Agradecemos a todos pela presença e pelo convite. Vamos falar sobre nossa área de pesquisa e docência na Faculdade de Saúde Pública da USP, onde trabalhamos há bastante tempo com aplicações práticas de machine learning (aprendizado de máquina) e inteligência artificial para melhorar decisões de saúde. Nosso laboratório, o LabDAPS, existe desde 2017, e tem sido fascinante participar dessa transição histórica que estamos vivendo. É um momento importante, e incentivamos os pesquisadores a aproveitarem essa oportunidade de acompanhar uma transformação significativa na história, especialmente na valorização da inteligência artificial e, mais especificamente, do machine learning, que é a área predominante atualmente.
Vamos discutir o principal desafio que identificamos na aplicação desses algoritmos na área da saúde. Por que acreditamos que esses algoritmos terão um impacto significativo na saúde? Primeiro, porque é a área que mais coleta dados, estimando-se que cerca de 30% de todos os dados coletados no mundo vêm da saúde. Além disso, é uma área complexa, onde ninguém vai a óbito por um único fator, mas sim por uma interação complexa de fatores de saúde, demográficos, socioeconômicos, genéticos e ambientais. Esses algoritmos são ideais para entender essas regras de decisão complexas a partir de muitos exemplos.
Apesar disso, a saúde é a área que menos foi transformada até agora, pois é uma área onde não podemos errar. Enquanto outras áreas, como educação e setor jurídico, estão sendo transformadas rapidamente, a saúde requer mais cuidado. Quando a transformação chegar, será muito mais impactante, mas precisamos superar desafios, como garantir que esses algoritmos funcionem em todas as realidades brasileiras, especialmente nas regiões remotas, onde eles terão maior impacto.
No Brasil, há cidades com apenas um médico, sem especialistas para encaminhar pacientes. Em breve, esses médicos terão acesso aos melhores especialistas do mundo por meio desses algoritmos. No entanto, essas regiões coletam poucos dados, e precisamos garantir que os algoritmos funcionem onde são mais necessários. Embora ajudem médicos em grandes hospitais, a diferença será mais notável nas regiões remotas.
No ano passado, tivemos um momento importante com os prêmios Nobel de Química e Física, que reconheceram contribuições significativas de machine learning. Geoffrey Hinton, pioneiro na área, recebeu o Nobel de Física, e Demis Hassabis, do DeepMind, foi premiado pelo desenvolvimento do AlphaFold, um algoritmo para prever a estrutura de proteínas. Esses prêmios representam a aceitação crescente da inteligência artificial na ciência.
Identificamos três grandes desafios para tornar a aplicação de algoritmos uma realidade no Brasil. Primeiro, será que coletamos dados suficientes nessas regiões? Segundo, um algoritmo desenvolvido em São Paulo funcionaria igualmente bem no interior do Tocantins? E terceiro, como implementar esses algoritmos em regiões sem prontuários eletrônicos?
Em 2021, publicamos um estudo em parceria com a Prefeitura de São Paulo, analisando dados de 1,2 milhão de bebês nascidos entre 2012 e 2017. Desenvolvemos algoritmos para prever o risco de mortalidade neonatal, e os resultados mostraram boa calibração. Esses dados são coletados em todo o Brasil, indicando que temos dados suficientes para decisões inteligentes em saúde.
Além disso, discutimos a ideia de políticas públicas de precisão, focadas em quem realmente se beneficiará. No estudo, os 5% dos bebês com maior risco predito concentravam a maioria dos casos de mortalidade neonatal, mostrando o potencial de políticas públicas direcionadas.
O segundo desafio é a diversidade do Brasil. Um algoritmo que funciona bem em São Paulo pode não ter o mesmo desempenho no interior do Piauí ou até mesmo em outra parte de São Paulo. As diferenças socioeconômicas, demográficas e de infraestrutura afetam a performance dos algoritmos, assim como ocorre com profissionais de saúde que precisam adaptar suas práticas ao contexto local.
Esses são os desafios que enfrentamos e que discutiremos em mais detalhes, buscando soluções para garantir que os algoritmos de machine learning possam realmente transformar a saúde no Brasil.
O aprendizado de transferência é uma área em que desenvolvemos algoritmos que tomam decisões inteligentes em regiões com muitos dados, permitindo que eles aprendam a base de um problema de saúde ou doença. Esses algoritmos entendem como a doença funciona e realizam ajustes finos nas diferentes realidades brasileiras. Mesmo com poucos dados, eles já compreendem a base do problema, o que é um grande desafio para nós, brasileiros. Acreditamos que, apesar das dificuldades, esses algoritmos serão extremamente poderosos. Um algoritmo que funcione em todo o Brasil provavelmente funcionará no mundo inteiro, pois terá visto uma ampla variedade de situações. Estudos preliminares indicam que esses algoritmos, ao compreenderem profundamente um problema de saúde, podem funcionar bem em diversas realidades.
O segundo desafio é garantir que esses algoritmos funcionem em diferentes contextos. Embora eles possam dar resultados, a performance pode cair quando testados em realidades distintas. Isso é semelhante ao que nós, humanos, fazemos ao adaptar nossas decisões a diferentes contextos. Essa área, conhecida como aprendizado de transferência, é uma parte relevante do trabalho em nosso laboratório.
O terceiro desafio é implementar esses algoritmos em regiões remotas do Brasil, onde não há prontuário eletrônico. Desenvolvemos um aplicativo de celular para médicos, permitindo que eles registrem informações dos pacientes e obtenham previsões, mesmo sem prontuário eletrônico. Essa solução tem sido bem aceita pelos profissionais de saúde, pois otimiza o uso de dados em regiões sem infraestrutura digital.
O Brasil coleta uma quantidade significativa de dados de saúde, como registros de nascimento, óbitos, internações e consultas, todos registrados pelo SUS. Ao unificar esses dados, temos um potencial imenso para utilizá-los de forma rotineira. No entanto, a performance dos algoritmos pode cair quando treinados em regiões diferentes. Isso destaca a importância de adaptar os algoritmos às diversas realidades brasileiras.
Uma solução para implementar algoritmos em regiões remotas é o desenvolvimento de aplicativos móveis, que têm alta aceitação entre os profissionais de saúde. A percepção dos médicos em relação à inteligência artificial tem mudado, com muitos utilizando ferramentas como o ChatGPT para auxiliar em diagnósticos e decisões clínicas. Isso tem melhorado a qualidade do atendimento e aumentado a demanda por serviços médicos.
Oferecemos um curso de verão na Faculdade de Saúde Pública da USP, aberto a todos, para aqueles interessados em inteligência artificial e saúde. Além disso, temos um podcast chamado "Ciência em A", onde discutimos avanços na área. Nossa equipe no LAMIDAPS, composta por cerca de 30 pesquisadores, trabalha diariamente no desenvolvimento de algoritmos para melhorar a tomada de decisões em saúde.
O aprendizado federado é uma técnica que permite que o algoritmo aprenda diretamente nos hospitais, sem que os dados dos pacientes sejam transferidos para um banco central. Isso é crucial para a privacidade e proteção dos dados. Temos estudos em andamento que mostram os benefícios do aprendizado federado em comparação com o treinamento local, especialmente em hospitais com poucos dados.
A falta de um sistema padronizado de prontuário eletrônico no Brasil é um desafio. A unificação desses sistemas facilitaria o desenvolvimento de algoritmos mais eficazes. A Secretaria de Saúde Digital do Ministério da Saúde está trabalhando para avançar nessa área. Parcerias entre o setor público e privado podem ser benéficas, desde que garantam que as descobertas científicas sejam acessíveis a todos.
A saúde é uma das maiores preocupações dos brasileiros, e resolver os problemas do sistema de saúde requer uma união nacional envolvendo o setor público, privado e ONGs. A colaboração entre diferentes setores é essencial para enfrentar os desafios e melhorar a qualidade do atendimento à saúde no Brasil.
Olá! É um prazer estar aqui. Conhecemos o Paulo há muitos anos, então é uma satisfação falar agora na Alura, que se tornou um grande projeto. Gostaríamos de compartilhar alguns aprendizados que tivemos este ano na Magalu. Embora sejamos Caio há 41 anos, aqui estamos em um papel diferente. Vamos discutir como está sendo implementada a inteligência artificial (IA) em uma empresa tão grande como o Grupo Magalu.
Primeiramente, sobre a Magalu: é uma empresa enorme, com mais de 40 mil colaboradores, atuação nacional e várias marcas líderes de mercado. A Magalu é o maior e-commerce do Brasil, a Netshoes é a maior empresa de esportes, a Kabum é a maior empresa de games, a Estante Virtual é a maior vendedora de livros nacional, e somos o segundo maior player de beleza no país. Isso nos dá a possibilidade de realizar grandes projetos. No entanto, enfrentamos o desafio de ser uma empresa com mais de 50 anos, que já passou por uma transformação digital e agora busca adotar a IA em seu núcleo.
Queremos compartilhar três lições que aprendemos ou confirmamos ao longo deste ano, que são importantes para qualquer pessoa executiva nesse papel. A primeira lição é sobre como utilizar a IA no dia a dia, nos produtos e programas. Existem basicamente duas maneiras de usar IA em qualquer software: como ajudante ou como condutor. Como ajudante, a IA auxilia a pessoa humana, que ainda é a principal agente de decisão. Um exemplo é o clipe do Word, que estava lá para ajudar ou atrapalhar. Como condutor, a IA toma decisões, como em um carro autônomo, enquanto a pessoa humana supervisiona. Nosso objetivo é sempre fazer o segundo, mas muitas vezes começamos com o primeiro devido à resistência em passar um processo inteiro para a IA.
A segunda lição é a variedade de tópicos que uma empresa do tamanho da Magalu precisa abordar. Nossa diretoria lida com busca, recomendação, catálogo, marketing, fraude, precificação, suprimentos, logística, operações, finanças e jurídico. Os dias são intensos, com reuniões sobre diferentes áreas, exigindo que falemos várias "línguas" para resolver problemas.
Vamos contar uma história para ilustrar o primeiro aprendizado. Em julho de 2024, havíamos acabado de entrar na Magalu e participamos dos primeiros comitês. A Magalu é uma empresa que funciona muito em torno de comitês, semelhante aos WBRs (Weekly Business Reviews) da Amazon. Durante uma discussão sobre o lançamento da parceria Magalu AliExpress, enfrentamos o desafio de traduzir 500 mil produtos do catálogo do AliExpress para o formato Magalu em três semanas. Sugerimos usar o Gemini, parceiro do Google, para resolver o problema em cinco horas, enquanto a equipe discutia há semanas.
Isso nos leva a uma questão interessante: por que a empresa decidiu dobrar o tamanho do nosso time de IA e dados em um ano? A resposta está na nossa visão de que a IA é uma ferramenta para resolver problemas técnicos da empresa, não a solução em si. Essa abordagem fez com que a área de dados e IA passasse de técnica para estratégica, participando de reuniões de negócios.
A terceira lição é sobre a importância da priorização. Com um backlog cheio de ideias, precisamos focar em três ou quatro que trarão grandes resultados. A priorização é essencial em uma empresa dessa escala.
A segunda lição técnica que aprendemos foi sobre mensurar o impacto no marketing. Atribuição de impacto é um desafio, e utilizamos a técnica de inferência causal, como o teste por remoção, para medir o ROI real dos investimentos. Isso nos permitiu tomar decisões baseadas em causalidade, não em correlações espúrias.
Por fim, a terceira lição é sobre o problema de catálogo. A Magalu é um marketplace com 60 milhões de SKUs, muitos dos quais são versões do mesmo produto. Identificar que dois produtos são o mesmo é um desafio complexo. Antes, usávamos heurísticas, mas agora estamos desenvolvendo nossa própria solução para resolver esse problema em larga escala.
Essas lições mostram a importância de ter um conhecimento amplo para resolver problemas novos e a necessidade de estudar constantemente para guiar o time em qualquer direção.
Nós começamos a trabalhar criando soluções para abordar essas questões. Quais são os elementos importantes em um produto? A foto? A descrição? Como vamos fazer as fotos? Vamos usar embedding (incorporação)? Qual tipo de embedding? Como faremos o agrupamento dos embeddings? Como vamos separar? Qual será a distância entre eles? Há muitas questões a serem consideradas. Não havia um caminho claro para seguir, e esse processo resultou em um artigo que será publicado em breve, em duas ou três semanas. Este é o primeiro artigo, e já temos um segundo em preparação, de outra área, desde que assumimos como Chief AI Officer na Magalu. Acredito que este seja o primeiro artigo da história da Magalu que estamos publicando.
Isso nos leva à terceira lição, que discuti com o conselho da Magalu. Não podemos presumir que todos os problemas já foram resolvidos. Muitas pessoas acreditam que o uso de bibliotecas resolve tudo, mas defendo que nem todos os problemas podem ser resolvidos automaticamente. Muitas vezes, precisamos criar e desenvolver soluções inéditas. Infelizmente, desde que retornamos ao Brasil, percebemos que poucas empresas publicam suas descobertas. Na Amazon, por exemplo, para ser promovido a um nível sênior, era necessário ter artigos publicados. Aqui no Brasil, poucas empresas têm essa visão, mas estamos trabalhando para mudar isso.
Por exemplo, Murilo Gazola, além de trabalhar conosco, é professor no Mackenzie. Temos acordos de pesquisa com várias universidades, colaborando em diversos projetos. Precisamos sair do que já foi feito e publicar novas descobertas. Este é apenas o primeiro artigo; temos outros em desenvolvimento. Entregamos muitos produtos, mas também desenvolvemos inovações, pois nem sempre as soluções existentes resolvem nossos problemas de maneira eficaz.
Essas são as três lições principais que tiramos deste ano na Magalu. São aprendizados pessoais que contribuíram para nosso sucesso em entregar resultados. Em um ano, nosso time dobrou de tamanho e passou de pouco reconhecido a um dos mais produtivos da empresa. No entanto, tudo isso se resume a uma lição principal: tudo que fazemos só importa se aumentar a receita da empresa, atrair mais usuários ou reduzir custos. Se não conseguirmos conectar nosso trabalho a esses objetivos, não teremos sucesso.
Embora gostemos de estudar e publicar, como executivos de IA, nosso papel é focar nesses objetivos. Por mais que sejamos apreciados, se não estivermos cumprindo essas metas, não seremos valorizados. Como executivos de IA, precisamos pensar dessa forma.
Alguns comentários finais: muitas pessoas na mídia acreditam que IA agora é apenas GNNI, mas a IA discriminativa tradicional ainda traz muitos resultados. CEOs e executivos que não estão familiarizados com a área podem ver GNNI como a solução, mas a IA discriminativa continua sendo eficaz. Além disso, IA não vive isolada. O que importa é resolver problemas, não apenas publicar artigos. Nosso time deve ser multidisciplinar, pois IA funciona com dados. Temos um grande time de dados para criar a plataforma de dados do Magalu, e precisamos de cientistas de dados, engenheiros de software, PMs, economistas e designers para transformar dados em resultados.
Precisamos construir uma plataforma de IA que permita que outros também façam uso dela. Governança de dados e modelos é essencial para garantir que os modelos respeitem regras e legislações. Precisamos de data ops para garantir acessibilidade dos dados e de ML ops para manter os modelos em produção. É uma plataforma complexa que vai além da construção de modelos.
Para concluir, devemos buscar projetos de grande impacto. Curiosidade intelectual é importante, mas durante a semana, precisamos focar em projetos que movam o ponteiro. A inovação deve resolver problemas, não ser o foco principal. Misturar curiosidade científica com a capacidade de resolver problemas é essencial. Participar de comitês e reuniões é importante para estar sempre atualizado e contribuir com novas ideias.
Essas foram algumas lições que aprendemos ao longo de um ano na Magalu. Muito obrigado. Temos 10 minutos para perguntas. Antônio, pode aplaudir, muito obrigado.
Audiodescrição: Antônio é um homem branco, de cabelo curto castanho, e veste uma camisa azul clara. Ele está sentado em uma sala de conferências com paredes brancas e um projetor ao fundo.
Ana Tereza, do Banco do Nordeste, pergunta sobre inferência causal e sua relação com lógica. Não temos conhecimento de artigos que misturem lógica com inferência causal, mas isso não significa que não existam. Nossa pesquisa foca em análise causal experimental e causal ML. Vamos procurar mais sobre isso.
Arthur, Tech Lead da Plataforma de IA Generativa da Porto, pergunta sobre a construção da plataforma de IA. Tivemos sorte de já ter uma equipe, mas foi necessário encontrar o problema certo para resolver. O CEO, Fred Estrajano, é um grande entusiasta de IA, o que facilitou o processo. Construímos nossa própria infraestrutura e servidor de LLMs para garantir privacidade e controle. Temos um projeto grande em desenvolvimento, mas não podemos divulgar detalhes ainda.
Wagner Campos, Technical Specialist da ExxonMobil, pergunta sobre construir uma plataforma interna versus usar plataformas externas. Acreditamos que LLMs são uma commodity e o segredo está na arquitetura em cima delas. Não queremos ficar presos a uma LLM específica. Construir internamente oferece liberdade que ferramentas prontas não oferecem, mas é um processo demorado.
Audiodescrição: Wagner é um homem negro, de cabelo curto, e veste uma camisa branca. Ele está em uma sala de conferências com paredes cinzas e uma tela de projeção ao fundo.
Agradecemos a todos pela participação. Antônio, obrigado.
Bom dia a todos. É um prazer estar aqui. Hoje, temos a maior audiência que já tivemos este ano, com 600 pessoas. Anteriormente, nosso recorde era de 300. É um prazer falar com tantas pessoas. Nossa conversa hoje é sobre uma revolução em andamento, que talvez algumas pessoas ainda não tenham percebido.
Peço que nos sigam no LinkedIn. Aqui está o QR Code. Sou Anderson Rocha, professor titular na Unicamp. Em 2009, criei o Laboratório de Inteligência Artificial com outros colegas. Naquela época, a Inteligência Artificial no Brasil era incipiente. Éramos quatro professores e tínhamos apenas três alunos interessados em pós-graduação em IA. Desde então, muita coisa mudou. Hoje, o laboratório conta com 350 colaboradores ao redor do mundo, sendo 200 na Unicamp. A procura por Inteligência Artificial aumentou significativamente, e vocês entenderão os motivos em breve.
Vamos explorar o que é IA e por que todos falam sobre isso. É um conceito complexo, mas gostaria de simplificá-lo para vocês. Vou apresentar o contexto de BANG, que é uma sigla para Bits, Átomos, Neurônios e Genética.
Por que bits? Nossa economia hoje está ancorada em bits, seja para comunicação, computação, internet das coisas ou sensores. Há um grande interesse na pesquisa de átomos, ciência de materiais, novas energias renováveis e materiais condutores à temperatura ambiente. Neurônios representam o interesse em entender o pensamento humano e a inteligência, explorando nossas capacidades com o auxílio de tecnologias. Genética envolve biotecnologia, pesquisas para melhorar a qualidade de vida, medicamentos, identificação de doenças, sementes mais robustas e maior produção de alimentos. Precisamos alimentar 10 bilhões de pessoas até 2050, e a pesquisa em genética é crucial para isso.
Essas quatro áreas estão se desenvolvendo em paralelo. Para quem deseja se aprofundar no assunto, recomendo alguns livros. Como professor, valorizo a leitura. A leitura é essencial para desenvolver o pensamento crítico, uma habilidade fundamental em um mundo dinâmico e repleto de conhecimento. Recomendo "Atlas da Inteligência Artificial", de Kate Crawford, que ajuda a entender o contexto atual. "A Filosofia Política da IA" discute os impactos em diferentes campos do conhecimento. "Quatro Futuros", de Peter Fraze, imagina como será nosso futuro com a tecnologia presente em tudo. Destaco também a importância do aprendizado de linguagem na IA, que tem um grande impacto na economia.
Quando falamos de IA, muitos pensam em dominação. Exemplos como o HAL 9000, de Stanley Kubrick e Arthur C. Clarke, ou a IA de "Ex Machina", que passa no teste de Turing, são narrativas de Hollywood que nos marcam desde cedo. Recentemente, em uma palestra, me perguntaram se a IA dominaria o mundo. Respondi que a maior tecnologia de IA hoje é baseada em Transformers, que são produtos de matrizes. É improvável que um produto de matrizes, aprendido no ensino médio, tire o ser humano da Terra. No entanto, se não dominarmos essa tecnologia, ficaremos para trás. Quem não dominar a tecnologia, seja como atuante ou impactado por ela, perderá oportunidades e poderá ficar fora do mercado.
Essas quatro áreas estão associadas a uma revolução em andamento. Alguns chamam de Indústria 4.0 ou 5.0, mas isso é limitante, pois o impacto é muito maior. É a Revolução da Convergência, onde tecnologias exponenciais afetam diretamente nossas vidas. Biotecnologia, nanotecnologia, robótica, internet das coisas e IA já estão presentes. Computação quântica e blockchain estão chegando. Essas tecnologias se aceleram mutuamente. Um exemplo é a vacina da Covid-19, onde a Revolução da Convergência esteve presente desde o início. O sequenciamento genético do vírus foi feito em semanas, e algoritmos de IA identificaram pontos de edição para desativar a proteína spike do vírus. A biotecnologia, com a técnica CRISPR-Cas9, entrou em ação.
A nanotecnologia está presente em tudo, como em celulares. Computadores que ocupavam salas inteiras nos anos 50 agora cabem na palma da mão. Sensores para conectividade e internet das coisas produzem uma quantidade imensa de dados, processados pela IA. Esse processamento é caro, mas alternativas estão surgindo, como o computador fotônico, desenvolvido para ser um coprocessador matemático. Ele realiza produtos de matrizes, essenciais na IA. Em parceria com a NVIDIA, a GPU realiza produtos de matrizes com a ajuda do processador fotônico. Outra possibilidade é a computação quântica, que terá usos específicos, sendo um dos mais importantes em IA.
Para saber mais sobre a Revolução da Convergência, recomendo o livro "O Futuro é Mais Rápido do que Você Pensa", de Peter Diamandis. Ele nos dá a sensação de que tudo está acontecendo ao mesmo tempo e em todo lugar. Como nos preparamos? A característica que nos diferencia é o pensamento crítico. Se realizamos tarefas repetitivas, devemos repensá-las, pois podem ser automatizadas. Tarefas que demandam pensamento crítico são duradouras.
Definindo IA de forma pragmática: qualquer sistema computacional que coleta dados do mundo, aprende suas propriedades, interpreta-os para resolver problemas específicos e se adapta de forma flexível. Se apenas processamos dados, isso é machine learning (aprendizado de máquina). Mas se projetamos desde a captura dos dados até a adaptação ao longo do tempo, isso é uma solução completa de IA. A IA é uma constelação de conceitos, áreas, pesquisas e aplicações.
O Imperial College produziu um mapa que ilustra isso. Cada ponto representa uma área de interesse na IA. Quanto mais próximo do centro, mais maduro. Quanto mais nas bordas, ainda em investigação. Aprendizado de máquina, aprendizado supervisionado, aprendizado por reforço e aprendizado auto-supervisionado são exemplos de áreas em destaque. O aprendizado auto-supervisionado, por exemplo, permite que algoritmos aprendam sozinhos, superando algoritmos supervisionados em alguns casos.
Visão computacional, sistemas de navegação autônomos, Data Science e interfaces cérebro-máquina são outras áreas de interesse. No Brasil, há pesquisas em interfaces cérebro-máquina, como no Rio Grande do Norte. A Neuralink, de Elon Musk, também trabalha nessa área. Um documentário na Netflix mostra um alpinista que, após perder as pernas, voltou a escalar com próteses conectadas ao cérebro.
O processamento de linguagem, seja falada ou escrita, também avançou. Traduções são bem feitas, e conferências podem ser traduzidas em tempo real. Recentemente, em uma conferência na China, palestras foram traduzidas simultaneamente entre mandarim e inglês.
Essas mudanças exigem aprendizado contínuo, tanto para humanos quanto para algoritmos. Sistemas precisam ser bem treinados, explicáveis e adaptáveis. O desenvolvimento de software hoje envolve assinatura, pois o mundo é dinâmico e o software precisa ser atualizado constantemente. Sensores são variados, e a comunicação entre eles é complexa. Problemas podem envolver Big Data ou Small Data, e o ambiente de trabalho exige habilidades interpessoais.
A formação contínua é essencial. No passado, era comum pensar que, após a escola, não seria necessário estudar mais. Hoje, isso não é mais possível. Precisamos nos atualizar constantemente para não ficarmos desatualizados e desempregados.
Pode ser por meio de leitura, como comentamos aqui. Pode ser por meio de cursos curtos e rápidos, mas que exercitem nossa capacidade de adaptação. Na economia de multidão, quando alguém abria um negócio alguns anos atrás, ficava satisfeito se fizesse sucesso na cidade onde estava. Hoje em dia, a economia é de multidão. Quando abrimos um negócio, uma startup, o mínimo que esperamos é ter sucesso dentro do nosso país. O plano para o segundo ou terceiro ano de investimento deve incluir a expansão para a América Latina. Em cinco anos, se não estivermos pensando em como expandir o negócio para múltiplos países, nossa startup será apenas mais uma e não será exponencial.
A medicina também se torna pró-ativa. Estudos mostram que podemos identificar sinais de Alzheimer, por exemplo, dez anos antes. Parkinson pode ser identificado a partir dos primeiros sinais de tremores. No nosso laboratório, por exemplo, estamos realizando uma pesquisa chamada Viva-Bem. São dez áreas do conhecimento, dez doenças, nas quais identificamos precocemente as primeiras manifestações de ansiedade, hipertensão, diabetes e Parkinson, por exemplo.
A geração de conteúdo mudou. Quem tem pelo menos 35 anos sabe que, alguns anos atrás, no Brasil, quem gerava conteúdo eram grandes emissoras de televisão. Hoje em dia, todos geram conteúdo. Dentro desta sala, garantimos que mais da metade já postou algo hoje. Isso gera uma massiva quantidade de dados que precisamos entender.
No cenário médico, tudo está mudando com a inteligência artificial e tecnologia. Um relatório da Deloitte, por exemplo, destaca os principais aspectos ligados à saúde hoje, como técnicas para interação com pacientes e chatbots. Há uma revolução em cardiologia. Temos uma parceria com o Hospital do Coração, em São Paulo, para identificar complicações cardíacas após cirurgias. Utilizamos relógios inteligentes para monitorar pacientes em casa, o que é crucial para intervenções rápidas e tratamento adequado.
Na radiologia, ao contrário do que alguns pesquisadores previram anos atrás, os profissionais radiologistas não serão substituídos pela inteligência artificial. O melhor resultado é obtido quando trabalham juntos. O mesmo ocorre na oncologia, onde a combinação de humanos e algoritmos é a melhor abordagem para detecção.
As principais aplicações incluem diagnóstico, priorização e triagem. Conversamos com o pessoal do grupo Veracruz sobre a aceleração da triagem na chegada ao hospital, para que as equipes estejam preparadas o mais rápido possível. Diagnóstico de prevenção, ajuda no imaginamento, descoberta de medicamentos e biotecnologia são áreas quentes de investimento e pesquisa hoje. Tudo isso deve ser feito considerando a necessidade de entender os dados e a diversidade dos problemas que eles apresentam, além das legislações associadas à inteligência artificial, como na Europa e possivelmente no Brasil em breve.
A definição da União Europeia para IA é semelhante à que mencionamos de Kaplan e Heinlein. Um sistema de IA é baseado em máquina, feito para operar em níveis variados de autonomia, exibindo adaptatividade após o deploy (implantação), ou seja, um sistema que se adapta após a venda e o acesso do cliente. Com objetivos explícitos ou implícitos, faz inferências a partir da entrada que recebe para gerar predições, recomendações, conteúdo ou decisões que influenciam tanto o mundo físico quanto o virtual. Essa definição implica que qualquer empresa trabalhando com IA hoje precisa entender a sociedade e os impactos.
Muitas pessoas veem a tecnologia como mágica e não a questionam, mas isso precisa mudar. Precisamos abrir a caixa de Pandora, pois os dados estão presentes em todos os lugares. É possível gerar arte com IA. Durante a Covid, desenvolvemos um detector de Covid que pudesse ser utilizado por enfermeiros com uma simples amostra de sangue. Foi um sucesso, patenteado e licenciado nos laboratórios LACEN da Anvisa.
O corpo humano produz metabólitos responsáveis por diferentes funções no organismo. Quando falamos de DNA, temos a genômica; quando falamos de efeitos do ambiente, temos a metabolômica. Na metabolômica, podemos realizar testes e encontrar biomarcadores. Trabalhamos com mais de mil pacientes de Covid no Brasil, com o objetivo de tirar uma amostra de sangue. Já tínhamos experiência com um detector para zika, obesidade, doenças fúngicas, etc., em mais de quatro anos de colaboração.
Durante a Covid, utilizamos o melhor equipamento de análise de espectrometria de massas do Brasil, que era da CBF, para doping. A CBF fez uma parceria com nossa universidade e emprestou o equipamento durante alguns meses. Passávamos a amostra de sangue, separávamos o plasma e o passávamos pelo equipamento. A IA analisava quais metabólitos eram alterados com a presença do vírus. Conseguimos descobrir quais ácidos graxos e outros metabólitos estavam associados e desenvolvemos um novo teste com mais de 90% de acerto na presença do vírus, tudo em menos de uma hora, enquanto o PCR demorava dias.
Outro exemplo no nosso laboratório é o VivaBem. Nosso objetivo é trabalhar com relógios inteligentes para monitorar indivíduos e apontar possíveis melhorias na qualidade de vida e bem-estar. Utilizamos IA desde a coleta dos dados até a proposta da resposta. O relógio possui muitos sensores, como batimento cardíaco, eletrocardiograma e temperatura. Podemos ver, por exemplo, a viscosidade do sangue a partir dos sensores de luz.
Dentro desse projeto, temos uma linha especialista em neurociência, onde pesquisamos Parkinson, educação física, como melhorar a performance em esportes e identificar perda de força em idosos, um problema chamado sarcopenia. As técnicas de IA e as técnicas para explicar os algoritmos de IA, que é IA explicável, são fundamentais. Muitas vezes, não podemos compartilhar os dados dos participantes, então utilizamos aprendizado federado, processando algo no dispositivo e compartilhando apenas o resultado do processamento, respeitando a privacidade.
No nosso laboratório, onde 80% da pesquisa é com a indústria, é necessário ter engenharia de software para a translação da pesquisa para o mercado. Fazemos todo o processamento em um cluster, um dos maiores da América Latina, em parceria com a Samsung. Esse cluster se chama Yara e está entre os 500 maiores do mundo.
Trabalhamos com a qualidade do sono, instalamos equipamentos de polissonografia para entender por que as pessoas dormem mal e, com o relógio, analisamos como melhorar o sono. Ansiedade, estresse, cuidados com idosos e pessoas com deficiência são áreas de foco. Utilizamos aprendizado não-supervisionado e auto-supervisionado, enfrentando problemas típicos de overfitting e trabalhando com poucos dados, pois é um cenário de saúde. Soluções de self-supervised learning são importantes, pois são eficazes quando temos poucos exemplos.
Identificação de outliers é crucial. Às vezes, o outlier precisa ser removido, outras vezes é o objeto de interesse. Nossa visão é realizar pesquisa para a saúde pró-ativa, identificando os primeiros sinais que podem se transformar em doença, para que a pessoa possa tomar medidas. Em Parkinson, por exemplo, coletamos dados em parceria com o hospital, realizamos exercícios com acompanhamento de especialistas e analisamos os sinais para verificar tremores associados ao Parkinson.
Entendemos ações e atividades, como identificar quando alguém está comendo, para ativar sensores e coletar a quantidade de glicose no sangue, sem agulhas. Analisamos a biomecânica do movimento, coletando dados de participantes para entender atividades físicas e sedentárias e como isso afeta o corpo humano. Nosso objetivo é propor ações que melhorem a qualidade de vida.
Transformamos sinais de série temporal dos sensores do relógio em imagens para identificar padrões de sono. Temos um quarto do sono onde coletamos dados com um capacete desenvolvido na Unicamp, para entender quais áreas do cérebro estão ativas durante o sono. Também estudamos ansiedade e estresse, induzindo ansiedade em laboratório para medir as reações.
Utilizamos IA para transformar sinais do relógio em imagens, identificando níveis de ansiedade. Quem tiver curiosidade pode visitar nosso site vivabem.unicamp.br para conhecer mais sobre nossa pesquisa em saúde e bem-estar. Para conhecer mais pesquisas do Recode AI, acesse recode.ai.
Precisamos reconhecer que a IA chegou e não vai desaparecer. Isso gera uma quantidade enorme de dados, muitas vezes falsos. Por exemplo, no ano passado, até agosto, cerca de 15 bilhões de imagens foram geradas com IA. Dados como nunca antes, com GPUs cada vez mais poderosas processando isso.
Desenvolvemos técnicas que combinam diferentes algoritmos para identificar falsificações. Criamos um espaço probabilístico que combina métodos e dá a probabilidade de cada pixel ser falso. Essa técnica é útil em diferentes problemas. Também desenvolvemos redes neurais baseadas em transformers ou convolucionais para identificar características associadas à falsificação, como ruído.
Lançamos um paper explicando como isso acontece, disponível para todos. Temos um sistema em parceria com a NHS nos Estados Unidos para identificar falsificações em artigos de medicina e biologia. Também trabalhamos na área de segurança, com sistemas open source para verificar a veracidade de imagens e vídeos.
Recentemente, tivemos dois resultados interessantes. Um deles analisa a causalidade, uma área de grande interesse. Queremos entender o que causa o quê, saindo da análise de correlações para intervenções. Outro exemplo é o fake scope, onde treinamos uma LLM para identificar falsificações e explicar por quê.
Esse projeto, chamado Horus, é financiado pelo governo de São Paulo e federal, desenvolvendo soluções para verificar rapidamente a veracidade de mídias. Identificamos tentativas de golpes via WhatsApp ou SMS, filtrando mensagens no servidor para apontar links duvidosos.
Finalizando, precisamos nos adaptar à IA. O que fizemos aqui foi um conjunto de provocações e uma recomendação: leitura é fundamental. Não queremos o retorno dos mágicos da Idade Média, atribuindo magia ao que não conseguem explicar. Queremos soluções maduras, explicáveis, interpretáveis e justas, sem vieses. Esse é o novo desafio do desenvolvimento de software.
Não queremos falsas promessas, mas entender as consequências, sair da correlação e entender a causalidade. Hoje, as soluções de aprendizado de máquina e IA estão no nível de associação. O próximo passo é a intervenção, entender o que acontece se mudarmos algo. E, finalmente, o desafio do contra-factual, entender o que poderia ter acontecido.
Devemos lembrar que a IA pode ser inteligência aumentada, centrada no ser humano. Esse é o grande potencial: combinar nossa capacidade crítica com a capacidade da IA de analisar grandes quantidades de dados. Agradecemos a todos. Convidamos para uma visita à Unicamp à noite. Muito obrigado.
O curso IA CONFERENCE 2025 possui 830 minutos de vídeos, em um total de 55 atividades. Gostou? Conheça nossos outros cursos de IA para Programação em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.
Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:
Impulsione a sua carreira com os melhores cursos e faça parte da maior comunidade tech.
1 ano de Alura
Matricule-se no plano PLUS e garanta:
Jornada de estudos progressiva que te guia desde os fundamentos até a atuação prática. Você acompanha sua evolução, entende os próximos passos e se aprofunda nos conteúdos com quem é referência no mercado.
Mobile, Programação, Front-end, DevOps, UX & Design, Marketing Digital, Data Science, Inovação & Gestão, Inteligência Artificial
Formações com mais de 1500 cursos atualizados e novos lançamentos semanais, em Programação, Inteligência Artificial, Front-end, UX & Design, Data Science, Mobile, DevOps e Inovação & Gestão.
A cada curso ou formação concluído, um novo certificado para turbinar seu currículo e LinkedIn.
No Discord, você participa de eventos exclusivos, pode tirar dúvidas em estudos colaborativos e ainda conta com mentorias em grupo com especialistas de diversas áreas.
Faça parte da maior comunidade Dev do país e crie conexões com mais de 120 mil pessoas no Discord.
Acesso ilimitado ao catálogo de Imersões da Alura para praticar conhecimentos em diferentes áreas.
Explore um universo de possibilidades na palma da sua mão. Baixe as aulas para assistir offline, onde e quando quiser.
Acelere o seu aprendizado com a IA da Alura e prepare-se para o mercado internacional.
1 ano de Alura
Todos os benefícios do PLUS e mais vantagens exclusivas:
Luri é nossa inteligência artificial que tira dúvidas, dá exemplos práticos, corrige exercícios e ajuda a mergulhar ainda mais durante as aulas. Você pode conversar com a Luri até 100 mensagens por semana.
Aprenda um novo idioma e expanda seus horizontes profissionais. Cursos de Inglês, Espanhol e Inglês para Devs, 100% focado em tecnologia.
Para estudantes ultra comprometidos atingirem seu objetivo mais rápido.
1 ano de Alura
Todos os benefícios do PRO e mais vantagens exclusivas:
Mensagens ilimitadas para estudar com a Luri, a IA da Alura, disponível 24hs para tirar suas dúvidas, dar exemplos práticos, corrigir exercícios e impulsionar seus estudos.
Envie imagens para a Luri e ela te ajuda a solucionar problemas, identificar erros, esclarecer gráficos, analisar design e muito mais.
Conecte-se ao mercado com mentoria individual personalizada, vagas exclusivas e networking estratégico que impulsionam sua carreira tech para o próximo nível.
Escolha os ebooks da Casa do Código, a editora da Alura, que apoiarão a sua jornada de aprendizado para sempre.
