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.

Transcript

1. A Importância do Ócio Delegando tarefas para a máquina com Machine Learning @silveira_bells
2. Ao longo dos anos, a tecnologia foi evoluindo para facilitar a sobrevivência da espécie humana
6. Quanto mais ela evoluía, mais fácil era a vida e assim as preocupações iam mudando
10. Então a tecnologia começou a criar novas formas de interação e se tornou um espelho da própria sociedade
11. Século XXI: a tecnologia a serviço dos interesses da sociedade
12. E qual é a coisa mais valiosa da atualidade?
13. Poder?
16. Fama?
18. Dinheiro?
20. Ganhar discussão no twitter?
22. Nope
24. Tempo
25. Isa Silveira @silveira_bells Desenvolvedora @Work&Co Carioca, cover da Anitta*, mãe de cachorro, maths freak, senso de humor peculiar @vida
28. Tempo
29. Tempo é commodity mais importante da atualidade
34. VC TC VTNC VDD SDDS TBH OMW IMO PQP SRSLY WTF BRB
35. Estamos sempre procurando formas de ganhar tempo e otimizar processos
39. O que é ótimo, porque aí podemos usar nosso tempo no que realmente importa
40. https://www.researchgate.net/publication/230786381_Inspired_by_Distraction_Mind_Wandering_Facilitates_Creative_Incubation
41. Por que não usar a tecnologia pra automatizar processos pessoais então?
42. Era uma vez, uma história que se repetia muitas vezes
43. “Lembra de quando a gente foi pra ____ em ____? Você ainda tem as fotos aí?” - Silveira, Christine
46. Como eu poderia usar a tecnologia pra otimizar esse processo?
47. como ferramenta de otimização de tempo pessoal Machine learning
48. O que é machine learning?
49. 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.
50. Permite que a máquina aprenda
51. Com machine learning, podemos aprender sobre dados de forma automatizada
52. “Mas por que usar Machine Learning no browser?”
53. Tem alguns jeitos em que poderíamos usar ML em uma aplicação web
54. Hipótese #1: terceirizando o ML
55. Deixar alguma API de ML cuidar do trabalho pesado
56. Mas agora você tem que lidar com a carga intermediária de vários e vários GBs de fotos
57. Passar toda a mídia pra um S3, pagar por toda a hospedagem da carga, mais APIs pra integrar Preocupações do dev
58. Barreiras de usabilidade e preocupações com privacidade: “por que um serviço externo está manipulando as minhas fotos?” Preocupações do usuário
59. E o S3 por si só não é suficiente, você ainda precisa implementar formas de selecionar, cortar e rotular fotos
60. No final a eficácia não está boa o suficiente e não tem como alterar o algoritmo porque você não tem acesso a ele
62. Hipótese #2: ML server side
63. Usar alguma biblioteca bem estabelecida em python, por exemplo
64. Mas você não sabe exatamente qual vai ser o volume de usuários nem o trafego de dados
65. Load balancing num EC2, guardar os modelos e dados de cada usuário, implementação de provisionamento pra inferência e transferência do aprendizado Preocupações do dev
66. Fazer upload de todas as fotos e recebimento da resposta demora e consome muita banda. Processo muito custoso Preocupações do usuário
68. Hipótese #3: ML no browser
69. Tensorflow.js fazendo todo o machine learning no client side mesmo
70. Ótima abstração de algoritmos de ML, sem malabarismo de dados de um lado pro outro; tudo acontece no mesmo lugar
71. Machine learning interativo Novas oportunidades
72. Fim da necessidade de instalação de bibliotecas pelo usuário Novas oportunidades
73. Aceleração usando GPU através do WebGL (até mobile!) Novas oportunidades
74. Maior democratização de aprendizado e de acesso à aplicações com machine learning
75. Performance do front Preocupações do dev
76. Fazer upload das fotos usando cliente do browser Preocupações do usuário
78. Case do dia
79. Reconhecimento facial com redes neurais convolucionais
80. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos
81. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos
83. Qual approach usar? Comparação de pixels?
91. Dividimos a imagem em quadrados de 16x16
94. https://github.com/justadudewhohacks/face-api.js
95. await faceapi.loadModels('/')
99. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos
102. fullFaceDescription.forEach((fd, i) => { faceapi.drawLandmarks(canvas, fd.landmarks, { drawLines: true }) })
107. Reconhecimento facial 1.Encontrar os rostos 2.Projeção de feições 3.Diferenciação de rostos
109. Agora é tranquilo, só achar por comparação
110. Facebook
111. 2,19 bilhões de usuários
112. 300 milhões uploads de fotos por dia
115. E óbvio que como todo trabalho braçal, nós também vamos deixar essa parte pra máquina
116. Treinamos uma rede neural convolucional pra fazer o trabalho pesado
117. 128 medidas pra cada rosto
118. embbeding
121. Comparamos o embedding da face atual com os que já temos registrados e verificamos qual tem a menor distância euclidiana
123. Agora conseguimos fazer uma categorização de pessoas e agrupamento por data
124. https://github.com/bella-silveira/face-recognition-demo
125. Aprenda coisas fora da sua rotina de trabalho
126. A tecnologia também é sua aliada fora das horas comerciais
127. Use seu tempo com as coisas realmente importantes $❤
128. Muito obrigada! ❤
129. @silveira_bells