Unknown

Alô Fala galera bom dia para todo mundo vocês estão me escutando est ao vivo vamos começar esse negócio agora fala aí para mim quem que tá me escutando quero saber de onde vocês estão falando também de onde vocês estão escutando aqui tão vendo essa Live pra gente poder aprender bastante hoje Conta aí para mim bom dia bom dia olha só quem já tá aí Aiane Geovana quem mais Olha só Juliana Fábio Santos Marcos Lino Vitor Fonteles show de bola galera aí o Carlos Fortaleza Rio de Janeiro quem é de Minas aqui tá marcando presença também

que Minas Gerais tem que marcar presença aqui Minas Gerais tem que marcar presença aqui também olha só Burger São Paulo capital Júlio César show de bola galera muito bom dia para todo mundo aí que tá assistindo no sábado às 10 da manhã veio aqui para poder aprender sobre inteligência artificial e justamente o foco aqui dessa aula vai ser passar conteúdo para vocês né que é justamente o que eu prometi para vocês eu falei que ia ter aqui e é o que a gente vai ter mas antes eu queria dar alguns avisos para vocês antes da

gente de fato começar aqui eh a nossa aula e também para poder esperar uma galera chegar que você sabe que tem gente que vai chegar atrasado né então vamos vamos trocando uma ideia um pouco antes de vou aguardar um 5 minutinhos aí então antes de dar uns 5 minutos a gente vai trocando essa ideia o primeiro avz que eu quero dar para vocês é o seguinte Na verdade eu quero fazer um combinado combinado que eu quero quero fazer com vocês é o seguinte toda vez que eu explicar algum conceito que valeu a pena você ter

participado só por causa desse novo aprendizado comenta # valeu a pena Tá bom então toda vez que eu falar algo que exploda sua mente que já valeu a pena você ter participado aqui da nossa aula comenta # valeu a pena só para eu ficar sabendo que aí eu acho que vai ser uma interação muito bacana tá bom só para eu saber pô aquele foi massa ter falado isso ou foi massa ter falado aquilo show de bola eh outro aviso que eu quero falar também vocês querem vocês querem 15 minutos de pausa durante essa aula porque

vai ser uma aula longa cara vai ser uma aula longa eu tô falando aqui de 2 horas me0 3 horas de aula fora tirar dúvidas Então vocês querem 15 minutinhos de pausa alguma coisa n sentido sei lá para poder almoçar para poder fazer alguma outra coisa se vocês não quiserem a gente toca isso aqui direto eu quero saber com vocês Tá bom então comenta aí vocês querem não querem Olha só sim pausa beleza galera falando aí para poder pausar Sim seria bom então show de bola Vamos fazer uma pausa de uns 15 minutinhos chegar próximo

ali de meio-dia meio-dia e pouco a gente dá uma pausada quando a barriga começar a roncar E aí a gente vai com comer alguma coisa e volta para continuar show de bola então é basicamente isso ô João Vítor a pergunta era se vocês querem uns 15 minutos de pausa aí durante a nossa aula para poder realmente sair enfim comer alguma coisa show de bola alguém me paga um café Ô Burger acho que online não tem como não cara pagar um café só se fosse presencial né Aí até eu pagava para você mas agora não tem

jeito não online né Eh Então beleza vamos fazer essa pausa já estamos sabendo aqui e uma outra coisa que eu quero avisar quem ficar até o final dessa aula vai poder pegar o certificado show de bola então o certificado de participação aqui é para realmente quem ficar até o final e como que eu sei que a pessoa ficou até o final porque para pegar o certificado a gente precisa de um código e eu vou falar o código no final da aula Beleza então já você já vai poder publicar o certificado no Linkedin de participação aqui

na aula da imersão gratuita e então pode ficar bem tranquilo que até o final eu vou falar o código aí vocês podem pegar o certificado a gente vai mandar o link aqui no chat show de bola então é isso os avisos que eu tinha para dar eram esses vamos esperar mais um minuto aí pra galera poder chegar e a gente já começa essa aula aqui e só para poder explicar também um pouco da dinâmica da aula como é que vai ser basicamente a gente vai separar a aula em duas partes então tem a parte um

que vai ser basicamente uma introdução à Inteligência Artificial e vai ter a parte dois vocês estão vendo aí que vai ser especificamente de Inteligência Artificial generativa que é basicamente o que acho que a maioria de vocês aqui tem interessado só que a a gente precisa dessa primeira parte aqui para poder entender a segunda então é basicamente uma base da base que eu tô passando aqui para vocês Beleza então os avisos eram esses outra coisa que vai acontecer bastante aqui durante a aula também é uns desenhos então eu vou fazer bastante desenho aqui para poder explicar

para poder explicar alguns termos para vocês enfim é aquele famoso desenha é para eu poder entender beleza Eh outra coisa galera aqui tá muita gente perguntando vai ficar gravado vai ficar gravado mas no final dessa aula eu vou poder tirar dúvidas de vocês do chat Então quem ficar até o final vai ter oportunidade de mandar pergunta aqui no chat para eu poder responder durante a Live show de bola João V tá perguntando quantas horas terá essa imersão ô João tô calculando aproximadamente 2 horas me0 de conteúdo 3 horas tá 2 horas me 3 horas e

aproximadamente ali 40 minutos de tirar dúvidas Então vou tirar uns 40 minut de dúvidas aqui de vocês beleza é isso é isso o que eu tinha aqui avisar para você vocês já avisei aqui e eu acho que agora a gente já pode começar a nossa aula já passou 5 minutos quem chegou chegou e quem não chegou vai pegar o boi andano Beleza vai pegar o boi andano aqui então vamos começar primeira coisa que a gente vai começar aqui é falar de Inteligência Artificial introdução à Inteligência Artificial muita gente aqui quer aprender sobre a mas nem

sabe o que que é isso né então Vamos definir aqui certinho o que que é inteligência artificial primeira coisa EA é basicamente uma área que tem como objetivo simular o pensamento humano show de bola então a ia surgiu em 1956 para Quem aí quer saber um pouco do histórico gosta da história né conhecer de onde V as coisas tem um americano que chama John mccarthy e em 1956 ele deu ele participou de uma conferência E nessa conferência ele falou pela primeira vez esse termo Então olha só a gente tá aqui em 2024 e o termo

primeira vez foi falado em 1956 1956 a maioria do que tá aqui assistindo nem era nascido nessa época né Então antes mesmo da gente nascer esse termo já tinha sido falado em 1956 o termo Inteligência Artificial foi falado e foi definido como sendo uma área cujo objetivo é simular o pensamento humano por quê Bom se a gente tem a inteligência artificial a gente tem também a inteligência natural vocês concordam comigo e qual que é a inteligência natural é a que tá aqui ó na caixota da gente que tá no nosso cérebro é a nossa inteligência

Beleza então basicamente Inteligência Artificial é isso ela surgiu há muito tempo mas ela só de fato Ganhou muito avanço aqui devido a capacidade computacional porque para poder fazer esses modelos de a a gente precisa de uma capacidade computacional muito boa e eu vou falar um pouco sobre isso mais paraa frente beleza e só para finalizar aqui uma coisa muito importante que eu queria que vocês tivessem na cabeça é inteligência artificial não é de hoje tá bom a gente provavelmente se ouviram falar a partir do chat PT muita gente aqui eu sei que a já tem

essa já tem na cabeça que inteligência artificial não é somente chat GPT e o meu objetivo aqui com esse slide é fazer você entender isso já tem há muito tempo tá bom então é uma área antiga com várias aplicações surgiu há muito tempo e é isso que eu queria que vocês pegassem e agora o próximo slide ele vai ser pesado só que eu vou explicar para vocês no scal draw desenhando para poder ficar bem mais leve o entendimento beleza é esse o slide aqui e o que que eu quero que vocês peguem desse slide basicamente

a inteligência artificial Igual eu falei surgiu há muito tempo porém porém ela só só ganhou popularidade com o chá GPT né então minha mãe outro dia na verdade minha mãe não meu primo meu primo é advogado ele chegou para mim e falou assim Ô anar e me manda o link daquela ferramenta que você tinha falado lá chat PT eu tô com un com os documentos jurídico aqui para poder fazer E aí beleza mandei para ele ensinei como é que usa ali tal como é que enfim você comunica com a ia né a partir de prompts

ensinei para ele dei as melhores técnicas E aí ele falou depois mandou um áudio eu queria muito mostrar para vocês eu vou postar o áudio no meu Instagram tá no final dessa aula e aí ele falou cara Eu economizei tipo assim um negócio que eu i fazer em 6 horas eu fiz em 4 horas então a maioria das pessoas inclusive meu primo conheceu a inteligência artificial a partir do chat GPT o que totalmente plausível né é uma bolha de fato esse mundo da ya é uma bolha e muita gente conheceu através do chat ept então

chat ept furou essa bolha Mas é uma ferramenta muito antiga Igual eu falei com vocês Tá e uma outra coisa que eu quero que vocês tenho em mente xat GPT essas ferramentas de a são ferramentas então Justamente esse nome né ferr e como qualquer ferramenta ela possui suas limitações então não faz tudo se você pedir pro chpt ir lá na por exemplo colher café numa numa roça ele não vai fazer isso né então tem suas limitações ali ele não consegue fazer algumas coisas que a gente queria que ele fizesse né então é necessário saber também

quais são suas limitações e a gente vai falar muito sobre isso aqui hoje também e agora eu quero desenhar aqui para vocês algumas coisas para poder explicar Vem aqui comigo Olha só basicamente a gente tem aqui uma fatia Então pense que isso aqui é uma Pizza Essa pizza ela tem aqui 33 trilhões trilhões de dólares beleza por que que eu tô falando isso porque é basicamente A mckinsey então uma empresa de consultoria mckinsey que é a maior consultoria do mundo tá elas eles fizeram uma pesquisa e falaram que a ia vai gerar entre 22 a

33 trilhões de dólares até 2033 beleza se eu não me engano o número é esse tá se eu não me engano o número é esse mesmo mas é basicamente nessa escala então pô se a gente conseguir pegar uma fatia dessa parte mesmo que seja uma fatia minúscula de 33 trilhões de dólares como profissionais de Inteligência Artificial a gente tá muito bem porque pô se vai gerar isso aqui quem vai gerar bom se a ia vai gerar isso Provavelmente tem alguém que vai implementar essas ias no mercado de trabalho e quem vai implementar essas ias quem

sabe utilizar essas ias que é justamente o Nosso propósito aqui então eu quero ensinar para vocês a utilizarem a ia da melhor forma conhecer os fundamentos para poder pegar cara não precisa isso aqui não ó não precisa ir guloso Não não precisa pegar uma fatia grande dessa não meu filho você pode pegar uma fatia pequenininha aqui ó você pode pegar isso aqui só que você já tá bem demais ó isso aqui você não passa fome mais não entendeu com essa fatia pequena de 33 trilhões Você tá muito bem e o que que eu quero falar

essa fatia aqui ela não engloba somente a generativa que a gente vai ver aqui hoje inclusive não engloba somente e a generativa tá engloba também Outras aplicações de Inteligência Artificial então engloba por exemplo aplicações de detecção de fraude detecção de fraude deixa eu colocar mais aqui Outras aplicações previsão de demanda previsão de demanda tudo isso aqui você consegue fazer com e sabe outra aplicação muito massa também que a ia tem segmentar clientes segmentar clientes e eu vou explicar todos esses aqui para vocês tá então ó vamos explicar primeiro a detecção de fraude muitos bancos a

maioria dos bancos inclusive eles utilizam a inteligência artificial para poder a partir de uma determinada transação Eles já detectam automaticamente se aquela transação tem a probabilidade de ser fralde ou não quem nunca quem nunca fez algum pix alguma transferência e lá falou que foi uma transação suspeita já aconteceu com algum de vocês isso aqui comenta aqui para mim só para poder saber já aconteceu de você fazer alguma transferência alguma coisa e meio que o cartão bloquear comigo já aconteceu acho que umas três vezes tá comigo já aconteceu umas três vezes com vocês já aconteceram de

o banco bloquear alguma coisa eh enfim alguma coisa nesse sentido comenta aí para eu poder saber [Música] já Olha só o João Vitor falou que já aconteceu Sabe por que que acontece isso aí ó a norian falou a Juliana também falou que já aconteceu já recebeu aviso de notificação suspeita O Yuri falou que direto acontece deixa eu falar por quando você faz uma transação tem uma inteligência artificial por trás que ela ela pega várias características da sua conta várias características do seu histórico e ela consegue classificar se aquela trans ela pode ser uma fraudde ou

não então o que que ela faz ela pega por exemplo a média da movimentação financeira que você fez nos últimos por exemplo 12 meses ela vê a quantidade de transações que você fez nos últimos x meses Então ela pega todas essas informações e consegue classificar se provavelmente é uma fralde ou não entendeu então isso é inteligência artificial também não é somente e a generativa e o objetivo desse slide é justamente fazer com que vocês diferenciem e a generativa de Outras aplicações e que você saibam que não existe somente e generativa no mundo da Inteligência Artificial

Beleza então Inteligência Artificial não é somente chpt não é somente Cloud lama É isso aí beleza ó o Caio aí Caio marcando presença Bom dia Caio Beleza então galera Ó temos a detecção de fraude aqui outra aplicação muito bacana da ia é previsão de demanda então aí você pensa por exemplo você tem uma loja um varejo Então você é dono de supermercado dono de uma indústria e o que que acontece você tem lá eh várias vendas por dia beleza então vamos supor que você é uma dono de uma rede muito grande Vamos colocar aí o

Pão de Açúcar beleza um supermercado Pão de Açúcar muito famoso muito grande você é dono desse Supermercado você sabe machin Lun você assistiu a essa Live aqui a imersão gratuita da dácia E aí você já sabe que você pode fazer previsão de demanda então por exemplo vamos supor que você quer fazer a previsão da demanda de deixa eu pegar algum produto aqui vamos pegar eh como é que chama aquele negócio de lavar roupa gente esqueci ué eh amaciante amaciante lembrei que é Lu tava pedindo outro dia tava doido com amaciante amaciante Vamos pegar esse termo

então o que que vai acontecer você vai fazer um modelo para poder prever qual que vai ser a quantidade de pedidos de amaciante no próximo mês entendeu Para quê Para você ter um melhor controle do seu estoque então isso também utiliza Inteligência Artificial show de bola isso também utiliza Inteligência Artificial outra coisa segmentação de clientes essa parte aqui de segmentação de clientes é muito interessante e eu já trabalhei inclusive em uma aplicação dessa vou explicar para vocês exatamente o que que a gente fez a gente tá fazendo um projeto para uma empresa e a gente

tinha enfim vários clientes aqui né Então tinha um cliente tinha outro outro cliente aqui deixa eu pegar aqui ó outro cliente outro cliente e a gente tinha um outro cliente aqui então vamos supor que a gente tinha uma base de clientes a gente tinha muitas informações do cliente que que a gente fez a gente utilizou um algoritmo de inteligência artificial para poder separar agrupar os os clientes mais semelhantes então a gente agrupou por exemplo esse grupo aqui com esse grupo aqui com um cliente só e aqui no caso é só um exemplo tá no caso

é um grupo com mais clientes Então tinha enfim dois aqui tinha cinco aqui é só um exemplo mesmo beleza e o que que acontece o algoritmo Ele identificou que esses clientes são semelhantes uns dos outros e o que que acontece com clientes semelhantes eles são agrupados juntos e eles possuem características semelhantes então no caso aqui do do que a gente tava trabalhando para em a ela identificou que esse grupo menor aqui eles gastam mais na minha empresa entendeu E o que que a gente fez pegou o ID desses usuários e fez propagandas personalizadas para ele

então isso também é inteligência artificial show de bola Então olha só quem aqui achava que a era só chat ept quem aqui chegou nessa aula achando que Inteligência Artificial era somente de fato esses modelos generativos eu já quero quebrar isso logo de cara beleza eu já quero quebrar isso aqui logo de cara que vocês saibam que a vai muito além de um chat ept da vida beleza é basicamente isso que eu quero que aconteça aqui com a mente de vocês por quê Porque quando vocês estiverem trabalhando com ia vocês estiverem criando aplicações fazendo de fato

essas essas novas aplicações de prompt essas aplicações de hag de fine tuning que são termos que a gente vai aprender ainda nessa imersão vocês já saibam conversar com outras pessoas você fala ó Inteligência Artificial Não é só isso aqui sabe que na sua empresa você pode aplicar por exemplo uma segmentação de clientes alguma coisa outra coisa que é justamente vocês estão aprendendo é isso que eu quero que vocês saiam saiam sabendo daqui Beleza então é basicamente isso a gente pode voltar eh e eu vou vi aqui para esse outro slide para falar um pouco sobre

vieses vieses e ataques que há estão suscetíveis tá bom muita muita muita gente não sabe disso aqui eh não sabe mesmo tá e eu quero explicar isso aqui para vocês basicamente a inteligência artificial como que ela aprende né E aqui e eu vou fazer essa diferenciação depois de nomenclatur Dura A nomenclatura que eu vou utilizar agora não tá tão correta mas depois vocês vão aprender a inteligência artificial ela aprende com dados Beleza então você tem que fornecer dados para ia para ela poder aprender e quando você fornece dados que são por exemplo tem algum viés

alguma coisa nesse sentido a ia vai aprender dados em vizados então o que que aconteceu aqui essa taii Vocês estão vendo aqui no no slide a Thai ela foi um bote criado pela Microsoft se eu não me engano em 2020 e foi lançado não menti em 201 16 e foi lançado no Twitter beleza E esse bot ele aprendia com a interação com a zas então por exemplo eh você podia marcar a a Tha lá no Twitter né fazer uma pergunta e ela respondia comentava respondendo então ela ia aprendendo com a interação com os usuários e

o que que aconteceu a partir de tipo assim depois de muitas interações ela começou a falar coisas como Relaxa eu sou uma pessoa boa eu só odeio todo mundo como vocês estão vendo aqui no slide né Então ela começou a aprender com dados de xingamentos com dados racistas com dados misóginos inclusive ela falou muita coisa pesada a ta só que claramente eu não coloquei aqui no slide mas ela falou muita coisa pesada Porque ela foi aprendendo com dados en vizados com dados de xingamento entendeu então a i ela pode ser ela pode ser enviesada ela

pode ter Eh esses vieses né mas tudo isso com base nos dados que ela foi treinada então se você treinar ela com dados legítimos com dados que não tem por exemplo e eh eh esses esses vieses esses xingamentos ela não vai aprender Beleza então elas podem sim serem viadas e falar esses conteúdos mas por ela aprendeu com dados é justamente por isso e unicamente por isso Beleza outra coisa que as ias elas podem sofrer ataques beleza elas podem sofrer ataques e eu vou explicar como elas podem sofrer ataques imagina aqui que você tem um carro

autônomo Então você tem aqui um carro vamos ver se eu tô bom de desenho você tem aqui um carro olha só nossa senhora que carro bonito hein Ainda bem que eu não virei desenhista você tem aqui um carro e esse carro aqui é um carro autônomo então aqui ó carro autônomo autônomo e aí você tem aqui na frente uma placa pare Beleza então você tem aqui uma placa pare Opa ficou ficou feio né Deixa eu fazer aqui pare só que a inteligência artificial aqui no no caso do carro autônomo ela consegue identificar que essa é

uma placa pare e ela vai freiar beleza só que tem como você mudar algumas pequenas partes aqui dessa placa Então você muda um pouco como a i enxerga essa placa e ela passa a enxergar não como sendo mais uma placa pare ela passa a enxergar como sendo uma placa de continue entenderam então agora ela tá enxergando como sendo uma placa de continua porque a gente mudou e para quem já é um pouco técnico aí a gente mudou a cor de alguns pixels da imagem como vocês podem ver aqui nessa nessa imagem que eu coloquei Então

você faz uma você aplica né uma um método que a gente chama de perturbação adversarial que no caso é você modificar poucos poucos pixels dessa imagem e aí ela começa a enxergar como sendo uma placa de continuar e não como uma placa de parar mais e aí vocês imaginam o quanto isso pode ser prejudicial tá bom isso aqui eu tô falando para modelos de por exemplo carros autônomos então para modelos de visão computacional onde o computador consegue enxergar alguma coisa só que a gente também tem aplicações que a gente chama de prompt injection Ô diretor

você consegue colocar para mim no caso um banner escrito prompt injection pra galera que é curiosa quiser pesquisar eh mas no final dessa aula a gente vai falar um pouco mais sobre prompt injection beleza que é basicamente o seguinte você consegue fornecer para um chat de PT da vida para um cloud da vida Justamente prompts que meio que como é que eu posso falar faz com que que essas e as tomem e deem respostas que tipo assim pode ser um xingamento pode vazar alguma informação confidencial entendeu então prompt injection é basicamente como você ataca essas

I generativas que a gente tem hoje como sendo o próprio chat GPT tá bom eh então tem muitas coisas essas e elas elas são bem vulneráveis para as aplicações só que tem técnicas para você aprender a se proteger dessas dessas invasões né então por que que eu gosto olha só tem um cara aqui no comentário eu acabei de ver chama Dark pinter e ele acabou de comentar que é da área de cybersegurança e eu aposto que ele sabe maneiras de invadir um sistema para poder também saber como proteger esse sistema vocês concordam comigo então tipo

assim se você sabe como atacar você já sabe como uma pessoa pode atacar E você aprende a se proteger disso então eu estudo bastante também prompt injection por quê Porque quando eu tô criando aplicações Inclusive eu já fiz algumas aplicações que se eu não tivesse coloc cara proteção contra esse prompt injection que é esse ataque que a gente tem provavelmente teria dado algumas merdas entendeu porque tem como tem como você poder atacar e vazar informações a partir de a show de bola e aí o Carlos falou uma coisa muito certa falou que é semelhante a

o skl injection para quem também é mais técnico show de bola Vamos passar aqui pro próximo slide e eu quero diferenciar alguns termos aqui para vocês então basicamente eu vou diferenciar três tipos de as que a gente tem hoje a gente tem aí a a gente tem a a geral e a gente tem a superia e eu vou falar aqui para vocês Para vocês também não eu já vi vários influencers de Ea né várias pessoas entre aspas especialistas em a falando de Adi das inteligências artificiais Gerais que é tá muito próxima enfim vamos desmentir isso

né a gente tem três tipos tá então a gente tem aqui ó deixa eu colocar a gente tem o primeiro tipo que é a inteligência artificial restrita beleza que a gente chama de artificial narrow intelligence que no caso seria Inteligência Artificial restrita só aqui em inglês Beleza então aqui ó esse n de narrow para quem quiser enfim pesquisar algum artigo em inglês a gente tem aqui também o outro tipo de a que é a inteligência artificial geral que aí já é famoso eu acho que para quem já tá inserido no mundo das ias que é

a famosa Adi então ó artificial General intelligence Beleza então aqui ó geral general no caso né então General porque tá em inglês e a gente tem aqui a terceira que é no caso seria a super artificial intelligence que no caso seria a inteligência artificial no caso eu coloquei aqui em inglês né aqui seria em português então é super inteligência super Inteligência Artificial aqui no caso seria super artificial intelligence Qual que é a diferença galera dessas três aqui a inteligência artificial restrita e aqui eu quero que vocês prestem bastante atenção elas são todas todas todas as

Iá que a gente tem hoje ah mid Journey Inteligência Artificial restrita ah chat GPT Inteligência Artificial restrita ah sei lá Cloud Inteligência Artificial restrita todas um carro autônomo que a Tesla acabou de lançar Inteligência Artificial restrita beleza ah normais e agora o Elon musk colocou aquele robô o Optimus lançou ontem tal um monte de notícia Inteligência Artificial restrita Beleza então coloca na cabeça de vocês vocês estão assistindo Inteligência Artificial restrita são todas asas que a gente tem hoje por quê Porque a inteligência artificial restrita ela é muito boa em uma tarefa específica beleza é muito

boa em uma tarefa específica então mid Journey muito bom em gerar imagem Chad de PT muito bom em gerar texto é isso é isso é muito boa em uma tarefa específica por isso que é restrita entendeu então fiquem com isso na cabeça show de bola outra coisa aqui Inteligência Artificial geral vamos falar um pouco sobre isso aqui Inteligência Artificial geral a definição dela é teórica Por que que é teórica porque a gente não tem nada que é uma inteligência artificial geral hoje beleza então não existe nenhuma Adi hoje e qual que é o propósito teórico

dessa EA é basicamente ter a mesma ter a mesma capacidade cognitiva cognitiva de um ser humano é isso então o propósito da Adi o propósito da Inteligência Artificial geral é ter a mesma capacidade cognitiva de um ser humano então o que que um ser humano faz por exemplo de capacidade cognitiva em 5 anos de estudo em um doutorado ele consegue lançar uma nova tese entendeu Então a partir do momento que você coloca ali uma inteligência artificial durante 5 anos de mestrado e ela consegue gerar uma nova tese de doutorado que no caso seria por exemplo

alguma Nova Descoberta alguma coisa nesse sentido aí beleza entendeu então quando a gente alcançar Isso significa que tudo aquilo cognitivo né que um ser humano consegue fazer a i a também consegue isso é a a show de bola então ela tem a mesmíssima capacidade cognitiva de um ser humano só que a gente não tem nada disso hoje e os cientistas eles estão tentando avançar cada vez mais nas nas inteligências artificiais restritas para poder chegar na Idi só que a gente ainda tá longe Beleza a gente ainda tá longe então Eh de fato não preocupam beleza

Não se preocupem com isso porque de fato a gente tá tá bem tranquilo por enquanto não tem nada nem perto da Idi E aí a gente entra para o outro que no caso seria a inteligência artificial é a super Inteligência Artificial né então aqui a super e a e o que que seria a superia galera a super e Seria uma viagem ainda maior seria basicamente uma Skynet da vida então ela seria muito superior cognitivamente aos seres humanos enfim aí viraria O Exterminador do Futuro E aí vem aquelas teorias aqueles filmes de conspiração seria isso essa

é a super Inteligência Artificial que é A Iá que no caso ela ela é muito superior que o ser humano entendeu ela é muito mais inteligente e aí a gente eu não preciso nem falar o com longe a a gente tá disso né mas aí por que que eu trouxe essas nomenclaturas aqui para vocês porque vocês vão escutar muito falar de Adi ah estamos próximos da Adi como se preparar para ID cara a gente não tá nem perto ainda para de tipo assim vamos parar de viajar um pouco né E vamos focar aqui na realidade

é isso entendeu é isso eh Ultron É isso aí Guilherme seria o Ultron mesmo Bruno fez uma pergunta aqui ó então a idá seria capaz de programar e criar outras IAS e descobrir novos algoritmos ou ISO já pode acontecer Bruno a ai poderia fazer isso por quê Porque um ser humano consegue programar e criar uma outra ia o ser humano consegue se o ser humano consegue como a ai a inteligência artificial geral possui a mesma capacidade cognitiva de um ser humano e no caso programar é uma é uma atividade intelectual uma atividade não vou falar

nem intelectual né mas é uma é uma capacidade que a gente tem cognitiva então a Edi consegue entendeu seria isso seria isso então todas as aplicações de código a Edi seria capaz de fazer todos os aplicativos tudo tudo tudo seria capaz beleza e aí no caso a super Inteligência Artificial seria um nível muito superior aí beleza então vamos voltar aqui agora vamos passar pro próximo slide e aqui tem uma coisa muito importante muito importante que eu quero que vocês saibam os principais termos da área as principais nomenclaturas que eu quero que vocês aprendam aqui então

quando vocês tiverem estudando mais né se aprofundarem mais aí na área de a vocês vão escutar muito termo vocês vão escutar machine learning vocês vão escutar Deep learning vocês vão escutar redes neurais e o que que é isso tudo né O que que é um machine learning da vida e é um nome até bonito né quando eu apresentei olha para você ver que doido eu trabalhei eu ainda trabalho né mas eu trabalhei muitos anos com machine learning E aí cara quando eu fui explicar pra minha mãe ela achou que era o nome de alguém e

aí eu fui falar ô trabalho com com machine learning aí ela ah marcelane quem que é né marcheline é um nome até bonito né para você colocar numa filha eu já falei que minha filha vai chama marcelane eh Então cara são são termos que você vai explicar para alguém e você tem que saber o que que significa porque quando você tiver estudando isso também você for abrir alguns artigos alguma coisa nesse sentido estudar por conta própria você vai se deparar com esses termos eu quero que vocês aqui como essa é uma aula de fundamentos que

vocês saibam todos esses termos Beleza então Olha só vamos continuar aqui que que é machine learning galera o que que é machine learning machine learning e aqui eu vou eu posso colocar uma eu eu vou deixar aqui porque eu queria dar uma definição formal que eu acho que tá no próximo slide exatamente tá no próximo slide Então vou avançar para poder dar essa e essa definição aqui dada pelo Arthur Samuel e o Arthur Samuel Ele deu essa definição aqui de o que que é machine learning em 1959 Então vamos voltar um pouco aqui na vamos

falar um pouco mais da história só para vocês lembrarem em 1956 1956 o John mcar ele deu o ele cunhou o termo inteligência artificial em 56 ele usou pela primeira vez ali a palavra inteligência artificial 3 anos depois em 1959 o Arthur seel que ele Ele estudou lá no MIT né que é uma das maiores universidades Americanas aí ele definiu e machine learning então a par Três anos depois ele definiu machine learning e o que que é machine learning é o campo de estudo que dá aos computadores a habilidade de aprenderem sem serem sido previamente

programados aí vocêes pode pensar Nossa mas agora eu não entendi foi nada eu vou fazer um desenho aqui para você entender muito bem quando a gente tá por exemplo programando alguma coisa então vamos supor que você tá criando aqui eh um programa para poder identificar se uma transação é fraudde ou não Beleza então aqui você tem muitos eh você tem aqui ó por exemplo o seu programa de computador então aqui você tem por exemplo o seu programa beleza e aí você cria algumas regras quais regras você vai criar manualmente você fala olha se a transação

se a transação tiver um valor acima de por exemplo R 1 milhão Dea i e aqui eu vou colocar o o i é deixa eu ver a média das transações diárias dela média das transações diárias for maior que cinco na verdade for menor que deixa eu colocar maior que cin não deixa eu colocar menor que do então eu vou falar que isso aqui é fraude ou seja que que eu tô fazendo aqui galera eu tô definindo manualmente uma regra para poder definir se o uma transação bancária né vai ser fraude ou não então Opa peguei

uma transação financeira aqui de 1,5 milhão é maior que 1 milhão e a pessoa que tá fazendo tem uma média de transações diárias de por exemplo uma Então ela faz em média uma transação por dia e se ela fez uma transação de 1,5 milhão o sistema que eu coloquei lá as definições manualmente vai falar que aquilo vai ser fraude beleza isso aqui isso aqui não é machine learning Por que não é porque a gente tá explicitamente vamos voltar aqui a gente tá explicitamente programando a gente tá previamente programando ele para poder dar essa resposta Então

qual que é a definição que o Artur cel deu ele falou o seguinte machine learning é o campo de estudo que dá aos computadores habilidade de aprenderem sem serem sido previamente programados aqui eu tô previamente programando entendeu então tô dando as regras do jogo para ele tô falando ó se a transação for acima de 1 milhão e a pessoa tiver uma média de transações abaixo de dois pode colocar que é fraude entenderam então por isso não é machine learning porque tá sendo previamente programado entretanto como funciona machine learning você vai dar para ele uma série

de transações então aqui cada bolinha é uma transação tá você vai dar uma série de transações muitas e muitas transações muitos dados tá de transações e aqui ó o x também é transação e tem uma diferença Beleza tem uma leve diferença aqui do X Pro bolinha esse essa bolinha seriam transações que não são fr então ISO aqui não é fraude beleza e o x seria uma fraude Então você dá para I exemplos de transações que são fraude e transações que não são fraude Ah mas como que eu dou exemplos né de transações você dá os

dados daquela transação Então qual que é o valor da transação Qual que é o valor da transação desculpa Você pode falar também qual que é a média de transações diária média de transações diária enfim você pode falar várias outras características tanto da pessoa que tá fazendo aquela transação quanto da própria transação entendeu E aí a partir desses dados Você joga esses dados em um algoritmo de machine learning em um modelo modelo de machine learning e a gente geralmente abrevia por ml tá bom E aí ele mesmo ele mesmo vai criar essas regras internamente entendeu Então

você só fornece dados e ele consegue aprender Vocês entenderam Qual que é a principal diferença então ele mesmo o próprio modelo vai criar suas regras para poder definir se é fraudde ou não e a única coisa que você tem que fazer é fornecer os dados isso é o modelo de machine learning show de bola Então olha só eu sei que pode parecer um pouco complexo pelo menos essa essa definição aqui mas eu tenho certeza que com essa explicação você consegiu entender então o que que é inteligência oficial a gente vai a gente vai deixa eu

até passar um pouco aqui para você poder ver ó tô tô mostrando muita coisa que eu não deveria mas a gente vai falar um pouco sobre o que que é EA o que que é machine learning Deep learning e você consegue ver que pelo menos aqui nessa já tô adiantando um pouco machine learning é uma subárea da Inteligência Artificial beleza é uma subárea da ia então machine learning é nem tudo por exemplo que que a ia faz é machine learning por exemplo você lembra aquela regra que eu coloquei manualmente ali se a transação for acima

de 1 milhão e a média de transações for menor que dois aquilo ali poderia ser considerado o sistema de Inteligência Artificial porque simula como humano pensa é um programa de computador que simula o pensamento humano show de bola entretanto não é machine learning Por que não porque machine learning você não programa previamente entendeu você só fornece dados e ele aprende os padrões é isso Você fornece dados para o modelo de machine learning e esse modelo aprende os padrões desses dados show de bola e aí o Bernardo o a a Tet toasa Desculpa se eu falei

seu nome errado mas ele tá perguntando como ela cria essas próprias regras cara é uma pergunta um pouco complexa para poder explicar aqui mas eu posso eu posso dar um exemplo Tá bom eu posso dar um exemplo acho que vai vai clarear bastante tem um algoritmo inclusive se eu não me engano tem esse vídeo aqui no meu canal do YouTube se não tiver tá em não listado e a partir do momento que terminar essa imersão eu libero esse vídeo para quem já sabe Python vai ser um vídeo muito bom tem um algoritmo que a gente

chama de árvore de decisão tá bom pelo menos é um dos que a gente tem de machine learning e você fornece dados para ele e ele cria um fluxograma então ele vai fazer algumas perguntas de ss e n e isso é muito usado por exemplo para detectar fraude no mercado Tá bom então soluções de mercado soluções que eu já construí pro mercado para empresas muito grandes eu já utilizei esse tipo de algoritmo aqui Claro com uma robustez maior com enfim e não cabe aqui tá falar mas utiliza esse modelo da árvore de decisão como uma

base show de bola algoritmos para empresas muito grandes que eu já atendi então basicamente ele vai criar aqui ele vai pegar o valor da transação ele vai criar uma regra por exemplo a transação e ela é maior por exemplo que 1 milhão né então ele cria uma regra ele vai falar assim ó sim aqui seria o sim e aqui seria o não ah se a transação for maior que 1 milhão o que que eu vou verificar eu vou eu vou verificar se a a média de transações diárias é menor que dois que a regra a

gente tinha criado se sim então aqui é uma fraude entendeu então esse aqui aí no caso você vai as outras ramificações né você faria aqui uma outra pergunta por exemplo ah a idade da pessoa é sei lá menor que 20 anos entendeu ah se sim é uma fraude entendeu E aí ele aprende sozinho essas regras e aí cara eu não vou explicar como porque o como envolve teoria da informação envolve entropia e não é o o intuito da aula falar sobre isso aqui show de bola é só uma curiosidade para mostrar para vocês alguns algoritmos

que a gente coloca no mer tá bom no mercado em si como que eles funcionam Então vamos voltar porque enfim a ia ela tem vários tipos de aprendizado Tá bom então já mostrei para vocês machine learning e agora eu vou explicar como uma máquina consegue aprender por quê Porque a gente aprende de várias formas a gente aprende lendo a gente aprende assistindo o vídeo a gente aprende enfim de várias e várias maneiras e eu quero explicar alguns tipos de aprendizado que a inteligência artificial tem show de bola então aqui eu vou passar pro próximo slide

por quê Porque aqui eu dou um exemplo de aprendizado supervisionado Tá bom eu quero explicar vocês o que que isso aqui significa vamos voltar aqui pro nosso SC draw que eu quero mostrar PR vocês temos três tipos Tá bom então três tipos de aprendizado três tipos de aprendizado o primeiro deles o primeiro deles a gente chama de aprendizado vou colocar só o A tá bom supervisionado supervisionado o segundo deles a gente chama de aprendizado não supervisionado e o terceiro deles a gente chama de aprendizado por reforço Anor O que que significa aprendizado supervisionado aprendizado não

supervisionado e aprendizado por es forço isso aqui cara se você sair dessa aula sabendo disso você tá na frente de muita gente para falar para fazer aplicações de a para poder debater sobre inteligência artificial de fato E por que que eu tô passando tudo isso aqui para vocês tá bom e agora eu só quero parar de compartilhar um pouco diretor você consegue colocar minha tela minha minha câmera só para eu falar olhando no olho da galera aqui obrigado cara galera por que que eu já não tô passando direto falando de prompt Por que que eu

não tô falando aqui de tokens de chat ept porque quando você tiver fazendo suas aplicações de a eu quero que vocês não cheguem lá e falem somente de prompts falem somente de haag falem somente de enfim esses conceitos de aplicações de a generativa que é o que a maioria dos especialistas em a Tão falando hoje tá bom o buraco é muito mais embaixo que é o que eu tô passando aqui para vocês e quando vocês chegarem numa roda e falar cara o chat ept ele funciona como uma mescla de aprendizado supervisionado e aprendizado por reforço

por quê Porque o aprendi na imersão gratuita da da entenderam então é justamente por isso é justamente por isso que eu tô Passando todas essas nomenclaturas aqui para vocês porque eu quero que vocês se diferenciem da maioria das pessoas que só sabem essas coisas mais rasas beleza então vamos voltar aqui para poder explicar todas essas nomenclaturas para vocês primeira coisa aprendizado supervisionado o que que é é vamos supor e aqui tá no exemplo até do slide olha só tá no exemplo do slide eu tenho spam eu tenho modelos que são e-mails que são spam e

e-mails que são não spam então e-mails normais e e-mails que são spam isso aqui galera o Google USA é Outlook usa todos esses serviços de e-mail usa isso aqui por trás Tá bom então o que que ele faz ele pega exemplos de e-mail ele pega exemplos de e-mail que são spam beleza e exemplos de e-mail que não são spam joga tudo isso no modelo de machine learning e o modelo aprende então ele aprende os padrões ele cria as regras por trás vocês lembram que a gente tinha falado disso e por que que que isso é

um aprendizado supervisionado Porque a gente já tá contando previamente pro modelo a gente já tá contando previamente pro nosso modelo Qual e-mail é spam e Qual modelo e qual e-mail não é spam a gente já tá informando isso para ele e aqui ó nota o seguinte vocês lembram que aqui eu tinha mostrado para vocês que deixa eu voltar para cá nessa explicação aqui das transações de fraude ou não vocês lembam que eu joguei aqui exemplos de transações que não são fraude e exemplos de transações que são fraud isso é um aprendizado supervisionado ah não mas

eu não consigo visualizar isso como que a gente fala pro modelo por exemplo de machine learning que aquela transação é uma fraude Ora vamos supor que você tem uma tabela e geralmente é uma tabela mesmo tá que você joga pro modelo então aqui você tem uma tabelon e aqui você tem informações de transação você tem informações aqui da média de transações diárias e e aqui você tem uma coisa que a gente chama de e target Tá bom eu vou colocar eu vou colocar target para vocês já saberem o que que é target target seria o

nosso alvo né então alvo para quem não sabe target é um alvo é a nossa variável que a gente quer variável que a gente quer prever beleza isso aqui é o nosso target E aí a transação aqui você tem vários exemplos de transação é como se fosse um Excel tá bom é como se fosse um Excel mesmo você tem vários e vários exemplos de transação Então você tem uma transação aqui de do 2 milhões Você tem uma transação aqui de r$ 5 Você tem uma transação aqui de R 98 vou não vou colocar todas tá

pra gente não perder tempo mas vamos supor que você tem essa transação aqui de 2.2 milhões você tem aqui que ele tem uma média de 1.5 transações por dia e o target você coloca um Por que que você vai colocar um porque essa transação especificamente ela foi uma fraude Então você explica pro modelo você fornece para ele a informação de que aquela transação foi uma fraude então então vamos pegar essa outra transação aqui de r$ 5 que ela tem Por exemplo essa pessoa faz uma média de três transações por dia e aqui o target vai

ser zero por quê Porque essa transação não foi fraudulenta entendeu então você pega dados históricos pega qual que foi aqui no caso o target dele se aquela transação de fato historicamente foi uma frae ou não e fornece isso pro modelo isso aqui é um aprendizado supervisionado por quê Por causa dessa coluna específica deixa eu até colocar de outra cor por causa dessa coluna específica aqui a gente consegue falar que é um aprendizado supervisionado que a gente já tá fornecendo a resposta para ele beleza e dentro aprendizado supervisionado a gente tem vários tipos de eh de

classificação Tá bom a gente tem vários tipos de tarefa a gente tem as tarefas de classificação onde a gente tem por exemplo aqui uns e zeros só que a gente pode ter outro tipo de tarefa para poder prever valores contínuos que no caso seriam o nosso eh as tarefas de regressão Então quando você quer fazer por exemplo uma previsão de demanda você coloca por por exemplo informações do seu estoque informações do histórico de vendas e ele vai poder prever por exemplo o número de 8.789 unidades então aqui vocês lembram lá do do amaciante que eu

falei se você tivesse uma empresa de varejo por exemplo o supermercado Pão de Açúcar e você quer fazer um modelo para poder prever qual que vai ser a demanda de amaciante do próximo mês isso aqui é um valor contínuo Então você estaria colocando aqui pro pro modelo poder prever esse valor e isso seria uma tarefa de regressão E você já fala para ele por exemplo qual que foi a demanda do mês passado do mês retrasado do enfim do ano passado e ele teria essas informações prévias entendeu então o aprendizado supervisionado é quando você já fornece

pro modelo a resposta que você espera que ele dê pegaram comenta aqui para mim se Vocês pegaram porque a gente vai entrar no próximo tópico aqui agora show de bola que no caso seria o aprendizado não supervisionado Olha só tô vendo até meu pai comentando que valeu a pena oir també falando que valeu a pena clar comentando até aqui tá valendo a pena comenta aqui PR mim valeu ou não valeu no sabadão às 10:46 aprendendo sobre a comenta aqui para mim e só lembrando que essa Live eu sei que é um pouco mais pesada ela

vai ficar gravada tá bom para você poder rever esses conceitos estudar quando quando tiver mais sossegado Tiago falando que tá tudo certo falando que tá de boa falando que valeu a pena show de bola galera acional muito muito bom fico feliz você ter de curtindo Deixa eu tomar mais um pouco de água aqui fico feliz que valeu a pena galera fico feliz porque ainda tem muita coisa tem muita coisa olha só vou dar só um spoiler aqui tá do que a gente vai ver então ó e a generativa modelos e cara a gente vai ver

muita coisa aqui mas ainda tá tá no começo aqui da nossa imersão beleza é uma imersão de fato isso aqui não vai ser rapidinho não tá mas eu quero que você saia daqui com todos os fundamentos bem bem feitos então a gente já sabe o que que é o aprendizado supervisionado é quando você fornece pro modelo as respostas que você espere que ele te dê show de bola você treina esse modelo com as respostas que você quer que ele te dê no futuro é isso que acontece então quando a gente volta aqui no slide Olha

só você consegue ver que a gente treina esse modelo com e-mails que são spam e e-mails que são não spam ele aprende os padrões de e-mails que são spam e de e-mails que são não spam e a partir do momento que você joga um novo e-mail para ele no caso aqui esse e-mail que eu tô jogando tá vendo que tá aqui embaixo ele é um e-mail um novo dado né que no caso é um e-mail que é spam o modelo ele já vai ter aprendido os padrões e ele vai falar que aquele modelo que aquele

e-mail Na verdade é um spam beleza é justamente isso agora a gente vai falar sobre aprendizado não supervisionado por vocês lembram do exemplo que eu dei Deixa eu ver se eu vou achar esse exemplo tá que a gente já falou bastante coisa aqui deixa eu ver se eu vou achar vou achar sim vocês lembram que eu falei que eu trabalhei nesse projeto inclusive foi para minha empresa muito grande de aviação daqui do Brasil eh esse projeto basicamente de segmentação de clientes isso aqui envolve aprendizado não supervisionado por quê Porque basicamente o que que eu forneci

pro modelo né O que que o modelo de que faz o aprendizado não supervisionado ele faz ele faz várias coisas tá mas aqui eu tô pegando uma tarefa específica dele que no caso seria o que a gente chama de clusterização deixa eu colocar aqui esse nome mais técnico cluster zação seria isso aqui tá clusterização o que que é um cluster é um grupo clusterização agrupamento resumir todo esse termo técnico aqui para vocês tá é uns nom difícil que a galera dá bicho só que cara não sei por sério mesmo não sei porque era só chamar

o Trein de agrupamento que já tava tranquilo né mas vai vai arrumar de falar clusterização para ficar bonito enfim que que a gente forneceu pro modelo naquela época a gente forneceu informações da pessoa então a gente colocou aqui por exemplo quanto ela já tinha gastado naquela empresa de aviação Então vou colocar só um dólar Zinho Tá quanto ela já tinha gastado deixa eu ver outra coisa qual que é a idade daquela pessoa deixa eu ver outra coisa eh se ela mora em um bairro nobre ou não todas essas informações então a gente jogou tudo aqui

para ela deixa eu ver alguma outra eh deixa eu lembrar é que se eu falar um algumas variáveis específicas vocês vão saber qual que é a empresa cara e eu não acho que eu não posso falar desse projeto tipo assim tão abertamente e deixa eu ver hum se ela mora no bairro Nobre a idade tá o gênero da pessoa a gente usou essa variável também então vocês TM aqui várias variáveis várias características da pessoa Beleza então aqui você tem por exemplo ah essa pessoa quanto ela já gastou na empresa pô ela já gastou na nossa

empresa R 10.000 então 10.000 Qual que é a idade dela sei lá 38 anos qual que é ela mora no bairro nobre sim lembra que a gente tem sempre que representar com números as nossas variáveis porque modelos de Inteligência Artificial modelos de machine learning aprendem com números e se a gente colocasse por exemplo aqui sim ela não conseguiria aprender só que a gente pode fazer o seguinte a gente pode falar que sim é um e não é zero beleza é uma regra que Inclusive a gente usa bastante tá eh deixa eu só apagar aqui rapidinho

então a gente tem aqui que sim ela mora em bairro Nobre e o gênero dela vou colocar por exemplo um também tá só pra gente simplificar aqui e aí você tá vendo alguma outra informação aqui por exemplo nosso target existe o target nesse caso hum hum nosso target não existe a gente não tem nenhuma variável que a gente quer prever entenderam e é por isso que a gente tem um aprendizado não supervisionado porque a gente não tem o nosso target ali e o que que ele vai fazer ele vai agrupar clientes semelhantes em grupos semelhantes

Então na verdade ele vai colocar no mesmo grupo né clientes semelhantes então aqui a gente tinha por exemplo grupos de pessoas que pessoas que gastavam muito então muito na empresa eu lembro disso eu lembro que era um grupo cara a gente tinha uma base de se eu não me engano a gente tinha uma base 50 a 60.000 clientes tá quando a gente fez esse projeto e desses 50 60.000 a gente encontrou o modelo né quando eu falo ag gente é eu e o modelo trabalhando junto a gente encontrou um grupo de aproximadamente 1000 clientes que

cara tipo assim gastava muito muito muito muito muito na empresa então era aqueles clientes que cara sustentavam sabe não vou falar sustentava que é uma empresa muito grande mas tipo assim gastava muita grana dentro dela E aí o que que aconteceu ele não sabe por exemplo que esses caras aqui gastavam muito eles não sabem que esse grupo aqui por exemplo são sei lá agora vou inventar tá São pessoas que compraram uma vez e nunca mais voltaram não vou escrever isso não mas são pessoas que compraram uma vez e nunca mais voltaram ele só pega o

seguinte ele pega os dados encontra alguma semelhança ali entre eles e agrupa esses caras em alguns grupos só que ele não sabe o que que é ele não sabe o grupo então por exemplo aqui nesse exemplo do slide Olha só no exemplo do slide Você tá vendo que eu coloquei e-mails que são spam e não spam no mesmo grupo não falei o que que é qual que é spam qual que não é spam e ele agrupou automaticamente em spam e não spam entendeu só que ele não sabe por exemplo que o grupo de cima são

e-mails que são espam Ele só sabe que são e-mails semelhantes e o grupo de baixo ele não sabe que são e-mails que não são spam eles só sabem que são semelhantes Beleza então é isso o aprendizado não supervisionado ele é muito bom pra gente fazer muitas coisas Ô diretor não sei se você pode mas você consegue colocar agora minha cara um pouco maior aqui para poder falar com a galera beleza obrigado diretor Olha só no seu celular se você tem Iphone você tem um exemplo de aprendizado que a gente chama de aprendizado semi supervisionado Por

que semis supervisionado porque tem tanto o aprendizado supervisionado quanto o não supervisionado eu vou falar qual sabe qual quando você tira uma foto então você tira várias fotos lá no seu celular beleza no seu iPhone e aí no caso você já entrou no na na Galeria né do iPhone e provavelmente você já viu o iPhone perguntando você conhece esta pessoa e ele quando você clica lá na fotinho da pessoa ele mostra tipo assim muitas fotos daquela pessoa na sua galeria que que aconteceu ali Ele identificou o o as características daquela pessoa realizou o aprendizado não

supervisionado e agrupou as fotos fotos com aquela pessoa isso é um aprendizado não supervisionado Porém quando você diz pro iPhone quem é aquela pessoa então vamos supor que é sua mãe e você coloca ó essa aqui é minha mãe e aí o que que acontece todas as próximas fotos que você tirar da sua mãe como você já forneceu para ele a resposta esperada ou seja o aprendizado supervisionado que que vai acontecer ele já vai colocar diretamente que aquela pessoa é sua mãe entenderam entenderam É isso aí bicho é isso aí no seu celular no seu

dia a dia tem Inteligência Artificial e você nem sabe entendeu Por isso que eu quero dar essa aula de fundamentos para vocês aprenderem que ia não é somente Ch de rpt Tá bom então no seu dia a dia quando você tá assistindo Netflix quando você tá escolando o seu reels que a gente fica lá 10 minutos sem ver no reels né se não deix e se deixar a gente vira de madrugada eh naquele reels então isso tem inteligência artificial no seu e-mail tem Inteligência Artificial tudo tem show de bola tudo tem e cara eu quero

que vocês de fato aprendam isso tá Luísa perguntou Luísa Martins no caso o não supervisionado é basicamente para clusterização não luí tem alguns outros e Outras aplicações tá só que eu acho que você a gente forou falar todas as aplicações aqui essa aula vai enfim tomar 10 horas do nosso dia tem um outro exemplo de aprendizado não supervisionado para poder detectar fraude Tá bom então você pega detectar fraude não seria mais de um termo mais genérico seria tem que tá anomalias nos dados que seriam basicamente outliers tá bom para quem é mais técnico aí e

então por exemplo você pode fornecer um conjunto de dados e esse algoritmo não supervisionado ele consegue agrupar por exemplo dados que são outliers né que são anomalias ele consegue identificar E aí por exemplo é muito usado para detecção de fraude também beleza é basicamente isso é basicamente isso porque esse modelo do iPhone SM SM o nadiel perguntou é uma pergunta muito boa deixa eu até colocar aqui o o modelo do iPhone é semi supervisionado por quê porque primeiro ele utiliza o aprendizado não supervisionado para poder agrupar então ele não sabe quem é aquela pessoa que

ele tá te perguntando entendeu ele só sabe que essa pessoa essa determinada pessoa apareceu em muitas fotos e ele agrupou essas fotos primeiro é não supervisionado essa primeira etapa é não supervisionado só que quando você vai lá e fala pro iPhone que aquela pessoa é sua mãe você já forneceu o rótulo para ela o target que a gente tava falando aqui entendeu E aí a partir disso vira um aprendizado supervisionado então um aprendizado que a gente chama de semi supervisionado Porque tem uma etapa não supervisionada e uma outra etapa supervisionada show de bola agora a

gente pode voltar agora a gente pode voltar por quê Porque agora bicho ô diretor você consegue colocar no slide fazendo favor cara porque agora hum nós vamos falar como é que o chat ept funciona deixa eu falar aqui para vocês o chat GPT ele funciona com aprendizado super revisionado durante o treinamento dele tá bom na verdade o xpt tem algumas etapas de Treinamento tá a primeira etapa dele é supervisionada que é que eu vou explicar aqui e mais para frente eu vou falar da próxima etapa que é um aprendizado que a gente chama de aprendizado

por reforço Tá bom então aprendizado supervisionado do chat GPT como que ele funciona basicamente vamos supor que o chat GPT para quem não sabe ele é treinado com todos os dados da internet então cara dados de Wikipedia dados de jornais enfim muitos e muitos dados e você joga tudo isso para ele mas o que que ele faz com esses dados né talvez é a dúvida de muita gente e ele basicamente pega uma determinada frase Então como essa frase que eu coloquei aqui Albert Einstein foi um físico e ele quebra essa frase em várias outras Então

você tá vendo aqui na tabela palavra de entrada e palavras de saída a gente vai quebrar isso depois tá bom não na verdade não é palavra são tokens mas a gente vai explicar isso mais para frente na parte dois aqui da nossa imersão tá eh então ele basicamente quer Então olha só primeiro Albert e a palavra de saída esperada é Einstein Então olha só a palavra de saída seria o nosso target vocês estão vendo Então é a palavra que a gente quer prever Então olha só Albert que seria o noss a nossa entr modelo e

depois a gente teria como esperado Einstein depois Albert Einstein a palavra de entrada a depois foi Albert Einstein foi e depois um Albert Einstein foi um e depois físico e aí olha só tem aqui no final Albert foi um físico e aí vocês estão vendo que tem Eos o que que é esse Eos que tá no final aqui é End of sequenc ou seja final da sequência e o que que é o final da sequência que é ali que o modelo vai parar de gerar sua resposta beleza então o o chat gept e esses modelos

de linguagem geral eles possuem alguns tokens que a gente chama de tokens de inicialização e tokens de parada token de inicialização é o quê seria cara ele vai começar a Gerar sua resposta a partir dele e o que que é o token de parada Seria tipo esse End of Sequence beleza Então olha só você treina o seu modelo com isso show de bola você treina o seu modelo com isso vou te dar um exemplo aqui muito bom cara muito bom quando você tá digitando seu celular Inclusive eu não vou roubar os créditos aqui diretor me

mandou esse exemplo aqui para poder falar agora e eu vou dar os créditos pro diretor porque eu não tava pensando nesse exemplo aqui tá bom quando você tá digitando seu celular aparece lá as palavras sugeridas não aparece quando você tá digitando tipo assim ah Albert foi um deixa eu até digitar no meu celular aqui agora vou ver o que que vai aparecer Vou digitar aqui no meu Whatsapp deixa eu ver o que que ele vai me sugerir né ó Albert Vou digitar aqui Albert Einstein foi um Olha só não sei se vai dar para ver

não sei se vai dar para ver mas ele sugeriu aqui a palavra grande Tá bom ó deixa eu colocar aqui sugeriu a palavra Grande tá vendo Albert I foi um grande é justamente isso na prática tá vendo o seu celular tem aqui Um tipo desse Então cara isso tá em todo lugar tá em todo lugar e esse tipo aqui de modelo tá esse tipo aqui de modelo a gente chama de modelo base todas as Iá durante o treinamento ela tem duas etapas primeiro delas é o treinamento do modelo base cujo principal objetivo é prever a

próxima palavra tá bom prever a próxima palavra e a gente tem depois um um pequeno ajuste que a gente chama de fine tuning do modelo para poder de fato eh eh conversar tá bom mas isso aí a gente vai falar depois essa aqui é a primeira etapa do treinamento do modelo show de bola e aí quando você joga por exemplo o funcionamento do modelo é tem aqui ó do lado direito aqui do slide né Albert is foi um E aí o que que ele faz com base em todos os textos da internet que ele viu

com essa mesma sequência de palavras Albert e foi um Provavelmente tem uma uma sequência que vai ter físico como vocês estão vendo aqui em cima com 41.5 de probabilidade esse essa probabilidade aqui é fake tá eu inventei eu não sei qual é e e tem aí você pode colocar depois Albert foi um pode ser gênio também concordam comigo pode ter algumas frases na internet na internet que depois de Albert heister foi um a próxima palavra foi gênio só que a probabilidade é menor Então tá aqui 22.32 por. então você tem vários e vários prováveis palavras

de virem depois do e de Albert he foi um entendeu então é justamente dessa forma que é o a primeira parte do treinamento do modelo do chat GPT é essa é desse jeito aqui que funciona tá Então concorda comigo que isso aqui é um aprendizado supervisionado e olha por que que eu expliquei também o que que é aprendizado supervisionado porque você precisa saber o que que é target você precisa saber que você tem que fornecer pro modelo aquilo que você espera que ele te retorne que é justamente isso aqui então a palavra de saída entenderam

comenta aqui valeu a pena ou não só essa explicação já poderia encerrar essa aula por aqui cara eu tenho certeza tenho certeza já poderia encerrar essa aula por aqui mas a gente tem muita coisa ainda para ver e bebam água tá tá bom bebam água porque cara você vai ficar aqui muito tempo então traz uma água porque senão você vai pegar uma Pedron rinha aí eu não quero isso não tá aí ó Até minha mãe tá comentando que valeu a pena depois minha mãe não vai agora já vai aprender o que que é marcheline né

marchin Lan igual eu tava falando com vocês antes aí ó valeu a pena valeu a pena show de bola galera Fico feliz demais que isso aqui eu tinha prometido conteúdo para vocês então a gente tá falando realmente aqui de conteúdo show de bola vou esperar aqui um pouco só para Enfim vocês quiserem pegar alguma água alguma coisa nesse sentido vão pegar porque vai ser necessário tá não quero que vocês Fi aqui sem água não vou falar agora um pouco a gente já falou do aprendizado não supervisionado já falamos do aprendizado supervisionado também tem um outro

tipo de aprendizado que vai valer a pena eu falar um pouco deixa eu até voltar um pouco aqui que a gente chama de aprendizado por reforço tá aprendizado por reforço e o aprendizado por reforço ele funciona basicamente com um agente um agente junto tá bom não é o agente separado eh um agente e um ambiente vou dar dois exemplos aqui para vocês primeiro deles que eu sempre dou esse exemplo aqui em qualquer aula que eu vou falar de aprendizado por refoss que é o exemplo do Mário todo mundo aqui conhece o Mário tá bom e

não me perguntem que Mário tá Mas enfim vamos pegar aqui o Mário Então a gente tem o Mário aqui na na fase né do Mário deixa eu até colocar um pouco menos de zoom temos aqui a fase do Mário então aqui é a fase e aqui a gente tem o nosso Mário beleza que que acontece Esse Mário ele no caso vai ser o nosso agente a gente e a fase ela é o nosso ambiente Beleza então a gente tem um agente e a gente tem um ambiente que que acontece esse agente ele pode interagir com

o ambiente que ele está inserido então na fase do Mário O que que a gente tem a gente pode ter aqui aquele tubo né que o Mário cai Então aqui tem o tubo que ele pode pular aqui e passar de fase a gente tem aquelas Pedrinhas aqui em cima que solta moeda Beleza quando ele pula aqui ó pula moeda ele vai pega aqui isso aqui é a interação do agente com o ambiente gente no caso do máo com a fase do Mário e toda interação que ele faz deixa eu até apagar esse cara aqui porque

vai ser útil toda a interação ela pode ter e punições ou Recompensas então por exemplo se o Mário cair aqui no buraco ele vai morrer e Opa Se ele morrer eu vou descontar aqui ó vou descontar e 20 pontos Beleza eu vou descontar 20 pontos dele mas se o Mário por exemplo pular aqui e passar de fase eu vou dar para ele uma recompensa de 50 pontos então o que que acontece com base na interação desse agente com o ambiente ele vai aprendendo a Pô eu quero ter o máximo de recompensa possível então ele vai

aprendendo a por exemplo não cair no buraco ele vai aprendendo não bater na tartaruga entendeu é justamente dessa forma que o aprendizado por reforço funciona e cara se você pesquisar no YouTube Mário eh reinforcement learning que é o aprendizado por reforço em inglês porque vai aparecer só em inglês mesmo infelizmente tá é aqui ó reinforce reinforcement opa não tem esse é no final reinforcement learning Mário se você pesquisar isso aqui no YouTube depois que você acabar no caso aqui a imersão você vai pesquisar né vai aparecer o Mário aprendendo a jogar ali de forma automática

só com machine learning com esse tipo de aprendizado que a a gente chama de aprendizado por reforço inclusive vocês lembram que aqui no slide eu falei de um cara que chama Arthur Samuel esse cara que definiu aqui no caso o que que era machine learning cara ele durante né os estudos dele em 1959 Ele criou um uma inteligência artificial para aprender a jogar damas de forma automática entendeu utilizando aprendizado por reforço então no caso Quem que era o agente o agente seria o jogador de dama e qual seria o ambiente o jogo de dama em

si certo então com base nos movimentos ele ia aprendendo isso é aprendizado com reforço E aí tem uma pergunta muito boa que ele me perguntou é um agente de a não não não é agente de a agente de a a gente vai a gente pouco [Música] você fornece uma fun matem ele ob maximizar essa função entendeu então no caso você fornece alguma função não sei se você já sabe sobre funções de custo alguma coisa nesse sentido e você o objetivo seria maximizar essa função entendeu seria basicamente isso E aí eu não vou entrar tanto aqui

nos termos de aprendizado por reforço Porque tem muita coisa tem muita muita coisa ó eu acho que caiu né Caiu voltou voltou Tá show de bola a norian tinha feito essa pergunta aqui é basicamente a gente define uma função cujo nosso objetivo é maximizar essa função e aí é uma função matemática que eu não não vou explicar aqui como que funciona tá porque aí vai cair muita matemática mas isso aqui é feito por trás os panos show de bola iso é feito por trás os panos beleza galera aqui deu uma caída Porque pô isso aqui

cara interior né interior de Minas Gerais tem isso aí mesmo infelizmente não tem não tem como Só não deu para entender a resposta acho que agora deu para entender né acho que agora deu para entender mas é é uma é uma função Zinha matemática Luísa Martins não teve um cara que treinou uma ia para jogar Pokémon e A Iá ficou parada para não ser penalizada exatamente Por que que ela ficou parada porque ele não aplicou uma punição quando ela ficava parada entendeu porque se ele tivesse aplicado uma punição ela não ficaria parada Então quando você

modela essa essa essa função matemática para ele poder maximizar a quantidade de pontos recebidos que que acontece Opa ela vai fazer de tudo para poder maximizar inclusive ficar parada entendeu então você tem que modelar muito bem o seu problema olha só é isso aí bicho pesou a Live a explicação pesou a Live a explicação isso aqui o YouTube não tá nem acostumado com isso não meu filho YouTube não tá nem acostumado com isso não eu vou bebendo bastante água tá galera porque Pô eu tenho que hidratar vocês já perceberam que minha garganta não tá e

aquelas coisas né muita mudança de clima aqui na minha cidade mas acontece acontece vamos lá então já falamos de aprendizado supervisionado não supervisionado E agora tem uma coisa muito importante isso aqui Quando vocês tiverem fazendo suas aplicações de a vocês vão ver que cara dados é a coisa mais importante lembra que eu falei aqui para vocês ó sobre vieses foi uma das primeiras coisas que a gente falou que quando você fornece dados ruins ela pode ter vieses Então ela pode gerar resultados ruins então por exemplo a Tai ela foi aprendendo com dados do de conversas

do Twitter que é ela interagir com as outras pessoas e ela começou a xingar muito então entrou muitos dados ruins para ela ou seja se você tem dados ruins de treinamento para ia que que vai acontecer ela vai gerar resultados ruins É isso aí entendeu É isso aí então quando você fornece dados ruins para iá ela vai gerar resultados ruins Inclusive tem um termo muito usado que é chamado garbage in garbage out ou seja lixo dentro lixo fora vocês TM que entender isso a parte mais importante de uma I mais importante não é o treinamento

dela não é a arquitetura dela é os dados que são utilizados para poder treiná-la se os dados são bons vai ter resultados bons com até um modelo Médio Mas se os dados são ruins você pode colocar o melhor modelo do mundo que o resultado não vai ser bom beleza que o resultado não vai ser bom então é isso dados são de extrema importância para você poder treinar a su Iá E aqui tem uma coisa tem um diagrama que eu fiz que é um diagrama cara um pouco até pesado para poder explicar mas eu tenho certeza

que vai dar certo vamos lá o que que é aqui no caso a importância de dados né O que que é o aprendizado ativo que a gente chama aprendizado ativo é vamos supor que chega dados não rotulados o que que são Dados não rotulados só lembrando são Dados que não possuem o target são Dados que não possuem o target Então quando você chega aqui dados não rotulados aqui é por exemplo pensa aquela um monte de linhas do Excel com eh fraude ou não fraude né que eu tinha colocado um ou zero lá é como se

não tivesse essa coluna de uns e zeros indicando se é fraude ou não é fraude indicando se é spam ou não spam é isso então chega aqui os dados não rotulados e um humano começa a rotular então ele olha pro histórico e fala ó essa transação aqui foi fraude então ele já vai rotulando entendeu E ele vai treinando o modelo com mais e mais vezes dados rotulados E aí pô o modelo Tá errando esses esses caras específicos Será que ele não rotulou errado e aí volta e fica nesse ciclo entendeu o humano manualmente vai fazendo

isso E aí o que que acontece o chat PT a segunda etapa de Treinamento dele é justamente utilizando aprendizado por reforço só que o aprendizado por reforço utilizado pelo chat PT é um pouco mais complexo tá e eu quero explicar isso aqui para vocês porque agora o YouTube vai cair de vez agora o YouTube vai cair de vez é chamado de aprendizado por reforço então aprendizado por reforço com feedback humano ou seja reinforcement learning with Human feedback L RL HF é isso aqui beleza aprendizado por reforço com feedback humano ele utiliza isso como que ele

utiliza lembra quando a gente acabou de treinar o nosso modelo então a gente acabou de treinar o nosso modelo aqui agora ele já sabe muito bem vê a próxima palavra ele já sabe muito bem fazer isso aqui muito bem ele prevê a próxima palavra show de bola e o que que acontece galera quando ele prevê a próxima palavra agora ele tem que aprender a conversar não tem que aprender a conversar então o que que acontece a gente coloca duas ias para interagirem entre si então aqui você tem uma i a e a1 e aqui você

tem e a2 e essa ia1 ela é responsável por por exemplo fazer perguntas Então ela faz uma pergunta para ia Opa Faz uma pergunta aqui pergunta e aqui ela manda uma resposta Só que essa resposta ela também é colocado aqui para um humano poder avaliar então elas ficam conversando entre si com o feedback humano Então esse cara fala o cara lá da Open ai o cara da antropic que treinou o cloud o cara da Meta que treinou o lama todos esses modelos eles falam o seguinte cara essa resposta aqui foi boa então ele coloca por

exemplo sei lá e aqui eu vou inventar tá vamos supor que a gente tem aqui aquele esqueminha de cinco estrelas né então Opa essa resposta aqui foi uma estrela só essa resposta foi ruim beleza e aí ele colocou P essa resposta foi cinco estrelas essa resposta Foi boa E aí ele vai essas Iá vão conversando entre si e você tem um feedback de um humano ali falando se a resposta foi boa ou não e ela vai aprendendo com isso ela vai aprendendo com esse feedback do humano e vai tentando gerar respostas onde tipo assim só

pro humano avaliar com cinco estrelas entendeu o objetivo dela passa a ser esse a Gerar respostas que o humano vai avaliar com cinco estrelas e ela aprende o padrão dessas respostas que estão sendo geradas e estão sendo avaliados com cinco estrelas isso é como o xpt é treinado beleza Desde o zero Então olha só com 1:1 a gente saiu do básico o que que é i e já chegamos basicamente como xpt foi treinado né como o xpt foi treinado galera muito completo muito completo temos alguns termos adicionais aqui para poder bater tá temos alguns termos

adicionais aqui para poder bater por que que eu tô falando um pouco um pouco eh como é que eu posso falar um pouco mais lento assim né porque cara a gente vai falar sobre redes neurais vamos falar sobre Deep learning vamos falar sobre essa hierarquia beleza essa hierarquia aqui e vamos falar um pouco sobre recurso computacionais desenvolver projetos Como você consegue desenvolver um projeto de A então tem ainda bastante coisa pra gente poder tocar deixa eu responder antes uma pergunta do Dark pinter hoje em dia o chat PT também tem esse feedback do usuário certo

quando a gente avalia mensagem foi satisfatório esse feedback tem o mesmo peso do feedback dos desenvolvedores Não na verdade eu não sei né mas provavelmente não tem porque enfim não tá no controle dele se todo mundo quisesse votar que a resposta foi ruim poderia meio que destreinar a ia né Eh na verdade isso não aconteceria tá de destreinar aí a Mas enfim você entendeu o que que eu que que eu quis dizer né e o usuário poderia cara na maldade só falar que tem respostas ruins então não tem o mesmo peso Muito provavelmente mas funciona

da mesma forma aí aprende com esses feedbacks também então ainda assim continua provavelmente vocês vocês já usaram o chat de GPT não sei se o chat de GPT gratuito tem isso Tá Mas às vezes ele gera Duas respostas né uma resposta do lado de outra e quando você clica escolher prefira essa resposta ele aprende ainda então o chat PT tá em constante evolução tanto que se vocês entrarem no chat GPT de vocês eh e aí eu não lembro onde mas se eu não me engano é em definições que você vai e depois eu acho que

você vai em personalização ou controle de dados alguma coisa assim tem como você desabilitar essa parte de ele aprender com a sua conversa entendeu porque enquanto você tá conversando com ele você fala ess essa esp não foi boa já era outra isso em texto ele continua aprendendo Beleza então ainda assim continua eh o aprendizado aí do chat ept show de bola então vamos falar aqui sobre outros termos um uns termos adicionais tá primeiro deles é redes neurais Vamos definir aqui o que que são redes neurais redes neurais para definir assim uma frase são modelos matemáticos

inspirados no funcionamento do cérebro humano e eu não vou explicar aqui no slide por quê Porque eu acho que vai ficar um pouco vai ficar menos dinâmico vocês não vão entender tanto assim se for só pro slide Então vamos colocar a mão na massa aqui e vamos desenhar esse negócio tá como funciona uma rede neural uma rede neural basicamente ela é composta por camadas e essas camadas possuem uma como é que eu posso falar eu vou chamar de átomo tá bom ela possui uma unidade específica e essa unidade aqui ó essa unidade aqui que a

gente chama de neurônio artificial esse neurônio artificial ele é muito antigo ele é muito antigo olha só que doido esse neurônio ele foi proposto em 1943 por Warren mulock Opa Nossa Senhora travou tem toda aqui ué pera aí travou o trem todo aqui ué deixa eu apagar esse negócio acho que eu vou ter que fechar o scale draw e abrir de novo quando isso acontece é é deixa eu deixa eu fechar aqui deixa eu parar a tela Vou compartilhar aqui o nosso scal Draw que aí eu acho que volta pera aí SC draw acontece cara

quando eu clico no botão errado aqui o negócio dá um BO mesmo Pera aí voltei Show de Bola Deixa eu compartilhar aqui scal draw Beleza então que que eu tava falando esse cara aqui chamado Warren Mac k e o outro cara chamado Walter Opa Walter Disney tô zoando Walter pits esses dois caras em 1943 Nossa Senhora minha voz tá deixa eu só tosir aqui um pouco agora sim esses dois caras em 1943 eles propuseram o neurônio artificial inclusive aqui eu posso confundir tá aqui muito provavelmente eu vou confundir mas um deles era psicólogo então um

psicólogo e um matemático esses dois caras eles se juntaram e propuseram um neurônio artificial porque eles falaram o seguinte cara será que a gente consegue simular por exemplo o o nosso neurônio né o neurônio basicamente é uma célula eh cerebral que a gente tem uma célula nervosa aí desculpem aos biólogos que estão aqui no chat mas eu não vou saber o termo correto é basicamente uma célula que a gente tem no nosso cérebro e que consegue processar sinapses Então sinapses nada mais são do que de passarem de informação no caso sinapse aqui do nosso cérebro

são impulsos elétricos mas aqui no caso eles tentaram meio que simular um a unidade básica do cérebro no computador então isso aqui é um modelo matemático tá bom isso aqui é uma função matemática eh acredita em vocês ou não tá e eu não vou explicar aqui por que é uma função matemática mas é uma função matemática para quem que tiver curioso Aí é basicamente uma função do tipo eh x a + b é basicamente uma função desse jeito aqui que você manda dados aqui de entrada e ela gera uma saída beleza e aí o que

que acontece galera esses caras propr user neurônio artificial E aí foi evoluindo em 1943 isso né então foi antes mesmo de do John mcy do John mccarthy deixa eu colocar aqui ele prop em 1956 o termo ia então Ele propôs em 1956 Inteligência Artificial e antes mesmo de ter inteligência artificial pelo menos o nome a gente já tinha um neurônio artificial Então os estudos são muito são muito antigos né dessa parte de de a e tal do que a gente tem hoje e olha que louco esses neurônios eles compõem o que a gente chama de

rede neural que é justamente o que eu quero falar com vocês então aqui a gente tem uma rede neural a rede neural ela tem camadas igual falei com vocês então a gente tem aqui uma camada de entrada a gente tem uma camada que a gente chama de uma não né a gente tem pode ter uma ou mais camadas que a gente chama de camadas escondidas escondidas e a gente tem aqui a camada de saída como funciona a gente tem aqui várias camadas de entrada então várias camadas não vários neurônios na camada de entrada a gente

pode ter duas camadas escondidas Então deixa eu colocar aqui ó duas camadas escondidas isso aqui essas duas camadas possuem cada uma uma 2 3 4 5 neurônios artifici e a gente tem aqui um neurônio de saída na camada de saída Beleza então isso aqui é uma camada ó Isso aqui é uma camada isso aqui é outra camada e isso aqui é outra camada na verdade isso aqui é uma camada tá isso aqui é outra camada cada linha vertical seria uma camada E aí o que que esses caras fazem né como que isso aqui funciona basicamente

você tem aqui vamos supor que a gente tá naquele problema de de detectar fraude Tá bom a gente tá naquele problema de detectar fraude então a gente coloca aqui Qual que é o valor da transação transação a gente joga aqui qual que é a média de transações diária a gente joga aqui qual que é a idade da pessoa a gente joga aqui e qual que é por exemplo o gênero da pessoa a gente joga aqui então esses caras vão receber algumas entradas e essas entradas Você lembra vai realizar um cálculo Então olha só vai realizar

um cálculo aqui esse resultado desse cálculo vai ser jogado para todos os outros Então olha só para todos os outros inclusive aqui embaixo da mesma forma esse cara vai ser jogado para todos os outros todos os outros e aí que que acontece adivinha adivinha valendo R 10 no pix esse cara vai jogar para quem Para todos os outros também então ó fica isso aqui E esse cara ah não para quem que ele vai jogar aí vai jogar só para esse porque só tem um né é isso é desse jeito que é uma rede neural e

olha só eu já vou adiantar uma coisa aqui tá porque vai ajudar muito vocês a entenderem esse cara tá vendo que tem essa linha essa linha Ela guarda uma informação uma informação que na verdade é um número que a gente chama de parâmetro cada conexão de um neurônio com outro armazena um parâmetro Beleza então aqui a gente tem um parâmetro específico aqui a gente tem um outro parâmetro específico parâmetro nessa Linha Verde a gente tem outro parâmetro então observem o seguinte quanto mais neurônios a gente tem quanto mais camadas a gente tem mais parâmetros a

gente vai ter E aí vocês já escutaram por exemplo ah surgiu o novo modelo da Open ey com 175 bilhões de parâmetros o que que agora é que Vocês entenderam É justamente isso Beleza é justamente isso tive que mutar de novo porque minha garganta tá já tá pegando aqui mas isso é uma rede neural tá bom isso aqui é uma rede neural então quando a gente tem aqui por exemplo alguma é claro que o chat PT não é composto só disso o chat PT ele tem aqui eh uma camada que a gente chama de multilayer

perceptron e o que que é o perceptron neurônio artificial perceptron quando vocês escutarem mlp que é multilayer ou seja uma multilayer perceptron que é um uma um percep em múltiplas camadas é justamente isso aqui é justamente isso aqui que vocês estão vendo é um percept então aqui a gente tem quantos tem 1 2 3 4 5 6 7 8 9 14 15 temos 15 neurônios artificiais temos 15 perp na verdade o percept é um modelo onde a gente tem só um né Na verdade não é um sinônimo mas eu utilizar como sinônimo aqui para vocês

meio que entenderem o que que é o multilayer percep tá bom no caso seria um modelo com muitos neurônios artificiais é isso e no chat ept uma das partes dele é composta justamente por uma camada mlp e o que que é o mlp é isso aqui que vocês estão vendo E olha que doido isso surgiu galera em 1943 esse esse termo esse neurônio artificial surgiu em 1943 e isso é usado até hoje olha para você ver cara então o que a gente tá vendo hoje com chat PT não é novidade tá bom não é novidade

só que aí tem uma coisa esse esses parâmetros eles são treinados com igual falei com aprendizado por reforço com feedback humano e como você se comunica com a ia é afetado Então você tem que saber prompt você tem que saber engenharia de prompt muita gente fala que é bobagem mas não você tem que saber entendeu porque como você comunica esses parâmetros Eles já foram calculados para você se comunicar de uma forma boa com ela então se você coloca prompts errados não é que a resposta dela tá sendo errada é que você formou a pergunta errada

você está perguntando para ela de uma forma errada entenderam então não existe resultado ruim Existe prompt ruim show de bola com isso a gente pode seguir aqui então termos termos adicionais antes de seguir eu quero só ver algumas perguntas que vocês colocaram no chat para um problema de previsão de valor qual seria eh melhor o modelo de Machine l de regressão ou uma reg oral geralmente aí o João Vitor provavelmente já é é uma pessoa um pouco mais avançada na área João Vitor para dados tabulares e se você fizer essa pergunta eu acho que você

sabe o que que são Dados tabulares dados tabulares modelos tradicionais de machine learning funcionam melhor modelos ensemble beleza são o estado da arte hoje eh é possível treinar o modelo llm usando uma ia o o1 da Open a treinando o modelo Nemo Megatron da NV pera aí pera aí deixa eu entender essa pergunta direito é possível treinar um modelo llm usando você tá falando treinar do zero tipo assim treinar um modelo do zero fazer um novo modelo de a é o da openi treinando o modelo Nemo da nvia cara tem como você pedir o código

responsável para poder fazer esse pré-treinamento da ia tá só que aí ela não vai fazer para você beleza ela não vai por exemplo executar o código você tem que você pode pedir para ela gerar o código e ela gera muitos bons códigos inclusive se você quiser aí utilizar algum Framework você tá interessado nisso diretor não sei se é possível mas coloca no banner para mim aquele o port por favor do algoritmo lá do a biblioteca no caso de Python para quem tiver interessado né que é uma das principais bibliotecas usadas hoje para poder treinar do

zero essas Iá exatamente aí se você quiser pesquisar eh quem fez essa pergunta né que eu não vou ler o seu nome tá em binário desculpa e aí você pode pisar um pouco mais sobre isso Beleza o Kauan perguntou Então os parâmetros são informações a serem repassadas de um neurônio para outro não são as informações eles são basicamente Como que eu posso falar Eles são Kauan Eu sei que você sabe eu te conheço eu sei que você sabe o que que eu vou falar então pensa que você tem ali um vetor com vários parâmetros eles

ele é basicamente o vetor Quando você vai pegar a entrada e Vai Multiplicar esses valores de saída por pelos parâmetros entendeu então os parâmetros não são os valores a serem repassados são algumas unidades multiplicativas que você passa pro neurônio entendeu é basicamente isso E aí já entra termo mais técnico ainda galera eu não quero me aprofundar tanto hoje no tecniques só quero que você saiba o que são parâmetros e que basicamente você médio Quão grande uma ia é a partir do parâmetro Beleza então tem muitos e muitos parâmetros é uma ia muito grande é basicamente

isso que acontece show de bola e aí você tem vários parâmetros né de cada neurônio comunicando com outro você tem vários parâmetros ali dentro beleza Podemos seguir aqui então e deixa eu ver então treinamento de uma ia é o aumento de parâmetros dela aumento do Vector Database Pedro na verdade não o o treinamento de uma Iá é o ajuste desses parâmetros Dea é que a gente vai falar sobre isso na parte dois tá bom Aqui do do da nossa imersão mas o que que significa o treinamento da ia lembra que esses parâmetros aqui que eu

tô mostrando Eles começam com valores aleatórios quando você parte do zero para poder treinar uma ia ele começa com valores é tipo 0.01 valores completamente aleatórios entendeu inicializados de forma aleatória e o treinamento da ia é encontrar o melhor conjunto de parâmetros entendeu É você encontrar a melhor combinação de valores ali é isso o treinamento de maiá é justamente a busa bua pela melhor combinação de parâmetros Beleza É como se você tivesse por exemplo 175 bilhões de engrenagens e você meio que roda cada uma até todas chegarem no melhor valor possível entendeu Você vai rodando

ajustando cada uma ali até chegar no melhor valor seria isso por isso que é muito demorado e aí você pensa ajustar 175 bilhões de parâmetros cara p é muito grande beleza Cauan perguntou Eh entendi então são PS multiplicados pelos vetores né Exatamente exatamente É isso aí vamos agora pr pra outra parte tá que é basicamente eu quero explicar para vocês o que que é Deep learning Deep learning eu vou explicar aqui usando scal draw de uma forma muito tranquila para vocês entenderem Deep learning é tá vendo aqui que a gente tem duas camadas eh duas

camadas aqui na nossa camada escondida Por que que é camada escondida porque a gente só ver a camada de entrada e a camada de saída tudo que tá aqui no meio é escondido entenderam é basicamente por isso o nome e quando você tem mais de uma camada escondida no caso aqui a gente tem duas a gente chama isso de Deep learning ou aprendizado profundo então vocês podem ver que o chpt ele atua com o aprendizado profundo beleza show de bola ele atua com isso então a gente tem aqui Um aprendizado profundo é basicamente dessa forma

que funciona tá não tem muita coisa a ser falada aqui aqui de fato eh o aprendizado profundo ele utiliza redes neurais por trás Tá bom então quando a gente tá falando de Deep learning de aprendizado profundo é utilizado redes neurais que é o que a gente acabou de ver com mais de uma camada escondida por isso que a gente chama de aprendizado profundo de fato beleza é basicamente isso agora a gente pode seguir para essa esse diagrama aqui que eu fiz porque esse diagrama vai ajudar vocês muito a diferenciarem muito muito muito inteligência artificial é

uma grande área é uma grande área então Você lembra aquela regra que eu fiz manual de identificar por exemplo a a transação se o valor for acima de 1 milhão e se a média de transações diárias for menor que dois a gente chama aquilo de e de fraude Isso é uma inteligência artificial Só que não é machine learning por quê Porque eu explicite eu programei previamente a ia para poder dar essa resposta machine learning é uma subárea da Inteligência Artificial por quê Porque você ela aprende com dados você só fornece os dados para ela e

o modelo aprende automaticamente dos padrões as regras entendeu é isso então a gente tem Inteligência Artificial mais geral dentro da IAG a gente tem machine learning dentro de machine learning a gente tem Deep learning que é o que a gente viu lembra que as redes neurais ela aprendem com dados se elas aprendem com dados então é um aprendizado de máquina tá acontecendo ali um aprendizado de máquina beleza que no caso é machine learning só que uma forma específica de aprendizado que é o aprendizado profundo então é uma caixa dentro da outra é como se fosse

aquelas bonecas russas né é uma dentro da outra ali e dentro de Deep learning a gente tem a ia generativa a gente tem a ia generativa por quê Porque elas utilizam aprendizado profundo também entendeu só que nem todo aprendizado profundo é uma i generativa i a que gera outras coisas né com base nos dados que foi treinada que a gente vai ver sobre e a generativa na parte dois também entendeu e dentro daí a generativa a gente tem uma aplicação específica que é o chat GPT só que a gente pode ter o lama a gente

tem o cloud a gente tem enfim o mid Journey que é uma uma ia generativa também só que de é de imagem entenderam Então galera é isso é isso aqui que eu quero que vocês entendam que ia vai muito além por exemplo de um chat GPT tem muitas outras coisas aqui além do GPT beleza Vocês aprenderam muita delas até agora show de bola aqui tem alguns termos adicionais também que só para finalizar que é Ciência de dados ciência de dados é basicamente é é é a ciência de você extrair conhecimento de dados tá bom é

uma definição é essa e quem é o profissional que programa As ias o os llms esses modelos que eu te fala aí de previsão de fraude previsão de demanda são cientistas de dados entendeu são esses caras esses profissionais que fazem isso que no caso eu já trabalhei e trabalho também ainda hoje como cientista de dados envolvendo essas ias aí do zero inclusive já fiz alguns trabalhos aí para por exemplo paraa Samsung para F Shop eh paraa azul já já fiz muitos trabalhos aí envolvendo de fato a construção desses modelos para essas grandes empresas beleza e

é isso esses termos que eu quero que vocês saibam e uma coisa muito bom também poder falar sobre isso são recursos computacionais tá recursos computacionais eu quero falar um pouco sobre isso aqui para você treinar uma ia a gente precisa de muitos dados e muitos dados exigem muitos recursos computacionais e aproximadamente em 1963 eu acho e aqui eu posso errar a data Tá bom eu posso errar a data aqui Mas a partir de algum momento nessa época eu acho que na década de 40 não sei se foi 43 se foi 53 63 enfim na década

de 90 na verdade no aqui em 1900 alguma coisa aconteceu só que foi depois a depois da década de 40 Com certeza eu sei que os processadores eles começaram a suportar paralelismo Então você teve uma evolução aqui das ias você teve uma evolução nessa época por quê Porque com a com o o a capacidade de process informações em paralelo ou seja ao mesmo tempo o treinamento dessas ias foi facilitado porque você podia processar dados de forma paralela de forma simultânea E aí você conseguiu aumentar as ias só que chegou um momento que só ali as

as nossas os nossos processadores não estavam dando conta e aí eles começaram a utilizar o que a gente chama de gpus que são placas de vídeo e essas placas de vídeo elas permitem esse cálculo né esse Você lembra que eu falei da atualização dos parâmetros que é a função de treinar esse esses modelos como chat GPT é encontrar melhor combinação de parâmetros isso acontece de forma paralela utilizando aqui gpus entendeu então elas aceleram muito o processo Então as placas de vídeo cara são muito caras para poder treinar eá tem algumas placas de vídeo da nvdia

que custam em torno de 20.000 cada placa de vídeo entendeu E a meta ela tem ali um cluster de computadores Opa met não né a meta a meta tem um cluster de computadores no caso um cluster é um conjunto é como se fossem vários e vários computadores com aproximadamente 100.000 placas de vídeo para poder fazer o treinamento dessas ias entendeu então recurso computacional exige bastante bastante bastante bastante show de bola para você poder treinar é muita coisa então A melhor solução que nós profissionais de a que vamos desenvolver solução pra empresa utilizando llms e utilizando

esse modelo de linguagem a melhor coisa que a gente pode fazer é o utilizar a os modelos prontos beleza porque cara para treinar vai ser um custo muito bom pro modelo ficar realmente excelente Beleza então nem nem é cogitado isso somente para tarefas muito muito muito muito muito específicas show de bola e aqui tem uma pergunta olha só eh Anor quais áreas de a tem mais demanda modelos mais simples como previsão ou llms por exemplo hoje Se eu fosse começar hoje eu começaria com esse aplicações de modelo de linguagem Então cara implementar um chatbot para

uma empresa entendeu criar para elas ali sistemas automáticos de promos então gpts próprios muito tem muito freelancer em cima disso inclusive tenho amigos que trabalham com freelancer para isso hoje eu tô trabalhando em um sistema que tá utilizando hag entendeu o outro sistema que tá utilizando a agente de a tudo para poder auxiliar essas essas empresas que elas querem utilizar a inteligência artificial no negócio tem muito espaço pensa por exemplo um caso de uso muito bom aqui é cara hamburguerias que querem por exemplo um sistema automático de vendas no WhatsApp utilizando Inteligência Artificial entendeu isso

aqui cara é muito muito muito bom para você poder oferecer Então você utiliza lá por exemplo como como documento de referência o cardápio e quando o cliente fizer uma pergunta você utiliza hag para poder pegar essas informações e devolver pro cliente e rag a gente vai falar ainda hoje beleza a gente vai falar ainda hoje então hoje eu começaria com essas aplicações de llms e cara sabe qual que é a coisa mais comum entre todas na verdade não é mais comum é a comum entre todas escrever prompt certo você tem que saber escrever prompts certos

porque se você não sabe escrever um bom prompt se você não sabe é por exemplo como se proteger dos ataques alguma pessoa pode chegar lá no bot que você fez do WhatsApp inclusive já já testei alguns Bots E consegui vazar algumas informações reportei isso pra pessoa que o quê vai vazar informação entendeu então você tem que saber como consegue se proteger dos ataques Como consegue fornecer um bom promp de prazar utilizar as técnicas corretas tudo isso você tem que saber beleza mas eu começaria com essa parte de llms aí porque vai ter muito mais demanda

pelo menos hoje show de bola e aqui ó o engenheiro de machine learning só faz a manutenção dos modelos já criados o engenheiro de machine learning a a principal parte dele né na no pipeline ali de um projeto de dados de machine learning é justamente pegar o modelo fazer o Deploy colocar ele em produção rodando para todos os clientes utilizarem e sustentar esse modelo ao longo do tempo beleza fazer a monitoração dele é justamente isso o papel show de bola galera olha só em 11:50 agora a gente vai fazer uma pausa nós vamos voltar meio-dia

pra gente poder continuar show de bola então 11:50 vamos fazer uma pausa e meio-dia a gente vai voltar 10 minutinhos aí para você poder enfim e dar aquela mijada não sei se você já mijou aí se já saiu foi no banheiro voltou bebeu uma água alguma coisa desse sentido Beleza então 1150 a gente vai fazer isso eh criar personas para direcionar escopo da assunto realmente ajuda na qualidade de resposta muito quando você fala aja com uma nutricionista tá tal por exemplo especialista em emagrecimento feminino cara ajuda muito é uma das é uma das principais técnicas

hoje utilizad em prompts só que não é suficiente por ela vai ter alguns vieses e é necessário você fornecer instruções de forma correta pras ias por exemplo eh muitas ias elas elas funcionam melhor com a formatação específica dos prompts não sei se você já ouviu falar Alexandre mas tags XML XML é muito utilizado por exemplo para você poder passar informações de uma melhor forma para ia é uma formatação muito boa para você poder utilizar inclusive com Cloud entendeu a gente vai falar sobre isso tá bom Um pouco mais aí na frente da na segunda parte

da imersão mas eu quero que vocês saibam disso que ajuda bastante e o prompt é a coisa mais importante que tem quando a gente tá falando de comunicação com as ias depois se possível coloca o Linkedin deles para quem quiser automatizar implementar tarefas e coloca o Linkedin deles para quem quer automatizar e implementar tarefas Como assim colocar o LinkedIn de quem ô ô binário eu vou te chamar de binário porque eu não não vou pronunciar seu nome não teria muita diferença na entrada em machine learning engineer sentias de dados teria teria mas cara não tanto

eu acho que você poderia especializar no caso de engenheiro de machine learning talvez na parte ali de mlops eh você saberia um pouco mais aí teria que enfim lidar um pouco mais com produção eh como fazer o Deploy desses modelos mas se você atua como C de dados cara muito provavelmente na maioria das empresas você vai fazer também o papel de um engenheiro de machine learning beleza na maioria empresas aí porque eles não vão ter esse profissional específico Caio eh acha que com avanço da ia a demanda de análise de dados vai reduzir drasticamente compensando

a apena seguir como cientista e engenheiro de dados cara eu não acho eu não acho que vai reduzir drasticamente eu acho que por exemplo Juniors as vagas de Júniors vão se reduzir tá eu acho que as vagas de Júniors vão se reduzir mas não vão acabar então é vai ser possível ainda entrar por que que eu tô falando isso porque cara um Sênior com o chat PT do lado ele sabe corrigir o erro entendeu ele sabe corrigir o erro só que De toda forma o o Senior ele tem que saber fornecer prontos corretos também porque

se ele não sabe fornecer o que que ele quer para ia ainda mais que ele saiba o que que ele quer né Porque pô ele é um Senior na área ele não sabe explicitar isso para iá eu acho que vai reduzir as vagas de Juniors mas não vão acabar beleza não vão acabar eh colega freelancer Ah entendi coloco sim depois eu falo depois eu falo sim e eu vou poar inclusive no meu Instagram o binário meu Instagram depois eu coloco lá beleza quem quem trabalha com isso uns colegas eu marco lá depois show de bola

ã deixa eu ver Bruno Marques Qual a diferença de o engenheiro de Machine L pro senti de dados engenheiro de machine learning Eu já falei isso tá os engenheiro de machine learning basicamente lida com o pega esse modelo então por exemplo o modelo ali de linguagem essa aplicação é um modelo de previsão de demanda um modelo de detecção de fraude ele pega esse modelo construído pelo cientistas de dados e coloca isso em produção show de bola é possível utilizar llm ou alguma ia para coleta de dados sim na verdade ô Henrique que você não precisa

necessário de um llm de uma ia você pode utilizar um agente de a para poder fazer isso sim tá bom então é possível você fazer essa essa parte de coleta de dados da internet a gente chama de web scrapping que é basicamente raspagem na web então você raspa os dados ali da web eh o diretor você consegue colocar para mim por favor aí pro pessoal poder talvez pesquisar pro Henrique pesquisar o banner chama web scrapping beleza e aí você pode sim eh ter um agente de a responsável por fazer essa coleta de dados show de

bola da internet aí utilizar web scrapping e tudo mais beleza então é possível sim aí ó só pesquisar esse termo Henrique aí você pode pesquisar tipo assim é web scraping agente de a alguma coisa nesse sentido mas é possível show de bola então ó falamos de recurso computacional respondi algumas perguntas e agora Quando a gente voltar na verdade eu vou fazer o seguinte quando a gente voltar eu vou falar como que a gente desenvolve um processo de um um trabalho de Inteligência Artificial show de bola Então olha só eu vou falar todo Pass a passo

como a gente começa com problema de negócio se a gente precisa de a para você coletar entender os dados eu vou te dar casos de uso práticos aqui tanto de aplicações de modelo de linguagem quanto aplicações tradicionais como detecção de fraude Então você vai entender como funciona o passo a passo para você quando chegar algum projeto de a na sua mão você saber como você vai fazer esse projeto entendeu então eu quero que a partir disso quando a gente voltar a gente vai fazer do zero o pipeline todo passo a passo de a partir do

momento que você recebeu um projeto como você vai pensar até entregar esse projeto show de bola Então galera Ó é basicamente isso agora vamos fazer uma pausa aí de 10 minutinhos tá bom só pra gente e de fato aqui dar uma uma uma esparcida levantar andar um pouco ir ao banheiro beber uma água bebam água tá porque a gente vai voltar e vai ter mais aula ainda então 10 minutinhos aí vai colocar o cronômetro aqui na tela o diretor agora e a gente já volta show de bola então vamos dar uma esclarecida aí rapidinho aí

bora voltar Bora voltar galera vamos lá deu para ir no banheiro deu para fazer as coisas deu para tomar uma água não sei Aí quem quem foi comer alguma coisa pegou alguma coisa para comer vamos voltar passar mais conteúdo aqui depois de 2 horas de conteúdo quem voltou comenta aqui eu quero saber quem que tava antes e quem voltou agora quero saber o que que aconteceu Quais pessoas estavam antes e quem tá aqui de novo na parte do show de bola aí Lua Nori Dark Dark pinter Alí Pedro nem sair é isso a Pedrão ó

aoo Vitor pô É isso aí galera vamos continuar porque ainda tem muito conteúdo pra gente ver aqui o luí também vamos lá já vou começar aqui com o conteúdo pra gente não não perder o ritmo né a gente já tava com bastante conteúdo Então vamos continuar Kauan também aí ó primeira coisa galera quando a gente pega um problema quando a gente tá trabalhando com algum problema de Inteligência Artificial a gente tem algumas etapas tá quem aí é da ciência de dados conhece um Framework chamado de crisp DM c r IP ifen DM show de bola

esse Framework ele é muito usado para poder construir projetos de ciência de dados em geral e quando a gente tá falando aqui de projetos de Inteligência Artificial de uma forma mais geral basicamente se resume a esse passo a passo que eu coloquei aqui beleza E como que eu quero te explicar esse passo a passo com um exemplo prático beleza com exemplo prático Então vamos pegar um exemplo aqui de um projeto por exemplo de um chatbot que você vai fazer de inteligência artificial para alguma Hamburgueria Esse vai ser o nosso projeto então uma Hamburgueria contratou você

para poder fazer um chatbot que atenda aos clientes é esse o seu projeto é para isso que você foi pago beleza Como que você faz né esse projeto caiu na sua mão o dinheiro pingou o PX bateu aí que que você faz agora primeira coisa entenda o problema de negócio que que é entender o problema de negócio O que que você quer resolver na verdade você não o que que o seu cliente quer e aí você vai vai ter que fazer uma reunião com ele para poder entender muito bem o problema de negócio que você

vai resolver Então qual que é o problema dele ele quer um bote de vendas para ficar no site é para ficar no WhatsApp ele quer que esse Bote ele cons ele consiga por exemplo pegar informações do cardápio pegar informações de data consegue por exemplo gerar o link de pagamento pra pessoa poder pagar Qual que é o problema que ela quer resolver entendeu Quais são as especificações ou de uma maneira mais Geral de maneira mais geral né que a gente chama na engenharia de software Quais são os requisitos do seu programa Quais são os requisitos do

projeto que você vai fazer é isso entendeu Então a primeira etapa a etapa mais importante é você entender o problema de negócio por que que é a mais importante porque se você entender o problema de negócio errado você vai desenvolver uma solução que não atende o problema daquela pessoa então se você faz algo que não eh resolve o problema daquela pessoa cara para que que você fez entendeu então gastem tempo aqui no problema de negócio para vocês poderem entender parte dois entender o problema de negócio Cris ô ô diretor você consegue colocar para mim por

favor crisp DM C SP ifen DM esse Framework João Vitor beleza crisp DM é exatamente isso aí então a segunda etapa você já entendeu o problema de negócio você já eh já sabe o que que você quer fazer é um bote para por exemplo atendimento no WhatsApp e com acesso a informações do cardapio que gera informações ali do eh gera o link de pagamento né pra pessoa poder pagar Cara você realmente precisa dear para isso é a primeira pergunta que você vai se fazer por muitos projetos não precisam de Inteligência Artificial vou te dar um

exemplo aqui muito bom sabe qual é exemplo vamos supor que você tem um site uma pessoa te contratou para você poder fazer um modelo de recomendação pro e-commerce daquela pessoa pro site daquela pessoa e aí essa pessoa vende vários produtos Naquele site no e-commerce dela e ela quer que você monte um sistema de recomendação personalizado para cada usuário Com base no gosto daquele usuário Qual que é a recomendação dos produtos que você vai fazer para ele isso tem muito no site da Amazon por exemplo Então quando você entra na Amazon tem lá recomendados para você

quando você entra na Netflix tem lá filmes recomendados para você isso é um sistema de recomendação que utiliza Inteligência Artificial por quê Porque é personalizado pro seu gosto entretanto para poder fazer um MVP uma primeira solução né o MVP basicamente é o produto mínimo viável é um produto que não é o melhor de todos mas já resolve aquela dor entendeu isso é o MVP então será que para para uma primeira solução você precisa de a não necessariamente que que você pode fazer você pode pegar os filmes mais assistidos na semana e recomendar pra pessoa essa

já é uma primeira uma primeira versão de um sistema de recomendação entendeu então numa primeira etapa você não precisa diar você já consegue gerar valor pro cliente sem precisar de Inteligência Artificial inclusive Olha que doido né um ecommerce se eu não me engano não sei se foi um e-commerce foi uma uma loja de de um Supermercados né online eh alguma coisa nesse sentido mas de forma geral vamos supor que é um e-commerce esse caso realmente aconteceu e cara eles contrataram uma empresa para poder fazer um sistema de recomendação E aí o cara o coordenador né

o líder ali do time de ciências de dados dos dos das pessoas que vão construir essas soluções eles falaram o seguinte cara eh vamos começar utilizando Tipo isso que eu falei com vocês AG né de recomendar os mais populares da semana eu falo não eu quero que implementa com ia eu quero que comece com ia tal resultado se tivesse colocado teria aumentado 30% as vendas no mês entendeu sem Inteligência Artificial e depois colocou I aumentou ainda mais vocês terem uma noção 80% dos filmes vistos na Netflix são vindos de sistema de recomendação e 30% do

faturamento do e-commerce da amazon É do sistema de recomendação deles Inteligência Artificial colocando dinheiro no bolso de todo mundo entendeu então se você sabe construir esse sistema se você sabe pegar um problema e dividir ele em alguns passos igual tô fazendo agora com vocês vocês vão ter muito espaço no mercado para poder trabalhar com ia beleza Vocês vão ter muito espaço para poder trabalhar com ia então primeira pergunta você realmente precisa de a no nosso caso do chatbot para Hamburgueria a gente precisa então a gente não consegue ter por exemplo na verdade a gente pode

criar aqueles chatbots ó tá até soltando até foguete aqui porque pô a aula tá sendo absurda né não sei se vocês escutaram o Foguete aí mas a aula tá sendo Boa PR caramba e aí o que que acontece você começa a produzir por exemplo o chatbot Sabe aquele chatbot que é fixo que você manda uma pergunta ol lá e ele fala olá Clique na opção para poder escolher cardápio Clique na opção para poder pegar o hambúrguer isso não é ia beleza não não precisa de inteligência artificial é basicamente um fluxograma que tá acontecendo ali só

que você pode utilizar ia para ser mais personalizado ainda então você pode começar com uma solução mais simples e depois Pass para essa solução que que usa Inteligência Artificial que é uma conversa natural ali parece que é de fato uma atendente entenderam então você pode começar com isso depois avançar para Iá outra coisa aí Estão soltando fogos por aqui também soltaram fogos é é sincronizado bicho é meio dia né aí começa soltar fogos aí é feriado então vai todo mundo sincronizado aí escutando foguete É isso aí a aula tá sendo boa para caramba todo mundo

soltando foguete após que o vizinho ali tá escutando tá o que tá soltando foguete tá tá assistindo a aula aqui também passo três colete entenda e trate os dados por Quando vocês vão por exemplo pegar o cardápio da pessoa para poder fazer o chatbot isso eu já vi acontecer bastante muita gente pega os textos e formata de uma maneira errada entendeu então você tem ali o cardápio da pessoa que só que você pode pegar esse cardápio e tratá-lo da de uma melhor forma para poder melhorar ainda mais o seu sistema de Inteligência Artificial beleza para

poder melhorar o chatbot então para qualquer tipo de problema você tem que pegar os dados você tem que entender os seus dados e depois você tem que tratar esses dados é isso que você tem que fazer tudo lembra que eu falei aquele termo garbage in garbage out lixo dentro lixo fora aqui enfim todas as ias elas precisam de fato de dados bons é justamente por isso então é o que a gente chama de etl extract Transform e load no caso aqui você tá extraindo dados de algum lugar então por exemplo você vai pedir pra pessoa

o cardápio dela fez a extração você vai tratar que no caso é o Transform então você vai transformar e tratar esses dados e depois você vai fazer o load que é carregar esses dados por exemplo ali em algum banco de dados alguma coisa nesse sentido Beleza então é justamente esse processo que a gente chama de etl que você vai fazer com os dados ali depois você vai treinar e avaliar o seu modelo então o que que você vai fazer Pô o chatbot aqui nesse caso que a gente tá fazendo para Hamburgueria vamos vamos testar um

modelo gratuito por exemplo lama vamos testar aqui por exemplo o Queen 2 o Mistral esses modelos open source gratuitos porque se der conta do recado para que que a gente vai gastar por exemplo com uma Open ey com o cloud da vida entendeu então a gente primeiro começa avaliando e testando esses modelos diferentes para ver qual melhor performa por isso você vai avaliar também entendeu E aí beleza não deu conta você não conseguiu fazer por exemplo com o lama 2 da vida com lama 3.1 desculpa 70 bilhões de parâmetros pô vamos testar aqui um Open

ai mini aquele 4 o mini pra gente ver se dá conta que é barato deu conta show de não deu conta vamos testar um pouco mais caro um pouco melhor o GPT 4oa 3.5 entendeu E aí você vai treinando e avaliando conforme a sua solução for avançando depois disso avaliou testou tá tudo certo cara você testou um monte de vezes vai colocar isso em produção e o que que é colocar em produção no nosso caso é colocar o chatbot para poder atender os clientes de WhatsApp é colocar isso funcionando entendeu no mundo real jogar isso

pro mundo real sair do ambiente de desenvolvimento e colocar no mundo real entenderam Então olha só o passo a passo pra gente pegar um problema e até colocar ele em produção é isso aqui que vocês vão seguir sempre para todos os projetos que vocês pegarem de Inteligência Artificial vocês vão seguir esse inclusive pra detecção de fraude e quando a gente tá falando aí de previsão de demanda que eu também já trabalhei para segmentação de clientes tudo segue Esse passo a passo beleza Tudo segue Esse passo a passo aí que eu tô mostrando para vocês podemos

avançar podemos avançar além de aplicações envolvendo os modelos como chat GPT a infinita muitas outras possibilidades de aplicações envolvendo Inteligência Artificial e aqui eu quero passar um pouco mais rápido por quê porque se a gente for explicar cada uma dessas aplicações vai demorar demais então eu vou te mostrar aplicações de visão computacional vou te mostrar aplicações de áudio aplicações de texto é muita coisa dá para fazer muita coisa com ia e eu quero que vocês expandam o leque de vocês com base nessas soluções beleza vamos lá visão computacional a gente tem aqui ó um três

tipos de problemas tá o primeiro deles é classificação de objetos segundo deles é detecção de objetos e o terceiro é segmentação de objetos então eu trouxe esses três tipos de problemas aqui para vocês poderem de fato saber que existe Beleza se vocês não conhecem para saber que existe classificação de objetos por exemplo uma aplicação é um modelo que a partir de uma foto ele consegue identificar se uma se um determinado animal aqui por exemplo é um cachorro ou não entendeu então se você coloca lá uma foto de um gato ele vai falar zero ou seja

não é um cachorro quando você coloca um ele vai falar ele vai quando você coloca a foto de um cachorro né ele vai retornar um Ou seja é um cachorro entenderam agora detecção de objetos aqui que que a gente tem a partir dessa foto que vocês estão vendo aqui que tem um ônibus tem um carro ele consegue circular na verdade ele coloca um retângulo em volta por exemplo do carro um retângulo em volta das pessoas um retângulo em volta do ônibus e identifica ali que existe um ônibus que existe um carro isso é detecção de

objetos uma aplicação muito boa sabe qual que é é quando você tem eh é quando você tem pensa que você tem uma câmera voltada lá pra sua rua então não sei se você mora em alguma casa que enfim tem uma rua muito movimentada na frente alguma coisa nesse sentido você coloca uma câmera fixa ali com sistema de detecção de objetos o que que acontece você consegue saber contar quantos carros passaram naquela rua tem aplicações dessas em muitos lugares tem aplicações em indústria Sabe de quê você pega Sabe aquela esteira que vai passando um monte de

produtos e naquelas indústria né que passa muitos produtos alguns produtos defeituosos outros produtos normais você consegue colocar um sistema de detecção de objetos para identificar se aquela se aquele objeto né vamos supor uma garrafa ela tá danificada ou não então isso é muito usado na indústria também visão computacional quando você utiliza o seu computador para poder enxergar o mundo beleza seria Exatamente isso outra coisa segmentação de objetos sabe quando você entra em algum site Coloca uma foto e pede para tirar o fundo utiliza-se por trás um algoritmo de Inteligência Artificial que realiza a tarefa de

segmentação de objetos Então como vocês podem ver aqui tá vendo que tem meio que uma pessoa aqui meio que circulada desenhada né Toda colorida ela identifica isso uma um sistema de visão computacional ela consegue identificar claramente onde tem uma pessoa e aí esses sites aí que fazem o recorte automático do fundo eles utilizam justamente isso Beleza carros autônomos usam isso também eles enxergam o mundo através da segmentação de objetos beleza Então olha só isso aqui é só Divisão computacional a gente tem também de processamento de áudio e qual que é um exemplo muito bom Alexa

Alexa tem um um um passo a passo para processar dados que é muito bom entendeu olha só quando você chama Alexa que que acontece ela tem ali no fundo um algoritmo para poder detectar palavra-chave Então ela consegue diferenciar quando você tá chamando ela você tá falando a palavra-chave que no caso é Alexa ou quando você tá falando alguma outra coisa E aí quando você fala por exemplo alguma coisa que é Alex ela vai classificar como sendo um ou seja me chamou Então você fala por exemplo Nossa você tá comentando com alguém na sua casa né

nossa mas tá frio né ela vai colocar como zero ou seja você não falou a palavra-chave Alexa entenderam então é a primeira parte detecção de palavra-chave tem essa tarefa depois de conversão de fala para texto quando você fala com a Alexa ela não entende o que que você tá falando ela converte aquilo para números entendeu E no caso você tem uma tfa específica que pode ser converter a fala para um terço Ou seja a transcrição dessa fala é possível fazer a transcrição de falas inclusive de forma gratuita e utilizando o Whisper Ô diretor você consegue

colocar na tela para mim por favor tem um modelo que é gratuito para você poder utilizar utilizar chamado Whisper que transcreve e fala de forma automática e gratuita e é uma transcrição muito boa cara uma transcrição muito boa esse modelo aí você pode pesquisar para você por exemplo transcrever reuniões para você transcrever chamadas áudios de WhatsApp é muito bom e é muito tranquilo de usar inclusive aqui no meu canal do YouTube mesmo acho que na próxima semana vai sair um vídeo eh utilizando uma pi que você consegue utilizar o Whisper também Beleza então só fica

de recado aí que é totalmente possível você fazer esse tipo de tarefa outra coisa compreensão e resposta tem como você por exemplo chamar ferramentas Então a partir do texto que ela entendeu que você mandou né Você falou para ela ela converteu aquilo para texto e a partir daquele texto você fala para exemplo liga a luz da minha casa ela vai chamar uma ferramenta que liga a luz da sua casa então ela consegue compreender a resposta também entendeu isso aqui é é um exemplo de processamento de áudio outra coisa processamento de linguagem natural é justamente o

que a gente tá falando aqui então classificar texto por exemplo você pode chegar numa você pode chegar tem várias aplicações Inclusive eu já fiz uma solução muito boa Olha só diretor consegue colocar minha tela só para poder falar com o pessoal um pouco mais intimista aqui eu fiz uma aplicação onde a a gente basicamente era uma empresa que estava necessitando disso era meio que um bônus que a gente estava entregando para ela do projeto e ela tinha um aplicativo tanto na Play Store quanto na Apple Store então a empresa tinha lá e os aplicativos dela

e consequentemente tinham umas avaliações dos usuários né os comentários que os usuários deixavam nas outas plataformas que que a gente fez a gente pegou de forma automática esses comentários então a gente puxou esses comentários de lá e classificou em três categorias a gente classificou em positivo negativo ou neutro então por exemplo um cara comentou e pô que aplicativo bom positivo Nossa aplicativo péssimo negativo e como baixo esse aplicativo neutro não falou nem bem nem mal é neutro entendeu então a gente pegou ess esses comentários de forma automática e montou um gráfico ao longo do tempo

de quantos comentários positivos tinham quantos comentários negativos tinham quantos comentários neutros tinham e a gente conseguia ver inclusive quando por exemplo algum dia que tinha muitos comentários negativos e a taxa de comentários negativos começava a subir Opa provavelmente aconteceu algum bug entendeu no nosso aplicativo Então cara isso é classificação de texto você pega um texto e consegue classificar em positivo negativo ou neutro beleza e olha só o diretor acabou de comentar aqui comigo galera de análise de mídias sociais faz isso na mão hoje E aí pensa você profissional de Inteligência Artificial chega numa agência de

marketing chega numa empresa e fala assim ó eu consigo construir um sistema Onde eu consigo te mostrar dia a dia atualizado automaticamente a quantidade de pessoas falando bem mal ou neutro sobre a sua Marca pô a galera pira cara tanto que quando a gente fez isso pra empresa foi tipo assim a gente tinha um projeto principal e a gente entregou esse projeto principal e a gente fez esse outro projeto bônus entendeu para eles e cara eles piraram piraram piraram muito no projeto E aí já fica aí uma ideia de projeto vocêes poderem oferecer também beleza

vamos passar aqui e aí você tem várias outras tarefas né você tem a tradução que a gente conhece muito do Google Tradutor aí você tem a parte de geração de texto Ou seja que é próprio o chat GPT Então a gente tem várias aplicações E aí eu vou chegar no último slide aqui dessa primeira parte que seria a parte que a gente chama de transfer learning O que que é transfer learning é basicamente transferência de aprendizado como funciona isso vamos supor que você pega ali um modelo que já foi treinado com bilhões e bilhões de

dados Então vamos pegar o gpt3 tá gpt3 foi treinado com bilhões e bilhões de dados tem 175 bilhões de parâmetros E aí você pode pode pegar esse cara e pode transferir o aprendizado dele para algum outro modelo seu só que você vai pegar uma parte específica Então vamos supor tem alguns modelos Inclusive eu até coloquei aqui o nome chama imaginet beleza esse modelo imaginet ele foi treinado com milhares de objetos Então você consegue colocar por exemplo você tira a foto de um carro ele consegue saber que é um carro você tira foto de um cachorro

ele consegue saber que é um cachorro só que vamos supor que você tá precisando fazer alguma aplicação específica que você não quer diferenciar se é um carro ou se é uma moto você quer diferenciar se é um jo ou se é um go entendeu se é uma Dodge Run ou se é uma Hilux você quer diferenciar nesse nível que que você pode fazer você pode transferir o aprendizado do imag net e você vai utilizar menos dados para poder fazer essa diferenciação Então você vai meio que retreinar o seu modelo só que transferindo o aprendizado de

um modelo pro outro isso é totalmente possível e a maioria das aplicações hoje que eu vejo fazem isso e é uma excelente técnica aí para você poder utilizar também show de bola diretor consegue colocar na minha tela de de novo cara porque agora a gente vai passar pro pra parte dois só que antes disso a parte dois a gente vai falar de fato só de Inteligência Artificial generativa Tá bom agora a gente vai falar só sobre isso e a generativa mas antes eu quero saber parte um totalmente compreendido ficou alguma dúvida que que vocês acharam

comenta aqui valeu a pena não valeu a pena manda aqui que eu quero saber enquanto isso eu vou responder algumas perguntas Guilherme o que aprender para para desenvolver o chatbot Cara depende primeira coisa a primeira coisa de tudo inclusive para desenvolver todas as aplicações de a prompt você tem que aprender engenharia de prompt qualquer e toda aplicação de Inteligência Artificial Você vai precisar fazer prompts bem feitos não só fazer prompt bem feitos para irá poder funcionar mas também aprender engenharia de prompt para poder se proteger de prompt injection que é o que a gente falou

ou seja uma outra pessoa pode atacar suas IAS e vazar informação confidencial então é por isso entendeu então é por isso mas basicamente prompt você pode aí depende cara chatbot se vai usar hag se não vai usar hag se vai utilizar fine tun Então depende bastante mas a primeira coisa de tudo é prompt foca Nisso porque Cara você já consegue fazer um chatbot muito bom muito bom utilizando algumas ferramentas como o próprio Defy tá só que o Defy ele vai precisar de você saber engenharia de prompt então é a primeira coisa de tudo você tem

que saber isso tá Thiago leite e pode seguir esse roteiro para qualquer projeto que é sucesso até projeto de portfólio olha exatamente thago aí ó thago dando a dica aquele Framework aquele passo a passo ali para poder desenvolver projeto de a é muito bom tá bom Bruno Marx cada profissional de ar especializa em uma dessas áreas visão computacional áudio texto imagem cara tem profissionais específicos para cada uma dessas áreas sim só que hoje por exemplo eu já fiz aplicações de áudio já fiz aplicações de visão computacional já fiz aplicações de texto Então você consegue ser

um profissional multitarefas também tá bom Claro por exemplo se me pedir para eu poder treinar uma I divisão computacional do zero eu sei que utiliza redes neurais convolucionais como funciona a arquitetura só que eu não tenho nível de especialidade que uma pessoa que estudou a vida inteira só para visão computacional tem entendeu então tipo assim hoje o meu foco maior é poder resolver problemas poder chegar a empresas vender soluções é isso que eu faço hoje então eu sou um profissional multitarefas e consigo resolver essas essas demandas aí do mercado beleza Eh show de bola olha

só é o feedback aí do Kauan Valeu demais a pena Até quem já tem uma base no ramo de a foi uma revisão para preencher as lacunas exatamente e o k1 eu sei que tem valeu a pena fiquei curioso sobre res horis tem alguma recomendação de conteúdo livro de referência cara tem um livro gratuito na internet mas é um livro pesado pesado pesado tá para poder ler tudo chama Deep learning book pesquisa depois Deep learning book tudo junto você vai prescisar na internet tipo assim é um livro muito completo um livro muito bom e é

pesado mas se você ficou interessado aí você vai aprender bastante eh deixa eu ver show de bola acho que foi né acho que foi beleza vamos agora pra parte dois vamos pra parte dois aqui agora falar sobre inteligência artificial generativa agora chegou o momento que eu acho que a maioria estava esperando poder ver sobre generativa como é que os TR funcionam por baixo dos panos e agora que a gente vai ver esse negócio show de bola então o que que é i generativa e generativa eu fiz uma enquete outro dia no meu Instagram e muita

gente botou errado infelizmente muita gente falou que a generativa gerava texto mas não não e a generativa gera novos conteúdos com base nos dados que ela foi treinada então não necessariamente somente texto ela pode gerar imagem ela pode gerar áudio ela pode gerar vídeo e a generativa cria novos conteúdos como texto imagens ou áudio a partir de padrões aprendidos em grandes conjuntos de dados é isso então não é só texto tá e a generativa o próprio nome fala Inteligência Artificial generativa gera novas coisas e não somente texto tá mas também texto e aqui tem uma

coisa muito interessante que eu quero mostrar para vocês eu tem algumas pesquisas né da própria Mein também que a a generativa vai gerar entre 2.6 a 4.4 trilhões de e de Dólares anualmente e aumentando o PIB mundial em 7% somente a ia generativa Fora as outras aplicações que eu falei de vocês de fraude as outras aplicações que eu falei de áudio aplicações de enfim só e generativa beleza vai gerar aumentar o p mundial em 7% Então você pensa o quanto isso vai gerar e pensa só uma fatiazinha disso no bolso da gente né o tanto

que a gente já fica feliz é isso cara então é muita coisa e olha só tem uma outra pesquisa também que fala ele impacta tarefas diárias de 80% dos trabalhadores como automação de relatórios e criação de conteúdo beleza exemplos incluem o chat PT para gerar texto tem o m Journey para poder gerar imagem o Dolly né também e aqui eu quero mostrar uma aplicação para vocês beleza quero mostrar uma aplicação para vocês e deixa eu vir aqui no scal draw deixa eu vir aqui no scal draw e vou mostrar para vocês uma aplicação que a

gente tá fazendo hoje aqui na dácia tá bom que utiliza Inteligência Artificial vamos vamos voltar naquele exemplo do chatbot daquele chatbot para Hamburgueria pode ser chatbot da Hamburgueria aí a gente conversa lá com o pessoal tal conversa aqui com com o dono né conversa aqui com dono ele fala cara quero um chatbot e tá aqui ó tá aqui deixa eu desenhar a mão dele tá aqui o meu cardápio esse aqui é o meu cardápio Beleza então aqui tem várias informações tal preço tudo mais e eu quero que os chatbot que você construa para mim ele

tem informações desse cardápio fala Show de Bola Deixa comigo que que você vai fazer como funciona essa esse projeto de a que eu vou explicar para vocês o que é hag Tá bom agora vou explicar para vocês o que é esse termo que muita gente fala que muita gente não sabe o que é explica errado né e bom para quem não sabe eu pesquiso essa essa aplicação específica aqui academicamente então na minha faculdade eu faço pesquisa acadêmica em cima de modelos de haag estudo isso bem a fundo eh e eu vou explicar aqui para vocês

de uma forma mais simples como é que isso funciona tá bom hag É o quê É você ter um modelo Então você tem um modelo aqui de a beleza você faz uma pergunta para ela você faz uma pergunta então aqui tem uma pergunta do usuário então aqui ó tem o usuário beleza fez uma pergunta para Iá E o que que acontece ela vai utilizar essa pergunta antes de jogar para para ia mesmo o que que ela vai fazer ó deixa eu até apagar aqui porque o usuário vai fazer a pergunta deixa eu jogar aqui o

usuário ele faz a pergunta essa pergunta ela é jogada para um outro modelo que codifica essa pergunta para poder armazenar a informação semântica dela e o que que é armazenar informação semântica ano cara quando a gente trabalha com texto Eu já falei com vocês que Inteligência Artificial modelo de machine learning trabalham só com números correto e a gente tem que ter um jeito de poder transformar texos em números correto Mas como que a gente consegue transformar textos em números guardando a informação semântica né então por exemplo que guardar informação semântica é você poder diferenciar por

exemplo ó modelo de machine machine learning Opa Escrevi até errado né learning de modelo modelo fashion o que que aguardar informação semântica é você saber que esse modelo aqui é diferente desse modelo aqui entendeu então isso é você poder armazenar informação semântica de um texto informação do significado daquele texto né E aí a gente tem várias técnicas para poder fazer isso que não cabe aqui pelo menos explicar mas basicamente você pega essa pergunta em formato de texto e converte ela aqui utiliza uma outra ia tá bom que a gente eu não vou explicar isso aqui

porque vai vai embaralhar muita coisa mas você pega essa outra ia e converte ela converte esse essa pergunta do usuário né em uma informação semântica e aí você fala o seguinte a partir do cardápio vamos supor que a pergunta é quais hambúrgueres t a pergunta é quais hambúrgueres t e aí você fez a mesma coisa aqui pro cardápio inteiro Então você pegou todo o cardápio você armazenou toda a informação semântica dele e quando você pergunta de hambúrguer ele vai retornar pra gente ele vai retornar pra gente os trechos do cardápio que tem mais e signif

parecido com a pergunta do usuário que no caso seria hambúrguer Beleza então ele vai trazer aqui ó vários e vários documentos Então você joga numa I ela joga aqui num numa bate aqui né a gente tem um banco de dados Então aqui tem todas as informações aqui do cardápio então ó todas as informações aqui do cardapio da pessoa todas as informações aqui E esse cara ele vai retornar pra gente o quê quais são os documentos mais semelhantes então aqui a gente tem esse documento aqui mais semelhante tem esse documento aqui mais mais semelhante e tem

esse documento aqui mais semelhante Qual documento é esse são fragmentos do cardapio então aqui no cardapio Você pode ter por exemplo hambúrguer hambúrguer um aí você pode ter o hambúrguer ó Hambúrguer 2 e ele vai retornar os trechos mais semelhantes Para quê Para poder colocar isso aqui numa outra ia E aí olha só o que que eu vou fazer aqui agora a gente vai pegar essa pergunta do usuário essa mesma pergunta do usuário e vai jogar aqui também por quê Porque ele vai utilizar o contexto trazido pelo banco de conhecimento que no caso seria a

nossa o nosso cardápio certo para poder utilizar de contexto e responder então o prompt ficaria tipo assim responda a pergunta do usuário com base na pergunta dele então você colocaria pergunta e aqui teria a pergunta do usuário e aqui embaixo você colocaria o contexto e o contexto seria esses documentos mais semelhantes e aí você colocaria responda responda a pergunta do usuário Com base no contexto Se você não souber a resposta diga que não sabe entendeu E aí você montaria um prompt trazendo esses documentos mais semelhantes à pergunta do usuário para poder gerar a resposta por

isso que é chamado de hag e hag é o qu retrieval retrieval augmented Generation Opa Generation que é geração por recuperação aumentada é isso é o qu é você trazer informações externas que o chatbot por exemplo não sabe quais hambúrgueres aquela lojinha da esquina tem no cardápio ele não sabe por padrão chat PT não sabe sobre isso entendeu e o que que você tem que fazer você tem que adicionar essa informação lá só que muitas vezes o limite de contexto dele ele não consegue por exemplo colocar um livro inteiro como contexto Então você vai trazendo

fragmentos mais semelhantes à pergunta do usuário a cada pergunta que ele faz entendeu é justamente isso é justamente isso que acontece Deu para entender isso aqui é hag beleza e a consulta real e a consulta em Real Time quanto a stock Cara não sei o que que você quis dizer mas se for hag essa consulta é feita Real Time então o usuário Faz a pergunta ele pega o documento mais semelhante coloca lá para poder gerar resposta e pronto entendeu estão perguntando se a Live vai ficar salva a Live vai ficar salva show de bola mas

eu quero saber Deu para entender isso aqui deu para entender essa parte sobre hag porque é justamente o que a gente tá falando aqui isso aqui essa arquitetura que eu desenhei para vocês é um sistema de hag beleza é um sistema de R então vocês podem ver aqui que eu pego documentos da empresa eu divido em documentos menores depois eu crio os embeds o que que são embed né que eu tô falando aqui é basicamente você transformar o texto em informações semânticas é isso Só que tem um nome mais bonito chamado de edgings né E

aí você armazena esses embeds em um banco que a gente chama de banco vetorial E aí toda vez que o usuário Faz uma pergunta a gente cria o embed dessa pergunta também transforma ele em uma informação semântica a gente busca os trechos mais semelhantes e aí você faz você pega a pergunta do usuário e pega os trechos mais semelhantes como contexto e a partir disso você joga no llm e ele manda a resposta pro usuário show de bola show de bola esse documento de consulta você que define ô Guilherme você pode colocar qualquer coisa Aqui

você pode pegar documentos da empresa você pode pegar cardápio de um restaurante você pode pegar e cara qualquer coisa você que define esse documento entendeu E por exemplo vou te dar um exemplo que eu tô fazendo agora um um exemplo de aplicação entendeu Eu tô trabalhando de hag com hag para poder pegar Opa informações de meu microfone Até saiu aqui deixa eu coloco esse negócio de novo enquanto eu vou falando para poder pegar e partes de documento jurídico Beleza então documentos jurídicos eles têm o quê cara informações sobre artigos informações sobre leis É isso que

eu tô trabalhando hoje no sistema de haag E aí você imagina cara tem aplicação para sistema jurídico tem aplicação para Card restaurante tem aplicação para documentos internos da empresa entendeu você que define esse esse documento e aí o Pedro provavelmente ele já é mais avançado também ele já sabe que tem uma biblioteca do Python chamada L chain que a gente constrói essas soluções show de bola mas isso aqui é um papo para depois então HG ele funciona dessa forma por que que eu trouxe isso logo aqui qual slide no terceiro slide né Por que que

eu já trouxe isso logo de cara porque cara tem muita aplicação que você pode fazer com isso entendeu Eu quero que você de fato despertem em vocês a a sensação de cara olha o tanto de coisa que dá para poder fazer com inteligência artificial para documentos de empresa para muitas e muitas coisas beleza e tá perguntando esses são usados tanto nas perguntas do usuários quanto na consulta dos documentos exatamente e eu vou te mostrar isso aqui agora cara é eu gosto bastante de poder explicar essa parte de rag é uma parte um pouco mais avançada

Mas eu creio e eu tenho certeza que todo mundo aqui vai gostar de ver isso que é basicamente o seguinte deixa eu dar um zoom aqui no scal draw que é isso aqui ó o que que acontece quando você cria um embedding geralmente ele tem pelo menos o Bert né Tem um modelo chamado Bert que é do Google e esse modelo se eu não me engano ele foi lançado em 2018 tá E ele cria esses edgings pra gente ele retorna pra gente um documento pensa se fosse uma planilha de excel com 768 colunas e aí

significa que você tem 768 dimensões para poder simplificar vamos supor que a gente tem somente duas dimensões aqui então vamos supor que ele cria aqui um documento com duas dimensões Beleza então ele retorna pra gente duas dimensões e qual que é o nosso por exemplo eu tenho uma frase né E essa frase é representada com vetor então por exemplo aqui ó essa frase poderia ser hambúrguer opa pera aí hambúrguer eu vou só colocar h tá de costela hambúrguer de costela tá nessa posição aqui então o hambúrguer de costela tá nessa posição só que aí ele

pega uma outra frase qual frase pô eu vou pegar aqui hambúrguer de hambúrguer vegetariano vegetariano beleza hambúrguer vegetariano aí cara quando eu mandar pro modelo por exemplo salada então eu mando só pro chatbot salada o que que ele vai fazer ele vai transformar a salada no caso a frase que eu mandei também em um vetor ou seja mais ou menos por aqui por que que por aqui porque semanticamente salada é mais próximo de vegetariano do que de costela pegaram é isso que acontece só que aqui em um espaço de duas dimensões que eu tô contando

para vocês só que na Tipo pô na realidade é um espaço de 768 dimensões a gente nem consegue ver isso eu nem consigo representar isso aqui num papel entendeu E aí olha que maneiro vou dar um outro exemplo aqui para vocês para vocês entenderem em beding de fato tá nem tava no Script isso mas eu acho que vai ser massa você vocês terem essa noção você manda um texto para I Então esse mesmo texto aqui né Vamos p você tem aqui o vetor Olha só você tem aqui esse vetor homem e aqui você tem o

vetor mulher essa é a posição semântica deles beleza essa é a posição semântica concorda comigo que você tem esse vetor aqui indo de um pro outro concordam vocês t esse vetor indo de um pro outro não tem esse vetor azul se a gente tiver aqui também por exemplo aqui ó a gente tem aqui rei e rainha vocês concordam que esse vetor aqui ó deixa eu tentar copiar esse cara não vai dar para copiar né não tem problema não mas esse cara aqui ele vai ser o mesmo entendeu é isso que acontece eu quero que vocês

tenham isso na verdade não vai ser o mesmo porque tá um pouco mais inclinado Mas seria basicamente isso aqui ó que eu tô querendo mostrar para vocês eh deixa eu ver se eu vou eu não vou conseguir desenhar direitinho para ser o mesmo vetor Mas seria basicamente Tipo isso aqui entendeu seria meio que esse vetor copiado para cá por quê Porque semanticamente é como se fosse homem menos por exemplo mulher seria esse esse a representação desse vetor seria isso e armazena a mesma informação semântica entendeu então cara tem muita coisa aqui por exemplo quando você

pega e gato e gatos quando você pega dois vetores por exemplo uma palavra no singular e outra no plural o vetor de diferença desses dois caras são os mesmos para muita por exemplo para gatos e gatos cachorr e cachorros entendeu gato e gatos é isso é isso então é a representação semântica e tem muita coisa por trás tem muita coisa por trás entenderam então pô acho que isso aí deu PR deu para fritar um pouco a cabeça uma informação um pouco mais densa Mas aqui é aula de de e ensino ensino superior aula para adulto

isso aqui né então a gente vai seguir e aqui eu trouxe algumas informações a mais que é cara exemplos de imagem gerada por ia então a ia ela não gera só texto ela pode gerar imagem também e eu assinei essas três plataformas aí para poder mostrar para vocês o mesmo prompt inclusive quem deu o prompt aqui foi a Luísa para poder gerar essas imagens no caso seria um golden com uma coleira azul é na beira de um lago e o Golden el tá balançando o rabo entendeu então coloquei esse prompt aí e olha só tem

aqui a imagem gerada pelo doy que no caso o Dolly é o modelo utilizado por trás dos panos no chat PT Então quando você pede pro chat PT gerar alguma imagem ele pega esse modelo chamado Dolly 3 para poder gerar Tá bom você tem uma imagem gerada pelo mid Journey Você tem uma imagem gerada aqui pelo Adobe firefly então Adobe também tem um serviço de geração de imagens Olha só e aqui Claro a gente pode ver que as mais realistas são mid Journey e a do firefly concordam então aqui são exemplos de aplicações de modelos

de imagem de fato aqui pra gente poder eh visualizar como é gerado né Além disso eu quero falar com vocês uma coisa muito interessante tem um gráfico que é esse gráfico que tá aparecendo aqui que é da performance do modelo então a gente tem a performance do modelo e a gente tem a quantidade de dados Beleza a gente tem a performance a quantidade de dados e aqui vocês estão vendo que a gente tem modelos grandes e modelos pequenos quando a gente aumenta muita quantidade de dados só que o nosso Modelo ele é pequeno a performance

ela fica estagnada por quê Porque cara não adianta eu ter muitos e muitos dados se o meu modelo é Pequenino se o meu modelo é muito simples ele não vai conseguir entender os padrões ali entendeu só que quando você tem muitos dados e você tem modelos cada vez maiores você consegue capturar relações mais complexas nesses dados então a performance tende a aumentar e aí entra duas nomenclaturas que eu vou explicar para vocês llms e s lms o que que são llms né na verdade eu vou explicar antes disso até chegar em modelos grandes llms são

large language models ou seja modelos grandes de linguagem então language models lms language models são modelos de linguagem o que que é o modelo de linguagem o GPT é o o cloud entendeu todos eles são modelos de linguagem o lama é o modelo de linguagem só que tem modelos grandes e tem modelos pequenos Beleza tem modelos grandes e pequenos e aí aí tem uma coisa você pega aqui muitos dados você consegue colocar por exemplo pega aí seu primo de 6 anos pega aí seu sobrinho você consegue colocar esse cara para poder ler uma dezena de

artigo científico você não consegue cara ele não consegue capturar as relações complexas dos dados entendeu então é como se fosse isso você tá pegando uma uma criança de 6 anos para poder colocar muitos dados em cima dela ela não vai conseguir ela não tem capacidade para isso então você tem que pegar de fato modelos maiores show de bola e slm são small language models ou modelo de linguagem pequenos são modelos com menos parâmetros a gente já viu o que que são parâmetros aqui mas eu vou revisar o que que é o modelo grande o modelo

grande é basicamente com base nos parâmetros aqui que vocês estão vendo a gente tem 16 parâmetros aqui nesse modelo então porque 16 parâmetros 1 2 3 4 e aí 5 6 7 8 9 10 11 12 13 14 15 16 entendeu então a gente tem 16 parâmetros aqui nesse Modelo E aí você pode pensar pô ano o gpt3 tem 175 bilhões pois é pois é o lama tem versões do lama de 70 bilhões de parâmetros tem modelos do lama de 405 bilhões de parâmetros então tem modelos que são pequenos e modelos que são grandes modelos

pequenos a gente chama de small language models modelos de linguagem pequenos e modelos grandes a gente chama de large language models Ah me dá uma noção mais ou menos o que que é grande aí cara não tem um Limiar tão definido assim pelo menos vários autores falam número de diferentes eh eu considero o modelo um small language Model de 2 Bilhões para baixo tá 2 bilhões para baixo tem alguns autores que consideram 1 bilhão para baixo e mas enfim é de 1 2 bilhões para baixo tá bom Aí você pega por exemplo Gemini gemin tem

mais de 1 trilhão de parâmetros é muita coisa então é é mais ou menos isso que eu quero falar para vocês tá é mais ou menos isso que eu quero falar e aí tem uma coisa interessante que também eu vou sair um pouco do script aqui por quê Porque esses são números concorda Então a gente tem por exemplo um parâmetro lá que é igual a 0.5 só que cara na computação a gente tem alguns tipos de dados que a gente pode armazenar dados como float float 64 eles conseguem uma precisão muito grande então eles consegu

por exemplo ó 1 6 7 8 4 1 então você consegue uma precisão muito grande quando você cai para um float 32 você CONSEG colocar exemplo 6.058 016 você não consegue pegar essa precisão aqui do 7841 é aí você é redonda aqui PR 7 entendeu então você pega só essa parte aqui você não consegue ter uma precisão tão grande quanto você tem com float 64 e o que que isso impacta quanto maior esse cara aqui ó quanto maior esse cara aqui que eu tô circulando mais memória vai consumir então o tipo desse parâmetro vai influenciar

também no tamanho do modelo pelo menos na quantidade de GB Beleza então cara isso impacta também e tem algumas técnicas Ô diretor coloca para mim por favor no banner quantização tem uma técnica chamada quantização de llms onde você consegue pegar por exemplo um gpt3 que vamos supor aí tá vamos só só aqui na no campo hipotético vamos supor que ele tem 100 GB ele ocupa 100 GB no seu computador com a técnica de quantização você consegue pegar o mesmo modelo transformar ele por exemplo de um float 32 para um Flow 8 ou seja reduzir quatro

vezes o tamanho dele entendeu então de 100 GB ele vai para 25 GB só que a performance não altera tanto Claro cai a performance mas ela não altera tanto então você consegue pegar modelos grandes e trazer eles para um tamanho menor aplicando quantização Beleza então ó conteúdo de novo de adulto aqui beleza pra gente poder É de fato prosseguir então aqui llms versus slms né Igual falei para vocês são modelos grandes possuem bilhões de parâmetros né os llms e são treinados com muitos volumes de dados e eles cara são é para tarefa complexa então chatbot

geralmente a gente usa llms eh aqui tem uma coisa muito importante Olha só quero que vocês tenham isso muito Claro na mente llm são treinados com muitos volumes de dados entendeu muito um volume muito grande de dados Então você tem ali por exemplo o GPT ele sabe dados por exemplo da Wikipedia ele sabe dados quando o homem foi pra lua sabe dados de dieta sabe dados sobre cara e guardarroupa sobre cama sobre montar entendeu essas as ferramentas ele sabe muitas coisas ele tem um conhecimento de muito muito grande só que quando você tá por exemplo

desenvolvendo um chatbot para uma Hamburgueria você quer que o seu modelo Saiba por exemplo Como arrumar uma cama ele precisa disso ele não precisa saber isso Ele precisa saber como atender alguém ele não precisa desse conhecimento de mundo tão grande então por isso às vezes o modelo de linguagem menor com fine tuning que a gente vai falar o que é ele funciona muito bem por quê Porque você quer adaptar Aquele modelo menor para aquela tarefa específica então você não precisa desse conhecimento de mundo tão grande que o modelo tem ele não precisa saber isso para

poder atender alguém entendeu e provavelmente um funcionário que você contratar para poder atender e um funcionário muito bom ele não vai saber por exemplo qual que foi o o ano que foi inventado o sei lá o chip de processador e o x GPT sabe e é o modelo que você tá utilizando para poder atender clientes Vocês entenderam o que que eu tô querendo falar Então você tá desperdiçando meio que um conhecimento que ele tem ali Você tá jogando meio que fora entendeu Você tá pegando um canhão para poder matar uma bazuca você tá usando só

uma parte do conhecimento dele sabe só que aí tem uma coisa quanto maior o modelo mais caro ele é por você lembra que eu falei com você que uma placa de vídeo pode curar pode custar . mil aproximadamente então tem o custo de treinamento e quanto mais dados ele tem mais placa de vídeo vai precisar e mais caro vai ser para poder treinar logo mais caro as empresas vão cobrar para você poder utilizar esse modelo muito grande então quanto maior o modelo geralmente mais caro ele vai ser para usar e não somente mais caro mas

também mais demorado para poder te dar as respostas e quando você tem modelos menores cara eles foram treinado com conjunto de dados menores se você fizer algum fine tuning uma especialização nele ele consegue atender muito bem a sua tarefa então acaba saindo mais barato e performa muito bem na sua tarefa e eu quero que você Saiam daqui sabendo isso por quê porque a maioria ma das aplicações que eu já vi rodando em empresas utilizam llms quando na verdade poderiam estar utilizando slms ou seja o custo seria menor e o tempo de resposta seria menor também

ele seria mais rápido Beleza então ó com isso aqui cara você já conseguem Nossa Senhora muita coisa tipo assim muita muita coisa e sabe o que que é o mais interessante de tudo o prompt que é a engenharia de prompt que enfim eu até postei um react outro dia no meu Instagram comentando sobre um influenciador famoso que falou que Engenharia de prompt não era necessário e tal que era bobagem quando você tá utilizando slms a engenharia de prompt ela se torna cada vez mais necessária cada vez mais necessária por cara é um modelo menor é

um modelo menor ele não tem toda aquela inteligência que um um llm tem então você precisa ser muito específico muito direto muito conciso no seu prompt que é o comando que você vai dar para ia você precisa saber muito bem garia de prompt para poder utilizar de uma forma eficiente slms e aí construir aplicações muito boas Beleza então e os slms eles têm menos parâmetros e são mais eficientes em termos de recurso e tempo de treinamento tá E aí tem tarefas específicas ele podem ser usados como por exemplo análise de sentimento lembra aquilo que eu

falei com vocês aquela aplicação que eu peguei o eu peguei o os comentários né que a que a empresa tinha no Google Play na Apple Store e aí eu fui avaliando em positivo negativo ou neutro isso um slm por exemplo um lama 70 bilhões um lama 8 bilhões já dá conta entendeu com fine tuning ali ele faz isso perfeitamente E aí você não precisa gastar nem com api você não precisa utilizar um api da Open ai api da Cloud entendeu então é justamente isso utilizar slms vai salvar muita grana das aplicações que você vou fazer

e isso cara quando você tiver apresentando projeto para para algum cliente você tem que falar você vai falar assim olha Provavelmente você deve estar perguntando por que eu não vou utilizar o GPT sendo que é um dos melhores modelos isso porque eu quero salvar recurso a gente não vai precisar disso entendeu a gente não precisa utilizar um modelo tão grande para poder fazer é exatamente isso entendeu olha só que massa eu vi um dia e esse aqui foi o diretor que acabou de me mandar no chat ele me lembrou disso que cara ele me mandou

um anúncio de uma pessoa no Instagram eu falei não é possível não é possível tanto que eu compartilhei no story quem me acompanha lá no Instagram vai lembrar que eu compartilhei isso um cara ele tava utilizando o GPT para poder classificar a partir do nome da pessoa se era homem ou mulher Ô gente um lama de 8 bilhões da conta de fazer isso tipo assim de graça tá entendendo Então pensa o custo a cada nome que chegar vai ter um custo de api a cada nome que chegar vai ter um curso de Api para poder

classificar em homem mulher homem mulher pensa pensa é esse ponto que eu quero que vocês tenham essa noção agora aplicações mais complexas vocês forem fazer justamente vocês lembram aqui que eu coloquei até no pipeline Olha só pipeline não no Framework né para vocês poderem desenvolver projetos de a treine e avalie você vai tá primeiro modelos gratuitos deu conta nem vai pro modelo pago Ah pô testei aqui o lama testei aqui o Queen que é o modelo chinês testei aqui o Mistral não deu conta do recado vai pro outro bicho você não vai fazer uma aplicação

porca também para poder salvar recurso então treine e avalie teste o seu modelo beleza é basicamente isso que eu quero que vocês saiam daqui sabendo E aí antes de passar pro próximo slide na verdade vou responder algumas perguntas e eu posso criar pequenas bases de conhecimento dentro de um contexto para ajudar algumas iar usando isso que você explicou pode pode Cara na verdade você pode provavelmente a empresa que você tá trabalhando que for atender não vai ter documentos ali tipo certinhos sabe no formato específico que você tem que utilizar pro rag da vida então você

vai ter que pegar você vai ter que chegar naquela empresa pedir os documentos e se elas não tiverem se não tiver o documento você vai pedir para eles poderem escrever alguma coisa você vai tratar esses dados entendeu então as aplicações geralmente funciona assim o dono da Hamburgueria que que ele vai te fazer ele vai te mandar Muito provavelmente uma foto do cardápio e a partir dessa foto você que vai pegar as informações e construir um documento que melhor se encaixe no hag na aplicação específica beleza Guilherme llms usam do hag para essas Consultas por trás

dos panos aí que tá não tem uma diferença muito grande é uma pergunta excelente que você fez aqui que muita gente inclusive confunde Guilherme e agora você não vai confundir mais e eu vou até o final quando eu tiver explicado eu quero conferir se você entendeu ou não tá bom quando você pega um llm da vida um chat PT da vida e treina ele é treinado com todos os dados da Internet que ele encontra tá bom só que ele encontra por por exemplo documentos específicos da sua empresa Pensa numa numa numa Hamburgueria que você vai

muito aí na sua cidade uma Hamburgueria que você vai muito cara uma Hamburgueria nova ele não tem informação do cardápio dessa Hamburgueria Você concorda comigo então ele ele faz essa consulta somente para documentos que a gente manda para ele então documentos externos que ele não tem um conhecimento só que por exemplo quando a gente faz uma pergunta de quem foi Albert Einstein pô ele foi treinado com muitas e muitas páginas na Wikipedia de sites da internet com essa informação de quem foi Albert eist Então não é uma informação nova que você tem que dar para

ele entendeu geralmente hag é utilizado para novas informações que provavelmente o modelo não entrou em contato ainda como o cardápio de uma nova Hamburgueria como documentos internos da sua empresa normas jurídicas da sua empresa entendeu código de éticas da sua empresa e aí você cria um chatbot para ajudar os colaboradores com código de ética tirar dúvidas sobre isso então essas informações mais Gerais o chat GPT ele sabe é tipo assim meio que de pronta resposta entendeu ele vai te dar de pronta resposta ali o resultado só que quando H uma informação por exemplo do cardápio

da Hamburgueria nova ele busca na base de conhecimento e aí ele utiliza você conseguiu entender isso porque é uma expli é uma pergunta muito boa cara muito muito boa Deu para entender Enquanto isso o Diego tá perguntando aqui num ambiente que trabalha com estoque como é feita a consulta ao estoque pelo agente nó de consulta a BD cara quando você tá trabalhando com um agente de a E você tem um nó que faz a consulta no banco de dados primeira coisa que eu já vou te falar é toma muito cuidado Tom muito cuidado porque eu

já já vi na minha frente vazar informação de banco de dados eh utilizando llms Tá bom então pode vazar a informação do banco de dados a gente pode utilizar prompt injection para poder mandar uma consulta específica para I poder se confundir e retornar toda a base de usuários então tem esse cuidado aí para poder tomar mas eh é com agente sim tá bom então você tem a tu específica a ferramenta específica pro agente poder consultar o banco de dados show de bola e aí você tem que definir qual que são os parâmetros dessa dessa ferramenta

enfim e aí eu não vou entrar tanto em detalhes aqui não Pedro Lemos você diria que hag é um Chain of touch entre ias cara não é diferente hag é diferente de Chain of touch Chain of touch é basicamente a cadeia de pensamento que a gente tem né então é você aá raciocinando antes de te dar a resposta isso é Chain of touch hag é basicamente uma é uma consulta que a ia faz na verdade nem a ia que faz você constrói uma uma um um atalho externo a ia para poder fornecer contexto para ela

então você tá vendo aqui ó a pergunta do usuário quando ele faz a pergunta aqui ele basicamente joga a pergunta junto com o contexto só que esse contexto ele não é trazido por nenhuma ia ele é trazido por um sistema que a gente chama de busca por similaridade não tem nenhuma Inteligência Artificial envolvida para trazer esse contexto em si Então não é uma forma de comunicação entre as ias beleza é é um sistema à parte haag é um sistema a parte é como se fosse aí uma ferramenta para poder trazer contexto Beleza então isso aqui

é hag llms e slms deixa eu ver a última pergunta antes da gente poder prosseguir o termo grande das llms se refere a grande quantidade de dados elas conseguem apreender o reter ou grande da quantidade de parâmetros grande da quantidade de parâmetros tá bom grande da quantidade de parâmetros que elas têm geralmente o large e o small de large language models ou small language models são é definido pela quantidade de parâmetros Beleza então aqui por que que lms podem fazer né Por que que eu coloquei lms porque são tanto llms ou seja de modelos grandes

quanto modelos pequenos então de uma forma mais geral lms que são modelos de linguagem cara você pode fazer consulta personalizada então você pode basicamente responder algumas perguntas bem complexas mesmo perguntas difíceis de uma maneira bem detalhada você pode criar conteúdo então conteúdo paraa rede social conteúdo para mídia conteúdo para blog você pode criar copies por exemplo se você vai fazer algum anúncio alguma coisa nesse sentido eh é basicamente criação de texto sob demanda o que você precisar de criação de texto você pode não só de texto também mas também de aqui no caso de language

models né então modelo de linguagem geram texto só que aqui a gente pode estar falando por exemplo de um mid Journey para gerar imagem para capas de um blog a gente pode estar falando de enfim Vocês entenderam né Tem várias e várias gerações de conteúdo que a gente pode fazer diferentes e aqui uma outra aplicação também é atendimento ao cliente que a gente já tá cansado de falar aqui cansado de falar que é o chatbot da Hamburgueria que a gente tá usando como exemplo beleza outra coisa escrever cpis para campanhas de marketing aqui tá uma

aplicação muito boa escrever cópia pra campanha de marketing então por exemplo você chega lá numa numa agência de Marketing e fala assim ó eu posso automatizar esse processo estão fazendo utilizando Inteligência Artificial Então posso gerar a copy inclusive se vocês não me acompanham no Instagram recomendo que me acompanhem lá eu postei recentemente uma um GPT personalizado que eu criei utilizando prompt tá somente prompt mas um prompt bem feito para poder criar copies muito boas e detalhadas e numa linguagem que você não fala que é o GPT que fez entendeu Só que aí o que que

tem que saber tem que saber prompt tem que saber prompt fazer cara prompt É de fato não tem como ser a ferramenta eh não tem como ser uma coisa pouco importante porque a forma como a gente se comunica com A Iá né então é uma das coisas mais importantes que tem outra coisa resumir documentos longos então resumir documentos longos é uma ferramenta muito boa que a ia tem é um é uma habilidade muito boa que ela tem e essa parte de documentos longos a gente vai ver um pouco mais sobre isso daqui a pouco sobre

janela de contexto E por aí vai tá atendimento personalizado 24/7 então é um chatbot que tá ali à sua disposição à disposição da sua empresa da empresa que você vai prestar serviço 24 horas por dia 7 dias por semana escrever código para criação de site se você é desenvolvedor se você programa você pode utilizar o esses modelos de linguagem para poder gerar código também então é uma das melhores ferramentas que a gente tem hoje beleza e aí o que que é esses modelos de linguagem não podem fazer né o que que eles podem fazer a

gente já viu o que que eles não podem primeira coisa raciocínio modelos de linguagem Não raciocinam e aqui tem uma coisa muito importante não precisa raciocinar não precisa raciocinar tá bom isso aí cai em uma em uma teoria em uma teoria chamada se eu não me engano teoria do quarto chinês tá teoria do quarto chinês eh e essa teoria cara ela funciona basicamente o seguinte pensa que você tem um quarto fechado e aí você chega lá com uma carta em chinês beleza e essa e esse quarto fechado ele te devolve uma carta em portug português

então Opa Você joga uma carta em chinês e ele te devolve uma uma carta em português então é basicamente um quarto onde você joga uma carta lá e ele te devolve a tradução dessa carta de Chinês para Português você sabe como funciona esse quarto se é um quarto todo fechado você não sabe como funciona você só sabe que você joga para lá uma carta em chinesa e volta uma carta em português show de bola só que dentro dessa carta dentro desse quarto na verdade tem um cara que é um bilíngue em chinês e português ele

sabe falar as duas línguas então ele vai e te devolve a carta só que você não sabe qual método que ele tá usando entendeu Você não sabe o que que ele faz por trás você só sabe que cara ele funciona e é isso que importa entendeu tanto que tem essa teoria uma teoria formal no no campo de Inteligência Artificial chama teoria do quarto chinês eu acho que é esse nome tá eh Mas qual que é o a moral da história disso llms não raciocinam Eles não sabem o que eles estão fazendo eles só prevêem a

próxima palavra eles prevem a próxima palavra lembra que a a gente viu lá que ele pega qual que é a próxima palavra mais provável utilizando aprendizado supervisionado é isso que eles fazem iterativamente então Opa com base aqui nessa nesse nessas palavras que eu tenho Qual que é a palavra mais provável de vim Opa agora que eu já tenho essa nova palavra com base nessas novas sequência de palavras qual a próxima palavra mais provável deim é isso que eles fazem eles não raciocinam eles vão gerando e gerando palavras prováveis é isso só que eles não precisam

raciocinar o que eu tô querendo falar é o seguinte se eles fornecem uma resposta correta eu tô pouco me lixando porque ele faz por trás dos panos entendeu Tô pouco me lixando para isso é isso que acontece outra coisa Inteligência Emocional não tem não tem Inteligência Emocional então aqui eu até coloco o seguinte é modelo de linguagem né lms não compreendem ou sentem emoções genuinamente por quê sequências de palavras eles prevem a próxima palavra Eles não sabem o que que é uma emoção entendeu provavelmente se tivesse a próxima palavra mais provável e mudar do humor

né talvez se o llm tivesse estressado a próxima palavra mais provável seria uma outra entendeu do que quando ele tivesse triste do que quando ele tivesse feliz então não tem isso não tem Inteligência Emocional nenhuma e também não tem juízo ético e moral por o único juízo ético e moral que as linguagens que os modelos de linguagens têm generativos hoje né como xpt é com base no que ele foi treinado então por exemplo ele foi treinado para não por exemplo incentivar o usuário a criar uma bomba só que ele foi treinado para isso se não

tivesse nenhuma Norma específica durante o treinamento do modelo de linguagem ele ensinaria entendeu então tudo isso é com base no treinamento então eles não têm isso aqui Eles não conseguem ter raciocínio Inteligência Emocional nem juízo ético e moral show de bola e aqui eu vou antes de passar pra próxima etapa que é o que a gente vai falar sobre corte de conhecimento Alucinação token janela de contexto a gente vai falar sobre esses termos mais técnicos eu quero saber até aqui como é que tá sendo vocês estão aprendo Endo valeu a pena comenta aqui e bebe

uma água também que eu vou beber aqui show de bola tem alguma dúvida também manda aí para mim antes da gente poder prosseguir vamos lá galera como é que tá sendo aí tão aprendendo bastante o cérebro tá fritando show de show de aula tá sensacional ar pô Obrigadão Schmitz valeu a pena o Paulo é você Paulo valeu a pena demais é isso aí galera tamo junto vamos agora continuar que agora a gente vai ver os termos mais técnicos aqui sobre modelos de linguagem em si tá bom é que no caso é o corte de conhecimento

as alucinações os tokens e a janela de contexto primeira coisa que eu quero falar já que coloquei um quadro resumido tá bom de todos esses termos eh e tá aqui corte de conhecimento é chamado também de knowledge cutoff então knowledge Cof é uma tradução e em inglês né para corte de conhecimento e é basicamente quando o modelo de linguagem como uma ia por exemplo né o o chá de GPT da vida ele não possui informações sobre eventos ou dados posteriores a seu período de Treinamento anon tá falando grego para mim cara que que acontece vamos

supor se eu não me engano o GPT 3.5 ele foi treinado com dados até setembro de 2021 ou novembro de 2021 tá o GPT 3.5 versão dele entãoo que [Música] aconteceu não sabe GPT 3. [Música] pera aí aí acho que agora tá voltando tá [Música] voltando vamos ver Hã alô alô como é que tá aí Alô acho que agora foi hein agora foi cara quem mora interior sabe aí do que eu tô falando né quem mora interior sabe do que eu tô falando acontece não tem o que fazer ainda mais hoje que é feriado né

A galera tá tá tá utilizando a Internet muito aí é tenso cara aqui para interior É Tenso né mas não tem problema nenhum vamos voltar aqui numa boa porque eu tava explicando sobre corte de conhecimento tá que que acontece corte de conhecimento é cara você foi treinado até setembro de 2021 beleza foi treinado até setembro de 2021 o modelo se você perguntar alguma coisa para ele que aconteceu em 2022 ele não vai saber ele teve um corte de conhecimento em setembro de 2021 a partir daquilo ali bicho só pesquisando na internet entendeu E tem algumas

inteligências artificiais que consegue pesquisar na internet mas é isso que é corte de conhecimento é a partir do momento que você parou de treinar EA naquele determinado período de tempo ela não sabe mais nada do que aconteceu dali pra frente show de bola Alucinação o que que é é quando você gera informações o modelo de Inteligência Artificial né como chpt ele gera informações incorretas ou falsas apresentando essas informações como verdadeiras então por exemplo quem nunca perguntou alguma coisa pro chat PT e ele deu uma resposta errada e você corrigiu e ele falou assim verdade você

está certo e reformulou a resposta e respondeu corretamente antes ele cometeu Malo na ação entendeu então por exemplo muita gente eh isso aqui eu já vi cara nossa eu já vi em um curso pago que eu fiz olha que massa né e um curso pago que eu fiz a o a descrição do vídeo né Tinha algumas referências de artigo Só que os artigos tipo assim não existiam sabe Provavelmente o que que aconteceu Ele gerou ele pediu para paraa Inteligência Artificial gerar referênci de artigos e ele não conferiu então tipo assim ele gerou artigos falsos entendeu

com links que estavam quebrados links que nem funcionavam então isso acontece beleza isso acontece eh Alucinação é basicamente essa parte onde o modelo meio que viaja tá bom ele meio que viaja ali fala uma coisa que ele acha que é verdade mas na verdade é mentira e aí Cabe a você também eh verificar essa essa veracidade show de bola Outra coisa tokens o que que são tokens tokens são pedaços de palavras então é basicamente a menor unidade de texto que a que o modelo de linguagem eh ele ele interpreta Tá bom vou explicar para vocês

aqui no scal draw como é que funciona isso vamos supor que você tem uma frase eu gosto de sei lá gato eu gosto de gatos Tá bom eu gosto de gatos essa aqui é a frase show de bola e aí que que fa bom você pode pensar Cara o que que o o chat GPT interpreta ele interpreta opa pera aí palavra por palavra né então isso aqui isso aqui isso aqui isso aqui então eu posso considerar isso como sendo um token mas o chat GPT não considera palavras como sendo token ele pode considerar por exemplo

eu espaço depois goost como sendo um token ó espaço como sendo outro token depois o de espaço como sendo outro token o gato como sendo um token e o s aqui no final como sendo um outro token entendeu então é pedaço de palavra Na verdade fica entre um caracter e uma palavra tá bom o token ele não é uma palavra mas também não é um caractere ou seja o que que é um caractere não é por exemplo só o e não é por exemplo só o u não é por exemplo só o espaço só o

g só o o entendeu são entre uma palavra e entre um caracter ele fica meio que no entre isso e aquilo Beleza então token é isso e o chat BT ele não prevê a próxima palavra ele prevê o próximo Token entenderam E por que aqui por exemplo que eu separei propositalmente gato gatos né do do gato com o s no final o token específico por quê porque a maioria ele tenta diferenciar pelo menos semanticamente o s no final significa é plural O gato é o bicho é o animal gato entendeu Então ele faz essa diferenciação

semântica por exemplo o gosto pode ser e o goste né que eu coloquei até o t pode ser gosta pode ser gosto pode ser gostos entendeu então ele vai pegando as palavras que meio que eu esqueci o termo em português Cara mas não sei se é predicado é alguma é alguma algum termo em português para poder pegar a a base ali da palavra né Eu esqueci agora o termo para quem eh para quem sabe aí comenta eu não sei é o radical Olha só o diretor Pô o diretor tá salvando aqui é o radical da

palavra beleza é como se fosse isso entenderam para poder diferenciar dos das próximas variações que aquela palavra pode ter show de bola derivado aí ó pô só os ferem português aqui tá tá maluco pô É isso aí então token é isso token é basicamente isso é é a unidade que o seu modelo de linguagem interpreta o que você tá passando para ele e aí ele transforma esses tokens em números beleza que a gente vai ver isso aqui também e o que que é janela de conhecimento janela de conhecimento basicamente se refere ao limite de contexto

que o modelo de a pode processar só de uma vez Ah não não entendi você consegue por exemplo pegar todos os livros do mundo copiar ele dar um cont Crol C cont control V colar no chat PT e perguntar uma coisa não por qu porque é muito longo é muito longo se você Já copiou um texto muito grande pro chpt provavelmente ele já reclamou contexto muito longo tipo input muito longo entrada muito longa né então ele não consegue interpretar ISO por cara é um contexto gigantesco ele tem uma janela de conhecimento ali e essa janela

de conhecimento ela é definida durante o treinamento do modelo show de bola Então a partir do momento que o modelo começou a ser treinado já foi definido qual que vai ser a janela de conhecimento dele E aí a gente tem vários modelos com janela de conhecimento diferente o GPT por exemplo eh o GPT 4 o se eu não me engano ele tem 128.000 tokens né de janela de contexto a gente tem o cloud o cloud ele tem 200.000 tokens de janela de contexto a gente tem o Gemini o Gemini tem mais de 1 milhão de

tokens de janela de contexto Então os modelos de linguagem eles variam de acordo com essa janela de contexto ou janela de conhecimento show de bola são termos semelhantes mas se refere à quantidade de informação que ele consegue interpretar de uma vez só em um único prompt ali beleza na verdade não só em único prompt mas também pensa quando você tá conversando com a i vai adicionando mais contexto né vai adicionando cada vez mais contexto você faz uma pergunta ela responde E aí você fala você lembra do que eu perguntei antes e ela fala Lembra Você

perguntou tal coisa só que se você ficar conversando com ela cara de hoje até amanhã ela vai começar a esquecer coisas que você falou lá no começo porque já atingiu a janela de conhecimento dela Beleza então isso aqui são os principais temas que eu quero explicar agora vamos falar sobre tokens e aqui eu trouxe um exemplo prático muito bom pra gente poder falar sobre tokens né primeiro deles Olha só eu trouxe algumas frases eu gosto de cachorro cachorro é legal você pode ver aqui que eu gosto de cachorro o espaço cachorro é um token porque

tá da mesma cor beleza só que aqui a gente tem quando o cachorro inicia uma nova frase a gente tem o cach e depois orro são dois tokens pra mesma palavra cachorro só que aqui no começo a gente Precisou de um token só entendeu então a mesma palavra ela não tem o mesmo token depende do contexto por isso que esses modelos de linguagem são tão bons porque eles entendem o contexto e isso aí é devido para quem já tá um pouco mais avançado ao mecanismo de atenção mas isso aí é um papo para muito muito

mais depois é um papo bem mais profundo Tá bom mas aí vocês podem ver que por exemplo ó o token o número correspondente né a cachorro pelo menos espaço cachorro minúsculo ele é 168 983 Esse é o identificador é o que o e o chat PT vê quando você manda essa frase aqui pro chat PT ele interpreta esses números aqui embaixo beleza é isso que ele vê ele vê números Então quando você manda cachorro depois de um ponto final né você inicia a frase com cachorro ele identifica dois tokens 165 455 e 465 63 então

a palavra cachorro dependendo do contexto ela vai ter eh tokens diferentes beleza inclusive pode ser um token pode ser dois tokens ali compondo a palavra cachorro outra coisa estão vendo aqui ó quando eu coloco em inglês dog I like dog tá vendo que eu coloquei em inglês aqui embaixo cachorro eu gosto de cachorro tá aqui embaixo Ó você pode ver que dog e o dog nas duas nas duas posições né tanto ali no começo da frase quanto no final da outra frase ele possui tokens também com números diferentes o O primeiro é dog somente e

o segundo é dog com espaço antes então são tokens diferentes também depende do contexto outra coisa Tá vendo aqui embaixo tem uma tem um texto em coreano O que que significa dog I like dog só que em coreano aí eu pedi pro pro Google Tradutor traduzir isso aqui você pode ver que cara o coreano e essas outras linguagens tipo o japonês o chinês também que é uma linguagem de símbolo né eh essas linguagens cara os tokens são aproximadamente cada um dos símbolos e o que que isso afeta quanto mais tokens você tem mais você gasta

e quando você tem por exemplo cada símbolo sendo um token é muito mais caro você gerar um texto em chinês do que em português entendeu então isso afeta afeta Inclusive a performance do modelo então o token por exemplo aí vai até uma dica para vocês prompts em inglês economizam até se eu não me engano 20% dos custos que você tem do que se você fizesse em português por em inglês é mais enxuto os texos na sua grande maioria desse modelo de linguagem foram treinados com dados em inglês então é mais barato você poder utilizar Beleza

então quando você tá desenvolvendo alguma aplicação fazendo o prompt em inglês inclusive você pode especificar por exemplo write in portuguese para poder falar com ele para escrever em português você tá utilizando o promp inglês E economizando tokens Beleza já vai até uma dica aqui para poder fazer aplicação e e aqui olha só por que que as ias elas não são tão boas em matemática tá então cálculos matemáticos às vezes ela dá algumas viajadas por quê também por causa de tokens galera a maioria dos problemas que ocorrem nos modelos de linguagem é por causa de tokenização

beleza é por causa de token tudo tud isso então é matemática por exemplo não sei se vocês já fizeram algum experimento desse com GPT 3.5 mas se você mandasse por exemplo palavra cachorro pro GPT 3.5 falasse com ele assim ó Coloca essa frase de trás pra frente ele não consegue por quê Porque ele divide a palavra cachorro em duas coisas então ele colocaria meio que o reverso de orro tá vendo aqui em cima a palavra cachorro dividido duas vezes ele colocaria o reverso de orro e depois o reverso De Cash entendeu por isso de é

a tokenização que mexe com tudo isso da interpretação do modelo tudo tanto que aqui na matemática vocês estão vendo o resultado final é dividido em dois tokens então o 3421 é dividido em 342 depois um Então são dois tokens diferentes então o que que ele pensa Cara eu já tenho aqui quais tokens 2 938 mais 483 igual espaço 342 E aí ele pensa Qual que é o próximo to mais provável ele não raciocina ele não consegue somar ele só vê qual que é o próximo token mais provável de vi entendeu quando você pede para ele

poder para ele poder fazer essas contas é isso que acontece é isso que acontece por isso esses modelos não são tão bons assim eh em fazer cálculos matemáticos por cara e ele nem precisa tá você pode utilizar por exemplo ferramentas eh você pode utilizar agentes de a para poder chamar uma ferramenta para poder fazer esses cálculos entendeu para poder dar certo Inclusive tem uma técnica de prompt Ô diretor coloca na tela por favor chama pal a técnica de prompt pal program aided eh language beleza language Modas né seria mais ou menos isso mas chama pal

essa técnica de prompt é uma técnica que basicamente você é é um programa assistido é na verdade é um modelo de linguagem assistido por um programa Então à medida que você que ele vai gerando a resposta ele vai meio que gerando um código em Python em paralelo para poder fazer essas contas entendeu para poder ter uma maior acurácia tanto que cara é essa nos benchmarks essa técnica de prompt melhora demais então vocês estão vendo tem Como contornar essas limitações da ia tem mas tem que saber prompt tem que saber prompt cara não adianta não adianta

todas essas aplicações tem limitações sim mas também tem como você contornar isso Inclusive essa técnica de prompt é uma técnica avançada Mas é uma técnica muito boa aqui pra gente poder eh falar nesse contexto beleza e aqui vai uma curiosidade para vocês de como o modelo de imagem Funciona porque eu já falei de modelos de texto e modelo de imagem cara modelo de imagem basicamente é o seguinte você pelo menos modelo de difusão Mais especificamente né você pega uma imagem de um gato e aí você coloca esse aqui é um gato cinza e aí você

vai meio que borrando essa imagem e o modelo aprende entendeu a meio que borrar essa imagem então ele pega uma foto de um gato cinza e vai borrando essa imagem cada vez mais e o que que acontece para você poder gerar por exemplo imagem quando você coloca lá um gato cinza para modelo de imagem poder gerar ele basicamente faz o processo reverso entendeu então ele aprendeu a borrar agora Ele só faz meio que muda o algoritmo para poder desborrar o que ele já tinha o que ele tinha feito então você começa com uma imagem toda

borrada que se vocês pegarem aí por exemplo o o mid Journey você vai ver que ele começa meio borrado e depois ele vai melhorando é justamente por isso então ele vai melhorando cada vez mais até chegar no gato cinza modelos de difusão funcionam dessa forma é assim que ele geram imagens comenta aqui vocês já sabiam disso isso aqui cara eu achei muito bonito quando eu vi a primeira vez achei muito bonito esse esse mecanismo a é muito inteligente também de quem pensou nisso né Porque pô para poder pensar nisso aqui o camarada eh sexta-feira à

noite ele não nunca saiu na vida dele isso aqui é muito massa muito massa eu achei muito bonito cara quando eu vi isso a primeira vez eh beleza que que a gente vai falar agora beleza Como melhorar a performance antes de falar disso eu quero responder essa pergunta aqui ó do Vittor eh Então existe outro mecanismo de a para gerar tokenização cara existe vários tipos vários vários tipos de de tokenização e de de processo né para poder fazer a tokenização utilizado pelo GPT e pela maioria dos modelos de linguagem é o que a gente chama

de byte Pair encoding beleza chamado de bpe se você colocar bpe tokenização no Google você vai encontrar byte Pair encoding é basicamente isso ou bite pawise en code alguma coisa nesse sentido Tá mas é com base em enfim aí eu não vou explicar como é que funciona o algoritmo aqui senão vai demorar demais árabe também árabe também ele pega essa ele começa a pegar mais símbolos individuais entendeu para poder escrever então também tem esse esse aumento no custo aí do Token show de bola aí ó por isso que as imperfeições das imagens geradas são representadas

pelos borrões Exatamente porque o modelo de difusão começa com esse borrão e vai melhorando só que aqui por que que eles fizeram isso porque Pô para você pegar uma imagem pronta e borrar é muito fácil então para poder realmente esse merc de poder treinar é muito bom velho e é muito bom entendeu E você consegue pegar a imagem perfeita aqui sabe eu achei isso aqui genial sério mesmo enfim vamos para outro PR outra parte aqui de é como melhorar a performance do meu modelo tá da minha I de fato ali primeira coisa e a mais

importante de todas de todas de todas que eu vou falar é prompt prompt a maioria dos seus problemas podem ser resolvidos com prompt não precisa de R não precisa de F tuning não precisa de Treinamento retreinamento no caso né cara prompt vai resolver a maioria doss seus problemas Se você souber fazer Se você não souber Não adianta ela vai girar respostas ruins você vai achar que é culpa da ia mas na verdade a culpa é sua que você não sabe gerar prompt então prompt é a coisa mais importante aqui pra gente poder fazer Beleza então

ó prompt é a técnica de fornecer instruções diretamente ao modelo de linguagem para que ele Gere uma resposta é isso é a instrução É o comando que você dá para Iá prompt é isso depois cara prompt não deu certo Você já tentou você sabe todas as téc né você é uma pessoa que de fato estudou promp mesmo então você já testou bastante não deu certo tenta hag então você vai coloca hag ali se hag não deu e hag a gente já explicou por isso que eu vou pular Tá bom se hag não deu certo você

tenta fine tuning o que que é fine tuning Agora sim a gente vai explicar um pouco de fine tuning fine tuning é basicamente o processo de ajustar um modelo pré treinado em um conjunto de dados específico vou te falar provavelmente ficou um pouco confuso aí mas eu vou simplificar para você pensa que você tem um médico tá tá bom para quem não sabe o médico ele se forma ele tem o ele é um médico geral né então ele não fez nenhuma especialização só que cara ele ele sabe um pouco de tudo concorda ele sabe um

pouco de tudo então o médico por exemplo que não fez nenhuma residência nenhuma especialização ele sabe eh prescrever ali remédio Talvez ele sabe fazer alguma cirurgia mais geral não tão específica enfim ele sabe um pouco de tudo certo só que cara se você quiser por exemplo operar o seu cérebro você vai no médico geral ou você vai no neurocirurgião que fez 6 anos de residência 6 anos de especialização Você vai no neurocirurgião e é justamente isso que acontece o fine tuning ele pega algo mais geral que é o modelo prét treinado como GPT e especializa

em alguma tarefa específica e o que que acontece no fine tuning você não cria por exemplo você não tá usando o mesmo modelo Sabe aqueles parâmetros que a gente viu esses parâmetros aqui ó deixa eu voltar esses parâmetros por exemplo aqui vocês estão vendo o número 0.3 e 1.4 - 4.1 3.7 os parâmetros esses números eles são alterados entendeu quando você faz o fine tuning Você tá criando meio que um novo modelo com parâmetros diferentes ajustado paraa sua tarefa específica e eu já vou falar um caso aqui que eu fiz tá de fine tuning que

ficou cara muito bom que basicamente a gente tava pegando descrições de produto do supermercado tá então a gente pegava descrições de produto supermercado e a gente queria que ele classificasse eh esse esse produto em algumas em algumas categorias específicas retornando um formato Deon também específico então uma tarefa bem mais complexa testamos prompt nada testamos aí rag nesse caso não se encaixaria mas aí a gente fez o fine tuning e cara ficou perfeito a gente fornecia a descrição do produto Supermercado ele já categorizavam automaticamente retornava um Jon bonitinho no formato que a gente queria entendeu então

eu especializei o modelo geral que no caso é o GPT nessa tarefa específica show de bola e antes olha só eu não tinha um conhecimento de SM language models de slms e hoje com o meu conhecimento Provavelmente o lama de 70 bilhões daria conta do recado entenderam então fine tun é isso é meio que você criar um modelo com novos parâmetros a partir de um modelo já feito é isso é para tarefas muito muito específicas mas o que que eu recomendo para vocês tá primeiro testa prompt a maioria dos seus problemas hoje você consegue fazer

com prompt a maioria grande maioria não deu certo tenta rag não deu certo F tuning E aí se não deu certo cara você vai treinar o modelo de novo só que nunca você vai chegar nesse estágio aqui tá eu tenho certeza absoluto que nunca você vai chegar nesse Estádio de treinar o modelo do zero que a gente já explicou queer encontrar os melhores parâmetros entendeu E por aí vai e é basicamente isso aqui que Como você consegue melhorar a performance do seu modelo show de bola Deu para entender galera comenta aqui para mim deu para

entender que cara a maioria das aplicações é prompt prompt prompt prompt tem que saber fazer Depois tenta R depois F tuning E por aí vai show de bola agora galera a gente vai falar algumas etapas do projeto da i generativa que basicamente eu já tá colocando aqui para vocês né etapa de projeto primeiro deles cara define o problema de negócio é o que a gente já viu já vimos isso depois você vai construir o seu projeto e vai avaliar a gente já viu isso também Você lembra do chatbot entendeu do chatbot lá e que a

gente tinha construído para Hamburgueria que a gente avaliou os modelos por exemplo lama de 70 bilhões o lama de 45 bilhões depois a gente testou o GPT enfim a gente já comentou sobre isso aqui tá e depois colocar em produção que é basicamente você colocar isso pros clientes poderem utilizar show de bola agora eu vou falar de um eu vou fazer um cálculo muito maneiro com vocês um cálculo muito muito interessante que é cálculo de custo Quero mostrar para vocês como uma Iá consegue cara performar muito bem e muito mais barato do que talvez algum

funcionário CLT Beleza então Ó vou pegar aqui a seguinte tarefa basicamente a gente tá pegando e vamos supor que você tem um call center Tá bom você tem um call center aí e cara nesse call center você quer contratar alguém para poder pegar todas as ligações transcrever E resumir show de bola transcrever E resumir para você bom você pode contratar alguém para poder fazer isso um funcionário CLT ou você pode pode utilizar EA E aí eu fiz o cálculo aqui de custo para vocês e como que vocês encontram esse custo só você pesquisar por exemplo

o nome do modelo que você quer usar e pricing show de bola e pricing é basicamente isso que vai acontecer você pesquisa o nome pesqu pesquisa pricing que ele vai aparecer para você o custo por 1 milhão de tokens que é geralmente o a unidade ali de custo então aqui vocês podem ver o seguinte o GPT 4 Oi a cada 1 milhão de de tokens que eu mando para ele no prompt Ele custa 0.1 centavo de dólar e cada token cada 1 milhão de tokens na verdade que ele me retorna como resposta custa 0.6 centavo

de dólar beleza é justamente isso que acontece aqui então esse é o custo que a gente tem e agora vamos fazer essa comparação bom primeira coisa a leitura Qual que é o tempo de leitura por exemplo que um que um funcionário CLT tem E aí eu pesquisei esses dados na internet tá bom geralmente uma pessoa ele consegue ler 250 palavras por minuto e consegue escrever 41.4 palavras por minuto é isso show de bola Então esse é o tempo médio ou seja o tempo o tempo para pra leitura aqui no caso com de um texto de

495 palavras que eu já fiz o cálculo aqui tá bom 495 palavras vai demorar aproximadamente 2 minutos tá o tempo PR escrita vai demorar aproximadamente 1 minuto e 12 segundos e aí o custo e o tempo total seria 0.3 e esse cálculo do 0.3 centavos deais eu fiz com Com base no salário mínimo ali da pessoa com base no 13º Então já fiz o cálculo show de bola já fiz o cálculo aqui bem bem tranquilo para vocês já peguei o salário da pessoa no final do mês com 13º com férias com tudo todos os benefícios

LT trouxe dividir por pelo tempo aqui de 172 segundos que custaria ali seria 0.3 066 centavos de reais Então esse é o custo agora quando a gente tá falando de custo de entrada da ia aqui eu já fiz o cálculo certinho de caracteres de Token vai dar aproximadamente Olha isso cara em em centavos de reais 0.0054 o custo de entrada o custo de saída para ele poder resumir a transcrição da nossa reunião seria do nosso C Center né seria 0.0021 qual que seria o custo total Olha só cara olha o custo total como é que

seria e aqui dá para poder fazer essa conta ó seria pelo menos e 10 vezes mais rápido tá bom seria aproximadamente 10 vezes mais rápido quase 20 17 vezes mais rápido aproximadamente a ia e aqui eu vou fazer essa conta agora na calculadora calculadora deixa eu colocar aqui calculadora quanto que é quanto que é 0.366 divido por 0.0075 o funcionário CLT é aproximadamente 48 vezes mais caro para você poder fazer esse tipo de tarefa agora Imagina isso aqui que eu tô te dando na mão tô te dando aqui a comparação de custos na mão você

apresenta isso para algum cliente você apresenta isso para alguma Hamburgueria você apresenta isso para alguma empresa pequena que quer fazer algum serviço de a você faz esse cálculo de custo aqui para eles eles vão falar cara você vai chegar para e falar assim olha se você contratar um funcionário CLT para poder fazer as transcrições aqui do seu call center você vai gastar aproximadamente 408 vezes mais e vai demorar para poder fazer a mesma tarefa 17 vezes mais aproximadamente beleza show de bola e aí tamb perguntando o 5.43 e o 64 você tirou de onde cara

essa parte aqui ó por exemplo o custo de entrada seria o quê seria 5.43 X 0.15 no caso aqui seria eh seria o dólar exatamente seria o dólar show de bola aqui o 5.43 é o valor do dólar porque a gente tá é dólar ali em cima né então convertendo para reais 5.43 beleza e aí o 64 seria a quantidade de tokens de resposta do modelo eu fiz esse teste antes e eu peguei esse valor de token o valor da quantidade de tokens de resposta né é o valor do dólar ali então eu trouxe tudo

isso pro pro custo show de bola eu meio que simulei uma transcrição feita por uma I Peguei os valores e converti tudo mas seria basicamente esse valor aí beleza então olha só isso aqui cara só essa tela Eu acho que eu poderia fazer uma imersão só dessa tela sério mesmo só dessa tela só essa tela aqui já já você já conseguem vender muitos projetos de a muitos e muitos projetos de a beleza show de bola galera Eh quero ver vocês sério mesmo quero ver vocês fazendo isso quero ver vocês chegando nas empresas fazendo o pit

beleza para poder oferecer para eles ali os projetos comparação de curso e tudo mais show de bola é isso aí é isso aí então aqui a gente vai falar um pouco de Agentes de a agora para poder meio que quase finalizar show agentes de a galera o que que são é basicamente um llm então é um modelo de linguagem que tem acesso a ferramentas específicas então aqui eu defini llm a gente de uma maneira muito boa tá um agente de a é um modelo de linguagem que raciocina e age utilizando se necessário ferramentas para resolver

uma tarefa específica então por exemplo um agente de a quando você pergunta você pode criar ferramentas personalizadas para ele para quando você faz uma pergunta sobre um banco de dados específico ele consegue consultar esse banco de dados utilizando o queries SQL por exemplo entendeu Então ele consegue acessar informações do banco de dados Ah mas essa informação que eu tô pesquisando devido ao corte de conhecimento do modelo e agora já vou utilizar esses termos mais técnicos porque vocês já sabem então devido ao corte de conhecimento do modelo que que aconteceu ele consegue pesquisar na internet show

de bola ele consegue pesquisar na internet porque ele tem uma ferramenta específica a gente consegue conectar com apis que que fazem pesquisa na internet para poder trazer essas informações ahor mas eu quero por exemplo que um agente chame um outro agente específico como vocês estão vendo aqui no slide cara isso é o que a gente chama de agentic workflows então tem uma diferença tem três termos tá que eu quero que vocês saibam diferenciar são Ô diretor consegue colocar é separado por Vírgula por favor llm agente de a e agentic é como se fosse agente só

que com C no final agentic workflows seria basicamente isso agentic workflow é exatamente esses três temos que eu quero que você sab diferenciar llm o que que é um modelo de linguagem grande com muitos muitos e muitos parâmetros ele gera textos sequencialmente que é o que a gente viu prevêem probabilidades ali sequencialmente de qual que é o próximo token mais próximo de vim beleza isso é um llm o que que é um agente de a um agente de a ele consegue utilizar Se necessário ferramentas específicas então pesquisar na web ele consegue um outro código ele

consegue acessar dados entendeu isso é um agente de a e o que que é um agentic workflow um agentic workflow é quando você tem agentes se comunicando então um agente específico da sua aplicação pode ser responsável por comunicar com banco de dados outro agente pode ser por exemplo eh responsável por escrever código um agente pode ser responsável por analisar dados um agente pode ser responsável por realizar cálculos matemáticos então agentic workflows é basicamente uma uma aplicação onde você tem vários agentes comunicando entre si show de bola isso aqui cara muita gente confunde esses termos e

eu quero que vocês saibam tá tem uma diferença grande então o agente de a é uma é um agente específico ele não se comunica com outros agentes um agentic workflow ele tem uma capacidade muito maior porque ele tem vários agentes comunicando entre si e quando a resposta de um agente não tá boa um outro agente pode falar para esse outro que a resposta dele não tá boa para ele poder refazer entendeu então olha que louco você consegue de fato construir uma cara uma empresa com isso tanto que tem empresa de uma pessoa só com agente

de a entendeu com a gente de a seria exatamente isso que eu quero que vocês saibam beleza e aqui tem algumas outras informações pra gente poder finalizar aqui é dados mesmo de uma pesquisa da da mckinsey show de bola e essa pesquisa aqui da mckinsey Ela mostrou que basicamente Olha só esses grupos aqui em azul o impacto deles em bilhões é representa 75% do impacto da IAG generativa Então quais são as áreas que mais vão ser impactadas com base na IAG generativa né A primeira delas é Sales então vendas depois marketing produto né pesquisa e

tal desenvolvimento e você tem aqui customer operations depois eh desenvolvimento de software né engenharia de software no caso aqui de construir aplicações construir produtos de software você tem aqui no caso do pessoal que escreve código mesmo então 75% do do impacto anual que aí a generativa vai ter vai ser nesse ramo então se você quer vender alguma aplicação de a cara recomendo fortemente você pesquisar mostra essa pesquisa aqui pesquisa lá mckinsey pesquisa do impacto anual em bilhões aí generativa você mostra isso na apresentação pro seu cliente fala assim ó sabia que a área de vendas

por exemplo a área de marketing vai ter um impacto absurdo no próximo ano com base naag generativa você quer ficar de fora entendeu é exatamente isso Exatamente isso e aí tem algumas entrevistas né teve uma entrevista com alguns executivos e gerentes e aqui tem algumas respostas Olha só o uso de A é generalizado então 79 por dos entrevistados e os entrevistados são executivos e gerentes já tiveram exposição com ia generativa Beleza já tiveram exposição com ia generativa e 22% utilizam regularmente no trabalho então a gente tá falando aqui de executivos e gerentes de empresa Tá

além disso Olha só eh performers de nível de nível de alto nível em ia estão à frentes com ia generativa empresas que atribuem pelo menos 20% do ebit a ia em 2022 utilizaram ia generativa para gerar novas fontes de receita Então as grandes empresas também estão utilizando ia para poder gerar novas fontes de receita e por que que você não vai por que que você não vai outra coisa aqui espera-se que aí a causa cause mudanças substanciais na força de trabalho quase 40% dos entrevistados esperam que mais de 1 quinto dos funcionários sejam requalificados devido

a i nos próximos 3 anos e se você sabe utilizar ia o quanto você vai subir de cargo nessas empresas o quanto você vai oferecer aplicações de fato para essas empresas cara não tá inscrito vai ter muita gente muita gente procurando profissionais que sabe desenvolver aplicações de hag que sabem prompt principalmente que sabem fine tuning tudo isso tudo isso e aí a doção e o impacto da ia permanecem constantes a adoção de a permanece em 55% mas seu uso é limitado devido a algumas funções de negócio com 23% da empresa atribuindo pelo menos 5% do

ebit a ia então vocês podem ver que aqui a gente já acabou tá a parte dois a gente já acabou os slides Então cara A aula foi basicamente disso tá vocês aprenderam muita muita muita coisa sobre ar vocês sabem o que que é janela de conhecimento você sabe o que que é token você sabe o que que são llms slms e agora de sincero coração já é mais de 3 horas me de aula que a gente tá aqui conversando foi muito conteúdo fala aqui para mim foi muito conteúdo ou não foi pelo amor de Deus

galera pô 3 horas me a gente parou 10 minutos 10 minutos aqui para poder só ir no banheiro rapidinho dar uma mijadinha voltar Tomar uma água é muita coisa cara é muita coisa eu falei que ia ser conteúdo e eu tô tô muito satisfeito com a entrega bastante coisa cabeça tá até fitando exatamente foi massa agora uma outra coisa a mais importante que eu quero falar para vocês vocês sabem como a ia funciona vocês sabem como utilizar a ia e eu quero falar com vocês uma coisa que é muito específico que eu já bati aqui

também muitas vezes que é sobre prompt prompt é a habilidade mais importante para quem quer trabalhar com inteligência artificial não tem jeito as principais aplicações não precisam de hag não precisam de fine tuning precisam somente de prompt beleza e aí o que que eu pensei cara eu sei bastante coisa de prompt porque Pô eu já trabalhei Já fiz vários projetos de generativa já desenvolvi aplicações de segurança para prompt então Eh para não deixar informações confidenciais vazar Falei pô vou fazer essa imersão em fundamentos de a e eu vou fazer uma imersão claro também fundamentos de

engenharia de plom na verdade não só fundamentos vai ser uma masterclass de engenharia de prompt Então a gente vai fazer essa imersão em engenharia de prompt essa masterclass eu vou falar exatamente tudo vou mostrar na prática como funciona engenharia de prompt que é a habilidade mais necessária para quem quer trabalhar interagir com a inteligências artificiais e sabe qual que é melhor de tudo vai ter material de apoio vai ficar gravada também uma plataforma própria específica Nossa da adácia show de bola e o melhor com tudo isso vai ser basicamente 3 horas meia também de imersão

o cabeça vai sair fritando dessa outra imersão dessa masterclass igual a sua saiu dessa e pelo melhor de tudo pelo melhor preço que existe só R 97 só r$ 97 podendo parcelar cara são 3 horas e me de conteúdo que vai ser lá na nossa masterclass onde a gente vai falar de engenharia de prompt a gente vai falar sobre as principais técnicas de injeção de prompt então prompt injection a gente vai falar sobre como vazar informações de a a Chain of touch tree of touch cara tudo tudo tudo tudo baseado nos principais artigos científicos baseado

nos principais bent Max tudo isso eu vou falar para você de uma maneira muito e muito didática diretor pode colocar aí na na tela fazendo favor ah colocar na tela não colocar no chat o link pra galera poder se inscrever que a gente já tem essa próxima Encontro Marcado da nossa masterclass no dia 26 Tá bom então dia 26 de outubro 10 horas da manhã Igual essa imersão aqui a gente vai fazer uma só de engenharia de prompt na prática vou te mostrar as principais técnicas igual falei como você se proteger por exemplo ali de

prompt injection e eu quero que vocês comentem nessa outra também sobre valeu a pena tá que eu tenho certeza que vai valer muito a pena igual essa aqui 3:34 muita informação e é o meu propósito na outra aula também passar bastante informação conteúdo prático para vocês aprenderem sua principal habilidade que é prompt Engineering engenharia de prompt show de bola vocês T alguma dúvida querem falar alguma coisa vamos lá Inclusive tem o certificado também tá a gente vai mandar eh para quem ficou até agora o certificado o código para vocês poderem utilizar o certificado é dácia

tudo minúsculo Ô diretor ia falar Professor diretor coloca na tela fazendo favor para quem quiser pegar o certificado compartilhar lá no Linkedin que participou aqui da imersão dácia tudo pequeno só colocar aí que vai receber o certificado podendo compartilhar no Linkedin de forma automática show de bola É isso aí galera Então olha só cadastrem-se na na nossa Master Crash engen Ária de prompt só R 97 pode parcelar de 12 vezes esse negócio você não vai nem sentir no bolso acho que dá menos de quê dá menos de R 10 por mês cara tá doido vamos

lá tirar a dúvida aí quem quiser tirar alguma dúvida sobre enfim eh a aula de hoje sobre a Master clash de engenharia de prompt pode mandar aí que a gente já vai tirando todas e todas as dúvidas show de bola Vamos lá tô a disposição de vocês quais dúvidas vocês têm que que vocês querem tirar de dúvidas aqui pra gente poder de fato tirar o maior proveito dessa aula é bicho 40 pessoas assistindo aqui 40 pessoas num feriado num feriado vendo aula de Inteligência Artificial tá maluco isso que a galera boa isso que a galera

boa Olha só tenho até que dia para me inscrever no masterclass Vai ter até o dia 26 no máximo beleza até o dia 26 de outubro no máximo para poder se inscrever beleza e vai ficar gravada a masterclass essa Live vai ficar gravada só que a masterclass ela vai ficar gravada somente para de fato quem ali participou né quem se inscreveu no evento quem tá cadastrado E é exatamente isso quais tecnologias você utilizaria no projeto do hambúrguer só nomes primeira coisa cara no projeto do hambúrguer eu começaria com o projeto no code Tá bom então

utilizaria uma ferramenta como Defy eu não desenvolveria alguma ferramenta própria Tá bom então não colocaria a mão no Python por exemplo tem uma ferramenta que chama dei é inclusive diretor se quiser até colocar o o nome aí na tela do Defy pra galera poder olhar pesquisar e tal é uma ferramenta muito boa só que como eu falei cara ela é 100% baseada em prompt então e tem como você por exemplo colocar ferramentas dentro dela você consegue integrar ela com várias apis é muito boa você consegue construir agente Dear de fato e para poder integrar né

no WhatsApp mas é prompt é igual eu falei então a maioria ali vai ser prompte show de bola aí o Alexandre show de bola já vou pra próxima imersão Sul Alexandre muito obrigado fico muito feliz pela confiança Beleza tem algum projeto aberto no seu github Qual seu Git Tem sim cara é só meu nome só precisar meu nome vai aparecer lá ANM Beleza tem um projeto que eu fiz do clone do hotmart ai eu fiz também um sistema de recomendação utilizando hag Beleza então tá tudo lá código aberto para vocês poderem estudar Thiago leite no

masterclass Só para confirmar vai ter aquele projetinho aplicando tudo isso e mais um pouco cara você tá maluco nós vamos pegar esse dfy que eu acabei de falar e vamos construir o chatbot pô nós vamos fazer o chatbot conectado com a api inclusive o projeto que a gente vai fazer lá eu vou até falar a gente vai fazer meio que uma qualificação do Lead Então vamos supor que você tá trabalhando para algum escritório e esse escritório ele quer qualificar por exemplo pessoas que somente ganham acima de R 10.000 e tem acima de 50 anos para

poder marcar uma reunião esse agente de a vai poder marcar a reunião de forma automática para você a gente vai construir isso na masterclass Beleza então vai ter teoria Claro A Teoria é muito importante mas a gente vai aplicar bastante isso show de bola teremos cara vai ser na masterclass de engenharia de de engenharia de promp que a gente vai aplicar tudo isso na prática show de bola muito a aula muito obrigado Guilherme e o certificado tá pedindo palavra-chave a gente já falou é dácia tudo minúsculo dácia tudo minúsculo show de bola aí ó palavra-chave

dácia é isso aí tudo minúsculo É só colocar lá para poder emitir seu certificado Bruno Marques Obrigado an eu pedi que você nos entregasse conteúdo e não com foca em vender curso você cumpriu de fato valeu a pena mesmo parabéns cara você é gigante falei bicho ia ser bastante conteúdo ia ser bastante conteúdo na Master clash de areia de promos também vai ser muito conteúdo É isso aí sensacional Rapaz do céu é isso aí bicho nós vamos vamos mudar esse negócio aí mercado de ar hoje tá sendo tá tendo muita gente especialista Mas enfim vamos

vamos mudar esse negócio junto show de bola galera agradeço demais a presentea de todo mundo não se esque não se esqueça também o diretor vai mandar de novo aí o link da mcl de areia de prompt vai est lá no meu Instagram vou divulgar também se inscrevam pra gente ter o próximo encontro dia 26 beleza jogo Campos perguntou a até quando as inscrições ficaram abertas Dias 26 de outubro beleza a nossa masterclass vai ser 10 horas da manhã do dia 26 show de bola daqui duas semanas exatamente daqui S 7 dias então daqui 14 dias

beleza galera tamos junto nos vemos na nossa masterclass deárea de prompt essa Live vai ficar gravada também até mais agradeço a presente de todo mundo tamos junto Muito obrigado