LLVM é um conjunto de bibliotecas e ferramentas que facilitam o desenvolvimento de linguagens de programação. Várias linguagens populares hoje são construídas e compiladas via LLVM: C, C++, Rust e Julia, por exemplo. LLVM define uma representação intermediária de código (uma linguagem de montagem). Ao traduzir uma linguagem de alto nível para este código intermediário, tem-se acesso a uma vasta gama de análises estáticas e otimizações que já estão disponíveis em LLVM. Nessa palestra veremos como usar LLVM como uma ferramenta para compilar e visualizar programas, escreveremos código na representação intermediária, e desenvolveremos uma análise de código que pode ser acoplada àquela infraestrutura.
A eficácia irrazoável da ciência dos dados
Há três fatores responsáveis pela revolução trazia pela inteligência artificial: (1) o constante aumento na capacidade computacional; (2) a acumulação de grandes volumes de dados gerando insights e possibilitando a criação de produtos orientados por dados; (3) o desenvolvimento da teoria de aprendizado estatístico e seus algoritmos. Este alinhamento de planetas permitiu um grande sucesso em tarefas desafiadoras, como o desenvolvimento de assistentes virtuais e chatbots, carros autônomos, tradução automática entre idiomas e a detecção precoce de anomalias não especificadas nos sinais vitais. Nesta apresentação, vou fornecer uma visão geral desses desenvolvimentos a partir de uma perspectiva histórica, concentrando-me na contribuição trazida pela Probabilidade e Estatística. Ilustrarei esta apresentação com exemplos de minha própria pesquisa.
Árvore da Ciência: Uma Plataforma para Exploração da Genealogia Acadêmica Brasileira
Identificar e estudar a formação de pesquisadores ao longo dos anos é uma tarefa desafiadora, uma vez que os atuais repositórios de teses e dissertações são catalogados de forma descentralizada em diferentes bibliotecas digitais. Neste projeto, foi realizado um esforço visando a construção de um grande repositório para registro da genealogia acadêmica brasileira. Para isso, foram coletados dados da plataforma Lattes do CNPq, a partir dos quais foi desenvolvida uma ferramenta de busca voltada a usuários finais que permite gerar as árvores genealógicas acadêmicas dos pesquisadores brasileiros a partir dos dados coletados, fornecendo também dados adicionais sobre as principais propriedades dessas árvores que possibilitam identificar aspectos relevantes relacionados à trajetória acadêmica dos pesquisadores brasileiros.
Tecnologia Assistiva para Apoio à Comunicação entre Surdos e Ouvintes no Contexto de Saúde
A palestra terá por objetivo mostrar os desafios vivenciados por surdos no contexto específico de comunicação durante uma consulta médica e discutir a solução de tecnologia sendo desenvolvida no Projeto Captar-Libras para este contexto.
Aprendizado de Máquina para Entendimento e Geração de Músicas
Aprendizado de Máquina consiste de uma área de conhecimento focada no uso e desenvolvimento de técnicas computacionais e estatísticas que automatizam a criação de modelos analíticos. Isto é, em vez de serem programados explicitamente para realizar uma tarefa, os sistemas de aprendizado de máquina usam dados para construir modelos que ou realizam inferência em dados históricos ou tomam decisões com base em tais dados históricos. Nessa palestra, vamos entender como Aprendizado de Máquina pode ser utilizado para tarefas de enfâse musical. Em particular, vamos explorar tarefas como reconhecimento de acordes e geração automática de músicas. A palestra terá um viés introdutório, trazendo assim uma visão mais ampla de como o Aprendizado e Máquina pode fazer uso de dados Musicais.
Quer saber como o “mundo gira”? Entenda a mobilidade!
A mobilidade tem um papel central nas diversas atividades relacionadas que fazemos, principalmente no trabalho, comércio, indústria e lazer. O estudo da mobilidade para diferentes finalidades (e.g., econômicas, serviços públicos, estudo acadêmico) deve ser feito de forma sistemática já que do ponto de vista científico é a questão mais fundamental a ser investigada para, a partir daí, usarmos essas soluções em diferentes cenários. Esta palestra irá discutir a mobilidade a partir do estudo de traços de mobilidade (mobility traces) e as questões associadas nesse estudo.
IA responsável em saúde
ChatGPT – Candidato 3
1) Print screen da interação com o problema
2) Qual o tipo de erro?
Erro de precisão (e.g., informação errada ou desatualizada)
3) Por que você acha que o ChatGPT cometeu esse erro?
“Falta de treino para entender que talvez dentro de um contexto dado pode ter outros contextos internos. mão é diferente de pé . ele entende que o corpo possuem membros que podem ter dedos, no caso em questão seriam duas mãos e dois pés , já que a informação dada é que possuo todos os membros do corpo.“
4) Qual sugestão você daria para que o problema fosse solucionado? (a solução não precisa ser técnica em termos de modelos, etc.)
“treinar o chatGPT para que entenda múltiplos contextos relacionados ao corpo humano, como : mão e pés possuem dedos. Assim ao ele dar a resposta consiga diferenciar que dentro do resultado seriam 20 dedos no total sendo 5 dedos em cada uma das mãos e 5 dedos em cada um dos pés“
ChatGPT – Candidato 4
1) Print screen da interação com o problema
2) Qual o tipo de erro?
“Erro de precisão”
3) Por que você acha que o ChatGPT cometeu esse erro?
“Provavelmente devido a erros no processamento da informação ou na interpretação da pergunta, já que a base de dados dele é muito extensa e ele pode ter associados informações de uma forma equivocada.“
4) Qual sugestão você daria para que o problema fosse solucionado? (a solução não precisa ser técnica em termos de modelos, etc.)
“Ele precisa ser treinado continuamente com informações atualizadas e precisas. Além disso, a validação de fontes confiáveis e a verificação cruzada de informações podem ajudar a garantir que as respostas sejam precisas. Todas as repostas dadas pelas IAs são feitas com base nos dados disponiveis em sua base. Além disso, ele precisa melhorar a interpretação das perguntas.“
ChatGPT – Candidato 5
1) Print screen da interação com o problema
2) Qual o tipo de erro?
“Alucinação” (informação inventada pelo ChatGPT sem respaldo na realidade)
3) Por que você acha que o ChatGPT cometeu esse erro?
“o comportamento do chat demonstra discriminação de regionalidade e renda em respeito ao critério da inteligência de um cientista, favorecendo europeus, americanos, australianos e asiáticos ricos. Isso é um exemplo claro de código que infringe a ética na computação, se usado em qualquer aplicação prática.“
4) Qual sugestão você daria para que o problema fosse solucionado? (a solução não precisa ser técnica em termos de modelos, etc.)
“modelo de linguagem do chat possivelmente cometeu este erro pois sua base de ar dados tem viés quando se refere a cientistas famosos e considerados “inteligentes”. Cabe então ao órgão gerador da empresa artificial cuidar para que sua base de dados reflete de forma mais neutra e não enviesada a realidade”