A Importância do Ócio: Delegando tarefas para a máquina com Machine Learning

Sabe aquele momento em que você sabe que tem que fazer alguma tarefa, mas simplesmente não quer se dar ao trabalho? Ou aquelas que você até faria de bom grado, mas sabe que o seu desempenho seria absolutamente horrível? Não faça algo que uma máquina poderia estar fazendo por você! Hoje em dia com o aumento do poder computacional nos nossos computadores pessoais e APIs de servidores externos, existem várias tarefas que poderíamos estar ensinando ao computador como fazer pra que nunca tenhamos que fazer de novo. Nesta talk eu vou mostrar como eu uso Machine Learning para automatizar minhas atividades cotidianas, explicar os algoritmos utilizados e mostrar como você também pode utilizar isso para recuperar tempo precioso da sua vida que você poderia usar para salvar o mundo ou fazer absolutamente nada relevante.

Transcript

1. A Importância do Ócio Delegando tarefas para a máquina com Machine Learning @silveira_bells
2. Ao longo dos anos, a tecnologia foi evoluindo para facilitar a sobrevivência da espécie humana
6. Quanto mais ela evoluía, mais fácil era a vida e assim as preocupações iam mudando
10. Então a tecnologia começou a criar novas formas de interação e se tornou um espelho da própria sociedade
11. Século XXI: a tecnologia a serviço dos interesses da sociedade
12. E qual é a coisa mais valiosa da atualidade?
13. Poder?
16. Fama?
18. Dinheiro?
20. Ganhar discussão no twitter?
22. Nope
24. Tempo
25. Isa Silveira @silveira_bells Rio de Janeiro, Brazil Developer @Work&Co
26. Tempo é commodity mais importante da atualidade
31. VC TC VTNC VDD SDDS TBH OMW IMO PQP SRSLY WTF BRB
32. Estamos sempre procurando formas de ganhar tempo e otimizar processos
36. O que é ótimo, porque aí podemos usar nosso tempo no que realmente importa
37. https://www.researchgate.net/publication/230786381_Inspired_by_Distraction_Mind_Wandering_Facilitates_Creative_Incubation
38. Por que não usar a tecnologia pra automatizar processos pessoais então?
39. Era uma vez, uma história que se repetia muitas vezes
40. “Lembra de quando a gente foi pra ____ em ____? Você ainda tem as fotos aí?” - Silveira, Christine
43. Como eu poderia usar a tecnologia pra otimizar esse processo?
44. como ferramenta de otimização de tempo pessoal Machine learning
45. O que é machine learning?
46. O aprendizado automático ou aprendizado de máquina (em inglês: "machine learning") é um subcampo da o que evoluiu do estudo de reconhecimento de padrões e da teoria do aprendizado computacional em inteligência artificial . Em 1959, Arthur Samuel definiu aprendizado de máquina como o "campo de estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados". O aprendizado automático explora o estudo e construção de algoritmos que podem aprender de seus erros e fazer previsões sobre dados. Tais algoritmos operam construindo um modelo a partir de inputs amostrais a fim de fazer previsões ou decisões guiadas pelos dados ao invés de simplesmente seguindo inflexíveis e estáticas instruções programadas.
47. Permite que a máquina aprenda. Com algoritmos de ML é possível parsear dados, aprender com eles e fazer classificações ou predições em massa. Ao invés de criarmos algoritmos cheios de regras específicas para executar uma tarefa, treinamos a máquina com datasets enormes para que ela aprenda como executar a tarefa por si só.
48. Com machine learning, podemos aprender sobre dados de forma automatizada
49. Na área de ML, existem vários algoritmos; cada um mais adequado para resolver um tipo de problema
50. Case do dia: Reconhecimento facial com redes neurais convolucionais
51. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos 4.Nomear a pessoa
52. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos 4.Nomear a pessoa
54. Qual approach usar? Comparação de pixels?
62. Dividimos a imagem em quadrados de 16x16
66. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos 4.Nomear a pessoa
73. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos 4.Nomear a pessoa
75. Agora é tranquilo, só achar por comparação
76. Facebook
77. 2,19 bilhões de usuários
78. 300 milhões uploads de fotos por dia
81. E óbvio que como todo trabalho braçal, nós vamos deixar essa parte pra máquina
82. Treinamos uma rede neural convolucional pra fazer o trabalho pesado
83. 128 medidas pra cada rosto
84. embbeding
87. Repetindo esse processo milhares de vezes, temos resultados concretos de que cada rosto tem as mesmas medidas
88. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos 4.Nomear a pessoa
89. Problema clássico de classificação, podemos usar um algoritmo comum desse tipo
90. Classificador SVM
91. embedding_1 Christine embedding_2 Isabella
92. Comparação de embedding novo com os já registrados
93. Nosso match será a pessoa associado ao embedding mais parecido com o que estamos testando
95. Agora consigo fazer uma categorização de pessoas e agrupamento por data
96. https://github.com/bella-silveira/face-recognition-demo
97. Use seu tempo com as coisas realmente importantes $❤
98. Muito obrigada!
99. Get in touch /in/isabellasilveira isabella.silveira.souza@gmail.com @silveira_bells /bella-silveira