Upgrade to Pro — share decks privately, control downloads, hide ads and more …

A Importância do Ócio (JS Version): Delegando t...

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.

Isabella Silveira

July 14, 2018
Tweet

More Decks by Isabella Silveira

Other Decks in Technology

Transcript

  1. Quanto mais ela evoluía, mais fácil era a vida e

    assim as preocupações iam mudando
  2. Então a tecnologia começou a criar novas formas de interação

    e se tornou um espelho da própria sociedade
  3. Isa Silveira @silveira_bells Desenvolvedora @Work&Co Carioca, cover da Anitta*, mãe

    de cachorro, maths freak, senso de humor peculiar @vida
  4. “Lembra de quando a gente foi pra ____ em ____?

    Você ainda tem as fotos aí?” - Silveira, Christine
  5. 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.
  6. Passar toda a mídia pra um S3, pagar por toda

    a hospedagem da carga, mais APIs pra integrar Preocupações do dev
  7. Barreiras de usabilidade e preocupações com privacidade: “por que um

    serviço externo está manipulando as minhas fotos?” Preocupações do usuário
  8. E o S3 por si só não é suficiente, você

    ainda precisa implementar formas de selecionar, cortar e rotular fotos
  9. No final a eficácia não está boa o suficiente e

    não tem como alterar o algoritmo porque você não tem acesso a ele
  10. Mas você não sabe exatamente qual vai ser o volume

    de usuários nem o trafego de dados
  11. Load balancing num EC2, guardar os modelos e dados de

    cada usuário, implementação de provisionamento pra inferência e transferência do aprendizado Preocupações do dev
  12. Fazer upload de todas as fotos e recebimento da resposta

    demora e consome muita banda. Processo muito custoso Preocupações do usuário
  13. Ótima abstração de algoritmos de ML, sem malabarismo de dados

    de um lado pro outro; tudo acontece no mesmo lugar
  14. Comparamos o embedding da face atual com os que já

    temos registrados e verificamos qual tem a menor distância euclidiana