A Importância do Ócio (JS Version): 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
    Desenvolvedora @Work&Co
    Carioca, cover da Anitta*, mãe de cachorro,
    maths freak, senso de humor peculiar @vida
    

    View Slide

26. View Slide

27. View Slide

28. Tempo
    

    View Slide

29. Tempo é commodity mais importante
    da atualidade
    

    View Slide

30. View Slide

31. View Slide

32. View Slide

33. View Slide

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

    View Slide

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

    View Slide

36. View Slide

37. View Slide

38. View Slide

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

    View Slide

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

    View Slide

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

    View Slide

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

    View Slide

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

    View Slide

44. View Slide

45. View Slide

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

    View Slide

47. como ferramenta de otimização de tempo pessoal
    Machine learning
    

    View Slide

48. O que é machine learning?
    

    View Slide

49. 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

50. Permite que a máquina aprenda
    

    View Slide

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

    View Slide

52. “Mas por que usar
    Machine Learning no browser?”
    

    View Slide

53. Tem alguns jeitos em que poderíamos
    usar ML em uma aplicação web
    

    View Slide

54. Hipótese #1: terceirizando o ML
    

    View Slide

55. Deixar alguma API de ML cuidar do
    trabalho pesado
    

    View Slide

56. Mas agora você tem que lidar com a carga
    intermediária de vários e vários GBs de fotos
    

    View Slide

57. Passar toda a mídia pra um S3, pagar por toda a
    hospedagem da carga, mais APIs pra integrar
    Preocupações do dev
    

    View Slide

58. Barreiras de usabilidade e preocupações com
    privacidade: “por que um serviço externo está
    manipulando as minhas fotos?”
    Preocupações do usuário
    

    View Slide

59. E o S3 por si só não é suficiente, você ainda
    precisa implementar formas de selecionar,
    cortar e rotular fotos
    

    View Slide

60. No final a eficácia não está boa o suficiente e
    não tem como alterar o algoritmo porque você
    não tem acesso a ele
    

    View Slide

61. View Slide

62. Hipótese #2: ML server side
    

    View Slide

63. Usar alguma biblioteca bem estabelecida
    em python, por exemplo
    

    View Slide

64. Mas você não sabe exatamente qual vai ser o
    volume de usuários nem o trafego de dados
    

    View Slide

65. Load balancing num EC2, guardar os modelos e dados
    de cada usuário, implementação de provisionamento
    pra inferência e transferência do aprendizado
    Preocupações do dev
    

    View Slide

66. Fazer upload de todas as fotos e recebimento da
    resposta demora e consome muita banda.
    Processo muito custoso
    Preocupações do usuário
    

    View Slide

67. View Slide

68. Hipótese #3: ML no browser
    

    View Slide

69. Tensorflow.js fazendo todo o machine
    learning no client side mesmo
    

    View Slide

70. Ótima abstração de algoritmos de ML, sem
    malabarismo de dados de um lado pro outro;
    tudo acontece no mesmo lugar
    

    View Slide

71. Machine learning interativo
    Novas oportunidades
    

    View Slide

72. Fim da necessidade de instalação de
    bibliotecas pelo usuário
    Novas oportunidades
    

    View Slide

73. Aceleração usando GPU através do WebGL
    (até mobile!)
    Novas oportunidades
    

    View Slide

74. Maior democratização de aprendizado e de
    acesso à aplicações com machine learning
    

    View Slide

75. Performance do front
    Preocupações do dev
    

    View Slide

76. Fazer upload das fotos usando
    cliente do browser
    Preocupações do usuário
    

    View Slide

77. View Slide

78. Case do dia
    

    View Slide

79. Reconhecimento facial com redes
    neurais convolucionais
    

    View Slide

80. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    

    View Slide

81. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    

    View Slide

82. View Slide

83. Qual approach usar?
    Comparação de pixels?
    

    View Slide

84. View Slide

85. View Slide

86. View Slide

87. View Slide

88. View Slide

89. View Slide

90. View Slide

91. Dividimos a imagem em quadrados de 16x16
    

    View Slide

92. View Slide

93. View Slide

94. https://github.com/justadudewhohacks/face-api.js
    

    View Slide

95. await faceapi.loadModels('/')
    

    View Slide

96. View Slide

97. View Slide

98. View Slide

99. Reconhecimento facial
    1.Encontrar os rostos
    2.Projeção de feições
    3.Diferenciação de rostos
    

    View Slide

100. View Slide

101. View Slide

102. fullFaceDescription.forEach((fd, i) => {
     faceapi.drawLandmarks(canvas, fd.landmarks,
     { drawLines: true })
     })
     

     View Slide

103. View Slide

104. View Slide

105. View Slide

106. View Slide

107. Reconhecimento facial
     1.Encontrar os rostos
     2.Projeção de feições
     3.Diferenciação de rostos
     

     View Slide

108. View Slide

109. Agora é tranquilo, só achar por comparação
     

     View Slide

110. Facebook
     

     View Slide

111. 2,19 bilhões de usuários
     

     View Slide

112. 300 milhões uploads de fotos por dia
     

     View Slide

113. View Slide

114. View Slide

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

     View Slide

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

     View Slide

117. 128 medidas pra cada rosto
     

     View Slide

118. embbeding
     

     View Slide

119. View Slide

120. View Slide

121. Comparamos o embedding da face atual com os que já temos
     registrados e verificamos qual tem a menor distância euclidiana
     

     View Slide

122. View Slide

123. Agora conseguimos fazer uma categorização de
     pessoas e agrupamento por data
     

     View Slide

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

     View Slide

125. Aprenda coisas fora da sua rotina de trabalho
     

     View Slide

126. A tecnologia também é sua aliada
     fora das horas comerciais
     

     View Slide

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

     View Slide

128. Muito obrigada! ❤
     

     View Slide

129. @silveira_bells
     

     View Slide