Notícias

As práticas modernas de qualidade de dados utilizam tecnologias avançadas, automação e aprendizado de máquina para gerenciar diversas fontes de dados, priorizar a governança e garantir o processamento em tempo real. Em contraste com os métodos tradicionais, as abordagens modernas abrangem uma gama mais ampla de tipos de dados, incluindo dados não estruturados e externos. Eles abordam os desafios do processamento de grandes volumes de dados por meio de tecnologias como a computação em nuvem, enfatizando o processamento em tempo real em vez do modo em lote. A colaboração entre as partes interessadas, tratando a qualidade dos dados como um processo contínuo, distingue as práticas modernas, garantindo dados precisos e confiáveis para a tomada de decisões informadas e o sucesso dos negócios.

O método Density Kernel Depth (DKD) surge como uma ferramenta crucial para detecção de outliers em dados funcionais, abordando os desafios colocados por curvas e superfícies complexas. Ao contrário das abordagens tradicionais adequadas para dados escalares ou multivariados, os dados funcionais, representados por curvas contínuas, requerem técnicas avançadas. O DKD compara a densidade de cada curva com a densidade geral do conjunto de dados usando métodos de kernel não paramétricos. Isso produz um valor de profundidade para cada curva, facilitando a detecção eficiente de valores discrepantes. A flexibilidade, interpretabilidade e eficiência computacional do DKD o tornam adequado para diversas estruturas de dados funcionais. Em cenários práticos, como a análise de curvas de frequência cardíaca de pacientes, o DKD oferece uma perspectiva holística, detectando curvas anormais inteiras para obter insights mais abrangentes. À medida que a complexidade dos dados aumenta, o DKD exemplifica uma ferramenta promissora para navegar em intrincados cenários de dados funcionais, abrindo caminho para técnicas de análise sofisticadas.

O Reino Unido, os EUA, a UE, a Austrália e a China assinaram a declaração de Bletchley, reconhecendo os riscos potencialmente catastróficos colocados pela inteligência artificial (IA). Vinte e oito governos concordaram em colaborar na investigação de segurança da IA durante a cimeira de segurança da IA organizada pelo governo britânico. A declaração reconhece os potenciais danos decorrentes dos sistemas avançados de IA e sublinha a necessidade de esforços globais colectivos para enfrentar estes riscos. A secretária de tecnologia do Reino Unido, Michelle Donelan, destacou a importância de examinar coletivamente os riscos em torno da IA de fronteira. O sucesso diplomático marca um passo em direção à unidade global, com a Coreia do Sul e a França preparadas para acolher futuras cimeiras sobre IA. No entanto, o consenso internacional sobre as regulamentações globais da IA permanece indefinido.

O cenário em evolução da monitorização de transações no âmbito das instituições financeiras exige uma mudança das abordagens tradicionais de rede ampla para um foco mais eficaz e eficiente na identificação de atividades suspeitas. Os avanços tecnológicos, incluindo a IA e a aprendizagem automática, são fundamentais nesta transição, complementando os métodos de deteção baseados em regras. O futuro do monitoramento de transações envolve a expansão da detecção baseada em regras, a criação de conexões nunca antes vistas, a promoção da colaboração AML entre setores e a otimização contínua dos processos de detecção. A transformação organizacional verá uma redução no tratamento de falsos positivos, um aumento na complexidade dos alertas, uma demanda por investigadores de nível sênior e uma maior precisão de conformidade. A análise avançada está preparada para revolucionar a luta contra o crime financeiro.

A engenharia de dados e os pipelines de aprendizado de máquina desempenham funções distintas, mas interconectadas, em organizações orientadas por dados. Os pipelines de dados concentram-se na coleta, limpeza, integração e armazenamento de dados, formando a base para uma tomada de decisão informada. Os pipelines de aprendizado de máquina, por outro lado, abrangem limpeza de dados, engenharia de recursos, treinamento de modelo, avaliação, implantação e monitoramento, permitindo a automação do desenvolvimento de modelos de ML. Enquanto os pipelines de dados seguem um caminho linear da fonte de dados ao armazenamento, os pipelines de ML operam de forma circular, iterando dos dados até a implantação do modelo. Ambos exigem recursos computacionais adaptáveis ​​para lidar com cargas de trabalho variáveis. Compreender estas diferenças é crucial para construir e manter pipelines eficazes, garantindo dados oportunos e precisos para decisões informadas e melhor desempenho.

Para acelerar a análise e obter insights mais rápidos dos dados, os líderes de TI estão recorrendo a pipelines de dados modernos com infraestrutura flexível. A automação e a orquestração desempenham um papel fundamental na quebra de silos de dados e na garantia de um fluxo de dados eficiente. A escolha de infraestrutura, como Pure Storage, com persistência avançada de dados e recursos de armazenamento, é crucial. Essas soluções suportam análises em tempo real, escalabilidade e agilidade, reduzindo o consumo de energia. Os líderes de TI são incentivados a modernizar a infraestrutura e as aplicações para aproveitar plenamente o potencial da tomada de decisões baseada em dados. A combinação de pipelines de dados modernos e a solução de armazenamento certa permite que as empresas rompam silos e obtenham insights em tempo real, impulsionando a transformação digital.

Neste artigo, o autor explora as limitações da inteligência artificial (IA) moderna e introduz o conceito de “IA viva”. Eles argumentam que as redes neurais atuais não têm a capacidade de imitar a natureza dinâmica e adaptável das redes neurais biológicas. O artigo destaca descobertas científicas recentes sobre o papel das proteínas transmembranares na plasticidade neural, sugerindo que os neurônios não são apenas condutores de sinais, mas podem mudar sua resposta aos sinais recebidos em tempo real. Para resolver esta limitação, o autor propõe um novo neurônio matemático com uma função de posição dinâmica variável, semelhante ao segmento inicial do axônio em neurônios biológicos. Esta inovação permitiria à IA criar a sua própria atitude em relação à informação sensorial, cometer erros e aprender, formando gradualmente o seu próprio carácter e matriz de preferências. O autor prevê a IA construída em torno de uma matriz neural que se comporta como um organismo vivo, oferecendo aplicações potenciais na criação de IA personalizada com características semelhantes às humanas. O artigo conclui que a IA baseada em redes neurais matriciais poderia evoluir para uma forma de vida digital, participando ativamente do mundo real.

A inteligência artificial (IA) revolucionou a publicidade digital, oferecendo uma abordagem baseada em dados que capacita os anunciantes. Os recursos generativos da IA ​​simplificam a criação de conteúdo, enquanto sua capacidade analítica disseca o comportamento do consumidor para uma segmentação precisa. A otimização em tempo real garante que as campanhas sejam ajustadas rapidamente, reduzindo o desperdício de gastos com publicidade. Além disso, a IA orienta a tomada de decisões estratégicas, prevendo tendências e oferecendo insights de mercado. A parceria humano-IA é o futuro, com a IA servindo como copiloto para otimizar campanhas, mantendo ao mesmo tempo o toque humano no marketing. No cenário digital em constante evolução, a IA na publicidade traz eficiência, personalização e vantagem estratégica, impulsionando, em última análise, o sucesso na indústria.

O mapeamento de aplicativos", ou mapeamento de dependências de aplicativos, é um processo crítico no gerenciamento de ecossistemas complexos de big data. Envolve a visualização dos intrincados relacionamentos e dependências entre vários aplicativos de software e a infraestrutura de TI subjacente. O mapeamento de aplicativos aprimora a linhagem de dados, a otimização do desempenho, a colaboração e gerenciamento de riscos em ambientes de big data. Ao oferecer uma visão holística da arquitetura do sistema, facilita a tomada de decisões, a solução de problemas e os esforços de conformidade. Ferramentas de descoberta automatizadas e anotações manuais são usadas para mapeamento, com o mapeamento hierárquico ajudando a entender as dependências. As práticas recomendadas incluem começando em um alto nível, detalhando os detalhes, documentando fluxos de dados, incorporando metadados e identificando pontos únicos de falha. Em suma, o mapeamento eficaz de aplicativos é essencial para gerenciar e otimizar ambientes de big data.

Governação e gestão de dados são frequentemente usados de forma intercambiável, mas têm funções distintas no tratamento dos dados de uma organização. A gestão de dados abrange captura, armazenamento, transformação e uso de dados, alinhando-se à estratégia de negócios. Envolve a colaboração de várias funções para garantir a qualidade e a conformidade dos dados. A Governação de Dados, um subconjunto do Gerenciamento de Dados, coordena pessoas, tecnologia e atividades para integrar e garantir a conformidade legal. Embora ambos se concentrem na qualidade, integração e padrões dos dados, no entanto a gestão de Dados inclui detalhes técnicos, geridos por especialistas em TI, enquanto a Governação de Dados enfatiza a tomada de decisões de alto nível pelas partes interessadas do negócio. A combinação dessas abordagens pode levar a uma gestão e governação de dados mais eficazes, evitando falhas de comunicação e aumento do âmbito.

O WebSummit 2022 em Lisboa recebeu 71.033 participantes de 160 países. A maioria das empresas apresentadas são “start ups”, empresas em fase inicial de desenvolvimento e que vão à WebSummit à procura de investidores.

Esse é um dos objectivos centrais do evento: ajudar a colocar em contacto, por um lado, quem tem projectos e ideias, mas precisa de investimento e, por outro, quem tem dinheiro para investir e procura boas oportunidades para rentabilizar esse capital.

Em destaque, como sempre, estarão múltiplas conferências em diversos palcos e formatos, totalizando cerca de mil oradores, entre os quais Brad Smith, o presidente da Microsoft e Changpeng Zhao, CZ "para os amigos", o empresário sino-canadiano que fundou e lidera a Binance, a gigante das criptomoedas.

Entre os oradores portugueses, destacam-se vários responsáveis políticos, como Marcelo Rebelo de Sousa, António Costa, Carlos Moedas, Fernando Medina, além de outras figuras de diferentes sectores, desde logo dirigentes das grandes empresas como a presidente-executiva da TAP, o presidente da GALP, o CEO da EDP.

O conteúdo educacional do WebSummit, masterclasses informativas e mesas redondas inovadoras estão dando habilidades valiosas aos participantes. O WebSummit “atrai uma lista diversificada de palestrantes de classe mundial e facilita o conteúdo que inspira e capacita os participantes”.

Os bilhetes para o WebSummit 2023 já estão disponíveis no site oficial do Summit.

Vir a encontrar-se connosco na Portugal Smart Cities Summit 11-13 Outubro, FIL - Parque das Nações - Pavilhão 04 - Stand 4A04.

O Conceito “Smart Cities” abrange mais do que a mobilidade, as plataformas digitais ou a sustentabilidade. O objectivo fundamental de uma Smart City é a incorporação de todas estas áreas a fim de melhorar a vida dos cidadãos no mundo. O PORTUGAL SMART CITIES SUMMIT é o local de convergência e o marketplace físico de criação de oportunidades para o mercado nacional e internacional.

Oportunidades ligadas à investigação e à educação que proporcionam a criação de negócios nos mais diversos sectores. Oportunidades para reflectir sobre o futuro da organização das cidades no mundo.

As empresas de hoje precisam de uma enorme quantidade de informações, análises e estudos de mercado para tomarem as melhores decisões possíveis.

As habilidades mais cruciais para o mercado de trabalho de hoje são as digitais e exigem requalificação constante. O Fórum Económico Mundial estima que até 2022 pelo menos 54% de todos os trabalhadores precisarão atualizar os seus conhecimentos digitais.

As organizações usam ferramentas de IA em maior escala para permitir a análise de dados e prever o futuro para processos eficientes de tomada de decisão. Um estudo da PwC descobriu que 86% das pessoas consideram a IA uma tecnologia comum. Isso ocorre porque as ferramentas de IA se tornaram uma força motriz para avanços técnicos, incluindo Machine Learning (ML), Predictive Analytics, Natural Language Processing (NLP), Data Labeling e muito mais. (see the concepts in our library/Artificial Intelligence – General Description)

Toda a empresa pode beneficiar do uso de ferramentas de IA para aumentar as suas receitaa; por exemplo, pode ajudar as organizações a encontrar os seus pontos fracos e a fazer previsões precisas sobre concorrentes, tendências de mercado e perspectivas. A tomada de decisão da IA é superior à tomada de decisão humana, pois é desprovida de preconceito e emoção.

Cientistas do Instituto de Tecnologia de Tóquio, em vez de prever o cheiro a partir de dados moleculares, desenvolveram o método que prevê características moleculares com base na impressão do odor. Isso é alcançado usando dados de espectro de massa padrão e modelos de Machine Learning. ML (see concept in our library/Machine Learning – General Description)

Os espectros de massa de misturas de odor são obtidos por uma combinação linear dos espectros de massa de componentes individuais. Este método simples permite a preparação rápida dos espectros previstos de misturas de odor e também pode prever a proporção de mistura necessária, uma parte importante da receita para a preparação de novos odores.

Este novo método descrito neste estudo pode fornecer previsões altamente precisas das propriedades físico-químicas de misturas de odor, bem como as proporções de mistura necessárias para prepará-las, abrindo assim a porta para infinitas fragrâncias feitas sob medida.

Também estaria interessada nas indústrias de alimentos, saúde, beleza e bem-estar, onde odores e fragrâncias são de grande interesse.

A ferramenta em questão é uma rede neural, uma série de algoritmos conectados que imitam o funcionamento do cérebro humano, capazes de avaliar se alguém tem Parkinson a partir de sua respiração noturna – ou seja, padrões respiratórios que ocorrem durante o sono.

Ao longo dos anos, os pesquisadores investigaram o potencial de detecção de Parkinson usando líquido cefalorraquidiano e neuroimagem, mas esses métodos são invasivos, caros e exigem acesso a centros médicos especializados, tornando-os inadequados para testes frequentes que possam fornecer diagnóstico precoce ou rastreamento contínuo de progressão da doença.

Os pesquisadores demonstraram que a avaliação de Parkinson, via inteligência artificial, pode ser feita todas as noites em casa enquanto a pessoa dorme e sem tocar no corpo.

Este estudo é provavelmente um dos maiores estudos sobre o sono já realizados no Parkinson.

Os datawarehouses são amplamente utilizados por organizações de todos os tamanhos e atualmente, uma das grandes decisões para uma organização, é decidir por implementar localmente ou na nuvem. Ambas as formas têm suas vantagens e desvantagens.

Um datawarehouse corporativo armazena dados de todas as operações de negócios de uma organização em uma única plataforma centralizada, que é tratada pelo administrador interno e pela equipe de TI.

Um grande desafio para datawarehouses locais é a necessidade de implementar um ambiente de computação de hardware e software, enquanto que um dos benefícios em nuvem é que o fornecedor assume a responsabilidade pela arquitetura subjacente.

O custo de implementação e suporte de um sistema de datawarehouse em um data center local geralmente será muito maior do que alugar ae um provedor de nuvem com pagamentos baseados na utilização, mas os datawarehouses em nuvem também podem representar alguns desafios para as organizações e exigir mudanças nos processos de TI.

Este artigo traz-nos mais detalhes sobre as vantagens e desvantagens das duas abordagens em algumas áreas-chave.

Os casos de uso de IA/ML na cadeia de suprimento ajudam comerciantes, fornecedores e distribuidores a impulsionar as mudanças transformacionais que são tão necessárias hoje. O Machine Learning oferece valor sem precedentes às operações da cadeia de suprimento: desde economia de custos por meio de despesas operacionais reduzidas e mitigação de riscos, até previsão aprimorada da cadeia de suprimento, entregas rápidas e atendimento ao cliente aprimorado, para citar alguns. O Machine Learning também fornece insights sobre onde a automação pode oferecer as vantagens de escala mais significativas.

Alguns casos de uso de IA no SCM:

-Prever o comportamento do cliente

-Ajudar na previsão da procura

-Evitar riscos de recuo

-Armazéns inteligentes

-Identificar questões de qualidade nas linhas de produção em fases iniciais, etc.

O custo médio de um recall de alimentos devido à contaminação bacteriana ou microbiana é de US$ 10 milhões. A IA pode ajudar a otimizar os sistemas atuais usados ​​na indústria de processamento de alimentos.

O poder da IA ​​e do Machine Learning é a capacidade preditiva e pode ajudar a indústria alimentar a tomar medidas mais cedo para reduzir a ocorrência de doenças transmitidas por alimentos em suas operações.

A ideia é fazer com que as máquinas pensem como o cérebro humano, para que os erros e ineficiências atuais da intervenção humana – que às vezes podem comprometer a segurança alimentar – possam ser previstos pela IA e, finalmente, diminuídos ou eliminados.

Outra aplicação promissora é usar a IA para analisar os dados comportamentais de trabalhadores humanos na linha de processamento. Na prática, isso pode significar que os trabalhadores preencham uma rápida pesquisa semanal online sobre a cultura do local de trabalho. O processamento de linguagem natural seria então usado para analisar suas respostas e criar uma medida quantitativa da cultura de segurança alimentar. A empresa poderia prever a probabilidade de problemas de segurança alimentar observando as tendências na cultura de segurança alimentar e combinando-as com outros dados relacionados à segurança alimentar e tomando medidas oportunas para reduzir a chance de um surto.

Com a IA a avançar a uma taxa exponencial, tornou-se possível para as empresas usar a inteligência artificial para obter informações valiosas sobre os seus clientes. Em particular, os avanços na inteligência artificial estão a levar a uma maior eficiência no atendimento ao cliente em diferentes vértices do setor.

A Machine Learning e os sistemas de resposta de voz interativa baseados em IA criaram um novo paradigma para o que os clientes e os agentes de atendimento ao cliente podem esperar dessas tecnologias. Quando aplicada corretamente, a inteligência artificial melhorará a experiência do cliente de várias maneiras, desde a identificação de seus interesses, passando pela análise de sentimentos, até à recolha de dados sobre suas preferências.

No curto prazo a AiTecServ lançará a solução AIsense baseada nesta tecnologia.

NLP (see concept in our library/artificial intelligence – Natural Language Processing/Common Tasks)

Duas das tecnologias mais inovadoras e disruptivas em uso atualmente são a ciência de dados e a blockchain. A ciência de dados examina e explica os dados não processados para compreender como um sistema funciona enquanto a tecnologia blockchain é um método de ponta para registrar transações e armazenar dados financeiros. Essas duas ideias foram usadas para criar avanços surpreendentes em vários campos, incluindo bancos e desenvolvimento de software.

Possibilidades de Blockchain importantes para a ciência de dados:

-Ativa o rastreamento de dados

-A capacidade de análise em tempo real

-Garante a precisão dos dados

-Diminui a dificuldade de troca de dados

-Constrói confiança

-Melhora a integridade dos dados

Os dados são a base da tecnologia blockchain.

A nova plataforma, alegadamente, permite que os cientistas e os engenheiros de software da Vodafone, reduzam o tempo da prova de conceito para a produção de cinco meses para apenas quatro semanas.

A Vodafone destacou quatro características chave do AI Booster:

-Atividades de conformidade do ciclo de vida de ML automatizadas (deteção de deriva/distorção, explicabilidade, auditabilidade, etc.) através de pipelines, contentores e serviços reutilizáveis.

-Segurança incorporada por design.

-Aproveita a ferramenta ML nativa do Google utilizando BQML, AutoML, Vertex AI e outros.

-Impulsionar a adoção através de modelos ML padronizados e incorporados.

O sistema de IA consiste em um sensor na bola que transmite a sua posição no campo 500 vezes por segundo e 12 câmeras de rastreamento montadas sob o teto dos estádios, que usam modelos de Machine Learning para rastrear 29 pontos no corpo dos jogadores.

O software combinará esses dados para gerar alertas automatizados quando os jogadores cometerem infrações de fora de jogo. Alertas serão enviados aos oficiais em uma sala de controle próxima, que validarão a decisão e informarão o árbitros em campo sobre a decisão a tomar.

A FIFA afirma que esse processo acontecerá “dentro de alguns segundos e significa que as decisões de fora de jogo podem ser tomadas com maior rapidez e precisão”. Os dados gerados pelas câmeras e pela bola também serão usados para criar animações automatizadas, que podem ser reproduzidas nas telas do estádio e em transmissões de TV “para informar todos os espectadores da maneira mais clara possível” do motivo da decisão.

O campeonato do Mundo de 2022 acontecerá no Qatar, tornando-se o primeiro campeonato do Mundo a ser realizado em um país árabe. Para compensar o calor do Qatar, o torneio será realizado de novembro a dezembro, em vez de no verão, como é tradição.

As universidades criaram uma ferramenta que mede o uso de eletricidade de qualquer programa de Machine Learning. Com ele, os utilizadores do Azure que construem novos modelos podem ver a eletricidade total consumida por unidades de processamento gráficos (GPUs)—de chips especializados na execução de cálculos em paralelo — durante todas as fases do seu projeto, desde a seleção de um modelo até à sua formação e a sua utilização. É o primeiro grande fornecedor de nuvem a dar aos utilizadores acesso a informações sobre o impacto energético dos seus programas de Machine Learning.

A nova ferramenta Azure, que estreou em outubro, reporta atualmente o consumo de energia, não as emissões. Então, agora os investigadores descobriram como mapear o uso de energia para as emissões, e apresentaram artigo sobre esse trabalho na FAccT, uma grande conferência de ciências de computação, no final de junho. Os investigadores usaram um serviço chamado Watttime para estimar as emissões com base nos códigos postais dos servidores em nuvem que executam 11 modelos de Machine Learning.

Eles descobriram que as emissões podem ser significativamente reduzidas se os investigadores usarem servidores em locais geográficos específicos e em determinadas horas do dia. As emissões provenientes do treinamento de pequenos modelos de Machine Learning podem ser reduzidas até 80% se o treino de modelos começar nos momentos em que há mais eletricidade renovável disponível na rede, enquanto as emissões de grandes modelos podem ser reduzidas em mais de 20% se o trabalho de treinamento for interrompido quando a eletricidade renovável é escassa e reiniciada quando é mais abundante.

Aqui estão algumas das melhores ferramentas de Deep Learning. Embora esta lista não seja exaustiva! Existem mais ferramentas de Deep Learning no mercado, mas estas são as que são mais utilizadas.

1. H2O.ai

H2O é uma ferramenta de Deep Learning que foi construída de raiz em Java e segue uma integração perfeita com outros produtos de código aberto como Apache Hadoop e Spark. Tem uma UI web fácil de usar e é massivamente escalável na análise de big data.

2. TensorFlow

TensorFlow é uma ferramenta de Deep Learning que foi escrita em C++ e CUDA altamente otimizados (linguagem da Nvidia para programação de GPUs) e fornece uma interface para idiomas como Python, Java, Go. É uma biblioteca de código aberto que foi desenvolvida pela gigante tecnológica Google para o bom funcionamento de aplicações de Deep Learning.

O TensorFlow torna bastante fácil para principiantes e até especialistas criar modelos de machine learning para telemóveis, web, desktop e cloud.

3. Keras

Keras é uma API de rede neural de alto nível que é capaz de funcionar em cima de TensorFlow ou Theano. Está escrito em Python e foi desenvolvido principalmente para permitir uma experimentação mais rápida. A biblioteca de Deep Learning Keras permite ao utilizador uma prototipagem mais fácil e rápida com o uso de modularidade, minimalismo e fácil extensibilidade.

4. Caffe

Caffe é uma ferramenta de Deep Learning cuja estrutura é construída com expressão, velocidade e modularidade em consideração. Desenvolvido pela Berkeley AI Research (BAIR)/O Berkeley Vision and Learning Center (BVLC) e colaboradores da comunidade, é também uma ferramenta de Deep Learning de código aberto.

5. DeepLearningKit

DeepLearningKit é uma ferramenta de Deep Learning de código aberto para iOS da Apple, OS X, tvOS, etc. A principal ideia por trás da sua criação foi apoiar modelos pré-treinados em todos os dispositivos da Apple que tenham uma GPU. Esta ferramenta de Deep Learning é desenvolvida em Swift e pode ser usada na GPU do dispositivo para realizar cálculos de Deep Learning de baixa latência. O DeepLearningKit também suporta redes neuronais convolutionais. A sua visão é apoiar outras ferramentas de Deep Learning como a Torch e a TensorFlow.

6. Torch

Torch é um programa de código aberto eficiente que usa uma linguagem de script LuaJIT e implementação C/CUDA. Se estiver a utilizar esta ferramenta de Deep Learning, poderá tirar partido das suas poderosas funcionalidades como: múltiplas rotinas para indexar, transpor, cortar, uma interface incrível para C viaJIT Lua, rede neural. Oferece suporte GPU rápido e eficiente e é facilmente incorporado facilitando o trabalho com iOS, Android, FPGA.

7. Theano

Theano é uma biblioteca python que é usada para avaliar operações matemáticas, incluindo matrizes multidimensionais. É usado principalmente na construção de projetos de Deep Learning e é muito mais rápido numa GPU do que num CPU. Com a sua utilização, é possível atingir a velocidade que rivaliza com implementações C auto-feitas para problemas que envolvem grandes quantidades de dados.

O AutoML (Machine Learning Automatizado) automatiza determinados componentes-chave do pipeline de aprendizagem de máquina. Alguns aspectos do pipeline de aprendizagem de máquina são automatizados usando ferrmentas de AutoML como: TPOT, Auto-Sklearn, AutoViML, AutoKeras e muitos mais.

As grandes vantagens do AutoML são: Acessibilidade, Eficiência, Menos Erros, Economia de Custos, Atender às Demandas da Indústria.

Mas os trabalhos de ciência de dados não serão eliminados por muitas razões.

1.Embora os AutoMLs sejam capazes de selecionar modelos na maioria dos casos, eles ainda são incapazes de realizar a maior parte do trabalho de um Cientista de Dados. Ainda é exigido que os cientistas/analistas de dados apliquem seus conhecimentos de domínio para desenvolver recursos e informações mais significativos que afetem o resultado pretendido (Engenharia de Recursos).

2.O AutoML não substituirá a maioria das profissões de ciência de dados; em vez disso, ajudará os especialistas a concluir suas tarefas mais rapidamente.

3.As máquinas não são inteligentes o suficiente e os algoritmos frequentemente não conseguem generalizar e compreender o contexto de um problema.

4.Embora o AutoML nos possa ajudar a encontrar um bom modelo para um problema específico, ele não pode criar uma nova abordagem, que é frequentemente necessária para desafios emergentes do mundo real.

O AutoML continuará a crescer em popularidade. Certos deveres quase certamente serão mecanizados e certas responsabilidades quase certamente serão eliminadas. Como um modelo de aprendizagem profundo tem muitos parâmetros, a estrutura do AutoML pode acelerar o trabalho de um cientista de dados e fornecer o modelo ideal em menos tempo.

À medida que as empresas fazem migração para a cloud, estão a afastar-se das suas antigas tecnologias de armazenamento de dados locais para estas novas plataformas de dados na nuvem. A transformação é uma enorme mudança na gestão de dados e tem implicações profundas para as empresas.

As empresas exigem um forte conhecimento de arquiteturas na nuvem, data lakes, opções de armazenamento e modelos de subscrição em nuvem para fazer escolhas tecnológicas. Os fornecedores de soluções de armazenamento de dados em nuvem integraram a ciência de dados e as ferramentas analíticas, acolhidas diretamente dentro das suas ofertas de armazéns de dados. As empresas que se deslocam para a nuvem devem considerar estas tendências:

-iPaaS (Plataforma de Integração como serviço) para integração

-NoSQL para Big Data

-Data Marts para acesso rápido a dados

-Armazenamento de colunas para consulta analítica avançada

-AUTOMATIZAÇÃO DW para implantação do Código

A migração em nuvem de armazéns de dados traz todos os benefícios da agilidade, custo, eficácia, escalabilidade e desempenho. Com a automatização de armazéns de dados em nuvem, a sua equipa pode rapidamente acompanhar novos projetos de infraestrutura e migração e aumentar as capacidades de desenvolvimento e operações. Esta é a melhor maneira de maximizar o retorno da sua organização no investimento em nuvem.

Um novo software baseado no conceito de Machine Learning que ajuda os condutores a encontrar lugares de estacionamento também incentivará os condutores a cooperarem com as câmaras municipais na sua busca de manter a poluição dentro dos limites seguros em centros urbanos movimentados, como parte de um programa de longo alcance projetado para reduzir o ar tóxico nos centros da cidade.

O novo projeto utilizará a mais recente tecnologia de IA para criar serviços que permitam às autoridades locais analisar grandes quantidades de dados sobre o comportamento do condutor e controlar melhor os padrões de viagem locais.

Imagine que está a viajar para a cidade numa quinta-feira de manhã e sem que saiba, o seu carro é o único motor que aciona a cidade para ultrapassar o nível de poluição permitido, resultando numa grande multa para o governo local. Agora imagine que, em vez disso acontecer, recebe uma sugestão para estacionar em outro lugar, melhor, e é-lhe emitido um lugar de estacionamento gratuito. Também lhe é mostrada uma rota de baixo tráfego para o seu lugar de estacionamento gratuito.Todo o serviço seria adaptado às suas necessidades individuais, ajudando também a objetivos líquidos zero.

Constituirá uma parte intrínseca da estratégia de desenvolvimento de software para o futuro, permitindo expandir as capacidades e, mais importante, reduzir a poluição e gerir a oferta e a procura de mobilidade em tempo real.

Esta é uma lista de livros, realizada pelo Instituto de Marketing IA, para entender como a inteligência artificial está a mudar a vida, os negócios e o mundo.

Os livros estão listados de acordo com uma "faixa de leitura" dependendo do que você pode estar procurando alcançar com IA.

Genius Makers: The Mavericks Who Brought AI to Google, Facebook, and the World

Prediction Machines: The Simple Economics of Artificial Intelligence

You Look Like a Thing and I Love You: How Artificial Intelligence Works and Why It's Making the World a Weirder Place

Marketing Artificial Intelligence: AI, Marketing, and the Future of Business

The Algorithmic Leader: How to Be Smart When Machines Are Smarter Than You

The AI Marketing Canvas: A Five Stage Roadmap to Implementing Artificial Intelligence in Marketing

The AI-Powered Enterprise: Harness the Power of Ontologies to Make Your Business Smarter, Faster, and More Profitable

The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies

Applied Artificial Intelligence: A Handbook for Business Leaders

Voice Strategy: Creating Useful & Usable Voice Experiences

Human + Machine: Reimagining Work in the Age of AI

Artificial Intelligence: A Modern Approach

The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World

O sistema usa métedos de Deep Learning (ver conceito na nossa biblioteca /artificial intelligence – Computer vision/Some Concepts), lê imagens de câmaras ao vivo e adapta as luzes para compensar, mantendo o tráfego fluído e reduzindo o congestionamento.

Em testes, o sistema superou significativamente todos os outros métodos, que normalmente dependem de transições de fase manualmente concebidas. Como a IA "vê" um elevado volume de tráfego antes dos carros passarem pelos semáforos e tomar a sua decisão, torna-se então mais responsivo e pode reagir mais rapidamente.

O programa pode ser configurado para visualizar qualquer junção de tráfego - real ou simulada - e aprender de forma autónoma. O sistema de recompensas pode ser manipulado, por exemplo, para incentivar o programa a permitir que os veículos de emergência passem rapidamente. Mas o programa ensina-se sempre a si próprio, em vez de ser programado com instruções específicas.

Os investigadores esperam começar a testar o seu sistema em estradas reais este ano.

O machine learning está a fazer grandes progressos nos cuidados de saúde para garantir que os pacientes obtém os melhores serviços. 9 áreas principais:

-Medicina de precisão e personalização dos cuidados de saúde

-Pedidos de categorização

-Analisar imagens (Imagiologia)

-Sinistros e administração de pagamentos

-Outros processos administrativos

-Previsão e política de saúde

-Registos sanitários eletrónicos

-Diagnóstico e tratamento

-Desenvolvimento de drogas

Os resultados a longo prazo poderão incluir uma melhor qualidade dos cuidados de saúde e um sistema de saúde mais eficiente e rentável, que irá beneficiar doentes, prestadores, seguradoras, reguladores e decisores políticos.

Os supercomputadores ajudam os investigadores a estudar as causas e os efeitos - geralmente nessa ordem - de fenómenos complexos. No entanto, os cientistas ocasionalmente precisam deduzir as origens de fenómenos científicos com base em resultados observáveis. Estes denominados problemas inversos são notoriamente difíceis de resolver, especialmente quando a quantidade de dados a serem analisados ultrapassa as ferramentas tradicionais de aprendizagem automática.

Para reduzir a comunicação de coordenador-trabalhador, que muitas vezes envolve repetir os mesmos pedidos várias vezes, a equipa introduziu uma cache de resposta que armazena os metadados de cada pedido. A primeira das novas estratégias foi esta abordagem de caching, que permite reconhecer e calcular automaticamente pedidos familiares.

A segunda nova técnica envolve agrupar as operações matemáticas de vários modelos DNN, que simplifica tarefas e melhora a eficiência de escala - o número total de imagens processadas por etapa de treino - tirando partido das semelhanças nos cálculos de cada modelo. Este processo também leva a melhorias significativas no uso da energia.

Ao agrupar estrategicamente estes modelos, a equipa pretende eventualmente formar um único modelo em várias GPUs e obter a mesma eficiência obtida ao treinar um modelo por GPU.

Muitas empresas não sabem como iniciar o seu caminho na IA. Mas agora a indústria de IA faz da qualidade dos dados uma prioridade, dado que a IA não poderá prosperar quando não é de confiança. A IA explicativa (XAI) é uma solução parcial para o problema. XAI é uma inteligência artificial na qual os resultados da solução podem ser entendidos pelos humanos.

Então, o que se espera:

-um grande número de aquisições de startups especializadas em geração de dados sintéticos;

-muitas empresas incorporarão sem problemas a IA no seu trabalho;

-migração da IA da nuvem para a borda acelerará;

-input humano para conduzir a decisões de IA mais úteis;

-as empresas favorecerão soluções de IA que evitem o bloqueio;

-os chatbots ficarão muito mais perto de oferecer uma experiência humana.

Algoritmos de Deep Learning para prever com precisão como as mudanças nas medições podem indicar próximos terramotos - uma tarefa que tem confundido especialistas durante séculos.

Os algoritmos de Deep Learning são particularmente úteis para a monitorização de terramotos porque permitem retirar esse tarefa aos sismólogos.

O deep-learning pode tornar o processo de previsão mais rápido e mais preciso, ajudando a processar grandes volumes de dados. O modelo deteta terramotos que previamente teriam sido rejeitados como vibrações geradas pelo homem.

Num estudo de Machine Learning na industria de manufatura 2022, o panorama da indústria está coberto de fatores condutores para mercados a montante e o estado geral do mercado. Foi fornecida uma análise aprofundada das perspetivas globais de crescimento para o mercado global e regional, baseada numa análise aprofundada dos principais intervenientes no sector, nos dados primários e secundários.

O relatório contém análises das empresas Intel, IBM, Siemens, GE, Google, Microsoft, Micron Technology, Amazon Web Services (AWS), Nvidia, Sight Machine com 114 Páginas Report.

Machine Learning no fabrico pode ser usado no controlo de qualidade visual. Aproveitar o poder do reconhecimento de imagem e da aprendizagem profunda pode reduzir significativamente o custo do controlo de qualidade visual, ao mesmo tempo que aumenta a eficiência global do processo.

Os analistas atualmente usam a inteligência artificial para distinguir os exemplos ambientais e epidemiológicos que levam a flagelos para prever surtos antes que eles ocorram. Modelos numéricos e IA podem fornecer enormes medidas de informações para obter dicas sobre uma provável fonte de contaminação. E ajudar na prevenção da propagação de doenças através da IA.

Dificuldades extraordinárias exigem dispositivos incríveis. Além disso, na realidade, como a conhecemos, onde uma infecção, por exemplo, SARS-CoV-2 teve um enorme efeito mundial é simplesmente uma questão de meses, sua complexidade e velocidade exigem novas estratégias para rastrear arranjos. Tipos progressivos de consciência feita pelo homem (inteligência feita pelo homem) estão assumindo agora uma parte básica em nossos esforços de combate à pandemia, e devem assumir uma parte inexoravelmente fundamental no conflito contra a infecção irresistível mais tarde.

Vemos a inteligência simulada impulsionando nossas irresistíveis habilidades de luta contra a doença nos aspectos que a acompanham:

• Determinação
• Bem-estar
• Tratamento
• Alívio

A primeira publicação digital e impressa do mundo com foco em IA, Big Data e Analytics classifica os 10 principais livros de Machine Learning para gestores. O Analytics Insight reuniu extensos guias, estudos acadêmicos, leituras rápidas e até mesmo exemplares com menções econômicas e políticas, como a ascensão dos gigantes da tecnologia da China, o Alibaba. Há também insights de marketing e exemplos da vida real de empreendedores de sucesso.

.1 Applied Artificial Intelligence: A Handbook for Business Leaders-
.2 Artificial Intelligence and Machine Learning for Business: A No-Nonsense Guide to Data-Driven Technologies-
.3 AI Superpowers: China, Silicon Valley, and the New World Order-
.4 Artificial Intelligence: The Insights You Need from Harvard Business Review-
.5 The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World-
.6 Artificial Intelligence and Machine Learning for Business-
.7 AI for People and Business-
.8 Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions-
.9 Artificial Intelligence for Marketing: Practical Applications-
.10 The Algorithmic Leader: How to Be Smart When Machines Are Smarter Than You-

No artigo, o autor explica as origens, detalha e exemplifica o processo de uma aplicação de deep learning: a convolutional neural network (CNN) (CNN) que ajuda os computadores a detectar objetos. Além disso, ele cobre brevemente as variações, como a Region-based Convolutional Neural Network (R-CNN), Fast R-CNN e Faster R-CNN. Para finalizar, o especialista cita o estudo mais recente sobre o assunto: You Only Look Once (YOLO).

Os pioneiros do Deep Learning Yoshua Bengio, Geoffrey Hinton e Yann LeCun discutem um futuro no qual esses modelos de Deep Learning podem aprender com pouca ou nenhuma ajuda humana. Deep Learning pode ser definido como redes neurais artificiais que imitam a funcionalidade do cérebro.

Os especialistas destacam também alguns subconjuntos, como Supervised, Reinforcement, Contrastive e do System 2 learning, junto de prós e contras. As considerações foram publicadas este mês no artigo “Deep Learning for AI”, na sessão de Communications do jornal da ACM.

O autor reúne vários exemplos de como a Inteligência Artificial ajudou a otimizar o transporte de vacinas durante a pandemia de Covid-19 nos Estados Unidos. Alguns deles ajudaram a aumentar a eficiência do combustível, rastreando o comportamento dos motoristas e prevendo o tráfego terrestre ou aéreo, usando dados históricos para estimar o tempo do trajeto em locais específicos. Cita ainda que a AI possibilitou a monitorazação da temperatura da vacina durante todo o tempo de entrega, por meio do Bluetooth.