Vida com IA

Neste programa, Filipe mergulha no aprendizado por reforço, uma área essencial da IA. Ele explica conceitos fundamentais como agente, ambiente e as ações usando um divertido exemplo de um ratinho em um labirinto. O apresentador discute as recompensas positivas e negativas, traçando um paralelo com o aprendizado em bebês e animais. A diferença entre exploração e explotação também ganha destaque, ilustrando as escolhas que fazemos no dia a dia. As semelhanças entre o aprendizado humano e o aprendizado por reforço são abordadas de maneira cativante.

Neste episódio, o apresentador compartilha dicas valiosas sobre como se manter atualizado em inteligência artificial. Ele fala sobre sua trajetória acadêmica e a importância do networking. Aprender conceitos profundos e buscar conteúdo extra se destacam como estratégias essenciais. Filipe enfatiza a troca de ideias com colegas e a acumulação de experiências práticas. Além disso, fornece orientações sobre como filtrar e ler papers de forma eficiente, e destaca a importância de construir uma rede confiável para o crescimento na carreira.

Fala galera, nesse episódio eu falo sobre o paper do DeepSeek OCR, eu explico o paper, explico a arquitetura e falo sobre a qualidade do modelo em dados em em portugues.O cupom de 50% de desconto do curso pelos 2 primeiros meses válido até 30/11 é: BLACK50Aqui está o link para a página de vendas para saber mais sobre mim e sobre o curso: ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠https://www.cursovidacomia.com.br/⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Aqui está o link para se inscrever: ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠https://pay.hotmart.com/W98240617U⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Link do grupo do wpp:⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/GNLhf8aCurbHQc9ayX5oCP⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠F⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Instagram do podcast: ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠https://www.instagram.com/podcast.lifewithai⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Meu Linkedin: ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠https://www.linkedin.com/in/filipe-lauar/⁠⁠⁠Paper deepseek OCR: ⁠https://www.arxiv.org/pdf/2510.18234⁠Dataset RVL CDIP: ⁠https://huggingface.co/datasets/aharley/rvl_cdip

Neste podcast, é debatida a discrepância entre benchmarks acadêmicos e os desafios práticos enfrentados na indústria. Filipe critica a eficácia dos datasets como o RVL CDIP, destacando sua inadequação à realidade. Ele explora problemas com documentos longos e a escassez de dados reais para treinamento, sugerindo que muitas técnicas práticas podem superar os modelos de última geração. Há também uma reflexão sobre a limitação dos dados sintéticos e a importância de OCRs comerciais robustos, além da necessidade de focar no problema real em vez de seguir modismos.

A história dos LLMs é fascinante! Tudo começou com o paper do Transformer em 2017, revolucionando o campo com sua técnica de atenção. A evolução dos modelos como BERT e GPT trouxe novas abordagens e aumentou a capacidade de processar dados. O impacto do ChatGPT foi massivo na popularização das interações com IA. 2024 prometerá avanços em multimodalidade, enquanto o raciocínio automático está se tornando o novo foco. O futuro parece promissor, com melhorias na geração de imagem e modelos rodando em dispositivos móveis.

Neste episódio, Filipe discute as diferenças entre LLMs, workflows e agentes de IA. Explora três níveis de autonomia na utilização de LLMs. Explica o funcionamento básico de um LLM tradicional e seus processos. Detalha como os workflows operam com direções pré-definidas, enquanto os agentes tomam decisões dinâmicas. Aborda a flexibilidade dos agentes, apesar dos riscos de imprevisibilidade. Filipe também fala sobre a importância da terminologia correta nesse campo e oferece insights sobre seu curso de deep learning.

Neste programa, a discussão gira em torno das diferenças cruciais entre algoritmos tradicionais e inteligência artificial. Filipe explora como a IA aprende de maneira diferente das regras fixas de um algoritmo, usando exemplos práticos como uma calculadora. Ele também detalha a arquitetura da IA e o papel do algoritmo de aprendizado, mostrando como modelos treinados podem ter finalidades variadas. Por último, são abordadas as potencialidades da IA generativa, que permite múltiplas tarefas a partir de um único modelo.

Neste episódio, Carlos Eduardo Gabriel Santos, VP Senior Architect no Citi e vencedor do desafio do Kaggle, compartilha insights valiosos sobre sua solução de machine learning. Ele desvenda a complexidade da arquitetura BERT em português e sua experiência com bigrams e embeddings. Além disso, Carlos discute como implementou um modelo em ensemble utilizando K-fold e a importância do EDA nos seus experimentos. Ele também aborda os desafios que enfrenta no Citi e as lições aprendidas em prototipagem e iterações.

Neste episódio, a conversa se aprofunda em embeddings e vetores de alta dimensão. É discutida a importância das distâncias, como a euclidiana e a de cosseno, no contexto de Deep Learning. Os anfitriões ainda falam sobre o alinhamento angular entre vetores, proporcionando uma análise técnica e visual. A complexidade e a interpretação das distâncias variam de acordo com o problema abordado, tornando o tema fascinante e relevante para quem estuda inteligência artificial.

Neste bate-papo, Filipe Lauar desmistifica o conceito de Vibe Coding e revela como tem integrado essa abordagem em sua rotina. Ele compara ferramentas como Cursor e VS Code, destacando os prós e contras de cada uma. Filipe também alerta sobre riscos comuns e a importância de um bom prompt na programação com LLMs. Além de compartilhar dicas práticas para migração de serviços, ele discute a escolha do modelo certo e analisa os custos envolvidos, proporcionando uma visão abrangente sobre o uso de inteligência artificial na programação.