Este documento apresenta uma palestra sobre inteligência artificial. A palestra discute os desafios e barreiras para implementar IA, como a falta de alinhamento com os negócios e a dificuldade de avaliar fornecedores. Também aborda como inserir profissionais não técnicos no desenvolvimento de IA através de plataformas intuitivas e educação. A palestra inclui demonstrações de plataformas como o ML Canvas, Anthropic e Runway ML que facilitam a criação de soluções de IA.

1. Evento InovaBra Habitat
A potencialidade e impacto da Inteligência Artificial

2. O poder da IA em suas mãos
Fulvio Mascara
Cientista-chefe @ Foursys
Julho de 2019

3. • 30 anos de carreira
• Cientista-chefe (P&D) @ Foursys
• Community Manager @ AI Brasil
• Tecnológo em Proc. Dados
• Pós-Graduado em Solution Architect
• Pós-Graduado em Estatística Aplicada
• Principais áreas de estudo: IA, Data Science,
Big Data, IOT e Blockchain
QUEM SOU EU?

4. Cenário Atual01
Como fazer ?02
Demos03
Q&A05
AGENDA
Datalab – Visão Foursys04

5. Cenário Atual
Alguns insights sobre desafios e barreiras
para implementar inteligência artificial

6. https://blog.aimultiple.com/ai-challenges/
• Ausência de alinhamento com
Business
• Dificuldade de construir soluções
consistentes
• Dificuldade de avaliar vendors
DESAFIOS DE IA

7. BARREIRAS PARA ADOTAR IA
https://www.oreilly.com/ideas/overcoming-barriers-to-ai-adoption

8. https://www.oreilly.com/ideas/overcoming-barriers-to-ai-adoption
SKILL GAPS

9. E os especialistas no
negócio, geradores e
mantenedores de
conteúdo, gerentes ?

10. Como inserir
profissionais não
técnicos na produção
de inteligência
artificial ?

11. Educação Plataformas
mais intuitivas
ALGUMAS RESPOSTAS

12. Como fazer?
Detalhar uma visão de pipeline e cenários
para atuação de profissionais não técnicos

13. S U B
A R E A S

14. M A C H I N E
L E A R N I N G

15. D E E P
L E A R N I N G
Deep Learning (DL) ou Aprendizado Profundo é um
conjunto de algoritmos estatísticos e matemáticos
que tentam simular o funcionamento dos neurônios
do cérebro humano.
DL pode atingir ou até mesmo superar a precisão do
nível humano em tarefas como reconhecimento de
imagens, reconhecimento de voz e análises preditivas.
É como se déssemos olhos, ouvidos, boca e claro um
cérebro à uma máquina ou computador.

16. Data
Science
Design
Thinking
Inteligência
Artificial
Big Data
Analytics
IOT & Edge
Computing
API
Mgmt
Cloud
Computing
INTEGRAÇÃO COM OUTRAS ÁREAS

17. DATA SCIENCE MACHINE LEARNING / DEEP LEARNING
BIG DATA / DATA ENGINEERING
INGESTÃO TRANSFORMAÇÃO MODELAGEM
STREAMING PROCESAMENTO
ARQUITETURA
POR EVENTOS
ANÄLISE TRITURAÇÃO
MINERAÇÃO INSIGHTS
MODELAR TREINAR
AVALIAR ENTREGAR
SUPPORT FRAMEWORKS
ESTRUTURAR PROJETOS
PIPELINE SIMPLIFICADO
Curador de
Conteúdo
Especialista
no assunto
Gerente

18. Demos
Algumas plataformas que facilitam o
processo de criação de IA

20. É um framework criado em 2015 pelo Louis Dorard
(criador do PAPIs.io)
Ter todos os skillsets (da gestão ao cientista) “na
mesma página” na formulação de uma solução de
Machine Learning
Soluções que criem valor para os usuários finais
ML CANVAS

23. Criado em 2016 pela Data H
Captura conhecimento através de documentos que a
ferramenta lê e interpreta, sem necessidade de
cadastramento de entidades e intenções
Com base no conhecimento obtido, você questiona,
obtem respostas e faz a curadoria das respostas
obtidas

24. Criada em 2018 pela IBM
Foco no pipeline de visão computacional, pra tarefas
de classificação de imagens e detecção de objetos
Possui uma interface simples pra rotular, treinar,
avaliar e entregar redes neurais para tarefas de visão
computacional

25. Criada em 2018 pela AxonData (Startup formada
dentro da Universidade Mackenzie)
Foco no pipeline de Data Science e Analytics, com
possibilidade de uso de modelos de machine learning
Conceito de flow-based programming, sem
necessidade de codificação, facilitando o uso para
profissionais não-técnicos

26. STAY TUNED !
Easy Deep Learning Interactive DS
Platform
RUNWAY ML
ML for
Creators

27. MUITO OBRIGADO !