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
   

   View Slide

2. Ao longo dos anos, a tecnologia foi evoluindo
   para facilitar a sobrevivência da espécie humana
   

   View Slide

3. View Slide

4. View Slide

5. View Slide

6. Quanto mais ela evoluía, mais fácil era a vida
   e assim as preocupações iam mudando
   

   View Slide

7. View Slide

8. View Slide

9. View Slide

10. Então a tecnologia começou a criar novas formas
    de interação e se tornou um espelho da própria sociedade
    

    View Slide

11. Século XXI: a tecnologia a serviço dos
    interesses da sociedade
    

    View Slide

12. E qual é a coisa mais valiosa da atualidade?
    

    View Slide

13. Poder?
    

    View Slide

14. View Slide

15. View Slide

16. Fama?
    

    View Slide

17. View Slide

18. Dinheiro?
    

    View Slide

19. View Slide

20. Ganhar discussão no twitter?
    

    View Slide

21. View Slide

22. Nope
    

    View Slide

23. View Slide

24. Tempo
    

    View Slide

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

    View Slide

26. Tempo é commodity mais importante
    da atualidade
    

    View Slide

27. View Slide

28. View Slide

29. View Slide

30. View Slide

31. VC
    TC
    VTNC
    VDD
    SDDS
    TBH
    OMW
    IMO
    PQP
    SRSLY
    WTF
    BRB
    

    View Slide

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

    View Slide

33. View Slide

34. View Slide

35. View Slide

36. O que é ótimo, porque aí podemos usar nosso
    tempo no que realmente importa
    

    View Slide

37. https://www.researchgate.net/publication/230786381_Inspired_by_Distraction_Mind_Wandering_Facilitates_Creative_Incubation
    

    View Slide

38. Por que não usar a tecnologia pra
    automatizar processos pessoais então?
    

    View Slide

39. Era uma vez, uma história que se
    repetia muitas vezes
    

    View Slide

40. “Lembra de quando a gente foi pra ____ em ____?
    Você ainda tem as fotos aí?”
    - Silveira, Christine
    

    View Slide

41. View Slide

42. View Slide

43. Como eu poderia usar a tecnologia pra
    otimizar esse processo?
    

    View Slide

44. como ferramenta de otimização de tempo pessoal
    Machine learning
    

    View Slide

45. O que é machine learning?
    

    View Slide

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.
    

    View Slide

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.
    

    View Slide

48. Com machine learning, podemos
    aprender sobre dados de
    forma automatizada
    

    View Slide

49. Na área de ML, existem vários algoritmos;
    cada um mais adequado para resolver um
    tipo de problema
    

    View Slide

50. Case do dia:
    Reconhecimento facial com redes
    neurais convolucionais
    

    View Slide

51. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    4.Nomear a pessoa
    

    View Slide

52. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    4.Nomear a pessoa
    

    View Slide

53. View Slide

54. Qual approach usar?
    Comparação de pixels?
    

    View Slide

55. View Slide

56. View Slide

57. View Slide

58. View Slide

59. View Slide

60. View Slide

61. View Slide

62. Dividimos a imagem em quadrados de 16x16
    

    View Slide

63. View Slide

64. View Slide

65. View Slide

66. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    4.Nomear a pessoa
    

    View Slide

67. View Slide

68. View Slide

69. View Slide

70. View Slide

71. View Slide

72. View Slide

73. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    4.Nomear a pessoa
    

    View Slide

74. View Slide

75. Agora é tranquilo, só achar por comparação
    

    View Slide

76. Facebook
    

    View Slide

77. 2,19 bilhões de usuários
    

    View Slide

78. 300 milhões uploads de fotos por dia
    

    View Slide

79. View Slide

80. View Slide

81. E óbvio que como todo trabalho braçal,
    nós vamos deixar essa parte pra máquina
    

    View Slide

82. Treinamos uma rede neural convolucional
    pra fazer o trabalho pesado
    

    View Slide

83. 128 medidas pra cada rosto
    

    View Slide

84. embbeding
    

    View Slide

85. View Slide

86. View Slide

87. Repetindo esse processo milhares de vezes, temos resultados
    concretos de que cada rosto tem as mesmas medidas
    

    View Slide

88. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    4.Nomear a pessoa
    

    View Slide

89. Problema clássico de classificação,
    podemos usar um algoritmo comum desse tipo
    

    View Slide

90. Classificador SVM
    

    View Slide

91. embedding_1
    Christine
    embedding_2
    Isabella
    

    View Slide

92. Comparação de embedding novo com os já registrados
    

    View Slide

93. Nosso match será a pessoa associado ao embedding mais
    parecido com o que estamos testando
    

    View Slide

94. View Slide

95. Agora consigo fazer uma categorização de pessoas e
    agrupamento por data
    

    View Slide

96. https://github.com/bella-silveira/face-recognition-demo
    

    View Slide

97. Use seu tempo com as coisas
    realmente importantes $❤
    

    View Slide

98. Muito obrigada!
    

    View Slide

99. Get in touch
    /in/isabellasilveira
    isabella.silveira.souza@gmail.com
    @silveira_bells
    /bella-silveira
    

    View Slide