Upgrade to Pro — share decks privately, control downloads, hide ads and more …

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

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.

91b0fc08849c4128f1eed542c057fd27?s=128

Isabella Silveira

May 19, 2018
Tweet

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
  3. None
  4. None
  5. None
  6. Quanto mais ela evoluía, mais fácil era a vida e

    assim as preocupações iam mudando
  7. None
  8. None
  9. None
  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?

  14. None
  15. None
  16. Fama?

  17. None
  18. Dinheiro?

  19. None
  20. Ganhar discussão no twitter?

  21. None
  22. Nope

  23. None
  24. Tempo

  25. Isa Silveira @silveira_bells Rio de Janeiro, Brazil Developer @Work&Co

  26. Tempo é commodity mais importante da atualidade

  27. None
  28. None
  29. None
  30. None
  31. VC TC VTNC VDD SDDS TBH OMW IMO PQP SRSLY

    WTF BRB
  32. Estamos sempre procurando formas de ganhar tempo e otimizar processos

  33. None
  34. None
  35. None
  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
  41. None
  42. None
  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
  53. None
  54. Qual approach usar? Comparação de pixels?

  55. None
  56. None
  57. None
  58. None
  59. None
  60. None
  61. None
  62. Dividimos a imagem em quadrados de 16x16

  63. None
  64. None
  65. None
  66. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de

    rostos 4.Nomear a pessoa
  67. None
  68. None
  69. None
  70. None
  71. None
  72. None
  73. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de

    rostos 4.Nomear a pessoa
  74. None
  75. Agora é tranquilo, só achar por comparação

  76. Facebook

  77. 2,19 bilhões de usuários

  78. 300 milhões uploads de fotos por dia

  79. None
  80. None
  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

  85. None
  86. None
  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
  94. None
  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