Quando robôs encontram ursos polares

Slide 1

Slide 1 text

Hello. Rua Jardim Botânico, 518, 2 andar P: +55 21 3550-3540 www.hugeinc.com 1 8 D E F E V E R E I R O D E 2 0 1 7 - W O R L D I N F O R M AT I O N A R C H I T E C T U R E D AY R I O 2 0 1 7

Slide 2

Slide 2 text

1 8 F E V E R E I R O 2 0 1 7 Quando robôs encontram ursos polares.

Slide 3

Slide 3 text

Anna Raquel Serra. Experience Lead @ Huge Background: Biblioteconomia Animal favorito: Bicho-preguiça 3

Slide 4

Slide 4 text

Isabella Silveira. Web Engineer @ Huge Background: Ciência da Computação Animal favorito: Coruja 4

Slide 5

Slide 5 text

A G E N D A 5 1. Significado. 2. Construindo robôs inteligentes. 3. AI + ML = 3. 4. Um experimento. <

Slide 6

Slide 6 text

A busca por significado. QUANDO ROBÔS ENCONTRAM URSOS POLARES 6

Slide 7

Slide 7 text

Nós tentamos organizar informação há muito tempo. 7

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

11 Tudo isso mudou com uma coisinha chamada internet. A C E S S O A O C O N T E Ú D O

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

Indexar não significa saber sobre o quê é aquela informação. O PROBLEMA 15

Slide 16

Slide 16 text

“It's not information overload. It’s a filter problem.” C L AY S H I R T Y 16

Slide 17

Slide 17 text

Precisamos ensinar significado e contexto à máquina. 17

Slide 18

Slide 18 text

18 Barcelona Neymar Suárez

Slide 19

Slide 19 text

19 Barcelona Neymar Suárez Equipe Jogador Jogador

Slide 20

Slide 20 text

20 Barcelona Neymar Suárez Jogador Jogador Equipe parte de parte de

Slide 21

Slide 21 text

21 Barcelona Neymar Suárez Jogador Jogador Equipe

Slide 22

Slide 22 text

Slide 23

Slide 23 text

Slide 24

Slide 24 text

Slide 25

Slide 25 text

Slide 26

Slide 26 text

É possível estabelecer relações entre diferentes tipos de conteúdo. 26

Slide 27

Slide 27 text

Mas pra isso precisamos de dados estruturados. 27

Slide 28

Slide 28 text

Pera, e quem vai classificar todo esse conteúdo? 28

Slide 29

Slide 29 text

Como manter essa organização: 29

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

Slide 33

Slide 33 text

Com esse tipo de dados? 33

Slide 34

Slide 34 text

Slide 35

Slide 35 text

Slide 36

Slide 36 text

Slide 37

Slide 37 text

Precisamos de uma forma automatizada de classificar informação. PA R A I S S O D A R C E R TO : 37

Slide 38

Slide 38 text

Construindo robôs inteligentes. QUANDO ROBÔS ENCONTRAM URSOS POLARES 38

Slide 39

Slide 39 text

C O N S T R U I N D O R O B Ô S I N T E L I G E N T E S . No que você pensa quando ouve “Inteligência Artificial”? 39

Slide 40

Slide 40 text

Slide 41

Slide 41 text

Slide 42

Slide 42 text

Slide 43

Slide 43 text

O que é Inteligência Artificial? C O N S T R U I N D O R O B Ô S I N T E L I G E N T E S . 43

Slide 44

Slide 44 text

Algoritmos que melhoram seu desempenho durante a execução. Inteligência artificial caracteriza-se pelo desenvolvimento de algoritmos que sejam capazes de perceber as condições do ambiente e tomar ações que possam maximizar sua chance de sucesso ao resolver um dado problema. O QUE É INTELIGÊNCIA ARTIFICIAL? 44

Slide 45

Slide 45 text

Normalmente esses algoritmos utilizam uma heurística. MACHINE LEARNING. 45

Slide 46

Slide 46 text

Slide 47

Slide 47 text

Uma "ideia" do que resolve o problema, algo que possa dar uma ideia se sua solução está melhorando ou não. O QUE É INTELIGÊNCIA ARTIFICIAL? 47

Slide 48

Slide 48 text

C O N S T R U I N D O R O B Ô S I N T E L I G E N T E S . Então o que é machine learning? 48

Slide 49

Slide 49 text

MACHINE LEARNING Aprendizado através de exemplos. 49

Slide 50

Slide 50 text

Exemplos são divididos em um conjunto de treinamento, do qual a rede neural vai aprender. A P R E N D I Z A D O S U P E RV I S I O N A D O 50

Slide 51

Slide 51 text

O algoritmo então é testado com amostras das quais a resposta já é conhecida. A P R E N D I Z A D O S U P E RV I S I O N A D O 51

Slide 52

Slide 52 text

Em outras palavras: 52

Slide 53

Slide 53 text

Machine learning nada mais é do que um método de categorização de dados não estruturados de forma automatizada. MACHINE LEARNING 53

Slide 54

Slide 54 text

E como podemos usar isso ao nosso favor? 54

Slide 55

Slide 55 text

Lembra de todo aquele carnaval de tipos de dados? 55

Slide 56

Slide 56 text

Aplicações. MAC HINE LE AR NI NG 56

Slide 57

Slide 57 text

1. Reconhecimento de imagens. 2. NLP . 3. Jogos. 4. Reconhecimento de sons. A P L I C A Ç Õ E S 57

Slide 58

Slide 58 text

Reconhecimento de imagens. A P L I C A Ç Õ E S 58

Slide 59

Slide 59 text

59 Facebook. A C E S S I B I L I D A D E

Slide 60

Slide 60 text

Slide 61

Slide 61 text

PlaNet do Google. 2 0 1 6 Descobre a localização de uma foto sem o uso de geotags; utiliza apenas o reconhecimento de images. 61

Slide 62

Slide 62 text

Slide 63

Slide 63 text

Slide 64

Slide 64 text

R E C O N H E C I M E N TO D E I M A G E N S Veículos autônomos. 64

Slide 65

Slide 65 text

65 Tesla autopilot. 2 0 1 5

Slide 66

Slide 66 text

Slide 67

Slide 67 text

R E C O N H E C I M E N TO D E I M A G E N S Diagnóstico médico. 67

Slide 68

Slide 68 text

Slide 69

Slide 69 text

69 Radiologista automatizado da IBM. IBM Watson já consegue reconhecer padrões em imagens e dar diagnósticos.

Slide 70

Slide 70 text

Natural language processing. A P L I C A Ç Õ E S 70

Slide 71

Slide 71 text

N AT U R A L L A N G U A G E P R O C E S S I N G Assistentes online. 71

Slide 72

Slide 72 text

A S S I S T E N T E S O N L I N E Assistentes de voz e chatbots. 72

Slide 73

Slide 73 text

Slide 74

Slide 74 text

Slide 75

Slide 75 text

Slide 76

Slide 76 text

76 Eugene Goostman. 2 0 1 5

Slide 77

Slide 77 text

Jogos. A P L I C A Ç Õ E S 77

Slide 78

Slide 78 text

78 Deep Blue. 1 9 9 7

Slide 79

Slide 79 text

79 F.E.A.R. 2 0 0 5

Slide 80

Slide 80 text

80 Alpha Go. 2 0 1 6

Slide 81

Slide 81 text

81 Libratus. 2 0 1 7

Slide 82

Slide 82 text

Reconhecimento de sons. A P L I C A Ç Õ E S 82

Slide 83

Slide 83 text

Slide 84

Slide 84 text

84 SoundNet (MIT). Programa que reconhece imagens a partir de sons.

Slide 85

Slide 85 text

Slide 86

Slide 86 text

ATÉ ON D E P OD E M OS IR ? Atualmente, o maior empecilho é o poder de processamento. 86

Slide 87

Slide 87 text

ATÉ ON D E P OD E M OS IR ? Lei de Moore. 87

Slide 88

Slide 88 text

Dobro do poder a cada 2 anos. Segundo a Lei de Moore, a quantidade de transístores em um circuito integrado dobra a cada 2 anos, aproximadamente. Com isso, a capacidade de processamento dos computadores também aumenta progressivamente. OPTIONAL EYE BROW 88

Slide 89

Slide 89 text

AI + ML = 3 QUANDO ROBÔS ENCONTRAM URSOS POLARES 89 <

Slide 90

Slide 90 text

Slide 91

Slide 91 text

Slide 92

Slide 92 text

Nossa, isso deve ser difícil. E caro. 92

Slide 93

Slide 93 text

Slide 94

Slide 94 text

Um experimento. QUANDO ROBÔS ENCONTRAM URSOS POLARES 94

Slide 95

Slide 95 text

Slide 96

Slide 96 text

Ouvir os usuários. PRI MEIRO PASS O: 96

Slide 97

Slide 97 text

O que é fofo? • É fofo: - Filhotes - Demonstração de carinho - Poses inusitadas U M A P E R G U N TA F U N D A M E N TA L 97

Slide 98

Slide 98 text

O que é fofo? • É fofo: - Filhotes - Demonstração de carinho - Poses inusitadas • Não é fofo: - Ursos adultos fazendo coisas de ursos - Ursos em poses ameaçadoras ou que possam ser interpretadas como ameaçadoras U M A P E R G U N TA F U N D A M E N TA L 98

Slide 99

Slide 99 text

O algoritmo. 99

Slide 100

Slide 100 text

Redes neurais capazes de aprender de acordo com as imagens do set de treinamento. O ALGORITMO 100

Slide 101

Slide 101 text

Set de treinamento. 101 O ALGORITMO

Slide 102

Slide 102 text

102

Slide 103

Slide 103 text

Então saímos disso: 103

Slide 104

Slide 104 text

104

Slide 105

Slide 105 text

Para isso: 105

Slide 106

Slide 106 text

106

Slide 107

Slide 107 text

107

Slide 108

Slide 108 text

108

Slide 109

Slide 109 text

109

Slide 110

Slide 110 text

110

Slide 111

Slide 111 text

https://github.com/bella-silveira/ image-recognition U M E X P E R I M E N TO 111

Slide 112

Slide 112 text

Thanks. C O N TA C T: Isabella Silveira [email protected] @silveira_bells P: +55 21 979933339 Rua Jardim Botânico, 518, 2 andar P: +55 21 3550-3540 www.hugeinc.com Anna Raquel Serra [email protected] @ladyars P: +55 21 35503540