Mikaeri Ohana | Da Explicami ao Futuro da IA

Send us a text

 PODCAFÉ TECH | Com Mikaeri Ohana (Explicami) 

Neste episódio, recebemos Mikaeri Ohana, criadora do Explicami, um dos maiores projetos de divulgação científica em ciência de dados e inteligência artificial no Brasil. Antes mesmo da febre do ChatGPT, Mikaeri já criava conteúdos acessíveis que ajudavam milhares de pessoas a entrar no universo da IA. 
Hoje, além de produtora de conteúdo, ela é cientista de dados em multinacional, pesquisadora de mestrado na Unicamp e referência premiada pelo Google, Microsoft e LinkedIn. 

☕ Falamos sobre: 

Como nasceu o Explicami e a missão de democratizar a ciência de dados 🌍 

O boom da IA e o impacto do ChatGPT 📈 

O papel da educação e da comunidade para quebrar barreiras de entrada 🎓 

Rotina de pesquisadora, criadora de conteúdo e cientista de dados ⚡ 

Como lidar com críticas e se expor aprendendo em público 💬 

O futuro da IA e como começar nessa área hoje mesmo 🚀 


💡 “Compartilhar enquanto aprende é um ato de coragem — e transformação de coletiva.” –Mikaeri Ohana

PodCafé Tech é um podcast onde Mr Anderson, Guilherme Gomes e Dyogo Junqueira, recebem convidados para falar de uma forma descontraída sobre Tecnologia, Segurança e muito mais.

YouTube: youtube.com/@podcafetech

Instagram: instagram.com/podcafetech

Linkedin: linkedin.com/company/podcafe

Episode Transcript

Speaker 1 (00:18):
Música.
Muito bem, muito bem, muito bem.
Estamos começando mais umPodcafé, tech Podcast,
tecnologia e cafeína.
Meu nome é Anderson Fonseca, eusou o Mr Anderson, e hoje você
vai descobrir que a IA aprendecom seus próprios erros E você.

Speaker 2 (00:39):
Vamos que vamos Aqui é Guilherme Gomes da CS Pro E o
Anderson agora tá filósofo.

Speaker 3 (00:47):
Diego Junqueira, ceo da CS Pro, da C-Cyber Pro.
Pra nós é um prazer receber ela, nossa amiga tá famosíssima,
andando pra todo lado aí.
Quem não segue vai seguir.

Speaker 4 (00:56):
Vou deixar ela mesmo se apresentar gente, é um prazer
imenso estar aqui com vocês.
Obrigada pelo convite.
A última vez foi online, néprimeira vez agora gravando
presencial.
Super empolgada por falar demuita AI por aqui.
Eu sou a Mikari Ohana.
Eu sou criadora de conteúdo noExplicame, onde a gente
democratiza a ciência de dados eIA há bastante tempo antes do

(01:17):
chat de EPT ele existir.
Eu sou de gerente de dados IAnuma multinacional CIT.
Faço mestrado na Unicamp naciência da computação com foco
em inteligência artificial,premiada pelo Google, microsoft
e LinkedIn também pelas minhascontribuições, e super animada
pra gente bater muito papo poraqui.

Speaker 3 (01:38):
É, você viu a apresentação?
ainda brincadeira.
não, isso é só a headline dela.
velho Vai brincando.
Pensa bem vai brincando, cara,eu sigo ela e tem hora que eu
penso que hora que ela tem vida,né Um pouco a gente vai entrar
nesse tema, mas antes temlojinha, mr Nessa Tem lojinha.

Speaker 1 (01:50):
Vamos lá, você, nosso ouvinte, que há anos pede
camiseta, caneca e tudo mais, opessoal, né Caraquinha e tal.
Muito bem, acesse agorapodcafétech igual tá aqui E se
você não sabe escrever tech.

Speaker 2 (02:09):
Tira essa camisa que você não é de TI entendeu Porque
não é possível escrever techNão dá, não dá.

Speaker 1 (02:10):
Podcafétech.
acessa lá A lojinha tádisponível pra você adquirir
todos esses produtos.
e um plot twist Todos essesprodutos eles são uma
contribuição para a Nail Autismo.
Quer dizer, nós temos 100% deconversão de todas as
arrecadações da loja para umainstituição que trabalha em

(02:33):
favor daquele que é autista.
Então você, que é de TI,possivelmente autista, também
contribua lá com a gente.
É um ramo onde você consegueficar de boa trabalhando
tranquilo, sem ninguém teincomodar.
Mas pô, qual é a parada?
Todas essas iniciativas são acontribuição, instituição de

(02:55):
anos no mercado.
Gente séria, a gente tem prazerde estar somando, de estar
colaborando, de estar abrindoespaço pra falar deles Também
pra você receber, pra você fazera sua contribuição diretamente
pra eles.
Pode fazer direto lá, acessa lá, troca uma ideia, conhece o
trabalho deles.
Vá também lá no nosso Instagram, no arroba podcafetec.

(03:16):
Você também vai ver lá vídeossobre eles, vai saber um pouco
mais e vale muito a pena e nãodeixa de ter a sua canequinha é
caneca eco bag imã tem de tudolá na nossa lojinha Camiseta tá
100% da renda vai prainstituição.
E tem as camisetas exclusivas.

Speaker 3 (03:32):
também lá, coleções exclusivas Tem coleção do Cisa
de mim paciente tá saindo daSilvia agora.

Speaker 4 (03:39):
Vai sair da.

Speaker 3 (03:39):
Silvia Tem collab?
Vamos lá, tem vários collabs,sensacional, vamos lá.
Mi, bem-vinda de volta Depoisde bastante tempo.
Gravamos a primeira vez ali.
A gente ainda fazia só digital,só no áudio.
Passamos desde a temporadapassada aqui no estúdio e
tivemos o prazo.
Então desde a temporada passadatentando ajeitar as agendas, né

(04:00):
, mas a Mi pô cada hora no lugar.
Eu acompanho ela sempre ali noExplica Mi e troco o WhatsApp.
Ah, não, hoje eu tô aqui, tôali.
Não é fácil, a agenda não tá.
E pra começar, quem não teconhece ainda explica pra gente
primeiro.
Que trocadilho.

Speaker 4 (04:13):
Que eu amei esse trocadilho.

Speaker 3 (04:16):
Eu acho que ele fez sem querer cara.
Ele fez sem querer cara, foigenuíno, foi bom Quando eu
pensei no usuário já tava, Vocêtá vendo Explica pra gente, você
tá vendo, então explica pragente primeiro da onde surgiu
essa ideia, né Antes do ChatGPTou seja conteúdo original
realmente, né A gente 100%original.
Da onde surgiu essa ideia decomeçar a passar conteúdo com o

(04:38):
ExplicaMid, de fazer essa?

Speaker 4 (04:45):
maneira de transmitir de forma acessível o
conhecimento pelos seus redes.
Bom demais, assim eu comecei.
Foi próximo da pandemia ali,porque eu comecei a me conectar
mais com a inteligênciaartificial.
Foi em 2018 e eu sentia muitadificuldade pra começar na área.
Assim sabe, aquelas disciplinasde estatística, matemática que
você fazia mais mesmo pra passarno ensino médio, te entendo bem

(05:07):
, ah já achei que você tavafalando da faculdade cálculo 1,
cálculo 2, eu só fazia prapassar mas tem essa parte também
, só que o meu cálculo foi maisnos primeiros, assim né.
E aí eu tinha feito umafaculdade de análise e
desenvolvimento de sistemas naFATEC e eu gostei muito.
Lá eu tinha contato com oArduino, com vários mainframe,
vários cursos diferentes equalquer curso que tinha.

(05:27):
Eu queria fazer muito mais prame conectar tudo.
Acho que, como era gratuito, euqueria absorver todo aquele
aprendizado você estudoumainframe também, cara.

Speaker 3 (05:37):
Ela é nerd você conhece o EasyTree Plus olha por
esse nome.

Speaker 4 (05:43):
Aí eu estudei, mas eu não usei, só o teste.

Speaker 2 (05:47):
Ele fez uma brincadeira Que três pessoas
sabem, e ele é uma delas.
Eu não conhecia A genteentrevistou alguém aqui que
conhece.

Speaker 4 (05:56):
É teste pra falar da idade né.

Speaker 1 (05:59):
Se souber parabéns Não existe.

Speaker 4 (06:04):
Eu gostava de fazer essas coisas sabe.

Speaker 1 (06:06):
Sim, você ficava no Match Lab brincando lá.

Speaker 3 (06:08):
Sim, Não, mas assim gostava é uma palavra forte,
Porque você gosta ainda.
Né Assim pô, você faz coisa pracaramba, né Você tem o seu
trabalho.
Vamos dizer assim Você tá lá,você tá em todos os lugares, tá
Fazendo apresentando podcast emalguns lugares, Tá em evento, tá
fazendo apresentando podcast emalguns lugares, tá em evento,
tá viajando pelo Google pravários lugares e em outras

(06:28):
empresas e tava fazendo mestradotambém.
E aí eu fico realmente, eu ficoolhando assim e penso como é
que você tem vida, Como é quevocê tem, como é que você
administra seu tempo, Como é queé?
isso aí Conta pra gente, prapessoal, ter ideia de como é que
é a sua rotina.

Speaker 4 (06:43):
Olha, eu acho que a minha, eu acho que eu gosto
muito de rotina assim, acho queé um ponto bem importante, assim
Eu acho que o ordinário é ondetem o extraordinário pra mim.
Então, por exemplo, eu gostomuito, eu romantizo muita coisa,
assim Vou fazer um café com agente de manhã, né Agora eu
tenho um café com a do rádio devocês eu ganhei.

Speaker 2 (07:03):
Agora eu estou muito mais preparada.
O ritual do café de manhã.

Speaker 4 (07:08):
Então eu gosto muito dessa parte assim, de toda parte
do meu dia, eu ir conseguindover valor e prazer, naquilo sabe
.
Então vou pra Unicamp, voupegar a estrada porque eu moro
em Jundiaí e faço a faculdade éuma est, a faculdade é um
mestrado em Campinas, entãocoloco minha playlist que eu
mais gosto, indo pra lá.
Então tem coisas assim.
Eu tento gostar muito da minharotina no dia a dia.

(07:29):
Acho que é bem nessas pequenascoisas que você vai tendo prazer
de viver.
Na minha opinião né, mas óbvio,né assim, sábado e domingo não
é o momento que eu também paro100%.
Então eu sempre conecto ascoisas do Explicame, eu tento
fazer esse equilíbrio.
Né que eu não acredito 100%nesse equilíbrio acho que não
tem como realmente eu trabalhobastante pra dar conta de tudo.

(07:51):
É inevitável, mas eu gostomuito, sabe, assim, acho que
quando você recebe um feedbackde uma pessoa que falou assim
nossa, eu comecei em IA e tôgostando muito dessa área porque
você publicou um artigo noMedium em 2018.
Então, assim, o motivo por eucomeçar o Explicame foi porque
pra mim foi muito difícil entrarem IA.
Sabe, acho que eu tinha uma basede matemática, tinha os

(08:14):
cálculos ali que a FATEC me deude bagagem.
Só que a FATEC me preparou promercado de trabalho.
E aí, quando você vai promercado de trabalho, tem coisas
que saem da base que você recebe, tem coisas que são mais
específicas, e machine learningpra mim foi muito complexo.
Aí, eu falei assim semprequando eu entro na internet eu
vejo pessoas já que já são rolemodels, já conseguiram alcançar

(08:36):
vários steps, e eu não consigopegar ninguém que tá aprendendo
ainda.
Então eu falei assim ah, eu vouentão expor meu aprendizado
enquanto eu aprendo machinelearning.
Então as pessoas vão começar aver alguém que tá aprendendo e
tá começando na área e eu também, abaixo a guarda de quem ia me
criticar porque eu falo assim.

Speaker 3 (08:56):
Cara, eu tô aprendendo você vai me criticar
porque?

Speaker 4 (09:00):
eu realmente não sei entendeu então, assim foi uma,
uma coragem, um ato de coragem,eu acho, porque rede social não
é algo simples, não é algo fácilné.

Speaker 2 (09:10):
E toma muito tempo também, né A posição, né Porque
numa posição onde estouaprendendo e a possibilidade de
crítica é muito maior.

Speaker 4 (09:18):
Mulher né.

Speaker 2 (09:19):
Jô.

Speaker 3 (09:20):
As pessoas são más.
Sim, Tem gente má ali atrás deum comentário, alguma coisa.

Speaker 2 (09:25):
Não, como ela disse, tem muita gente boa, mas a gente
sabe que aqueles más às vezesacabam pegando no.

Speaker 3 (09:31):
Realmente você se expõe bastante.
E assim o mais interessante pramim e já achava interessante
isso quando a gente teve aprimeira conversa, que ainda não
existia chat GPT, você terescolhido IA Antes de escolhido
IA.
Né Assim, antes de IA hoje,qualquer coisa, churros com IA,
café com IA, qualquer coisa, senão tiver IA hoje o pessoal não
gosta, é basicamente isso Temque ter IA.
Qualquer evento que você for,tecnologia, tudo tem IA.

(09:51):
E antes de isso, é claro, póschat GPT aconteceu todo esse
boom e você já tinha escolhidoesse negócio lá atrás, ou seja
já tá aí uma consolidada.
Né Sabendo muito antes dagalera realmente estar Peraí o
que tá acontecendo.
Tem gente que tá agora querendose entender desse mundo por
causa das LLMs.

Speaker 4 (10:13):
Exatamente.
Acho que uma coisa que Esse atode coragem que eu tomei lá
atrás, né De começar a aprendersobre IA, me trouxe vários
pontos positivos assim, e euacho que Eu não acreditava muito
nesses pontos de virada.
Sabe Que aconteceu isso na suavida e que sua vida nunca mais
foi a mesma?
Eu sempre achei que era umaconsequência de várias coisas
que iam agregando, só que naminha vida teve dois momentos.

(10:35):
Acho que esse momento ondenesses cursos ali, mainframe e
tudo mais, eu fiz um de ArduinoE eu adorei na FATEC, e Eu fiz
um de Arduino E eu adorei naFATEC E na FATEC eu queria ter
na verdade prestado unicamp pragraduação, mas eu não passei por
uma questão.

Speaker 3 (10:50):
Sério, me senti mal, me senti super….
Já que você é nerd, você deveter sentido mal mesmo.

Speaker 2 (10:53):
Ela é nerd pra caralho, mas é unicamp né cara
Imagina você fazendo mestradomesmo.

Speaker 3 (10:58):
O mundo da voz.
Ah, entendeu.

Speaker 4 (11:01):
E acho que assim não era pra assinar naquele momento
né.

Speaker 1 (11:03):
Embora eu tivesse, vou te dizer que a Fatech errou,
mas olha só que engraçado.

Speaker 4 (11:09):
A Fatech.
Ela foi essencial na minha vidaporque eu fiz esse curso de
Arduino.
E aí, olha que engraçado essecurso de Arduino.
Eu comecei a me conectar muitoe meu professor falou assim já
que você gostou o que você achade ter o Arduino Day, que é um
dia no ano onde a gente chama acomunidade pra ensinar Arduino?
E aí eles falaram assim vocêvai lá e me ajuda a dar essa
aula de Arduino.
E eu falei pô, beleza, vamos lá.

(11:31):
E aí, quando eu fui dar essaaula, eu tava achando incrível,
porque era a minha primeiraexperiência expondo conteúdo pra
pessoas que eu não conhecia, umconteúdo que eu gostava, e eu
recebi um retorno positivoquando eles conseguiam fazer lá
o projeto, eu falei ponto, eugosto dessa parte de comunidade.
E aí foi quando eu comecei asair lá de um dia.
Aí meu pai preparava umpãozinho com carne pra mim.

(11:53):
Eu pegava, comenta, pagava, pramim era caro pagar 50 reais, um
cometa e voltar.
E aí eu vinha pra eventos tipoassim Big Techs, aqui eu achava
incrível os prédios espelhados,né e tudo mais.
E aí eu chegava, participava demeetups e voltava e falava
nossa, eu gosto de comunidade.
E aí o ponto de virada, oprimeiro foi quando eu dei a
sala de Arduino e descobri queeu gosto de comunidade, que me

(12:14):
guiou pro segundo.
Quando eu fui dar uma palestra,falei vou compartilhar no
LinkedIn Porque tem pessoas ládo Nordeste que não vêm aqui.
E isso foi antes da pandemia,então não tinha muita live assim
tão forte né, não, não, nãotinha conteúdo, era você veio
veio, não veio, perdeu conteúdo.
Então eu comecei a compartilharno LinkedIn.

(12:35):
A galera começou a gostar E aí,nessa de eu apenas assistir,
começaram a me chamar essasempresas que eu vinha participar
.
E aí foi quando a Microsoft menotou, notou a empresa que eu
trabalhava e a empresa que eutrabalhava falou assim você
gosta de falar e tal Fala desseslot aqui.
Então com a Microsoft, e aí eufiz um bot porque eu pesquisei
quais eram os assuntos queestavam bacanas na época pra

(12:57):
falar e o chatbot tava superhypado.
Gente, o chatbot era hypado em2018.
Tá vendo, mas não tinha essaquestão do chat GPT.

Speaker 3 (13:07):
Ainda assim, amor Não era um outro chatbot, Era outra
história.

Speaker 1 (13:12):
Lembrar do nome.
Se eu falava o lá, meu nome éMikaele.

Speaker 3 (13:16):
Não lembrava até o final?
Claro que não.
Você tinha as opções ali e iaseguir aquele roteiro lá né.

Speaker 1 (13:23):
E o outro deu errado irmão Volta.
Tudo É um fluxo, E aí assim, eugostei muito dessa parte.

Speaker 4 (13:27):
eu dei essa palestra, eu vi que teve retorno e eu
falei assim nossa, isso aqui euusei IA, que legal.
Então quer dizer que dá pra euaprender IA, né?
Mas aí eu tava fazendo umaquestão que era meio que drag
and drop, um pouco mais Low codeali.
No code, low code.
E aí quando eu fui começar aver, tá bom, mas o que isso aqui
tá chamando.
E aí foi quando eu entrei defato em IA E eu falei isso aqui
é um caminho sem volta.

(13:48):
Eu chegava em casa, estudava IA, voltava pro trabalho,
trabalhava como desenvolvedorade software mesmo.
Então eu tava mirando minhacarreira pra arquitetura de
software e ser charme do NET.

Speaker 1 (13:58):
Assim acho que bateu mental né Tá pra usar isso Total
.
E aí eu tomei a decisão Até osarduínos né As possibilidades
são muito grandes.

Speaker 4 (14:09):
Aí eu tomei a decisão e foi um ato de coragem.
Assim, porque quando você tánuma jornada que tá dando muito
certo, você tomar uma decisão,né Quando tá tudo dando certo é
muito mais difícil do que quandovocê não tem mais Com certeza É
quando tá errado qualquerdecisão, é aquela.

Speaker 3 (14:25):
Agora, quando tá tudo dando, certo, pô é difícil.

Speaker 4 (14:28):
E aí quase ninguém me apoiou, mas Mas eu imagino, eu
imagino que você éprofissionalmente cientista de
dados, começou com a Arduino.

Speaker 1 (14:36):
Eu tô esperando.
assim, na sua casa você faz ocafé de manhã, as pessoas abrem
o armário pra fora com café.
entendeu, isso Era um lancemeio da Top Brown, entendeu?

Speaker 2 (14:47):
Uma possibilidade.
Você abre a cortina.
A gente tá com tanta xícara decafé.

Speaker 1 (14:49):
Vem um bracinho pega o café morre o café Sabe aqueles
Aquelas máquinas de.

Speaker 4 (14:55):
Alex era protótipo perto de nós, É certeza.

Speaker 3 (15:00):
Então fala-se muito aí das LLMs, né?
E aí a gente tem aí as diversasoutras questões bem mais
simples e específicas, como asDecision Trees, as SVMs, qual o
trade-off entre essas LLMs eessas outras matrizes.
Vamos dizer assim não sei comoé que você vai chamar.

Speaker 4 (15:19):
Boa, então, quando a gente fala de LLM é um modelo
generativo, então ele geraimagens, gera texto, gera os
vídeos.
quando a gente fala de LLM é ummodelo generativo, né, Então
ele gera imagens, gera texto,gera os vídeos que a gente tem
visto.
E esse modelo generativo eletem ali uma questão que o
pessoal comenta né Que ele nãovai gerar a mesma coisa conforme
você vai solicitando.
Ele não é determinístico.
né, Então você não vai esperarque.

(15:40):
E por isso que falam naalucinação, Ah, então eu pedi
uma coisa esperar que E por issoque falam na alucinação, Ah,
então eu pedi uma coisa ele nãovai gerar aquilo sempre, né.

Speaker 3 (15:48):
Então esse é um ponto .
E mesmo se você pedir pra ochat, tipo assim eu quero essa
mesma imagem diferente, masassim completamente diferente, a
imagem né É.

Speaker 4 (15:52):
E assim é normal, por conta característica mesmo, ele
cria as coisas.
E esses modelos que a gentefalou Random Forest, SVMs, uma
regressão logística são modelosque a gente meio que comenta que
são discriminativos.
Né Porque eles são modelos, queeles são determinísticos.
Então eu, a partir de umaentrada, eu espero que haja uma
saída, Então vou fazer umapredição pra verificar a fraude.

(16:14):
Por exemplo, Eu tenho entradasde fraude, não fraude, eu espero
que a saída seja então, seaquilo é fraudulento ou não, O
que acontece.
Né Esses modelos generativos,eles não foram criados para esse
propósito aqui da fraude, Atéporque eles são muito mais caros
, eles demandam muita energia,milhões, bilhões de parâmetros,
e eles não são para essepropósito.

(16:35):
Então, por exemplo, se você vaifazer um chatbot, você vai
querer criar textos, néConversar, né Um propósito um
pouco mais abrangente, você nãovai usar uma regressão logística
, um modelo um pouco menor.
Mas se você tem um problemacomo esse que eu comentei, uma
previsão de demanda, que sãoproblemas já estabilizados no
mercado, que você precisaexplicar aquilo, um banco vai
querer saber porque vocêrejeitou ou não um cliente ter

(16:57):
um crédito.
Então esses modelos eles ajudampra isso, pra você conseguir
explicar, pra você conseguirmodificar esses pesos, por isso
que a gente defende tanto queLLM não é bala de prata.
Então você saber escolher qualque é o teu problema, né.

Speaker 3 (17:11):
E aí é o X da questão .
Muitas vezes o pessoal fala pô,vou pôr o chat EPT pra analisar
a fraude da minha empresa,analisar o crédito.
Todo mundo acha que o chat EPT,que todas as soluções que estão
no mercado são as únicas coisasque tem em IA.
Tem muita gente que pensa isso,né Tem curso falando disso e
daquilo, e aí quando você vaipra algo muito mais específico,
essas LLMs deixam de serinteressantes e não é a solução

(17:32):
né.

Speaker 4 (17:32):
Exato.
Elas são muito mais carastambém.
Né Então?
você pensando assim, dependemuito do seu propósito.
Regras, coisas regulatórias?
né Então você tem uma API que éde um outro fornecedor, então
se esse fornecedor ficar fora doar, você também não vai
conseguir ter esse acesso.

Speaker 3 (17:51):
E aí tem uma coisa também que se fala muito em IA,
que é aprender, ensinar.
Né O que significa aprender eensinar pra uma IA, pra treinar
uma IA Então isso aí é um termomuito utilizado hoje em dia,
principalmente quando você vêpessoas de mercado conversando.
No seu dia a dia você pô deveter que treinar uma IA pra uma
determinada análise de crédito,por exemplo, assim por diante, o

(18:12):
que é esse treinamento, esseensinamento, o que significa
isso?

Speaker 4 (18:16):
Boa, então tem vários tipos de modelos de IA os não
supervisionados esemi-supervisionados.
Também vou falar dos que sãosupervisionados pra explicar um
pouquinho.
Então.
Supervisionado, eu tô ensinandoele então, isso aqui é um
cachorro, isso aqui é um gato, écomo se fosse um professor com
um aluno.
O não supervisionado, porexemplo, então a gente tem

(18:37):
algumas canecas aqui, a partirdas características ele vai
entendendo que isso aqui tá nomesmo grupo que esse que tá
diferente do meu celular, porexemplo, por causa das nossas
propriedades aqui, que tem emcomum esses itens.
Né Então, um ponto importantefalando do supervisionado é eu
ter os dados categorizados.
Né então, ó, isso aqui é umafraude, isso aqui não é uma
fraude, etc.

(18:57):
E além disso, né eu conseguidecidir esse algoritmo e esse
algoritmo na boa, o que que elefaz.
Eu sempre tenho aqui algunspesos que ele vai dando, então
olha pra decidir o que é fraude.
Vamos dar um exemplo Alocalização, onde essa pessoa
mora, é uma variável muitoimportante.
Qual que é o peso que ela tempra decidir esse problema?
né Então você vai ter lá umpeso associado E aí a gente tem

(19:20):
no final essa predição que foifeita com base nessas variáveis.
Né então pode ser que o alocalização seja uma delas, a
quantidade já de transações.
Essa pessoa fez enfim váriascoisas e no final tem uma
predição.
Essa predição eu vou comparandodepois com o que é meu verdade,
que é o ground truth.
Né, então, primeiro eu façoisso pra comparar, depois eu vou

(19:41):
fazer se eu gostei do modelo,eu coloco ele pra funcionar lá
na vida real.
Então, até o momento eu tôcomparando com o que eu já sei.
Então, isso aqui é fraude, issoaqui tá beleza, deu certo, não
deu certo, etc.
Eu tenho uma sequência demétricas que eu uso e uma função
de perda.
Essa função, na verdade euquero sempre minimizar, esseendo

(20:02):
de uma maneira muito resumida,com essa função de erro que a
gente vai calculando.
Quanto mais a gente vaimelhorando essa função de perda,
melhor eu vou calibrando essesparâmetros para ter uma previsão
mais acertada E aí eu consigodepois aplicar isso em outro
problema.

Speaker 3 (20:18):
Interessante.
E aí o que leva em consideraçãopara a gente tentar diminuir
esse erro, essa perca, quais sãoos fatores que são levados em
consideração?
A quantidade de dados, aquantidade de análise, o que é
levado em consideração paraconseguir diminuir até X% de
perca E quanto.
É claro que eu sei que dependede negócio para negócio, mas

(20:39):
vamos colocar um negócio deanálise de fraude, por exemplo.
Quanto é a porcentagem de percaque a gente coloca aceitável
numa situação dessa?

Speaker 4 (20:47):
Boa, depende muito, assim, do negócio.
Isso é bem importante porqueassim nós, assim como uma pessoa
científica de dados, você vaiter que trazer uma questão junto
com a pessoa de negócio, assimo quanto que você tá disposto a
perder aqui.
Então, o que é mais importantepra você, o meu algoritmo ele
errar falando que aquilo é umafraude e aquilo não é uma fraude
, ou eu falar que aquilo naverdade não é uma fraude e é uma

(21:10):
fraude Não é possível.

Speaker 3 (21:11):
Né, então é uma decisão ali que envolve negócio.

Speaker 4 (21:13):
Envolve negócio total , Então um falso negativo em
fraude eu falar que Falsonegativo, Então eu tô falando
que não é fraude.
mas é, Isso é muito pior, Émuito pior Vai causar prejuízo.
É muito pior porque o meucelular, por exemplo, ele apita.
Às vezes um banco meu falouolha você, sua transação foi
cancelada.
Negou.
E aí eu vou lá e falo não fuieu que fiz.

(21:34):
Então assim você fica assim,mas é melhor do que você perder
sei lá 50 mil reais porque?

Speaker 3 (21:40):
o banco não pergunta.
O banco me pergunta É, euprefiro confundir Quantas vezes
eu preciso ir lá fazer aconfirmação de rosto C6, te amo,
eu te odiava.

Speaker 2 (21:50):
O C6 é um inferno.
Vou fazer um pix de dois reais.

Speaker 4 (21:53):
Ele perdeu meu rosto Ele te humilha, ele te humilha.
Olha pra cá, olha pra cima.

Speaker 1 (21:57):
E agora ele mudou.

Speaker 4 (21:58):
Cara é cheio de.

Speaker 2 (22:06):
Mas agora, por favor, continua, dá três pulinhos.
Eu até brinco Por dois reais.
Deixa o cara, entendeu.

Speaker 3 (22:12):
E assim a quantidade de dados que ele analisa com
base nesses modelos éfundamental pra tentar diminuir
essa quantidade tambémTotalmente.

Speaker 4 (22:20):
E assim a parte de fraude não é um problema fácil.
Por exemplo, que a gente táfalando porque você tem poucos
casos de fraude comparados comos vários de não fraude, então
assim é muito difícil pro modeloentender, até porque como é que
ele vai aprender com tão pouco,né?
então tem várias técnicas quevocê consegue fazer.
Por exemplo, tem muitas pessoasque falam assim ah, então se eu
tenho sei lá três exemplos defraude e doze mil de não fraude,

(22:44):
eu vou aumentar os meusexemplos de fraude pro modelo
ficar balanceado.
Mas isso também pode gerar umproblema porque no mundo real
não é assim.
E o modelo?
ele modela o mundo real.
Então você tem outrosmecanismos, como por exemplo
balancear os P's dessas classes,pra que você conseguir ter um
pouco mais de equilíbrio dentrodessa predição.

(23:07):
Então assim o mundo de MachineLearning é muito vasto.
Justamente pra ajudar que vocêtenha essa previsão correta no
final.

Speaker 1 (23:14):
Na verdade, quando você, quando o modelo tá errando
e ele erra milhares e milharese milhares de vezes você tá
evitando que esses erros né queeu falei até aqui no início, de
aprender com os erros você estáevitando que esses erros venham
de fato a acontecer no mundoreal.
Vou dar um exemplo Em 2007, euestive no Japão, tinha lá, fiz

(23:39):
um amigo lá e ele falou nãoestou indo com a minha esposa
para ter o filho no Brasil.
Eu falei mas por que você vaiter o filho no Brasil?
Ele falou não, os médicos daqui, deus me livre, eu não vou, não
vou no médico aqui, de jeitonenhum.
Fiz uma cirurgia de apêndiceaqui.
Os caras não queriam me darmedicação, dizendo que não tá
tranquilo, isso aí vai curarsozinho.
E ele falou não, cara, vai daruma infecção aqui.

(24:01):
Não, não precisa deinflamatório, não tá tranquilo.
Se inflamar, a gente dá umremédio.
Ele falou cara, mas vaiinflamar.
E ele falou o seguinte falouque um médico bom lá é um médico
com quem já morreu muita gentena mão dele, porque eles são tão
bons em prevenção.
Assim, segurança do trabalhoextremamente metódicos,

(24:21):
segurança disso extremamentemetódicos, segurança daquilo,
tudo extremamente limpo e tal.
Então, assim eles têm poucosincidentes onde os caras se
treinam em incidentes reais.
Então ele falou cara, quasenada dá errado aqui, então os
médicos não têm muitaexperiência de lidar com o
problema, igual tem no Brasil.
Ele falou assim eu vou proBrasil porque lá os caras já

(24:42):
estão.

Speaker 3 (24:43):
Errado pra caramba Exato cara Sacanagem.

Speaker 1 (24:47):
É mas o que acontece, Lida com acidente, lida com um
monte de outras coisas.
Os caras têm muito mais prática.

Speaker 3 (24:57):
É não faz sentido.

Speaker 1 (24:58):
A comparação E lá lá eu fiquei caramba, que loucura.
E eu fiquei pensando daimportância do erro pra
aprendizagem E pensando nisso, anível de IA, esse é um super
poder da IA de podersimuladamente errar milhares de
vezes e criar conhecimento apartir daí.

(25:20):
Isso é muito bacana.

Speaker 4 (25:21):
É literalmente errando.
O que você aprende né É, nãotem como né cara.

Speaker 3 (25:24):
Literalmente no caso, Quando a gente fala de
engenharia de dados, né porque éimportante quando você fala de
VE, engenharia de dados, acuradoria realmente desses dados
, hoje O que você pode falar pragente.

Speaker 4 (25:34):
Ai, eu acho que uma coisa muito importante pra gente
setar é que a gente pensa àsvezes que o algoritmo ele
representa a maior questão, amaior parte da qualidade, né do
modelo.
Mas na verdade o algoritmo quevocê vai selecionar, se é um SVM
, né igual você estava falandose é uma agressão logística, né
um.
LNM, isso é só a ponta doiceberg.

(25:54):
Né Então, você, tendo o seuproblema claro e definido, se
você não tiver os dados gatos,você já não consegue fazer um
bom tratamento aí desse modelo.
Né Então, o modelo, a decisãoali é no final.
Mas se esse modelo não tem dadobom, curado, limpo, sabe
Diverso, você já tem um problemagrande.
Né Então, como é que você vaifazer uma predição Se é um
cachorro ou um gato, se você temdois negocinhos de gato e um

(26:16):
monte de cachorro, ele vai àsvezes falar que é um cachorro,
na verdade era um gato.
Né Então, esse é um exemplomuito básico, e não só isso.
Né.
Acho que uma questão muitoimportante é que cada Quando a
gente fala de LLM, a gente vêmuitos LLMs foram gerados, por
exemplo, nos Estados Unidos,outros foram gerados na China,
outros no Japão, etc.
E isso carrega muito viés.

(26:44):
É isso que eu ia falar.
Não tem como, não tem como,então não é.
É impossível falar que a IA elaé justa, porque a IA ela tem,
ela foi criada por um humano.
Pode ser que o modelo lá, omodelo com os pezinhos dele, ele
seja inofensivo, mas o humanoque foi lá e escolheu qual
técnica eu vou pôr, o classweight.
Eu vou pôr o.
Eu vou pôr o class weight, euvou pôr o.

(27:04):
Eu vou aumentar as classes defraude pra ficar igual.
Eu estou tomando essa decisão.
Então o modelo não tô nemfalando de dado o modelo em si,
ele já não é justo assim, não éfair.

Speaker 2 (27:16):
Então ele não é e aí você vai colocar.
Já viu vários exemplos deaquelas IAs de Twitter.

Speaker 1 (27:23):
Mesmo que cara, em um dia a IA virou racista,
xenofóbico e tal, porque agalera foi do zoado, mas ela tá
até em outra esfera.
Não é nem a questão do dado.

Speaker 2 (27:34):
Mas no próprio algoritmo, lá como é que o cara
tá tratando isso, ou?

Speaker 4 (27:38):
na escolha do modelo do negócio E não é tipo, por
exemplo, se eu comparar umatesoura né, uma tesoura em si
ela é inofensiva.
Agora, dependendo de como vocêusa, se é pra cortar papel,
cortar às vezes uma mão numapessoa, isso que é errado.
Na verdade, não é nem esse oponto, Porque a tesoura que a
gente tá falando ela em si játem uma questão, porque alguém
já deixou ela afiadinha osuficiente, sente né os pezinhos

(27:59):
né.
Então isso é importante, falarné e as pessoas falam ah, é um
modelo que não tem nada, ele éinofensivo.

Speaker 3 (28:06):
Não é bem assim, não existe então modelo inofensivo
sempre vai ter um viés, nãoimporta qual né.

Speaker 4 (28:11):
Você decide o quanto que pra onde esse viés tá indo.

Speaker 3 (28:14):
Então, por isso que tem muita gente, às vezes muitas
empresas que estão fazendo asua própria LLM para não ficar
dependente talvez dessas LLMspúblicas, entre aspas, para
tentar sair um pouco dos viés outentar controlar um pouco essa
situação, Eu vejo que tem muitasquestões.

Speaker 4 (28:32):
Tem uma preocupação também de os dados das empresas
estarem indo para outros lugares.
Então algumas empresas têm umapreocupação de que os meus dados
não podem ir para a OpenAI dosmeus clientes.
Então eu venho aqui, eu pego ummodelo base já existente pra
não criar nada do zero e imputolá informações, né Eu faço um
fine-tuning com as minhasinformações.
Tem um outro ponto também queeu não quero que isso saia pra

(28:54):
internet né.

Speaker 1 (28:55):
Então quero ter aqui um premise Tem pontos de.

Speaker 4 (28:59):
Quero falar que eu tenho um LLM porque pra mim é
importante no negócio.

Speaker 3 (29:03):
Tem muito.
Tem muito, ainda mais hoje emdia, né, cara É importante.

Speaker 1 (29:07):
Eu tenho, tenho Tá aqui.

Speaker 2 (29:10):
A minha é uma cópia da dele, mas eu tenho a minha
com o meu nome.

Speaker 4 (29:14):
Mas tem gente que faz né.
Tem muita empresa que vê valornisso né De alguma maneira.

Speaker 1 (29:19):
Virou meio que uma corrida espacial.
Né cada um tem que ter umatecnologia, ver qual que tá mais
avançado, e virou uma umaquestão de poder também.
Né Tem.

Speaker 4 (29:29):
assim, quando você vê né a parte geopolítica, né eu
acho que de fato você vê que temmuita LLM de algumas regiões
específicas, né.
E se você fala que o LLM eletem os dados que as pessoas
escolheram colocar, então sevocê perguntar quem é o dono do
mundo, por exemplo pra um LLMaqui que foi criado nos Estados
Unidos, ele vai responder umacoisa E ele vai responder outra

(29:50):
coisa dependendo de um outro,outra região.
Então também tem um pouco disso.
Por isso que o pessoal tava comtanto receio do DeepSeek, né.
Então por quê?
Porque carrega também se apessoa vai aprender com o LLM.

Speaker 1 (30:04):
hoje em dia as pessoas estão aprendendo
primeira coisa pra ele, a minha,e a Tatiana diz, se eu pergunto
pra ela assim, quem manda Elajá sua esposa?

Speaker 2 (30:10):
Ela já tá acertando.

Speaker 4 (30:13):
A sua esposa concorda .

Speaker 1 (30:14):
Mas olha só tem uma coisa assim vamos lá ao mesmo
tempo que você faz perguntasnocivas, tipo como é que faz uma
bomba, ou então uma perguntaracista ou alguma coisa.
Assim ela está preparada pararejeitar aquele tipo de
raciocínio, não te ajudar adesenvolver aquilo, mas também

(30:36):
defendendo algumas propriedades,por exemplo nome de algumas
pessoas, também asLNM.
Algumas delas não respondemcoisas sobre determinadas
pessoas.

Speaker 2 (30:47):
Se a pessoa colocar lá pra não perguntar tá de todo
jeito que não responde O que elaentende como racismo.
Alguém teve que setar isso praela.
E aí é o X da questão O que éracismo pra uma pessoa pode não
ser pra outra, entendeu?
E aí você tem, depende muito doponto de vista.

Speaker 1 (31:06):
Isso é geral, cara.
O que é pra uma é pra todomundo.

Speaker 3 (31:08):
Não, sim, mas é o que é, mas é o que é, não, não, eu
posso falar que, por exemplo, aturma do Monark tem um
pensamento diferente.

Speaker 2 (31:19):
Ah sim, Entendeu.

Speaker 3 (31:24):
Foi só um exemplo.
Você falou de educação cara.
E aí tá um debate muitointeressante, porque pô você vê
que a China, por exemplo,colocando aí já inteligência
artificial no currículo desdecedo, A Mika teve todo um
trabalho, pra não dizer apalavra China.
Ela rodou um geopolítico, nãomas eu tive que falar da China.

(31:45):
Não tem.
Como Não tive que falar daChina?
É, eu tive que falar da Chinaporque é um dos exemplos.
Aí você pega por exemplo osEmirados já tem Open AI pra todo
mundo.
Né, todo mundo que mora lá jávai ter ele.
O cara não precisa pagar os 20dólares por mês, enfim.
E aí tem muita gente falando douso da IA na educação.

(32:07):
Como é que é a sua opiniãorealmente do uso da IA como
coadjuvante hoje na educação,seja educação básica, técnica,
superior, enfim das diversasfases?

Speaker 2 (32:17):
Ei, você aí já se inscreveu no nosso canal, Já
ativou o sininho dasnotificações E aquele comentário
E as nossas redes sociais.
Você já seguiu a dos apoiadoresda CESPRO, da CESCYBER.
Bora lá, tá tudo aqui nadescrição.

Speaker 4 (32:32):
Eu acho que a AI é uma baita ferramenta super
importante na educação.
Eu super concordo de usá-la.
No entanto, eu vejo um bom gapentre pessoas que aprenderam a
base a lógica sem AI e depoisaperfeiçoaram, afinaram o
martelo, e aí as pessoas queusaram a base da IA Porque, como

(32:54):
eu falei anteriormente, então aIA tem um contexto político
também embutido nela, que tem osparâmetros, tem os dados, tem
métodos de treinamento, tudoisso.
Então, tudo isso é um viés dequem criou.
Se você usa isso como a base evocê troca o que antes era
ensinado na faculdade,universidade, no ensino médio
apenas por IA, isso pra mim émuito preocupante E acho que

(33:18):
isso também gera muitas pessoas.
Essa primeira geração que távindo aí agora, sei lá, a atual,
é a primeira.
Eu vejo que tá tendo aoportunidade de ver e ir junto
no ensino fundamental assim.
Então eu acho que é umapreocupação a gente garantir que
as escolas sabem que momento emB dá.
Aí há como lidar com estudantesque vão trabalhar com isso no

(33:41):
dever de casa e tal, e ter osenso crítico pra criticar né
Porque cortar o uso.
Eu acho que não vai acontecer,não rola.

Speaker 3 (33:48):
O moleque vai jogar lá.
Né, cara Você fala proibido.
Cara, o moleque vai pegar odever dele, o trabalho dele e
vai jogando aí.

Speaker 2 (33:53):
Ah, a gente sabe como é que é o?

Speaker 4 (33:55):
estudante Mas ele sabendo criticar o que aí Ia
fala.
Eu acho que essa é a questãosabe Porque tentar?

Speaker 1 (34:01):
proibir.
Eu acho que realmente não valea pena.
Pra mim a questão tá trêspassos atrás, pelo seguinte como
é que funciona a educação hoje?
Do mesmo jeito que funcionavacem anos atrás?
O cara tem lá um quadro negroou verde ou branco, mas tá lá a
pessoa vai e joga aquelainformação ali e tem a galera
sentada do outro lado e todaessa mecânica, as formas de

(34:23):
avaliação, a forma como você fazuma prova e tal, aquilo ali é
que é burlável.
Com uma IA Você pode pegar láuma resposta e jogar lá Aquele
modelo é burlável.
Mas se você pegar uma IA paraavaliar o conhecimento de uma
pessoa, aí ferrou.

Speaker 4 (34:43):
Então um ponto que eu vejo, Anderson, é que assim
você aprendeu sem IA.
Então, quando IA, você usa IApra melhorar teu dia a dia E pra
aprender alguma coisa também.
Obviamente, né Pra repaginar,ajustar, né Agora você sabe
quando tá errado E você vaisaber falar.
É um processo crítico.
Peraí, vou ver essa referência.

(35:04):
Eu vou buscar mais informação.
Tive a base, consigo falarsobre agora.
O preocupante é você não teve atua base aí.
Você vai olhar lá e vai assimcom os dois pés na porta seguir
o que está sendo falado.
Isso é preocupante.
Né eu acho que essa é a maiordor que eu tenho nas próximas
gerações, se a gente não mudaresse formato né.
Então, pra tua pergunta daeducação, eu acho que esse é o

(35:27):
ponto.

Speaker 1 (35:27):
Assim, Eu tenho então um ponto que eu acho muito
legal nas LLMs, que é o seguinte, e eu acho fascinante, toda vez
que eu vejo isso, eu elogio Sevocê chega numa LLM e pergunta
pra ela sei lá qual é a raizquadrada de 757, ela não te dá
um número de resposta, Ela te dátoda uma construção de

(35:51):
raciocínio e te dá a resposta,Então assim é claro que as
pessoas podem ignorar tudo queveio antes e irem direto lá pro
final E pro moleque de 14 anos.

Speaker 3 (36:00):
Se vai ignorar tudo e vai pegar a resposta A minha
preocupação é o moleque de 14anos ali, realmente ignorar todo
o resto e colocar aquilo ali,que é o que ela tá falando.

Speaker 2 (36:08):
Você aprendeu sem o chat EPT, Então você consegue
olhar e entender o que táacontecendo.
Pra um cara que tá novo, elenão tá nem aí com o meio porque
ele vai ter sempre o chat EPTpra fazer o meio.

Speaker 3 (36:18):
Na opinião dele.
O chat EPT tá lá pra responderpra ele.

Speaker 2 (36:20):
Pra ele, o chat EPT tá lá vai responder ele vai
acreditar que aquilo é verdade,vai levar pra vida que aquilo
ali é uma verdade E pode ser umaconta matemática, tudo bem.
Um mais um é dois.
Mas quando você vai pra outrasmatérias, aí a gente começa a
ficar meio, Começa a ser meioperigoso.

Speaker 4 (36:37):
O ponto bom é que eu vi que assim tem gente usando,
porque aí nesse ponto que vocêfalou, eu não tô passando nenhum
contexto pra IA, eu tô, eu nãotô passando nenhum contexto pra
IA, eu tô usando o que ela tem.
Agora, se eu pego os materiaisque eu vi, eu vi um vídeo no
TikTok que eu achei ótimo amenina.
Ela pegou todos os materiais doque o professor mandou, o PDF,
colocou na IA e falou me explicacomo se fosse uma fofoca.

Speaker 3 (36:57):
E você é carioca aí é outra história, eu gostei é
porque fofoca é uma coisa queela gosta de ouvir, entendi.

Speaker 2 (37:06):
É o jeito dela aprender.
O cara vai criar o storytellingpra ela Legal.

Speaker 4 (37:09):
Ela captura o conteúdo, foi pra prova.

Speaker 3 (37:12):
Genial, genial, 10 vezes Aprendeu.

Speaker 4 (37:15):
Então assim eu acho que é uma outra maneira de você
fixar um conteúdo e outrasabordagens de aprendizado que
pro teu ponto, o ensino,realmente ele precisa de uma
repaginada pra essa geração novaque tá capturando tanta coisa
que eu fico gente, como é quecabe tudo isso nessa mente?

Speaker 1 (37:30):
Tem que ser urgente, isso aí Eu acho que as formas de
avaliação elas podem evoluir emmuitos anos.
Porque, por exemplo, uma provacom 10 questões, aquilo ali
consegue aferir o teuconhecimento em um determinado
assunto?
Eu acho que não.
Se de repente você coloca umaIA pra trocar ideia com a pessoa
e cara avalia essa pessoaexprime, ela descobre o quanto

(37:50):
ela domina desse assunto.
Ela faz perguntas, ela medeconhecimento, mede raciocínio,
ela puxa tudo o que conseguepuxar daquela pessoa e chega com
um veredito Ó, essa pessoaconhece 70% do assunto.
Eu acho que pode ser um caminholegal pra evoluir a avaliação
das pessoas, porque a forma deavaliar hoje é muito falha.

Speaker 2 (38:13):
E eu nunca vi um jeito de melhorar isso.
A gente entra naquele mesmoproblema.
Ela tá avaliando com base noque alguém disse.
como ela vai avaliar?

Speaker 3 (38:20):
Sim, mas tem escopo.

Speaker 2 (38:22):
Então?
mas o escopo é sempre definidopor alguém.
Então, por exemplo, pôr uma IApra tomar uma decisão, Vamos
pensar que a gente tá vivendonuma escola pública, num governo
de direita.
Essa LMM vai te dar respostascom um estereótipo de direita.

Speaker 3 (38:38):
Se o governo quiser colocar lá porque é o ministro
que tá lá da educação, podefalar isso E se vira-se pra
esquerda.

Speaker 2 (38:43):
A gente pode ter um Infelizmente é verdade.
E aí eu tô dizendo nem um ladonem o outro.
Tá, eu tô dizendo que podeacontecer, ou com algum
pensamento que alguém queiraimputar numa população, e aí a
gente tá retendo isso E sempre épossível, E aí vem pra um outro
ponto, e aí gente é.

Speaker 1 (39:01):
Pô bem-vindos à humanidade.

Speaker 3 (39:02):
Sempre foi, mas agora em grande escala, né Em grande
escala com grande quantidade deinformação onde uma pessoa está
acreditando em tudo que vem dali, como se fosse sempre a verdade
Aí vai para outro ponto, que éa questão de regulação ética e
etc.
Como é que você está vendo,acho que está bem devagar ainda
né.
Se fala bastante, mas vejopouco acontecer Essa questão de

(39:25):
pô, quem é responsável poraquela informação, aquela ação
da IA.
A gente teve uma brincadeiraaqui uma vez que pô, daqui uns
dias vamos ter que mandar umadata de prisão pro chat EPT,
vamos prender o chat EPT, vamosEntão assim, o que você acha
dessa questão de realmente quemvai ser accountable por aquela
questão?
Como é que é o seu ponto devista hoje que ainda tem Se fala
bastante, todo mundo fala quetem, tem, tem, mas na prática se

(39:46):
faz pouco ainda né.

Speaker 4 (39:48):
Eu acho que o Brasil está trazendo agora bastante
intenção no assunto.
Né Então entendemos agora querealmente o Brasil tem um espaço
.
Né Então eu vejo atéiniciativas do governo.
Recentemente, acho que foisemana passada, lançaram então
até um, como se fosse um marco,mesmo falando o que é IA, o que

(40:08):
a gente compreende como IA e oque é importante a gente tomar
precaução, como nós achamos quea IA pode se conectar com a
nossa estratégia de educação.
Então achei interessante.
Tem um documento.
Até compartilhei no meuLinkedIn.
Achei bem bacana que é umposicionamento.
A gente precisava desseposicionamento eu acho que isso
é importante e até mesmo como agente planeja usar IA.

(40:29):
Então eu vejo até algunsestados brasileiros tentando
fazer seus próprios modelos pratestar como que isso funciona.
Então acho que é um pouco doque você estava comentando.
Então esse esforço de a genteter IAs proprietárias e até
começar a ter os mesmos, achoassim pode ser que os estados
queiram criar suas IAs.
Né a gente tá falando, tem jáempresas que criaram suas

(40:52):
próprias IAs e mas algumas nãocompartilham esses dados.
Então se a gente começar acompartilhar tais dados, aí ia
ficar bacana pra gente conseguiraumentar esse dataset e aí ter
um modelo talvez né que consigaser mais conectado em diferentes
partes do Brasil E, falandonisso, para chegar na periferia,

(41:13):
chegar realmente ali na Vamosdizer na massa o que você acha
que tem que ser feito hoje comrelação a IA.
Nossa, a conversa na periferiavai muito além de IA.
Né eu acho A educação mesmo euacho que é uma pauta muito
importante e a gente tem queandar algumas casas, né a gente

(41:35):
tá falando aí de questões quepra mim não existem.
A meritocracia não existe eessas pessoas que estão lá, elas
precisam de acesso, né àtecnologia.
Primeira coisa eu acho pragente democratizar isso é que o
bom do chat GPT é que ele deixouacessível um negócio que antes
era só empresa, que tinha medoainda de usar IA.
Quando chegou o chat GPT, pf népessoa física começou a usar e

(42:00):
falou nossa, tá aí a IA, elapode me ajudar.

Speaker 3 (42:03):
Sim, isso eu também achei sensacional.
Você vê, cara, eu tava.
Ela pode me ajudar.
Sim, isso, eu também acheisensacional.
Você vê, cara, eu tava Adiarista lá de casa, tava usando
a IA pra ver a questão dereceita, um monte de coisa, e a
grande disrupção foi essa, foi.

Speaker 2 (42:12):
Popularizar uma tecnologia que pô?
a gente sabe que a IA não énova.
A gente vê, por exemplo, a IBM,mesmo com o Watson, porra.
E aí veio o chat PT e deu umtapa na cara de todo mundo.

Speaker 3 (42:24):
Tá aqui galera Popularizou, deixou aí as LLM.
Isso aí foi algo bacana, e aífoi onde cara todo mundo viu o
poder da, ferramenta na mão né.

Speaker 4 (42:33):
E aí eu acho que esse é um ponto que é acessível, né
As pessoas, hoje elas sóprecisam ter um celular, e aí
pelo menos essa questão dosaparelhos ficando um pouco mais
baratos e as pessoas conseguindo, né mesmo em lugares que são
menos favorecidos, terem acesso.
Cara, eu tenho uma IA no meucelular.
Se eu tiver uma internet, se eutiver um celular, eu consigo

(42:53):
ter acesso assim em gama deinformação.
Então assim agora pra mim ficoubem mais acessível do que um
dia foi a gente conseguiucolocar a IA nesses lugares que
são tem menor poder aquisitivo,menor acesso.
Então acho que esse é um ponto.
Aí aí vem aquela questão néSerá que uma, uma pessoa
consegue chegar até ter a escola, porque pra mim o problema da

(43:15):
periferia não é nem se euconsigo eu tenho um celular, é
se eu consigo deixar os meustrês irmãos porque eu cuido da
casa.
Eu tenho sei lá dez anos e eusou a pessoa que cuida.

Speaker 2 (43:27):
Então assim, pra mim As preocupações deles estão às
vezes cara o que eu vou comerhoje.

Speaker 4 (43:30):
Então, incentivos assim mais de política pública,
mesmo assim, de ter um ônibusque é gratuito, leva as crianças
até um lugar e lá vai ter oscelulares, né os equipamentos
que empresas doam, né, coloco,financiamento privado mesmo.
Então assim pra mim tem ali aquestão que a IA, pra mim ela tá
acessível.
Agora tem outras questões que éeu consigo chegar lá, eu

(43:52):
consigo ter comida no pratodessa galera que aí resolve,
entendeu?

Speaker 3 (43:59):
Porque vai ser bem importante.
Essa galera também tá presenteali pra ter realmente uma
amostra de dados ali que abrangetodo mundo, né isso?
eu acho que é por aí, é Mi eutive com a vontade eu tive lá no
sul agora há pouco.

Speaker 1 (44:11):
Até abraço pro Trigo né nosso Vivente tava lá
sapateando com o Vivente, nossoamigo, e o que que eles fizeram?
a gente foi pra um evento.
Eles colocaram lá um webcam,colocaram a aplicaçãozinha
rodando local, que era de achoque era uma aplicação para

(44:34):
segurança no trabalho.
Então tinha lá o vídeo daspessoas ao vivo no evento e ele
via se o cara estava usando EPI,se ele estava com capacete, se
ele estava de óculos, se eleestava de luva.
Era só isso.
Então, se o cara não tá de luva, tava lá tudo vermelho, o cara
bota a luvinha, ficou verdinho,tá de luva, tá de óculos, e tal.

(44:55):
Eu falei pô bacana.
Aí eu comecei a trocar ideiasobre a aplicação.
Veja bem, essa é uma aplicaçãolimitada.
A gente não tá falando de umaLLM, a gente tá falando que a
aplicação não tá rodando ali.
Né Velocidade da aplicação.
Sensacional, cara, tá rodandoonde?
Só nesse servidor aqui Táconectado online.
Nada online tá rodando aqui.
Beleza, o que é esse servidoraí?

(45:16):
Ah, esse é o servidor Dell.
Falei quanto custa o servidordesse?
Ah, 600 mil.
Falei 600 mil reais.
É, ele falou mas a gente nãoestá usando tudo ali.
Não, eu falei não, não por quê?
ah não, porque o algoritmo eleroda mais na CPU do que na GPU.
Ele tem uma GPU gigantesca, masesse design ali está rodado

(45:36):
para a CPU.
Eu falei pô legal, bacana,então torna ele mais acessível.
Você consegue rodar ele em CPU.
O que ele está fazendo estájogando frame a frame, está
reconhecendo, está voltando cominformação para lá, a forma como
você vai desenhando o algoritmo.
Você também tem possibilidadede controlar o consumo da
máquina.
Como é que vai ser essaaplicação?
vai rodar local?

(45:57):
se não vai rodar, o que quevocê, o tempo de resposta também
da aplicação tem, coisa que setorna inviável de você jogar o
dado pra internet pra processarem outro lugar e voltar, você
tem que rodar local.
Como é que essa coisa na vidareal, lá no campo, como é que se

(46:19):
toma essas decisões?

Speaker 4 (46:20):
Boa, a gente tá falando aí de edge computing, né
?
Então assim às vezesequipamentos muito menores,
gadgets mesmo que vão ter essesmodelos, aí entra alguns modelos
menores quando sãodesenvolvidos, então a gente vê
lá o Lhama com vários bilhões deparâmetros.
Não é isso aí que vai pro campo.

(46:40):
Pro campo vai um modelo menor.
Então se você for, por exemplo,no Hugging Face, tem vários
modelos muito menores, abertosque você consegue colocar nesses
devices um pouco menores Queesses Tiny LLM, vários bem
pequenininhos.
Então já existe isso,justamente porque não vai ter às
vezes internet, não é umStarlink que vai às vezes ser

(47:01):
possível de comprar.

Speaker 1 (47:02):
Vai ter um monarquiajo Exato, porque as
pessoas estão pensando emaplicação de IA e sempre assim
existe uma tendência, por causada hype das LMs, pensar em IA
nesse formato.
Cara, não é isso, pera.
Aí Você pode ter um modelomenor, você pode ter um modelo

(47:22):
rodando local.
Sim, você tem possibilidade, deacordo com a necessidade do teu
negócio E tem framework.

Speaker 4 (47:27):
Né então, por exemplo , o TensorFlow, que é um dos
frameworks que a gente utilizapra desenvolver também modelos
de inteligência artificial, eletem ali dentro dos seus
capabilities pra você fazermodelos menores, justamente
pensando não só em pessoasrodando, em smaller devices,
tipo vão rodar lá no campo, mastambém no celular.
Então, ah, eu quero ter uma LLMrodando no meu celular, assim

(47:48):
um modelo de Deep Learning vocêconsegue.
Então assim já é possível.
Né, já é uma coisa.
Até antes desse boom aí do chatGPT, muitas pessoas já tinham
modelos rodando.
Não eram generativos, mas erammodelos de detecção, por exemplo
de planta doente tá lá no meiodo campo.
Você quer detectar?
Não vai ter internet, não temcomo.

Speaker 1 (48:09):
Tem que saber ali o que tá rodando O catálogo de
possibilidades ele traz pra vocêuma resposta.

Speaker 3 (48:13):
É isso, é isso, mi, no seu dia a dia lá na C&T.
Abraço o pessoal da C&T.
A C&T é cliente nosso lá,parceiro nosso há bastante tempo
.
Estive, abraço Wagner e aíassim depois eu vi seu LinkedIn
ali foi subindo.
Você é gerente lá de dados e acomeçou lá como cientista de

(48:36):
dados.
Pós GPT teve uma demanda maiorde trabalho.
Lá no seu dia a dia você viuuma demanda maior.
Surgiu novas ideias, novascoisas serem feitas ou seja esse
boom que foi pro mundo externo,pra todo mundo viu no seu dia a
dia também teve alguma coisanesse sentido.
Começou a gerar demanda pracaramba, coisa pra caralho pra

(48:57):
desenvolver como é que foi.

Speaker 4 (48:59):
Ah, com certeza.

Speaker 3 (49:00):
Imagino Essa era a minha curiosidade que eu falei
pô a Mi tava fazendo isso antesdo GPT vir.
A hora que o GPT vir deve terchovido demanda ali.
o negócio deve ter ficado umaloucura.

Speaker 4 (49:09):
Assim eu comecei na CIT como data engineer, então
assim eu queria muito conversarem inglês e ter uma oportunidade
na CIT.
Eu sempre gostei muito da CITporque ela é uma empresa muito
diversa, focada na IAtradicional.
Né Vamos falar assim, aquelaque a gente falou anteriormente.
E aí quando veio esse boom aído OpenAI, obviamente foi um

(49:37):
movimento de criar hipóteses e agente entender como que isso
funciona.
Isso realmente pode deixar agente mais eficiente em algum
momento.
Tem alguma parte do nosso ciclode desenvolvimento de software
que de de fato pode serotimizado com esse produto.
Né, então foram sendo feitosvários testes, porque é
experimentação, é sair na rua, étestar, ver qual que é o nosso
gargalo hoje, o que que tádoendo.

(49:59):
Vamos por IA aqui nesse fluxo,mas o que que a gente vai fazer
com IA, então foi legal que foiesse processo, até mapear.
Né como isso é feito com IA esem IA realmente tem uma
melhoria.
Então testes também, teste A eB teve que ser feito.
Nossa Foi muita coisa.
Eu fiquei muito feliz por poderlevar a parte científica do
teste A e B pra isso.

(50:19):
Né então, se você tá, porexemplo, num sprint e aí um deve
que tá trabalhando com IA e ooutro sem IA.
Não é só essa questão que vocêvai avaliar, mas as tarefas são
iguais.
Um tá fazendo uma API em sei láusando Node e a coisa nova pra
ele Node.
E se ele programa sei lá emPython e vai fazer em Node, já é

(50:39):
uma diferença aí.
Então isso afeta teu teste.
Né então era LLM, é, mas aí temum viés científico de teste que
eu gostei de trabalhar.
Né Então acho que Pude aplicarali, realmente Pude aplicar numa
questão que era uma dor, que éa mensuração de eficiência,
produtividade.
Então foi legal porque foi umteste.
A empresa ela postou e tem dadomuito certo.

(51:04):
Né Hoje eu tô trabalhando nessaparte de liderança, essa
estratégia de IA e é muito legalassim você poder ver que tem
clientes que realmente tem essamelhoria, essa eficiência e a
gente vendo, né vamos colocaraqui e agora quando a gente
coloca IA aqui caraca, isso aquificou muito mais rápido o que a
gente faz.
Agora temos um outro problemaque é muito código.
Quem que vai ficar aprovando ospull requests?

Speaker 3 (51:24):
então a IA tira os problemas, que vai ficar
aprovando os pull requests?
Sim, então aí ela vai ter quegerar uns problemas e vem com
outros, né E inventa outro prapoder resolver.
Né Sensacional, eu imaginei queeu fiquei pensando caramba,
cara.
Outra pergunta que écuriosidade sim, pô, você teve
oportunidade de ir pra Singapura, vegas, falar de IA, de machine
, vários países.
Como é que está o Brasil emrelação ao mundo, em relação ao

(51:46):
que você viu fora?
Você teve a oportunidade defalar né em nome do Google, em
nome de várias empresas emoutros países, enfim, como é que
nós estamos bem posicionados,estamos atrás, estamos na frente
.
O que você pode dizer domercado brasileiro e o mercado
internacional.

Speaker 4 (52:02):
Nossa é uma baita, pergunta É uma baita
responsabilidade Exato é difícilÉ ou não Nossa é uma baita
pergunta, É responsabilidaderesponder Exato, É difícil, É
assim.
Acho que vamos considerar entãoo contexto que a gente tem no
Brasil, né O Brasil é um país,que ele é bastante desigual.

Speaker 2 (52:13):
Começa por aí.

Speaker 4 (52:14):
Então na questão de IA a gente continua com as
mesmas desigualdades que a gentetem, que a gente não resolveu
De educação.
Comparar o Brasil com oSingapura é muito unfair, porque
o Singapura tem políticapública há muito tempo focada em
educação, é outro nível, assimsabe, e lá eles tem muita
questão de investimento focadoem educação você pode perder a

(52:35):
guarda do seu filho se o seufilho for mal na escola no
Singapura, só pra você ter ideia, é um negócio muito sério então
, assim é óbvio, tem essasquestões de igualdade.
Mas eu tô vendo que a passos atélentos a gente tá indo e eu
acho que a gente agora táganhando a clareza, assim sabe
de qual que é o real, assim oobjetivo que a IA tem, como a

(52:56):
gente consegue aplicar.
E agora com essa questão deregulação indo pra frente, né
até mesmo com a questão de dados, né que avançou bastante, então
assim a meta foi meio queparada.
Aí, viu, você não vai avançarassim não Sim exato.
Aí colocaram lá o formulário praaceitar de você compartilhar
seus dados enfim.
Então eu acho que a gente….

Speaker 3 (53:15):
Isso foi legal né cara.
Eu achei bacana, foi umemocionamento assim Eu achei que
o pessoal da NPD fez aqui nãovelho, vamos regulamentar porque
senão todo mundo chega lá, vaitreinando, usando os dados, sem
pedir, sem falar nada.
Eu achei um dos trabalhos, dasações que a NPD um abraço
pessoal tomou, que eu achei bem,eu achei ótimo assim não é a

(53:37):
casa da mãe.
Joana é isso se posicionar.

Speaker 4 (53:43):
Né então a gente tá se posicionando bem.
Eu acho que a gente tem umcontexto bacana pra começar
agora a expandir isso, né então?
eu acho que é natural a gentever mais iniciativas de testar
seus próprios LLMs.
Eu acho que a gente vai começara fazer isso com maior avanço
daqui pra frente.

Speaker 3 (53:57):
Mas eu tô vendo que a gente tá caminhando bem.
eu tô gostando da direlegas daárea de TI, de segurança de
outros países é que o brasileiro, ele tá muito mais aberto a
testar na prática, literalmentedentro das empresas, do que
outros países desenvolvidos,países europeus, americanos,
enfim.
Eu vejo que o pessoal tem muitomais receio de testar, de

(54:20):
colocar, de fazer um teste AB,uma questão de IA, de mexer em
que tá certo que é no Brasil.
No Brasil eu acho que obrasileiro é bem aberto a esse
tipo de situação.
Você sentiu isso também ou não?

Speaker 4 (54:30):
Eu sinto, eu acho que tem uns prós e contras aí
também.

Speaker 3 (54:33):
Vamos lá.

Speaker 4 (54:34):
Porque antes a gente saiu de um cenário onde as
pessoas tinham receio de testarIA.
Né, então eram só algumasempresas que testavam e ainda
assim com medo de colocar meusdados ali né, porque eu não sei
muito bem como o IA funciona.
O IA é caro.
Aí agora a gente tá lá gastandotoken, token, token, nem sei
pra onde tá indo.
Algumas empresas querem sófalar que estão usando o IA e às

(54:54):
vezes elas usam um app do chatda OpenAI.
Então você tá contratando àsvezes um serviço que você não
sabe o que acontece.
Um envelope, um envelope, e aítem a API da OpenAI e alguém tá
vendendo isso pra você Isso e tátipo cobrando e ganhando em
cima.

Speaker 3 (55:09):
Tá cheio de envelopadora aí né cara Tá
recebendo um prompt.

Speaker 4 (55:12):
Tá armazenando uma base.
Você não sabe pra onde essedado tá indo.

Speaker 3 (55:16):
Entendeu Se é um servidor ali que é um MongoDB A
transou extremamente polêmica.
Até se você for analisar, é aquantidade de empresas de
startup, de IA que tem nomercado e a maioria delas eu fiz
essa análise dias pra trás queeu tô lendo muito a respeito que
tem de envelopadora, queliteralmente tá pegando ali as

(55:37):
LLMs de outras empresas emelhorando, entre aspas, seu
prompt, amarzenando sabe Deusonde e te entregando a resposta
via API.
Não tá no GB, né Tem demais.
Isso aí é perigoso, perigoso edesnecessário, né.

Speaker 4 (55:49):
Você tá armazenando dados de prompts, que são dados
que têm informaçõesidentificáveis das pessoas.
Né, Então, se você colocaaquilo ali, sem anonimização,
sem uma máscara no banco dedados, é muito preocupante.
Então, assim, quando você vaidesenvolver hoje eu desenvolvo o
sistema de A generativa néEntão tem toda uma preocupação
em guard-rails.

(56:09):
Né, Tanto na entrada quanto nasaída, Você consegue saber se,
ah, tô usando o da OpenAI, porexemplo.
Mas qual que é o termo de usara OpenAI?
Porque uma coisa eu garantoaqui, mas eu tô mandando pra lá.

Speaker 3 (56:20):
Daí pra frente, é o termo dele exatamente.
E lá.

Speaker 4 (56:22):
Como que tá?
Ah tem uma retenção, do quêRetém?
por quê Trinta dias?
Ah, mas por que que retém?
Ah, é só pra questão de abuso etudo mais.
Ah, pô, mas isso todos osproviders fazem A não ser que
você tenha o seu próprio LLM,LLM que é outro estado.

Speaker 2 (56:35):
Então, assim, eu acho que as pessoas não estão indo
nesse nível Não, e essainformação não necessariamente
que é via uma LLM de terceiros,mas a informação chegar lá.
eu retenho os seus dados, essesdados são enviados pra fora,
retém e tudo mais e o caraaceitar legal.

(56:57):
mas o foda é você pega umainformação de um terceiro, joga
numa LLM pública de uma outrapessoa e a responsabilidade
disso fica com quem O problema éque eles, não, as pessoas não
têm o senso crítico pra saber.

Speaker 4 (57:10):
Então as pessoas explicam e aproveitam a
ingenuidade Sim, e aí que é oproblema sabe Que é um outro
problema?

Speaker 2 (57:16):
né, essa é a falta de conhecimento sobre a tecnologia
por parte de quem tá querendousar.
Muitas empresas só querem usar,não importa como, não importa o
risco.

Speaker 3 (57:26):
E aí é uma reflexão né Que às vezes os gestores, o
pessoal que quer entrar no hype,vamos tentar Pra que você vai
usar, Como você vai usar, Qualproblema você quer resolver.
Vamos parar pra pensar e nãousar só por usar.
Né Porque às vezes tem gentequerendo usar só por usar e não
tá dando.

Speaker 4 (57:46):
É a resposta pro seu problema, porque talvez não seja
né resposta.
Pro problema é o famoso teste A, B às vezes, mas aí talvez ele
só vai descobrir se ele testar,ele tem que testar agora vai
experimentar com o que.
Qual que é esse wrapper quevocê vai testar aí é o.

Speaker 3 (57:56):
X da questão.

Speaker 1 (57:56):
E aí é a maior parada , porque assim não só testar se
você for pelo caminho de vocêeducar, também você construir
ali o teu aprendizado de máquina.
Você vai ter que entenderdaquele universo, vai ter que
ter alguém que opera aquilo.

Speaker 3 (58:08):
Aí, já é outra parada .
Vou sair para ter uma LLMinterna Legal Aí a gente vai.

Speaker 2 (58:13):
Qual é o custo disso?
Qual é o custo de manutenção?
É muito profissional envolvido,tem metodologia em torno disso.
Que é?

Speaker 1 (58:19):
assim você domina o assunto, você freia um pouco,
você solta um pouco, você temmétodos de, de tem empresa que
não tem esse ponto pois é, eisso vai de acordo com a tua
necessidade.
Então assim uma coisa sobmedida é muito diferente de você
jogar lá numa LLM e lidar comas variáveis que eles voltarem

(58:42):
pra vocês.

Speaker 3 (58:43):
Isso é com certeza na sua opinião, mi o que você acha
mais preocupante?
Uma IA super inteligente,inteligente pra caramba, ou seja
aquela que tá superando um serhumano?
vamos dizer assim, né como dizo outro, ou então a mal treinada
.

Speaker 4 (58:59):
Olha, eu vou dar Que dia é hoje mesmo Dia 23?
.

Speaker 3 (59:02):
Hoje é 23.

Speaker 4 (59:03):
23 de junho de 2025.
Até agora, pra mim, com todacerteza é uma IA que tá sendo
treinada, e de maneira errada.
Com toda certeza sim, porque aIA super inteligente.
pra mim ela ainda é uma.
pra ser muito sincera, é umahipótese Com as arquiteturas que
a gente tem hoje pra essesmodelos.

Speaker 3 (59:23):
Fala isso pra mim ser antes que ele é preocupado pra
cara, que ele acha que o mundovai terminar, É muito mais
preocupante do que táacontecendo agora, porque um
outro é uma hipótese, o outro éuma realidade.

Speaker 4 (59:32):
Então a gente hoje tem IAs que são treinadas de com
peso errado, com viésintencional pro erro ali, né do
que tá sendo colocado IAs sendousadas em momentos errados na
trajetória de desenvolvimento desoftware e mesmo assim no de
fato, assim no nosso dia a dia,então assim você coloca, às

(59:54):
vezes tem IAs que estão tomandodecisões totalmente erróneas,
assim Não tem IA fazendo defesade alguns advogados, que a IA
colocou lá uma jurisprudênciaque não existia, invent E a Yá
colocou lá uma jurisprudênciaque não existia, inventando,
alucinando, apresentando projuiz um monte de coisa que não
existia.
Ou até uma defesa, tipo assim,reconhecimento facial de uma
pessoa ali que tá Se ela deve ounão ser presa.

(01:00:16):
Um monte de coisa errada.
Assim sabe Direto, assim Passou.

Speaker 2 (01:00:21):
A Yá falou, isso vai fundo Às vezes até a pergunta
que você tá fazendo pra essa IA,porque às vezes a IA também não
é tão mal treinada, mas ela nãotá treinada pra dar a resposta
que você quer.
Então a pergunta que você fazpra utilizar aquela IA também é
um, é um problema.
Eu vi em algum lugar uma IA quefoi jogar xadrez com um atalho
e perdeu Porra.

(01:00:42):
a IA não consegue superar umAtari no modo fácil.

Speaker 4 (01:00:46):
eu lembrei daquele do cara lá do xadrez que o cara né
o cara lá é mais fraco do queum Atari.

Speaker 2 (01:00:55):
Não, mas foi usado da maneira errada.
Tá aí, eu vou citar.

Speaker 3 (01:00:58):
Vou citar aí o robô aqui, eu sabia né em algum
momento ia chegar a Zimove obolão hoje aqui, quando ele ia
tocar em uma hora de gravaçãovamos lá aquele momento em que o
o cara questiona pra uma, praum robô?

Speaker 1 (01:01:16):
ah pô, mas você consegue compor uma sinfonia, o
robô não.
E você?
depende de quem que ele táfalando o cara não ganhou do
xadrez do Atari.
Tá, você ganha.

Speaker 4 (01:01:34):
De repente não entendeu então assim as
inteligências são específicas sevocê for robô, você não
esperava que fosse fazer issopra essa, não, já imaginava
qualquer outra coisa, assim eusempre.

Speaker 3 (01:01:47):
Ele cita muito.

Speaker 2 (01:01:49):
Mas qual pergunta você está fazendo pra ela?

Speaker 1 (01:01:52):
Olha só, o ser humano está perseguindo a ideia do EGI
, Está perseguindo Essainteligência geral, essa máquina
Cara existe.
Essa coisa É uma corridaespacial.
Estão perseguindo isso.
A gente tá longe disso, a gentetá perto disso.
É outra história.
A gente nunca esteve tão perto,mas a gente ainda tá longe.
A gente nunca esteve tão perto.

(01:02:14):
Então, assim, quanto tempo vailevar?

Speaker 2 (01:02:18):
Essa aí que você falou que vai dominar o mundo.
vou pôr ela pra jogar com oAtari e eu Já era entendeu,
dominar o mundo beleza Só depoisque você ganhar do Atari.

Speaker 3 (01:02:27):
Já era do Atari, aqui , meu amigo Sacanagem, né Cara
sem ser Batalha final Chate PT.

Speaker 2 (01:02:35):
Quem ganhar domina o mundo.
Mas chat PT.
Quem ganhar domina o?

Speaker 1 (01:02:39):
mundo.
Mas assim são coisas que ahumanidade está perseguindo, é
símbolo de poder e tal.
Então assim, ah, vai ser fim domundo.
Nada disso estou falando, cara.
É uma coisa que se persegue, éuma coisa que estão buscando e
eventualmente a gente vai acabarchegando lá.
Assim como a computaçãoquântica que pô foi do

(01:03:00):
hiperteórico até hoje chegar aalgum grau de realidade, a gente
vai chegar num ponto em quevamos misturar as coisas e nós
vamos ter E aí você tá falandopor exemplo, um aprendizado de
máquina usando computaçãoquântica, mas é batata Uma hora
vai chegar

Speaker 2 (01:03:14):
lá, ah não mas vamos entrar em computação quântica,
não Porque minha cabeça, aindatá doendo do episódio quântico.

Speaker 4 (01:03:19):
É pra lá que nós vamos?
Eu não entendi direito.

Speaker 2 (01:03:20):
Ele tem que poder dizer Ou é zero e um.
Não dá pra entender cara.

Speaker 3 (01:03:27):
Cara, assim a gente se prende com muita coisa, né A
gente que não tá no dia a diaviar como você.
Mas o que você viu nos últimostempos, assim que realmente te
surpreendeu, assim Falei pô,caramba, isso foi foda E
realmente teve algo que tesurpreendeu.
Ou você que já tava aliestudando, ah, ok, faz parte,

(01:03:47):
você consegue ver os códigos.
Que pra mim pô, sendo bemsincero, é que eu vi o Amo Iá
girando umas imagens ali, o GPTgirando aquelas imagens do
caramba ali, de acordo.
F imagens ali, o GPTG dandoaquelas imagens do caramba ali,
de acordo.
Eu falei caralho, esse negócioé muito foda, entendeu, fiquei
viajando me surpreendeu pracaramba o realismo, o View 3 ali
, o View 3 do Google, cara, fizuns videozinhos ali com Fiquei,
assim o que é aquilo?

Speaker 2 (01:04:08):
Os memes cara tão lindos.
Exato O TikTok tá assim, tápicocando.

Speaker 3 (01:04:13):
Meme de brasileiro, top velho, eu fiquei
impressionado.
Agora eu imagino você que játrabalha com IA há bastante
tempo.
Você vê isso, aí você sesurpreende também.
Tem algo que te surpreendeainda.
Ou você fala pô, não fazsentido.

Speaker 4 (01:04:25):
Não total.
Eu vejo os POV lá do Viu.

Speaker 3 (01:04:29):
Você está no Egito e você está andando num camelo.
Aí a pessoa mostra assim 0.5,né o outro angular.

Speaker 4 (01:04:36):
Amém, então, assim eu olho isso, eu acho que o que tá
me impressionando mais é oquanto tá acessível, então tá
ficando cada vez mais baratopras pessoas usarem.
Então o poder computacional dohardware tá aumentando muito, o
que também me preocupa por contada questão de energia, a
questão do cara tá cada vez mais.

Speaker 3 (01:04:53):
Ninguém nunca tá falando de energia ainda porque
essa conta deve ser cara.
Viu, essa energia, lá que émuito cara.

Speaker 1 (01:04:58):
A gente tá planejando usinas nucleares privadas pra
rodar essa coisa toda.

Speaker 3 (01:05:04):
Hoje não é um bom dia falar de energia nuclear.
É bom falar que não é nuclear.
Ela já dá bom episódio, entãovamos lá assim véi.

Speaker 2 (01:05:11):
A gente tá mais com medo da treta que tá rolando lá,
do que a IA vai dominar Quemundo que a IA vai dominar, eu
tô falando sobre geração deenergia nuclear para alimentar.

Speaker 1 (01:05:22):
Ninguém fala de nuclear aqui Para que possamos
assistir o programa do Miranhano Instagram.
entendeu, É esse o contexto quenós estamos vivendo?

Speaker 4 (01:05:31):
Eu acho que não vai rolar nada nuclear pelos
próximos 10 anos privados, outalvez 50 anos entendeu Mas me
impressiona muito assim a galeracomo eles estão usando, porque
tá misturando muito essa questãode criatividade e as pessoas
colocando realmente essesmodelos pra rodar.
Então acho que isso é o que támais me impressionando, assim
sabe, juntamente com algumascapabilities.

(01:05:55):
Por exemplo, foi lançado aípelo Google recentemente no
Google IO, e cada semana estãolançando alguma coisa nova.
Agora o Gemini.
Ele consegue, quando você estáconversando com ele, ele
entender se, por exemplo, estoufalando com você aí o Anderson
me chama.
Aí eu olho para o Anderson,falo com ele e você é o Gemini.
Por exemplo, você vai conseguircapturar como Gemini que eu

(01:06:18):
falei com o Anderson, não comvocê.

Speaker 3 (01:06:19):
Ele vai entender que você deu uma pausa com ele.
Isso é sensacional.

Speaker 4 (01:06:22):
Isso é muito legal.

Speaker 3 (01:06:23):
Então essa nuance da voz sabe O GPT tá fazendo também
Começou, mas ainda não tá tãobom.
Não tá tão bom Mas ela dá, elaentende que antes alguém
interrompia e começa tudo certo.

Speaker 4 (01:06:34):
Agora ela já entende que pô não é como ela mas ainda
não tá tão bom.
Então isso é muito legal Eassim, falando em pesquisa
científica, assim eu acho queisso é bem interessante.

Speaker 3 (01:06:43):
Sensacional.
Eu tinha dúvida se tinha algoque surpreendia a mim nesse
negócio.
Isso é uma.

Speaker 1 (01:06:47):
Assim é muito legal que Talvez as pessoas olhem e
fiquem Nossa e fiquem nossa cara, mas assim é uma melhoria de
algoritmo.
Você vê claramente, opamelhoraram o código aqui e ele
tá agindo de forma melhor.
Ele tá trabalhando melhor.
As cidades estão chegando praele, né?
Sim, isso é muito diferente deuma inteligência de fato né, Não

(01:07:09):
é caramba, ele entendeu.
Não, ele só tá processandomelhor E melhor.

Speaker 3 (01:07:14):
vamos ser sinceros, Pô, eu vi aí cara, e aí de novo
brasileiro é bom, né, porque ébrasileiro consegue pegar o
negócio, deixar o negócioengraçado pra cara.
os memes, tão assustador veieles começaram a fazer e não.

Speaker 4 (01:07:27):
O que é mais bizarro é que estão monetizando isso.
Criaram um perfil de umaapresentadora e as pessoas
acompanham.

Speaker 3 (01:07:35):
É cara, mas ela é maior, é Marisa Maior aqui nessa
mesa é engraçadíssimo o negócioinclusive está convidada Marisa
Maior.

Speaker 1 (01:07:46):
Se quiser participar do pote de café, a gente grava
com ela.

Speaker 3 (01:07:51):
Você vai trazer ela aqui vai fazer online vai fazer
online está aqui o desafioMarisa.
Duvido você vir online.
Sei lá, se a foto tá bom, agente pode ficar aqui até amanhã
, mas chegou naquela hora.

Speaker 1 (01:08:05):
né Adoraria, Eu queria inclusive ter cavocado
mais questões técnicas com a Mi,porque assim a Mi sabe tudo É
radical.

Speaker 4 (01:08:14):
Nós deveríamos.
Tem que fazer outro agora.
Tem que fazer os dois.

Speaker 3 (01:08:19):
Tem que nós deveríamos.
Tem que fazer o outro agora.

Speaker 1 (01:08:20):
Tem que ativar a agenda tem que chegar numa
camada mais introdutória edepois ir descendo que senão não
dá, então tem que ter umacontinuidade, com certeza, mas
Mi está em suas mãos o microfone.
Agora, para suas consideraçõesfinais, você pode deixar
mensagem motivacional.
Link jabá, pode ficar à vontade.

Speaker 4 (01:08:41):
Fala ali na três e É isso aí, boa Gente, obrigada
pelo convite, foi muito incrívelparticipar do papo com vocês.
É sempre muito gostoso, umatroca muito interessante.
Então, obrigada mesmo Agradecervocê aí de casa que acompanhou
a gente.
Também tava aí com a tua bebidafavorita, aqui assistindo a
gente.
Então, obrigada, e se vocêsgostam dessa parte de ar, tem

(01:09:04):
interesse, querem aprender mais?
me sigam ali no arroba, explicaMi.
No LinkedIn também.
Tô por lá No YouTube tambémpostando vlogs de Las Vegas,
singapura.
Então, misturando um pouquinhodas coisas.
Também tenho curs, singapura,então, misturando um pouquinho
das coisas, também tem o curso.
Então entra lá no Instagram e agente vai conversando e eu
ajudo você nessa jornada aí tãoincrível que já tô só começando,

(01:09:24):
é isso Sensacional, mi.

Speaker 3 (01:09:26):
Os links vão estar todos na descrição do episódio,
então, muitíssimo obrigado.
Uma honra novamente ter vocêaqui e os microfones estão
sempre abertos.
Esperamos gravar novamente embreve, obrigada valeu demais.

Speaker 4 (01:09:37):
E aí a gente fala tecnicamente no próximo É, vamos
pagar.

Speaker 1 (01:09:40):
A gente tem muita coisa né Vale a pena porque
assim quem quer realmentecolocar a mão na massa aí mais
fundo nisso tem que sair dessacamadinha de LLM, sair da
camadinha dos memes e ir pradentro, entendeu?
Então fica aí E é isso.

(01:10:00):
E obrigado a CS Pro que maisuma vez trouxe pra gente mais um
episódio de Podcafé Tech.

Speaker 3 (01:10:03):
É isso aí Sensacional .

Speaker 1 (01:10:05):
Beijo galera Podcafé.
Quero café, Quero café.