TDC INNOVATION
Desafios para criação do futuro digital

Keynote Especial

A Inteligência Artificial (I.A.), junto com o Aprendizado de Máquina (ML), têm permitido extrair "ouro" dos dados que vêm sendo acumulados nas Empresas e na Internet. Novas aplicações da I.A. aprendem a analisar dados e imagens, reconhecer/sintetizar voz, fazer robôs assistentes virtuais, perceber-decidir-agir, criando assim aplicações especializadas para o Mercado Financeiro, Comércio/Vendas, Internet, Medicina, Educação, Agronegócio, Robótica: A I.A. está em toda parte (AI:IA - "AI In All"). Porém, esta I.A. que tem impactado a nossa sociedade e nossas vidas é ainda uma I.A. focada, especializada, e existem grandes desafios para que a I.A. possa ser mais amplamente adotada, e possa impactar mais ainda os negócios. Precisamos inovar, buscando novas tecnologias de I.A., para poder inovar e impactar os negócios com esta "nova IA" (mais ampla, mais robusta). Esta palestra vai discutir sobre os desafios da I.A., e como inovar na I.A. para inovar com a I.A.

TensorFlow é uma plataforma de código aberto de ponta a ponta para machine learning. Ele tem um ecossistema abrangente e flexível de ferramentas, bibliotecas e recursos da comunidade que permite aos pesquisadores impulsionar o estado da arte em ML e aos desenvolvedores criar e implementar facilmente aplicativos baseados em ML. Nessa apresentação, mesmo você sabendo muito pouco sobre machine learning, vou resumir alguns dos principais fundamentos e por meio de um exemplo prático simples mostrar o funcionamento de algoritmos de machine learning em cima dessa plataforma incrível e ajudá-lo(a) a começar no caminho de se tornar um(a) desenvolvedor(a) de ML/cientista de dados.

Machine Learning (ML) teve um avanço enorme nos últimos anos, principalmente com os resultados dos modelos black-box, isto é, modelos muito complexos que a forma da geração das predições costumam ser ignoradas. Entretanto alguns domínios precisam de justificativas e explicações para tomadas de decisões. Por este motivo, a área de Explainable Artificial Intelligence (XAI) tem crescido bastante. Com objetivo de explicar o comportamento dos modelos de ML para entender o comportamento de forma interpretável por humanos. Esta palestra introduzirá esta área, mostrando os principais benefícios de obter insights dos modelos, misturando teoria e prática para saber como aplicar as principais técnicas.

Nesta apresentação vamos fazer uma pequena jornada de duas etapas. Primeiro vamos entender, brevemente, o que é a computação quântica e como ela se difere da computação tradicional. Na segunda etapa, vamos ver como a área de Machine Learning se adere à abordagem de computação quântica e como podemos escrever nosso primeiro código utilizando o Tensorflow.

Uma plataforma de machine learning (ML) é uma arquitetura de software que busca industrializar a criação, implantação, disponibilização e monitoramento de modelos de ML. Em sua essência está a ideia de que um modelo pode ser visto como um objeto com estado, com atributos (weights, kernels, etc.) e métodos (train, predict, etc.). Contudo, em geral, nosso primeiro contato com modelos ocorre na perspectiva da ciência de dados, o que dificulta o entendimento e, portanto, a adoção da solução. Nesta palestra vou construir uma visão alternativa sobre modelos de ML, agora do ponto de vista da engenharia. Com a nova mentalidade, vou apresentar os elementos que compõem uma plataforma de ML.

A Paralisia Facial Periférica (PFP) pode causar complicações diversas para os pacientes que a possuem, como dificuldades para alimentação ou limitações para se expressar.

Dada a necessidade de diagnosticar a PFP rapidamente, utilizamos técnicas de Visão Computacional para análise clínica de pacientes através de um dispositivo móvel que captura uma série de exercícios faciais de um paciente. Features de biometria 2D e 3D foram extraídas e modelos de Machine Learning foram aplicados para obter o grau de severidade da PFP.

Trata-se de um projeto de extrema importância, considerando a emergência da telemedicina devido à pandemia do Sars-CoV-2 e a falta de estudos utilizando esta abordagem.

Iremos discutir sobre boas práticas para promover justiça, interpretabilidade, privacidade e segurança em sistemas de IA.

Na sequência, iremos aplicar o framework open-source What-If-Tool em um problema de sistema de recomendação para campanhas publicitárias. O objetivo é testar o desempenho em situações hipotéticas, analisar a importância de diferentes subconjuntos de dados de entrada e visualizar o comportamento de vários modelos para diferentes métricas de justiça de ML.

I will present how machine learning (ML), in special deep learning (DL) algorithms, cannot be fully trusted when applied in dynamic environments such as autonomous vehicles. I will show the main challenges for the perception mechanism on these vehicles and discuss some current directions from the industry.