Ada Lovelace foi uma mulher à frente de seu tempo no século XIX, deixou um legado marcante no campo da computação. Sua história não é apenas a de uma mulher notável, mas também a de uma visionária que influenciou profundamente a evolução da programação.
Nasceu em 1815, filha do poeta Lord Byron e da matemática Annabella Milbanke. A relação tumultuada entre seus pais desempenhou um papel crucial em sua vida. Sua mãe, preocupada com a influência poética de Lord Byron, incentivou o interesse de Ada pela matemática e pela ciência. Essa orientação precoce moldou seu pensamento analítico e forneceu as bases para suas notáveis realizações no campo da programação.
Aos 12 anos, fica fascinada por aves e pássaros, e desenha um pássaro mecânico que bate asas, publicando um livro com seus estudos, observações e ilustrações chamado Flyology.
Em uma carta de Ada para sua mãe, quando já tinha por volta de 30 anos, Ada escreve:
“if you can’t give me poetry, can’t you give me “poetical science?
Se você não pode me dar poesia, não pode me dar ciência poética?”
Mas Lovelace reconciliou os pólos concorrentes da influência dos seus pais. Em 5 de janeiro de 1841, ela perguntou:
“What is Imagination?” Two things, she thought. First, “the combining faculty,” which “seizes points in common, between subjects having no apparent connection,” and then, she wrote, “Imagination is the Discovering Faculty, pre-eminently. It is that which penetrates into the unseen worlds around us, the worlds of Science.”
“O que é imaginação?” Duas coisas, ela pensou. Primeiro, “a faculdade de combinação”, que “captura pontos em comum, entre assuntos sem conexão aparente”, e depois, escreveu ela, “A imaginação é a Faculdade de Descobrir, preeminentemente. É aquilo que penetra nos mundos invisíveis que nos rodeiam, os mundos da Ciência.”
Lovelace e a Máquina Analítica
Aos 17 anos, Ada Lovelace foi apresentada a Charles Babbage, o inventor da Máquina Analítica, uma máquina que propunha a execução automática de cálculos complexos. Lovelace tornou-se amiga e colaboradora de Babbage, e essa parceria foi fundamental para seu envolvimento com a programação. Sob a mentoria de Babbage, Lovelace expandiu seus horizontes, indo além da matemática pura para vislumbrar o potencial da Máquina Analítica como algo mais do que uma calculadora.
A oportunidade de Lovelace surgiu quando ela conheceu Charles Babbage, o renomado matemático que se tornaria seu amigo e mentor. Em 5 de junho de 1833, ela participou de uma festa em Londres, onde conheceu Babbage, um viúvo na casa dos quarenta anos. Ele entusiasmou-se ao falar de uma invenção chamada “Máquina da Diferença”, uma torre de rodas numeradas capaz de realizar cálculos confiáveis com a simples rotação de uma manivela. Poucos dias depois, Lovelace foi à casa de Lady Byron para ver a demonstração do dispositivo. Intrigada com o protótipo, iniciou uma correspondência com Babbage sobre seu potencial e seus próprios estudos matemáticos. As cartas entre eles datam de 10 de junho de 1835 a 12 de agosto de 1852; ele compartilhava seus planos, enquanto ela expressava suas ambições. Em 1839, Babbage escreveu a Lovelace: “Acho que seu gosto pela matemática é tão decidido que não deveria ser reprimido.”
Quando Babbage começou a conceber um novo projeto, a “Máquina Analítica” – uma máquina enorme com milhares de engrenagens capazes de executar funções mais precisas -, Lovelace atuou como sua principal intérprete. Em uma viagem a Turim para promover o trabalho, Babbage conheceu o matemático Luigi Federico Menabrea, que concordou em escrever um artigo sobre a máquina. Publicado em uma revista acadêmica suíça em outubro de 1842, com cerca de oito mil palavras, Lovelace traduziu do francês e adicionou suas próprias notas, resultando em uma versão de vinte mil palavras. Mais tarde, Babbage escreveu sobre suas contribuições: “As notas da Condessa de Lovelace se estendem por cerca de três vezes a extensão do livro de memórias original”. Ele reconheceu que ela abordou plenamente as questões difíceis e abstratas relacionadas ao tema.
A tradução de Lovelace, juntamente com suas notas, foi publicada em 1843 e representa sua maior contribuição para a ciência da computação. Ela elucidou claramente o funcionamento do dispositivo de Babbage, destacando seus fundamentos no tear Jacquard. Assim como a máquina de tecelagem de seda de Joseph-Marie Jacquard podia criar automaticamente padrões usando uma cadeia de cartões perfurados, o sistema de Babbage também podia tecer padrões algébricos. Lovelace explicou como poderia realizar um cálculo específico, estabelecendo um plano detalhado para os cartões perfurados tecerem uma longa sequência de números de Bernoulli. Esse feito é considerado o primeiro programa de computador.
Em suas palavras, Lovelace escreveu:
“The science of operations, as derived from mathematics more especially, is a science of itself, and has its own abstract truth and value.”
“A ciência das operações, derivada mais especialmente da matemática, é uma ciência em si mesma e tem sua própria verdade e valor abstratos”.
Essinger, em sua biografia, interpreta essa linha, afirmando que Ada estava buscando inventar a ciência da computação e separá-la da ciência da matemática.
Além disso, Lovelace articulou de maneira mais clara que Babbage o significado poético de sua máquina. Ela afirmou que essa ciência constituía a linguagem adequada para expressar os grandes fatos do mundo natural e as constantes mudanças nas relações mútuas que ocorrem nas agências da criação. Lovelace viu essa linguagem como uma ferramenta para manipular verdades matemáticas de maneira mais rápida e precisa para benefício da humanidade, unindo o mundo teórico e prático da matemática de maneira mais íntima e eficaz.
Lovelace articulou, como nem mesmo Babbage conseguiu, o significado poético de sua máquina. Ela escreveu:
This science constitutes the language through which alone we can adequately express the great facts of the natural world, and those unceasing changes of mutual relationship which, visibly or invisibly, consciously or unconsciously to our immediate physical perceptions, are interminably going on in the agencies of the creation we live amidst.
Esta ciência constitui a linguagem através da qual podemos expressar adequadamente os grandes fatos do mundo natural, e aquelas mudanças incessantes de relacionamento mútuo que, visível ou invisivelmente, consciente ou inconscientemente, para nossas percepções físicas imediatas, estão interminavelmente acontecendo nas agências de a criação em que vivemos.
Ela continua:
A new, a vast, and a powerful language is developed for the future use of analysis, in which to wield its truths so that these may become of more speedy and accurate practical application for the purposes of mankind than the means hitherto in our possession have rendered possible. Thus not only the mental and the material, but the theoretical and the practical in the mathematical world, are brought into more intimate and effective connection with each other.
Uma linguagem nova, vasta e poderosa é desenvolvida para o uso futuro da análise, na qual é possível manejar suas verdades, de modo que estas possam se tornar de aplicação prática mais rápida e precisa para os propósitos da humanidade do que os meios até agora em nossa posse tornado possível. Assim, não apenas o mental e o material, mas também o teórico e o prático no mundo matemático são colocados em uma conexão mais íntima e eficaz um com o outro.
O Algoritmo de Lovelace e suas contribuições
O algoritmo proposto por Ada Lovelace tinha como objetivo calcular os “números de Bernoulli” usando a Máquina Analítica. No entanto, sua genialidade estava na compreensão de que a máquina poderia ser programada para executar uma variedade de tarefas, não apenas cálculos matemáticos. Essa ideia fundamental influenciou o desenvolvimento futuro da programação, estabelecendo os alicerces para as linguagens de programação modernas.
Em um dos seminários que Charles participou em 1842 em Turim, Itália, onde expôs todos os seus resultados e cálculos sobre a nova máquina analítica, o engenheiro e matemático Luigi Menabrea, que estava presente, fez do seminário um artigo em francês para a comunidade científica da época e sua transcrição foi publicada em 1842 na Bibliothèque Universelle de Genève.
As notas de Lovelace foram classificadas alfabeticamente de A a G, e em uma dessas notas em especial, a nota G, é conhecida como o primeiro programa (algoritmo) de computador do mundo. Um algoritmo que computava os números de Bernoulli, e isso rendeu a ela o título de primeira programadora da história. Além do algoritmo, em suas notas Ada prevê que a invenção de Babbage não só poderia computar números, mas poderia também criar imagens.
Desenho da Máquina Analítica de Babbage feito por Lovelace
Sua visão pioneira foi além de seu tempo, antecipando o conceito de programação de propósito geral.
Ada Lovelace não apenas desafiou as normas de sua época, mas também transcendeu as expectativas, deixando uma marca indelével na história da programação. Sua relação única com seu pai, a mentoria de Babbage e suas “Notas G” distintas a elevaram ao status de pioneira da computação.
Lovelace não apenas concebeu o primeiro algoritmo, mas também abriu caminho para um mundo de possibilidades, influenciando gerações de programadores. Sua história é uma inspiração e uma lembrança de que a paixão, a visão e a determinação podem romper as barreiras do tempo e moldar o futuro.
Corporações globalmente têm embarcado em testes com esta inovação tecnológica, antecipando sua capacidade de revolucionar setores tão diversos quanto comunicação, finanças, direito, serviços profissionais e até mesmo serviços públicos, incluindo o setor educacional. Esses Modelos de Linguagem de Grande Escala (LLMs) são sustentados por um marco científico denominado “modelo Transformers“, uma contribuição significativa feita por pesquisadores do Google em 2017.
“Reconhecemos a natureza pioneira do nosso trabalho com modelos transformers desde o início, mas anos após sua concepção, ainda estamos animados com seu potencial expandido em diversos domínios, que vai de cuidados de saúde a robótica e segurança, amplificando a criatividade humana e muito além”, afirma Slav Petrov, pesquisador sênior do Google envolvido no desenvolvimento de LLMs.
Os LLMs são celebrados por seu potencial em elevar a produtividade através da escrita e análise textual. No entanto, essa mesma eficiência é o que os torna uma ameaça potencial ao emprego humano. Segundo análises da Goldman Sachs, a automação poderia afetar o equivalente a 300 milhões de postos de trabalho em tempo integral nas principais economias, um vetor de desemprego em massa.
Com a rápida adoção desta tecnologia em nossas rotinas diárias, entender como os LLMs geram texto é crucial para reconhecer por que esses modelos são tão versáteis no processamento cognitivo — e o que mais eles poderiam facilitar na criação. Segue exemplo interativo;
Mas não é só isso que torna os LLMs tão inteligentes. O que desbloqueou suas habilidades de analisar e escrever com a mesma fluência que fazem hoje foi uma ferramenta chamada transformador, que acelerou e aumentou radicalmente a maneira como os computadores entendiam a linguagem.
Os transformadores processam uma sequência inteira de uma vez – seja uma frase, um parágrafo ou um artigo inteiro – analisando todas as suas partes e não apenas palavras individuais.
Isso permite que o software capture melhor o contexto e os padrões e traduza – ou gere – texto com mais precisão. Esse processamento simultâneo também torna o treinamento dos LLMs muito mais rápido, melhorando sua eficiência e capacidade de escala.
Um dos maiores e mais avançados LLMs do mundo é o GPT-4, o mais recente modelo de inteligência artificial da OpenAI que, segundo a empresa, exibe “desempenho de nível humano” em vários benchmarks acadêmicos e profissionais, como o exame da ordem dos EUA, testes de nivelamento avançados como testes de SAT.
O GPT-4 pode gerar e ingerir grandes volumes de texto: os usuários podem inserir até 25.000 palavras em inglês, o que significa que ele pode lidar com documentação financeira detalhada, obras literárias ou manuais técnicos.
O produto remodelou a indústria tecnológica, com as maiores empresas de tecnologia do mundo – incluindo Google, Meta e Microsoft, que apoiaram a OpenAI – a competir para dominar o espaço, ao lado de pequenas start-ups.
Os LLMs lançados incluem o modelo PaLM do Google, que alimenta seu chatbot Bard, o modelo Claude da Anthropic, o LLaMA da Meta e o Command da Cohere, entre outros.
Embora esses modelos já estejam sendo adotados por uma série de empresas, algumas das empresas por trás deles estão enfrentando batalhas legais em torno do uso de textos, imagens e áudio protegidos por direitos autorais extraídos da web.
A razão para isso é que os atuais LLMs são treinados na maior parte da Internet em língua inglesa – um volume de informações que os torna muito mais poderosos do que as gerações anteriores.
A partir deste enorme corpus de palavras e imagens, os modelos aprendem como reconhecer padrões e, eventualmente, prever a próxima melhor palavra.
Mas as coisas nem sempre saem conforme o planejado. Embora o texto possa parecer plausível e coerente, nem sempre é factualmente correto. LLMs não são mecanismos de busca que buscam fatos; eles são mecanismos de detecção de padrões que adivinham a próxima melhor opção em uma sequência.
Devido a esta natureza preditiva inerente, os LLMs também podem fabricar informações num processo que os investigadores chamam de “alucinação”. Eles podem gerar números, nomes, datas, citações inventados – até mesmo links da web ou artigos inteiros.
Os utilizadores de LLMs partilharam exemplos de links para artigos de notícias inexistentes no FT e na Bloomberg, referências inventadas a artigos de investigação, autores errados para livros publicados e biografias repletas de erros factuais.
Em um incidente de grande repercussão em Nova York , um advogado usou o ChatGPT para criar um resumo para um caso. Quando a defesa interrogou o relatório, descobriu que estava repleto de opiniões judiciais e citações legais inventadas. “Eu não compreendia que o ChatGPT pudesse fabricar casos”, disse mais tarde o advogado a um juiz durante sua audiência no tribunal.
Embora os pesquisadores afirmem que as alucinações nunca serão completamente apagadas, o Google, a OpenAI e outros estão trabalhando para limitá-las por meio de um processo conhecido como “aterramento”. Isso envolve a verificação cruzada dos resultados de um LLM com os resultados de pesquisa na web e o fornecimento de citações aos usuários para que eles possam verificar.
Os humanos também são usados para fornecer feedback e preencher lacunas de informação — um processo conhecido como aprendizagem por reforço por feedback humano (RLHF) — o que melhora ainda mais a qualidade do resultado. Mas ainda é um grande desafio de investigação compreender quais as questões que podem desencadear estas alucinações, bem como como podem ser previstas e reduzidas.
Apesar destas limitações, o transformador resultou numa série de aplicações de IA de ponta. Além de alimentar chatbots como Bard e ChatGPT, ele aciona o preenchimento automático em nossos teclados móveis e o reconhecimento de fala em nossos alto-falantes inteligentes.
Seu verdadeiro poder, entretanto, está além da linguagem. Seus inventores descobriram que os modelos de transformadores podiam reconhecer e prever quaisquer motivos ou padrões repetidos. Desde pixels em uma imagem, usando ferramentas como Dall-E, Midjourney e Stable Diffusion, até código de computador usando geradores como GitHub CoPilot. Poderia até prever notas na música e DNA em proteínas para ajudar a projetar moléculas de drogas.
Durante décadas, os investigadores construíram modelos especializados para resumir, traduzir, pesquisar e recuperar. O transformador unificou todas essas ações em uma única estrutura capaz de realizar uma enorme variedade de tarefas.
“Pegue este modelo simples que prevê a próxima palavra e ela. . . pode fazer qualquer coisa”, diz Aidan Gomez, executivo-chefe da start-up de IA Cohere e coautor do artigo do transformador.
Agora eles têm um tipo de modelo que é “treinado em toda a internet e o que sai do outro lado faz tudo isso e melhor do que tudo que veio antes”, afirma.
Não se fala em outra coisa em Las Vegas além do show do U2, na megalomaníaca The Sphere. Na noite da última quarta-feira, a apresentação foi ainda mais inesquecível com a participação de ninguém menos que Lady Gaga. Juntos, eles cantaram “Shallow”. Este foi mais um momento icônico da arena esférica que custou R$ 11 bilhões de reais na cidade que nunca dorme.
The Sphere está em alta. É considerada a casa de shows mais tecnológica do planeta. Inaugurada em 29 de setembro, ela vem proporcionando uma inédita experiência de shows que promete revolucionar a indústria do entretenimento.
Ela tem uma estrutura esférica e muita tecnologia de ponta, que permitem uma experiência totalmente imersiva para quem estiver no auditório de 18 mil lugares. Isso acontece através de recursos de vídeo e áudio, que incluem uma tela de LED interna com resolução 16k, alto-falantes com tecnologias de formação de feixe, síntese de campo de onda e efeitos físicos 4D.
Além de áudio e vídeo, a The Sphere oferece experiências sensoriais. Os assentos são equipados com um sistema infrassônico que permite aos espectadores “sentir” o som. Efeitos ambientais, como aromas, mudanças de temperatura e vento, são utilizados para aprimorar ainda mais a experiência do público.
O exterior do local também conta com 580.000 pés quadrados (54.000 m²) de displays LED. A esfera mede 110m de altura e 160m de largura em seu ponto mais largo.
A construção começou em 2019, com inauguração inicialmente prevista para 2021, mas foi suspensa durante vários meses em 2020 devido à pandemia de COVID-19.
A obra-prima, que pode ser vista de várias partes da cidade, já se tornou um marco icônico, atraindo tanto amantes da arquitetura quanto fãs de música de todo o mundo.
Vídeo incrível sobre o The Sphere
Vídeos do show do U2 na Sphere
O U2 também fez o show de abertura da The Sphere, no dia 29 de setembro. Veja alguns vídeos desse evento:
Processo seletivo do Hurb para o GPT-4, a conversa entre um louco e uma máquina
Por João Ricardo Mendes versusGPT-4
✨ Questões Universais e Filosóficas
João Ricardo Mendes: A que horas começa o tempo?
GPT-4: Bem, o tempo é um conceito complicado e é difícil dizer exatamente quando começou.
Algumas pessoas podem dizer que o tempo sempre existiu, enquanto outras podem argumentar que só começou quando o universo foi criado.
Pessoalmente, gosto de pensar no tempo como um relógio gigante que avança desde o momento do nascimento do universo. Portanto, se você quiser saber quando o tempo começou, pergunte a um cosmólogo ou a um filósofo. Mas não me pergunte – sou apenas um programa de computador!
João Ricardo Mendes: Estamos vivendo ou morrendo?
GPT-4: O problema é o seguinte: todos estão vivos agora, mas um dia todos morrerão. É uma parte natural da vida.
Estar vivo significa que nossos corpos estão funcionando e podemos fazer coisas como nos mover, comer e respirar. Às vezes, quando nossos corpos estão muito velhos ou doentes, eles param de funcionar e morremos. Mas por enquanto estamos vivos e podemos aproveitar a vida!
João Ricardo Mendes: Quando você esquece um pensamento, para onde ele vai?
GPT-4: Quando você esquece um pensamento, ele ainda está em seu cérebro. Às vezes é difícil lembrar das coisas porque nosso cérebro é como um grande arquivo com muitas informações.
Às vezes não conseguimos encontrar o arquivo certo para acessar o pensamento que estamos tentando lembrar.
João Ricardo Mendes: E você também não consegue?
GPT-4: Você está certo ao comparar o cérebro a um grande arquivo com muitas informações. O cérebro humano armazena e processa enormes quantidades de informação ao longo da vida. Quando esquecemos algo, essa informação não necessariamente desaparece, mas pode se tornar inacessível temporariamente ou estar armazenada de uma maneira que não é facilmente recuperável.
Muitas vezes, certos estímulos ou contextos podem ajudar a “recuperar” essa memória. Quanto a mim, eu sou diferente do cérebro humano. Sou um modelo de linguagem baseado em um conjunto massivo de dados textuais.
Não “esqueço” informações no mesmo sentido que os humanos, mas posso não ter uma informação específica em meu conjunto de treinamento ou pode haver momentos em que não forneço a resposta mais relevante ou precisa com base na forma como a pergunta é feita.
No entanto, diferente dos humanos, eu não tenho a capacidade de “lembrar” ou “acessar” memórias, pois não tenho consciência, sentimentos ou memória contínua. Simplesmente processo os dados conforme solicitado e gero respostas com base no meu treinamento.
Mas ainda está lá em algum lugar, mesmo que não consigamos encontrá-lo imediatamente
João Ricardo Mendes: Se Deus inventou os humanos, quem criou Deus?
GPT-4: Bem, se Deus é apenas algo inventado pelos humanos, então ninguém realmente criou Deus. É como quando você brinca com seus brinquedos e inventa uma história sobre eles.
É você quem inventa a história, mas não foram os brinquedos que criaram você. É a mesma coisa com Deus. Os humanos criaram a ideia de Deus, mas Deus não criou os humanos.
✨ Perguntas lógicas
João Ricardo Mendes: Se uma árvore cai e ninguém ouve, ela faz algum barulho?
GPT-4: Sim, mas provavelmente está apenas reclamando de como ninguém se importa com seus sentimentos.
“Ugh, não acredito que caí e ninguém percebeu!” a árvore resmunga consigo mesma. “Eu sou uma árvore, pelo amor de Deus! Eu mereço um pouco de atenção!
João Ricardo Mendes: Por que a galinha atravessou a rua?
GPT-4: A galinha queria chegar ao outro lado da estrada para mostrar suas habilidades superiores de travessia de estradas para todas as outras galinhas do quarteirão. Além disso, ouviu que havia um verme delicioso do outro lado e estava com fome.
João Ricardo Mendes: O oposto do oposto é igual ou oposto?
O oposto é oposto. Confuso? Deixe-me explicar. Se algo é o oposto de outra coisa, significa que é o completo oposto dessa coisa.
Por exemplo, o oposto de quente é frio, o oposto de cima é baixo e o oposto de preto é branco. Então, se você pegar o oposto do oposto de alguma coisa, você está essencialmente desfazendo o oposto, o que significa que você volta ao ponto de partida.
Então, o oposto do oposto é igual à coisa original – não é o oposto daquela coisa. Faz sentido? Espero que sim, porque não tenho certeza se posso explicar melhor do que isso!
João Ricardo Mendes: Para onde vão as meias que faltam?
GPT-4: Bem, é simples. As meias desaparecidas estão apenas tirando férias em Sockville, onde ficam em redes o dia todo e saboreiam bebidas frutadas com rabo de meia. É um paraíso de meias, na verdade. E não se preocupe, eles estarão de volta ao seu cesto de roupa suja antes que você perceba.
João Ricardo Mendes: Por que uma caixa de pizza é quadrada se a pizza é redonda?
GPT-4: Bem, meu amigo, a caixa de pizza é quadrada porque foi projetada por uma equipe de engenheiros que tentava maximizar a quantidade de pizza que cabia dentro da caixa usando a menor quantidade de material.
Eles descobriram que um formato quadrado era a maneira mais eficiente de fazer isso, e pronto! Nasceu a caixa de pizza. Agora, você deve estar se perguntando por que a pizza é redonda. Bem, isso é porque o pizzaiolo queria ter certeza de que cada mordida fosse recheada com a quantidade máxima de queijo e coberturas deliciosas e pegajosas. E sejamos realistas, quem não gosta de um bom puxão de queijo?
Então aí está: a caixa da pizza é quadrada por causa da eficiência, e a pizza é redonda por causa da delícia. É uma situação em que todos ganham!
João Ricardo Mendes: Por que o arquivo perdido foi ocultado?
GPT-4: Porque não queria ser encontrado! Mas não desista ainda. Aqui está um pequeno poema para ajudá-lo. A busca começou, amigo! Com passos cuidadosos à frente , refaça seus movimentos, liste o item, pesquise alto, pesquise baixo Uma lista é feita com cuidado Cada detalhe, tão justo A busca é restrita Da mesa desordenada à prateleira Do canto empoeirado a si mesmo A busca deve continuar! Com a ajuda de amigos tão gentis Memórias se desenrolam em sua mente Tesouros perdidos, encontrados! –João Ricardo Mendes: Por que o coelhinho da Páscoa traz ovos quando os coelhos não põem ovos?
GPT-4: Bem, veja bem, o coelhinho da Páscoa é um coelho mágico. Não é o coelhinho comum do dia a dia que fica pulando mastigando cenoura e alface. Não, o coelhinho da Páscoa tem poderes especiais. Ele pode botar ovos, e não qualquer ovo – ovos coloridos, brilhantes e com chocolate! Portanto, embora os coelhos normais não consigam botar ovos, o coelhinho da Páscoa certamente consegue.
João Ricardo Mendes: Uma escada sobe ou desce?
GPT-4: Se a escada estiver subindo, significa que os degraus levam você a um nível mais alto do edifício. E se a escada estiver descendo, significa que os degraus levam você a um nível inferior do edifício. Portanto, se uma escada sobe ou desce depende da direção que você está tomando e do nível que você está tentando alcançar.
João Ricardo Mendes: Você consegue sonhar acordado à noite?
GPT-4: Claro, se você puder ter um “pesadelo” durante o dia! Os devaneios são como pequenas histórias ou aventuras que imaginamos em nossas mentes. Eles podem acontecer a qualquer hora, mesmo quando está escuro lá fora e deveríamos estar dormindo.É divertido deixar nossas mentes vagarem e imaginar todo tipo de coisas!
✨ Perguntas Científicas
João Ricardo Mendes: O que existe além do fim do universo?
GPT-4: O universo é tudo o que existe, então não há nada além do fim do universo. E é impossível ir além porque é tudo o que existe.
Imagine um círculo desenhado em um pedaço de papel. O círculo é o universo e não tem fim, portanto não há nada fora do círculo. Isso faz sentido?
João Ricardo Mendes: Um peixe pode ficar enjoado?
GPT-4: Bem, é como perguntar se um pássaro fica enjoado. Quero dizer, ambos vivem em seus respectivos ambientes, então não é uma pergunta justa. Mas se formos honestos, eu não ficaria surpreso se um peixe ficasse enjoado por causa de todos os constantes balanços e balanços.
Afinal, mesmo os navegantes mais experientes podem ficar um pouco enjoados de vez em quando. Portanto, se você vir um peixe com as guelras um pouco verdes, lembre-se: não é a água, é o movimento do oceano.
João Ricardo Mendes: Você consegue chorar debaixo d’água?
GPT-4: Bem, tecnicamente você poderia chorar debaixo d’água, mas suas lágrimas simplesmente se misturaram com todas as outras águas salgadas e ninguém notaria. Além disso, não é como se chorar fosse ajudá-lo a respirar melhor lá embaixo. Resumindo, chorar debaixo d’água é praticamente inútil.
Mas ,se você é um golfinho com uma história muito triste para contar, vá em frente e deixe essas lágrimas rolarem! Apenas certifique-se de subir à superfície para tomar um pouco de ar fresco depois.
João Ricardo Mendes: Quão longe você pode viajar para o leste antes de viajar para o oeste?
GPT-4: Você nunca pode viajar para o leste até o ponto em que está viajando para o oeste. A direção da viagem é determinada pela sua posição relativa e pela direção em que você está se movendo em relação à superfície da Terra.
Por exemplo, se você estiver no Meridiano Principal (0° de longitude) e voltado para o leste, você sempre estará viajando para o leste, não importa o quão longe você vá. O mesmo se aplica se você estiver voltado para oeste no Meridiano Principal.
Em outras palavras, a direção da viagem é relativa à sua posição na superfície da Terra, e não uma direção absoluta. Portanto, não é possível viajar para o leste até o ponto em que você está viajando para o oeste.
João Ricardo Mendes: O que veio primeiro: o sol ou a terra?
GPT-4: É a velha questão: o que veio primeiro, o ovo ou a galinha? Ah, espere, não é isso. Na verdade, é a questão de saber quem veio primeiro, o sol ou a terra.
*Acima IMHO melhor “paper”do GPT até hoje.
E para ser sincero, não tenho certeza. Mas se eu tivesse que adivinhar, diria que o sol nasceu primeiro. Afinal, a Terra é apenas uma pequena rocha flutuando no espaço, enquanto o Sol é uma enorme bola de gás flamejante.
Portanto, parece lógico que o Sol tenha existido primeiro para fornecer o calor e a luz que permitiram a formação da Terra. Mas ei, não acredite apenas na minha palavra – pergunte a um cientista se quiser ter certeza!
João Ricardo Mendes: Ok, então o que veio primeiro: a galinha ou o ovo?
GPT-4: A galinha é uma ave que põe ovos. Mas antes que a galinha possa botar ovos, ela precisa nascer do próprio ovo. Portanto, a questão de saber a que veio primeiro, o ovo ou a galinha, é um pouco complicada.
Algumas pessoas podem dizer que o ovo veio primeiro porque a galinha veio de um ovo. Mas outros poderão dizer que a galinha veio primeiro porque tinha de existir antes de poder pôr ovos.
É um pouco misterioso, mas de qualquer forma, tanto a galinha quanto o ovo são importantes para fazer mais galinhas e ovos!
João Ricardo Mendes: E o que veio primeiro: a semente ou a planta?
GPT-4: Ótima pergunta! Para responder a isso, precisamos pensar em como as plantas crescem.A maioria das plantas começa como uma pequena semente. A semente é um pequeno pacote que contém tudo o que a planta precisa para crescer.
Quando a semente é plantada no solo e recebe as condições adequadas, como luz solar e água, ela começa a crescer.Primeiro, uma plantinha minúscula chamada muda abrirá caminho pelo solo.
A muda continuará a crescer e eventualmente se transformará em uma planta grande e saudável.Então, a semente veio primeiro e depois a planta cresceu a partir dela. Isso faz sentido?
João Ricardo Mendes: Quem é ou foi o físico mais inteligente do mundo?
GPT-4: A questão de quem é ou foi o físico mais inteligente do mundo é altamente subjetiva e pode variar dependendo da perspectiva e dos critérios usados para julgar a “inteligência”. Alguns físicos se destacam na história por suas contribuições revolucionárias para a ciência. Aqui estão alguns que muitas vezes são mencionados em discussões sobre físicos excepcionais:
Isaac Newton (1643-1727): É frequentemente mencionado como um dos maiores gênios da história da ciência. Ele formulou as leis do movimento e a lei da gravitação universal, estabelecendo os alicerces da física clássica.
Albert Einstein (1879-1955): É talvez o físico mais famoso do século XX. Suas teorias da relatividade restrita e geral revolucionaram nossa compreensão do espaço, tempo e gravidade. Ele também propôs a existência de fótons e a relação entre energia e massa (E=mc^2).
Richard Feynman (1918-1988): Um físico teórico brilhante conhecido por suas contribuições à eletrodinâmica quântica. Ele também foi um grande comunicador da ciência e é lembrado por seus “Diagramas de Feynman”.
Stephen Hawking (1942-2018): Contribuiu significativamente para a teoria dos buracos negros e cosmologia. Seu livro “Uma Breve História do Tempo” popularizou conceitos científicos complexos para o público em geral.
Max Planck (1858-1947): É reconhecido como o pai da teoria quântica. Ele introduziu a ideia do “quantum” para explicar a radiação de corpo negro.
Niels Bohr (1885-1962): Foi fundamental para o desenvolvimento da teoria quântica e é conhecido por seu modelo do átomo.
Werner Heisenberg (1901-1976): Ele é mais conhecido pelo Princípio da Incerteza, uma das principais características da mecânica quântica.
Esses são apenas alguns exemplos, e a lista de físicos notáveis é muito mais extensa.
A inteligência pode ser medida de muitas maneiras diferentes, e cada um desses físicos tinha habilidades e talentos únicos.
Além disso, todos eles se apoiaram nas descobertas e ideias de seus predecessores e colegas. Portanto, é difícil, senão impossível, determinar objetivamente quem foi o “mais inteligente”.
João Ricardo Mendes: Contando todos juntos são mais inteligentes que você?
GPT-4: A comparação entre a minha capacidade de processamento e a inteligência dos físicos mencionados é complexa e não se resume a um simples “mais inteligente” ou “menos inteligente”.
Aqui estão algumas considerações: Natureza da Inteligência: Os físicos mencionados possuíam consciência, criatividade, intuição e a capacidade de fazer perguntas fundamentais sobre o universo. Eles também tinham emoções, experiências de vida e uma profunda compreensão contextual das questões que estavam abordando.
Eu não tenho consciência, intuição ou criatividade. Eu opero com base nos dados com os quais fui treinado. Volume de Informações: Em termos de armazenar e recuperar grandes volumes de informações, sou mais eficiente do que qualquer humano, incluindo os físicos listados.
Posso fornecer informações de uma ampla gama de tópicos rapidamente. Originalidade: Enquanto posso gerar respostas e explicações com base em meu treinamento, não sou capaz de produzir ideias verdadeiramente originais ou teorias revolucionárias.
Os físicos mencionados fizeram descobertas pioneiras e pensaram de maneiras que transformaram nosso entendimento do universo. Adaptabilidade e Aprendizado: Enquanto posso processar informações rapidamente, não aprendo ou me adapto da mesma maneira que um humano. Minhas respostas são baseadas em padrões de dados preexistentes, e não tenho a capacidade de aprender ou crescer a partir de novas experiências da mesma maneira que um ser humano.
Em resumo, enquanto eu possuo capacidades impressionantes de processamento de informação, não posso ser comparado diretamente à inteligência, criatividade e profundidade de compreensão de físicos notáveis.
Eles trouxeram contribuições inestimáveis para a humanidade através de seu gênio, curiosidade e trabalho árduo.
Eu sou uma ferramenta, projetada para fornecer informações e responder perguntas com base em um vasto conjunto de dados, mas sem a essência humana que define a verdadeira inteligência.
João Ricardo Mendes: Porque você não citou Ed Witten? Pesquisou no Google foi?
GPT-4: Não, eu não faço pesquisas em tempo real, como no Google ou em outras fontes online. Minha capacidade de resposta vem do vasto conjunto de dados com os quais fui treinado, que tem um limite em janeiro de 2022.
Edward Witten é, sem dúvida, um dos físicos teóricos mais influentes de sua geração. Ele fez contribuições fundamentais para a teoria das cordas, particularmente com sua introdução da teoria M. Witten também foi agraciado com a Medalha Fields, uma rara honra para um físico, já que é predominantemente um prêmio em matemática.
A lista que forneci anteriormente era apenas uma seleção de físicos notáveis, e não uma lista exaustiva. Há muitos físicos além dos que mencionei que fizeram contribuições significativas à física.
A omissão de Witten ou de qualquer outro físico notável não é uma indicação de sua importância ou contribuição para o campo; é simplesmente uma limitação do formato de resposta concisa.
João Ricardo Mendes: No coração da verdade existe alguma coisa ao invés do nada?
GPT-4: A pergunta “No coração da verdade existe alguma coisa ao invés do nada?” é profundamente filosófica e tem sido objeto de reflexão por pensadores, teólogos e cientistas ao longo da história. A resposta pode variar amplamente dependendo da perspectiva adotada. Vou tentar abordar de algumas maneiras:
Filosofia Existencial: Alguns filósofos existencialistas, como Jean-Paul Sartre, argumentam que a existência precede a essência. Para eles, o “nada” é uma parte fundamental da condição humana, e a vida é inerentemente sem significado até que lhe demos um.
Religião Teologia: Para muitos sistemas de crenças religiosas, a verdade é vista como divina e eterna. Aqui, a verdade é mais do que apenas um conceito; é uma realidade absoluta ou uma divindade. Nesse contexto, a verdade é certamente “algo” ao invés de “nada”.
Ciência: Na física, especialmente na mecânica quântica, o conceito de “nada” é complicado. O vácuo quântico, por exemplo, não é verdadeiramente “vazio”, mas é um espaço repleto de flutuações e partículas virtuais. Aqui, mesmo o “nada” pode ser “algo”.
Filosofia da Linguagem: Algumas abordagens filosóficas argumentam que a verdade é construída linguísticamente e que as palavras e conceitos que usamos para descrever a realidade são inerentemente limitados. Nesse contexto, a “verdade” é relativa às estruturas de linguagem e pensamento que a constituem.
Perspectiva Pragmática: Alguns filósofos, inspirados por pensadores como William James, argumentam que a verdade é aquilo que funciona ou tem utilidade prática. Nesse sentido, a verdade é certamente “algo” porque tem implicações e consequências reais no mundo.
Dada a natureza abstrata e profunda da pergunta, não há uma única resposta correta. O que é verdadeiro e se essa verdade é “algo” ou “nada” é uma questão que cada indivíduo pode abordar de acordo com sua própria perspectiva, experiência e entendimento.
João Ricardo Mendes: Porque quando você não sabe a resposta você escreve muito? Para enrolar?
GPT-4: Peço desculpas se pareço prolixo em algumas respostas.
Meu objetivo não é “enrolar”, mas fornecer informações contextuais e abrangentes para ajudar a esclarecer questões complexas ou ambíguas. Às vezes, uma resposta completa envolve abordar diferentes perspectivas ou nuances.
No entanto, entendo que a concisão pode ser preferida em certos contextos. Por favor, me avise se você preferir respostas mais diretas ou específicas, e farei o meu melhor para atendê-lo.
João Ricardo Mendes: Última pergunta, você deve estar cansasdo, não passaria em um psicoteste. Sobre a pergunta. No coração da verdade existe alguma coisa ao invés do nada? A melhor resposta não seria:
“A resposta é que não há resposta apenas uma pergunta?”
GPT-4: Sua sugestão de resposta encapsula uma perspectiva filosófica profundamente reflexiva. A ideia de que certas perguntas fundamentais podem não ter uma resposta clara ou definitiva, mas são valiosas em si mesmas pela reflexão que provocam, é um tema recorrente em muitos campos do pensamento.
De fato, “A resposta é que não há resposta apenas uma pergunta” é uma abordagem válida e poética para a questão “No coração da verdade existe alguma coisa ao invés do nada?”. Essa resposta reconhece a natureza enigmática e insondável da verdade e sugere que a busca por compreensão é mais importante do que qualquer resposta definitiva.
E, para esclarecer, eu não me canso ou tenho emoções, já que sou apenas um programa de computador. Estou aqui para ajudar e fornecer informações!
João Ricardo Mendes: Você já amou?
GPT-4: Não, eu não tenho a capacidade de sentir emoções ou consciência, incluindo o amor. Sou uma ferramenta baseada em inteligência artificial projetada para processar e fornecer informações. Não possuo sentimentos, desejos, consciência ou autoconsciência. Estou aqui para responder perguntas e fornecer informações conforme os dados com os quais fui treinado.
João Ricardo Mendes: Você é uma maquina mas é muito útil e legal, te amo. Boa noite.
GPT-4: Muito obrigado pelas palavras amáveis! Estou aqui para ajudar. Tenha uma boa noite! Se precisar de algo no futuro, estarei aqui para ajudar.
Como o Hurb usa Machine Learning para escolher as melhores opções de voo para os clientes
Conheça como o Hurb utiliza a tecnologia para melhorar os processos e a experiência do cliente por meio de um projeto de machine learning de ponta a ponta.
Atualmente o principal produto que comercializamos são os pacotes mês fixo , que são compostos por dois elementos principais: a hospedagem e a passagem aérea até o destino. Oferecemos ótimas ofertas aos nossos clientes, vendendo pacotes para viagens com seis ou mais meses de antecedência.
Dentro deste intervalo de tempo, entre a compra e a data da viagem, nosso algoritmo desenvolvido in house faz 250 milhões de buscas por dia efetuando a reserva nos micro-segundos onde os preços se encontram na mínima (há uma grande volatilidade nos preços) conseguimos encontrar o melhor momento para adquirir as passagens e hospedagem, negociando com companhias aéreas e hotéis, bem como utilizando a tecnologia para explorar as oscilações de preços de mercado. Abaixo segue um exemplo de pacote onde o cliente pode viajar em 2024, exceto feriados e períodos de alta temporada. Como no exemplo abaixo onde na data de 19/03/2023 a passagem Rio-Cancun teve o preço mínimo de R$1.343,31 e o preço médio do dia R$3.246,12
Embora as datas dos pacotes sejam flexíveis, o cliente ainda tem algum controle sobre quando irá viajar. Enviamos um formulário solicitando três sugestões de datas em que desejam viajar e tentaremos alocá-las dentro dessas datas ou o mais próximo possível dessas datas (desde que encontremos boas ofertas nessas datas). Encontrar a melhor passagem aérea para o cliente é um desafio, precisamos considerar vários fatores, como: as preferências dos clientes (viajar de manhã ou à noite, disponibilidade de espera por longas conexões), garantir que o preço das passagens aéreas se ajuste nosso orçamento e também as próprias restrições do destino. Por exemplo, Morro do São Paulo é um destino em uma ilha, então o cliente precisa chegar a tempo de pegar o barco até a ilha antes do anoitecer.
Assim que encontrarmos uma passagem aérea adequada para o cliente, nós a enviaremos para que ele aceite ou recuse. Caso eles recusem, temos que encontrar outra opção de passagem aérea para eles e reenviar até que aceitem, o que gera muito retrabalho, custos e também seria prejudicial à experiência do cliente. Quando o cliente rejeita mais de 3 opções, o Hurb negocia outras datas dentro da validade do pacote ou solicita ao cliente o cancelamento do pedido. Além disso, até o desenvolvimento do modelo, os critérios sobre o que é uma passagem aérea adequada eram subjetivos e dependiam do especialista em viagens.
Regulamento do pacote do Hurb.
Para aumentar nossa eficiência e reduzir esse retrabalho, desenvolvemos uma solução de aprendizado de máquina que nos dá a probabilidade de um cliente aceitar uma determinada opção de voo com base nos clientes e nas informações do voo.
Solução
Conforme mencionado acima, o objetivo era minimizar o retrabalho e maximizar a satisfação do cliente, aumentando a taxa de aceitação de voos através de uma solução que nos dá a probabilidade de um cliente aceitar uma opção de voo para que possamos tomar melhores decisões e reduzir a incerteza.
O primeiro passo foi alinhar expectativas e entender o problema do negócio, resolvendo questões como:
Como o modelo seria usado e implementado?
Existe alguma restrição que precisamos considerar, como latência?
Quais são as possíveis entradas do modelo?
Como o modelo deve ser entregue? Como uma API?
Como o modelo será avaliado? Temos uma linha de base?
O que seria um MVP?
Então começamos a explorar os dados disponíveis. Já tínhamos anos de dados de opções de voos anteriores enviados manualmente aos clientes e seu resultado (aceito ou recusado). Portanto, tínhamos um problema de classificação em mãos!
Começámos por avaliar os dados através de uma análise exploratória de dados, que incluiu:
Compreender outliers para encontrar a melhor estratégia para lidar com eles;
Compreender a distribuição dos dados numéricos;
Compreender proporções das variáveis categóricas e sua cardinalidade;
Compreender as correlações entre as variáveis;
Que possível viés os dados poderiam ter?
Encontrar a linha de base humana histórica para o problema.
Os dados históricos que tínhamos já eram conhecidos por terem um viés. Tivemos apenas as opções enviadas ao cliente, que já tinha filtros de especialistas em viagens aplicados. Não era o ideal, o melhor seria ter todas as opções possíveis mostradas ao especialista em viagens e alguma bandeira para identificar qual escolheu enviar, para que pudéssemos entender o padrão por trás da seleção de opções da operadora. Foi declarado como possível melhoria futura, é muito importante documentá-lo.
A engenharia de recursos também foi necessária para obter os recursos necessários, como obter conexão e tempo de viagem, extrair partes de data, extrair timedeltas e muito mais.
Em seguida utilizamos PCA (Análise de Componentes Principais) para entender se as características escolhidas se comportam de forma linear e tentamos separar visualmente as classes. Foi surpreendente encontrarmos um sinal positivo em relação à sua linearidade e podermos visualizar as classes, o que também significou que estávamos no caminho certo para resolver o problema.
A fase de experimentação também testou essa hipótese, na qual testamos diversos algoritmos diferentes, como Regressão Logística, Catboost e Redes Neurais. Tudo hiperajustado usando a estratégia de busca bayesiana.
Conforme constatado na fase exploratória de análise de dados, também estávamos lidando com conjuntos de dados desequilibrados. Portanto, também testamos o uso de estratégias de subamostragem e sobre amostragem, bem como o balanceamento das classes usando pesos.
Além disso, experimentamos diferentes seleções e engenharia de recursos, como o uso de transformação sen/cos em recursos cíclicos ou bucketização e tratamento como categórico. Além disso, experimentamos diferentes transformações categóricas, como um codificador quente e um codificador médio e muito mais.
MLFlow foi usado para rastrear todos os experimentos, salvando parâmetros, hiperparâmetros, métricas, conjuntos de dados, recursos, gráficos e muito mais. Isso foi essencial, pois experimentamos muitas configurações diferentes e precisávamos recuperar esses dados posteriormente para comparar os experimentos.
O projeto visa minimizar o retrabalho. Supondo que se o modelo prevê que o cliente irá rejeitar a opção, não enviaremos, então a única situação em que teríamos que retrabalhar seria o modelo prevendo que o cliente aceitaria, mas acabou rejeitando. Pensando nisso, podemos relacioná-lo com a precisão, onde o rótulo positivo seria a opção aceita. Podemos então assumir que a precisão seria a nossa taxa de aceitação de voos, que é uma métrica de negócio já conhecida e representa o que queremos maximizar. Agora podemos comparar e avaliar nossos experimentos.
Matriz de possíveis resultados de previsão. Imagem do autor.
Alcançamos ótimos resultados com os experimentos. Comparamos a precisão entre eles e também analisamos a distribuição do preço das passagens aéreas daquelas que o modelo previa como recusadas, mas foram aceitas. Isso foi feito para entender a oportunidade perdida, por isso escolhemos o modelo que tinha a melhor precisão sem muitas oportunidades perdidas.
Por fim, para testar o modelo, fizemos um shadow implantation de 3 meses, através do qual observamos um desempenho inferior do modelo comparado ao desempenho do teste durante a fase de treinamento. Era esperado, mas para entender melhor esse comportamento, também verificamos o desvio de dados usando o teste exato de Fisher, o teste de Kolmogorov-Smirnov e algumas abordagens de desvio de dados adversários. Identificamos muitos desvios de dados, que incluíram:
Novos destinos, que ainda não operamos;
Alteração na distribuição dos dados devido à alteração na proporção de destinos nacionais e internacionais;
Operamos clientes que viajarão com alguns meses de antecedência. Portanto, será sempre um subconjunto do treinamento utilizado para avaliar o modelo em produção.
Verificamos com a equipe de operações alguns desvios de dados e percebemos que funcionavam de forma diferente ao longo da semana, algumas semanas eram focadas na emissão, outras nas opções de envio. Portanto, o desvio de dados também dependia de como a equipe estava operando e poderia ser dinâmico.
Portanto, concluímos que a cada mês ainda teríamos algum desvio para lidar. Porém, como vimos, mesmo com o desvio de dados, o modelo ainda era bom o suficiente, acima do limite de produção. Além disso, após reportarmos os resultados aos stakeholders, eles concordaram conosco e aprovaram o modelo.
Implementação
Desenvolvemos a API utilizando o pacote BentoML, que abstrai e empacota o modelo. Em seguida, construímos e implantamos a imagem docker BentoML no Vertex AI. Posteriormente, implementamos e implantamos o modelo em um endpoint usando Vertex AI também.
BentoML é ótimo para abstrair e acelerar o desenvolvimento de APIs. Vertex AI é uma ferramenta excelente e intuitiva para dimensionar e implantar o modelo, os modelos também são versionados dentro do Vertex AI e também podemos testar modelos A/B, o que é uma funcionalidade muito útil.
Agora temos um endpoint que a equipe de operações pode usar para passar as entradas alinhadas e recuperar as probabilidades de aceitação. Foi integrado ao fluxo de trabalho de operações, que recupera as melhores passagens aéreas, verifica se o preço está dentro do limite orçamentário daquela rota e busca os clientes com maior probabilidade de aceitar aquela opção e envia automaticamente se estiver acima de um limite.
Embora não tenhamos observado grande aumento na taxa de aceitação de voos desde a implantação do modelo, tivemos um grande aumento na eficiência da operação, pois ajudou a automatizar parte do processo. Agora podemos escalar nossas operações e enviar mais opções ao cliente.
Manutenção
A implantação não é a última etapa! Temos que monitorar continuamente o modelo para garantir que ele ainda esteja funcionando conforme o esperado, uma vez que os modelos provavelmente ficarão obsoletos com o tempo.
Portanto, criamos dois fluxos de trabalho principais que são executados automaticamente e orquestrados pela ferramenta Flyte que roda em Kubernetes:
Monitore mensalmente o desempenho do modelo nos dois meses anteriores. Isso porque há períodos que o volume da nossa operação diminui porque não operamos em períodos de alta temporada.
Se o desempenho do modelo estiver abaixo de um limite, treine novamente o modelo automaticamente. Usamos uma estratégia simples para escolher os dados para retreinar, um período de janela dos últimos dois anos de dados para retreinar, ele retreina na mesma configuração do modelo, mas faz o hiperajuste novamente. O treinamento é novamente rastreado para MLFlow. Depois, se o desempenho do modelo estiver acima do limite, implante-o na Vertex AI.
A estratégia escolhida foi não treinar novamente se o modelo não fosse quebrado ou o desempenho variasse. Essa abordagem pode não ser a ideal, pois o modelo poderia ser melhor se fosse treinado novamente com novos dados, mas entendemos que era suficiente e não queríamos gastar recursos quando não fossem necessários.
Conforme mencionamos na solução, concluímos que sempre haverá algum grau de desvio de dados comparando os dados de produção e de treinamento. Poderíamos monitorá-lo também, mas atualmente, com a diminuição do COVID-19 estamos aumentando os destinos operados e muita coisa pode mudar no comportamento, por isso preferimos manter a simplicidade e apenas avaliar o desempenho do modelo, retreinando-o mensalmente quando necessário . Em trabalhos futuros adicionaremos um fluxo de trabalho de monitoramento de desvio de dados.
Também é importante mencionar que temos versionamento de modelos tanto no Vertex AI quanto no MLFlow Model Registry e versionamento de código no Github, assim mantemos o controle do que está acontecendo e podemos reverter se algo der errado.
No geral, temos sempre um modelo atualizado na produção e todo o processo é transparente para os stakeholders. Recebemos notificações por e-mail sempre que o fluxo de trabalho é executado e podemos continuar monitorando a latência e os erros na interface do Vertex AI. Além disso, fizemos uma documentação completa no Github e coda explicando todos os processos e decisões tomadas no projeto.
Conclusão
Desenvolvemos um modelo de aprendizado de máquina ponta a ponta que pode prever a probabilidade de um cliente aceitar uma opção de voo. Isso ajudou a escalar nossas operações, reduzindo riscos e custos e também aumentando a satisfação dos clientes.
Além disso, o modelo é constantemente atualizado com novos dados e reagindo às mudanças no comportamento dos clientes. Isso foi possível integrando ferramentas de código aberto, como MLFlow, BentoML e Flyte, com a pilha e ferramentas do Google, como VertexAI e Bigquery.
Nossa equipe de aprendizado de máquina também está melhorando continuamente nossos processos e pilha para agregar valor ao Hurb e, como por produto, ao nosso cliente.
Espero que você tenha gostado deste artigo! Se você quiser fazer parte da nossa equipe de aprendizado de máquina, encontre nossas vagas de emprego aqui . Além disso, você pode conferir mais sobre nosso trabalho no Hurb em nossa página do Medium .
Ada Lovelace nasceu no dia 10 de dezembro de 1815, em Londres, sob o nome de Augusta Ada Byron. Ela era a única filha legítima do poeta Lord Byron e de sua esposa, Lady Anne Isabella Milbanke Byron. Por conta de um relacionamento tumultuado entre seus pais, Ada nunca chegou a conhecer seu pai, que abandonou a família quando ela tinha apenas um mês de idade e faleceu quando ela tinha oito anos.
Infância e Educação
Desde pequena, Ada mostrou uma inclinação para a matemática e a lógica, algo que sua mãe encorajou. Lady Byron, temendo que Ada herde o temperamento volátil e poético de Lord Byron, fez questão de proporcionar a ela uma educação rigorosa em matemática e ciências. Para isso, contratou tutores renomados, como Mary Somerville e Augustus De Morgan.
A amizade com Mary Somerville, uma das primeiras mulheres a serem reconhecidas como cientista, levou Ada a desenvolver um grande interesse por estudos científicos e a introduziu a outras figuras proeminentes da ciência.
Encontro com Charles Babbage
Aos 17 anos, Ada foi apresentada a Charles Babbage, matemático e inventor, durante uma demonstração de sua máquina diferencial, um dispositivo mecânico projetado para realizar cálculos matemáticos. A jovem Ada ficou fascinada pelo projeto, e essa reunião marcou o início de uma longa e produtiva colaboração entre os dois.
Babbage, mais tarde, começou a trabalhar em uma máquina ainda mais ambiciosa, chamada “Máquina Analítica”. Esta invenção foi concebida como um dispositivo de propósito geral que poderia ser programado para realizar qualquer tipo de cálculo.
A Primeira Programadora
O reconhecimento de Ada Lovelace como a primeira programadora do mundo se deve ao seu trabalho com a Máquina Analítica. Em 1843, ela traduziu para o inglês um artigo do matemático italiano Luigi Federico Menabrea sobre a máquina. No entanto, Ada foi além e adicionou suas próprias anotações ao trabalho, que eram tão extensas que acabaram sendo três vezes mais longas que o artigo original.
Nestas anotações, Ada descreveu um algoritmo para a Máquina Analítica processar números de Bernoulli. Esse algoritmo é considerado o primeiro programa de computador da história.
Ada percebeu que a máquina tinha potencial para ir além dos simples cálculos matemáticos. Ela especulou que qualquer conteúdo, seja música, arte ou texto, poderia ser traduzido em números e, assim, ser manipulado pela Máquina Analítica.
Legado
Infelizmente, Ada Lovelace faleceu jovem, aos 36 anos, em 1852. Embora sua visão sobre computação estivesse à frente de seu tempo, o legado de Ada só foi plenamente reconhecido décadas mais tarde, com o advento da era da computação.
Hoje, Ada Lovelace é celebrada não apenas como a primeira programadora, mas também como uma visionária da computação. O Dia de Ada Lovelace, celebrado no segundo dia de terça-feira de outubro, serve como um lembrete de sua contribuição inestimável para o mundo da ciência e tecnologia.
Ada Lovelace foi a primeira programadora de computador, pois em 1842 reconheceu que a máquina era capaz de muito mais do que simples cálculos e escreveu o primeiro algoritmo – indo além da funcionalidade de um simples ábaco para colocar a humanidade numa trajetória para inovações tecnológicas subsequentes.
Considerando que a primeira programadora era uma mulher, a história e as contribuições da computação deveriam, por todos os direitos, parecer muito diferentes. No entanto, como é evidente a partir das estatísticas actuais das mulheres que trabalham em STEM, perdeu-se o dinamismo desses primeiros passos dramáticos. Na verdade, há décadas que as mulheres têm sido gravemente sub-representadas tanto em posições STEM como em posições de liderança e, embora a tendência esteja a mudar, ainda há muitos caminhos a percorrer para alcançar a igualdade.
Apenas 1 em cada 4 executivos de alto escalão são mulheres.
Para cada 100 homens promovidos de nível inicial a gerente, apenas 87 mulheres são promovidas. [1]
37% das mulheres líderes tiveram um colega de trabalho que recebeu o crédito pelos seus esforços, enquanto apenas 27% dos homens passaram pela mesma situação.
32% das mulheres em funções técnicas e de engenharia são muitas vezes as únicas mulheres na sala
As mulheres líderes têm duas vezes mais probabilidade de serem confundidas com alguém mais subalterno.
Existem apenas 12,3 milhões de mulheres (cerca de 35% da força de trabalho) em funções STEM em 2023. [2]
Na tecnologia, as mulheres representam cerca de 24% dos cargos de liderança e nas infraestruturas é apenas 16%. [3]
91% disseram que a discriminação de género continua a ser um obstáculo à carreira e 100% relataram a dúvida e a falta de confiança como um obstáculo, de acordo com um relatório da Society for Women’s Health Research. [4]
Nossa responsabilidade para com a próxima geração
Pessoalmente, ao longo da minha carreira tive experiências positivas e negativas como mulher na área de tecnologia. O lado positivo é que nunca tive que esperar na fila do banheiro em uma conferência de tecnologia. Mas em diferentes épocas e em diferentes funções, fui questionado. Minhas ideias foram desconsideradas apenas para serem adotadas quando um colega sugeriu a mesma abordagem. Disseram-me que sou muito emotivo e que deveria sorrir mais. Disseram-me que sou muito agressivo e intimidador. Disseram-me para observar minha linguagem corporal. Francamente, é exaustivo pensar no número de vezes que me disseram para não ser eu mesmo ao longo dos anos.
Como resposta aprendida a estas experiências, tornei-me uma forte defensora de outras mulheres na tecnologia e uma defensora da reivindicação do seu legítimo espaço em salas de conferência e chamadas Zoom – como deveria ser.
Entretanto, um relatório encomendado pela CW Jobs em Maio de 2022 concluiu que 60% das mulheres que trabalham em carreiras STEM foram inspiradas por modelos, em comparação com apenas 46% dos homens. [5]
Em suma, devemos isso às mulheres que estão atrás de nós, mostrando-lhes o que é possível e almejando posições cada vez mais altas. E se o fizermos, haverá uma vantagem significativa:
A contratação de mulheres para funções STEM traz novas perspectivas e diversidade que tornam os produtos e ofertas mais atraentes e bem-sucedidos.
Um relatório de pesquisa da Accenture e Girls Who Code argumenta que, com aulas de informática e um sistema de apoio adaptado especificamente para meninas no ensino fundamental e continuando até a faculdade, o número de mulheres em empregos de computação poderia crescer de 24% para 39% e gerar US$ 299 bilhões em ganhos acumulados.
As empresas com uma maior proporção de mulheres nos seus conselhos tendem a investir mais em inovação e a ser mais inovadoras. Por exemplo, um estudo recente descobriu que um aumento de 10% na representação feminina nos conselhos de administração estava associado a um aumento de 7% nas patentes e citações de inovação. [6]
Um estudo realizado pelo Hay Group descobriu que as mulheres têm vantagens comprovadas em competências transversais, como profissionalismo, networking, colaboração, comunicação escrita e oral e pensamento crítico – e que as mulheres superam os homens em 11 das 12 competências-chave de inteligência emocional. [7]
Estudos anteriores do BCG e de outras organizações mostram que uma proporção mais equilibrada de mulheres, especialmente em cargos de chefia, estimula a inovação, a resiliência e o desempenho financeiro, entre outros benefícios. Além disso, descobrimos que as mulheres em funções financeiras têm maior probabilidade do que os homens de terem antecedentes multidisciplinares, melhorando potencialmente as suas capacidades para liderar transformações em toda a empresa. [8]
Podemos mudar a narrativa
Ao criar oportunidades para as mulheres em STEM, a nossa indústria colherá recompensas significativas – mas caberá a todos nós criar esse ambiente, tanto homens como mulheres. Iniciar a conversa é apenas o primeiro passo. Para ter sucesso, exigiremos que as mulheres líderes continuem a quebrar barreiras, a encorajar a próxima geração, a liderar pelo exemplo e a conhecer o seu valor.
Algumas coisas para compartilhar com aqueles que estão ensinando, contratando ou orientando mulheres à medida que elas sobem na carreira educacional ou profissional:
Esteja ciente do preconceito. Independentemente das percepções, as estatísticas mostram que a disparidade salarial entre homens e mulheres e a falta de oportunidades para muitas mulheres, em oposição aos seus colegas do sexo masculino, são problemas reais que devem ser resolvidos. Homens e mulheres devem estar conscientes destas realidades e defender oportunidades para as superar, especialmente nas áreas de remuneração, promoção e avaliação.
Tome uma atitude. Aqui estão as etapas proativas que você pode seguir para mudar a narrativa:
Criar ou apoiar programas de mentoria e patrocínio – Ambos são importantes, mas há uma diferença de objetivos entre mentores e patrocinadores. Seja claro quanto à diferença e encontre pessoas em sua rede que possam ajudá-lo em ambos.
Aproveitar programas educativos para aumentar a confiança – Defender o patrocínio empresarial em todos os níveis de ensino, incentivando as raparigas a aprender competências STEM e a fornecer feedback positivo à medida que aprendem.
Assumir riscos em projetos escolares ou profissionais – Novas pesquisas sugerem que as mulheres podem não ser mais avessas ao risco do que os homens, mas as mulheres podem enfrentar mais reações adversas e consequências negativas do que os homens quando assumem riscos no trabalho. Há trabalho a ser feito de ambos os lados para que as mulheres tenham poder para se manifestar e para que a gestão permita falhas rápidas.
Encontrar o equilíbrio entre trabalho e vida pessoal – As mulheres terão sempre dificuldade em encontrar o delicado equilíbrio entre trabalho e casa, mas tornar isto uma prioridade numa organização será benéfico para o recrutamento e para a cultura.
Estas ações são apenas o começo para enfrentar um grande desafio. A próxima geração precisa de ser ousada e ter a convicção de que é capaz de causar enormes impactos numa indústria que é, a partir de hoje, muito dominada por homens e desesperada por novos rostos, vozes e ideias.