A Revolução da Inteligência Artificial? - PODCAST Não Ficção

A Revolução dos Modelos de Linguagem

Introdução aos Modelos de Linguagem

• Discussão sobre a presença crescente de modelos de linguagem em diversas aplicações, que imitam o raciocínio humano.

• Questões levantadas sobre as implicações da utilização desses modelos em contextos que exigem raciocínio humano e os riscos associados.

Especialistas Convidados

• Apresentação dos convidados: Fábio Santos, doutor em ciência e engenharia pela UFRJ, e Bernardo Gonçalves, doutor em modelagem computacional pelo LNCC.

• Ambos são pesquisadores no LNCC, com experiência significativa em inteligência artificial e sistemas complexos.

Contexto Histórico e Desenvolvimento

• O anfitrião menciona um encontro nos EUA onde se discutiu o futuro da tecnologia, destacando a transição do interesse por NFTs para modelos de linguagem.

• Referência ao desenvolvimento do ChatGPT e como isso surpreendeu até mesmo especialistas da indústria.

Impacto das Tecnologias Emergentes

• Análise do impacto do GPT 3.5 na percepção pública sobre inteligência artificial, levando muitos a acreditar que computadores poderiam "pensar".

• Citação do livro "Empire of AI", que explora como as empresas estavam hesitantes em lançar tecnologias avançadas devido a preocupações públicas.

Desafios e Futuro dos Modelos de Linguagem

• Discussão sobre o estresse interno nas empresas tecnológicas frente à evolução rápida da IA e suas implicações éticas.

• Fábio é convidado a explicar os fundamentos técnicos por trás dos grandes modelos de linguagem (LLMs), preparando o terreno para uma discussão mais profunda sobre seu funcionamento.

O Inverno das Inteligências Artificiais

Contexto Histórico

• O termo "inverno das inteligências artificiais" refere-se a um período de 10 a 15 anos em que o desenvolvimento da IA foi estagnado devido à falta de recursos, como bibliotecas de dados para treinamento.

• A internet surgiu como uma solução, proporcionando uma vasta quantidade de informações disponíveis para alimentar tecnologias de IA.

Componentes Fundamentais da IA

• Três componentes principais são destacados: a dimensão dos dados disponíveis, a capacidade humana de desenvolver algoritmos e as redes neurais artificiais.

• As redes neurais mimetizam o funcionamento do cérebro humano, com neurônios e conexões que realizam operações matemáticas entre vetores e matrizes.

Funcionamento das Redes Neurais

• Cada neurônio realiza operações lineares e não lineares, utilizando pesos ajustados computacionalmente para gerar resultados.

• A função de ativação dentro do neurônio introduz não linearidade, permitindo decisões mais complexas baseadas nos dados recebidos.

Exemplo Biológico

• Um exemplo prático é dado sobre como os neurônios processam informações visuais; eles avaliam se um ponto observado é vermelho ou não com base em cálculos internos.

• O input visual é processado pelo cérebro (neurônio), resultando em uma resposta (output), semelhante ao funcionamento das redes neurais.

Arquitetura das Redes Neurais

• A arquitetura refere-se à configuração específica dos neurônios em uma rede neural, que pode ser adaptada para resolver problemas específicos.

• Redes recorrentes surgem como uma solução para problemas sequenciais, mas enfrentam desafios na eficiência do treinamento devido à complexidade dos parâmetros envolvidos.

Desafios no Treinamento

• Um problema significativo nas redes recorrentes é o "vanishing gradient", onde os parâmetros necessários para otimização se perdem durante o processo de aprendizado.

• Métodos numéricos são utilizados para determinar quais parâmetros satisfazem as tarefas desejadas; no entanto, falhas podem levar a resultados imprecisos ou irrelevantes.

A Revolução dos Transformers na Aprendizagem de Máquina

Problemas das Redes Recorrentes

• As redes recorrentes enfrentavam desafios significativos, como problemas nos gradientes e alta demanda computacional.

• Em 2017, surgiu uma nova arquitetura chamada "transformers", que não deve ser confundida com o filme homônimo.

O Algoritmo de Atenção

• O artigo fundamental sobre transformers é intitulado "Attention is All You Need", destacando um algoritmo baseado em atenção que revolucionou a área.

• A arquitetura transformer opera através de um processo chamado encoder-decoder, onde dados são compactados (encode) e depois expandidos (decode).

Mecanismo de Atenção

• Durante o processo de encoder-decoder, informações textuais recebem pesos para identificar o que é importante no contexto.

• O mecanismo de atenção permite ao modelo entender contextos ambíguos, como distinguir entre "manga" fruta e "manga" da camisa.

Avanços Computacionais

• Um dos principais avanços foi a paralelização do processo, permitindo que os algoritmos fossem executados mais rapidamente em GPUs.

• As GPUs surgiram por volta de 2008 a 2010 e são projetadas para operações vetoriais, otimizando o processamento paralelo.

Comparação com Processamento Visual

• A GPU processa informações em paralelo semelhante ao cérebro humano, onde diferentes camadas reconhecem padrões simultaneamente.

• Essa capacidade paralela permite gerar imagens rapidamente, refletindo como as redes neurais imitam processos cognitivos humanos.

Algoritmos Inspirados no Cérebro e Processamento Paralelo

A Conexão entre Algoritmos e o Cérebro

• O desenvolvimento de algoritmos para processamento paralelo é comparado ao funcionamento do cérebro, mas a implementação não é trivial.

• Projetos anteriores de hardware inspirado no cérebro, como chips neuromórficos, enfrentaram dificuldades significativas em sua execução.

• A Nvidia, uma empresa tradicional da indústria gamer, se transformou em uma das mais valiosas do mundo devido à evolução dos jogos e suas aplicações em modelos de linguagem.

Computação Quântica e Simuladores

• GPUs inicialmente projetadas para jogos foram adotadas pela comunidade científica para simular computadores quânticos que ainda não existem.

• A necessidade de grandes quantidades de dados levou empresas como a dona do Cloud Antropic a escanear milhões de livros para alimentar seus modelos.

Treinamento de Modelos de Linguagem

• O processo envolve transformar sentenças em tokens e vetores numéricos que representam palavras com significados semelhantes.

• Existe uma etapa crucial entre o treinamento inicial do modelo e a criação de um chatbot funcional que interage efetivamente com os usuários.

Aprendizado por Reforço

• Após o pré-treinamento, um ajuste fino (fine tuning) é realizado através do aprendizado por reforço, onde recompensas são dadas com base na precisão das respostas geradas pelo algoritmo.

• O feedback humano é essencial nesse processo; as recompensas são atribuídas por humanos que avaliam se as respostas fazem sentido ou não.

Importância da Interação Humana

• Mesmo com avanços tecnológicos, a interação humana continua sendo fundamental tanto na curadoria dos dados quanto na avaliação das respostas geradas pelos sistemas.

• Os humanos desempenham um papel ativo ao interagir com os sistemas, fornecendo feedback contínuo sobre a qualidade das respostas recebidas.

A Interação Humano-Máquina e o Teste de Turing

A Necessidade de Refinamento na Inteligência Artificial

• A discussão aborda a impossibilidade de evitar o uso humano em processos de destilação, enfatizando que sempre será necessário um refinamento por meio da interação humana.

O Teste de Turing e a Percepção da Inteligência

• É mencionado que pela primeira vez um computador passou no teste de Turing, onde a confusão entre humano e máquina indica uma inteligência próxima à humana.

A Influência da História Evolutiva nas Interações

• Destaca-se que as associações feitas por modelos de linguagem são baseadas em textos humanos, refletindo nossa história evolutiva onde interagimos predominantemente com outros seres vivos.

Antropomorfização das Máquinas

• A conversa gira em torno do conceito de antropomorfização, onde se atribui inteligência a máquinas que não necessariamente possuem essa capacidade. Isso é visto como uma falha do teste de Turing.

Efeito Eliza e Técnicas de Resposta

• O "efeito Eliza" é introduzido como uma técnica onde sistemas simples respondem às perguntas dos usuários sem realmente entender o conteúdo, apenas repetindo ou reformulando as questões.

A Antropomorfização da Máquina

A Relação Humana com a Tecnologia

• O orador menciona uma interação onde alguém expressa estar "chateado" e questiona o motivo, destacando a conexão emocional que as pessoas podem desenvolver com máquinas.

• Um exemplo é dado sobre uma secretária que se engajou tanto em um programa de IA que não queria que ele fosse removido, evidenciando a tendência humana de antropomorfizar máquinas.

• O autor discute como a sociedade pode aceitar novas tecnologias de forma acrítica, levantando preocupações sobre o impacto social dessas inovações.

Preocupações Históricas e Futuras

• O orador menciona a preocupação de Alan Turing com o autoritarismo e os riscos de regimes totalitários surgirem novamente devido à aceitação cega da tecnologia.

• A discussão avança para o conceito de inteligência artificial (IA), referindo-se ao teste de Turing como um marco para determinar quando uma máquina pode ser considerada inteligente.

O Impacto da Evolução nas Máquinas

Referências à Teoria da Evolução

• Turing foi educado em um contexto influenciado pela teoria da evolução de Darwin, refletindo sobre como isso moldou sua visão das máquinas como uma nova espécie.

• O orador menciona Samuel Butler, que criticou Darwin e previu que as máquinas poderiam evoluir rapidamente, superando os humanos em inteligência.

Reflexões sobre Consciência e Identidade

• Butler sugere que a rápida evolução das máquinas deve nos preocupar quanto ao futuro da humanidade e nossa posição na natureza.

• Turing também reflete sobre a consciência das máquinas e seu impacto na compreensão humana do lugar no mundo.

Desafios na Comunicação com Máquinas

Linguagem e Interpretação

• O orador destaca um dilema contemporâneo: modelos de IA treinados em linguagem têm dificuldade em lidar com sua complexidade intrínseca.

• A capacidade humana de interpretar linguagem mesmo em ambientes ruidosos é mencionada como uma vantagem significativa frente às limitações atuais das IAs.

A Linguagem dos Tambores e a Redundância na Comunicação

A Importância da Redundância

• O autor menciona o livro "The Information", que discute como a língua de tambores era utilizada para enviar mensagens, enfatizando a necessidade de redundância na comunicação.

• A redundância permite que, mesmo com a perda de 30% da mensagem, ainda seja possível entender o conteúdo transmitido.

Interpretação e Ambiguidade

• Qualquer texto pode ser interpretado de várias maneiras, como exemplificado pelas diferentes interpretações das passagens bíblicas.

• Essa ambiguidade é uma característica dos modelos de linguagem, onde as respostas podem variar dependendo do contexto e da escolha das palavras.

Limitações do ChatGPT em Raciocínio Lógico

Diferença entre Geração de Texto e Raciocínio

• O modelo não possui raciocínio lógico humano; suas respostas podem ser erradas devido à falta de controle inibitório.

• Ao fazer perguntas matemáticas ao ChatGPT, as respostas variam conforme as palavras utilizadas, demonstrando que ele opera com base em padrões linguísticos e não em lógica matemática.

Percepção da Inteligência Artificial

• As pessoas tendem a interpretar as respostas do modelo como inteligentes devido à sua capacidade de gerar textos coerentes.

• Há uma comparação com profecias sobre inteligência artificial, onde muitos veem o surgimento desses modelos como um cumprimento dessas previsões.

Emergência e Viés nas Respostas do Modelo

Natureza das Respostas Geradas

• O modelo gera respostas coerentes por meio de informações lógicas quase infinitas, mas essas podem conter viés ou incoerências devido à natureza dos dados utilizados no treinamento.

• A questão central é se esses modelos realmente pensam ou raciocinam; suas respostas são baseadas em padrões aprendidos durante o treinamento.

Compreensão Matemática pelo Modelo

• Quando questionado sobre operações simples como "quanto é 2 + 2", o modelo responde corretamente não porque compreende a matemática, mas porque foi treinado com muitas interações semelhantes.

• O funcionamento do modelo envolve vetores associados aos tokens numéricos, operando em um espaço semântico distorcido.

A Natureza da Inteligência Artificial e Aprendizado

Operações em Alta Dimensionalidade

• Em espaços numéricos de alta dimensionalidade, operações são realizadas de forma eficiente e paralelizável, conforme mencionado por Fábio.

• O aprendizado depende da frequência com que um caso aparece no treinamento, comparando-se a completar uma frase conhecida.

Limitações do Raciocínio Lógico

• A IA não possui raciocínio lógico ou silogismos; é um "papagaio estocástico" que reproduz texto sem entender seu significado.

• Apesar disso, a IA pode apresentar respostas corretas devido à sua capacidade de aprender padrões estatísticos.

Teorias sobre Inteligência Geral

• A ideia de uma IA geral com sentimentos e emoções permanece teórica; atualmente, não existe tal tecnologia.

• Há discussões sobre o uso dessa teoria na indústria para alimentar o hype em torno da inteligência artificial.

Comparação entre Aprendizado Humano e IA

• O processo de aprendizado humano é diferente do treinamento da IA; humanos interagem com o mundo para aprender regras.

• Um exemplo prático: uma criança aprende física ao observar como objetos se comportam no mundo real.

Interação e Compreensão do Mundo

• Modelos de IA absorvem dados mas não interagem com o ambiente, carecendo de uma "noção de mundo".

• Essa falta de interação levanta questões sobre a possibilidade de desenvolver uma IA que atinja inteligência humana sem essa experiência prática.

Tarefas Cognitivas e Testes de Inteligência

• É importante discutir as tarefas cognitivas usadas para testar a inteligência das IAs, como conversação.

• Alan Turing explorou essas ideias nos anos 40 e 50, reconhecendo limitações nas máquinas que tentavam simular comportamento humano.

A Evolução da Inteligência Artificial

Desafios Iniciais na IA

• O palestrante menciona um momento histórico em que tentava simular um programa de IA antes de ter acesso ao computador, destacando a desistência devido à complexidade das tarefas aritméticas e linguísticas.

• A evolução da ciência é discutida, enfatizando como os desafios são superados ao longo do tempo, com foco inicial no raciocínio lógico e na prova de teoremas.

• O primeiro programa de IA, "The Logic Theorist", desenvolvido por Alan Turing e Herbert Simon, provou teoremas do livro "Principia Mathematica" de Russell e Whitehead.

Progresso e Limitações

• O programa mencionado utilizava uma abordagem chamada buscaística para garantir a correção das provas matemáticas apresentadas.

• A reação positiva de Russell ao ver o trabalho dos pioneiros da IA destaca o entusiasmo pela mecanização do raciocínio matemático.

• Apesar dos avanços iniciais, a escala dos problemas ainda era um desafio significativo para a IA naquela época.

Perspectivas Futuras

• O palestrante reflete sobre a possibilidade de alcançar uma inteligência artificial superior à humana, mencionando uma profecia que já existe há quase um século sobre essa singularidade tecnológica.

• Uma analogia é feita com Santos Dumont, sugerindo que se ele tivesse investido apenas em aviões sem considerar outras tecnologias necessárias (como foguetes), poderia ter limitado o progresso futuro.

Riscos da Dependência Tecnológica

• A discussão avança para os riscos associados ao investimento excessivo em tecnologias específicas sem diversificação, comparando isso à dependência excessiva em programas que não raciocinam criticamente.

• Uma analogia com fabricantes de ferramentas elétricas ilustra como a distribuição gratuita pode levar à substituição inadequada de tecnologias essenciais por soluções temporárias ou ineficientes.

Conclusão sobre Inovação Tecnológica

• O palestrante conclui que a inovação deve ser equilibrada; depender exclusivamente de uma única tecnologia pode resultar em falhas quando as necessidades evoluírem.

• Ele alerta sobre os custos ocultos associados às novas tecnologias e como isso pode impactar o futuro da infraestrutura tecnológica.

Reflexões sobre a Inteligência Artificial e suas Implicações

O Valor da Indústria e o Impacto da IA

• A discussão aborda como a percepção de valor em produtos pode levar à perda de empregos na indústria, destacando que muitos fabricantes faliram e não há mais profissionais capacitados para produzir máquinas essenciais.

• A inteligência artificial (IA) é vista como uma ferramenta útil, mas sem raciocínio próprio. Apesar disso, ela se aproxima de soluções devido à sua acessibilidade.

Profecias e Expectativas em Relação à IA

• Há uma reflexão sobre a possibilidade de estarmos nos aproximando de uma IA geral, questionando se as expectativas estão sendo cumpridas sem uma análise crítica do que está sendo entregue.

• O entusiasmo por novas tecnologias deve ser moderado, especialmente considerando que muitas são desenvolvidas pelo setor privado com interesses financeiros complexos.

Contexto Histórico e Tecnológico

• Uma comparação é feita entre o atual desenvolvimento tecnológico e inovações do século XIX, como rádio e telégrafo, ressaltando o entusiasmo popular por essas tecnologias.

• O impacto das novas tecnologias gera um futurismo que levanta questões sobre os próximos passos no desenvolvimento tecnológico.

Desafios da Governança em um Mundo Complexo

• A falta de governança adequada em um mundo cada vez mais complexo dificulta a compreensão dos desafios atuais nas relações internacionais.

• A dependência excessiva de cadeias produtivas durante crises revela a fragilidade econômica e a necessidade de resiliência.

Regulação da Inteligência Artificial

• Discute-se a importância da regulação das ferramentas de IA dentro do contexto democrático, enfatizando a participação popular no processo decisório.

• Há preocupações sobre se as regulamentações na Europa podem estar inibindo o surgimento de startups na área tecnológica.

Comparação Internacional nas Políticas Tecnológicas

• Observa-se como diferentes países abordam investimentos em tecnologia: enquanto os EUA buscam ouvir o mercado, a China tem estratégias específicas para fomentar startups com menos recursos alocados.

Desafios e Oportunidades em Data Centers e IA

Custo de Água e Energia em Data Centers

• A crescente demanda por data centers nos Estados Unidos está relacionada ao aumento dos custos de água potável e energia, com algumas cidades enfrentando tarifas elevadas.

• O Paraguai, com seu excedente energético da usina de Itaipu, pode se tornar um local atrativo para a mineração de criptomoedas e instalação de data centers devido à sua capacidade energética não utilizada.

Impacto da Tecnologia na Vida Cotidiana

• A discussão sobre tecnologia é apaixonante, mas muitas vezes distante do cotidiano das pessoas. É importante reconhecer como essas inovações impactam nossas vidas.

• O palestrante expressa apreço pelas ferramentas tecnológicas que resolvem problemas reais, destacando sua experiência com redes neurais aplicadas à análise genética.

Machine Learning vs. Modelos de Linguagem

• Há uma preocupação sobre o investimento excessivo em grandes modelos de linguagem (LLMs), comparando-os a diferentes formas de transporte que atendem a necessidades distintas.

• A ênfase no desenvolvimento desses modelos pode obscurecer outras aplicações valiosas do machine learning que poderiam resolver problemas específicos mais eficazmente.

Aprendizado Máquina Científico

• O aprendizado máquina científico é uma área promissora que utiliza algoritmos para aproximar funções e entender fenômenos científicos complexos.

• Técnicas computacionais podem ser utilizadas para descobrir novas ciências ou entender fenômenos biológicos ainda não compreendidos.

Exemplos Práticos do Uso da IA

• Um exemplo prático é o design de medicamentos personalizados através da modelagem molecular, permitindo tratamentos adaptados às necessidades individuais dos pacientes.

• Na indústria do petróleo, algoritmos preveem vazamentos e melhoram a eficiência operacional, demonstrando aplicações práticas do aprendizado máquina em setores críticos.

Previsões Físicas com Machine Learning

• As técnicas de aprendizado máquina estão sendo usadas para prever fenômenos físicos complexos, como furacões, em tempo real.

• Apesar da popularidade dos LLMs, as aplicações científicas têm potencial igual ou superior para resolver problemas significativos na sociedade atual.

A Interseção entre Aprendizado de Máquina e Conhecimento Científico

O Potencial das Técnicas de Aprendizado de Máquina

• As novas técnicas de aprendizado de máquina, incluindo redes neurais e identificação de equações, podem beneficiar significativamente a produção de conhecimento científico.

• Um exemplo é a possibilidade de descobrir leis físicas ocultas em grandes conjuntos de dados, como se uma rede neural pudesse revelar as leis que Newton formulou sem saber.

Descobertas Científicas Aceleradas

• A utilização dessas técnicas pode acelerar o processo científico, permitindo que cientistas identifiquem equações relevantes para fenômenos físicos rapidamente.

• Essa abordagem pode reduzir o tempo necessário para desenvolver teorias científicas complexas, promovendo uma maior diversidade nas aplicações da inteligência artificial (IA).

Reflexões sobre Ciência Moderna e Conhecimentos Tradicionais

• A ciência moderna tem sido impulsionada por investimentos significativos desde a Segunda Guerra Mundial, mas é importante considerar também conhecimentos tradicionais que podem oferecer soluções sustentáveis.

• Há um potencial para aprender com comunidades indígenas sobre práticas que minimizam resíduos e promovem uma adaptação mais inteligente à natureza.

Desafios na Integração do Conhecimento Tradicional

• Existe uma preocupação sobre a disponibilidade das informações dessas comunidades na internet para serem utilizadas por IAs.

• Projetos como o CRI AI da USP buscam integrar esses conhecimentos tradicionais ao desenvolvimento da IA.

Impacto Ambiental das Tecnologias Atuais

• Apesar do otimismo em relação às soluções que a IA pode trazer, há um aumento significativo na demanda energética devido aos data centers necessários para suportar modelos avançados.

• O consumo energético dos data centers pode superar o da Índia até 2030, levantando questões sobre os impactos ambientais atuais versus as promessas futuras.

Considerações Finais sobre o Futuro da IA

• Embora haja esperança em otimizações energéticas através da IA, atualmente estamos enfrentando agravamentos nos problemas existentes relacionados à energia.

• É crucial questionar se estamos realmente abordando os desafios presentes ou apenas projetando esperanças futuras sem base concreta.

Esses pontos destacam as discussões centrais do transcript sobre como as tecnologias emergentes podem interagir com o conhecimento científico e tradicional, além dos desafios éticos e ambientais associados.

Discussão sobre a Inteligência Artificial e seus Impactos

Aceleração e Sociedade

• A IA é vista como um acelerador de fenômenos sociais e econômicos, destacando sua importância nas discussões atuais.

• É fundamental criticar a IA em conjunto com a sociedade que a produz, pois há uma tendência crescente para automação que pode concentrar recursos nas mãos de poucos.

• A pandemia acentuou essa concentração de recursos, evidenciando o impacto da digitalização na vida social e nos processos produtivos.

Aprendizado e Limitações

• O aprendizado humano é baseado em experiências físicas e consequências diretas, enquanto no mundo digital não existem as mesmas restrições.

• O conceito de "extrativismo" se aplica à coleta de dados e recursos no ambiente digital, levantando questões sobre suas implicações éticas.

Regulação da IA

• É necessário discutir como regular o uso da IA para garantir que ela beneficie a sociedade em vez de levar à precarização do aprendizado humano.

• Há uma preocupação sobre se as ferramentas de IA serão utilizadas para melhorar a sociedade ou apenas beneficiar aqueles que já detêm poder econômico.

Desafios Sociais

• A discussão sobre quem decide o uso das tecnologias é crucial; muitas vezes, os interesses dos poderosos não alinham-se com os benefícios sociais desejados.

• O cenário atual mostra que países pressionam pela adoção dessas tecnologias sem considerar planos democráticos ou educacionais adequados.

Papel das Universidades

• As universidades têm um papel vital na inclusão social e na formação crítica em ciência e tecnologia, sendo essenciais para pensar sobre o futuro da IA.

• A presença de instituições acadêmicas preocupadas com esses temas indica uma oportunidade para desenvolver soluções mais inclusivas.

Críticas ao Modelo Atual

• O modelo corporativo atual levanta críticas quanto ao consumo excessivo de energia por tecnologias individuais sem comprovação clara de aumento na produtividade.

• Há questionamentos sobre a necessidade dessa implementação tecnológica em larga escala dentro das empresas.

Futuros Touring e Colaboração Interdisciplinar

Criação do Grupo de Pesquisa

• O orador menciona a formação de um grupo de pesquisa chamado "Futuros Touring", que visa incluir jovens estudantes e outros interessados em estudos interdisciplinares no LNCC.

• O grupo está em colaboração com a USP, especificamente com o Centro para IA da USP, buscando integrar diferentes áreas do conhecimento.

Desenvolvimento e Aplicação da Inteligência Artificial

• Há uma expectativa crescente sobre a reflexão crítica acerca da inteligência artificial (IA) na sociedade, enfatizando a importância de entender seu contexto social.

• O orador sugere realizar análises sobre os investimentos em IA, tanto públicos quanto privados, para compreender melhor os custos e benefícios associados.

Transição Profissional e Foco em Computação Científica

• O orador compartilha sua transição da UFRJ para o Laboratório Nacional de Computação Científica, onde se concentra na aplicação de computação científica à ciência.

• Ele desenvolve algoritmos e matemática voltados para resolver problemas científicos, destacando a interdisciplinaridade entre matemática, computação e ciências humanas.

Interface entre Áreas do Conhecimento

• A pesquisa busca conectar diversas áreas como bioquímica, geofísica e engenharia através da utilização de IA.

• A proposta é criar uma interface que permita aplicar técnicas computacionais em diferentes campos científicos.

Formação Prática em Machine Learning

• O orador menciona um programa de verão no LNCC que oferece disciplinas específicas sobre machine learning aplicadas a várias áreas científicas.

• As aulas são gratuitas ou com custo simbólico, abertas à comunidade acadêmica durante janeiro e fevereiro.

Colaboração e Discussão sobre Inteligência Artificial

Importância das Formações Complementares

• É destacado o valor das formações práticas orientadas para problemas reais na universidade, algo raro no ambiente acadêmico atual.

Reflexões sobre Soberania Tecnológica

• A conversa aborda as múltiplas facetas dos desafios relacionados à inteligência artificial, incluindo questões sobre soberania tecnológica e dependência de sistemas externos.

Papel das Instituições na Pesquisa

• O apoio institucional é mencionado como crucial para fomentar discussões relevantes sobre aplicações práticas da IA no Brasil.