{"id":5484,"date":"2019-07-15T14:32:29","date_gmt":"2019-07-15T13:32:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5484"},"modified":"2024-09-20T17:45:01","modified_gmt":"2024-09-20T16:45:01","slug":"performance-is-dependent-on-power-quality","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/performance-is-dependent-on-power-quality\/","title":{"rendered":"O desempenho depende da qualidade da energia"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NOT\u00cdCIAS \/ TECNOLOGIA AI<\/p>\n<\/div>

Artefactr\u00eas coisas para lembrar sobre a realidade da IA:<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Artefactr\u00eas coisas para lembrar sobre a realidade da IA:<\/span><\/p>\n

1. A IA n\u00e3o \u00e9 m\u00e1gica<\/span><\/h3>\n

A \u201cintelig\u00eancia\u201d da IA n\u00e3o permite que ela questione o data que representa seu \u201calimento\u201d. Ela \u201ctrabalha\u201d com o que \u00e9 fornecido. Se a qualidade do data n\u00e3o for relevante, completa e confi\u00e1vel, o algoritmo n\u00e3o conseguir\u00e1 atender \u00e0s expectativas e sua resposta ao problema em quest\u00e3o n\u00e3o ser\u00e1 confi\u00e1vel.<\/span><\/p>\n

A qualidade do modelo, por si s\u00f3, n\u00e3o determina a qualidade dos resultados de sa\u00edda. Eles est\u00e3o diretamente correlacionados com a qualidade da entrada data. A qualidade por design \u00e9 um dos requisitos para qualquer projeto de IA.<\/b><\/p>\n

Garantir e manter a qualidade do data \u00e9 uma das principais responsabilidades dos principais projetos de IA.<\/span><\/p>\n

2. Uma \u201carte\u201d necess\u00e1ria do artificial<\/span><\/h3>\n

Fornecer o modelo com data de qualidade n\u00e3o \u00e9 suficiente. O Data n\u00e3o \u00e9 diretamente utiliz\u00e1vel e o processo exige que os seres humanos executem algumas etapas manuais.<\/b><\/p>\n

Os modelos de aprendizado de m\u00e1quina s\u00e3o estruturas matem\u00e1ticas com potencial. Assim como os m\u00fasculos humanos, eles precisam ser treinados para se adaptar ao esfor\u00e7o necess\u00e1rio.<\/span><\/p>\n

Os algoritmos de IA tamb\u00e9m precisam \u201ctreinar\u201d em uma base data. \u00c9 assim que eles \u201caprendem\u201d a ser mais eficientes.<\/span><\/p>\n

Para treinar algoritmos, s\u00e3o necess\u00e1rias tr\u00eas etapas manuais:<\/span><\/p>\n

    \n
  1. Fornecer data de qualidade:<\/b> sele\u00e7\u00e3o, valida\u00e7\u00e3o, importa\u00e7\u00e3o, avalia\u00e7\u00e3o de qualidade etc.<\/span><\/li>\n
  2. Preparar a base de aprendizado:<\/b> selecionar, transformar e rotular o data para torn\u00e1-lo utiliz\u00e1vel. Esse \u00faltimo \u00e9 necess\u00e1rio para algoritmos supervisionados e semissupervisionados, em que o data \u00e9 explorado, analisado e, em seguida, \u201cetiquetado\u201d pelo metadata*. Se tomarmos o reconhecimento de imagens como exemplo, o processo de rotulagem fornece um banco de imagens e uma descri\u00e7\u00e3o para cada uma delas. Essa \u00e9 uma etapa manual e demorada, que exige a descri\u00e7\u00e3o do conte\u00fado de v\u00e1rios milhares de fotos.<\/span><\/li>\n
  3. Trem: <\/b>metodologia repetitiva de sele\u00e7\u00e3o de modelos e treinamento baseada no aprendizado at\u00e9 que o modelo correto seja obtido. Ao contr\u00e1rio da cren\u00e7a popular, a IA n\u00e3o \u00e9 m\u00e1gica. N\u00e3o se trata de uma m\u00e1quina inteligente que simplesmente se alimenta de informa\u00e7\u00f5es e aprende sozinha - n\u00e3o existe plug and play.<\/span><\/li>\n<\/ol>\n

    Essas etapas manuais se traduzem em regras e metodologias comerciais importantes que devem ser usadas para que possamos explorar adequadamente os algoritmos e integr\u00e1-los \u00e0s infraestruturas existentes.<\/span><\/p>\n

    3. A IA eleva os seres humanos, mas n\u00e3o substitui sua intelig\u00eancia<\/span><\/h3>\n

    A IA ainda \u00e9 programada por humanos, embora alguns algoritmos ajustem seus par\u00e2metros de forma automatizada. Se houver vieses cognitivos durante a programa\u00e7\u00e3o ou se houver vieses na entrada data, a IA n\u00e3o os detectar\u00e1 e produzir\u00e1 um resultado tendencioso que n\u00e3o est\u00e1 de acordo com os objetivos originais ou que tem inten\u00e7\u00f5es anti\u00e9ticas.<\/span><\/p>\n

    Em 2016, a Microsoft projetou uma IA chamada Tay \u201cpara interagir com as pessoas e entret\u00ea-las\u201d. Tay se expressou no Twitter, um canal que enriqueceu a IA por meio de intera\u00e7\u00f5es com os usu\u00e1rios da Internet. Quando \u2018livre\u2019, Tay coletava todas as informa\u00e7\u00f5es que a Twittersfera queria compartilhar, para o bem ou para o mal...<\/span><\/p>\n

    ...Ap\u00f3s 24 horas de exist\u00eancia e 96.000 tweets, a IA foi desconectada. O tom de Tay, sincero e entusiasmado quando ficou on-line pela primeira vez, mudou rapidamente. Confrontada com opini\u00f5es extremas, Tay come\u00e7ou a fazer coment\u00e1rios racistas.<\/span><\/p>\n

    O Motherboard*, um dos sites de refer\u00eancia da imprensa americana de tecnologia, comentou o evento:<\/span> \u201cRousseau estava certo: os seres humanos nascem bons, a sociedade os corrompe. O que ele n\u00e3o sabia \u00e9 que o postulado funciona igualmente bem com a m\u00e1quina.\u201d<\/span><\/i><\/p>\n

    Embora o exemplo de Tay tenha tido pouco impacto, uma IA tendenciosa pode ser usada como uma arma de discrimina\u00e7\u00e3o em massa. Por exemplo, um sistema de pontua\u00e7\u00e3o de candidatos que uma empresa usa pode aumentar a probabilidade de exclus\u00e3o de perfis com base em par\u00e2metros como g\u00eanero ou origem geogr\u00e1fica para corresponder aos perfis atuais, sem que isso seja percebido pelas equipes de recrutamento. A IA deve ser refinada para eliminar par\u00e2metros indesejados que possam influenciar negativamente o modelo.<\/span><\/p>\n

    O uso de algoritmos complexos, como redes neurais, n\u00e3o identifica poss\u00edveis vieses. O modelo \u00e9 validado com base em sua capacidade de reproduzir exemplos, que devem ser usados com cautela. A natureza explorat\u00f3ria do modelo tamb\u00e9m possibilita a detec\u00e7\u00e3o de par\u00e2metros que seriam intuitivamente descartados por humanos, mas que t\u00eam impacto no resultado desejado.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

    Artefactr\u00eas coisas para lembrar sobre a realidade da IA:<\/p>","protected":false},"featured_media":5488,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5484","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/5484","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/5488"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=5484"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=5484"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=5484"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}