DEV Community: AI Girls

Inteligência Artificial sonda Matéria Escura no Universo

Vitória Belo Campos — Tue, 25 May 2021 16:36:26 +0000

                         INTRO:

Questionamentos sempre perturbaram a mente humana. Indagar-se sobre a origem e o fim do universo é algo que filósofos gregos faziam e certamente a humanidade antes deles também. A essência da cosmologia está baseada no querer entender a origem do universo em que existimos.

Olhando um céu estrelado em um canto remoto é possível observar centenas de objetos com certas magnitudes, a exemplo estrelas e galáxias visíveis a olho nu; e elas por si só nos fornecem deslumbramentos e perguntas. Atualmente, porém, sabemos que o inquietante mesmo está no que não conseguimos observar diretamente, como energia escura e matéria escura.

Há contraposição nestes eventos, uma vez que a matéria escura tende a unir o universo e a energia escura a fazê-lo expandir mais rapidamente. Esses acontecimentos físicos precisam ser levados em consideração nas teorias propostas por cosmólogos, assim é necessário saber quantificá-los para refinar modelos.

Cientistas do Departamento de Física e do Departamento de Ciência da Computação do Instituto Federal de Tecnologia de Zurique (ETH) se juntaram para aperfeiçoar métodos padrões de estimativa do conteúdo de matéria escura por meio do aprendizado de máquina. Eles publicaram seu artigo na revista científica Physical Review D.

                   O QUE FAZEM:

A análise de dados cosmológicos é bastante parecida com a análise feita em dados de reconhecimento facial do Facebook e de outras mídias. Essa analogia pode ser feita já que os parâmetros que a máquina aprende a reconhecer são guias para dados que não foram analisados ainda. A exemplo: o Facebook busca boca, olhos e ouvidos. O algoritmo dos cientistas tende a buscar sinais que sejam associados à matéria e à energia escura.

Como já foi dito, não é possível medir tais grandezas de forma direta. Acredita-se que da mesma forma que a matéria bariônica (partículas conhecidas que formam a matéria de estrelas, planetas etc) a matéria escura deforme o caminho dos raios de luz vindo de galáxias distantes e chegam até a Terra por meio da ação gravitacional que a matéria exerce – como previsto por Albert Einstein.

Esse efeito de deformação é entendido como “lentes gravitacionais”. Pode ser uma baita distorção, a exemplo da seguinte imagem onde a galáxia é projetada em 2 lugares, ou pode ser sutil de forma a só distorcer a imagem.

Podemos comparar esse efeito ao que acontece com objetos distantes que aparecem borrados quando sua luz passa por camadas diferentes de ar na atmosfera com diferentes temperaturas em um dia quente.

O conceito de distância para galáxias muito afastadas implica estarmos olhando imagens de eventos que aconteceram há milhares ou até milhões de anos atrás. Desta forma, é possível retroceder e organizar mapas de massa mostrando onde a matéria escura poderia localizar-se.

A partir daí, comparam com mapas teóricos para descobrirem qual modelo cosmológico melhor se ajusta aos dados. Há uma parte do tratamento de dados que utiliza a função de correlação para descrever como as partes diferentes dos mapas estão relacionadas. Esta estatística está limitada a quão bem pode definir padrões complexos nos mapas de matéria.

          COMO FAZEM ATRAVÉS DE REDES NEURAIS:

Aurelien Lucchi e seus colegas do Laboratório Análises de Dados no Departamento de Ciência da Computação trabalharam em conjunto com Janis Fluri – a principal autora do estudo, uma estudante PhD do grupo Refregier. Este grupo utiliza algoritmos de aprendizado profundo de redes neurais para extrair o máximo de informações sobre mapas de matéria escura. Inicialmente a rede é treinada com dados que simulam o universo, utilizando como padrão para filtrar o que deve ser correto ou não quando o computador for criar suas árvores de decisões para parâmetros cosmológicos- a exemplo temos a razão entre a quantidade total de matéria escura e energia escura para cada mapa de matéria escura já simulado. Quando o computador analisou repetidamente os mapas disponíveis, a rede neural passou a procurar características específicas extraindo informações desejadas.

Os cientistas utilizaram a rede neural treinada para analisar mapas de matéria escura do conjunto de dados KiDS-450. Pretendem aplicar também o método no Dark Energy Survey após adicionarem mais parâmetros cosmológicos e refinamentos às redes neurais. Como discutir a natureza da energia escura ainda é amplamente vago, uma vez que existem pouquíssimas certezas associadas, para montar um estudo inicialmente devem "fixar" um conceito para ser trabalhado. Já que ainda é possível interpretar o fenômeno de energia escura derivando da Teoria da Relatividade Geral, através da constante cosmológica ou supor que seja um campo escalar extremamente leve (quintessência ou k-essência). Ou até mesmo sugerir que a TRG seja alterada.

                    VANTAGENS:

O uso das redes neurais trouxe um avanço de precisão em 30% comparado às estatísticas feita por humanos somente. Essa diferença é uma enorme vantagem, visto que atingir melhor precisão aumentando o número de dados do telescópio exigiria o dobro de tempo de observação e seria mais caro.

Utilizar lentes gravitacionais só traz benefícios para o estudo da matéria e da energia escura, de acordo com o Dr. David Schlegel, cientista do Laboratório Nacional Lawrence Berkeley, e seus colegas que utilizaram o supercomputador Cori para analisar imagens do projeto DECaLS - uma pesquisa conduzida para o Dark Energy Spectroscopic Instrument. O supercomputador teve sua rede neural treinada durante horas para aprender a buscar as lentes. Encontraram vários supostos sistemas de lentes fortes. A confirmação desses eventos ajuda a medição precisa de distâncias de galáxias próximas à formação do universo, – o Big Bang, além disso essa descoberta amplia o conhecimento sobre matéria escura, uma vez que ela possui maior porcentagem no efeito de lente gravitacional.

Atenção: O artigo original foi editado em 30/08/2021 e está em processo de revisão. O termo "prova" usado anteriormente no título não é o mais apropriado, uma vez que alguns dados foram simulados e há erros nas tecnologias que baseiam essa simulação. Obrigada Maria Fernanda do Carmo que fez essa observação super pertinente e nos ajudou a aprimorar o texto!

                      REFERÊNCIAS:

Imagem 1: GRAVITATIONAL LENS. Disponível em: https://hubblesite.org/contents/articles/gravitational-lensing. Acesso em: 20 de maio de 2021.
Imagem 2: MAIOR MAPA DE MATÉRIA ESCURA; DIVULGAÇÃO: DARK ENERGY SURVEY. Disponível em: https://www.cnnbrasil.com.br/tecnologia/2021/05/28/cientistas-criam-o-maior-mapa-de-materia-escura-do-universo. Acesso em 20 de maio de 2021.
ARTIFICIAL INTELLIGENCE PROBES DARK MATTER IN THE UNIVERSE. Disponível em:https://www.sciencedaily.com/releases/2019/09/190918100223.htm. Acesso em: 19 de maio de 2021.
Janis Fluri, Tomasz Kacprzak, Aurelien Lucchi, Alexandre Refregier, Adam Amara, Thomas Hofmann, Aurel Schneider. Cosmological constraints with deep learning from KiDS-450 weak lensing maps. Physical Review D, 2019. Disponível em: https://journals.aps.org/prd/abstract/10.1103/PhysRevD.100.063514. Acesso em: 19 de maio de 2021.
NOVAS LENTES GRAVITACIONAIS SÃO ENCONTRADAS GRAÇAS À INTELIGÊNCIA ARTIFICIAL. Disponível em: https://canaltech.com.br/espaco/novas-lentes-gravitacionais-sao-encontradas-gracas-a-inteligencia-artificial-165280/. Acesso em: 20 de maio de 2021.
A ENERGIA ESCURA E OS DESAFIOS DA COSMOLOGIA OBSERVACIONAL NA PRÓXIMA DÉCADA: A "WHITE PAPER" PARA A CEA. Disponível em: https://www.sab-astro.org.br/wp-content/uploads/2017/03/WP-Energia-Escura.pdf. Acesso em 3 de ago de 2021.

Café com Rosie - Izabela Paulino

AI Girls — Thu, 12 Nov 2020 00:54:50 +0000

As áreas de tecnologia costumam ter muito mais homens que mulheres e isso pode ser um pouco intimidador, muitas vezes não aplicamos para vagas porque não temos 100% do que pede, a insegurança bate, a síndrome do impostor ocorre. Sei que não é fácil enfrentar essas coisas, mas nós podemos, estude e se aplique para vagas, tente e confie em si.

Izabela é uma mulher inspiradora, uma das embaixadoras do WIMLDS no Brasil, cientista de dados e mestranda na USP, ela resolveu compartilhar conosco um pouco sobre sua vida, inspirações e motivações. Bora lá?!

Raio-X

Izabela: Oi, gente! Eu sou Izabela Paulino Fonseca e atualmente trabalho na AB-InBev como Cientista de Dados. Tenho 29 anos e sou formada em Engenharia Elétrica com ênfase em Computação, Mecatrônica e Eletrônica pela Universidade Federal do Espírito Santo.

Rosie: Quais são seus hobbies? E áreas de interesse?

Izabela: Eu amo ir à praia (atividades ao ar livre em geral), gosto de ler e amo estar entre amigos e família pra jogar conversa fora =]. Gosto muito da área de tecnologia pelo impacto que eu acredito que podemos ter através dela. Isso me inspira diariamente a buscar diariamente estar atualizada e conhecer métodos para melhorar o meu trabalho.

Rosie: Quando foi seu primeiro contato com tecnologia e como foi?

Izabela: Acredito que posso dizer que meu primeiro contato com tecnologia foi quando muito criança (por volta de 1995), quando meu irmão ganhou seu primeiro computador. Me lembro que a única coisa que eu mexia era no paint, mas eu amaaaava. Meu irmão sempre foi uma pessoa muito conectada com tecnologia e acredito que isso teve grande influência na minha carreira.

Rosie: Como foi o seu primeiro contato com ciência de dados ou Inteligência Artificial?

Izabela: A minha área de maior interesse na faculdade era Controle e Automação, e por conta disso cursei algumas matérias como Data Mining no intercâmbio, onde já tive contato com regressões lineares e logísticas, um pouquinho de python e conheci o Kaggle, e em uma matéria chamada “Controle Inteligente”, onde conheci os conceitos de algoritmos genéticos, redes neurais e sistemas especialistas utilizados na indústria para melhorar processos e problemas complexos, e achei incrível!

Rosie: A comunidade WiMLDS é uma comunidade mundial que vem ajudando muitas mulheres na área de ciência de dados. Você é uma das co-fundadoras da comunidade WiMLDS aqui no Brasil, o que fez você trazer a comunidade aqui para o Brasil e como você descobriu essa comunidade?

Izabela: Em 2018, junto com a minha amiga Marielen Ferreira, observamos de como era raro encontrar áreas de DS com mulheres trabalhando como cientistas e engenheira de dados e conversamos muito sobre como achávamos que isso impactava no clima da área para a gente, no desempenho do nosso trabalho e na visibilidade dos mesmos dentro da área, e sentimos que seria legal tentar reunir mulheres atuantes e interessadas na área para pudéssemos discutir sobre como poderíamos viabilizar a entrada de mais mulheres na área e com isso buscamos comunidades de mulheres em DS e encontramos o WiMLDS que prontamente nos atenderam e nos ajudaram a criar a comunidade aqui para São Paulo! Descobrimos a comunidade com uma simples busca no Google =].

Rosie: Nesse momento queremos enaltecer as suas conquistas, seus projetos, suas pesquisas, seus artigos etc. Conta tudo de incrível que você fez ou está fazendo?

Izabela: Hoje, além do trabalho e do WiMLDS, estou fazendo um mestrado no IME USP em um projeto de Integração Semântica de Dados de saúde de São Paulo, focando no estudo de caso de Dias Potenciais de Gravidez Perdidos.

Carreira

Rosie: Parabéns pelas conquistas! Mas conta pra gente porque você escolheu trabalhar com ciência de dados?

Izabela: Eu me lembro de considerar a carreira de desenvolvedora apenas se fosse fazer parte de uma área de AI. E quando fiz parte do trainee da TOTVS em 2017, uma das áreas disponíveis para eu trabalhar era a área de AI da empresa, e consegui ser escolhida para fazer parte do time deles pelo background técnico que eu possuía.

Rosie: Atualmente a comunidade é composta por muitas mulheres que estão em transição de carreira e que querem atuar na área, você acredita que é preciso uma formação acadêmica para atuar na área? Se sim, qual seria a melhor formação?

Izabela: Eu acredito que não. Muitas pessoas conseguem ter um desempenho incrível fazendo ótimos cursos onlines que estão disponíveis em várias plataformas. Mas acho que não ter uma formação acadêmica pode ser um entrave no Brasil. Acredito que o curso mais relacionado à área hoje seria Ciência da computação.

Rosie: Atualmente você trabalha na AB-InBev, contribuindo com a equipe de ciência de dados e desenvolvendo soluções de Machine Learning para os diversos segmentos. Como é a experiência?

Izabela: É uma experiência incrível poder trabalhar em uma empresa com o tamanho da AB-InBev, que está inserida em países e mercados tão diferentes. Ver como cada um desses mercados funcionam, entender suas dores e buscar soluções através de ML é uma experiência super rica.

Assuntos da atualidade!

Rosie: Como você vê a importância da ciência de dados e da inteligência artificial nos dias atuais?

Izabela: Acredito que hoje ser uma empresa data driven é essencial para que seja possível se manter em um mercado tão competitivo. Hoje o feeling e a experiência, que ainda são super necessários, não sustentam sozinhos a tomada de decisão, que precisa estar olhando para uma quantidade enorme de variáveis. E pra mim é aí que nosso trabalho surge, desde o entendimento dos dados e geração de insights de formas mais simples até a produção de modelos complexos que ajudem a otimizar o entendimento do mercado de interesse e dos nossos clientes. Com tudo isso, podemos criar produtos e tomar decisões muito mais personalizadas, o que nos ajuda a ter mais assertividade e a entregar melhores produtos aos nossos clientes.

Rosie: Atualmente com o COVID19 tem se tornado uma preocupação mundial, por conta da sua fácil transmissão e a taxa de fatalidade. E com isso muitos cientistas e médicos vêm se reunindo para procurar uma cura ou entender o vírus. Como você o papel do cientista de dados nesse processo? Você acha que tem como nós ajudarmos?

Izabela: Com certeza temos um papel fundamental no processo de entendimento do funcionamento e comportamento da doença no mundo. Temos muitas informações sendo levantadas e registradas diariamente pelo mundo sobre o COVID-19 que precisam ser analisadas e entendidas rapidamente para que consigamos encontrar respostas que nos ajudem no combate da mesma, e acredito que o papel de cientistas de dados é essencial na corrida pela busca desse entendimento e dessas respostas. Nós podemos ajudar muito nas análises estatísticas para entendermos quais métodos funcionam ou não no combate à doença e também na modelagem das informações para entendermos quais pessoas têm mais chances de desenvolver sintomas específicos.

Rosie: E para finalizar, qual dica você dá para as mulheres que querem entrar na área?

Izabela: Confiem em si! As áreas de tecnologia costumam ter muito mais homens que mulheres e isso pode ser um pouco intimidador, muitas vezes não aplicamos para vagas porque não temos 100% do que pede, a insegurança bate, a síndrome do impostor ocorre. Sei que não é fácil enfrentar essas coisas, mas nós podemos, estude e se aplique para vagas, tente e confie em si.

E aí, gostaram? Não esqueçam de deixar o seu feedback pra gente, para que possamos melhorar nas próximas entrevistas.
Até uma próxima,
AI Girl

Siga a comunidade nas redes sociais!!
LinkedIn
Facebook
Instagram

Café com Rosie - Jéssica dos Santos

AI Girls — Thu, 08 Oct 2020 15:58:16 +0000

Acho que o que mais falta agora seriam iniciativas para incentivar meninas a se interessarem pela área no geral desde cedo e também, principalmente, criar ambientes dentro das empresas que sejam acolhedores para mulheres.

Jéssica do Santos é uma das mulheres mais formidáveis e incrível que encontramos nas comunidades, uma das embaixadoras de uma comunidade que visa a inclusão das mulheres na área de ciência de dados (Wids SP) e agora uma das fundadoras do MIA (Mulheres em IA), ela conversou com a gente sobre diversos temas que envolvem tecnologia, mulheres na área, dicas para quem quer entrar na área e claro, muita inteligência artificial.
Vamos nessa?!!

Raio-X

Jéssica: Oi, eu sou a Jéssica dos Santos, sou de Itaquaquecetuba, cidade da zona leste da grande São Paulo. Sou filha da Dulci, que me criou junto com meus avós. Tenho 28 anos, fiz graduação e mestrado em Sistemas da Informação na USP. Trabalho atualmente como Lead de Dados na NeuralMed, uma startup que usa IA para aplicações de saúde. Tenho um filho canino chamado Baixinho, um viralatinha preto senhorzinho que adotei há 2 anos e meio =)

Rosie: Quais são seus hobbies? E áreas de interesse?

Jéssica: Como quase todo mundo dessa geração, gosto muito de assistir séries e filmes. Gosto bastante de ler, mas confesso que nos últimos anos a concentração para leitura caiu muito, o último livro que li foi Objetos Cortantes, tem 1 ano já. Fui um clichê de hobbies na quarentena e também aprendi bordado e a tocar Ukulelê (mais ou menos). E gosto também bastante de comer, principalmente doces, pizzas e hambúrgueres veganos, sou vegetariana há 7 anos agora.

Rosie: Quando foi seu primeiro contato com tecnologia e como foi?

Jéssica: Se falarmos de primeiro contato mesmo é até difícil lembrar, eu sempre gostei de computador mesmo quando criança, ficava olhando as moças do caixa de supermercado mexendo naquilo e achava incrível. Eu fui fazer um curso de informática com um vizinho aos 9 anos e adorava, ainda não tinha computador na época, mas anotava tudo que podia. Daí no ensino médio eu entrei numa Etec e fiz técnico de Informática Industrial, ali tive a certeza que era a carreira que eu queria.

Rosie: Como foi o seu primeiro contato com ciência de dados ou Inteligência Artificial?

Jéssica: Na faculdade a gente já tinha matérias de IA, antes de ser toda essa explosão que é hoje e eu já achava incrível. Mas fui mexer com isso de verdade no mestrado, meu projeto foi um sistema que utilizava reconhecimento de padrões e rastreamento ocular para detectar autismo. Utilizei redes neurais e SVM, além de algoritmos gulosos para seleção de features. Daí meu primeiro emprego como cientista de dados mesmo consegui no último ano do mestrado, e sigo desde então.

Rosie:Nesse momento queremos enaltecer as suas conquistas, seus projetos, suas pesquisas, seus artigos etc. Conta tudo de incrível que você fez ou está fazendo?

Jéssica: Eu e umas amigas organizamos o WiDS SP desde 2019 e sempre nos pedem para fazer mais eventos do que o anual, mas infelizmente não podemos porque o WiDS é vinculado a Stanford e só pode ocorrer na época da conferência de lá. Então esse ano decidimos montar um evento com um novo nome, em breve traremos as novidades, acompanhem pelo nosso twitter e instagram (@wids_sp).

Também sou voluntária do bootcamp de Data Science da Womakerscode, a segunda edição foi atrasada por motivos de pandemia, mas elas têm talks quase toda semana, e é uma comunidade incrível.
Esse ano também fui convidada para ser Program Chair de Machine Learning da QCon SP, o evento foi adiado também por causa da pandemia, mas eles estão com Talks grátis todo mês no que chamam de, assistam!
Na minha página do github eu coloquei as principais palestras que já dei, espero que ajudem alguém, e pretendo ir atualizando aos poucos. E por fim, de conquista pessoal, janeiro desse ano eu virei Lead na minha empresa de um time com pessoas incríveis, e apesar da síndrome do impostor atacar de tempos em tempos está sendo um experiência ótima!

Carreira

Rosie: Conta pra gente porque você escolheu trabalhar com ciência de dados?

Jéssica: Na época que eu estava no mestrado não via muito isso como uma carreira além de trabalhar como pesquisadora mesmo. Quando eu estava no final, vi que algumas vagas surgiam e me arrisquei. Acho incrível você trabalhar com algo que pode ser tão interdisciplinar e que pode ajudar tantas áreas. Além do que, eu como ser humano ansioso, gosto da ideia de trabalhar com algo que me ajude a obter respostas.

Jéssica: Acho que essa resposta varia, conheço ótimos programadores que não fizeram faculdade, e bons cientistas de dados que vieram de áreas completamente diferentes, como psicologia ou arquitetura. Mas isso vai variar de pessoa pra pessoa, principalmente do quão autodidata ela é se ela adquire mais facilmente questões de lógica e análise. Mas acho sim que o conhecimento sobre pesquisa, além da prática de programação, análise e lógica no geral que você adquire em faculdades de exatas, ajuda muito na profissão. As formações que mais se encaixam nesse sentido são Computação e Estatística.

Rosie: Como é trabalhar em uma empresa focada em desenvolvimento de IA (Inteligência Artificial) para facilitar a análise diagnóstica dos médicos?

Jéssica: Eu realmente gosto bastante do que faço. Primeiro pelo lado social, eu trabalhei muito tempo na área financeira, tanto antes como desenvolvedora como já em ciência de dados, e sempre sentia falta de algo a mais. Fazer algo que pode ajudar a melhorar a vida das pessoas de alguma forma, pensar que podemos fazer alguma diferença no sistema de saúde é gratificante.
E segundo pelo lado profissional mesmo, como cientista de dados trabalhar em uma empresa em que isso é o foco, que você sabe que pode fazer pesquisas, que os seus modelos realmente vão ser utilizados e vão gerar valor é ótimo. Além de poder trabalhar com pesquisas inovadoras em áreas diferentes da IA.

Rosie: Eu vi que você fez mestrado em Aprendizado de máquina na USP, como foi essa experiência? E quais dicas você daria para as mulheres que querem fazer um mestrado na área?

Jéssica: Eu gosto muito da pesquisa que fiz do mestrado, meu projeto como citei ali na outra pergunta foi para detecção de autismo. A experiência é enriquecedora e agrega muito no currículo, mas por outro lado, sendo totalmente honesta, foi uma das épocas mais estressantes da minha vida, rs. Eu realmente faria o mestrado de novo, porque gosto de pesquisa e foi o que me permitiu entrar na área na época, mas acho que faria com mais calma e consciência, e essa é a dica que eu dou.
Existem vários programas que tem a modalidade de aluno especial, o que eu fiz (http://ppgsi.each.usp.br/) tem, você pode fazer uma matéria sem ser oficialmente aluno de mestrado para tanto ver se você gosta quanto ter tempo para ir conversando com calma com o professor que você quer ter como orientador, já ir pensando em um projeto, e garantir que ele é viável, que você terá apoio suficiente para realizá-lo, programar tudo previamente e com calma.

Rosie: Você participou da Sprint de IA do Programaria. Poderia compartilhar mais sobre a sua experiência?

Jéssica: Foi muito bacana, eu acompanhei desde o início todas as etapas e a interação das mulheres foi incrível, acho que todo mundo ali aprendeu um pouquinho, inclusive eu. Foi tudo muito bem organizado e pensado nos mínimos detalhes, a Iana e todas meninas da PrograMaria são muito competentes e dedicadas no que fazem, e tiveram a colaboração de várias outras mulheres incríveis por trás. A iniciativa delas foi ótima porque tem um alcance bem grande, tanto é que acho que foi o maior evento desse tipo que participei.

Assuntos da atualidade!

Rosie: Como você vê a importância da ciência de dados e da inteligência artificial nos dias atuais?

Jéssica: Acredito que cada vez mais crescente, com a quantidade de dados que a gente coleta hoje ela pode facilitar (ou também prejudicar) várias áreas do nosso dia-a-dia: saúde, educação e até mesmo segurança. Inclusive por isso, acredito que as pessoas devam cada vez mais se preocupar com responsabilidade do que produzem, não só em proteger os dados das pessoas que elas estão usando (LGPD aí), mas também como o resultado do que produzem pode afetar a vida que quem usa, da mesma forma que podemos melhorar muita coisa, podemos também piorar problemas que já existem.

Rosie: Atualmente devido ao coronavírus, muitas empresas gringas não conseguem gravar comerciais ou fazer as campanhas da forma como faziam pré-pandemia e por conta disso estão recorrendo ao uso de deepfakes nas campanhas. Queríamos saber a sua opinião sobre isso.

Jéssica: Não conhecia esses casos mesmo. Bom, a tecnologia tem a vantagem de auxiliar-nos a se adaptar nesses tempos difíceis. GAN’s que são o que é usada para construção dessas deepfake são muito poderosas, nós mesmo já a utilizamos para gerar imagens sintéticas e aumentar dataset. Mas tudo isso tem vantagens e desvantagens, da mesma forma que é uma tecnologia muito útil, também é perigosa, podendo nesse caso literalmente colocar palavras na boca de alguém que não as disse. Cabe a quem está implementando essas soluções a responsabilidade.

Rosie: Jéssica você é uma pessoa que já passou por várias empresas e tem muita experiência na área, qual dica você dá para as mulheres que querem entrar na área?

Jéssica: Machine Learning é uma área em constante crescimento e também mudanças, por isso minha principal dica é estudem, sempre, isso vale pra quem tá começando ou pra quem já está na área há muito tempo, sempre tem coisa nova pra aprender.
Exatamente por ser tão dinâmica, não se cobrem em aprender tudo de uma vez, na verdade não se cobrem em aprender tudo porque isso não acontece, estudem a base de tudo (programação, técnicas básicas de tratamento de dados, os principais algoritmos e técnicas de validação) e a partir daí aprendam a pesquisar e aprender de acordo com o problema que você está na mão.
A grande maioria das empresa trabalha só com dados tabulares, então se você está começando não tente aprender direto algo muito específico, comece com desafios desse tipo, aprenda a tratar variáveis não categóricas, missing values, técnicas de classificação, regressão e detecção de outliers, a validade bem um modelo e só depois você se especialize em alguma área dentro da IA.
Extra: eu costumo fazer o processo de contratação do meu time, e fiz um artiguinho curto com algumas dicas para quem está participando de processos seletivos, você pode acessar clicando aqui.

Extra!

Rosie: Como podemos encorajar e trazer mais mulheres para a área de inteligência artificial e ciência de dados?

Jéssica: Acho que existem várias iniciativas que estão fazendo um bom trabalho, eu participei do bootcamp de Ciência de Dados da Womakerscode organizado pela Cynthia Zanoni, e foi ótimo, tanto que algumas meninas já saíram de lá participando de processos seletivos. Sejam essas iniciativas, eventos como o do WiDS, que faço parte da organização aqui em SP há 2 anos ou comunidades como a de vocês cria uma rede de apoio muito importante.
Acho que o que mais falta agora seriam iniciativas para incentivar meninas a se interessarem pela área no geral desde cedo e também, principalmente, criar ambientes dentro das empresas que sejam acolhedores para mulheres. Esse ainda é o principal problema que acontece em várias empresas por aí.

E aí, gostaram? Não esqueçam de deixar o seu feedback pra gente, para que possamos melhorar nas próximas entrevistas.
Até uma próxima,
AI Girl

Siga a comunidade nas redes sociais!!
LinkedIn
Facebook
Instagram

Café com rosie - Letícia Silva

AI Girls — Thu, 10 Sep 2020 11:44:38 +0000

Diversas pessoas que estão iniciando não encontram materiais escritos numa linguagem acessível e acabam muitas vezes se sentindo excluídas desse universo e desistindo. Meu objetivo é quebrar esse paradigma.

A Letícia é das mulheres mais incríveis e inspiradoras, cientista de dados e Pyladie de coração ela abriu seu coração pra gente nessa entrevista ao falar sobre como surgiu sua participação nas comunidades, e como surgiu o Dados para Julieta.
Vamos lá?!

Raio-X

Letícia: Oiie! Meu nome é Letícia Silva, tenho 22 anos e sou Cientista de Dados. Eu atuo como Head de Dados na 2Mi, sou organizadora de comunidades, palestrante, podcaster, escritora e também dou aulas. Tenho formação como Técnica em informática e estou graduando em Ciência da Computação.

Tenho uma filha de quatro patas, a Cristal (uma shitzu de dois anos, super dócil e amorosa) e um irmão de seis anos que cuido como se fosse filho, o Pietro. Tenho mais dois irmãos, a Sophia, de 12, e o Ewerton, de 27 anos. Atualmente moro sozinha, mas sempre volto pra ver meus pais e essas figurinhas incríveis <3

Rosie: Quais são seus hobbies? E áreas de interesse?

Letícia: Adoro fazer muitas coisas, o que até fica meio difícil por conta do tempo, mas sempre tento dar um jeitinho. Amo ler, estar em contato com a natureza, cantar, cozinhar, sair com os amigos, escrever (sejam artigos ou poemas), dançar, conhecer lugares novos, fazer projetos voluntários e me reunir com a família.
Eu amo História. Desde pequena, era uma das minhas matérias favoritas na escola (depois de Ciência e Matemática), e gosto de entender como e porque as coisas acontecem.

Sou bem analítica e gosto de observar tudo ao meu redor, compreender por qual motivo um determinado acontecimento leva uma pessoa a tomar uma atitude x, como as coisas se interligam, qual o impacto que uma ação do passado pode ter no futuro, e a melhor parte: como podemos tentar solucionar problemas (e até evitá-los) tendo mais empatia, consciência e uma comunicação não violenta.

Rosie: Quando foi seu primeiro contato com tecnologia e como foi?

Letícia: Foi com uns três anos. Meu pai comprou um computador daqueles bem grandes sabe, branco, com Windows 98. Lembro dele até hoje. Eu queria porque queria mexer nele, e meu pai não deixou. Disse que eu ia quebrar e que era muito caro, tinha que tomar cuidado.

Certo dia, ele me pegou apertando os botões do teclado, e me falou algo que nunca esqueci: “Se você não aprender informática, vai ficar desempregada.” e eu não entendi, fiz cara de choro (tudo o que eu queria era ser bailarina/cientista/fotografa, exatamente nessa ordem) e ele me explicou. “Informática é a profissão do século, filha. Se você não aprender, vai ficar pra trás”.

Hoje vejo o impacto que isso teve na minha vida e o quanto sou grata por ter entrado nova na área. Desde os 14 anos eu sabia que queria seguir nisso, e foram muitos cursos e aprendizados até realmente estar na faculdade.

Rosie: Como foi o seu primeiro contato com ciência de dados ou Inteligência Artificial?

Letícia: Eu estava no segundo ano da faculdade, fazendo iniciação científica no IEAv (Instituto de Estudos Avançados). Lá tinha o desafio de construir uma plataforma de coleta de dados de radiação cósmica em Java (pasmem, não era Python), e eu trabalhava com uns arquivos grandes. Não é nada comparado ao grande volume de dados que vi em outras situações, mas os arquivos de texto eram pesados e difíceis de ler. Comecei a me interessar por aquilo, conversar com pessoas da área e ler sobre.
Foi aí que descobri um minicurso que ia rolar na Escola de verão do INPE (Instituto Nacional de Pesquisas Espaciais), de Introdução à Data Science. Me inscrevi. Eu fiquei maravilhada em ver o quanto de coisa poderia ser feita com dados (ele mostrou um exemplo de Machine Learning com um dataset de Íris, bem famoso) e como aquilo podia desmistificar e responder as coisas. Eu fui falar com ele pra perguntar onde podia procurar mais conteúdo e me aprofundar, e ele me convidou para fazer uma iniciação científica com ele, aplicada à Ciência de Dados.

Rosie: Eu vi que você tem um projeto lindíssimo chamado Dados de Julieta, onde compartilha dicas, eventos, posts. Me conta mais sobre esse seu projeto, o que te inspirou a fazer ele, porque vc escolheu esse nome para ele?

Letícia: Sim!!! O Dados de Julieta nasceu com intuito de compartilhar conhecimento, principalmente sobre Ciência de Dados, com a galera.

Eu sinto muita falta de conteúdos iniciantes sobre o tema, sabe? Por esse motivo resolvi fazer algo para ajudar, tenho muito isso de “se não existe, eu vou fazer”, e boa parte dos conteúdos que crio vem desse pensamento. Não porque quero criar um milhão de engenhocas (até gostaria de ter tempo pra isso), mas porque são coisas essenciais para disseminar conteúdo e ajudar os outros. Diversas pessoas que estão iniciando não encontram materiais escritos numa linguagem acessível e acabam muitas vezes se sentindo excluídas desse universo e desistindo. Meu objetivo é quebrar esse paradigma.

A história do nome é engraçada. Ele foi uma das ideias que tivemos pro nome do podcast do Colaboradados (o Coluna7), e tudo começou porque enquanto equipe do projeto conversava, eu comentei que estava assistindo Cartas para Julieta (um dos meus filmes favoritos), e as outras duas pessoas estavam com fome, uma querendo comer queijo e a outra goiabada. Foi aí que surgiu “Dados de Julieta”.

Rosie: Quais são ou foram os desafios ao produzir esse projeto?

Letícia: São inúmeros. Um dos principais é conseguir orquestrar todo o trabalho a ser feito para que ele tenha uma periodicidade. Por ser envolvida em muitas iniciativas, eu acabo precisando dar prioridade para certas coisas durante um determinado período de tempo. É preciso muita disciplina pra não se perder e acabar dando menos atenção do que deveria.

Acho que o último é lidar com as críticas. Por mais que um trabalho seja incrível e demande muito esforço, sempre há alguém para reclamar. Acredito muito em críticas construtivas, mas vejo que existe um fenômeno das pessoas se acharem no direito de falar mal de algo simplesmente por ter alguém lá, se expondo aos holofotes. É preciso ter muita empatia e resiliência nessa situação.

Carreira

Rosie: Parabéns pelo seu projeto Dados pra Julieta! Mas conta pra gente porque você escolheu trabalhar com ciência de dados?

Letícia: Gosto de solucionar problemas, investigar as informações atrás de algo e aprender sobre assuntos diversos enquanto faço isso. Por ser multidisciplinar tanto nos conteúdos que a abrangem quanto nas áreas em que conseguimos aplicá-la, cientistas de dados em geral acabam tendo um background bem amplo.

É quase uma mistura de Ada Lovelace (criadora do primeiro algoritmo de computador da história) com Miss Marple (investigadora dos contos de Agatha Christie) haha.

Letícia: Não necessariamente. Acredito sim que pessoas que tenham formação em cursos de tecnologia, matemática, física, estatística e outros que utilizem algo de programação, principalmente alguma linguagem de programação ou software que demande de lógica (como Contabilidade, Geoprocessamento e Marketing, por exemplo), ou atuem em profissões que façam uso de um grande volume de dados (alô jornalistas de plantão) tenham uma certa facilidade por já terem algumas das skills exigidas. Mas isso não é um impedimento para entrar na área, eu conheço muita gente que trabalha com isso e não possui formação no assunto.

Existem diversos materiais de qualidade disponíveis na internet, que ajudam a entender diversos conceitos importantes da área. É totalmente possível para uma pessoa da área de humanas ou para qualquer outra se tornar um Data Scientist. O que é pedido - e isso independe se você vem de tecnologia ou não - é muito estudo e dedicação. São muitos assuntos para se dedicar, e se não houver um foco, você pode se perder fácil.

Para quem tiver interesse e quiser aprender mais, escrevi um manual para o Colaboradados, um veículo colaborativo sobre Transparência e Open Data no Brasil, intitulada “Para iniciar em Data Science”, você pode acessar clicando aqui.

Rosie: Eu vi que você participa de várias comunidade femininas e já foi voluntária em vários eventos de tecnologia para mulheres. E eu gostaria de saber o que te motiva a participar de comunidades e o que é comunidade para você?

Letícia: Acho que é a questão de sororidade. O fato de existir um mundo onde mulheres apoiam outras mulheres, e faz com que elas se ajudem, queiram o crescimento uma da outra, acolham quem está chegando ou quer entrar em tecnologia, empoderem e incentivem essas minas através da tecnologia. Ao invés de competirem entre si, elas se juntam e tornam mais fortes. Isso é encantador!!

Comunidade para mim é um ambiente de troca de experiências, acolhimento e transformação. É o lugar onde eu me sinto “em casa”, mesmo estando em ambientes que nunca frequentei. As pessoas causam essa sensação de liberdade e aconchego, e quando você para pra analisar, parece que conhece elas há anos! É muito doido, mas muito gostoso também. Brinco que não lembro como era a minha vida antes da comunidade, e é real: ela ganhou muito mais cor depois que conheci esse mundo.

Assuntos da atualidade!

Rosie: Como você vê a importância da ciência de dados e da inteligência artificial nos dias atuais?

Letícia: Acredito que seja praticamente inevitável se deparar com essas tecnologias hoje em dia. Elas evoluíram muito desde seu surgimento, e cada vez se torna mais explícita a necessidade de utilizá-las para ter um insight com base no dados ou automatizar uma atividade, compreender melhor um determinado cenário, prever situações de risco. Elas são úteis para essas e outras diversas coisas, o que acaba chamando a atenção de mais gente.

O ponto é: IA e ciência de dados são temas que acabaram ficando “hypados” e que as pessoas querem usar em literalmente tudo. Isso é perigoso. Não precisamos entender só o lado legal deles, existe um lado obscuro a ser estudado também.

E falando em estudos, tá aí algo que vejo uma galera perdida: tem muita gente que não faz ideia de por onde começar, e acaba consumindo conteúdos caros e/ou baixa qualidade só por ter muita propaganda a respeito na internet. O ideal é pesquisar bem o que você tá afim de aprender e perguntar pra alguém que entenda sobre. De preferência, tente encontrar um conteúdo gratuito sobre o assunto primeiro.

Rosie: Acho que você deve ter ouvido falar do uso de ciência de dados e fake news na campanha do Donald Trump em 2016. O que você acha desse uso da ciência de dados?

Letícia: Sim. Essa questão de vazamento de dados e fake news é bem forte pra mim e gosto de estar sempre lendo algo sobre. Nesse caso, a Cambridge Analytica utilizou dados de testes de personalidade do Facebook para traçar perfis psicológicos, né?!
O que aconteceu foi que eles roubavam os dados através do thisisyourdigitallife, um app que pagava a galera pra responder uma série de perguntas, mas não informava que tinha acesso a dados de curtidas e localização, não só de quem fazia o teste, mas dos amigos dessa pessoa também. E foi muita gente que participou disso (aproximadamente 270 mil pessoas).

Lembro que em 2018 fui na Python Brasil, que aconteceu em Natal/RN, e o Facebook era um dos patrocinadores do evento. Eu fui no stand deles e questionei sobre o assunto, perguntei como a empresa vinha lidando com isso. Os profissionais me informaram que o presidente da empresa se reunia uma vez por semana com os desenvolvedores para analisar a situação, e ver as próximas medidas a serem tomadas.

Vejo a falta da importância de compreender sobre segurança, há muitas dúvidas sobre qual navegador usar, aplicativo de mensagens, sistema operacional mais seguro… Mas aí elas vão e falham no primeiro anúncio de “conteúdo 100% gratuito” que pede email e CPF. É difícil sim ser uma pessoa que esteja segura em tudo, mas precisamos tentar: ser curiosos, ler as licenças dos softwares que usamos, ler aqueles textos chatos e pequenos dos termos de aceite do que utilizamos (aquelas letrinhas que ninguém liga, sabe?), e questionar mesmo.
Se as pessoas soubessem o quanto o dado é importante e o quão caro ele é (a ponto de não ter preço), elas dariam mais valor a isso.

Rosie: E para finalizar, qual dica você dá para as mulheres que querem entrar na área?

Letícia: Que sejam fortes e preparem o psicológico. Muitas das mulheres que tenho contato sofrem situações machistas e por vezes abusivas, e acabam saindo de TI por conta disso. Não podemos abaixar nossas cabeças e por mais difícil que seja, estamos sim conquistando um espaço que é nosso por direito. Algumas pessoas fazem questão de esquecer nomes como Dorothy Vaughan, Mileva Máric, Hedy Lammar, Katherine Johnson, Frances Allen, Grace Hopper e tantas outras… Eu faço questão de lembrar.
Sobre a questão de nós, mulheres, reproduzirmos machismo: fomos (e muitas ainda são) ensinadas, de diversas formas e aspectos, que no fim somos umas rivais das outras. Acontece que, cabe a cada uma de nós uma desconstrução constante e maior sororidade uma para com a outra. O famoso “estender a mão sem julgar”, sabe? Acho que só dessa forma conseguimos nos fortalecer e nos tornarmos mais unidas e preparadas para acolher outras mulheres que querem adentrar a área.

Extra!

Rosie: Mais uma perguntinhaaa...Qual é a sua linguagem de programação favorita: python ou R?

Letícia: Essa é fácil, e acho que todo mundo que me conhece sabe a resposta hahaha. É Python! Python é bonito, simples e claro - e isso ajuda muito pra quem tá começando. O fato de ter boas práticas e padrões de desenvolvimento bem estabelecidos colabora para o aprendizado ser mais fácil e a curva de aprendizado cada vez mais baixa, proporcionando mais autonomia e liberdade no código, eu até escrevi sobre isso.

E aí, gostaram? Não esqueçam de deixar o seu feedback pra gente, para que possamos melhorar nas próximas entrevistas.
Até uma próxima,
AI Girl

Siga a comunidade nas redes sociais!!
LinkedIn
Facebook
Instagram

Café com Rosie - Talita Shiguemoto

AI Girls — Thu, 13 Aug 2020 00:01:11 +0000

O que eu acredito é que a pessoa precisa gostar muito de estudar, porque é algo que nunca cessa.

Talita Shiguemoto estava cursando Análise e desenvolvimento de sistemas quando notou que não era isso que ela queria, portanto mudou de curso e se especializou em Big Data. Em uma jornada de auto-descobrimento, através de vários desafios e explorações ela encontrou o que realmente gostava, e sua história mostra o quão importante é ouvir a si mesma.
Vamos lá?!

Raio-X

Talita: Olá, me chamo Talita Shiguemoto, sou Cientista de Dados na Loft desde outubro de 2019. Hoje tenho 30 anos e sou formada em Matemática com uma especialização em Análise em Big Data na FIA.
Não tenho filhos, só umas 30 plantinhas haha

Rosie: Quais são seus hobbies? E áreas de interesse?

Talita: Meus hobbies são jogar games (tanto consoles como boardgames), desenhar e eu gosto muito de ir em exposições e teatro (saudades de quando podíamos ir :/ )

Rosie: Quando foi seu primeiro contato com tecnologia e como foi?

Talita: Eu sempre gostei muito de jogos e sonhava em trabalhar com isso. Passei na FATEC São Caetano quando tinha 19 anos, mas como precisava me sustentar acabei optando por seguir com Análise e Desenvolvimento de Sistemas. Nesse curso aprendi a programar e entender mais da área de Tech, mas acabei mudando o curso para matemática que era o que eu realmente queria na época.

Rosie: Como foi o seu primeiro contato com ciência de dados ou Inteligência Artificial?

Talita: Ao mudar de curso para matemática eu quis mudar de área, na época trabalhar com T.I. (controle de acessos) eu não curtia muito. Foi quando surgiu uma oportunidade de estagiar em uma farmacéutica para ramo animal, a Elanco. O estágio era focado em análises estatísticas e precisa saber um pouco de programação.
Esse estágio foi um divisor de águas na minha vida, eu realmente estava gostando de aprender mais de estatística e desse mundo de análise de dados.
Um pouco depois do terceiro ano na Elanco, eu já era analista, comecei a ouvir sobre inteligência artificial e machine learning, foi quando eu comecei a estudar sobre, primeiro lendo posts para entender do que se tratava.
Paguei um Nanodegree de Engenharia em Machine Learning da Udacity, que na época trabalha no Brasil. Esse curso foi realmente esclarecedor, ele explicava os modelos matematicamente e todo final de tópico tinha um projeto prático, totalmente revisado por um instrutor.
Então eu comecei a brincar com alguns dados dos Kaggle, mesmo não participando das competições em si.

Rosie: Nesse momento queremos enaltecer as suas conquistas, seus projetos, suas pesquisas, seus artigos etc. Conta tudo de incrível que você fez ou está fazendo?

Talita: Acho que uma das coisas mais legais que fiz esse ano foi palestrar no Women in Data Science SP, que teve a versão online por causa da pandemia. Palestrei sobre Calibração de Probabilidades, do porquê devemos calibrar, quais as técnicas e como metrificar.
Foi muito legal poder participar desse evento que ocorre no mundo todo e por ser online várias pessoas de lugares distantes de SP puderam participar, o evento foi incrível -

Carreira

Rosie: Parabéns pela conquista! Mas conta pra gente porque você escolheu trabalhar com ciência de dados?

Talita: No curso da Udacity eu aprendi muito de modelos, mas eu não tinha muito conhecimento nem prática com engenharia de dados. Comecei a fazer minha pós graduação em Análise em Big Data na FIA, lá ensinava o básico tanto para ser Engenheiro de Dados como Cientista de Dados. Fazendo as aulas eu percebi que eu realmente prefiro a parte de ciência, me divertia com todos projetos relacionados, gostava de estudar, era algo que realmente me animava. Foi aí que decidi tentar a carreira.

Talita: Não acredito que precisa de uma formação acadêmica específica, eu atualmente trabalho na Loft e lá tem cientistas com diversos backgrounds, até fora de exatas. O que eu acredito é que a pessoa precisa gostar muito de estudar, porque é algo que nunca cessa.
Alguém que queira ser DS (data scientist) pode aprender fora da academia se quiser, mas precisa (seria legal) conhecer coisas como álgebra linear para entender como os modelos de machine learning funcionam; programação para conseguir fazer as análises; negócio relacionado ao projeto que está fazendo, para que possa fazer modelos/estudos que gerem valor; estatística que vai ajudar muito na modelagem. Não precisa saber tudo profundamente, isso é algo que vamos desenvolvendo com o tempo.

Rosie: Você participou do Loft Women Storm, palestrando sobre o uso de Data Science impulsionando o marketing. Como foi a experiência?
Talita: Foi a primeira vez palestrando um tema técnico de Ciência de Dados, então eu estava bem nervosa para ser sincera, mas foi super legal conseguir mostrar que é possível gerar valor com dados em diversas áreas e o mais incrível foi ver que tinha muitas mulheres no evento, interessadas em Tech e super engajadas, foi lindo <3

Rosie: Poderia explicar um pouco sobre o tema?

Talita: O tema foi sobre clusterizar nossas campanhas de marketing do Facebook, Fizemos uma estudo e vimos que o algoritmo blackbox do Face acaba viciando em alguns apartamentos, mostrando-os muito e deixando outros quase sem visualização alguma. Isso para o negócio é ruim, porque diferente de um celular, um apartamento pode ter somente um comprador. O que fizemos foi usar modelos de machine learning para encontrar a melhor forma de separar em duas campanhas e tivemos melhores resultados. Esse foi nosso primeiro projeto com marketing, desde então temos feito vários experimentos.

Assuntos da atualidade!

Rosie: Como você vê a importância da ciência de dados e da inteligência artificial nos dias atuais?
Talita: Nossa sociedade está muito conectada para grande parte das pessoas. Consumimos e criamos centenas de dados todos os dias. A forma como esses dados são utilizados pode gerar grande vantagem competitiva entre empresas e criar experiências incríveis para as pessoas. Ser data driven faz com que tenhamos mais segurança e façamos decisões mais assertivas.

Rosie: Você trabalha no ramo imobiliário como cientista de dados. Como você vê os impactos que a ciência de dados vêm causando nesse ramo?

Talita: O setor imobiliário foi por muito tempo engessado e um pouco nebuloso. Podemos usar ciência de dados nesse mercado com a precificação de forma objetiva, justa e transparente, recomendar o apartamento dos sonhos para que cada cliente consiga encontrar de forma mais fácil e rápida, ajudar os corretores com informações precisas sobre os imóveis, entre muitas outras coisas.

Rosie: E para finalizar, qual dica você dá para as mulheres que querem entrar na área?

Talita: Confiem em si! As áreas de tecnologia costumam ter muito mais homens que mulheres e isso pode ser um pouco intimidador, muitas vezes não aplicamos para vagas porque não temos 100% do que pede, a insegurança bate, a síndrome do impostor ocorre. Sei que não é fácil enfrentar essas coisas, mas nós podemos, estude e se aplique para vagas, tente e confie em si.

E aí, gostaram? Não esqueçam de deixar o seu feedback pra gente, para que possamos melhorar nas próximas entrevistas.
Até uma próxima,
AI Girl

Siga a comunidade nas redes sociais!!
LinkedIn
Facebook
Instagram

Café com Rosie - Letícia Pedroso

AI Girls — Mon, 13 Jul 2020 14:44:39 +0000

Inteligência Artificial é o futuro, não é mesmo? Futuro e o presente. Sempre gostei de aprender coisas “difíceis” mesmo sentindo medo.

Letícia Pedroso é uma mulher para termos como exemplo, além de sua vontade de sempre desbravar o novo, mesmo parecendo difícil, e de ter alcançado o protagonismo na área de ciência de dados, dedica boa parte de seu tempo para incentivar pessoas como nós a também começarem. Por isso, nada mais justo que compartilhar um pouco da história da Letícia aqui no Café com Rosie.
Vamos lá?!

Raio-X

Letícia: Meu Nome é Letícia Pedroso, sou Microsoft MVP em Inteligência Artificial, atuo como Cientista de Dados e Engenheira de Dados na Everis, sou líder de duas comunidades em São Paulo, o DevelopersBR e o Nerdzão/Nerdgirlz, tenho 23 anos e estudei Análise e Desenvolvimento de Sistemas, porém não conclui.

Rosie: Quais são seus hobbies? E áreas de interesse?

Letícia:No meu tempo livre gosto de assistir séries e compartilhar conhecimento nas comunidades, sobre inteligência artificial, dados no geral, bots, visão computacional, carreira e tudo que tenha a ver com esse universo da tecnologia.

Rosie: Como foi seu primeiro contato com tecnologia e como foi?

Letícia: Na infância gostava de jogar video games, super nintendo e playstation um, tive pouco contato com computadores, porque não havia um na minha casa, mas quando visitava minhas primas lembro que elas tinham um computador, e a gente jogava Roller Coster Tycoon e eu desenhava no Paint. Mais tarde, aos 15 anos, fiz um vestibulinho e entrei no curso técnico em Informática para Internet na Etec de Poá, a cidade que morei por alguns anos. Etecs são instituições de ensino gratuito do Centro Paula Souza que pertence ao Governo do estado de São Paulo. Neste curso tive o meu primeiro contato com programação.

Rosie: E o seu primeiro contato com ciência de dados ou Inteligência Artificial?

Letícia: Em dezembro de 2017, participei de um hackathon organizado pela Microsoft, cujo o tema era chatbots. Na época não tinha qualquer conhecimento sobre a área, então aprendi muito naquele dia. Ficamos em segundo lugar nesse hackathon, e isso me ajudou a conseguir uma oportunidade na empresa em que eu trabalhava, para atuar como estagiária em Inteligência Artificial.

Rosie: Nesse momento queremos enaltecer as suas conquistas, seus projetos, suas pesquisas, seus artigos etc. Conta tudo de incrível que você fez ou está fazendo?

Letícia: No começo do ano ganhei um prémio da Microsoft por contribuir na comunidade, o Microsoft Most Valuable Professional (MVP) em Inteligência Artificial, é um reconhecimento mundialmente conhecido, e fiquei muito feliz por recebê-lo.
Recentemente também assumi a liderança das comunidades DevelopersBR e do Nerdgirlz, e estou passando a maior parte do meu tempo organizando-os, aprendendo muitas coisas sobre diversidade e acessibilidade para tentar tornar a comunidade um ambiente possível e agradável à todos.

Carreira

Rosie: Parabéns pelas conquistas Le!! Nosso público está começando a carreira ou em transição de carreira, poderia contar porque você escolheu trabalhar com ciência de dados?

Letícia: Quando essa oportunidade surgiu, não tinha nenhuma ideia do que me esperava, mas achei um grande desafio, e isso me motivou a aceitar a proposta. Inteligência Artificial é o futuro, não é mesmo? Futuro e o presente.

Sempre gostei de aprender coisas “difíceis” mesmo sentindo medo.

Rosie: Você acredita que é preciso uma formação acadêmica para atuar na área? Se sim, qual seria a melhor formação?

Letícia: Não acredito, eu mesma não sou formada, mas acho que não existe uma resposta certa. Algumas pessoas gostam do meio acadêmico, e muitas vezes ele facilita a entrada no mercado. Eu mesma consegui estágio por conta da faculdade. Mas a realidade de quem trabalha com tecnologia no geral, é estudar constantemente, a faculdade não supre todas as necessidades que um profissional tem.
Pra quem gosta de pesquisa, e aprofundar em assuntos específicos, acho que a área acadêmica pode ser bem legal, já que após a faculdade você pode iniciar um mestrado e doutorado.

Rosie: Você atua em duas comunidades e colabora com projetos de outras comunidades. Quais foram as contribuições que você mais gostou de fazer?

Letícia: Eu gosto de contribuir com eventos voltados para o público feminino, e também gosto bastante quando sou convidada para palestrar em escolas e faculdades.
Para o público feminino porque o peso não é apenas sobre o assunto, mas também é sobre representatividade, é incentivar que mais mulheres entrem na área e que não desistam. E nas escolas e faculdades, é um pouco disso, incentivar a galera a não desistir, e conseguir me conectar, já que passei pelas mesmas situações, e entendo as dúvidas que eles podem ter nesse momento.

Assuntos da atualidade!

Rosie: Como você vê a importância da ciência de dados e da inteligência artificial nos dias atuais?

Letícia: Eu acho que a IA e Ciência de dados já não estão ligadas apenas a área de inovação das empresas, existem empresas apenas focadas no tema, seja pra criar chatbots, URAs inteligentes, modelos de predição e etc… Com o grande volume de dados que produzimos nos dias atuais, conseguir tirar informações de tais, gera lucro, e com isso conseguimos avançar mais pois existem mais investimentos.

Rosie: Muitas pessoas dizem que a inteligência artificial vai gerar um grande desemprego e esse pensamento leva as pessoas a temerem a inteligência artificial. O que você acha sobre isso? Você acha que a inteligência artificial vai "roubar" o emprego das pessoas?

Letícia: Eu acho que estamos longe desse ponto ainda, há alguns tipos de trabalhos repetitivos e manuais que já são possíveis de serem realizados por máquinas, mas ainda necessitam da supervisão humana. Penso que o desenvolvimento da Inteligência Artificial, não crescerá sozinho, pois é necessário a mudança social e econômica para acompanhar tal mudança, pelo menos assim espero.

Rosie: Qual dica você dá para as mulheres que querem entrar na área?

Letícia: Principalmente que participem de eventos, sigam outras mulheres da área, leiam sobre e estudem. Lembrem-se que o caminho não é fácil, mas todas nós estamos aqui para apoiar uma a outra.

E aí, gostaram? Não esqueçam de deixar o seu feedback pra gente, para que possamos melhorar nas próximas entrevistas.
Até uma próxima,
AI Girl

Siga a comunidade nas redes sociais!!
LinkedIn
Facebook
Instagram

Alavanque sua carreira com a Ciência de Dados e a arte de fazer perguntas

AI Girls — Mon, 18 May 2020 22:06:08 +0000

Entenda por que ser fluente em dados será um diferencial na sua carreira, independentemente da sua área de atuação.

Há quem a chame pelo nome oficial de Ciência de Dados (Data Science, do inglês) ou quem prefira reforçar as palavras em voga relacionadas a essa disciplina: big data, aprendizado de máquina (machine learning), inteligência artificial etc.

Eu gosto de me referir a ela como a ciência e a arte de se fazer boas perguntas e encontrar respostas para subsidiar a tomada de decisão.

Essa definição mais humana me ajudou a desmistificar que Ciência de Dados é um campo apenas para profissionais de tecnologia e Exatas. Serviu para eu, de Humanas, perceber que poderia sim ter um espaço nessa carreira tão interessante.

Neste artigo, não pretendo convencê-la necessariamente a se tornar uma cientista profissional, mas quero incentivá-la a buscar a alfabetização de dados ou fluência em dados, independentemente de sua área de formação e atuação.

Para isso, compartilharei um pouco do que aprendi desde 2018, desde quando fiz uma movimentação e deixei a área de comunicação para assumir novos desafios.

Abordarei neste artigo os seguintes pontos:

A Ciência de Dados: O mundo de hoje produz tanto dado que uma nova ciência surgiu só para extrair valor deles;
Por que ser fluente em dados será um diferencial na sua carreira;
Dominar a arte de se fazer boas perguntas é uma habilidade essencial para profissionais do presente e do futuro; e,
Aplique em sua vida o "lifelong learning" e planeje a sua a trilha de aprendizado em fluência de dados.

1) A Ciência de Dados: O mundo de hoje produz tanto dado que uma nova ciência surgiu só para extrair valor deles

O avanço exponencial pelo qual as tecnologias de informação passaram nas últimas décadas possibilitou a geração e o processamento computacional de uma quantidade gigantesca de dados.

Diariamente, milhões de pessoas acessam redes sociais, deslocam-se por meio de aplicativos que facilitam a mobilidade no trânsito, assistem a vídeos em plataformas de streaming, fazem pagamentos que geram nota fiscal e desenvolvem pesquisas acadêmicas.

Todas essas transações geram um emaranhado de dados, e justamente para extrair informação desse caos é que surgiu em 2012 uma "nova" área de conhecimento, a chamada Ciência de Dados.

O diferencial da Ciência de Dados é aliar ciências já consolidadas como a matemática/estatística e a computação às peculiaridades de negócio – vale ressaltar que abordo o termo "negócio" aqui de uma forma ampla, que pode estar relacionada a demandas de pessoas ou organizações privadas, públicas e com fins sociais.

Por exemplo, empresas podem querer saber quais clientes compram mais, ou quais produtos têm maior probabilidade de serem mais vendidos nos próximos meses; prefeituras podem acompanhar as reclamações de suas centrais de atendimento para saber quais áreas da cidade necessitam de determinados de serviços público; e ONGs que atuam contra a corrupção podem levantar e denunciar os políticos que estão desviando dinheiro público, a exemplo da Operação Serenata da Amor.

Dadas as perguntas ou problemas de negócio, o desafio seguinte é coletar e analisar dados internos e/ou externos por meio de um processo estruturado. Na sequência, vem a disseminação da informação para que embase a tomada de decisão e gere conhecimento.

Os negócios que aprenderam a gerar valor a partir de dados brutos se destacam no mercado, como Amazon, Spotify e Netflix.

Aqueles que ainda não incorporaram a tomada de decisão baseada em dados precisam se adaptar rapidamente a essa realidade. Quem não fizer isso agora terá que correr atrás do prejuízo, porque o mundo está exigindo essa habilidade das empresas e dos seus funcionários.

2) Por que ser fluente em dados será um diferencial na sua carreira?

A tríade das disciplinas da Ciência de Dados exige uma ampla gama de competências. Em grandes empresas, esse conjunto de habilidades pode ser conquistado a partir de um time de programadores, estatísticos e analistas de negócio, que que se comunicam e se complementam.

É claro que cada profissional tem seus pontos fortes e será especialista em alguns pontos, mas para o trabalho fluir é importante que todos tenham referências comuns.

Programadores e estatísticos precisam conhecer do negócio. Já o analista de negócio poderá ter, ao menos, noções básicas de programação e estatística, para melhor interagir com sua equipe. Esse é o mundo ideal.

Se este mesmo analista de negócio com foco analítico atuar em pequena ou média organização, é provável que ele terá que elaborar e responder perguntas estratégicas ao negócio com uma pequena equipe ou sozinho. Se ele tiver noções de programação e estatística, certamente alcançará melhores resultados e terá mais oportunidades profissionais.

Diante desse cenário, você pode escolher ser um cientista de dados e seguir uma carreira promissora que ocupa a 5ª posição entre as 15 profissões emergentes, segundo estudo do LinkedIn.

Você também pode não querer ser um cientista de dados, e não há nenhum problema nisso. Porém, saiba que, pelo menos, você precisará estar familiarizado com o tema. O Fórum Econômico Mundial elencou as 10 habilidades profissionais mais importantes que toda empresa vai buscar em 2020. A primeira delas é a alfabetização em dados ou fluência em dados.

"A alfabetização de dados – ou data literacy – é a habilidade de ler, entender, analisar e comunicar dados como informação útil. Ou seja, é a competência desenvolvida para adquirir melhor leitura e entendimento do universo dos dados", conforme o relatório Tendências 2020 do Social Good Brasil.

3) Dominar a arte de se fazer boas perguntas é uma habilidade essencial para profissionais do presente e do futuro

Para as empresas, ter profissionais com fluência em dados é essencial para construir uma cultura organizacional analítica, na qual as decisões são baseadas em dados e potencializam resultados.

Todos os profissionais fluentes em dados – e não necessariamente somente os cientistas de dados – serão ainda mais valorizados se tiverem habilidade de formular boas perguntas.

Uma boa pergunta é aquela cuja resposta (ou impossibilidade de resposta) tem aplicabilidade à realidade no negócio em que está inserida e gera algum valor.

O problema é que fazer boas perguntas não é uma tarefa trivial.

Em texto no Blog da IBM, Carlos Demetrio traz uma discussão interessante sobre o tema, a partir de um caso real da Segunda Guerra Mundial. Estatísticos avaliaram as marcas de balas em aviões que voltaram de batalhas. O objetivo era definir em que regiões a estrutura dos aviões teria que ser reforçada, para melhorar sua segurança e desempenho.

Crédito da imagem: Carlos Demetrio - copiado do Blog da IBM

Como as asas foram as partes mais atingidas, uma avaliação precipitada poderia concluir que seria preciso reforçá-las.

Contudo, uma análise mais profunda fez com que a recomendação oficial fosse blindar as áreas não atingidas pelas balas nas imagens, pois ali estão as áreas mais sensíveis, como os motores.

A explicação é que somente os aviões que não foram atingidos nessas áreas sensíveis retornaram para as suas bases e puderam ser analisados. Os demais foram perdidos em combate.

Assim, perguntar por que alguns aviões voltaram e outros não seria uma dúvida inicial mais estratégica que focar apenas no padrão dos danos daquelas que retornaram.

4) Aplique em sua vida o lifelong learning e planeje a sua a trilha de aprendizado em fluência de dados

Como jornalista de formação, eu caí de paraquedas no mundo da Ciência de Dados em meados de 2018, logo após uma movimentação lateral na empresa em busca de novos desafios. Naquela oportunidade, fui para a área de planejamento e estratégia e passei a me envolver com inteligência de dados.

Meu primeiro desafio foi liderar um projeto-piloto de análise de dados, por meio do Laboratório Social Good para institutos e fundações empresarias.

A partir disso, por quase dois anos, fiz cursos presenciais e on-line e busquei participar de fóruns sobre o tema. Aprendi um pouco de estatística básica, de programação em softwares como Python e R, de modelos e de teorias de Ciência de Dados.

Ainda não posso dizer que sou uma cientista de dados, nem sei se um dia serei. Porém, com certeza, hoje sou mais alfabetizada/fluente em dados e continuarei a me desenvolver na área.

Em um dos cursos que fiz, ouvi pela primeira vez a expressão lifelong learning ou educação ao longo da vida.

Esse conceito prega que, com as constantes mudanças tecnológicas e sociais do mundo atual, não faz mais sentido um profissional estudar apenas durante um período da sua vida, como até a faculdade.

Aprender e renovar-se constantemente é uma exigência do mercado de trabalho. Mas, para mim, o lifelong learning tem sido um estilo de vida recompensador.

Assim, convido você a incluir a alfabetização de dados na sua trilha de desenvolvimento profissional e alavancar sua carreira. Vamos seguir juntos nessa caminhada?

Alguns materiais interessantes para iniciar no tema estão indicados abaixo. Todos eles me ajudaram de alguma forma.

Para começar:

Site do Radar Social Good, que disponibiliza conteúdos sobre novas tendências em transformação social por meio do uso de dados e tecnologias;
Plataforma de cursos introdutórios e gratuitos sobre ciência de dados na Data Science Academy.

Se quiser ir um pouco além:

Acervo de Podcasts do Pizza de Dados, que traz conversas sobre a profissão de cientista de dados;
Perfil do professor de estatística Thiago Marques no LinkedIn;
Canal EstatiDados no Youtube; e,
Curso gratuito de introdução à lógica de programação da Soft Blue.

Bons estudos e sucesso!

Artigo publicado originalmente em 10/03/2020 no LinkedIn da autora

Escritora: Íris Ferrarini

Siga a comunidade nas redes sociais!!

LinkedIn
Facebook
Instagram

Café com Rosie - Karina Kato

AI Girls — Thu, 14 May 2020 16:36:00 +0000

Infelizmente, ainda há poucas mulheres no setor de tecnologia, mas corram atrás que vocês serão capazes. Garanto que as suas jornadas irão incentivar muitas outras mulheres!

Essa frase da Karina resume muito bem a trajetória profissional e pessoal dela. Ela que é uma grande inspiração para nós, se disponibilizou em dar uma entrevista e tomar um cafézinho com a Rosie para conversar sobre a carreira e as conquistas que ela teve, e não podia faltar ciência de dados e Inteligência Artificial.
Vamos lá?!

Rosie: Vamos começar fazendo um pequeno raio-x, conta seu nome completo, com o que você trabalha, onde trabalha, sua idade, se você é formada ou ainda está graduando: qual seu curso, se você tem filho (pode ser não humanos também)

Karina: Olá pessoal, meu nome é Karina Kato. Tenho 24 anos. Sou formada em Ciência da Computação e atualmente sou Take Lead de Machine Learning e Engenheira de Machine Learning na Take. E eu tenho um cachorro (praticamente um filho) de 1 ano.

Rosie: Quais são seus hobbies? E áreas de interesse?

Karina: Adoro praticar esportes, assistir séries e aprender coisas novas. Minhas áreas de interesse são visão computacional e processamento de linguagem natural.

Rosie: Como foi seu primeiro contato com tecnologia e como foi?

Karina: Sempre gostei de aprender sobre tecnologias. Desde a minha infância gostava de jogar vídeo game (Playstation 1, Game boy e Wii). Depois, durante o ensino médio um dos meus hobbies era edição de vídeo e imagem. Também tive aulas de robótica.
Já na graduação, adorava desenvolver jogos digitais e criar modelos 3D para serem impressos, até cheguei a comprar uma impressora e criar a minha própria startup.

Rosie: E o seu primeiro contato com ciência de dados ou Inteligência Artificial?

Karina: O meu primeiro contato com inteligência artificial foi durante a graduação. Inclusive, o meu TCC foi em visão computacional. Era um sistema de verificação de assinaturas. Dada, uma assinatura, eu fazia processamentos na imagem e extraia features baseando na grafoscopia, que é o estudo usado por peritos. Essas features eram passadas para os modelos de machine learning para fazerem a predição se a assinatura era falsa ou não.

Carreira

Rosie: Porque você escolheu trabalhar com ciência de dados?

Karina: Sempre gostei muito de matemática e fiquei fascinada com o mundo da inteligência artificial. A ciência de dados é uma carreira que envolve muito dessa matéria.

Rosie: Você acredita que é preciso uma formação acadêmica para atuar na área? Se sim, qual seria a melhor formação?

Karina: Não acredito que seja necessário ter uma formação acadêmica específica para atuar na área, mas acho que um ótimo profissional deve ter uma boa base de matemática, lógica, programação e uma imensa fome por conhecimento.
Para quem quiser recomendação, um curso bom para dar uma base é o de ciência da computação. Entretanto, vocês terão que aprender a correr atrás para aprender ainda mais que o curso promove (até porque ciência de dados é uma área muito nova em constante desenvolvimento).

Rosie: Nesse momento queremos enaltecer as suas conquistas, seus projetos, suas pesquisas, seus artigos etc. Conta tudo de incrível que você fez ou está fazendo?

Karina: Uma das minhas grandes conquistas é trabalhar como Tech Lead de Machine Learning na Take, uma empresa muito diferenciada, que ficou em segundo lugar no ranking de melhores empresas para se trabalhar em Minas Gerais pela GPTW. Lá, trabalho muito na parte de inovação em processamento de linguagem natural, para nos tornarmos uma referência mundial em processamento de texto para português. Tenho participado também de ótimos eventos como o TDC, alguns Talks em empresas e de projetos como o Jornada colaborativa, onde sou líder de um capítulo no livro de Python. Espero poder contribuir ainda mais com as comunidades.

Rosie: Você participou do TDC Belo Horizonte pelo The Developers Conference, coordenando a trilha de inteligência artificial e machine learning. Como foi a experiência?

Karina: Eu já havia participado do TDC em 2019 na trilha de Inteligência Artificial como palestrante e a experiência havia sido muito positiva. Por conta do coronavírus, o evento de Belo Horizonte 2020 foi adiado para novembro, mas gostei muito de fazer parte da coordenação da trilha de Machine Learning e Inteligência Artificial.
Recebemos muitas submissões de palestras e tive a chance de conhecer alguns profissionais incríveis. Além disso, os organizadores do evento são bem atenciosos. Estou ansiosa para participar em novembro.

Inclusive, recomendo demais a mais mulheres a palestrarem no TDC (acontece em São Paulo, Florianópolis, Porto Alegre e Belo Horizonte). É um evento diferenciado que incentiva a diversidade no mundo da tecnologia.

Assuntos da atualidade!

Rosie: Como você vê a importância da ciência de dados e da inteligência artificial nos dias atuais?

Karina: Cada vez mais as empresas têm se tornado data driven. Logo, será mais comum ver times de dados. Não apenas cientistas de dados, mas também, engenheiros de machine learning, engenheiros de dados e analistas de dados. Esses profissionais serão os responsáveis por cuidar dados, gerar informações e auxiliar na tomada de decisões. Dessa forma, serão necessários para manter a empresa um passo à frente.

Rosie: Na Microsoft foi criado um chatbot, chamado TAY, que aprendia através das publicações do Twitter. Em menos de 24 horas assimilando os tweets dos usuários, a TAY se tornou xenofóbica, racista, entre outras coisas. A partir disso muitas pessoas se posicionaram dizendo que não se pode permitir que a inteligências artificiais, em especial chatbots, aprendam sem o supervisionamento humano. O que você acha sobre isso?

Karina: Eu acredito que os processos de manutenção e evolução dos modelos ainda não são vistos como prioridade. Muitas vezes, os profissionais ficam presos apenas nas ideias de criação e treino do modelo. Entretanto, é muito importante ter um processo bem definido de curadoria para evitar viés e também deterioração. Dessa forma, não devemos tratar o modelo como uma caixa preta. É importante analisar o que está sendo aprendido para evitar possíveis preconceitos, seja pelo conteúdo impróprio ou pelo preconceito gerado pelo desbalanceamento dos dados.

Rosie: E para finalizar, qual dica você dá para as mulheres que querem entrar na área?

Karina: Minha dica para as outras mulheres é não se intimidem. Infelizmente, ainda há poucas mulheres no setor de tecnologia, mas corram atrás que vocês serão capazes. Garanto que as suas jornadas irão incentivar muitas outras mulheres! Se quiserem tirar mais alguma dúvida, podem me adicionar.

E aí, gostaram? Não esqueçam de deixar o seu feedback pra gente, para que possamos melhorar nas próximas entrevistas.
Até uma próxima,
AI Girl

Siga a comunidade nas redes sociais!!
LinkedIn
Facebook
Instagram

A importância de um código de ética na construção de chatbots e em IA

AI Girls — Thu, 02 Apr 2020 23:20:13 +0000

Você já deve ter assistido o filme "Exterminador do futuro" ou "I, Robot", ambos são muitos famosos e falam sobre o extermínio da raça humana através dos robôs, e isso acarretou em medo e receio das pessoas em confiarem na Inteligência Artificial. Portanto entusiastas, desenvolvedores e empresas assumem a importância de um código de ética na construção dessas inteligências.

Ao longo dos últimos anos, muitos investigadores, ativista expuseram os inúmeros erros, preconceitos e uso indevido da tecnologia, como por exemplo, um modelo usado em casos criminais Norte Americanos para prever quais criminosos têm maior probabilidade de reincidência e com isso os juízes tomam as decisões baseadas nele. Esse sistema foi chamado de COMPAS e demonstrou carregar viés racial ao fazer as suas classificações, onde a cor da pele da pessoa acabava sendo um fator para ser considerado criminoso de alto risco.

Alguns dos resultados enviesados trazidos pelo software Compas

Outro caso, curioso foi o de dois pesquisadores da Universidade de Stanford que treinaram um algoritmo de IA para adivinhar as orientações sexuais das pessoas com base em fotografias, o que poderia acabar expondo algumas pessoas, levando a outras atormentá-las com insultos homofóbicos, nunca considerando a validade dos dados usados para criar a tecnologia.
Ou, por exemplo se os policiais usassem algo semelhante para procurar criminosos, os algoritmos tendenciosos poderiam tornar as pessoas de certos grupos étnicos cada vez mais vulneráveis a crimes que eles não cometeram.
Os esforços para se lidar com estes desafios crescentes concentram-se frequentemente na importância do binômio “Ética+ IA”.

Então como nós desenvolvedoras e entusiastas poderíamos construir inteligências que atingem seus objetivos e impactam a sociedade de uma maneira saudável?

Como as máquinas aprendem?

Existem 3 tipos de aprendizado de máquina supervisionado, não supervisionado e por reforço. Neste post como estamos falando mais sobre chatbots vamos falar sobre o supervisionado e não supervisionado.

Supervisionado

Nós desenvolvedores temos controle sobre o que o bot diz, criando respostas em vez de permitir que os usuários o ensinem, ou seja nós temos um poder maior sobre o que nosso bot vai "aprender".

Vantagens: Você sabe exatamente como ele vai responder e o bot não pode ser corrompido, a menos que você treine ele com dados corrompidos.
Desvantagens: É mais demorado e criar um bot convincente leva muito tempo.

Aprendizado não supervisionado

O bot é educado por seus usuários e não pelo desenvolvedor.

Vantagens: Os usuários fazem o trabalho de treinar e ensinar o bot e você não precisa se preocupar em gastar tempo atualizando-o.
Desvantagens: O seu bot vai desenvolver uma personalidade inconsistente e você pode não ter conhecimento do que está sendo ensinado. Na pior das hipóteses, ele se transforma em um software desagradável, racista, sexista e homofóbico.

Se você quiser saber mais a fundo sobre esses tipos de aprendizados, clique aqui.

Tay e o aprendizado não supervisionado

A Tay foi um chatbot criado pela Microsoft em março de 2016, onde ela interagia e aprendia com os tweets dos usuários na rede social. E sem o tratamento correto na base de aprendizado, ela acabou em menos de 24 horas se tornando homofóbica, racista e tudo mais.
E isso fez com que muitos desenvolvedores e empresas questionassem o aprendizado 100% não supervisionado. Surgindo como alternativa o aprendizado semi-supervisionado, onde teríamos um tratamento prévio dos dados que serão aprendidos pelo bot. Por exemplo no caso da Tay seria introduzido uma etapa de, identificar palavrões, palavras homofóbicas, racistas, às retirando da base de conhecimento.

Mas como garantir a ética nos chatbots e inteligências artificiais?

Eu fiz uma pesquisa sobre os principais códigos de ética que as grandes empresas de inteligência artificial fizeram, entre elas Google, Microsoft e IBM, e elenquei alguns princípios que elas têm em comum: prevenção, transparência, confiabilidade, privacidade e igualdade

Prevenção

Muitas empresas não pensam em prevenção de abusos por parte dos usuários para o chatbot, por exemplo: reconhecer palavrões, ameaças de morte ou até racismo.
Depois do acontecimento com a Tay, a Microsoft logo tirou-a do ar e criou um novo chatbot a Zo, que tem o tratamento na base de conhecimento onde evita os termos da lista negra.
Algumas bibliotecas de lista negra de código aberto são mantidas e usadas por agentes de conversação virtual para evitar determinados diálogos, um exemplo disso é o Wordfilter.

Transparência

Seja transparente sobre o fato de usar bots como parte de seu produto ou serviço.
É mais provável que os usuários confiem em uma empresa transparente sobre o uso de tecnologia. Um bot é mais provável de ser confiável se os usuários entenderem que o bot está trabalhando para servir suas necessidades, além de, deixar claro sobre suas limitações.
Uma vez que os designers podem dotar seus bots com “personalidade” e capacidades de linguagem natural, é importante transmitir aos usuários que eles não estão interagindo com outra pessoa e sim com um bot. Existem várias opções de design e isso pode ser feito para que não prejudique a experiência do usuário.

Confiabilidade

O desempenho dos sistemas baseados em IA podem variar desde o desenvolvimento até a implementação, além, do tempo que o bot é lançado para novos usuários e em novos contextos, é importante continuamente monitorar a confiabilidade.
Como fazer isso?! Seja transparente sobre a confiabilidade do bot, apresente resumos de desempenho do sistema ou de em um contexto específico. É importante sempre pedir feedbacks aos usuários referente as interações que ele teve, pois isso nos ajudará a entender melhor onde nosso bot está errando e ajustá-lo.

Privacidade

Informe ao usuário que os dados serão coletados e como serão usados. Não esqueça de obter consentimento do usuário e não colete mais dados pessoais do que o necessário!
E aí vem um questionamento: “Temos uma IA que está sendo utilizada para prevenir suicídios, mas até que ponto ela pode interferir nas decisões humanas?”

Igualdade

A possibilidade de sistemas baseados em IA perpetuarem preconceitos sociais existentes ou introduzirem novos vieses, é uma das principais preocupações identificadas pela comunidade de IA relacionada à rápida implantação dela.
As equipes de desenvolvimento devem estar comprometidas em garantir que seus bots tratem todas as pessoas de forma justa. Isso será alcançado com diversidade em sua equipe de desenvolvimento. Pois empregando uma equipe diversificada focada no design, no desenvolvimento e no teste da tecnologia, o bot terá mais chances de funcionar de forma justa.
Preste atenção na base de dados que está sendo utilizada no treinamento da IA ou do chatbot para verificar se ela não está enviesada.

“As equipes de desenvolvimento devem estar comprometidas em garantir que seus bots tratem todas as pessoas de forma justa.”
( Microsoft, 2018, Bot Guidelines)

Até uma próxima,

AI Girl

Escritora: Laura Damaceno de Almeida

Siga a comunidade nas redes sociais!!

Facebook

Instagram

Cientista vs. Engenheira de Dados, qual carreira escolher?

AI Girls — Sat, 07 Mar 2020 22:43:57 +0000

Vem entender a diferença entre o que faz uma Cientista de Dados e uma Engenheira de Dados e escolher qual caminho seguir.

Você começou a ler sobre Data Science e a área tem feito seus olhinhos brilharem, mas ainda não sabe qual profissão seguir?

Vem cá que eu te ajudo a entender a diferença entre o que faz uma Cientista e uma Engenheira de Dados. Assim fica mais fácil escolher um caminho para focar nos estudos na área que mais gostar! Bora?!

Dados, dados e mais dados

A última década que vivemos trouxe uma explosão de dados. Quase tudo o que fazemos no dia-a-dia se converte em dados: desde o nosso comportamento em um e-commerce às maratonas no Netflix, passando pelos tweets, transações usando Nubank e os passeios de Uber.

E junto a essa quantidade gigantesca de informações, que cresce exponencialmente, vem a necessidade de profissionais que sejam capazes de extrair, organizar, analisar e entregar valor a partir desses dados. Isso, junto às tecnologias que surgiram recentemente, tem levado à atualização de carreiras existentes e à criação de outras.

Data Science Team

Um time de Data Science normalmente é composto por profissionais das áreas de ciência de dados, engenharia de dados, estatística e engenharia de software. Mas vamos focar nas duas primeiras.

Frequentemente você vai se deparar com descrições de vagas de emprego que misturam ou confundem as funções e habilidades de cientistas de dados e engenheiras de dados. Apesar de as profissões estarem intimamente ligadas a dados, há diferenças entre o trabalho que desempenham e é isso que vamos ver a seguir.

Engenheira de dados

Uma engenheira de dados é uma engenheira hardcore que ama brincar com bases de dados e sistemas de processamento em larga escala. É responsável por criar o pipeline dos dados, desde a coleta até a entrega destes de forma organizada e limpa para serem utilizados pelas cientistas de dados.

As engenheiras de dados desenvolvem, constroem, testam e dão manutenção em arquiteturas, como os sistemas de processamento de dados em larga escala citados acima.

É necessário que você tenha conhecimentos sólidos de SQL (“Structured Query Language”, ou “Linguagem de Consulta Estruturada”, em pt-br. É uma linguagem de programação para trabalhar com banco de dados estruturados.) e NoSQL (banco de dados não relacionais.), técnicas de modelagem de dados e ETL ("extract, transform, load": extrair os dados "crus", transforma-los em conjuntos de dados organizados e carregar esses dados em um repositório tendo certeza de que o processo será o mais eficiente possível.).

Além disso, é preciso se manter atualizada nas ferramentas, bibliotecas, plataformas e outros recursos disponíveis, para que possa tomar a melhor decisão sobre quais tecnologias usar e como entregar o melhor com aquilo que se tem acesso e dominar arquiteturas de microsserviços e segurança de dados.

Cientista de Dados

As cientistas de dados são fadas que transformam os dados extraídos pelas maravilhosas engenheiras em soluções para os mais diversos desafios. Para isso precisam limpar, tratar, organizar os dados e aplicar suas capacidades analíticas para criar modelos preditivos.

Uma cientista de dados utiliza seus conhecimentos em matemática, estatística, programação, computação distribuída e inteligência artificial para levantar insights e suas habilidades em apresentar visualmente os dados para relatar esses insights às partes interessadas.

Se o trabalho das engenheiras de dados é baseado em ETL, o das cientistas é baseado em DAP ("discover, access, predict", ou "descobrir, acessar e predizer" em pt-br), que seria explorar e identificar fontes de dados e suas métricas, acessar e investigar esses dados e com base em análises estatísticas, apresentar insights com ações a serem tomadas em forma de gráficos e tabelas para melhor visualização.

Uma analogia interessante usada por Vik Paruchuri no seu artigo "What is a Data Engineer?" (em tradução livre) é comparar uma engenheira de automóvel e uma pilota de carros de corrida: a pilota sente a emoção da alta velocidade e a vibração do público que foi assistir à corrida, já a engenheira que projetou aquele carro sente o prazer de ajustar os motores, experimentar diferentes escapamentos, e criar máquinas fodas.

Então, se você gosta de projetar e construir algo de valor para ser usado pelo time, o caminho da engenharia de dados é o ideal para você, mas se você prefere investigar e apresentar algo de valor para ser usado pela ponta, o caminho é o da ciência de dados.

Se você está começando agora, minha dica é: inicie os estudos por python e SQL, pois serão úteis para ambas carreiras e você poderá amadurecer sua decisão e seguir pelo caminho que mais te agradar!

Até uma próxima,

AI Girl

Escritora: Luíza Bizoni

Siga a comunidade nas redes sociais!!

LinkedIn
Facebook
Instagram

Um guia sobre Visão Computacional: Como os computadores enxergam?

AI Girls — Tue, 25 Feb 2020 13:28:48 +0000

Visão Computacional é a ciência responsável pela visão de uma máquina, pela forma como um computador enxerga o meio à sua volta. A proposta é imitar a visão humana, para tanto, oferecemos como entrada uma imagem, realizamos um processamento e entregamos como saída uma interpretação da imagem recebida.

Os sistemas de Visão Computacional portanto, tem como missão desenvolver tecnologias que permitam que as máquinas enxerguem e identifiquem os elementos que estão sendo visualizados. Mas como isso funciona na prática?

Ensinar um computador a ver não é uma tarefa trivial. Você até pode colocar uma câmera incrível nele, mas ainda assim, isso não vai resolver o seu problema. Para que uma máquina realmente veja o mundo e identifique pessoas, animais ou objetos, ela depende de técnicas de Visão Computacional associada a técnicas de Machine Learning/Deep Learning.

E afinal de contas, como as máquinas enxergam?

Para entender bem, vamos pensar e observar primeiro, como os humanos enxergam:

Você visualiza um objeto.
Processa na sua cabeça e observa se você já viu este objeto antes.
Se você já viu este objeto, associa o nome que te falaram que ele possui e o reconhece. Se você nunca viu este objeto antes, pergunta para alguém e aprende o nome deste objeto ou pode ignorar e só considerar aquele objeto uma coisa desconhecida.

Ok, para o computador, temos etapas bem parecidas, com algumas técnicas sendo aplicadas em cada uma delas:

O computador visualiza o objeto, utilizando a câmera como se fossem olhos.
Realiza alguns pré-processamentos na imagem, que pode ser um corte em torno do objeto de interesse, filtros para facilitar a identificação do objeto.
Associa o objeto que está sendo visto, há certos padrões de imagens de objetos que já foram mostrados para a máquina.
Se conhece o objeto, exibe o nome do objeto, se não reconhece indica que o objeto é desconhecido.

Já sabemos que as câmeras são equivalentes aos nossos olhos, mas precisamos saber que elas atuam como sensores. O que significa que elas convertem informações que estão ai no nosso mundo biológico para informações discretizadas, ou seja, as câmeras convertem tudo que pode ser visto, em números para que o computador entenda esta informação.
Você já deve ter chegado bem perto do seu monitor ou da sua televisão, a ponto de ter visto vários quadradinho coloridos, certo? Se não fez ainda, faça isso agora! Cada quadradinho é um pixel, que é a menor unidade da imagem.

Em cada pequeno espaço deste preenchemos com certa quantidade de três cores: Vermelho, Verde e Azul. E por que utilizamos apenas estas cores? Simplesmente porque após estudos, descobrimos que os nossos olhos possuem receptores sensíveis a estas três cores e a partir da combinação delas, podemos criar todas as outras. Isto é chamado espaço de cores RGB (Red, Green, Blue).

De forma simplificada, atribuímos valores de 0 a 255 para a cada uma das cores. Você pode criar diferentes cores, alterando os níveis RGB, nesta ferramenta: https://color.adobe.com/pt/create

Observe na imagem abaixo, para formar a cor Vermelho, “enchemos” o balde de cor Red com 255 e zeramos todos os outros e assim sucessivamente com a cor Verde, colocamos o valor 255, no segundo item que representa o Green e zeramos todos os outros, na cor Azul, colocar o 255 no terceiro item, que representa o Blue e zeramos os outros.

No caso da cor preta, que é a ausência de todas as cores, colocamos o valor zero em todos os três campos e a cor branca “enchemos” o Red, Green e Blue.

Geralmente, nos sistemas de Visão Computacional, também trabalhamos com as imagens em escala de cinza, pois nela passamos a ter apenas um canal de cor, representando a mesma imagem, com valores entre 0 a 255, em cada pixel. Esta é uma maneira simples de reduzir a quantidade de informação a ser processada e obter melhores taxas de processamento e velocidade na aplicação.

Se temos uma imagem de 100 pixels de largura por 100 pixels de altura, na prática temos uma matriz de 100 linhas e 100 colunas, com informações variando entre 0 a 255, como na imagem abaixo:

Utilizando técnicas de Machine Learning e/ou Deep Learning, os sistemas de Visão Computacional, procuram padrões numéricos para identificar bordas, cores semelhantes e texturas.

Assim, extraindo várias características da imagem, é possível detectar os padrões presentes no perfil de cada objeto a ser identificado.

Onde estamos e para onde vamos?

Neste momento, estamos numa fase bem parecida com os primeiros anos de vida de uma criança. Os sistemas de Visão Computacional já conseguem detectar alguns elementos com facilidade, como rostos e carros.

Para que eles sejam capazes de reconhecer novos objetos, precisamos realizar um treinamento exatamente como fazemos com as crianças humanas. Se você mostrar a ela um objeto e dizer o nome dele algumas vezes, logo a criança aprenderá a reconhecer este objeto.

No 4° episódio da ótima série Silicon Valley, vemos um grupo de amigos que desenvolveu um aplicativo de Visão Computacional, capaz de identificar se qualquer objeto é um cachorro-quente, ou não.

No exemplo do hotdog acima, os desenvolvedores ofereceram várias fotos de cachorros-quentes. E a partir dai a aplicação desenvolve uma ideia geral do que é uma imagem de um cachorro-quente e o que deveria ter nela. Coisas como cores, formatos e extremidades são levadas em consideração.

Quando você oferece uma nova imagem, ela compara cada pixel a ideia geral de cachorro-quente que já foi criada. Se a imagem nova atingir um limite mínimo de pixels semelhantes, declaramos que é um cachorro-quente.

Para fazer o reconhecimento um sistema de visão necessita uma base de conhecimento dos objetos, esta base de conhecimento pode ser implementada diretamente no código, através, por exemplo, de um sistema baseado em regras, ou esta base de conhecimento pode ser aprendida a partir de um conjunto de amostras dos objetos a serem reconhecidos utilizando técnicas de aprendizado de máquina.

O TED abaixo exemplifica bem essa definição, a pesquisadora de Stanford Fei-Fei Li, criou em 2007 o projeto Imagenet, um repositório de imagens para identificação de padrões visuais e explica os principais desafios da área.

Até uma próxima,
AI Girl

Escritora: Suzana Mota

Siga a comunidade nas redes sociais!!

LinkedIn
Facebook
Instagram