso né O que que eu preciso aprender para fazer um bom Gero de produto de a o que que é esse gerenciamento de produto de a ou ainda antes disso O que que é um produto de a E por que que eu preciso
me preocupar com isso o que que eu ganho o que que eu perco o que que a minha empresa ganha o que que ela perde Quais são as oportunidades que estão por aí rondando vou trazer alguns cases a gente vai falar sobre gerenciamento de produto de e e o que que muda em relação a um produto tradicional e amanhã a gente vai ver sobre um processo que você pode utilizar para ser um gerente de produto de de app né para conceber para liderar a construção desses eh desses produtos Então você ser duas noites aí bastante
intensas pra gente para quem ainda não me conhece eu sou o Kelvin va hoje eu sou founder da anexa One uma empresa que é focada em transformação digital mas principalmente em Inteligência Artificial a gente desenvolve projetos de Inteligência Artificial produtos e projetos aqui na anex One Então a gente tem eh desenvolvedor tem cientista de dados tem Engenheiro de i generativa e muito do que nós vamos conversar aqui é baseado também na experiência prática que a gente tem no dia a dia tá e tudo isso ainda é muito novo novo no que diz respeito à popularização
né se a gente pegar a inteligência artificial Lógico que já existem há muitos e muitos anos mas a popularização e principalmente o olhar das empresas sobre esse tema é amente novo e quando as empresas olham para esse tema com mais afinco isso gera escala né E aí com a escala vem eh vem a necessidade de criar modelos criar formas de trabalho criar caminhos que possam ser replicados e estruturados de uma maneira mais simples e a gente tá aprendendo tudo isso essa que é a verdade né ninguém ainda tem um caminho completo e único para desenvolver
esse tipo de projeto esse tipo de produto então conta-se muito a experiência muito e a a aquela cicatriz do dia a dia e é isso que é um pouco que eu quero passar aqui para vocês ao longo desses dois dias aqui tá e basicamente a nex One tem três grandes e Vertentes uma que é a educação que é o que vocês estão aqui a gente trabalha com com treinamentos muito focados em gestão agilidade e inteligência artificial transformação digital aí eu feijão com arroz eh não que esse seja o nosso Core mas a gente tem tem
que ter em função da transformação de a porque muitas vezes não é só a e a né Eh quando você faz um produto de a ele não vive sozinho no mundo ele normalmente vai ser acoplado a outras funcionalidades que são funcionalidades de desenvolvimento de Eng software normal eh é estranho falar isso mas software tradicional né agora a gente tem que falar software de a software tradicional né então o software de ele nunca vive sozinho no mundo né ele pode ser o ele pode ser a essência dele pode ser a capacidade de a que tá ali
embutida nele Mas ele tem relacionamentos com outros produtos e outros softwares então a gente precisa ter isso também para para complementar e o foco principal aqui é transformação de ia é fazer as empresas serem ai driven né E aí a gente tem as ofertas de ai Office que é uma parte mais de consultoria de estruturação eh de implementar a ia corporativamente e a própria parte de Labs que aí é o desenvolvimento mesmo desses desses projetos tá aqui algum alguns clientes os grupos que vocês já tão das Comunidades tem três grupos na verdade que eu só
coloquei dois tem três você pode ficar em um só deles tá no ai Business Leader os o grupo que provavelmente acredito que vocês estão Mas fique em um só não precisa ficar nos três porque eu mando mensagens repetidas como o limite lá é de 1000 pessoas as pessoas entram saem mas estão lá com quase 1000 pessoas então eu criei três grupos fique num grupo só senão vocês vão receber três mensagens iguais tá por cri que pareça tem pessoas que entra nos três e fica nos três eu não sei por mas é o tal do fomo
né fe Ah tá medo de perder alguma alguma alguma coisa isso muito bem Aqui é o meu link meu Instagram Se alguém for compartilhar alguma participação da aula ou tal me marca lá vou adorar saber o que que vocês estão achando da aula lá no na rede social tá eh esse curso ele vai dar direito a um certificado de participação Beleza então você vai ter que participar para receber você vai ter que participar ao vivo das duas aulas anotar as duas palavras chaves uma em cada aula uma eu vou passar outra hoje outra eu vou
passar amanhã eu não repito as palavras-chaves Então tem que vir nas duas aulas e amanhã no final da aula eu vou botar um vou passar um link para vocês com as duas palavras-chaves vocês podem emitir o certificado e essa emissão pode ser feita tem até 24 horas após o encerramento da aula e você recebe o certificado por e-mail tá amanhã eu passo o link e explico um pouquinho melhor para vocês mas sim vai ter vai dar direito a ao certificado acho que aqui hoje nós talvez pel um erro meu de horário aí aí vamos ver
se o pessoal vai chegar um pouco mais tarde cagada hein Z que pariu ah apaga essa parte última que eu falei aqui nós vamos então nós estamos em menos pessoas eu acho que is aqui não preciso nem ficar repetindo para vocês né a gente tá aqui num num num grupo eh pequeno eh pros padrões que a gente tem aqui então super tranquilo pra gente conversar pra gente trocar eh fiqu à vontade para fazer as perguntas que vocês tiverem não tem perguntas eh bobas aqui na verdade eu até gosto quando vocês fazem pergunta eh para falar
a verdade é bem chato quando só fica eu falando aqui porque eu acho que eh ficou um método de ensino estranh como se eu tivesse a verdade absoluta e soubesse de todos os problemas e como resolver todos os problemas embora assim eu tenha uma certa experiência com isso as perguntas que vocês fazem enriquecem e deixam conteúdo mais com a cara de vocês então Venham pro jogo participem pra gente fazer isso ficar mais interativo tá você Como comentei você tá aí num ambiente seguro e eu convido sempre convido vocês quem quem se sentir confortável manter a
câmera aberta no Zoom é legal fica bom para mim gosto mais eu acho que é bom para você você também que vocês conseguem trocar e ter uma interação melhor entre vocês eu consigo ter uma leitura corporal também eh de como tá sendo a aul a gente vai passar basicamente aqui no curso por três grandes blocos e bloco um as bases do ai product Management que vai ser hoje essa aula número um é hoje e amanhã a gente vai desenhar produtos como é que eu desenho produtos e soluções de a e qual que é o caminho
para você se tornar um ai product Manager ou papéis correlacionados veja o que a gente tem muito hoje aqui especialmente no Brasil pessoal são essas habilidades de gerenciamento de produto de aen incorporadas por product owners product managers ah analistas de produto analistas de negócio pessoas hoje que já lidam com a parte de produto incorporando e adicionando essas habilidades nos papéis algumas empresas que são já mais direcionadas paraa EA que abriram já mais a cabeça e viram as oportunidades Ela já tem papéis específicos para eh gerentes de produto de ia por quê Porque tem um volume
para isso tudo é uma questão Econômica tá tudo é uma questão de de custo benefício então obviamente se eu trabalho numa empresa ou a minha empresa ela tem o produto principal dela ela tá começando a fazer algumas iniciativas de a ela provavelmente vai procurar um gerente de produto que já é gerente de produto mas que sabe também lidar com o ou com produtos de Inteligência Artificial à medida que as coisas vão aumentando de volume vai trazendo mais corpo para isso naturalmente Você vai precisar ter alguém focado Nisso porque e Se esse for o caso a
complexidade dessas soluções ela tende a aumentar n o o case número um das empresas que querem utilizar inteligência artificial para dizer que tem Inteligência Artificial chatbot que a maioria não para em pé né e mas chatbot é extremamente simples para você fazer só que o retorno É extremamente baixo aquele negocinho de pergunta e resposta que você vê o pessoal é é meio que assim igual a galinha que bota um ovo pequenininho e sai cacarejando né e Porque botou um ovo pequenininho e o pato que bota um ovão grandão faz pouco barulho né então tem muita
empresa botando ovo de galinha e fazendo e que é extremamente simples fazendo um barulho é gigante as as melhores oportunidades elas não necessariamente estão ou não estão né em criar chatbots estender chat GPT E por aí vai elas estão em outros lugares e é o que a gente vai conversar aqui esses outros lugares sim trazem um nível de complexidade um pouco maior mas traz mais resultado também eu sempre costumo dizer que você tem que procurar aquilo que te traz mais retorno mesmo que seja um pouco mais difícil porque senão vira o Chuchu da feira tem
tem alguém que gosta de xuxu aí não é chuchu Tipo na feira é baratinho né não é baratinho não é as coisas mais barata que tem né mas tem gosto de que de Jalma Tá muito caro tá caro também Fran pelo amor de Deus se chuchu tá caro dentro são ferrado tudo barato gente tá tudo Car pelo amor de Deus gosto de xu Pois é entendeu então chuchu chuchu é é aquele negócio que é baratinho comparativamente às outras coisas então pode ser que que para você seja caro mas comparativamente para outras coisas é o mais
barato mas também não tem gosto de nada então chatbot é meio assim para mim é um chuchu sabe você tem você diz que você tem a salada mas ninguém gosta ninguém come todo mundo Deixa de lado então Eh à medida que que que a gente vai eh aumentando né O nosso escopo vai trazendo mais valor sim as coisas vão ficando um pouco mais complexas você precisa ter um pouco mais de de dedicação ã então a gente vai conversar aí sobre esse caminho para você incorporar essas habilidades dentro do teu papel né para que você seja
capaz de desenhar esses produtos e essas soluções de Inteligência Artificial tá é o Chuchu bem temperado é bom tipo você gosta você bota ele no feijão ele fica com gosto de feijão ó que maravilha entendeu vamos lá as bases do ai product Management esquecendo alguma coisa antes de começar Isa não né tudo certo então tá bom então só analisando um pouco aqui o contexto e o cenário atual depois a gente vai falar sobre produtos de A vamos falar sobre o gerenciamento de produtos de A e entendendo algumas tecnologias aqui então vamos lá Começando por pelo
contexto bem eh rapidez tá eh e a vocês estão no mercado de trabalho todo mundo fala ia o tempo inteiro né não tem nenhum evento mais que não tenha ia no meio Então você pega eventos de tecnologia 70% é sobre inteligência artificial você pega sobre desenvolvimento de software 70% é sobre inteligência artificial e dados ciências de eh eh cientista de dados né ciência de dados e por aí vai né isso lógico desperta o interesse muito grande das empresas e a gente vê por exemplo que as empresas classificam o uso da Inteligência Artificial como uma das
três idades no ano eh para para para trabalhar com ela né E pra gente que quando a gente tá falando dessa parte de produto pessoal tem duas formas que vocês podem aplicar a inteligência artificial no gerenciamento de produto A primeira é o que eu chamo de power user usar a inteligência artificial como uma ferramenta para construir o seu produto e melhorar processos internos basicamente aqui é você usar e a normalmente e a generativa para fazer as atividades que você já faz não tem a ver com você modificar o teu produto para alguma coisa faz sentido
então por exemplo Sei lá eu pego uma eh eu tenho que fazer uma descrição uma história de usuário Então agora eu uso a ia generativa para me ajudar a escrever essa história de usuário tenho que a partir de um problema de negócio eu tenho que criar uma lista de épicos fazer uma estrutura de ép eu uso a ia generativa para fazer isso isso é o Power user nada mais é do que você usar ela como você usa o Excel Word ou qualquer coisa dessa natureza existem diversas ferramentas aqui muito bem muito legal funciona ótimo mas
a parte dois que eu chamo de power builder que é o que a gente vai entrar um pouquinho em detalhes aqui ao longo dessas duas aulas é você considerar i como uma capacidade integrada a ao produto é você integrar Inteligência Artificial ao teu produto ou criar um produto que seja baseado em inteligência artificial para isso a gente dá o nome Carinhoso de produto baseado em a ou ai product ou produto de e a no português ele às vezes ele arrebenta com a gente ele quebra a gente porque às vezes o pessoal tem fala ai product
Manager e e PR se referir ao uso de fer entas de a no seu dia a dia para mim isso não é gerenciamento ou gerente de produto de a é gerente de produto com e a tá então a primeira coisa que a gente precisa culturar dentro das organizações é isso é entender que você pode usar isso no teu dia a dia como um Power user como um usuário ou você pode ir para um builder um Construtor disso incorporar efetivamente essa inteligência artificial dentro do teu produto tá E é nesse nível aqui do dois que a
gente vai conversar né então quando eu olho para esse isso vale para tudo não só para gerente de produto eu poderia pegar para qualquer outra função que esteja trabalhando com inteligência artificial um líder de projeto por exemplo um analista de negócio e um desenvolvedor né um programador então eu posso ter um programador que programa com ia e um programador de ia Ok e a analogia é a mesma né o Power user ele tem ali alguns íos que é gerado a partir disso do uso tem um conhecimento que é basicamente o conhecimento de usar aquela ferramenta
que você tá fazendo então eu uso CoPilot ten que aprender a usar o CoPilot Nada Além disso Ok me traz algum tipo de vantagem competitiva pode ser temporária pode ser que sim né se eu sei usar essa ferramenta antes de que alguém então eu consigo me tornar um pouco mais produtivo Pode ser que isso faça é sentido mas daqui a pouco todo mundo vai estar usando essas ferramentas do trabalho igual a Excel aí para quem tem mais tempo de casa sabe que no início quase pouca gente sabia Excel né Eh as vagas basicamente é você
tem que saber trabalhar com pacote de Office hoje em dia pouca gente pede isso porque todo mundo já tem essa essa referência né e o powerbuilder tá aqui em cima os benefícios maior que você consegue gerar mas Obviamente você tem que ter um conhecimento mais especializado Ok não é só usuário de ferramenta mas é integrar essa inteligência artificial no no meio da organização e a gente tem muitas oportunidades dentro da organização para para esses dois mundos e tá tudo bem Tá então eu tenho aqui os Power users e eu consigo adicionar trazer essas ferramentas de
inteligência artificial no meu dia a dia tanto nas minhas operações internas quanto no contr contrato no dia a dia ali com e o cliente seja usando um chat GPT da vida para me ajudar a fazer criar um script de um e-mail que vai mandar cliente fazer uma anlise de Finanças fazer uma anise de sentimento de feedback tudo isso é váo E você tem os Power Builders E aí sim aqui você tá construindo soluções modelos de inteligência arici que basicamente quando você Ola operção Inter você tá querendo algum tipo de custo Então agora eu fazer uma
um modelo de inteligência artificial para fazer predição de frae né para detectação de fraude eh de alguma coisa bancária de seguro de Qualquer que seja eu tô querendo economizar meu dinheiro tô querendo ser mais eficiente e pagar só o que eu tenho que pagar quando eu vou pro lado externo Pode ser que eu desenvolva ali um modelo de inteligência artificial para fazer recomendação de produto então eu sou uma Amazon da vida e vou lá e e e cria um sistema de recomendação então quando a Paula tá navegando ela clicou lá num produto que ela gostou
embaixo aparece outros produtos recomendados para você aí a Paula olha e diz p não é que eu tava realmente precisando de alguma coisa parecida que essa Olha que legal isso aqui ela adiciona aquilo no carrinho também já aumentou 20 30% a margem ali de contribuição daquela eh daquela operação então esses produtos eles podem ser usados tanto pro lado interno de novo normalmente para economizar E tem algum tipo de economia ou algum tipo de crescimento de de de de de receita tá que são os dois grandes objetivos o resto tudo são objetivos eh secundários eh nisso
tudo né até aumentar a satisfação de cliente eu aumento a satisfação de cliente ou para reduzir um custo de suporte ou para aumentar a receita no final das contas né no final no final da ponta do lápis querendo você ou não achando ruim ou não o que vale é o número financeiro lá na conta no final da contabilidade tá Ah só botar mais um plano de fundo aqui né os investimento em ai software pra gente deixar isso de umaa maneira talvez mais genérica porque não necessariamente tudo que a gente fa faz de a é produto
às vezes é só uma funcionalidade dentro de um produto existente só algo algo sob demanda uma característica né então quando a gente olha em ai software que são esses softwares baseados em Inteligência Artificial ou que usam Inteligência Artificial como Core vem crescendo a taxa cavalares de 20% ao ano então a gente o pessoal tá estimando alguma coisa entre 300 Bilhões de Dólares até o mercado total até 2027 E aí como eu sempre falo as oportunidades elas fluem para onde tá a atenção das empresas e é por isso que tá todo mundo querendo correr atrás desse
negócio de implementar a inteligência artificial na sua organização tudo bem at aqui só para trazer um Case brasileiro porque às vezes eu poderia falar de Uber posso falar de airbnb posso falar de Netflix posso falar um monte de coisa mas tem um case para mim que é o case mais notável brasileiro tanto que é uma das empresas que mais e crescem que é o iFood tá só para botar alguns números para vocês entenderem o tamanho e a grandeza do que é a inteligência do que é o potencial da Inteligência Artificial o eood Hoje ele tem
mais ou menos 100 milhões de pedidos mensais tem mais ou menos 330.000 entos 250.000 entregadores esse não deveria estar separado dessa forma aí tá a minha ia não funcionou mentira fui eu que errei mesmo devia ser entregadores eu acho que tava quebrado depois eu juntei numa frase só ficou entregadores né mas entregadores beleza Olha o a ia no no iFood pessoal os caras TM mais ou menos 16 pentab de dados no dat leake eu não faço nem ideia não cons eu não não consigo ter uma noção do que que é isso tá é muita coisa
é muita coisa eh os caras se eu não me engano eles têm só de só em termos de itens tá itens assim eh o iFood hoje é restaurante farmácia né então itens um prato é um item um hambúrguer é outro item os pedidos que você faz né eles chamam isso de itens lá eles têm 400 milhões de itens cadastrados fora depois o que J que que roda em termos de eh de pedidos e E por aí vai tá então são 16 pentab de dados no dat Lake isso por um lado é bastante coisa por outro
você diz assim ã Putz que legal que nós estamos n quantas de coisa a gente já tá vai aprender o John tá perguntando qual a diferença entre Inteligência Artificial e a generativa a gente já vai conversar sobre isso tá olha o que que eles têm hoje pessoal eles têm mais de 150 modelos de a proprietários eu tinha visto 172 aí vim uma uma uma uma uma uma apresentação mais recente que eles botaram 150 então botei 150 a mais aqui modelos de a proprietários ou seja eles desenvolveram esses modelos não é a utilização de chat GPT
e afins tá são eles desenvolvendo lógos pode ter alguma llm aí no meio pode mas são modelos que eles criaram que eles entenderam eles trabalham com inteligência artificial desde 2017 estes modelos Olha que número louco fazem 14 bilhões de predições por mês o que que é uma predição pesso é o resultado que o modelo de a gera modelos de a Sempre fazem predições Ok qual é a probabilidade de um determinado resultado ela calcula esse resultado e joga na sua cara como uma probabilidade daquilo acontecer até o chat GPT funciona assim quando você faz uma pergunta
para ele e ele te responde Aquilo é tudo uma cálculos matemáticos de probabilidade de qual é a próxima palavra que se encaixa melhor naquele texto dado que ele aprendeu com os padrões de escrita durante o aprendizado dele tá e a gente vai vai vai discutir isso um pouquinho mais mais à frente aqui não vamos entrar em muitos detalhes mas a gente vai discutir um pouquinho sobre isso então são 14 bilhões de predições por mês mas isso aqui é o número mais impressionante hoje eles calculam pessoal que a ia tem 30% no impacto no ebitda ou
seja eles faturam Eh Ou eles têm de resultado o resultado que eles têm 30 por disso em função da Inteligência Artificial Ok tem um vídeo depois quem não viu ainda tem normalmente às vezes eu eu eu mostro o vídeo Hoje eu não vou mostrar porque já mostrei várias vezes se vocês quiserem ver um vídeo bem curtinho de 2 minutos do do ce do iFood falando um pouquinho da jornada deles vocês avisam Coloca aí no chat que de repente o O Zeno Oi manda manda aí no chat Então manda o chat só não vão sair aqui
da aula para asstir depois vocês assistem tá e o o vídeo ó Zeno já mandou aí depois vocês vem lá tá então 30 agora você imagina o iFood ele movimenta % do PIB do Brasil agora você imagina 30% de impacto nisso quanto de dinheiro que isso não representa tá então chamar atenção Para isso muito bem um pouco desse contexto aí o que que é um produto de A então O que que você tá falando pô eu tenho gerenciamento de produto de a o que que é um produto de a produto de a pessal é um
produto é uma solução ou sistema que usa algoritmos e modelos de Inteligência Artificial como parte central aqui a gente tem duas coisas importantes para trabalhar uma é o algoritmo e o outro é modelo são duas coisas diferentes e que você pode usar na concepção do teu produto e você como uma pessoa de produto precisa entender isso porque aqui são escolhas porque aqui são escolhas que depois vão fazer com que você tenha Gere mais custo menos custo mais custo de manutenção menos custo de manutenção dentro do teu produto tá e a gente vai tratar isso já
já esses produtos eles são projetados para primeiro aprender com dados então ele aprende a partir de dados melhorar continuamente e tomar decisões automatizadas então a gente começa a ter eh marcar diferenças em relação a um software eh tradicional tá então algumas características aqui pra gente discutir primeiro esses produtos eles são baseados em dados ok Qual que é o jeito Opa Qual que é o jeito de um produto tradicional vou botar software tradicional aqui porque para deixar mais genérico software tradicional Qual que é a forma de da gente fazer software tradicional o que que é o
input principal de um software tradicional pessoal me ajudam aí para não ficar falando o tempo inteiro vocês não falarem nada nasce de uma necessidade nasce de uma necessidade perfeito Vou botar aqui necessidade depois é Mas vamos tentar ser um pouquinho mais específico Qual é o input Central para você fazer um software tradicional um prod hã funcionalidade e essa funcionalidade ela formada de quê antes do código hã resol problema Ela é formada por regras de de negócio certo essas regras de negócio elas vão dar origem a um código que vai dar o meu output aqui que
vai ser a minha versão certo o que que automaticamente acontece quando eu faço um baseado em Regras eu estou determinando como aquele software vai funcionar sim ou sim então eu vou dizer para ele olha a tua regra de negócio é somar o número a pelo número B que vai dar o número C isso aqui é a tua regra de negócio que que faz o nosso amiguinho programador ele vai lá e programou o negócio agora Toda vez que eu entro por exemplo com 2+ 3 ele vai dar o resultado de 5 qual é qual é a
certeza que ele tem que é 5 100% de certeza porque foi a regra que eu implementei eu sei que toda vez que eu lançar dois números ele vai ele vai gerar o valor de dois números né ou seja isso aqui é um modelo preditivo então eu sei o que que vai gerar lá do outro lado porque eu passei as regras para eles quando a gente tá falando nem um software nemum ai software tem uma talvez a principal diferença existem mais mas a maior delas é que você não é mais baseado em funcionalidade e regra de
negócio ó que doido o teu input principal ele continua vindo de uma necessidade isso não muda embora o mapeamento dessa necessidade seja diferente você continua tendo de vindo de uma necessidade só que a partir da necessidade não é mais regras você dá o input para dados dados o quê dados históricos dados que representam o uso daquele produto daquele serviço daquela maneira como as pessoas operam ali no no dia a dia e esses dados agora eles não vão para dentro de um código como a gente é acostumado dentro de um produto tradicional n nanina não eles
vão para dentro da onde pessoal quem chuta a Paula já tá quase dando aula de tanto ela vinha aqui nas nas aulas não vale Paula não vale Acabou a brincadeira não mentira pode falar ele vai para dentro do de um algoritmo de artificial esse algoritmo de inteligência artificial é que contém o mecanismo de aprendizagem de máquina Então como é que a máquina aprende ela aprende através de um algoritmo da onde vem esse algoritmo do raio que não mentira ele vem de pesquisadores de empresas que faz isso ele vem por exemplo de uma Open Ai que
tem pesquisadores de Inteligência Artificial ele vem de universidades como Stanford que tem os pesquisadores que criam Essas tecnologias de a como ele tem lá no MIT em Harvard menos não é muuito pegada dela mas tem tá eh e outros a Universidade de Chicago também muito forte a China que é a maior produtora de patentes de a do mundo ok então existem empresas que que aí você não tem gerente de produto você não tem nem cientista de dados você tem um pesquisador de Inteligência Artificial os caras que quer a cabeça para gerar esses algoritmos e são
esses algoritmos que nós usamos na verdade para nós meros mortais aqui nós na verdade não criamos Inteligência Artificial nós consumimos os componentes nós aplicamos Inteligência Artificial dentro dos nossos produtos faz sentido porque o aprendizado ele tá aqui dentro desses algoritmos a partir do momento quando dados se encontram com algoritmo processo não é tão simples assim mas dados se encontraram com algoritmo vão gerar Aí sim o que a gente chama de modelo de a esse modelo é como se fosse o meu Deploy como se fosse a minha versão do meu produto capaz Agora sim de fazer
predição ele é preditivo por o que que ele aprendeu como é que é esse esse processo aqui ó de aprendizado aprender o aprender pessoal vem a partir de analisar os padrões dos dados ele aprende observando os dados lendo os dados então o exemplo simples muito simples Meu Deus Como É simples mas vai dar para vocês entenderem a lógica disso imagina que eu venda sorvete que eu sou uma empresa uma sorveteria E aí eu mantenho diariamente um registro dos sorvetes que eu vendo mais a temperatura do dia então no final das contas eu vou ter aqui
uma Coluninha duas colunas bastante simples três né que aqui vai me dizer o dia dia 1 2 3 4 5 a temperatura daquele dia temperatura média 15º 16º 23 25 42 e a quantidade de sorvete que eu vendi aqui eu vendi TR aqui eu vendi 4 aqui eu vendi 8 aqui eu vendi 25 e aqui eu vendi 52 com base agora nessas informações aqui meu algoritmo E aí Tem vários tipos de algoritmo cada um resolve um tipo de problema aqui é uma regressão linear que eu que eu funcionaria através de uma regressão linear por exemplo
ele vai identificar esses padrões aqui de quanto que eu tô vendendo dado a temperatura e aí obviamente quanto mais dado eu tiver melhor porque mais Vai representar essa e essa essa fluidez né Essa venda do sorvete ele vai aprender essa correlação e causualidade entre essas variáveis que na ia a gente não chama de variável a gente muda o nome só para ferrar com as pessoas e dizer que elas T que aprender tudo de novo a gente chama aqui de feature de característica faz sentido porque não necessariamente a gente tá trabalhando só com dados estruturados dessa
maneira nós podemos trabalhar com dados não estruturados como uma imagem E aí uma feature de uma imagem pode ser a quantidade de pixel pode ser a cor pode ser o tamanho enfim outra história não quero complicar muito aqui nesse nesse momento tá então ele vai entender a causualidade entre ess essas features vai gerar um modelo pra gente e vai começar a fazer predições o que que é predição eu agora sou o dono dessa loja do sorvete e eu vou falar assim a amanhã que dia que é 17 17 amanhã dia 17 provavelmente vai dar uma
temperatura de 26º Inteligência Artificial quantos sorvetes eu vou vender amanhã porque eu preciso me preparar com estoque com garçom com bebida com mesa Ok e pelo que ela aprendeu ela vai dizer olha que ouve hein se isso aqui se acontecer esses 26º de média Provavelmente você vai vender 33 sorvetes com o número de confiabilidade ela não vai dizer 33 sorvetes exato ela vai dizer isso aqui tem um grau de p8 confiança pra gente simplificar 80% de confiança de que isso aqui é o que vai acontecer amanhã dado a característica do teu histórico ou seja ela
fez uma predição que nunca é exata e não é determinada por uma regra específica as regras ela aprende as regras a partir dos dados software tradicional eu dou as regras e software baseado em Inteligência Artificial ela aprende as regras a partir dos dados e gera esse modelo e essas predições para que a gente faça a coisa acontecer faz sentido tudo bem Aqui tem alguma Pergunta aí no chat que eu não respondi não tudo bem Tá muito fácil muito devagar você já sabiam disso tudo dominado tenho quero ver eu tenho eu tenho uma dúvida aqui eu
não sei se eu tô colocando al n na FR dosis mas se você se eu tiver colocando carro B T falando aqui olha Eh eu tô chegando a conclusão de que quanto mais histórico tiver mear PR certo mais histórico tiver e existe um momento de que um é mais dado é pior para ela identificar tem uma tem tem tem às vezes quando você tem muita eh variável feature envolvida pode acontecer de ser pior para ela conseguir lidar com isso tá e pode ser o teu histórico é importante mas se ele não refletir mais ah a
tua realidade mudou o paradigma Pode ser que ele te atrapalhe também você tem que eliminar ele então em teoria quanto mais dados melhor mais dados de qualidade se os teus dados forem ruim quanto mais dado mais desvirtuado ela vai ter ela vai estar acabei tronando aqui o exercício mas eh o d ele existiu por um momento ele aconteceu no tempo existiu aluma coisa que refleti eh e aí o que que vai acontecer agora p8 eu vou começar começar a perceber que a minha ia não está funcionando direito me meu alor tá fando direito quando o
meu de confo não refleti o que tá acontecendo na realidade isso aí o que vai acontecer eu vou ter que limpar minha minha minha base histórica e fal cara não necessariamente limpar a base histórica a coisa não é tão simples assim tá Às vezes você vai precisar dar pesos diferentes pras coisas Às vezes o teu histórico é importante Mas você simplesmente vai dar um peso diferente para determinado tipo de informação ou se for se você tiver uma série temporal você vai dar mais peso pros dados mais novos e menos peso pros dados mais antigos isso
no processo de Treinamento a gente chama de Hiper parametrização Então não é tão simples quanto assim elimina os dados ou não tem toda uma engenharia por detrás disso para tomar essa melhor decisão mas a tua linha de raciocínio ela tá certa esses questionamentos são válidos Ok não necessariamente a ação é tão simples quanto isso que você mencionou mas faz sentido a pergunta Tá beleza então Opa deixa eu mudar k aqui e Abre a Câmera aí Pergunta aí senão eu perco todo o fio da da meada aqui faz favor senão no final eu pego que dá
para pegar do chat aí tá caracteríticas metais aí de um produto de A então primeiro baseado em dados eu preciso de dados porque ele aprende essas regras a partir disso é o resultado probabilístico não determinístico a a sempre vai me dar um valor potencial para para algo ok e esse é um dos grandes pontos que a gente precisa entender e ela não é uma ciência exata embora seja matemática por isso que às vezes o chpt não dá a resposta que a gente quer por isso que Às vezes a imagem que você pede para criar Não
fica legal por isso que a sorveteria não tem exatamente o número de sorvete que ela vai vender amanhã faz parte it's the game nós pessoal também não conseguimos fazer previsão ou predição é boa ou vai me dizer que vocês conseguem fazer uma Estimativa de um projeto de um mês com aura cidade duvido é para agosto né agosto de Deus o mês até a gente acerta só o ano que a gente erra né e Ou seja a mesma questão tá como a ia ela imita a nosso raciocínio eh sempre quando a gente tem na dúvida a
gente pode buscar a maneira como a gente faz as coisas que a gente vai ver que A Iá tem também alguns problemas que são parecidos Então resultado probabilístico comportamento adaptativo o que que significa comportamento adaptativo um pouco do que o nosso colega de Jalma trouxe aqui de questão pra gente pessoal isso também é interessante saber quando a gente tá fazendo produto tá eh quando você gera um modelo de Inteligência Artificial e de alguma de alguma forma de alguma mágica alguma algo ele fica pronto tá ele vai tá pronto aqui então Eh vamos fazer aqui de
de conta que ele ficou pronto tem todo o processo mas ele tá pronto ele vai ter um nível de desempenho e esse nível de desempenho ele tá aqui nessa escala seja ela qual for ele tá aqui em cima tá e aqui você tem uma escala de tempo o que que é o comum se você simplesmente lançar este modelo de Inteligência Artificial e deixar a coisa acontecer o comum normal vai ser esse modelo ter uma degradação do seu desempenho enquanto por exemplo um produto de determinístico um software tradicional se ele tem esse desempenho aqui ao longo
do tempo ele vai ter o mesmo desempenho ele pode oscilar alguma coisa em função de um erro que ele tiver ou não mas o desempenho dele é igual por quê Porque as regras são fixas são determinadas aqui não o produto de a ele tende a degradar ao longo do tempo por que que ele degrada ao longo do tempo pessoas Qual é a hipótese de vocês vocês sabem o que que o pessoal tava fazendo no iFood com o iFood os caras estavam entrando cadastrando estabelecimento na época de leião você sabe o que que os fela da
mãe os felas da pi estavam fazendo eles entravam e cadastravam-se os candidatos dos caras naquela cidade só para fazer propaganda gratuita não não entendia desculpa Ele sabia quem era o seu candidato e não não os caros don don de restaurante ou usuário entrava lá se cadastravam-se no fulano e tal e tal e aí botava a foto do cara quando a Paula entrava no iFood ela via a propaganda do candidato end caramba o pessoal pensa emid Tero E aí eles fizeram uma uma seleção depois tin colocado já uma para isso encontraram mais de novo mais uma
brecha o que que acontece pessoal então ó quando você esse comportamento das pessoas é refletido aonde no no no produto nos dados nos dados Então se se a medida que vai mudando os dados se aá aprende com os dados mas os dados do mundo real mudam e ela não tem mais esses mesmos dados ou esses dados que ela aprendeu não são mais compatíveis com os dados do mundo atual ela perde ela se degrada o chat GPT foi treinado até 2000 com dados de até 2023 se você perguntar alguma coisa nova que surgiu depois disso só
não sabe ela vai inventar para você porque o chat GPT é um adolescente muito convicto mente descaradamente na cara de pau e você acredita que ele tá falando tá tá tá falando certo tá tá contando uma história bonita para você entendeu mas o o chpt tem degradação todos os modelos de a tem degradação então ele é adaptativo por quê Uma vez que você tem um modelo de a no no no mercado Você vai precisar fazer esse esse processo aqui o tempo inteiro tá caindo retre tá caindo retre é um processo contínuo ele não termina como
num software normal né então é esse o comportamento aqui adaptativo por isso que ele exige retreinamento contínuo esse retreinamento pode ser muito mais muito mais rápido muito mais frequente na verdade ou menos frequente vai determinar a mudança de dados que você tem ali no mercado e um produto de ID tem uma menor explicabilidade pessoal me digam nesse exemplo aqui nesse exemplo aqui no software tradicional eu lancei 2 + 3 e ele me deu o resultado 5 me expliquem por favor por que ele deu o resultado cinco sua vez mas explica para mim eu dei um
input dois eu utei a + B 2 + 3 5 por que que deu 5 explica para mim por que que a i a gerou 5 porque a a não porque o produto né o software gerou cinco Foo Porque existe uma linha de código que o a abro o programador pode fazer um debug se for preciso ele vai dizer deu cinco Porque tem uma regra de negócio que fala que é para somar os dois números perfeito totalmente explicável maravilha aqui nesse neste modelo agora que eu criei um modelo de a baseado nesses dados eu coloquei
que amanhã vai ter vai ser 26º e ele me disse que eu vou vender provavelmente 33 sorvetes explica para mim agora por que que deu 33 ló de dados históricos Mas qual o dado histórico por porque aqui é simples é duas variáveis agora essa imagina uma análise de de score de crédito se alguém já teve o limite do seu cartão de crédito negado pelo nubank C6 Bank e Inter ou qualquer banco desse E aí você liga lá e disz Ah por que que eu não ganho mais ele fala isso aí é um modelo secreto que
nós utilizamos que nós não podemos contar tal a iak gerou baseado em um monte de informações que você tem lá e que eles não faz a menor ideia como aquilo foi dá para se ter uma noção dado a configuração deste modelo de como ele foi hiper parametrizado mas você não tem uma explicabilidade Total Ok modelos de a generativa são bem menos explicáveis do que modelos de a tradicional por exemplo tá isso quando quando você ã quando você tá lidando com o produto é importante você ter essa noção e entender o que que é mais o
que que é menos explicável porque há situações regulatórias que exigem explicabilidade outras menos né mas fica mais difícil entender o por que o produto tá fazendo aquilo que ele tá eh fazendo né isso tudo acaba gerando pessoal né então você vê que assim é diferente tá do que parece a mesma coisa mas não é parece que é a mesma forma de fazer do que um produto normal mas não é parece que é a mesma equipe mas também não é tudo parece mas quando a gente olha de perto é diferente é um negócio meio doido isso
aqui é de longe parece igual de perto não quanto mais você vai conhecendo menos parecido a coisa fica isso traz uma característica também uma outra característica que é assim numa computação clássica você tem mais funcionalidades a gente tá falando de mais funcionalidades e mais código gerado e modelos de a Normalmente eles TM eles têm menos funcionalidade o modelo é uma funcionalidade quer dizer é uma coisa só eu eu vou fazer essa predição de venda aqui do do do do sorvete quantas funcionalidad eu tenho aqui uma fazer predição mas eu fiquei do meses trabalhando esse raio
desse par aqui tudo bem Você ficou do meses gerando esse modelo Mas é uma funcionalidade só eu não tenho duas TR qu uma só então eu tenho menos funcionalidades e eu tenho menos código Ok eu escrevo menos código do que num produto normal só PR vocês terem uma ideia o Google Translator antes de ter ser basicamente todo de Inteligência Artificial ele tinha lá suas 50.000 linhas de código tanto que ajudava mas era ruinzinho né hoje o Google Translator é bom para certo tem quantas linhas de código que vocês acham que ele tem hoje hoje ele
é através de aprendizado de máquina e a quantas linhas de código você acha que ele tem 5000 15 10.000 infinito itas milhões uma uma aí Jorge também Aí você me explica como é quees vão fazer uma 10% do que tinha antes ele tem 500 linhas de código Ah deve ter um pouco mais pouco menos mas a correlação é essa tá por menos funcionalidade menos código gerado ah os produtos pessoal as aplicações né quando a gente tá falando de produto de e de a O Newton O Newton pô Newton eu quero pegar a estimativa com você
2590 só ficaria melhor se ele tivesse 2593 I chamar você fazer estimativa aqui para mim quando quando eu tô falando aqui pessoal de produto né de de I entenda que produto produto de ele tem algumas nuances aqui a gente traz um Tero talvez meio pega a licença poética e chama de produto mas nem sempre é um produto especificamente Tá talvez o melhor que seria seria chamar modelo de a nem produto de a modelo de a mas esse é percebe que fala gerente de modelo de a putz não não ficou nome feio a pessoa não pega
e vai ficar estranho então é é uma convenção gerenciamento de produto de a só que esse produto de a ele tem algumas facetas que faceta é você tem o teu uma aplicação de de o teu produto por exemplo ou uma aplicação de A tá essa aplicação de a ela pode ser mais focada ou pode ser mais Ampla São espectros do da aplicação da Inteligência Artificial que você vai fazer no teu produto Beleza ela pode ser mais a nível de feature de funcionalidade ser pontual ou ela pode ser a mais a nível de core se o
núcleo de fato do teu produto sem aquilo ele não funciona então você pode ter esses quatro quadrantes de aplicação de a nos teus produtos quando você tem por exemplo uma aplicação no nível de feature e bem focado a ia tem a característica de ser um recurso crítico dentro de um escopo maior por exemplo uma funcionalidade de recomendação lá no site da Amazon uma funcionalidade de detecção num aplicativo de banco a ia não é o Core ela não é a essência daquele produto Mas ela é uma uma uma capacidade que habilita um recurso crítico e eu
tiro o valor bem focado bem numa Fit então isso aqui é um modelo né eu tenho o meu produto digital meu produto normal ali meu produto de software e ali dentro Eu tenho um modelo de Inteligência Artificial que faz a recomendação de produto de filme de comida tá ã eu tenho lá meu banco e ali dentro Eu tenho uma funcional idade que detecta ou um modelo que detecta fraude quando eu faço uma transação de um pix por exemplo tudo bem E aqui eu tenho que fazer esse gerenciamento também eu preciso de uma pessoa olhando isso
e entendendo e projetando e esses modelos do ponto de vista de negócio quando eu tenho algo ainda focado Mas como é o núcleo a gente fala que o o aprendizado de máquina é o coração do produto com o objetivo de resolver aquela cidade específica a i a é o Ponto Central alguém teria algum exemplo aqui aonde o núcleo ele é ele resolve um problema específico e o produto Ele é aquele produto de a caramba Google Search Ok é o é o é o coração Ok tira a inteligência artificial acabou a pesquisa do go tá alguma
coisa mais Ampla é onde que o aprendizado de máquina é tratado como um como uma caixa preta pode ser reutilizado em algumas personalizações por exemplo um chatbot pré treinado um modelo de detecção de de rosto eh de Biometria por exemplo que você pode utilizar um modelo que interpreta texto transforma texto para áudio áudio para texto são coisas mais amplas é uma funcionalidade específica mas é um modelo mais amplo ele não é focado e normalmente a partir dali que a gente eh incorpora algo sobre ele pré-treino esse pré-treinamento para estender para alguma coisa mais por exemplo
pode haver uma combinação aqui você vai fazer uma funcionalidade aqui uma uma a aá fazendo reconhecimento facial para fazer a entrada o login no teu aplicativo tá então é uma feature focada dentro do teu produto para fazer isso hoje em dia você não precisa mais pegar 10 milhões de imagem das pessoas criar um modelo de reconhecimento facial modelo de reconhecimento facial já existe eu trago ele para cá e especializo esse modelo dentro de eh de imagens que talvez sejam eh que correspondem mais ao meu público Ok esse modelo provavelmente é o modelo o modelo que
você vai encontrar é um modelo internacional Então vai ter gente do mundo inteiro e você vai precisar especializar esse modelo com o rosto mais conhecido se for teu Público aqui no Brasil OK mas você não parte do zero e você tem ainda aqueles produtos que são mais amplos e que tem o Core ali no núcleo né Por exemplo um chat GPT ele é amplo Ok você poderia desenvolver também um chat GPT você poderia desenvolver um sei lá um um chatbot para isso você pode desenvolver um outro modelo e para médico que faça alguma coisa genérica
para médico tá tá são aplicações da ia mais amplas que é o Core chat GPT não é algo especializado né Ele sabe de tudo um pouco mas ele na verdade ele não é especializado em nada e que também você pode especializar ele depois em algum outro eh em algum outro momento se a gente olhar isso de uma outra forma a gente pode ter a gente pode ver que eu posso trabalhar com a ia em produto como a ia aplicada ela cria aprimora melhora produtos Então o Google Maps o Uber Uber tem mais de 5000 modelos
de inteligência artificial em produção e todo mês eles testam 20.000 modelos Ok então Uber é o Uber não é por acaso pessoal o Wi é o iFood não é por acaso que os caras são iFood só para você ter uma ideia pessoal só na parte de restaurante o tem 80.000 itens cadastrados 80 milhões de itens cadastrados tá tem centros por exemplo São Paulo região central de São Paulo que se você vai procurar hambúrguer tem 3.000 itens de hambúrguers cadastrados o que que isso significa significa que se o aplicativo simplesmente jogasse essas 3.000 hambúrguers na sua
tela você provavelmente não ia ia escolher nenhum hambúrguer e não ia comprar de ninguém porque quando a gente tem muita escolha Nós não compramos sacou Qual é o Grande Lance o que que o iFood faz ele coloca os 30 desses desses 3.000 hambúrguers eu não sei se esse número tá mas eu tô dando só um exemplo que que faz sentido ele coloca 30 para você escolher e desses 30 você vai comprar um Por que ele vende tanto por que o restaurante tá lá porque ele consegue colocar o hambúrguer certo pra pessoa certa simples assim por
isso que ele vende E aí então não é simplesmente criar um aplicativo de delivery por exemplo que ten os restaurantes cadastrados e lista os produtos na mão do cliente tá Ah software de detecção de de de fraude você já deve ter recebido aquelas mensagenzinhas do do banco né né tá fazendo uma compra Ah você mesmo foi cancelado e tal você pode ir para uma linha de oferecer serviços de Inteligência Artificial então um chat GPT como serviço uma plataforma um CoPilot por exemplo e eventualmente até se você for para um baixo nível desenvolver um pouco mais
baixo nível você pode entrar lá em ferramentas de a um databricks que controla toda a parte de criação dos produtos meio que nessas ferramentas de a e você entregar a vender a pá para quem tá tentando caçar o ouro mais ou menos assim entendeu e talvez a ia aplicada é você tentando pegar o ouro tá o serviço de A é você fazer um transporte do garimpeiro da da casa dele até no garimpo e as ferramentas de A é você vender a pá né então databricks um ptor o Michelangelo que é a plataforma de de machine
learning da Uber os caras ficaram tão bons nisso que el hoje eles vendem a plataforma de de machine learning deles como o Google tem como o e o Amazon a Amazon tem por aí vai tá então eh a gente vê assim que quando a gente tá falando de produto de de de a a gente tem a gente identificou sete padrões de aplicação disso são sete categorias basicamente de produtos que a gente tem tá a gente pode ter eh produtos eh de que usam o padrão de padrão e anomalia o que que significa por exemplo eh
detecção de anomalia antes de virar uma falha tá eh detecção de de fraude tudo isso usa um padrão de ia que a gente chama de anomalia de detecção de anomalia identificação de padrões e detecção de anomalia Ok de hiperpet hiperpersonalização então às vezes você quer fazer um produto ou um modelo de a que você vai hiper personalizar ou seja oferecer pra Beatriz o filme que provavelmente ela mais vai gostar de assistir ela tá querendo assistir só que ela não sabia que ela tava querendo assistir recomendar o produto específico para Beatriz no no gosto dela não
pela média então eu hiper personalizo modelos de reconhecimento aí pode ser reconhecimento de imagem de voz de texto de qualquer coisa que envolva reconhecimento tá então e um exemplo eh vocês já ouviram falar daquele carro autônomo da que tem tem São Francisco tem algumas outras cidades eh não é o não é o Tesla que foi lançado agora já é um que funciona opera tá a gente tava andando atrás desse carro e aí ele parou eh um pouco antes de um de um farol eh mas talvez por esperar algum passageiro ou algo nesse sentido tá e
a gente estava andando atrás desse carro e o amigo tava dirigindo ele falou eu vou buzinar para ver o que que ele vai fazer quando ele meteu a mão na buzina esse carro autônomo não tinha ninguém dirigindo ele foi mais pra frente encontrou um lugar para estacionar e estacionou isso é um modelo de reconhecimento ele reconheceu o som de uma buzina e tomou uma ação a partir disso tá então você tem hoje por exemplo aplicações de Inteligência Artificial que ouvem ruídos de motores de carro e detectam problemas através do som do funcionamento do som do
funcionamento do motor tá Exatamente esse o eu não sei como se pronuncia aí o Demerson meu coach de inglês éon beleza conversação e interação humana então então aqui a gente tá falando de todo tipo de chatbot transformação de texto texto para cá texto para lá para lá voz imagem análise preditiva de decisão então eu vou fazer uma análise preditiva do preço da quantidade de sorvete que eu vendo isso é um padrão de né uma aplicação sistemas autônomos e sistemas orientados a objetivos aqui a gente tá falando basicamente de robô de carro autônomo e de games
tá então é um uma aplicação Talvez um pouco menos comercial se tratando de software de normal né para produtos normalmente essa inteligência artificial ela vai embarcada em algum hardware não necessariamente um produto com Interface que você usa ali embora o game temha essa característica mas game não é um um software transacional né e ele tem uma característica ali diferente de de operação eh ué aí então aqui eu trouxe uma tabelinha com mais alguns exemplos pessoal de hiperpersonalização vou passar alguns bem rapidinho tá eh quando a gente tá falando de Hiper personalização a gente tá falando
de por exemplo recomendação da Netflix ofertas personalizadas personalização de de app Fitness né E aí você consegue matar tudo isso aqui com por exemplo com machine learning clássico a gente vai entender Essas tecnologias de a já já análise preditiva e suporte decisão previsão de falhas predição de comportamento de cliente preços dinâmicos não tem o preço dinâmico da Uber às vezes é mais caro às vezes é o mesmo barato menos o o o mesmo trajeto tem uma inteligência artificial ali por detrás isso interação conversacional assistente chatbot tradução detecção de padrão e anomalia detecção de fralde bancária
monitoramento inteligente de rede preenchimento automático de de formulário você tá lá preenchendo a pesquisa do Google e ele já Te indica o e-mail né agora o Google tem isso no e-mail né você tá dizendo olá bom dia Tudo E aí ele já bota o bem ou interrogação e você dá um Tab ele já completa para você né Isso é uma detecção de padrão que ele vê os e-mails sendo descritos e replica esse comportamento prediz esse comportamento para você aceitar ou não laud de reconhecimento facial áudio objeto sistemas orientados otimização de Rota logística navegação autônoma de
robô né carros autônomos robôs de manufatura no caso de sistemas eh autônomos tá eh a título de de exemplo pra gente fechar essa essa primeira e a parte do do dos produtos isso aqui é um é um é um modelo que a gente criou aqui na Nexel One tá criando na verdade que é o modelo de detecção de anomalia para motores Navais basicamente como que esse modelo funciona pessoal você tem aqui o as embarcações Navais que emitem dados em tempo real tá esses dados em tempo real automaticamente eles viram dados históricos certo esses dados históricos
E aí esses sensores aqui isso aqui é tudo via IOT internet das coisas então a cada 20 segundos a gente recebe mais ou menos 300 sinais de monitoramento dessa embarcação então é monitorado temperatura dos cilindros óleo pressão do Óleo nível de bateria nível de combustível velocidade GPS tudo tá e É como se você tivesse plugado lá os Eletro fazendo um eletrocardiograma lá eh no no na embarcação toda e esses dados que a gente recebe eles são eles servem para treinamento então a gente construiu o modelo de detecção usando o padrão de detecção de anomalia Então
esse modelo a gente chama de anoman detector Model Ok eh e esse modelo Então esse algoritmo a gente usou alguns algoritmos para construir esse modelo que deu origem ao modelo uma vez que o modelo tá pronto toda vez que eu coleto um dado eh em tempo real eu mando esse dado em tempo real para esse modelo e esse modelo vai fazer uma predição esse dado que eu acabei de ler ele é um dado anômalo ou não ele tá apresentando alguma potencial falha na embarcação ou não ele vai fazer essa predição ele vai calcular com base
nessa informação que ele acabou de receber e que ele não foi treinado é uma uma uma informação nova certo ele é sempre treinado na no histórico quando ele recebe uma transformação nova ele faz o que a gente chama de inferência A partir dessa inferência ele apresenta esses dados normalmente através de uma API que as pessoas podem monitorar o andamento da embarcação e se a inteligência artificial detectar algum tipo de anomalia isso é enviado um alerta né de uma anomalia E aí aqui você tem uma pessoa que vai classificar atuar confirmar eh se isso é uma
anomalia ou não E essas informações obviamente el voltam como dados históricos para eu retreinar o modelo e tornar o modelo cada vez mais Eh mais inteligente né basicamente só para vocês entenderem como isso fica numa interface você vê que você não vê nada disso tá é difícil ter uma iax vi a interface né basicamente a gente tem uma lista um painel de monitoramento onde a gente vê as embarcações esses modelos na verdade não é um modelo só são modelos tá cada modelo faz uma predição de anomalia em determinado do conjunto de sinais Então eu tenho
uma análise dos motores principais do propulsor do Guincho e ele dentro desses grupos ele detecta as anomalias se ele detectou alguma anomalia ele joga isso para um painel e d um alerta Ou seja eu não preciso mais de uma pessoa monitorando isso em tempo todo eu só vou na condição que a ia me diz que tem um problema então eu não tenho mais ninguém monitorando e o que já me dá uma economia de custos gigante e me dá uma assertividade muito maior né E aí ao ver aqui uma anomalia ou eu posso entrar numa embarcação
E aí eu consigo ver qual que é o status dessa embarcação em tempo real qual foi a situação dela nos últimos disso aqui é só exemplo não é nada real tá e como é a análise desses indicadores desses sinais ã categorizados por motores propulsores Guinchos uma análise de de inteligência eh artificial Ou seja a gente fez uma automação de análise dos dados para que eh seja possível identificar eventuais problemas antes que esses problemas aconteçam tá isso é um dos casos que a gente tem aqui Lógico que é um pouco mais complexo do que simplesmente essa
is é uma visão geral mas é mais ou menos assim que funciona um produto de A tá então o produto de a ele é construído sempre através de um de um de dado algoritmo e saída n então eu construo eu treino o treinamento de dados ou eu uso um algoritmo contra os dados para gerar para treinar esse treinamento bigp um modelo e esse modelo eu uso para fazer minhas inferências faz sentido até aqui tudo bem O A tá perguntando se eu tenho algum modelo algum exemplo assim de modelo de predição tá eh de a gente
tá fazendo um de de de de predição de consumo de combustível Tá mas até então não tenho nada aqui Prontinho assim para te mostrar não mas a lógica é exatamente a mesma tá que vai mudar são os modelos a forma que você constrói mas a lógica é essa mesma tá então Perceba o seguinte pessoal que quando quando a gente tá falando de um produto de a Na verdade nós estamos falando de um conjunto de modelos e que o mesmo produto pode ter mais de um modelo entenderam agora por que que o iFood tem tem mais
de 150 modelos ficou claroo isso isso pouca gente consegue ter essa noção tá você conversa com as pessoas elas não TM a noção elas acham que uma i é uma I uma coisa só e tudo acontece ali dentro tá claro para vocês por o que que é um modelo e por que o iFood tem 150 modelos não sim você tem diversos especialistas tem é como se fosem diversos especialistas para diversos assuntos e que você vai colocar todos numa sala e vai extrair o sumo dessa desse desse pessoal no caso pessoal boa a visão que eu
ten Então você tem um modelo Você pode ter um modelo it é um modelo de a de classificação de itens você tem um modelo para fazer recomendação de itens é um modelo você tem um modelo para fazer predição de venda é um modelo cada tarefa que você quer que a Faça Você precisa ter um modelo de a correspondente tudo bemil muito meu Deus como é fácil isso é importante vocês entenderem pessoal por tá quando você se posiciona como uma pessoa de produto de a as pessoas vão te chamar e dizer assim táa tá vem aqui
vamos ver se dá para aplicar eu queria tenho um problema aqui para resolver isso já aconteceu comigo tá vou dar um exemplo real tem aqui um problema para resolver ver que é o seguinte eu preciso de uma I Eu preciso de uma ia que ela eh analise todos os registros de trabalho da minha equipe e com base nesses registros ela consiga me dar uma situação atual do projeto Quais são os problemas mais críticos que estão acontecendo Monte para mim um status Report e mande também Diga para mim Quais são as as tarefas que potencialmente vão
atrasar dá para fazer essa EA aí a resposta é dá mas não é uma e a tudo bem O leigo falar isso mas na sua cabeça você vai ter que dizer opa não é uma i a é um conjunto de modelos e cada modelo vai responder uma tarefa específica que esse usuário tá falando para você então o teu trabalho como gerente de produto não é mais identificar necessariamente regra de negócio mas é identificar as tarefas que a ia precisa gerar Oi é visão sistêmica é saber fracionar o seu problema saber fracionar o problema saber fracionar
Essas atividades e saber que tecnologia que você vai aplicar para cada pedaço desse direcionar porque o que acontece as coisas não são tão simples assim quanto Ah é só aplicar o algoritmo Existem várias maneiras esse algoritmo esse lugar do algoritmo pode ser várias tecnologias e quando a gente tá fazendo ia eu tenho que uma uma das coisas que todo gerente de produto precisa cuidar Independente se é de ou não é com uma questão de custo benefício certo de Roy retorno de investimento de TCO custo de propriedade para manter tá eh se você se você tem
isso na cabeça que isso é um papel seu como gerente de produto como pessoa de produto não é simplesmente sair aplicando o melhor modelo ou melhor algoritmo a melhor tecnologia não necessariamente a melhor tecnologia é o melhor no teu contexto Ah para resolver isso aí eu vou colocar o v vou fazer uma vou usar uma llm ou vou integrar com o chat GPT 4 que é o modelo mais inteligente do mundo ô bonitão Você tem certeza que você vai conseguir pagar os tokens que é caro para caceta para manter isso aí faz a conta de
1000 usuários fazendo cada um três perguntas pro teu chat teu chat bot calcula Qual é o tamanho de cada médio de cada resposta quantos tokens isso vai gerar que token é a maneira como o chat GPT cobra você não é bem por palavra tá por token então às vezes uma palavra dois tokens três tokens e faz a conta de quantos dólares você vai gastar por mês com esse negócio aí e aí você vai ver que na grande maioria das vezes para escala isso não para de pé então é muito bonito você dizer eu vou usar
a versão o modelo mais inteligente mas às vezes não paga não se paga não tem como resolver aquilo entendeu então eu tem que pensar em outras alternativas até porque talvez você esteja tentando usar uma um canhão para matar uma formiga tá bom ah o jun tá dizendo por isso que a galera tava invadindo o Che GPT free do chat da da GM N pode ser a complexidade deixa eu ver tá dizendo no processo de criação do modelo a forma de saber se o modelo está bom ou não é vendo os resultados alcançados perante os dados
reais aí se não tiver bom tem várias métricas para você acompanhar o resultado tá então se no modelo tradicional você avalia pela complicidade das regras de negócio num produto de a você tem que olhar as métricas né qual é a a acuracidade da predição que essa inteligência artificial tá fazendo ela disse que uma Que Um item é uma fraude É de fato uma fraude sim ou não ela acertou ou errou então a gente sempre busca avaliar isso aí tem várias métricas para se trabalhar com isso tá Pedro tá perguntando aqui um conjunto de modelos de
a pode substituir ao x de um software tradicional transacional funcionando como front end correto pode às vezes você não precisa mais ter aquilo por exemplo eu mostrei na última vez hoje não vou mostrar porque a última vez foi um fiasco mostrei coisa que eu não devia mas eu uso um software que é um WhatsApp é um banco por WhatsApp que na verdade ainda não é bem banco mas se encaminhando para ser isso que eu uso basicamente para pagar minhas contas então eu mando faço umx do meu banco normal para essa para esse banco chamado maj
Ok E aí ele fica com saldo é um pré-pago ele já consegue capturar todos os boletos que vencem no mês quando vem ele já me dá uma mensagem no WhatsApp dizendo chegou um boleto novo você quer pagar eu respondo para ele quero ele paga e eu não preciso fazer mais absolutamente nada não tem que digitar código barra ler código de barra absolutamente nada eu quero fazer fazer um pix para alguém tá eu pego abro no no WhatsApp no chat abro e falo Magi faz um Pix de R 10 pra chave xpto e mando o áudio
Acabou minha esposa às vezes pede muito para eu fazer piques assim de coisas e pequenas Ah foi uma mulher lá em casa fazer a fachina ou foi um um um foi na feira comprar não sei o quê Beleza eu falo eu já já instruí ela toda vez que você precisar um pix desse você vai mandar uma mensagem para mim no WhatsApp na seguinte estrutura fazer um Pix de tanto para e você vai colocar a chave né Aí eu só encaminho aquilo pro Mag e dou um sim E acabou meu trabalho antes eu tinha que entrar
no aplicativo digitar minha senha fazer leitura facial entrar clicar na opção de PX colocar minha chave colocar o valor confirmar botar minha cara de novo esperar pegar o resultado mandar por por WhatsApp então sim o que o Pedro comentou é muitas vezes A Iá vai dar esse shortcut a provocação que eu faço é por que que a gente ainda Precisa de mouse e teclado para operar boa parte das funcionalidades uma dica para vocês do que eu tô falando eu tô avisando que vai mudar muito nos próximos dois ou TR anos software RP software RP é
software RP há mais de 10 anos 20 anos é a mesma porcaria tá mesmo modelinho telinha castrinho entra clica aqui clica lá Mouse teclado teclado mouse mouse teclado pessoal isso aí vai mudar completamente tá inclusive algumas aceleradoras do dos Estados Unidos elas TM feito chamadas para quem tem Startup para Inovar RP e agora acho que com a ia vai vai ser um Boom bem diferente em relação a isso tá podemos continuar temos mais dois temas aqui mais uma meia horinha se vocês tiverem interesse amanhã eu posso mostrar o funcionamento do Mag para vocês é que
eu já mostrei outra vez daí às vezes tem pessoas repetidas eu não fiz essa pergunta quem que é novo aí quem que não que é a primeira aula que tá assistindo aqui bota um primeiro aí bota um quem já é mais de uma vez bota dois só para eu ver dois dois vamos botando vai dep botando porque depois eu eu não vou conseguir classificar mas a minha I vai classificar só PR vocês terem uma ideia tá amanhã eu falo para vocês bota aí bota aí vamos bot três três aí não bota um é a primeira
vez dois não é a primeira vez só isso tá Tem bastante gente nova né legal ô Kevin Oi eh esse exemplo que você deu do WhatsApp aí que você usa Eu só fiquei preocupado uma questão segurança você qual é a tua preocupação com segurança do teu banco não é você falou você transfere para essa imagem valor e você dá os comandos para ela uhum ou seja uma uma imagem Os caracteres ou aí quando o valor é acima de um determinado limite que eu classifico ele me pede uma senha obviamente né é igual o cartão de
crédito por contato né até 100 200 300 pila Depende do que você colocar ali você passa Direto você não digita senha né acima de r$ 500 daí ele pede a senha pagamento por aproximação segurança também a partir valor tem tem mas assim pessoal a segurança ela igual do banco né você vai ter que trabalhar igual mesmo risco que você tem no banco você tem ali é que eu sou um worldly Adopter né então eu não eu tenho menos avidade a riscos por exemplo então enfim Ok obrigado gerenciamento de produto pessoal quando a gente tá falando
de gerenciamento de produto e a gente pensa num ciclo de vida tradicional e aqui eu não tô falando da gestão de produto como um todo tá mas só para trazer começar a trazer algumas nuances de fazer alguns comparativos trazer algumas linhas comparativas entre o tradicional e um projeto diário quando a gente tá falando de um software tradicional tá é massa falar isso né Parece que é os outros estão trabalhando velho você trabalhando novo né mas não tem nada a ver com isso né mas que é legal é software desenvolvimento tradicional software tradicional a gente tem
basicamente um ciclo de vida parecido com esse aí pouco diferente mas pode ser similar um pouquinho menos mas tá aí análise design desenvolvimento teste Deploy manutenção e aí você pode agrupar Essas atividades todas em ciclos como um ciclo do scrum como uma linha mais contínua do kamban como um tradicional como um Waterfall se você quiser fazer por etapa não importa mas não tem como fugir daqui certo qualquer coisa que eu vou ter que fazer eu tenho que analisar eu tenho que fazer o desenho ten que desenvolver eu tenho que testar eu tenho que entregar básico
é isso quebro por partezinha pequena por uma funcionalidade por uma história mas é isso aí OK quando a gente vai pro desenvolvimento pro ciclo de vida de desenvolvimento de produto de a o que que as pessoas pensam que é é assim você tem dados não é baseado em dados tá é só dados aqui você tem um conjunto de dados você manda esse conjunto de dados para um algoritmo e ele tá pronto pro teu produto de a simples muito simples fácil é só mandar o algoritmo vai ler e tá tudo certo pega lá a base dos
80 milhões de registros de itens que o tem manda ritmo que faz regressão linear e tá pronto o teu produto o teu modelo mas o que que é na realidade a gente não vai passar por todas as as etapas Mas é só para você ter uma noção tá isso aqui é só a parte de Treinamento ainda tem uma parte antes que é a parte de concepção do produto que não botei aqui no slide mas a gente tem toda uma parte de coleta e preparação de dados então eu não tenho uma fase de design de requisitos
de ição de regras de negócio não existe isso OK você o que você tem e que não tá aqui OK mas amanhã a gente vai conversar um pouco mais profundo Amanhã vou mostrar o ciclo de vida um modelo para vocês criarem tá e o que que você tem aí nessa parte é muito mais a parte definição de objetivos definição das tarefas que você quer que aí AF faça métrica modelos a forma como você vai monitorar tá E aí a parte mais técnica né você tem a coleta de dados Você tem todo um processo de preparação
desses dados todo um processo de engenharia de features de transformação desses dados porque não é só colocar os dados ainda para ficar no exemplo do do do iFood quantos jeitos diferentes TM de escrever a palavra strogonof você pode dizer para mim que tem único certo mas a gente não pode negar que deve ter pelo menos umas 10 formas de escrever esse tragon imagina 335.000 estabelecimentos imagina se não vai ter pelo menos umas 10 15 formas de escrever strogonof a gente vai bater o olho e vai dizer estrogonof certo aí a não sabe Gente eu tenho
que fazer um processo para que ela entenda que strogonof com f no final estrogonof com fe no final estrog estrog com e e s trogo nof é o mesmo que strogonof beleza então tem todo um processo aqui de de preparação desses dados de filtragem desses dados de remoção de viés dos dados a gente vai falar um pouquinho mais sobre isso amanhã tá porque se eu tenho viés dos dados ele vai gerar um viés na minha predição ele vai fazer uma predição equivocada ou uma outra situação que parece simples mas não é como que o iFood
ele faz para Balancear um restaurante antigo de um restaurante Novo por quê Porque se você der muito peso para recomendar um restaurante que tem ótimas avaliaç Então significa que o restaurante entrante ele nunca vai conseguir ser visto porque ele ainda não tem avaliação faz sentido tá então tem vários várias situações vários motivos aí vários porquês né então você tem toda uma etapa de preparação de dados aí você constrói esse modelo e essa construção do modelo são ciclos Inter ativos negócio doido que é assim num software tradicional você constrói ele uma feature ela ela ela vai
pra frente só você tem uma história de usuário de cadastro de cliente você analisa a história você constrói você testa você entrega Inteligência Artificial não você tem uma tarefa de fazer a predição de venda do sorvete você vai fazer você vai ficar Talvez um mês trabalhando nisso e você vai e volta vai volta vai volta vai volta vai volta vai volta gera esse vai e volta é o que eu quero falar eu tenho modelo versão um modelo versão 1.1 1.2 1.3 1.4 1.5 e cada ciclo desse eu vou melhorando vou acertando melhor a meus dados
vou selecionando melhor meu algoritmo tá Vou selecionando vou gerando melhor meus hiperparâmetros de treinamento e cada ciclo desse ele tem e eu eu Gero um modelo melhor mas robusto até que ele esteja pronto para você implantar em modelo implantar esse modelo em produção e obviamente eu tenho que monitorar não existe modelo de a em produção sem ter monitoramento ativo Por que pessoal por que que eu não posso colocar o modelo em operação e deixar el largado lá você pode começar a ter e eh eh dado sujo lá dentro tem que parametrizar ele rever a saída
del inte boa Patrícia isso aí n não não você você é o de jme eu sei que eu li Patri escreveu no chat tá vocês estão corretos né vai degradando os dados ao longo do tempo então tem que fazer um monitoramento pensamento comum é que o desenvolvimento de ata dentro do desenvolvimento do software tradicional quando na verdade é assim ó tá Eles bebem de algumas Fontes parecidas mas é outro mundo pessoal tá então se eu vejo lá no produto digital é assim que a gente vê um produto digital tradicional certo então eu tenho conexão de
negócios tecnologia e o x ali no meio a gente fala que é o ponto certo ponto do de um produto né a gestão de produto ela tá ali dentro quando a gente vai ver a diferença de um produto digital e um produto de a negócio É isso aí tem que sempre ser dirigido pelo negócio não muda vocês acham que Muda alguma coisa em tecnologia Sim certo a tecnologia muda muda o paradigma da tecnologia e o uso da tecnologia a gente conversou disso até agora não é mais regra é dados é algoritmo gera modelo vai e
volta tá o X muda muda eu dei o exemplo da muitas coisas de de de de a não tem interface gráfica então o meu x não necessariamente é uma representação gráfica mas é um ciclo de uso uma jornada de uso um passo a passo de de do que a inteligência artificial vai fazer como resultado final o caminho que ela vai fazer para para gerar um resultado final né e entra uma coisa nova dados né então agora o meu produto meu ia a minha ia ela tá nessa intersecção desses quatro pontos aqui onde eu tenho alteração
nos dois tecnologia e o x e eu tenho um novo que eu preciso olhar que são os dados por os dados é onde tá a minha riqueza se eu não tenho dados eu não tenho Inteligência Artificial tá eu posso estar aplicando uma inteligência artificial tipo usando chat GPT não precisa ter dados para usar o chat GPT mas alguém precisou de dados para gerar o chat GPT tá eh já que tecnologia pessoal tecnologia e dados aqui é um ponto importante de mudança de paradigma vamos olhar um pouquinho nesses últimos 20 minutos que a gente tem aqui
da aula de hoje um pouquinho sobre essa tecnologia entender um pouquinho as tecnologias de a Pode ser aí vai vai aqui eu vou responder aqui eu vou responder algumas perguntas que vocês fizeram lá no início da aula tá Tá J cada intersecção seria um modelo não não aqui aqui é só a parte de gerenciamento de produto tá tô dizendo assim um modelo de para você criar um modelo de a Você precisa olhar a perspectiva de negócio mapear a necessidade de negócio contra uma capacidade do teu produto deixa eu explicar isso aqui um pouquinho melhor vai
quando eu tô fazendo um modelo ou quando eu penso em utilizar a ia a primeira coisa que eu tenho que fazer é analisar isso do ponto de vista do negócio tá eu realmente preciso de inteligência artificial para isso pessoal a inteligência artificial custa grana não é uma coisa barata então eu tenho que ser muito assertivo e não é porque que agora eu tenho o martelo na mão que tudo virou prego então eu tenho que mapear a minha necessidade para uma capacidade ou para uma tecnologia de a essas duas coisas D Mat ou será que existe
uma outra forma de eu resolver esse problema que não seja usando a ia se não for Resolve Meu amigo usando o método tradicional é mais fácil mais barato todo mundo sabe fazer não coloca I no teu produto só para dizer que tem Tá quase na hora de eu encerrar mesmo vocês estão Desligando tudo a câmera né Vocês est cansado já aí eh Então o negócio eu tenho que olhar só que para eu saber montar de fato esse produto eu tenho que entender de Tecnologia de a eu tenho que saber o que que é possível fazer
como é que vou ser um gerente de produto se eu não sei o que que é Deep learning machine learning e a generativa llm como que eu uso ha engen de prompt infraestrutura steack de infraestrutura mlops eu tenho que saber dessas coisas porque se eu não sei o potencial da tecnologia eu não consigo mapear a capacidade de uma tecnologia versus uma necessidade que eu tenho de negócio também tem que entender um pouquinho de o x como é que eu prototipo isso e como é que eu entrego uma boa usabilidade uma boa experiência quando eu tenho
I quando eu tô fazendo esse modelo de Inteligência Artificial então eu tenho que olhar pro aspecto de X também e obviamente eu tenho que olhar muito pro aspecto de dados por quê Porque é através doss dados que a minha meu modelo meu algoritmo vai aprender para gerar um modelo se eu não tiver dados eu não tenho nada e aqui dados tem algumas características que eu preciso observar primeiro como é que é o meu processo de geração desses dados eu tenho os dados que eu preciso se eu não tiver o que que você quer fazer eu
quero fazer predição de sorvete você tem um registro das vendas de sorvete rapaz eu acho que eu tenho pessoal não anota isso direitinho não às vezes eles esquecem mas eu tenho uma listinha lá que de vez em quando a gente anota fodeu como é que eu vou fazer esse negócio entendeu isso é igual desenvolvedor que você pede lá Você atualizou o Gira e vou atualizar hoje dos últimos 15 dias aí ele vai lá e faz por Bet atualiza tudo você tá ferrado aqueles dados não servem para porcaria nenhuma para você entendeu fazer análise gestão cagou
tudo Aquele troço melhor jogar fora porque não vale de nada então eu tenho que ter uma tenho que olhar a geração desses dados né eu tenho que ter uma estratégia de dados aqui a a estratégia de dados pesso Por que que vocês acham que o Google tem um capcha que pede para você selecionar toda todas as imagens que tem uma escada todas as imagens que T uma moto selecione a parte da imagem que tem uma faixa de pedestre por você acha que ele faz isso para rotular o dado Isso é uma estratégia de dados de
rotulagens a gente tá trabalhando pro Google agora o Google tem uma base de todo mundo inteiro e ele sabe que de 300 pessoas que ele mostrou aquela imagem 285 disseram que essa parte aqui é a parte da faixa de pedestre Pronto agora ele tem 280 imagens rotuladas prontinhas pro algoritmo aprender que aquilo ali é uma faixa de pedestre pergunta é o que que você tá fazendo no teu produto pro teu usuário rotular os dados para você e ser mais barato para você pensar eu tenho que lidar com o viés Ok esses dados que eu tenho
estão inados ou não são Dados que eu posso utilizar e generalizar para outras coisas ou ele é muito específico eu só tenho registro de vozes aqui do sul do país mas o meu produto eu vou lançar um produto nacional de reconhecimento de voz não vai aguentar dois peidos hora que bater no nordeste Minas acabou-se não vai funcionar questão de cidade tá então tem que ficar atento para isso como é que eu uso os dados o teu produto tem uma política de privacidade que permite você usar os dados para treinamento tá claro isso ou não Então
você vai ter que mudar tá então tem uma série de questões aqui de dados também para para observar que você como gerente de produto tem que tomar conta disso cara senão ninguém mais vai tomar não é o cientista de dados tudo bem ficou um pouquinho mais claro essa questão do dessas intersecções aí tivemos também aqueles apps de envelhecimento facial que todo mundo usou alguns anos atrás isso também era Prelúdio da i de imagem exatamente né aqu ali foi retreinamento treinamento pegou a imagem de todo mundo rostinho bonitinho carto pensou assim como é que eu faço
para pegar a imagem de um monte de de gente não vou adjetivar porque eu também usei gratuito de graça Vamos criar um software que envelhece as pessoas aí foi lá o z e botou o rostinho bonitinho dele hoje ele deve tá lá no meio da Rússia lá no no no no processo de treinamento dos lançador de míssil para achar o a rosto da pessoa e o Drone foi lá e pá ã então rapidamente aqui entendendo um pouquinho de tecnologia tá fazer um resumão geral aqui e a é alguma coisa antiga né então quando a gente
fala de Inteligência Artificial a gente tá falando de um campo multidisciplinar das ciências da da da Computação tá desde 1950 aí quem assistiu o filme Qual é o nome do filme que eu sempre esqueço esqueceu também agora é aquele do da Guerra lá Hã o jogo da imitação tá o jogo da imitação lá conta um pouquinho dessa dessa história dentro do campo da Inteligência Artificial a gente tem o campo do machine learning que é efetivamente a maneira como a máquina aprende tá Às vezes a gente se refere ao machine learning como sendo a i clássica
os algoritmos mais baseados emem cálculos matemáticos e estatísticos regressão linear árvore de decisão camins são todos algoritmos de machine learning lembra algoritmo é o que faz a máquina aprender Então dentro do machine learning a gente tem alguns algoritmos aqui tá tem algoritmo e o poder dele é um poder x mais para frente pessoal com o passar do tempo a gente evolui pro Deep learning muito em função da capacidade de processamento do computador porque uma rede neural já existe há muitos anos tá mas primeiro neur oficial é década de 60 mas eh a possibilidade da gente
utilizar isso mais ou menos a partir de 2012 com o lance da gpus que a gente conseguiu isolar no pessoal de Stanford na verdade que isolou a GPU que era processamento gráfico que é o que mais consome memória e usou isso para processamento de de dados E aí surgiu Deep learning Qual é a diferença entre o machine learning e o Deep learning a sua capacidade os algoritmos de Deep learning são mais inteligentes eles aprendem mais só que que o fato de ele ser mais inteligente e aprender mais também significa que ele usa mais computação que
ele é mais caro mais caro para fazer mais caro para manter Ok mas basicamente eles eles fazem predições o qual qual foi o Boom grande Boom disso aqui a partir do Deep learning se originou a ia generativa a ia generativa é um modelo de a que usa por debaixo dos panos o Deep learning mas com uma arquitetura que ela é capaz de gerar novos conteúdos é isso que diferencia a ia generativa do Deep learning e do machine learning machine learning e Deep learning não criam conteúdos eles resolvem problemas de regressão classificação ou agrupamento tá então
eu quero classificar se um e-mail é spam ou não problema de classificação eu quero predizer o valor de uma venda regressão problema de regressão qual é o valor de uma casa no futuro R 1000 Ok ou um agrupamento eu vou agrupar meus clientes dado um Conjunto de características criar grupos por exemplo tá aí a generativa não ela cria coisas imagens textos áudios Essa é a grande diferença e entre elas né como as máquinas aprendem isso aqui eu já expliquei para vocês é a partir de um algoritmo que gera modelo dados algoritmo modelo dados algoritmo modelo
isso é sempre assim o chat GPT foi gerado dessa maneira dados algoritmo e modelo obviamente que quando eu tô falando de chat GPT esse algoritmo não é um algoritmo uma arquitetura de algoritmos por detrás deles o mais famoso dele é um algoritmo chamado Transformer tá quando é imagem o mais famoso é um algoritmo chamado de Fusion que na verdade é uma arquitetura não é um único algoritmo é uma arquitetura ali de de aprendizado que por debaixo dos panos existe uma uma rede neural mas você tem vários algoritmos ó regressão linear caminhos árvores de decisão máquinas
de vetores redes neurais CNN Transformers E por aí vai tá se você voltar para cá cada tipo de Tecnologia de a tem um conjunto de algoritmos que você pode usar para resolver um problema específico Então quando você tá treinando um modelo você vai ter que buscar Qual é o melhor match entre o teu problema e o algoritmo e existem diversos algoritmos que tentam buscam resolver o mesmo problema e que normalmente você não tem como saber a priori Qual é o melhor você tem que testar tem indícios mas é muito mais empírico do que eh real
tá essas máquinas elas aprendem esses algoritmos eles aprendem basicamente de três formas através de um treinamento supervisionado que é quando eu falo o que que eu tenho de dados eu rotulo os dados eu falo para ele essa imagem é um cachorro essa imagem é um gato isso aqui é um um cão uma vaca tá E aí eu rotulo digo para ele o que que é e mando pro algoritmo então o algoritmo diz Ah isso aqui são as ele identifica as características do cachorro identifica as características da Vaca quando eu manda uma imagem que ele a
qual ele nunca viu ele vai compreender esses padrões e vai comparar com aquilo que ele aprendeu tá então o aprendizado supervisionado hoje é 80% de toda todos os modelos que existem no mundo vem do aprendizado supervisionado e dá um trabalho do caceta para rotular os dados tá isso aqui é um de um gargalo do gargal tem estratégias para isso inclusive usar Inteligência Artificial generativa usar llm para te ajudar a rotular dados que antes era feito por um por um humano você usa a ia dentro da ia Ahã treinamento não supervisionado é um treinamento por descoberta
então Normalmente quando eu quero uma quando eu tenho um conjunto de dados muito grande por exemplo a gente eh detecta a gente recebe a a cada 20 segundos 300 sinais de uma embarcação como é que eu classifico isso eu não classifico eu não sei o que que é aquele conjunto de registros eu sei a característica dele mas o que ele representa eu não sei então a gente usa um aprendizado não supervisionado para boa parte da detecção de anomalia e pro reforço é basicamente por tentativa e erro aqui é para automação game tá é uma parcela
muito pequena Talvez isso aqui seja 18% e aqui seja 2% a um uso muito pequeno desse tipo de de aprendizado né então basicamente você tem um input de dados você tem um modelo e você tem o output e esses sabores aqui de a você tem o machine learning Deep learning generativo basicamente o que muda é aqui ó machine learning faz predição Deep learning também faz predição o que muda é a capacidade que eles têm de fazer isso e a generativa ela gera tá então ela tem uma capacidade maior de geração eu podia ter colocado aqui
também no na tabelinha um comparativo da ia generativa tá mas só para vocês entenderem né machine learning e isso faz parte das decisões que você vai tomando na hora de de montar o modelo Porque tudo tem a ver com custo com retorno de investimento com custo para manter né então machine learning menos dados menos desempenho de hardware treinamento é mais rápido você precisa menor de características né o teste é aumenta com o tamanho de de de de dados Você tem uma uma explicabilidade mais fácil o Deep learn você precisa de mais dados mais processamento normalmente
gpus você demora mais tempo para fazer né E você tem vantagem teste é relativamente mais rápido né só que ele é muito menos explicável do que o outro modelo então normalmente o que a gente faz a gente começa a tentar resolver um problema usando machine learning e vai aumentando a complexidade ao longo do tempo se você conseguir parar aqui ó resolvendo o problema com machine learning ótimo você ganhou alguma alguns milhares aí de reais provavelmente se o teu modelo for de escala só para vocês terem uma ideia e do crescimento da ia eu gosto desse
gráfico porque Embora esteja todo mundo na Hype da ia generativa pessoal tá E olha olha aí o crescimento Olha o que que é o poder Atual O que que tá dentro o que que é o mais quente de cada círculo desse a parte mais quente de cada círculo já é o valor atual tá Então olha o aprendizado supervisionado hoje 80% de tudo que a gente tem de modelos e a é um ambiente é o supervisionado o supervisionado eu tô falando de que machine learning Deep learning não é i generativa tá isso aqui quem tá falando
O Andre Andrew NG eu não sei exatamente sobrenome dele tá Que é que é o cara de Stanford é um dos Pioneiros nisso então e todo mundo tá olhando PR e generativa é legalzinho legalzinho mas maior valor ainda hoje tá no aprendizado não supervisionado e vai continuar crescendo da mesma maneira então a e generativa é legal é legal só que ela tem problema de custo ela tem problema de escala ela tem problema que é difícil você colocar os guard rails dependendo da maneira que você for fazer você tem um de explicabilidade vários problemas dentro da
iagem generativa que quando você vai pro uso forte o uso corporativo você enfrenta algum tipo de dificuldade ali e é lógico que você tem mecanismos para lidar com isso então na na prática a gente acaba combinando tudo isso tá Por que que eu tô comentando isso com vocês porque quando a gente vai usar usar preto que último SL vai matar aqui tá eh quando a gente vai pra abordagem para desenvolvimento desses produtos de a nós temos algumas abordagens a primeira delas é eu vou desenvolver e treinar o modelo a partir do zero from Scratch Ou
seja eu vou gerar o meu modelo de detecção de anomalia a partir do zero pego dados escolho algoritmo Gero meu modelo meu modelo meu modelo não tem ninguém mais tem é proprietário é meu eu comecei do zero Ok eu posso fazer inclusive gerar um chat GPT meu eu posso lá e criar um chat GPT uma llm o Brasil hoje tem os planos de que De ser de ter a sua llm tá paraa Soberana soberania nacional e tal tem um plano do Brasil ter isso então você pode gerar um modelo a partir de um machine learning
Deep learning uma ia generativa a partir do zero tá para nós meros mortais aqui Normalmente quando a gente desenvolve ou treina um modelo a partir do zero a gente tá falando de um treinamento de machine learning ou Deep learning Ok basicamente isso mas você também tem a opção de combinar ou utilizar a adaptação a partir de um modelo prét treinado eu preciso fazer eu preciso colocar no meu software reconhecimento facial eu não preciso treinar o modelo de reconhecimento facial Eu uso o modelo baseado em Deep learning Já tá pronto eu vou lá no hug Face
.io baixo esse modelo e reforço o treinamento apenas ajusto adapto pro meu contexto Ahã vou usar preciso fazer uma uma eu tenho um problema que é uma análise de sentimento O que que é análise de sentimento eu recebo uma porrada de feedback e eu quero saber se esse feedback é positivo ou negativo e o que tá falando de bom de ruim aonde do meu produto meu serviço você pode fazer resolver isso com Deep learning pode com machine learning pode só que provavelmente você vai gastar mais tempo para fazer isso tá de uma forma mais simples
ho hoje qual é você usa um chat GPT que é um modelo não é um algoritmo você usa uma ia generativa prét treinada como o chat GPT e você reforça o treinamento para fazer essa análise de sentimento então na prática o que que eu tô falando para eh querendo falar para vocês aqui ó que nós podemos gerar o nosso produto de a o nosso modelo sei lá botar produto aqui tá produto de a nós podemos gerar ele a partir de um algoritmo E aí nesse caso eu tenho dados algoritmo modelo Ou a gente pode ter
pode ter aqui dados certo posso ter ao invés de um algoritmo um modelo de a prét treinado a qual eu estendo eu adapto esse modelo e Gero um outro modelo meu estratégia 1 estratégia 2 essas estratégias essas estratégias normalmente elas envolvem engenheiria de prompt essa mesma que você já ouviram falar que você usa no chat GPT isso é a versão engia de Prom versão usuário final mas tem uma versão tá então eu uso engenheria de prompt para Por exemplo treinar o meu chat GPT especializar o chpt naquilo que eu preciso eu reforço o treinamento através
de uma engia de prompt posso fazer um que é utilizar o modelo de Inteligência Artificial um chat GPT atrelado a uma base de dados intermediária que tem os meus dados e fazer as duas se comunicarem Então agora eu especializo o chat ept nos meus dados né e eu posso também Ter uma estratégia de F tunning que é pegar o modelo uma llm por exemplo lama que é o modelo aberto você vai lá e baixa na tua máquina literalmente no hug Face e faz um um F tunning para ensinar novas habilidades eu especializo ela para fazer
análise de sentimento por exemplo é é é é é como se fosse é assim engen de prompt eu não mexo no modelo Na verdade eu só coloco uma camadinha por cima dele tá eu tento dar uma tapadinha nele o reg é uma conexão uma integração entre os dois El ele é a mesma o chat APT é o mesmo só que eu tô dando mais informações para ele naquele momento que eu preciso mas se eu tirar minhas informações ele é o mesmo ela é a mesma versão o finan é eu Gero uma nova versão do chat
GPT especializado em alguma tarefa por exemplo analisar sentimento então eu dou mais subsídios para ele já tá nativamente uma versão dele isso chama-se F taning Às vezes o pessoal chama a engen vou fazer F taning com engenheira de prompt também tá ok né mas o termo mais correto para fitan é isso é você gerar uma nova versão de um modelo já prét treinado específico para você você tá ensinando uma nova eh atividade para eles tá eh a essa adaptação como eu falei desses modelos de a normalmente e generativa pode ser uma engenheiria de prompt pode
ser uma ha que aí tem toda uma estrutura para você criar pode ser um fitan de especialização ali de de própria eh atividade tá então o que que acontece pessoal no final das contas né Eh as coisas dentro desse eh desse gerenciamento de produto de a elas são um pouco mais dinâmicas do que no modelo tradicional né então tem até um Manifesto do gerenciamento de produto de que eu trouxe inglês da maneira como ele é inspirado lá no Manifesto ágil Então por em cima aa do ok a gente tem que est muito ligado no por
que eu tô fazendo aquilo porque o Ok é o desenvolvimento de modelo ele não tem funcionalidade el não tem regr de negócio ele não tem essa complexidade mas se eu me perder no porqu eu posso tá indo no caminho errado o outcome versus as entregas os entregáveis os os outputs o resultado que eu tô gerando é mais importante do que a saída efetivamente a saída pode ser um modelo simples mas eu alcancei meu resultado esse que eu quero né evidência sobre intuição eu tenho tem que ter evidência umas interações eu tenho que estar eh basicamente
o que a gente faz muito em cima desses produtos é testar testar hipótese né E quando eu testo hipótese eu tenho que validar ou refutar então tem muitas hipóteses que a gente testa visão sobre implementação específica ou especificar a implementação eu não tenho muito disso né É muito mais dados né aprendizado de dados planejamento muito mais empírico a coisa um pouquinho mais dinâmica e ideação e descoberta acima de obter os requisitos Até porque eu não tenho essa estrutura de requisito necessariamente até posso ter um requisito de performance de latência por exemplo o iFood ele tem
um requisito de latência que é a a home a página principal do iFood no aplicativo ela tem que carregar Em 200 msos aí você imagina o que é colocar uma porrada de Inteligência Artificial de modelos de inteligência artificial para rodar e mesmo assim em 200 mundos ele tem que apresentar a home do do iFood fazendo uma uma uma especialização ou uma uma personalização para você usuário por exemplo Esse é um dos problemas da llm Normalmente quando você adota uma llm você perde latência fica mais lento sacou Então tudo isso são coisas que a você precisa
tomar conta desse modelo e experimentar durante esse teu processo aí de de criação de um produto de g a fez sentido aqui até aqui o que o que que ficou para vocês ó vamos a gente já vai encerrar mas antes disso Escreva aí no chat para mim qual foi o principal insite que vocês tiveram hoje pessoal escreve a gente tá indo aí a gente tava em 150 tá em 136 vai lá escrevam aí para mim qual foi o principal Insight que você teve hoje ou pode ser mais de um mas o que que ficou dessa
aula um aqui para vocês arquitetura da ya não ficou nenhuma ninguém tá escrevendo nada ficou nenhuma ficamos aqui Du horas para nada ah agora começou a aparecer calma calma calma calma tem que organizar só provocar que eles começam a dar sinal de vida tá vendo aprendizado da quando desenvolvimento da é diferente do tradicional entendimento da Visão macro mudança do tradicional para e boa somos mais capazes de entender que podemos produto de isso vamos escrevendo aí vamos escrevendo aí depois eu vou ler com com calma o que que ficou dessa aula para para vocês pessoal o
grande objetivo daqui é construir essa base é d essa clareza ou talvez assim não seja tão Claro ainda porque quando a gente começa a aprender um mundo que é diferente a gente tem bastante dúvidas acaba ficando com bastante dúvidas também sobre isso Isso faz parte do processo de aprendizagem mas é marcar os elementos de de de uma gestão de um produto de a né os pontos as diferenças os pontos aquilos que você tem que olhar aquilo que você tem que descobrir e construir uma base para isso obviamente tem muito mais coisas aí por de trás
Por exemplo essa questão de latência tem questão de privacidade de segurança dos dados são coisas que você precisa estar ligado como gerente de produto para orientar os seus times e pessoal eh da experiência que eu tenho assim das empresas quando elas dizem eu quero ter eu quero usar quero implementar será que não dá para fazer uma ia para resolver um problema 99% não fazem a menor noção do que a gente conversou hoje aqui faz sentido a maior parte ass vamos usar o chat GPT ou vamos fazer um chatbot daí integra é mais assim ah não
dá para integrar com chpt o chpt não resolve isso ou vamos colocar o CoPilot Vamos colocar os caras não fazem essa noção né Eh então é importante que a gente começ comece a criar educar também o mercado e educar as empresas do que é de fato fazer esses modelos criar esses modelos criar esses produtos tá bom ó O Júnior tá dizendo mas nem mas nem eu sabia Poisé né então a gente tem que educar o modelo tem que educar o mercado tem que educar as pessoas para que a gente crie produtos de A da maneira
correta e a gente vai precisar de profissionais para orientar essa criação tudo bem alguma dúvida não quem vai vir amanhã então amanhã a gente tem a parte dois J tá dizendo várias dúvidas quem vai voltar amanhã bota eu eu tá marcando aí quem botou eu se não vir amanhã o que que vai acontecer se não vir amanhã eu vou mandar uma ya na casa de vocês através de um drone não mentira então tá bom amanhã o que que nós vamos estudar amanhã pessoal amanhã a gente vai eh nós vamos entender o ciclo de vida de
como que eu tenho que pensar numa solução Ok começa por onde mapeamento da capacidade das das capacidades de a como é que eu identifico uma oportunidade e como é que eu mapeio isso com uma capacidade de a esse é o ponto de central a partir daí como é que eu desenho como é que eu desenvolvo como é que eu como é que eu gerencio isso como é que eu avalio qualidade obviamente vai ser profundidade não mas vocês vão ter uma visão Geral do que que é essa Essa gestão eh desse produto sempre do ponto de
vista de produto não é a execução do projeto tá a execução o andamento do projeto a execução das atividades isso aí é uma outra coisa que eu a gente pode ficar falando mais de 15 horas aí só sobre isso execução do dia a dia tarefas monitoramento equipe formação de equipe um monte coisa tá fazendo uma analogia assim nós estamos falando da parte de gestão de produto não da execução do projeto Quem entende de ágil nós estamos falando lá do Product downer não do scr master são duas figuras que bebem de uma fonte comum mas tem
papéis separados e um gerente de produto com um gerente de projeto são duas pessoas são duas papéis que bebem de uma fonte comum também mas são coisas separadas cada um cuida de pontos separados de um produto de projeto então a gente vai olhar sempre isso da perspectiva do produto como um todo beleza gostaram de hoje ah palavra chave de hoje serbe que vocês querem a palavra-chave de hoje e pera aí pera aí tá aí tá palavra chave de hoje PM cá anotem aí que vocês vão precisar de amanhã palavra de chave de hoje PM Zeno
colocou aí também no grupo para vocês gostaram de hoje foi bom quem veio a primeira vez aí quem já tá a segunda também ajudou quem já tá segunda algumas coisas Obviamente você já ouviu eu falar né mas espero que mesmo assim tenha sido ampliado a sua visão numa parte mais de produto joia muito bom Quem não gostou pode falar também tá a gente Normalmente quando a pessoa fala que não gostou a gente só exclui da sala ela não volta nunca mais não mentira pode falar pode falar se não gostou também que e Só explica o
porque que não gostou que a gente tenta melhorar da próxima vez Então meus amiguinhos e minhas amiguinhas todo mundo anotou a palavrinha chave palavra-chave PM já tem aqui quem escreveu que vai voltar então amanhã espero vocês pra segunda aula fechou Valeu peixos abraços até amanhã gente