Pular para o conteúdo principal

Destaques

Futuro da Inteligência Artificial

Boa Tarde leitores do AI Insights Hub, Nessas últimas semanas tiveram diversas palestras sobre Inteligência Artificial por aqui. Os principais temas foram os desafios para o futuro e o uso ético. O que chamou a atenção foram as previsões de avanço rápido em diversos campos com a ajuda da IA. Também tivemos o anúncio do novo modelo da OpenAi chamado Whisper para reconhecimento de fala para texto, incluindo tradução automática para inglês. Outro anúncio relevante foram os dois modelos da Meta chamado Emu. O Emu Video tem a promessa de criar vídeos simples através de um prompt de texto, enquanto o Emu Edit tem a capacidade de editar as fotos. A Meta se comprometeu implantar esses modelos nos seus aplicativos em breve. Outro uso da IA que tem crescido é o uso de modelos de linguagem para chatbots de companhia. Alguns sites e aplicativos utilizam como base o ChatGPT enquanto outras utilizam modelos proprietários.  Existem duas diferenças entre essas abordagens, mas falaremos mais sobre ...

Desvendando os Três Pilares do Aprendizado de Máquina: Supervisionado, Não Supervisionado e por Reforço

Quais são os tipos de aprendizado de máquina

Existem três tipos principais de aprendizado de máquina: supervisionado, não supervisionado e por reforço. O aprendizado supervisionado é aquele em que o algoritmo é treinado com um conjunto de dados rotulados, ou seja, com exemplos em que a resposta correta é conhecida, e a partir disso, o algoritmo é capaz de fazer previsões para novos dados. O aprendizado não supervisionado é aquele em que o algoritmo é treinado com um conjunto de dados não rotulados, e a partir disso, o algoritmo é capaz de encontrar padrões e estruturas nos dados. Já o aprendizado por reforço é aquele em que o algoritmo é treinado através de tentativa e erro, recebendo recompensas ou punições a cada ação tomada, e a partir disso, o algoritmo é capaz de aprender a tomar as melhores decisões em um determinado ambiente[1]. Cada tipo de aprendizado de máquina tem suas próprias técnicas e algoritmos específicos, e a escolha do tipo mais adequado depende do problema a ser resolvido e dos dados disponíveis[2].

Fontes:
[1] Vieses no Aprendizado de Máquina e suas Implicações Sociais: Um Estudo de Caso no Reconhecimento Facial https://www.semanticscholar.org/paper/26244dea840c48c6db6e125790c093a5e0ba3421
[2] INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: aplicações do aprendizado de máquina para apoiar a aprendizagem adaptativa https://www.semanticscholar.org/paper/9613827361fab669e50a9b7a536ab31b27e42adc
[3] Alternativas locacionais de empreendimentos utilizando aprendizado de máquina https://www.semanticscholar.org/paper/e77073dd5eeb4231e9970ad1b526f1f8f796b5f1
[4] Mitigando Vieses no Aprendizado de Máquina https://www.semanticscholar.org/paper/1f9717402042992bc82d594514460b950c045feb
[5] Detecção de fraudes no segmento de crédito financeiro utilizando aprendizado de máquina: uma revisão da literatura https://www.semanticscholar.org/paper/18f6ab6e3b949a3aa2248487afd5e599051c1551
[6] Modelos de Aprendizado de Máquina na Predição de Diabetes Tipo 1 na Gestação usando Dados do Sistema Único de Saúde https://www.semanticscholar.org/paper/95b73d056fecdd628eb687b9c40b1718bb915b88

Comentários

Postagens mais visitadas