TDC INNOVATION
CHALLENGES FOR CREATING THE DIGITAL FUTURE

Hoje em dia é comum interagirmos com assistentes virtuais como a Siri e a Alexa que para nos ajudam nas tarefas do dia a dia, em casa por exemplo.

Mas será que é possível reproduzirmos uma assistente virtual que possa nos ajudar no dia a dia no trabalho, por exemplo, respondendo a perguntas recorrentes nas diversas áreas da empresa? A resposta é sim

Nesta apresentação vou contar como foi o processo de criação da assistente virtual Blue.

Os modelos de aprendizado de máquina já são uma realidade no mercado. Os modelos mais vastamente utilizados são os supervisionados. Estes modelos requerem como premissa um conjunto de dados já preparados para efetuar seu treinamento. Uma das perguntas que surgem é quanto de dados eu necessito para realizar o treinamento ou ainda se todos os dados preparados são necessários. A resposta para primeira continua em aberto, mas para a segunda é o tema da apresentação. Mostrar que nem todos os dados contribuem para o aprendizado, ou de outra forma, apresentar técnicas que permitam dizer o que sanear. Isto reduz grandemente a necessidade de grandes esforços e simplifica o processo de preparaçã

MLflow é uma plataforma para gerenciar o ciclo de vida de um produto de dados, esta ferramenta facilita o tracking das experimentações e o armazenamento de pipelines e modelos.

Esta apresentação demonstrará como se da a construção de um pipeline de machine learning com MLflow contemplando os seguintes passos:

• Criação de um pipeline com Pipeline do scikit-learn;

• Treino de modelos;

• Registro de modelos no MLflow;

• Deploy da aplicação utilizando Docker e FastAPI;

• Serving e atualizaçao automática de modelos via MLflow.

Ao fim da apresentação o participante saberá como fazer deploy de aplicações de machine learning mais seguras e resilientes.

Como podemos melhorar a comunicação entre a comunidade surda e a comunidade ouvinte? Idealmente, todos nós deveríamos conhecer Libras e ser fluentes, entretanto, como a Língua Brasileira de Sinais não é considerada uma língua oficial do Brasil, ela não é ensinada no currículo obrigatório básico da educação brasileira.

No Brasil, cerca de 5% da população é surda e muito provavelmente você já conheceu alguém surdo e teve dificuldades de comunicação. Nessa palestra vou demonstrar as tecnologias mais recentes que possibilitam a construção de aplicações de visão computacional que usem IA para traduzir vídeos de Libras em Português!

A classificação de sinais de áudio é repleta de desafios, visto que lida com um tipo dado não estruturado e o próprio sinal de onda não possibilita uma modelagem direta, sendo necessária a extração de features. Entre as principais abordagens utilizadas, há o uso de Machine e Deep Learning, cada um com suas vantagens e desvantagens. Contudo, qual seria o mais adequado? Quais features utilizar? Quais os principais desafios a enfrentar? Nesta palestra abordaremos tanto esses tópicos quanto nossos cases profissionais de classificação e análise de sentimentos e speaker diarization em sinais de áudio a fim de comparar as diversas técnicas e algoritmos, discutindo suas vantagens e desvantagens.

Sou psicólogo formado pela USP e já trabalho com IA há aproximadamente 10 anos aqui em Floripa! Após muita pesquisa sobre inteligencia para Robôs, chegou a hora de compartilhar as principais ideias de como é possível encontrar uma solução para robôs inteligentes inspirado no sistema multi-agentes do Prof Jomi da UFSC. Os agentes precisam interagir com o mundo, aprender, pensar, tudo que nós seres humanos fazemos. A arquitetura é bastante complexa e inspirada em nós, seres vivos! Ela envolve aprendizado por reforço, psicologia, filosofia, biologia, matemática e muito mais. Se você tem ideias sobre IA forte e gostaria de inspirar e ser inspirado, venha participar!

Nesta palestra falaremos sobre um recente avanço na área de machine learning e deep learning: utilizar grafos para representar dados e com isso facilitar a busca de similaridades ou diferenças entre eles. Daremos uma introdução sobre o uso tradicional de aprendizado profundo e como isso é impulsionado ao utilizarmos grafos, com as chamadas Redes Neurais em Grafos. Também mostraremos as principais aplicações, como a detecção de anomalias, utilizada para detectar os mais diversos tipos de fraudes. Por fim, mostraremos como o computador interpreta e utiliza grafos, utilizando a linguagem Python e bibliotecas como networkx.