Aprendizado de máquina em casos de uso do mundo real em ação Ppt

Slide 3

Este slide discute a importância da tradução de idiomas, pois é um meio de comunicação que conecta pessoas de várias comunidades multilíngues. Ele também enfatiza a importância crítica de desenvolver soluções técnicas inovadoras para o antigo problema da exclusão digital que as limitações linguísticas podem causar.

Slide 4

Este slide discute o Google Tradutor como um caso de uso de Tradução Automática de Idiomas por Aprendizado de Máquina. O Google Tradutor é uma ferramenta de tradução multilíngue que o Google fornece gratuitamente. Possui uma interface de site e aplicativos móveis Android e iOS, e os desenvolvedores podem usar sua interface de programação de aplicativos (API) para criar extensões de navegador e aplicativos de software.

Notas do instrutor:

O Google Translate atende a mais de 500 milhões de pessoas todos os dias e traduz mais de 100 bilhões de palavras por dia.

Slide 5

Este slide apresenta o Microsoft Translator como um caso de uso de tradução automática de idiomas usando aprendizado de máquina. O Microsoft Translator é um serviço de nuvem multilíngue de tradução automática (MT) que funciona com aplicativos para consumidores, desenvolvedores e empresas.

Slide 6

Este slide fala sobre o Facebook Translator, que é outra ferramenta usada para tradução automática de idiomas. O Facebook Translator (FT) introduziu uma nova ferramenta de tradução e abordagem que permitia aos usuários traduzir o site para seus idiomas. Suporta mais de 100 idiomas.

Slide 7

Este slide lista as limitações da tradução automática de idiomas, como conteúdo que perde seu elemento conciso, exatidão duvidosa da tradução, falta de precisão, baixa qualidade e limitações tecnológicas.

Notas do instrutor:

• O conteúdo perde seu elemento conciso: ao usar uma palavra alternativa para cada palavra no idioma de origem, as técnicas de tradução automática diluem a concisão da informação, o que torna a comunicação longa, ofende o leitor e redireciona seu foco para longe do objetivo principal do texto
• Exatidão duvidosa da tradução: Em qualquer idioma, a precisão é uma obrigação para uma comunicação eficaz. Como resultado, é vital lembrar que a integridade do conteúdo nunca deve ser sacrificada durante a tradução de um documento para outro idioma. Durante o processo de tradução, a tradução automática não consegue manter a precisão do texto
• Falta de precisão: as traduções assistidas por computador (CAT) não podem ser equivalentes às traduções humanas em termos de precisão ao traduzir terminologia ambígua. Tradutores humanos com vasta experiência podem garantir que os materiais traduzidos sejam precisos, exatos e consistentes
• Baixa qualidade: A baixa qualidade do texto traduzido é uma desvantagem fundamental da tradução automática. As traduções automáticas não podem colocar o texto em seu contexto apropriado, e os tradutores humanos precisam estar atentos às referências culturais, expressões idiomáticas coloquiais, jargão industrial e outras nuances
• Limitações tecnológicas: Muitas soluções especializadas neste campo não podem ser manuseadas, pois a tradução automática segue princípios sistemáticos. A tradução automática não pode traduzir de formatos de arquivo, como PDF, DOC e TXT

Slide 8

Este slide ilustra a importância do aprendizado de máquina no diagnóstico médico. A Inteligência Artificial e o Machine Learning tornaram-se ferramentas vitais para a resolução de questões complicadas nas disciplinas nos últimos anos. O diagnóstico assistido por aprendizado de máquina, em particular, tem o potencial de revolucionar a assistência médica, aproveitando grandes quantidades de dados do paciente para fornecer diagnósticos exatos e personalizados.

Slide 9

Este slide mostra como o aprendizado de máquina pode aprimorar o modelo de diagnóstico com base nas informações fornecidas pelos dados clínicos. As informações incluem tudo, desde sintomas clínicos até testes bioquímicos e saídas de equipamentos de imagem.

Notas do instrutor: os tipos de dados que podem ser usados para obter um diagnóstico médico preciso usando o aprendizado de máquina são:

• Dados de doenças: medidas fisiológicas e dados sobre doenças ou sintomas reconhecidos são exemplos de dados de doenças
• Dados Ambientais: Informações sobre a exposição de uma pessoa ao meio ambiente, como fumar, tomar banho de sol e condições climáticas
• Dados genéticos: toda ou uma parte significativa da sequência de DNA de um indivíduo é chamada de dados genéticos

Slide 10

Este slide lista as vantagens do aprendizado de máquina no diagnóstico médico, como encontrar fatores de risco, aumentar a eficiência do diagnóstico e reduzir visitas hospitalares desnecessárias.

Notas do instrutor:

• Encontre fatores de risco: descubra quais fatores estão mais intimamente ligados à chance de contrair uma doença
• Aumente a eficiência do diagnóstico: as doenças podem ser diagnosticadas mais cedo e com mais precisão
• Reduzir visitas hospitalares desnecessárias: as visitas ao hospital só devem ser feitas quando o paciente realmente precisar de atenção médica

Slide 11

Este slide destaca as aplicações do aprendizado de máquina no diagnóstico médico. Essas aplicações incluem patologia, oncologia, genética e genômica, dermatologia e saúde mental.

Notas do instrutor:

• Patologia: Dada a escassez de patologistas em todo o mundo, há um caso sólido para usar o aprendizado de máquina para avançar nesta disciplina. A patologia também é lucrativa para aplicações de Inteligência Artificial devido à necessidade de analisar conjuntos de dados massivos. O aprendizado de máquina pode melhorar a precisão da análise de sangue e cultura automatizando a quantificação de tecidos e células, mapeando células de doenças e sinalizando áreas de interesse em uma lâmina médica. Também pode ajudar a criar paradigmas de estadiamento do tumor e aumentar a velocidade da digitalização do perfil para melhorar a produtividade dos profissionais de saúde
• Oncologia: Em oncologia, a relevância de encontrar um tumor maligno no início é crítica, e é por isso que a exatidão e a precisão diagnóstica são cruciais. Os oncologistas podem usar o Machine Learning para detectar o câncer em seus estágios iniciais. Especialistas médicos podem detectar mutações somáticas usando técnicas como DeepGene (uma mutação somática é uma alteração adquirida em um código genético de uma ou mais células)
• Genética e genômica: Machine Learning e Inteligência Artificial (IA) são componentes essenciais da genética preventiva. Os cientistas estão usando algoritmos para determinar como medicamentos, produtos químicos e variáveis ambientais afetam o DNA humano
• Dermatologia: Os médicos antecipam que o uso de Machine Learning nesta disciplina reduzirá o número de biópsias desnecessárias que os dermatologistas devem realizar. Existem implementações funcionais de aprendizado de máquina disponíveis, incluindo um algoritmo que distingue melanomas de lesões benignas da pele com maior precisão do que um ser humano, ferramentas que rastreiam o desenvolvimento e as alterações nas toupeiras da pele. Também pode auxiliar na detecção de condições patológicas e algoritmos que identificam marcadores biológicos para acne, fungos nas unhas e dermatite seborreica
• Saúde mental: por meio do aprendizado de máquina, a inteligência artificial pode ter um impacto revolucionário na pesquisa em saúde mental e na eficiência dos diagnósticos médicos. A terapia cognitivo-comportamental (TCC) personalizada, desenvolvida por chatbots e terapeutas virtuais, e a prevenção de doenças mentais usando técnicas de aprendizado de máquina podem ajudar grupos de alto risco a evitar o isolamento social. Também pode ajudar a identificar grupos com alto risco de suicídio e fornecer-lhes apoio e assistência. Machine Learning está sendo usado para diagnosticar depressão clínica, transtorno bipolar, ansiedade e outras doenças mentais

Slide 12

Este slide destaca as aplicações do aprendizado de máquina no diagnóstico médico. Essas aplicações incluem neurologia, cuidados intensivos, oftalmologia, diabetes e saúde pública.

Notas do instrutor:

• Neurologia: a incorporação do Machine Learning na coleta, processamento e interpretação de dados de pesquisa beneficia a neurociência e a neurologia. As tecnologias inovadoras são essenciais para expandir a fronteira da pesquisa neurológica, desde o processamento de varreduras até o fornecimento de informações sobre o cérebro humano e o reconhecimento de padrões de comportamento
• Cuidados intensivos: na UTI, o aprendizado de máquina pode ajudar os médicos a identificar pacientes de alto risco, garantindo que nenhum sinal precoce de deterioração seja ignorado. Tecnologias inovadoras podem oferecer aos médicos informações sobre a saúde de seus pacientes de UTI. Os médicos de terapia intensiva, por exemplo, descobriram que pacientes com delírio respondem melhor à luz (do que ao ruído) por meio do uso da tecnologia
• Eyecare: As ferramentas de triagem de visão orientadas por IA que ajudam a fornecer um diagnóstico médico no local de atendimento com base no aprendizado de máquina para doenças oftalmológicas estão entre os desenvolvimentos mais recentes que os centros de saúde estão usando. Ele também ajuda na detecção da retinopatia diabética e fornece informações sobre o tratamento aos médicos, avaliando os dados do paciente. A triagem de glaucoma e catarata de alta precisão também pode ser feita com a implementação do Machine Learning
• Diabetes: o Machine Learning pode ajudar nessa área usando modelagem de máquinas vetoriais e desenvolvendo redes neurais para triagem de pré-diabetes, estabelecendo ferramentas para gerenciar a administração de insulina sob medida e criando sistemas artificiais de pâncreas. Pode ajudar a identificar indicadores genéticos e outros indicadores de diabetes e prever problemas tratáveis em pacientes diabéticos para melhorar sua qualidade de vida
• Saúde pública: os profissionais de saúde podem usar o aprendizado de máquina para expandir o escopo do diagnóstico médico e passar do exame de casos individuais para o monitoramento de comunidades e antecipar surtos de doenças

Slide 13

Este slide mostra os pioneiros no campo do diagnóstico médico que implementaram o aprendizado de máquina. Isso inclui Google Health, Corti, IBM Watson Health e MedX.

Notas do instrutor:

• Google Health: o Google Health se uniu à equipe DeepMind para desenvolver um algoritmo de diagnóstico de câncer de mama. O sistema resultante foi um sucesso significativo, superando os radiologistas humanos em precisão diagnóstica
• Corti: O Corti é um software baseado em IA que auxilia os médicos do pronto-socorro a extrair informações das interações com os pacientes. Além de avaliar o conteúdo da conversa, o sistema registra as entonações vocais do chamador e analisa o ruído de fundo para fornecer à equipe médica uma imagem completa da situação no local
• IBM Watson Health: Watson Health revelou recentemente um programa inovador de detecção precoce de câncer de mama. A Biorasi, plataforma para otimização da fabricação de medicamentos, também foi desenvolvida pela empresa
• MedX: Este negócio do Vale do Silício está revolucionando a saúde usando ciência de dados e análise preditiva. Em vez de focar no contato direto entre médicos e pacientes, a empresa fornece ferramentas para a tomada de decisões operacionais inteligentes

Slide 14

Este slide apresenta o Reconhecimento de imagem. Encontrar objetos de interesse dentro de uma imagem e determinar a qual categoria eles pertencem é conhecido como reconhecimento de imagem.

Notas do instrutor: O reconhecimento de imagens é um aplicativo de visão computacional que envolve tarefas como detecção de objetos, identificação de imagens e categorização de imagens.

Slide 15

Este slide discute o funcionamento do reconhecimento de imagem usando Machine Learning. As técnicas de aprendizado de máquina são usadas para extrair conhecimento oculto de um conjunto de dados de amostras boas e ruins para reconhecer imagens.

Notas do instrutor: Quando combinado com a robusta tecnologia AI e GPUs, o Deep Learning permite avanços significativos no campo de reconhecimento de imagem. Os algoritmos de classificação de imagem e reconhecimento facial usando Deep Learning alcançam desempenho de nível humano na detecção de objetos em tempo real.

Slide 16

Este slide ilustra modelos de reconhecimento de imagem de aprendizado de máquina, como máquinas de vetores de suporte, modelos de saco de recursos e algoritmo de Viola Jones.

Notas do instrutor:

• Support Vector Machines: SVMs funcionam criando histogramas de imagens que podem ou não conter os itens de destino. Em seguida, o programa compara os valores do histograma treinado com os de partes da imagem de teste para ver se há alguma correspondência
• Modelos de Bags of Features: Os modelos Bag of Features, como Scale Invariant Feature Transformation (SIFT) e Maximally Stable Extremal Regions (MSER), funcionam digitalizando uma imagem e comparando-a com uma foto de referência do objeto a ser descoberto. O modelo, em seguida, combina os pixels dos recursos da foto de amostra com as regiões da imagem de destino para ver se há correspondências
• Algoritmo Viola Jones: Viola-Jones escaneia os rostos das pessoas e extrai características, que são alimentadas em um classificador de reforço. Como resultado, classificadores otimizados são criados e usados para verificar as fotos de teste. Uma imagem de teste deve produzir um resultado positivo de cada classificador para encontrar uma correspondência bem-sucedida

Slide 17

Este slide descreve o aplicativo de reconhecimento de imagem para análise facial. O feed de vídeo de qualquer câmera digital ou webcam pode ser usado com tecnologias modernas de aprendizado de máquina para fazer detecção simultânea de rosto, estimativa de postura facial, alinhamento facial, reconhecimento de gênero, detecção de sorriso, estimativa de idade e reconhecimento facial.

Notas do instrutor: A visão computacional permite que os computadores determinem identidade, intenções, estado emocional e de saúde, idade e etnia por meio de análise facial. Alguns softwares de reconhecimento de fotos até tentam usar uma pontuação para definir os níveis de atratividade percebida.

Slide 18

Este slide discute os sistemas de identificação de imagens com tecnologia Machine Learning usados no setor agrícola. Esses sistemas utilizam ferramentas de ponta treinadas para reconhecer o tipo de animal e seu comportamento.

Slide 19

Este slide apresenta o reconhecimento de fala como uma aplicação de aprendizado de máquina. É um recurso que permite que um software de computador converta a fala humana em texto.

Slide 20

Este slide descreve o funcionamento de um sistema de reconhecimento de fala. O processo de três etapas inclui nível de sinal, nível acústico e nível de linguagem que converte um sinal analógico em transcrição.

Slide 21

Este slide lista os principais recursos de um sistema de reconhecimento de fala eficaz e eficiente. Esses recursos incluem ponderação de linguagem, treinamento acústico, rotulagem de alto-falante e filtragem de palavrões.

Notas do instrutor:

• Ponderação de idioma: pode melhorar a precisão ao ponderar palavras específicas usadas com frequência, como nomes de produtos
• Treinamento acústico: esses sistemas orientados a ML prestam atenção à parte acústica do negócio. Ele treina o sistema para se ajustar a estilos de fala (como tom de voz, volume e ritmo) e ambientes acústicos (como aqueles vistos em call centers)
• Rotulagem do orador: esses sistemas podem criar uma transcrição de uma conversa com vários participantes que faz referência ou marca as contribuições de cada orador
• Filtragem de palavrões: Os filtros podem ser usados para identificar palavras ou frases específicas e limpar a saída de áudio

Slide 22

Este slide descreve os tipos de algoritmos de reconhecimento de fala. Isso inclui processamento de linguagem natural, modelo oculto de Markov, N-gramas, redes neurais e diarização de alto-falante.

Notas do instrutor:

• Processamento de Linguagem Natural: Embora o Processamento de Linguagem Natural (NLP) não seja estritamente um método específico para reconhecimento de fala, é um ramo da Inteligência Artificial que se concentra na interação homem-máquina por meio de linguagens, como fala e texto. Muitos dispositivos móveis têm reconhecimento de fala integrado para realizar pesquisas por voz (por exemplo, Siri) ou para melhorar a acessibilidade de mensagens
• Modelo oculto de Markov: Os modelos ocultos de Markov nos permitem adicionar eventos ocultos em um modelo probabilístico, como tags de parte do discurso. São usados como modelos de sequência no reconhecimento de fala, atribuindo rótulos a cada item da sequência, como palavras, sílabas, frases, etc. Esses rótulos criam um mapeamento com a entrada disponível, permitindo identificar a sequência de rótulos mais relevante
• N-Grams: Este é o modelo de linguagem mais básico, no qual sentenças ou frases são atribuídas a probabilidade. Um N-grama é uma coleção de N palavras. Por exemplo, "Peça a pizza" é uma frase de 3 gramas, enquanto "peça a pizza" é uma frase de 4 gramas. A gramática e a probabilidade de determinadas sequências de palavras são usadas para aumentar o reconhecimento e a precisão
• Redes neurais: os dados de treinamento são processados usando redes neurais, que usam camadas de nós para replicar a interconexão do cérebro humano. Entradas, pesos, um viés e uma saída compõem cada nó. Se o valor de saída atingir um determinado limite, o nó é ativado e os dados são passados para o próximo nível da rede. Por meio do aprendizado supervisionado, as redes neurais aprendem essa função de mapeamento e a alteram usando gradiente descendente com base na função de perda
• Diarização do locutor: os algoritmos de diarização do locutor reconhecem e segmentam a fala com base na identidade do locutor. Isso permite que os programas diferenciem as pessoas em uma discussão e é comumente usado em centros de contato para distinguir entre clientes e executivos de atendimento ao cliente

Slide 23

Este slide mostra o caso de uso da IBM de reconhecimento de fala conduzido por aprendizado de máquina. As tecnologias e serviços de Reconhecimento de Fala permitem que a IBM automatize operações de negócios complicadas enquanto adquire insights de negócios críticos.

Notas do instrutor:

• IBM Watson Speech to Text: IBM Watson Speech to Text é uma solução baseada em nuvem que aplica informações sobre gramática, estrutura linguística e composição de sinal de áudio/voz para gerar reconhecimento de fala personalizado para transcrição de texto eficaz
• IBM Watson Text to Speech: o IBM Watson Text to Speech oferece áudio humano a partir de texto escrito, expandindo a acessibilidade entre idiomas e modos de interação e aumentando o envolvimento e a felicidade do cliente

Diapositivo 39 a 54

Esses slides contêm atividades energizadoras para envolver o público da sessão de treinamento.

Diapositivo 55 a 82

Esses slides contêm uma proposta de treinamento que abrange o que a empresa que oferece treinamento corporativo pode realizar para o cliente.

Diapositivo 83 a 85

Esses slides incluem um formulário de avaliação de treinamento para instrutor, conteúdo e avaliação do curso.