## Antes de mais nada
[Uma demo!](https://guites.github.io/ai-collage/)
Vamos ver um modelo de IA funcionando.
!["wizzard snoopy"](./slide-imgs/wizznoopy.gif)
## Explorando IA no navegador
Por **Guilherme Garcia**
!["Foto de rosto do apresentador"](./slide-imgs/gui-pixel-res.png)
```html
.
├── [2015-2019] Licenciado-em-Física.txt
├── [2019-Presente] Desenvolvedor-de-software.txt
└── [2022-Presente] Entusiasta-de-IA.txt
```
(slide pra eu lembrar de)
- perguntar sobre vocês
- lembrar que eu quero acabar a apresentação em uns 20min
## Mas afinal o que é IA?
Software que assimila padrões...
De linguagem (NLP):
!["chatgpt exemplo"](./slide-imgs/nlp-chatgpt-example.png)
De imagens (Computer vision):
!["dogs exemplo"](./slide-imgs/dogs-crop.jpeg)
De regras de um sistema (jogos):
## Mas tudo é IA?
Nem toda forma de assimilar padrões é baseada em inteligência artificial
[Por exemplo](https://www.expunctis.com/2019/03/07/Not-so-random.html)
(tentem jogando até 100!)
## Qual a diferença?
Por que dizemos que alguns softwares aprendem?
!["neuron example"](./slide-imgs/neuron-example.png)
## Redes Neurais
[Analogia entre neurônios e nodes](https://excalidraw.com/#json=5Ji0N3Ta6pkP2gYR6SEk8,dVbSLzGch9uanUgAlNoF4A)
[Imagem, caso o link acima pare de funcionar](./slide-imgs/nn-exemplo-buts.png)
## Tamanho dos modelos
O modelo usado no início tem cerca de 30 camadas e ~4 milhões de parâmetros.
!["comparação tamanho dos modelos"](./slide-imgs/model-size-comparison.png)
## O aprendizado da máquina
!["feedback loop for learning"](./slide-imgs/feedback-loop.png)
## Com o que alimentamos os modelos?
[Ver o dataset COCO-2017!](https://cocodataset.org/#explore)
> Nota: na apresentação original, eu carreguei uma fração do dataset no software [FiftyOne](https://docs.voxel51.com/), pra facilitar a exploração dos dados.
## Visão Computacional
!["diferença entre tipos de visão computacional"](./slide-imgs/diff-computer-vision.webp)
## O que o modelo aprende?
Uma vantagem didática da visão computacional:
- podemos traduzir os pesos de cada camada em imagens
(no próximo slide)
No topo, as imagens reconstruidas dos pesos do modelo, e embaixo, fragmentos das imagens utilizadas que mais se aproximam dos valores.
!["Layer 1 visualização"](https://raw.githubusercontent.com/fastai/fastbook/e8baa81d89f0b7be816e35f1cc813ac02038db54/images/layer1.png)
!["Layer 2 visualização"](https://raw.githubusercontent.com/fastai/fastbook/e8baa81d89f0b7be816e35f1cc813ac02038db54/images/layer2.png)
!["Layer 3 visualização"](https://raw.githubusercontent.com/fastai/fastbook/e8baa81d89f0b7be816e35f1cc813ac02038db54/images/chapter2_layer3.PNG)
!["Layer 4 e 5 visualização"](https://raw.githubusercontent.com/fastai/fastbook/e8baa81d89f0b7be816e35f1cc813ac02038db54/images/chapter2_layer4and5.PNG)
O modelo analisado foi o AlexNet, que possuia apenas 5 camadas
Era um dos melhores ali por 2012
Isso trás problemas de privacidade e também de viés
![Predictive models by xkcd](https://imgs.xkcd.com/comics/predictive_models.png)
Mão na massa
[A máquina ensinável](https://teachablemachine.withgoogle.com/)
!["wizzard snoopy"](https://c.tenor.com/tgajgPLa9M4AAAAC/tenor.gif)
### Fontes
(que não foram citadas no texto)
- https://developers.google.com/machine-learning/glossary#feature-vector
- https://community.cadence.com/cadence_blogs_8/b/breakfast-bytes/posts/linleyspr22
- https://xkcd.com/2169/
- https://github.com/patrickmetzner/AI_Practice
- https://github.com/fastai/fastbook/blob/master/01_intro.ipynb