<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tech Com H on Medium]]></title>
        <description><![CDATA[Stories by Tech Com H on Medium]]></description>
        <link>https://medium.com/@techcomh?source=rss-d4b3c3c0b5fc------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*DZWIZRE8Bq4mX4lkITCkZQ.png</url>
            <title>Stories by Tech Com H on Medium</title>
            <link>https://medium.com/@techcomh?source=rss-d4b3c3c0b5fc------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 10:19:29 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@techcomh/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Classificação de Imagens com Programação Genética]]></title>
            <link>https://medium.com/@techcomh/classifica%C3%A7%C3%A3o-de-imagens-com-programa%C3%A7%C3%A3o-gen%C3%A9tica-15e6416ce698?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/15e6416ce698</guid>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Wed, 15 Nov 2023 22:40:24 GMT</pubDate>
            <atom:updated>2023-11-16T00:52:18.056Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CGH2Dozpqvd3HB4rS5ViIA.jpeg" /></figure><p>Programação Genética tem provado o seu valor para classificação de imagens, embora sendo utilizado para otimização, no artigo “<em>Genetic Programming for Image Classification: A New Program Representation With Flexible Feature Reuse”</em> foi apresentado um novo método denominado <strong>Genetic Program with Features Reuse (GP-FR)</strong>. Esse novo método provou resultados surpreendentes, mesmo comparando com métodos tradicionais utilizado no dia a dia, como a <strong>Redes Neurais Convolucionais (CNNs)</strong> por exemplo.</p><h3>Abordagem proposta</h3><p>Esta seção apresenta em detalhes a abordagem GP-FR proposta para classificação de imagens. Primeiramente, é apresentado o processo geral do sistema de classificação de imagens proposto usando GP.</p><h4>Visão geral do algoritmo</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*ySMlMjl6bDWNeJj5Zxl6GQ.png" /><figcaption>Figura 2: Processo geral do sistema de classificação de imagens proposto.</figcaption></figure><p>A Figura 2 mostra o processo geral do sistema de classificação de imagens proposto usando GP que contém dois componentes, ou seja, a construção efetiva do programa GP (treinamento/aprendizagem evolutivo) e o programa GP para classificação (teste). No processo de aprendizagem evolutiva, um conjunto de imagens de treinamento e seus rótulos de classe correspondentes são as entradas do GP-FR que podem evoluir uma população de programas GP. A Figura 2 apresenta o processo evolutivo da GP. O algoritmo geral do GP-FR é descrito no Algoritmo 1. Uma população de programas/soluções GP é primeiro gerada aleatoriamente com base na nova estrutura do programa, conjunto de funções e conjunto de terminais usando o método <em>ramped half-and-half</em> ( linha 1) e seus valores <em>fitness</em> são avaliados (das linhas 3 a 5). Em seguida, programas GP com melhores valores <em>fitness</em> são selecionados para gerar uma nova população de programas GP realizando operadores GP, ou seja, elitismo, cruzamento e mutação (das linhas 8 a 16). Este processo continuará até que uma condição de terminação predefinida (isto é, o número máximo de gerações) seja atingida.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*tExb6TzIDafH6nQefql8GA.png" /><figcaption>Algoritmo 1: Algoritmo GP-FR</figcaption></figure><p>Finalmente, o melhor programa GP é retornado. Após o processo de aprendizagem evolutiva, espera-se que o melhor programa GP extraia múltiplas características discriminativas da imagem e conduza a classificação para uma determinada tarefa de classificação de imagens usando o algoritmo de classificação mais eficaz. No processo de teste, conforme mostrado na Fig. 2, um conjunto de imagens de teste são as entradas do melhor programa GP e então os rótulos de classe previstos são retornados.</p><p>Para alcançar alta precisão de classificação usando os programas GP evoluídos, é necessário propor uma nova estrutura de programa GP, um novo conjunto de funções e um novo conjunto de terminais.</p><h4>Novo design de estrutura do programa</h4><p>Para usar efetivamente os recursos gerados em uma árvore GP, é desenvolvida uma abordagem GP com uma nova estrutura de programa que pode reutilizar automaticamente os recursos produzidos por diferentes nós do programa GP.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iUMvvzRfS-XdC2Wco06zlQ.png" /><figcaption>Fig3. Nova estrutura do programa GP e três tipos de programas GP de exemplo (FC: concatenação de recursos; FE: extração de recursos; IFF: função de filtragem de imagem; RD: detecção de região; Img: imagem de entrada; SVM: máquina de vetores de suporte; LR: regressão logística e FR: floresta aleatória). (a) Estrutura proposta do programa GP com múltiplas camadas. (b) Combinação de recursos globais e locais com reutilização flexível de recursos. © Combinação de recursos locais com reutilização flexível de recursos. (d) Combinação de recursos globais sem reutilização de recursos.</figcaption></figure><p>A Figura 3 ilustra a estrutura proposta do programa GP para classificação de imagens, destacando sua flexibilidade e capacidade de realizar múltiplas funções de forma automática e simultânea. A estrutura é composta por várias camadas, cada uma com funções específicas: detecção de região, filtragem de imagem, extração de recursos, concatenação de recursos e classificação. A entrada do programa é uma imagem bruta, e a saída é um rótulo de classe. A camada de detecção de região identifica regiões importantes na imagem, enquanto a camada de filtragem de imagem realiza o pré-processamento. A camada de extração de recursos extrai informações úteis das imagens, e a camada de concatenação de recursos combina esses recursos para representar efetivamente a imagem. A camada de classificação seleciona automaticamente um algoritmo de classificação, como SVM ou RF, para produzir uma combinação eficaz de recursos e classificadores.</p><p>A Figura 3 (a) mostra a estrutura geral do programa, enquanto as Figuras 3 (b) a (d) apresentam exemplos de programas GP típicos desenvolvidos pela abordagem. As linhas pontilhadas nas camadas de detecção de região e filtragem de imagem indicam que essas camadas são opcionais nos programas GP evoluídos. A reutilização flexível de recursos ocorre após a detecção de regiões e filtragem de imagem, evitando o consumo excessivo de tempo com informações redundantes ou irrelevantes da imagem bruta. A Figura 3 (b) a (d) exemplifica como a reutilização de recursos acontece de forma flexível, com programas GP que podem incluir ou não essa reutilização.</p><p>A nova estrutura do programa GP é flexível de quatro maneiras principais: permite a evolução automática de soluções de tamanhos variáveis, possibilita a reutilização flexível de recursos em todo o programa, aprende características globais e/ou locais para diferentes tarefas de classificação e seleciona automaticamente algoritmos de classificação adequados. Por exemplo, para classificação de expressões faciais, características específicas como as dos olhos e da boca são cruciais, enquanto para reconhecimento facial, recursos de toda a imagem são necessários. Os exemplos de programas na Figura 3 (b) a (d) mostram a extração de características globais e locais, ilustrando a adaptabilidade do GP-FR a diferentes tarefas de classificação de imagens.</p><h4>Novo conjunto de funções</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/295/1*zFQ_4TS76y5Eceb8C1b1xQ.png" /><figcaption>Exemplo para ilustrar a detecção de região.</figcaption></figure><p>A nova estrutura do programa GP utiliza cinco tipos de funções/operadores para realizar sub-tarefas específicas no processo de classificação de imagens, como detecção de região, filtragem de imagem, extração de recursos, concatenação de recursos e seleção ou execução de algoritmos de classificação. A escolha dessas funções é essencial para estar alinhada com a sub-tarefa correspondente para evitar aumentos no tempo de busca do método.</p><ol><li>Função <em>Region Detection Layer: </em>A camada de detecção de região em Programação Genética foca em identificar partes úteis e informativas de uma imagem para diferenciar classes, concentrando-se apenas nas áreas mais relevantes para reduzir custos computacionais. As funções RegionR e RegionS detectam regiões retangulares e quadradas, respectivamente, permitindo que o GP-FR selecione uma região específica de uma imagem maior. Os detalhes dessas funções incluem parâmetros como a imagem bruta ou filtrada, as coordenadas (x,y) do ponto superior esquerdo da região, e as dimensões da região detectada.</li><li>Função <em>Image Filtering Layer: </em>A camada de filtragem de imagem do programa de Programação Genética utiliza doze funções para processar imagens ou regiões e seus parâmetros, produzindo uma saída filtrada do mesmo tamanho. Essas funções, incluindo Med, Mean, Min, Max e Gau, são projetadas para mitigar ruídos como o gaussiano e o sal e pimenta. Elas usam um tamanho de kernel 3x3. Outras funções como GauD, Lap, LoG1, LoG2, Sobel, SobelX e SobelY são usadas para extrair características de borda ou detectar regiões planas na imagem. Além disso, essas funções podem indicar, através de um parâmetro ‘s’, se as características produzidas serão reutilizadas ou não em processos subsequentes.</li><li>Função <em>Feature Extraction Layer: </em>A camada de extração de características do programa de Programação Genética inclui cinco métodos para descrever características de textura e forma das imagens. As funções processam imagens brutas ou filtradas e regiões de imagem filtradas, gerando vetores de características. A função LBP é usada para descrever texturas, enquanto a uLBP extrai 59 características de histograma baseadas em LBP. As funções SIFT e HOG extraem características de forma, sendo que SIFT é invariante a escala e rotação e gera 128 características. HOG utiliza orientação, tamanho de célula e bloco específicos para produzir vetores de características a partir da média de grades 4x4. A função Hist extrai características de histograma que são invariantes a translação e rotação, fornecendo informações sobre contraste, iluminação e alcance dinâmico. Por fim, as características independentes de domínio (DIFs) são obtidas calculando a média e o desvio padrão de seis regiões e quatro linhas da imagem/região.</li><li>Função <em>Feature Concatenation Layer:</em> A camada de concatenação de características tem como objetivo unir múltiplas características aprendidas nas camadas anteriores para uso na classificação. A função de concatenação, Features_con, combina automaticamente as características geradas nas camadas de extração de características e/ou filtragem de imagem em um vetor de características. Assim, o programa GP evoluído pode produzir uma variedade de características informativas para representar efetivamente a imagem. Após a detecção de região na camada de filtragem de imagem, a função de concatenação transforma a região em um vetor, concatenando cada linha e unindo-a com outros vetores.</li><li>Função<em> Classification Layer</em>: A camada de classificação no programa GP-FR utiliza uma função de classificadores como nó raiz, que seleciona automaticamente um algoritmo de classificação de um conjunto predefinido para criar uma combinação efetiva de características e classificadores para diversas tarefas de classificação de imagens. Os inputs dessa função são um vetor de características e um número inteiro que representa diferentes algoritmos de classificação. Os algoritmos disponíveis incluem Máquinas de Vetores de Suporte (SVM), regressão logística (LR), Florestas Aleatórias (RF) e árvores extremamente randomizadas (ERF), escolhidos por sua eficácia em classificação.</li></ol><h4><em>Avaliação Fitness</em></h4><p>A precisão da classificação é empregada como a função de aptidão para medir a aptidão de um programa/solução em GP-FR, que é definida da seguinte forma:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/215/1*7T-o4XAIB6OMqSU6eFKMlQ.png" /><figcaption>Função Fitness</figcaption></figure><p>onde <em>Ncorrect</em> é o número de instâncias classificadas corretamente, <em>Ntotal</em> denota o número total de instâncias no conjunto de treinamento e acc é a precisão da classificação.</p><p>Para evitar overfitting, foi empregado o método <em>stratified fivefold cross- validation</em> para avaliar a qualidade de cada programa de GP. Na camada de classificação do programa GP, o método de validação <em>stratified fivefold cross- validation</em> divide o conjunto de treinamento em cinco partes.</p><h4>Conjuntos de dados</h4><p>No estudo, doze conjuntos de dados de classificação de imagens amplamente utilizados e de diferentes níveis de dificuldade foram empregados para avaliar o desempenho do GP-FR. Estes incluem conjuntos de dados:</p><ul><li>Classificação de expressões faciais (<strong>FEI_1</strong>, <strong>FEI_2</strong> e <strong>Jaffe</strong>);</li><li>Reconhecimento facial (<strong>ORL</strong>),</li><li>Identificação de formas (<strong>Rectangle</strong> e <strong>Convex</strong>),</li><li>Reconhecimento de dígitos manuscritos (<strong>MB</strong>, <strong>MRD</strong>, <strong>MRB</strong> e <strong>MRDBI</strong>);</li><li>Visão Computacional (<strong>Fashion-MNIST</strong> e <strong>CIFAR-10</strong>).</li></ul><p>Os conjuntos variam em complexidade, desde a identificação de expressões faciais e reconhecimento de formas até a classificação de dígitos manuscritos em diferentes contextos, como rotação e fundos variados. O GP-FR foi testado tanto em conjuntos com um número menor de instâncias de treinamento, desafiando-o a aprender características eficazes, quanto em conjuntos maiores, divididos em conjuntos de treinamento e teste.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/515/1*6HbeZ3WYMp1XMKQFqAVXWg.png" /><figcaption>Conjuntos de dados selecionados</figcaption></figure><h4>Benchmark com métodos de referência</h4><p>Para demonstrar o desempenho da abordagem GP-FR proposta, uma ampla gama de métodos de referência eficazes foi utilizada para comparações, incluindo métodos tradicionais, baseados em GP e em CNN.</p><ul><li>Para os conjuntos de dados FEI_1, FEI_2, Jaffe e ORL foram selecionado cinco métodos tradicionais de classificação de imagens (SIFT+SVM, uLBP+SVM, HOG+SVM, Hist+SVM, DIF+SVM), um método baseado em GP de última geração (FGP) e duas CNNs convencionais (CNN-5 e LeNet-5). Estes métodos foram escolhidos para comparar a eficácia da extração e aprendizagem de características do GP-FR.</li><li>Para os conjuntos de dados Convex, Rectangle, MB, MRD, MRB e MRDBI, 18 métodos diferentes que alcançaram desempenho promissor foram utilizados como competidores, incluindo várias abordagens de aprendizado profundo como EvoCNN, que usa um algoritmo evolutivo para buscar arquiteturas eficazes de CNNs para classificação de imagens, superando modelos como VGG16, GoogleNet e AlexNet.</li></ul><h3>Análise de Eficácia, Eficiência e Interpretabilidade</h3><p>Experimentos mostram que o GP-FR atinge um desempenho de treinamento melhor do que os métodos de referência, mesmo com uma população e número de gerações menores. Por exemplo, em um conjunto de dados, o GP-FR alcançou a mesma precisão de treinamento que um método de referência, mas em menos gerações e com uma população menor. Além disso, o GP-FR demonstrou um desempenho de teste/generalização superior em comparação com outros métodos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/1*oYLM35W1R3u2SNr2x1M_Zw.png" /><figcaption>Acurácia (%) do GP-FR comparando com os métodos nos datasets FEI_1, FEI_2, JAFFE, AND ORL</figcaption></figure><p>Em resumo, o GP-FR oferece um desempenho de treinamento melhor sem a necessidade de grandes populações ou muitas gerações, diferentemente dos métodos tradicionais de classificação de imagens baseados em GP. Além disso, ele alcança um desempenho de teste/generalização superior, destacando sua eficácia e eficiência.</p><h3>Conclusão e Trabalhos Futuros</h3><p>Este estudo introduziu com sucesso o GP-FR, uma abordagem inovadora na Programação Genética, que aprende autonomamente recursos vitais para a classificação de imagens, utilizando uma estrutura única que reutiliza eficientemente informações em várias camadas de um programa. O GP-FR não só aprende e classifica recursos de forma integrada, mas também supera métodos preexistentes em 12 conjuntos de dados distintos, mostrando-se competitivo até mesmo em relação a técnicas de aprendizado profundo em datasets de tamanho pequeno a médio.</p><p>A eficácia do GP-FR é amplificada pela sua habilidade de explorar recursos em todo o programa, não se limitando aos gerados pelo nó raiz, o que enriquece a representação das imagens e melhora a classificação. Além disso, demonstrou-se que o GP-FR possui alta interpretabilidade e eficiência, evoluindo soluções de alta qualidade com menos demandas computacionais em comparação com outros métodos baseados em GP.</p><p>Olhando para o futuro, o estudo planeja expandir as funcionalidades do GP, integrando técnicas de seleção de recursos e explorando métodos para reduzir custos computacionais. Há também um interesse em adaptar o GP-FR para funcionar em GPUs, permitindo o manuseio de conjuntos de dados extensos como o ImageNet, desafiando a atual limitação de execução em CPUs.</p><h3>Implementação GP-FR</h3><p>A implementação do novo método GP-FR está disponível no <a href="https://github.com/techcomh/genetic_program_fearure_reuse/">GitHub</a>. O resultado obtido não foi igual ao que o artigo demonstra, mas vale resaltar que nem tudo que foi proposto foi implementado.</p><h3>Referência</h3><p>Todas as citações desse artigo foi extraido do artigo <em>Genetic Programming for Image Classification: A New Program Representation With Flexible Feature Reuse</em></p><ul><li>Fan, Q., et al. (2023). Genetic Programming for Image Classification: A New Program Representation With Flexible Feature Reuse. IEEE Transactions on Evolutionary Computation, 27(3), 460–477.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=15e6416ce698" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Escreva sobre o que você aprende]]></title>
            <link>https://medium.com/@techcomh/escreva-sobre-o-que-voc%C3%AA-aprende-edbd37e4e811?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/edbd37e4e811</guid>
            <category><![CDATA[escrever]]></category>
            <category><![CDATA[richard-feynman]]></category>
            <category><![CDATA[aprendizado]]></category>
            <category><![CDATA[conhecimento]]></category>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Sun, 01 Oct 2023 01:15:43 GMT</pubDate>
            <atom:updated>2023-10-01T01:15:43.378Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Vl4G1oNEKEPnrIMF" /><figcaption>Photo by <a href="https://unsplash.com/@lilartsy?utm_source=medium&amp;utm_medium=referral">lilartsy</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Olá pessoal, neste artigo vou falar um pouco mais sobre a importância da escrita em nosso aprendizado.</p><p>Escrever o que aprendemos nos ajuda a entender assuntos que estamos aprendendo de forma mais aprofundada. Às vezes, tem partes do nosso aprendizado que só ficam claras quando explicamos para os outros.</p><p>Em muitos casos quando estamos aprendendo algo novo, achamos que somente a leitura é o suficiente para entender, mas será que realmente entendemos? As vezes até nos auto sabotamos no entendimento sobre o assunto.</p><p>Escrever sobre o que você aprende é mais do que apenas um método de documentação; é uma ferramenta poderosa para aumentar a compreensão e identificar as lacunas no seu aprendizado. Essa prática nos leva a explorar os tópicos de maneira mais completa e a articular nossos pensamentos de forma lógica e precisa.</p><h4>Aprendizado por Meio da Escrita</h4><p><strong>Exploração</strong>: Escrever sobre um assunto pode, em alguns casos, exigir uma exploração abrangente do tópico. Isso frequentemente resulta na descoberta de novos insights e conexões que podem não ser óbvios apenas através da leitura ou audição.</p><p><strong>Articulação</strong>: Colocar pensamentos em palavras obriga uma pessoa a clarificar sua compreensão. Esse processo de articulação auxilia na identificação de áreas onde a compreensão pode estar vaga ou incompleta.</p><p><strong>Reflexão</strong>: Escrever permite a reflexão sobre o assunto, permitindo que o aprendiz relacione novas informações com o conhecimento prévio. Essa síntese ajuda a construir uma compreensão mais robusta e interconectada do assunto.</p><p><strong>Revelação de Lacunas</strong>: Às vezes, o ato de escrever revela áreas onde o conhecimento está faltando ou inconsistente. Reconhecer essas lacunas é o primeiro passo para preenchê-las e alcançar uma compreensão mais completa.</p><h4>Os Benefícios</h4><p><strong>Retenção Aprimorada</strong>: Escrever sobre o que você aprende ajuda a reter as informações por um período maior. O processo de traduzir pensamentos em palavras envolve múltiplas faculdades cognitivas, fortalecendo a memória.</p><p><strong>Habilidades de Comunicação Aprimoradas</strong>: Escrever regularmente sobre diversos assuntos melhora a capacidade de comunicar ideias complexas de forma eficaz. Essa habilidade é inestimável tanto na vida profissional quanto pessoal.</p><p><strong>Crescimento Pessoal</strong>: A prática de escrever sobre o aprendizado encoraja uma mentalidade de crescimento. Ela promove a curiosidade, o pensamento crítico e uma disposição para se envolver com assuntos desafiadores.</p><h4>A Técnica Feynman</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/303/1*qaF3sFpDOci7HsxgXDUvWA.jpeg" /><figcaption>Richard Feynman</figcaption></figure><p>A Técnica Feynman é um método nomeado após o físico Richard Feynman, projetado para ajudar indivíduos a aprender e compreender profundamente os assuntos. Ela se alinha bem com a prática de escrever sobre o que você aprende, e seus princípios podem ser resumidos nos seguintes passos:</p><p><strong>Escolha um Assunto:</strong> Selecione um assunto ou tópico que você deseja entender.</p><p><strong>Ensine para um Iniciante:</strong> Tente explicar o assunto como se estivesse ensinando para um iniciante. Utilize uma linguagem simples e evite jargões.</p><blockquote><strong>Se você não consegue explicar algo de modo simples é porque não entendeu bem — </strong>Richard <strong>Feynman</strong></blockquote><p><strong>Identifique Lacunas e Volte à Fonte de Dados</strong>: Se você encontrar áreas onde sua explicação não está clara, volte à fonte de dados para preencher as lacunas.</p><p><strong>Simplifique e Use Analogias:</strong> Crie analogias e utilize uma linguagem simples para tornar o conceito mais fácil de ser compreendido e relacionado.</p><p><strong>Revise e Refine:</strong> Revise e refine constantemente sua explicação até que você possa articular o conceito de forma mais simples possível.</p><p>A Técnica Feynman enfatiza a importância da comunicação clara e simples, refletindo o processo de escrever sobre o que você aprende. Ambas as práticas encorajam uma compreensão profunda e abrangente do assunto.</p><h4>A Importância da Consistência</h4><p><strong>Construção de Hábitos</strong>: Escrever consistentemente ajuda a construir um hábito. Hábitos, uma vez estabelecidos, se tornam automáticos e requerem menos esforço para serem mantidos. Isso torna o processo de escrita mais natural e prazeroso ao longo do tempo.</p><p><strong>Melhoria Progressiva:</strong> A prática consistente resulta em melhorias incrementais. Cada sessão da escrita pode contribuir para um pequeno aprimoramento nas habilidades, mas com o tempo, esses pequenos ganhos se acumulam em um crescimento significativo.</p><p><strong>Alcançar Metas de Longo Prazo:</strong> O sucesso na escrita, como em muitos outros campos, frequentemente resulta de um esforço contínuo ao longo do tempo. A consistência alinha as ações diárias com as metas de longo prazo, criando um caminho para o sucesso.</p><h4>Os Desafios da Consistência</h4><p><strong>Superar a Procrastinação:</strong> A procrastinação pode ser uma barreira significativa para a consistência. Estabelecer uma escrita regular, criar um ambiente propício e focar no processo em vez do resultado pode ajudar a superar esse desafio.</p><p><strong>Lidar com o Esgotamento:</strong> Escrever consistentemente não significa escrever sem pausas ou sem cuidados com o bem-estar. O equilíbrio é essencial para evitar o esgotamento. Saber quando descansar e recarregar é tão crucial quanto saber quando avançar.</p><h4>Estratégias para Manter a Consistência</h4><p><strong>Defina Metas Realistas: </strong>Divida metas de longo prazo em marcos menores e alcançáveis. Foque no progresso em vez da perfeição.</p><p><strong>Crie uma Rotina:</strong> Estabeleça uma rotina regular de escrita para criar uma estrutura que apoie a consistência.</p><p><strong>Busque Responsabilidade:</strong> Compartilhar metas com um colega ou participar de um grupo pode oferecer incentivo e responsabilidade.</p><p><strong>Celebre o Progresso:</strong> Reconhecer e celebrar o progresso, mesmo que seja pequeno, cria um reforço positivo e motivação para continuar.</p><h4>Conclusão</h4><p>Seja você um entusiasta do conhecimento, a prática de escrever sobre o que você aprende e a consistência na sua abordagem são pilares cruciais para o aprofundamento do entendimento e o alcance do sucesso. Através da reflexão, articulação e exploração, a escrita sobre aprendizado revela as nuances do entendimento, enquanto a consistência na escrita fortalece as habilidades. Lembre-se, na escrita, a jornada é tão valiosa quanto o destino. Então, mergulhe no processo, abrace os desafios e celebre as vitórias, pois é nesse percurso que se forjam as mentes mais sábias. Espero que tenha gostado do artigo.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=edbd37e4e811" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelos Generativos: Decifrando os Modelos de Difusão]]></title>
            <link>https://medium.com/@techcomh/modelos-generativos-decifrando-os-modelos-de-difus%C3%A3o-c873ec0f5d45?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/c873ec0f5d45</guid>
            <category><![CDATA[modelos-generativos]]></category>
            <category><![CDATA[dall-e-2]]></category>
            <category><![CDATA[modelo-de-difusao]]></category>
            <category><![CDATA[ia-generativa]]></category>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Sun, 17 Sep 2023 16:06:46 GMT</pubDate>
            <atom:updated>2023-09-17T16:06:46.539Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*QmTulI9jNpxdVna9RAdsIg.jpeg" /></figure><p>Nas minhas pesquisas de mestrado, tenho investigado a fundo sobre modelos generativos, dentre eles, o que mais me chamou atenção foi o Modelo de Difusão. O poder de geração de dados desses modelos é impressionante e não é à toa que têm sido bastante aplicado em IA Generativa. Os projetos como <a href="https://openai.com/dall-e-2">DALL-E</a>, <a href="https://www.midjourney.com/home/?callbackUrl=%2Fapp%2F">Midjourney</a>, <a href="https://stablediffusionweb.com/">StableDiffusion</a> têm utilizados esses modelos para geração de imagens.</p><p>Modelos generativos são uma categoria de algoritmos de aprendizado de máquina que visam aprender a distribuição de probabilidade dos dados de treinamento, de modo a gerar novos dados que são semelhantes aos dados de treinamento. Eles são amplamente utilizados em uma variedade de tarefas, incluindo geração de <strong>imagens</strong>, <strong>tradução automática</strong>, <strong>geração de texto, síntese de voz </strong>e muito mais. Entre os tipos de modelos temos:</p><ul><li>Modelos Generativos Adversariais (GANs)</li><li>Redes Variacionais Autoencoder (VAEs)</li><li>Flow Models</li><li>Modelo de Difusão</li></ul><p>Os modelos de difusão são inspirados na termodinâmica de não equilíbrio. Eles definem uma cadeia de Markov de etapas de difusão para adicionar lentamente ruído aleatório aos dados e, em seguida, aprendem a reverter o processo de difusão para construir amostras de dados desejadas a partir do ruído. Ao contrário dos modelos VAEs ou de Flow Models, os modelos de difusão são aprendidos com um procedimento fixo e a variável latente possui alta dimensionalidade (igual aos dados originais).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*hWEvsaiddE7y1mPp.png" /><figcaption>Resumo de diferentes tipos de modelos generativos.</figcaption></figure><p>Agora vamos entrar em mais detalhes sobre o Modelo de Difusão.</p><h3>Modelo de Difusão</h3><h4>Introdução</h4><p>Os modelos de difusão emergiram como uma abordagem promissora na geração de imagens de alta fidelidade. Este artigo busca explorar diferentes aspectos dos modelos de difusão, desde os processos de difusão para frente e reversa até estratégias para acelerar a amostragem e melhorar a resolução e a qualidade da geração.</p><h4><strong>Termodinâmica de Não Equilíbrio</strong></h4><p>O modelo de difusão foram inspirados na Termodinâmica de Não Equilíbrio, onde as variáveis estão sempre em fluxo, movendo-se através de estados prováveis, mas nunca atingindo um equilíbrio verdadeiro. Neste caso, os modelos de difusão podem ser usados para simular a dinâmica de não equilíbrio de um sistema.</p><h4><strong>Cadeia de Markov</strong></h4><p>Dentro do modelo de difusão, a evolução do sistema pode ser representada como uma cadeia de Markov, onde cada passo é dependente apenas do estado atual, não de todos os estados passados. Essa relação ajuda a construir modelos de difusão robustos que podem efetivamente simular processos dinâmicos complexos através de etapas temporais discretas.</p><h3>Processos de Difusão</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/856/0*rqhDUmWmJsSquQwP.png" /></figure><h4>Processo de Difusão para Frente</h4><p>O processo de difusão para frente começa com uma amostra de dados <strong><em>x</em>0</strong>​ retirada de uma distribuição real de dados. Neste processo, uma pequena quantidade de <a href="https://pt.wikipedia.org/wiki/Ru%C3%ADdo_gaussiano">ruído gaussiano</a> é adicionada à amostra em <strong><em>T</em></strong> etapas, criando uma sequência de amostras ruidosas <strong>x1, x2, …, <em>xT</em>​</strong>. A equação que representa cada etapa da difusão é dada por:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/385/1*EdJdqdMMptUQ6K2JMMxbRA.png" /></figure><p>onde <strong><em>βt</em></strong> está no intervalo (0, 1) e representa a programação da variância controlando o tamanho do passo de difusão. A distribuição de probabilidade de toda a sequência é dada pelo produto das distribuições de cada etapa:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/272/1*9XvTn7PdxVzHas00xibi7g.png" /></figure><p>À medida que o número de etapas <strong><em>t</em></strong> aumenta, a amostra de dados original <strong><em>x0</em></strong>​ vai perdendo suas características distintas. Quando <strong><em>T</em></strong> tende ao infinito, a distribuição de <strong><em>xT</em></strong>​ converge para uma distribuição gaussiana isotrópica.</p><p>Uma propriedade interessante desse processo é que é possível amostrar <strong><em>xt</em></strong>​ em qualquer etapa arbitrária <strong><em>t</em></strong> usando o truque de reparametrização. A equação para isso é dada por:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/314/1*AO5wYDVA4bOlKbWMLdyFMA.png" /></figure><p>onde <strong><em>α </em>= 1 − <em>β</em></strong> e <strong><em>ζt</em>−1</strong>​ é uma variável aleatória com distribuição <em>N</em>(0,<em>I</em>). A equação para <strong><em>xt</em></strong>​ em termos de <strong><em>x</em>0</strong>​ é dada por:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/374/1*I1pydSt_FLgooBwSMhkPBA.png" /></figure><p>onde:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/161/1*P5afo0h83JA91h8SeqzzUQ.png" /></figure><p>A figura abaixo ilustra a Cadeia de Markov do processo de difusão para frente e para trás, mostrando como uma amostra é gerada através da adição e remoção gradual de ruído.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Q6coKs8lcwgs_Krm.png" /><figcaption>The Markov chain of forward (reverse) diffusion process of generating a sample by slowly adding (removing) noise. (Image source: <a href="https://arxiv.org/abs/2006.11239">Ho et al. 2020</a> with a few additional annotations)</figcaption></figure><h4>Processo de Difusão Reversa</h4><p>O processo de difusão reversa é uma tentativa de reverter o processo de difusão para frente, onde, em vez de adicionar ruído a uma amostra de dados, o objetivo é recriar a amostra original a partir de uma entrada de ruído gaussiano. A ideia é amostrar a partir da distribuição <strong><em>q</em>(<em>xt</em>−1​∣<em>xt</em>​)</strong> para recriar a verdadeira amostra <strong><em>x</em>0</strong>​ a partir de uma entrada de ruído gaussiano <strong><em>xT</em></strong>​.</p><p>Infelizmente, não é fácil estimar <strong><em>q</em>(<em>xt</em>−1​∣<em>xt</em>​)</strong> diretamente, pois isso exigiria o uso do conjunto de dados inteiro. Portanto, é necessário aprender um modelo <strong><em>p</em></strong> para aproximar essas probabilidades condicionais para executar o processo de difusão reversa. A equação que representa este modelo é:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/346/1*5HP5aZHo194YGDWlyN3X3w.png" /></figure><p>onde <strong><em>pθ</em>​(<em>xt</em>−1​∣<em>xt</em>​</strong>) é uma distribuição normal com média e covariância dadas por <strong><em>μθ</em>​(<em>xt</em>​,<em>t</em>)</strong> e <strong>Σ<em>θ</em>​(<em>xt</em>​,<em>t</em>)</strong> respectivamente.</p><p>É notável que a probabilidade condicional reversa é tratável quando condicionada em <strong><em>x</em>0</strong>​, sendo representada por:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/410/1*6KbomxWmLxH9fsOrSXqxpw.png" /></figure><p>A figura abaixo fornece um exemplo visual de como um modelo de difusão é treinado para modelar dados 2D “swiss roll”.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Gv-tiaJtJDPcvwu8.png" /><figcaption>An example of training a diffusion model for modeling a 2D swiss roll data. (Image source: <a href="https://arxiv.org/abs/1503.03585">Sohl-Dickstein et al., 2015</a>)</figcaption></figure><h4>Redes Neurais</h4><p>Redes neurais são usadas para modelar a distribuição condicional <br><strong><em>pθ</em>​(<em>X</em>0​∣<em>Xt</em>​)</strong>. Estas redes neurais tomam <strong><em>Xt</em></strong> como entrada e produzem uma distribuição para <strong><em>Xt</em>−1</strong>, que é então amostrada para produzir uma estimativa de <strong><em>Xt</em>−1</strong>. Este processo é repetido para cada passo no processo de difusão, movendo-se de volta no tempo até que uma estimativa da amostra original seja produzida.</p><h3>Conexões e Parâmetros Importantes</h3><h4>Conexão com Redes de Pontuação Condicionadas por Ruído (NCSN)</h4><p>A conexão com NCSN envolve a utilização de <a href="https://en.wikipedia.org/wiki/Langevin_dynamics">dinâmicas de Langevin</a> para produzir amostras através dos gradientes da distribuição de dados estimados com correspondência de pontuação. A estratégia se beneficia da perturbação dos dados com ruído de diferentes níveis, facilitando a estimativa das pontuações em diferentes níveis de ruído.</p><h4>Parametrização de <strong>β</strong>t</h4><p>A parametrização de βt é central para manipular a variância e a média durante o processo de difusão. A estratégia envolve a utilização de uma série de equações que relacionam diferentes parâmetros, como <em>αt, e ϵt</em>, para definir a média e a variância no processo.</p><h4>Parametrização da Variância do Processo Reverso</h4><p>A parametrização da variância do processo reverso envolve estratégias para aprender <strong>Σ<em>θ</em>​(<em>xt</em>​,<em>t</em>)</strong> através da previsão de um vetor de mistura <strong><em>v</em></strong>, e a introdução de um hiperparâmetro <strong><em>η</em></strong> para controlar a estocasticidade da amostragem.</p><h4>Aceleração da Amostragem de Modelos de Difusão</h4><p>Para acelerar a amostragem, é possível propor estratégias como o uso de um agendamento de amostragem com passos maiores e a implementação do Modelo de Difusão de Denoising Implícito (DDIM), que permite uma amostragem de melhor qualidade com um número reduzido de passos.</p><h4>Geração Condicionada</h4><p>Na geração condicionada, os modelos são treinados com informações de condicionamento, como rótulos de classe ou textos descritivos, para gerar amostras mais refinadas.</p><h4>Difusão Guiada por Classificador</h4><p>A difusão guiada por classificador utiliza os gradientes de um classificador treinado para guiar o processo de difusão, introduzindo modificações significativas na <a href="https://en.wikipedia.org/wiki/U-Net">arquitetura U-Net</a> para melhorar o desempenho.</p><h4>Orientação Sem Classificador</h4><p>A orientação sem classificador, por outro lado, explora estratégias para executar etapas de difusão condicional sem a necessidade de um classificador independente, utilizando modelos como o <a href="https://arxiv.org/abs/2112.10741">GLIDE</a>.</p><h4>Escalando a Resolução e Qualidade da Geração</h4><p>Para escalar a resolução e a qualidade da geração, são propostas estratégias como a implementação de um pipeline de múltiplos modelos de difusão em resoluções crescentes e a aplicação de augmentação de ruído específica para melhorar a qualidade da imagem gerada.</p><h3>Conclusão</h3><p>Os modelos de difusão representam uma forma interessante na geração de imagens de alta fidelidade, oferecendo uma série de estratégias e técnicas para melhorar a qualidade e a resolução das imagens geradas. À medida que continuamos a explorar e aprimorar esses modelos, podemos esperar avanços significativos na qualidade e na eficiência da geração de imagens através de modelos de difusão.</p><h3>Trabalho Futuro</h3><p>O próximo passo é implementar o modelo de difusão em Python, aplicando o conteúdo explicado neste artigo diretamente no código, de forma a consolidar ainda mais o conhecimento obtido aqui. Em breve disponibilizarei o link. Espero que tenham gostado e até breve!</p><h3>Referências</h3><ul><li><a href="https://lilianweng.github.io/posts/2021-07-11-diffusion-models/">What are Diffusion Models</a></li><li><a href="https://arxiv.org/abs/2006.11239">Denoising Diffusion Probabilistic Models</a></li><li><a href="https://arxiv.org/abs/1503.03585">Deep Unsupervised Learning using Nonequilibrium Thermodynamics</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c873ec0f5d45" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modelos Lineares]]></title>
            <link>https://medium.com/@techcomh/modelos-lineares-76cb7286b1ae?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/76cb7286b1ae</guid>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Sun, 16 Jul 2023 23:03:41 GMT</pubDate>
            <atom:updated>2023-07-16T23:03:41.265Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*i5bK6DYtEj5hfVjZ" /><figcaption>Photo by <a href="https://unsplash.com/@pietrozj?utm_source=medium&amp;utm_medium=referral">Pietro Jeng</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Os modelos lineares são bastante utilizado para decisões importantes com os dados e informações apresentadas. Como por exemplo, se for um banco que oferece serviço de crédito, podemos utilizar os modelos lineares para conceder ou não o crédito, podemos saber quanto de crédito que pode oferecer ou até mesmo estimar a possibilidade de um cliente não pagar seus compromissos. Não só como bancos, mas isso pode ser aplicado em qualquer area e problemas.</p><p>Além de resolver esses tipos de situações, normalmente os modelos lineares são mais simples de ser implementados e tem baixo custo computacional.</p><p>Vamos mergulhar um pouco mais sobre esse assunto para entendermos como que isso é possível.</p><h4>Introdução</h4><p>Na literatura de aprendizado de máquina, modelos lineares são classificados como <strong>aprendizado supervisionado</strong>, supervisionado porque precisamos ter informação sobre o resultado, onde o resultado é a variável independente, que podemos chamar de Y. Precisamos também de variáveis dependentes que seria os atributos, chamamos de x1, x2 … xN.</p><h4>Classificação</h4><p>Imagine que queremos separar os pontos vermelhos e azuis para classificar um conjunto de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/467/1*WmnxqBABcbtYzzXB2Jto0g.png" /><figcaption>Exemplo de pré-classificados em duas categorias</figcaption></figure><p>Cada um ponto é descrito por um número de atributos, eixo x e y. Queremos achar um meio de classificar novos exemplos nessa categorias. Como fazer isso? Dividindo os pontos com uma linha, ou seja, uma <strong>classificação linear</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/482/1*3Z5krrm6_Qth5zx9nrB4qQ.png" /><figcaption>Classificação linear entre as categorias</figcaption></figure><p>Essa linha é composta com base no valor de combinação dos atributos. Em casos de mais de duas dimensões, eixo x e y, a linha deixa de existir e passa ser um hiperplano conforme a imagem a baixo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/289/1*h_w5BLZhSWBEGozUtlyvbg.png" /><figcaption>Hiperplano sobre 3 dimensões</figcaption></figure><p>O hiperplano é compostos pela seguinte equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*nnHu553cpe1r74demjIMpQ.png" /><figcaption>Equação do hiperplano</figcaption></figure><p>Onde o <strong>W1, ….. Wd</strong> é a inclinação e o <strong>W0</strong> é sua localização. Quanto melhor for o valor do <strong>W</strong>, melhor será o hiperplano para separar as categorias.</p><p>As principais técnicas para classificação linear são:</p><ul><li>Redes Neurais (multi-layer perceptron)</li><li>Naive Bayes</li><li>SVM</li><li>Regressão Logistica</li></ul><h4>Regressão Linear</h4><p>Enquanto a classificação linear tem o objetivo de separar o conjunto de dados, a regressão linear vai nos ajudar a prever valores. Como citamos o exemplo de um banco, a regressão pode ser aplicado para saber o quanto de valor ($) pode ser emprestado. Então podemos aplicar a seguinte formula abaixo</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/337/1*3l3ZC9JHpQ7wGNApHde0Fw.png" /><figcaption>Cálculo de hipóteses</figcaption></figure><p>Simples não?! Calma que vou tentar explicar com mais clareza. Pensando no problema do banco, de quanto devo emprestar, ahipótese vai retornar um valor ($), e valor ele é calculado com com base no <strong>W</strong> e multiplicado com <strong>X</strong>, o <strong>W</strong> é o peso, que pode ser número aleatório e o <strong>X</strong> é o atributo do meu conjunto de dados, como por exemplo, o valor do salário do cliente. Se o meu peso <strong>W</strong> for um valor bom, eu posso aplicar essa conta para os outros clientes. Mas se o valor do <strong>W</strong> é aleatório, como vou acertar valor correto?</p><p>Nesse caso temos que calcular o erro e ir ajustando o peso novamente, para calcular existem várias formas, podemos aplicar o <strong>EQM</strong> — Erro Quadrático Médio, <strong>REQM</strong> — Raiz Erro Quadrático Médio.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/328/1*HTonRh1lfcZdSRvIWkkGBA.png" /><figcaption>Equação do Erro Quadrático Médio — EQM</figcaption></figure><p>A regressão irá tentar produzir uma linha ajustada de acordo com o erro quadrático, no caso de mais de duas dimensões, seria um plano.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/737/1*fBmcxzw4gCCimz4gspJFTA.png" /><figcaption>O erro calculado é a distância entre o ponto e a linha azul, na ultima imagem ao invés de linha, é um plano</figcaption></figure><p>Em suma, devemos minimazar o erro para que tenhamos uma reta ou um plano perfeito, para fazer isso devemos aplicar a seguinte formula para ajustar o peso <strong>W</strong> da equação anterior.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*xdrFmCVJ7AigEPECkVZhAg.png" /><figcaption>Equação para minimizar o erro</figcaption></figure><p>Sempre é importante resaltar que outliers podem corromper a regressão linear</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=76cb7286b1ae" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Porque a Amazon Prime migrou sua arquitetura para monolito?]]></title>
            <link>https://medium.com/@techcomh/porque-a-amazon-prime-migrou-sua-arquitetura-para-monolito-6d833cfac11f?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/6d833cfac11f</guid>
            <category><![CDATA[monolith]]></category>
            <category><![CDATA[aws-lambda]]></category>
            <category><![CDATA[aws]]></category>
            <category><![CDATA[microservices]]></category>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Wed, 31 May 2023 02:32:26 GMT</pubDate>
            <atom:updated>2023-06-02T02:10:00.941Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*BRi_JRAtc9Vn1yeg" /><figcaption>Photo by <a href="https://unsplash.com/@emilep?utm_source=medium&amp;utm_medium=referral">Emile Perron</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p>Uma postagem recente em <a href="https://www.primevideotech.com/video-streaming/scaling-up-the-prime-video-audio-video-monitoring-service-and-reducing-costs-by-90">um blog</a> da equipe de engenharia do Amazon Prime tem causado discussão na comunidade de arquitetura na nuvem. Mostrando os benefícios que tiveram de migrar uma arquitetura de microserviço para monolítica. Para novos engenheiros e arquitetos que sempre optaram por arquitetura de microsserviços, a afirmação é realmente chocante.</p><p>Vejam algumas discussões postadas:</p><blockquote>“Esta postagem é uma vergonha para a Amazon. Incapacidade total de construir alinhamento interno nas comunicações”</blockquote><p><a href="https://www.linkedin.com/feed/update/urn:li:activity:7059761112958799872/">Postagem</a> do Donnie Berkholz, Fundador &amp; Chief Analyst na Platify Insights.</p><blockquote>&quot;O que torna essa história confusa é que a Amazon foi pioneira na arquiteturas orientadas a serviços&quot;</blockquote><blockquote>“Agora, no dia a dia toda essa teoria finalmente chegou e deixou claro que, na prática, os microsserviços apresentam um conto de fadas para complicar seu sistema. Serveless só piora as coisas.”</blockquote><p><a href="https://world.hey.com/dhh/even-amazon-can-t-make-sense-of-serverless-or-microservices-59625580">Ponderou</a> o criador do Ruby-on-Rails e co-fundador do Basecamp.</p><p>Achei um pouco desnecessário essas declarações postada nas comunidades, não existe uma bala de prata de arquitetura para qualquer tipo de sistema, cada um tem a sua particularidade para atender o negócio.</p><p>Abaixo segue mais detalhes sobre a solução que o time de Video Quality Analysis (VQA) da Amazon Prime.</p><p>Na <a href="https://www.primevideotech.com/video-streaming/scaling-up-the-prime-video-audio-video-monitoring-service-and-reducing-costs-by-90">postagem original</a>, no dia 22 de março de 2023, o engenheiro sênior de desenvolvimento de software da Amazon Prime, Marcin Kolny, explicou como migraram o streaming de vídeo para uma arquitetura monolítica, obtendo redução de custo em 90%.</p><p>A tarefa é monitorar os milhares de streams de vídeo que o Prime entregava aos clientes. Originalmente, esse trabalho era feito por um conjunto de componentes distribuídos orquestrados pelo <a href="https://docs.aws.amazon.com/step-functions/latest/dg/welcome.html">AWS Step Functions</a>, um serviço de orquestração, <a href="https://thenewstack.io/return-of-the-monolith-amazon-dumps-microservices-for-video-monitoring/#:~:text=serverless%20orchestration%20service%2C-,AWS%20Lambda,-serverless%20service.">AWS Lambda serverless service</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1011/0*Rien1hUG3efaHtsV.png" /><figcaption>Arquitetura Serverless inicial</figcaption></figure><p>Em teoria, o uso de serverless permitiria que a equipe dimensionasse cada serviço de forma independente. No entanto, descobriu-se que, pelo menos pela forma como a equipe implementou os componentes, eles atingiram um limite de escala em apenas 5% da expectativa de carga. Os custos de escalar para monitorar milhares de fluxos de vídeo também seriam muito caros, devido à necessidade de enviar dados através de vários componentes. Inicialmente, a equipe tentou otimizar componentes individuais, mas isso não trouxe melhorias significativas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*11LbF-iHcywbJ9fF.png" /><figcaption>Arquitetura atualizada para monitoramento o sistema, com todos os componentes rodando dentro de um único ECS</figcaption></figure><p>Então, a equipe migrou todos os componentes em um único processo, hospedando-os no Amazon Elastic Compute Cloud (Amazon EC2) e no Amazon Elastic Container Service (Amazon ECS).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/725/0*WZlxyfG_MJ_MQ_p6.png" /><figcaption>Arquitetura monolítica final</figcaption></figure><p>Kolny teve o cuidado de mencionar que as decisões arquitetônicas feitas pela equipe de qualidade de vídeo podem não funcionar em todas as instâncias.</p><blockquote>“Microsserviços e componentes serverless são ferramentas que funcionam em alta escala, deve ser estudado a possibilidade de usar monolito”, escreveu ele.</blockquote><p>Para ser justo, o mercado tem procurado moderar o entusiasmo dos microsserviços na última década, enfatizando que isso só é bom em alguns casos.</p><p>O mundo da TI nada mais é do que cíclico, onde uma tendência arquitetônica é criticada em um ano e pode ser a nova moda no ano seguinte. A postagem é muito parecido com a notícia que o <a href="https://www.geekwire.com/2018/dropbox-saved-almost-75-million-two-years-building-tech-infrastructure/">Dropbox reduziu custo de 75 milhões implementando a sua própria infraestrutura</a> ao invés de utilizar serviços em cloud.</p><p>No geral, a decisão de usar uma arquitetura monolítica ou uma arquitetura de microsserviços é complexa. Há uma série de fatores a serem considerados, como o tamanho e a complexidade da aplicação, o orçamento e o risco de disponibilidade.</p><p>Gostou do conteúdo?</p><p>Segue <strong>Tech Com H</strong> através <a href="https://medium.com/@techcomh">Medium</a>, <a href="https://www.instagram.com/techcomh/">Instagram</a>, <a href="https://twitter.com/techcomh">Twitter</a> ou <a href="https://www.linkedin.com/in/henrique-lima-alexandre-2a26442b/">Linkedin</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6d833cfac11f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Storytelling com Dados, melhore suas apresentações com dados]]></title>
            <link>https://medium.com/@techcomh/storytelling-com-dados-melhore-suas-apresenta%C3%A7%C3%B5es-com-dados-a3572b1c35d0?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/a3572b1c35d0</guid>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Mon, 22 May 2023 03:18:01 GMT</pubDate>
            <atom:updated>2023-05-22T03:18:01.549Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*iqGfEEcrEkxItclBjrkiMQ@2x.jpeg" /></figure><p>Cole Nussbaumer Knaflic autora do livro <strong>Storytelling com Dados</strong>, é especialista em apresentação de informações quantitativas. Seus conceituados workshops e apresentações são bastante procurado por empresas. Seu talento foi aprimorado na prática por meio de atuações em bancos, participações privadas, gerente de People Analytics da Google e, mais recentemente fundou a sua própria empresa.</p><p>Contar histórias com dados por Cole Nussbaumer Knaflic é uma leitura essencial para quem quer aprender a se comunicar efetivamente com dados.</p><p>O livro é dividido em seis capítulos, cada um cobrindo um aspecto diferente da visualização de dados. No primeiro capítulo, a autora discute a a importância da contextualização: Quem é o seu público? O que precisa que ele saiba ou faça? O entendimento sólido do contexto reduz iterações adiante e o coloca no caminho para o sucesso quando se trata conteúdo visual.</p><p>O que me chamou mais atenção foi o segundo capítulo, onde é dado dicas de ouro para montar gráficos de forma simples e fácil de interpretação. Aplicando cores, fontes, saturação e tipos de gráficos para cara tipo de representação de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/853/1*V9Crgq9_2hllCJAJK_mtaA.png" /><figcaption>Exemplo de gráfico <strong>sem aplicação</strong> de conceitos proposto no livro</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/823/1*bMnt8_G64pSyizw7nsb7Dw.png" /><figcaption>Exemplo de gráfico <strong>depois</strong> <strong>de aplicar</strong> os conceitos proposto no livro</figcaption></figure><p>Ela então passa a discutir os diferentes tipos de visualizações de dados e como escolher o caminho certo para a sua história. Os capítulos restantes cobrem tópicos como princípios de design, comunicação eficaz e criação de apresentações orientadas por dados.</p><p>O livro está cheio de explicações claras e concisas, bem como exemplos úteis. O estilo de escrita de Nussbaumer Knaflic é envolvente e fácil de seguir, tornando o livro um prazeroso de se ler. Ela também inclui uma série de exemplos e desafios para ajudá-lo a colocar em prática o que aprendeu.</p><p>No geral, Storytelling with Data é um excelente aprendizado para quem quer aprender a se comunicar efetivamente com dados. O livro é bem escrito e informativo. Super recomendo para qualquer pessoa que queira melhorar suas habilidades de apresentação de visualização de dados.</p><p>Resumindo, aqui estão algumas das coisas que eu gostei no livro:</p><ul><li>O livro é bem organizado e fácil de ler.</li><li>O autor faz um ótimo trabalho ao explicar conceitos complexos de maneira clara e concisa.</li><li>O livro está cheio de exemplos e exercícios úteis.</li><li>O estilo de escrita da autora é intuitivo e fácil de ler.</li></ul><p>Aqui estão algumas das coisas que eu não gostei no livro:</p><ul><li>O livro pode ser um pouco repetitivo às vezes.</li><li>O desenvolvimento do storytelling poderia ser simples para aplica-lo.</li></ul><p>No geral, eu recomendo o Storytelling with Data para qualquer pessoa que queira aprender a se comunicar efetivamente com os dados. O livro é bem escrito, informativo e intutivo.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a3572b1c35d0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O que é Inteligência Artificial e Aprendizado de Máquina?]]></title>
            <link>https://medium.com/@techcomh/o-que-%C3%A9-intelig%C3%AAncia-artificial-e-aprendizado-de-m%C3%A1quina-92c0903ee7ea?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/92c0903ee7ea</guid>
            <category><![CDATA[inteligência-artificial]]></category>
            <category><![CDATA[aprendizado-por-reforço]]></category>
            <category><![CDATA[clusterização]]></category>
            <category><![CDATA[aprendizado-de-máquina]]></category>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Sat, 10 Sep 2022 22:45:15 GMT</pubDate>
            <atom:updated>2022-09-10T23:20:24.412Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4UEjKJwHdq9dlbdyma5kFQ.jpeg" /></figure><blockquote>“Nos próximos 10 anos, mudaremos para um mundo que tudo é Inteligência Artificial, um mundo onde a computação se torna universalmente disponível — seja em casa, no trabalho, no carro ou em trânsito — e interagindo com todos essas superfícies tornam-se muito mais naturais e intuitivas, acima de tudo, mais inteligentes.”</blockquote><blockquote>Sundar Pichai — CEO no Google<br>4 de Outubro de 2016</blockquote><p>De forma bem superficial resolvi compartilhar um pouco do que aprendi sobre Inteligência Artificial (IA) e Aprendizado de Máquina (ML). Essa é uma área que me despertou interesse entre os meus estudos devido aos serviços que utilizamos no dia a dia. Acredito que provavelmente você também já deve ter utilizado esses tipos de serviços, como por exemplo:</p><ul><li><strong>E-mail no dia a dia</strong><br>Os principais provedores de email utilizam IA para detectar spam e filtrar a sua caixa de e-mail</li><li><strong>Compras de livros na Amazon</strong><br>Na loja virtual da Amazon, eles utilizam IA para recomendar produtos de acordo com o seu interesse.</li><li><strong>Séries e filmes no Netflix<br></strong>Netflix utiliza IA para recomendar filmes e séries de acordo com a sua preferência.</li><li><strong>Rotas e trajetos no Waze</strong><br>Waze utiliza IA para encontrar a melhor rota para o seu destino de viajem.</li></ul><p>A IA têm potencial de atuar em qualquer segmento corporativo no mundo, com avanços tecnológicos e com a capacidade computacional que temos disponível, conseguimos coletar, armazenar e processar grandes volumes de dados, que são processos importantes para aplicarmos a IA em nossos negócios. Um estudo feito na McKinsey comprovou que empresas que aplicaram a IA em suas estratégias de negócio, tiveram margens de lucro significativamente maiores em relação aos que não aplicaram.</p><figure><img alt="McKinsey Global Institute AI adoption and use survey; McKinsey Global Institute analysis" src="https://cdn-images-1.medium.com/max/682/1*nQdGXkzwuH8HRS6hxPrugw.png" /><figcaption>Fonte: McKinsey Global Institute AI adoption and use survey; McKinsey Global Institute analysis</figcaption></figure><p>Neste gráfico o <strong>eixo Y</strong> são os segmentos industriais e no <strong>eixo X</strong> são as margens de lucro. A linha laranja representa os segmentos que aplicaram IA.</p><p>Gerentes de produto, líderes de negócios e todos precisam reconhecer como IA pode transformar seus produtos e melhorar de maneira significativa a eficiência e a experiência do usuário em seus processos.</p><p>Mas para trabalhar com isso, primeiramente precisamos entender os principais conceitos da IA e este artigo servirá como um guia, explicando os pontos importantes com exemplos e ilustrações. Vamos nessa?</p><h4>O que é Inteligência Artificial?</h4><p>IA é um conjunto de tecnologias que permite as máquinas de <strong>Observar</strong>, <strong>Pensar</strong> e <strong>Agir</strong> como humanos. O Aprendizado de Máquina (Machine Learning) é um conjunto de técnicas dentro da IA que permite aprender de acordo com os dados apresentados.</p><p>A figura a seguir demonstra como os computadores/máquinas utilizam as tecnologias como visão computacional e processamento de linguagem natural (NLP) para <strong>Observar</strong>. Com o Aprendizado de Máquina os computadores são capazes de <strong>Pensar</strong> e o resultado é o que o computador irá <strong>Agir</strong>, assim como carros autônomos, robôs e assistente virtuais.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DKIgXmH1lDdVLleYFGlgIA.jpeg" /></figure><h4>O que é Aprendizado de Máquina?</h4><p>O Aprendizado de Máquina é um subconjunto da IA. É a ciência de permitir que os computadores aprendam a partir dos dados apresentados a eles, das experiências, sem serem explicitamente programados. De fato, em Aprendizado de Máquina, os computadores aprendem com os dados e respostas apresentados a eles e produzem regras. Isso é completamente diferente da programação clássica, onde um programa atua nas regras e dados para gerar uma resposta.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*T3kBEs_htswh4QTRQSlFdA.jpeg" /><figcaption>Tipos de Programação</figcaption></figure><p>Em outras palavras, Aprendizados de Máquina cria um programa baseado na probabilidade e estatística, através de uma determinada entrada de dados que causa uma saída de regras.</p><h4>Como as máquinas aprendem através dos dados?</h4><p>Aqui temos uma maneira de como é feito isso, os dados são divididos em duas partes: <strong>Conjunto de Treinamento</strong> e <strong>Conjunto de Validação</strong> em uma proporção normalmente de 80:20, essa definição pode ser alterada de acordo com o desenvolvedor que estiver atuando no projeto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/702/1*ZqROTqblNXPDWiwvXCjuGQ.png" /><figcaption>Distribuição dos conjuntos de dados</figcaption></figure><ul><li><strong>Conjunto de dados de treinamento</strong><br>O conjunto de dados de treinamento é alimentado ao “algoritmo de aprendizado” (também conhecido como “modelo não treinado”) para encontrar padrões nos dados. Os algoritmos de aprendizado de máquina aprendem por meio de um processo chamado de indução ou aprendizado indutivo. A indução é um processo de raciocínio que generaliza (cria um modelo) a partir de informações específicas (conjunto de dados de treinamento). Essa generalização é capturada em termos de uma função/fórmula gerada que descreve a relação entre dois ou mais elementos no conjunto de dados.</li><li><strong>Conjunto de dados de validação</strong><br>O conjunto de dados de validação são os dados retidos para serem usados para testar a função/fórmula gerada. A função de modelo é ajustada com a ajuda deste conjunto de dados de validação. Ele fornece uma avaliação imparcial de quão bem o modelo se ajusta a outros dados não presentes no conjunto de dados de treinamento. O modelo pode ser ajustado com parâmetros, geralmente chamados de “hiperparâmetros”, para chegar a um ajuste melhor.</li></ul><p>Após o ajuste final desses hiperparâmetros, o modelo foi “treinado” (como uma pessoa aprendendo um novo trabalho). Esse modelo treinado agora pode inferir ou prever resultados. Se novos dados (onde apenas a entrada, podemos chamar de X, é identificada) são alimentados ao modelo treinado, ele prevê a saída Y.</p><h4>Os tipos de Aprendizado de Máquina</h4><p>Os computadores aprendem de diferentes maneiras, dando origem a vários tipos de Aprendizado de Máquina, como:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0gSCcGwI7NrOoqfey0Wm2Q.jpeg" /></figure><p>A imagem acima demonstra conjuntos de tipos de Aprendizado de Máquina, como <strong>Aprendizado Supervisionado</strong>, <strong>Aprendizado não Supervisionado</strong> e <strong>Aprendizado por Reforço</strong>. Com esses conjuntos, podemos criar modelos de aprendizado de regressão que podem ser utilizados para prever o crescimento populacional, estimar a expectativa de vida, prever mercados e muito mais.</p><h3>Aprendizado Supervisionado</h3><p>No Aprendizado Supervisionado, um ser humano utiliza as amostras de dados e as associa a um rótulo, como por exemplo, uma amostra de dados que todas as pessoas são conservadoras, nesse caso o rótulo é Pessoas Conservadoras, dentro dessa amostra podem existir diversas características de pessoas com esse rótulo.</p><p>Assim, o Aprendizado Supervisionado trata de aprender e gerar uma função (f) que mapeia uma entrada para uma saída com base em pares de dados pré-rotulados. O objetivo é aproximar a função de mapeamento tão bem que, quando você tiver novos dados de entrada (x’), a variável de saída para esses dados seja prevista como (y’) com base na função gerada f.</p><p>É chamado de aprendizado “supervisionado” porque o processo de aprendizado de um algoritmo a partir do conjunto de dados de treinamento pode ser pensado como os dados de treinamento que supervisionam o processo de aprendizado de um algoritmo, como se fosse um professor. No Aprendizado Supervisionado, conhecemos as respostas corretas, na forma de pares de dados rotulados. O algoritmo faz previsões iterativas sobre os dados de treinamento e é corrigido pelo professor. O aprendizado para quando o algoritmo atinge um nível aceitável de desempenho. Os problemas de Aprendizagem Supervisionada podem ser agrupados em Regressão e Classificação.</p><h4>Regressão</h4><p>Em um problema de regressão, a variável de saída é um valor real. Aqui, o resultado é previsto dentro de uma saída contínua — ou seja, a variável de entrada é mapeada para alguma função contínua. Por exemplo, se alguém for solicitado a prever o valor da receita gerada com um orçamento de publicidade de R$ 1.000, ele não saberá por onde começar. Mas se eles receberem o histórico de dados (receitas que os orçamentos de publicidade anteriores geraram), eles podem gerar uma hipótese (modelo).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*PxAPGuaeuiTD_boCoMYlTQ.png" /><figcaption>exemplo de gráfico de receita gerada x orçamento publicitário</figcaption></figure><p>Conforme apresentado no gráfico, os pontos que representam o par de entrada-saída de “orçamento publicitário” para “receita gerada” são plotados. A linha representa a saída contínua, hipótese pelo modelo — na verdade, uma função. Agora, se a pessoa mapear a nova variável de entrada (orçamento de publicidade de R$ 1.000) para essa saída ou função contínua, ela poderá prever as receitas aproximadas que o orçamento de publicidade de R$ 1.000 pode gerar — que nesse caso é de cerca de R$ 22.000.</p><h4>Classificação</h4><p>Em um problema de classificação, as variáveis de entrada são mapeadas em categorias discretas. O tipo mais simples de classificação é o binário (0 ou 1), onde há apenas duas opções: Sim ou não? Isso ou aquilo?</p><p>Alguns exemplos:</p><ul><li>Este e-mail é spam ou não? Categorias discretas: Spam ou Não spam.</li><li>Este animal de estimação é um cão ou gato? Categorias Discretas: Cão ou Gato.</li></ul><p>Além do binário, existem classificações multiclasse, onde os dados podem ser colocados em mais de duas classes.</p><ul><li>Tamanho da xícara de café: Pequeno, Médio ou Grande.</li><li>Tamanho da camiseta: P, M, G ou GG.</li></ul><p>Em resumo, a Classificação separa os dados, a Regressão ajusta os dados!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ym30uXO1khsECZhGMwpt0Q.jpeg" /></figure><p>Veja os tipos de problemas que é utilizado o Aprendizado Supervisionado:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/803/1*PJcS9h-oEVD1N1AKYZaO9g.png" /><figcaption>tipos de problemas para aplicar aprendizado supervisionado</figcaption></figure><h3>Aprendizado não Supervisionado</h3><p>No aprendizado não supervisionado, os dados não são rotulados, permitindo que o algoritmo atue sobre esses dados sem orientação. O algoritmo encontra agrupamentos e padrões naturais dentro dos dados apresentados, ou seja, identifica qualquer estrutura oculta agrupando ou encolhendo os dados.</p><p>Assim, o aprendizado não supervisionado verifica padrões não detectados anteriormente em um conjunto de dados sem rótulos preexistentes e com um mínimo de supervisão humana. Ao contrário do aprendizado supervisionado, não há respostas corretas e não há professor. Os algoritmos são deixados por conta própria para descobrir e apresentar estruturas interessantes nos dados.</p><p>O tipo mais utilizado para Aprendizado Não Supervisionado é o Clusterização.</p><h4>Clusterização</h4><p>Clusterização é o processo de usar algoritmos para identificar como diferentes tipos de dados estão relacionados. Na Clusterização, a máquina é alimentada com um conjunto de dados e solicitada a identificar alguma estrutura. Um algoritmo de agrupamento então encontra agrupamentos naturais entre objetos dentro de um determinado conjunto de dados. O algoritmo agrupa os dados em um ou mais clusters de dados com base em semelhanças, diferenças ou alguns outros relacionamentos complexos entre os dados.</p><p>Na imagem abaixo, temos um exemplo de um profissional de marketing que não tem certeza do público alvo do produto. Usando uma abordagem de Clusterização, o profissional de marketing identifica os pontos em comum de um potencial público, para agrupá-los em diferentes agrupamentos, como sexo, renda, idade, localização e assim por diante. E depois que o agrupamento é feito, o mercado alvo pode ser segmentado. A personalização da atividade de marketing para segmentos específicos oferece melhores resultados de negócios.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3TfNJDPUxOtdpbZBUjY4jQ.png" /></figure><p>Além da segmentação do público alvo, veja alguns outros casos de uso para Clusterização:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/818/1*-YbRYC8Ta2gga3AwGr_nrQ.png" /></figure><h3>Aprendizado por Reforço</h3><p>De todos os tipos de Aprendizado de Máquina, o Aprendizado por Reforço (RL) é o mais próximo do tipo de aprendizado que humanos e outros animais fazem. Como bebês e crianças pequenas, os seres humanos aprendem interagindo com seu ambiente. Essa interação produz uma riqueza de informações sobre causa e efeito, sobre ação e reação, e sobre as etapas envolvidas no alcance de metas, por menores que sejam.</p><p>Esse vai e vem com o meio ambiente continua até a idade adulta. Seja aprendendo a andar de bicicleta ou conversando com nossos colegas, estamos cientes de como o ambiente responde às nossas ações e procuramos influenciar o que acontece modulando nossas ações e comportamentos. Em suma, os humanos aprendem por tentativa e erro. A Aprendizagem por Reforço é conceitualmente a mesma, mas é uma abordagem computacional para a aprendizagem, realizando ações.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/909/1*sgKAkshDB7-bU9zRIPPdjg.png" /><figcaption>Aprendizado por Reforço</figcaption></figure><p>Aqui está o enquadramento típico de um cenário de Aprendizado por Reforço: Um agente realiza ações em um ambiente. As ações são interpretadas em uma recompensa e uma observação (representação do estado), que são realimentadas no agente. O aprendizado acontece quando um agente executa uma sequência de ações com base em decisões que maximizarão a recompensa devolvida. O objetivo de um agente de Aprendizado por Reforço é coletar o maior número possível de recompensas.</p><p>Nos casos mais interessantes, as ações podem afetar não apenas a recompensa imediata, mas também a próxima recompensa e, por meio dela, todas as recompensas subsequentes. As duas características — tentativa e erro e recompensas de busca e atraso — são as características distintivas mais importantes do Aprendizado por Reforço. O modelo precisa prestar atenção não apenas à recompensa imediata, mas à recompensa geral. Veja onde é possível aplicar o Aprendizado por Reforço:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*2v34pcIy6v9i-mecOMBDKA.png" /></figure><h3>Conclusão</h3><p>Bom, agora passamos pelos principais tipos de Aprendizado de Máquina e seus casos de uso mais populares. Definimos termos como Aprendizado Supervisionado e Não Supervisionado, Regressão, Classificação, Clusterização e Aprendizado por Reforço. Mas você ainda pode estar se perguntando como isso pode te ajudar no seu dia a dia da sua organização.</p><p>Na verdade, IA e ML prometem agilizar e acelerar muitos processos B2C, B2B, cadeia de suprimentos, testes de software, sistemas de autodiagnóstico e até mesmo de autocorreção, enquanto isso diminui o trabalho manual de equipes e reduzem custos.</p><p>Espero que este artigo tenha fornecido uma base bacana para ter conversas produtivas com especialistas no assunto. Espero também que possa aplicar IA/ML para obter uma boa experiência de seus clientes e melhores resultados de negócios.</p><p>Até mais!</p><h3>Referências Bibliográficas</h3><ul><li><a href="https://knowledge.wharton.upenn.edu/article/ai-new-electricity/#:~:text=%E2%80%9CAI%20is%20the%20new%20electricity,past%20weekend%20in%20Silicon%20Valley.">Why AI Is the New Electricity</a></li><li><a href="https://www.geeksforgeeks.org/artificial-intelligence-an-introduction/">Artificial Intelligence | An Introduction</a></li><li><a href="https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx">Artificial Intelligence the next digital frontier?</a></li><li><a href="https://www.amazon.com.br/Introduction-Machine-Learning-Etienne-Bernard/dp/1579550487/ref=asc_df_1579550487/?tag=googleshopp00-20&amp;linkCode=df0&amp;hvadid=379735814613&amp;hvpos=&amp;hvnetw=g&amp;hvrand=16646327377561835565&amp;hvpone=&amp;hvptwo=&amp;hvqmt=&amp;hvdev=c&amp;hvdvcmdl=&amp;hvlocint=&amp;hvlocphy=1001754&amp;hvtargid=pla-1572205537148&amp;psc=1">Introduction to Machine Learning</a></li><li><a href="https://www.amazon.com.br/Reinforcement-Learning-Introduction-Richard-Sutton/dp/0262039249/ref=asc_df_0262039249/?tag=googleshopp00-20&amp;linkCode=df0&amp;hvadid=379726163686&amp;hvpos=&amp;hvnetw=g&amp;hvrand=3154644240327848722&amp;hvpone=&amp;hvptwo=&amp;hvqmt=&amp;hvdev=c&amp;hvdvcmdl=&amp;hvlocint=&amp;hvlocphy=1001754&amp;hvtargid=pla-458692329113&amp;psc=1">Reinforcement Learning: An Introduction</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=92c0903ee7ea" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Racetrack Problem — Aprendizado por reforço]]></title>
            <link>https://medium.com/@techcomh/racetrack-problem-aprendizado-por-refor%C3%A7o-5ec77f9f652b?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/5ec77f9f652b</guid>
            <category><![CDATA[aprendizado-por-reforço]]></category>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Fri, 09 Jul 2021 02:37:20 GMT</pubDate>
            <atom:updated>2021-07-09T03:24:43.820Z</atom:updated>
            <content:encoded><![CDATA[<h3>Racetrack Problem — Aprendizado por reforço</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ndSoszs0ogrkACcn" /><figcaption>Photo by <a href="https://unsplash.com/@jannerboy62?utm_source=medium&amp;utm_medium=referral">Nick Fewings</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><p><em>Este é um artigo capaz de resolver problemas de carros autônomos em pista de corrida, utilizando algoritmos de aprendizado por reforço como foco de estudo e algoritmos de planejamento probabilístico para complemento de estudo. Neste projeto, além de estudar os algoritmos, também terá implementação deles em uma pista de corrida simulada virtualmente. Após a implementação será analisado os resultados de performance obtidos em cada algoritmos aplicados.</em></p><h3>Introdução</h3><p>Atualmente a presença de sistemas autônomos está cada vez mais presente no nosso dia a dia, impactando na nossa sociedade em atividades diárias e contribuindo com trabalhos operacionais, assim como, carros autônomos, robôs aspiradores de pó e até mesmo atuando em indústrias e fábricas. Muitos desses sistemas autônomos, além de componentes eletrônicos e sensores, possuem algoritmos de programação dinâmica que permite que o sistema seja inteligente na tomada de decisão para executar uma determinada tarefa.</p><p>Este artigo é um projeto para implementar inteligência em um carro autônomo que seja capaz de percorrer na pista de Interlagos do começo ao fim, sem ter a necessidade de conduzir o veículo e evitar tipos de colisões durante o caminho, similar ao <em>Racetrack Problem</em> citado no artigo <em>Learning to act using real-time dynamic programming</em> (Barto, Bradtke, &amp; Singh, 1995).</p><p>O experimento será realizado em ambiente virtual com as mesmas características de uma pista de corrida. Para que este projeto seja executado com sucesso, será implementado dois tipos de algoritmos de Aprendizado por Reforço, que será <em>Deep Q Network </em>— DQN e <em>Asynchronous Advantage Actor-Critic Algorithm</em> — A3C, dois tipos de algoritmos de Planejamento Probabilístico, que será <em>Value Interation</em> e <em>Monte Carlo</em>, utilizando a linguagem de programação Python e bibliotecas de aprendizado de máquinas.</p><p>O objetivo final deste projeto será a implementação e a análise de desempenho desses algoritmos implementados, aplicando critérios de avaliação para obter uma análise detalhada e completa sobre o projeto.</p><h3>Pista de Corrida</h3><p>O problema da pista de corrida é um problema de padrão de controle. O objetivo é controlar o movimento de um carro de corrida ao longo de uma pista pré-definida para que o piloto possa chegar à linha de chegada desde a linha de largada em um determinado tempo. Em cada etapa de tempo, o estado do piloto é dado por variáveis.</p><p>As variáveis <em>Xt</em>, <em>Yt</em>, <em>Vxt</em> e <em>Vyt</em>. <em>Xt</em> e <em>Yt</em> são os componentes <em>x</em> e <em>y</em> do vetor de deslocamento no tempo <em>t</em>. Da mesma forma <em>Vxt</em> e <em>Vyt</em> são os componentes <em>x</em> e <em>y</em> do vetor velocidade no tempo <em>t</em>.</p><p>As variáveis ​​de controle são as ações <em>ax</em> e <em>ay</em> que representam o componente <em>x</em> e <em>y</em> do vetor de aceleração a ser aplicado no intervalo de tempo atual. Usando um mundo discreto e estático de forma que todas as posições sejam inteiras. As equações cinemáticas deste projeto serão:</p><p>• <em>Xt</em> ≡ <em>x</em> posição</p><p>• <em>Yt</em> ≡ <em>y</em> posição</p><p>• <em>Vxt</em> = <em>Xt</em> — <em>Xt − 1</em> ≡ velocidade em <em>x</em></p><p>• <em>Vyt</em> = <em>Yt — Yt − 1</em> ≡ velocidade em <em>y</em></p><p>• <em>Axt</em> = <em>Vxt — Vxt − 1</em> ≡ aceleração em <em>x</em></p><p>• <em>Ayt</em> = <em>Vyt — Vyt − 1</em> ≡ aceleração em <em>y</em></p><p>O agente só pode controlar a ação <em>ax</em> e <em>ay</em> em um determinado intervalo de tempo, portanto usa essas variáveis ​​de controle de ação para influenciar seu estado. Os valores que podem ser atribuídos à variável de aceleração são -1, 0 e 1. A velocidade máxima de um piloto em qualquer momento é <em>(Vxt, Vyt) ∈ (± 5, ± 5)</em>. Se o agente tentar acelerar além desses limites, a velocidade do agente permanecerá inalterada.</p><p>Em cada etapa de tempo, a velocidade é atualizada primeiro usando a aceleração seguida pela atualização da posição. Isso nos ajuda a manter o valor inteiro para todos os nossos parâmetros em todos os momentos, permitindo-nos ter um espaço de estado discreto.</p><p>Cada vez que tentamos acelerar, temos 10% de probabilidade de que a tentativa falhe, tornando este sistema não determinístico. Também temos um requisito adicional de que o agente deve permanecer na pista o tempo todo, ou seja, se houver colisão, o carro volta para a posição inicial tornando sua velocidade igual a zero.</p><p>O <em>dataset</em> utilizado neste problema são representações ASCII que representa a pista de corrida de Interlagos no formato de arquivo <em>txt</em>. O arquivo é um mapa com dimensão especificada com um caractere em cada ponto, os caracteres presentes no mapa são “S”, o que representa as posições de largada, “F”, que representa as posições de chegada e, por fim, “#”, que representa as paredes na pista.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/145/1*GENRvIM8Rd9OrP9jrNshww.png" /><figcaption>Dataset pista Interlagos em formato ASCII</figcaption></figure><p>Os algoritmos que serão implementados neste projeto, a fim de resolver o problema fornecido serão apresentados nas seções abaixo.</p><h3>Iteração de Valor — <em>Value Iteration</em></h3><p>O algoritmo de iteração de valor é utilizado para calcular uma política ótima para que o agente (carro) possa escolher ações com base nessa política. Essa política tem como objetivo de calcular o valor de cada estado e, em seguida, utilizar os valores dos estados para selecionar uma ação ótima para cada estado.</p><p>Para calcular os valores de cada estado, utilizaremos a equação de <em>Bellman</em>, que é a recompensa imediata daquele estado mais a valor descontado esperado do próximo estado e é dada pela seguinte equação:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/420/1*TCyEPZCeITejyL5yaM3Ltg.png" /><figcaption>Equação de Bellman</figcaption></figure><p>onde <em>s</em> é o estado atual, <em>s’</em> é o próximo estado, <em>a</em> é a ação escolhida de um estado <em>s</em>, γ é o fator de desconto, <em>R(s)</em> é a função de recompensa que um agente obtém em cada estado, <em>V(s)</em> fornece o valor de cada estado e <em>T(s,a,s’)</em> é a probabilidade de transição dos próximos estados <em>s’</em> dado o estado atual <em>s</em> e a ação <em>a</em>.</p><p>A equação de <em>Bellman</em> é usada no algoritmo de iteração de valor para resolver MDPs. Temos uma equação de <em>Bellman</em> para cada estado. Inicializamos o valor de todos os estados para zero. Em seguida, atualizamos o valor de cada estado de acordo com a equação <em>Bellman</em> em cada iteração.</p><p>Continuamos atualizando os valores até atingirmos um equilíbrio, ou seja, quando não tiver mais alterações nos valores. Uma vez que o algoritmo converge, usamos esses valores para escolher uma ação em cada estado, fazendo com que o agente alcance a linha de chegada a partir da linha de partida.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/370/1*k9mXX2UlJ8s_bEoGMWZfmA.png" /><figcaption>O algoritmo iteração de valor calculando valores dos estados.</figcaption></figure><p>Havia vários parâmetros para escolher no caso de algoritmo de iteração de valor como quais deveriam ser os valores de <em>ϵ</em>, fator de desconto, etc. Escolhemos o valor de épsilon como 0,000000001 quanto menor for o valor de ϵ, mais estamos próximos da convergência. Além disso, o valor do fator de desconto foi escolhido para ser 0,9. Isso ocorre porque oferece um bom equilíbrio entre recompensas em um futuro distante e recompensas aditivas. A posição inicial de um agente é escolhida aleatoriamente de um dos quadrados iniciais existentes no mapa.</p><h3><em>Deep Q Network — DQN</em></h3><p>O <em>Deep Q-Network</em> <em>— </em>DQN, aproxima uma função de valor de estado em uma estrutura de <em>Q Learning</em> com uma rede neural. No caso da pista de corrida, o DQN utiliza vários quadros da pista como uma entrada e valores de estado de saída para cada ação como uma saída. Para implementar, precisamos construir a função <em>Q</em>, que utiliza o mesmo conceito de <em>Bellman</em>, usando a atualização de iteração do valor <em>Q</em>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/412/1*BI0Q3ODgiKr0XZsD-o7z7Q.png" /></figure><p>onde o <em>Q(St, At)</em> é o antigo valor de <em>Q</em>, <em>a</em> é a taxa de aprendizagem e o <em>rt+1+γmaxa Q(st+1, a) </em>é o valor obtido de aprendizagem.</p><p>Em nossa pista de corrida temos uma matriz de estados com 1992 estados, 4 estados que representa a linha de partida, 4 estados que representa a linha de chegada e 2 ações possíveis <em>ax</em> e <em>ay, </em>resultando em 3984 valores de <em>Q</em>. Este valor por si só é um bom indicador de quão inflado será o número de valores <em>Q</em> possíveis. Se aplicarmos este conceito em um ambiente real no qual é necessário converter as imagens em pixels e cada pixel representa um estado, este valor será ainda maior. Aumentaria o nível de complexidade para armazenar esses valores em uma tabela ou estrutura semelhante.</p><p>As redes neurais profundas funcionam muito bem para inferir o mapeamento implícito nos dados, dando-lhes a capacidade de prever uma saída aproximada de uma entrada que nunca viram antes. Não será necessário mais armazenar os valores <em>Q</em> de todos os pares de estado/ação, podemos modelar esses mapeamentos de uma forma generalista e menos redundante. Essas redes também aprendem automaticamente um conjunto de recursos internos que são úteis em domínios de mapeamento não linear complexos, como processamento de imagens.</p><p>Podemos usar uma rede neural profunda para aproximar a função <em>Q</em>: a rede aceitaria uma combinação de estado/ação como entrada e produziria o valor <em>Q</em> correspondente. Em termos de treinamento, precisaríamos da saída do valor <em>Q</em> da rede para um determinado estado/combinação de ação, o valor meta de <em>Q</em>, que é calculado por meio da expressão: <em>rt+1+γmaxa Q(st+1, a)</em>. Com esses dois valores, podemos realizar uma etapa de gradiente na diferença quadrática entre o valor <em>Q</em> alvo e a saída da rede.</p><p>Outra abordagem (Mnih et al. 2015a) seria alimentar os estados da pista de corrida e fazer com que a rede gerasse o valor <em>Q</em> para cada ação possível. Dessa forma, uma única passagem direta produziria todos os valores <em>Q</em> para um determinado estado, traduzindo-se em uma passagem direta por estimativa de valor futuro ideal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/618/1*TduEOr46K77CXhejogGSHA.png" /><figcaption>Arquitetura otimizada de DQN, usada em (Mnih et al. 2015a).</figcaption></figure><p><em>Q learning</em> e <em>Deep Learning</em> são as peças centrais de um agente de aprendizagem por reforço de DQN, ao compreendê-los e como eles se trabalham, podemos imaginar como o algoritmo funciona.</p><p>O algoritmo que vamos utilizar é DQN<em> with Experience Replay</em> o mesmo aplicado no artigo (Mnih et al. 2015a).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/510/1*LBMgSPanai1AV28NIuDhmQ.png" /><figcaption>Algoritmo DQN com <em>Experience Replay.</em></figcaption></figure><p>Para treinar o agente, vamos utilizar os seguintes conceitos não mencionado:</p><ul><li><em>Experience Replay</em>: amostras de transições anteriores aleatoriamente, suavizando assim a distribuição de treinamento sobre muitos comportamentos anteriores.</li><li>Rede de treinamento separada, clonada em intervalos fixos para a rede de jogo alvo, tornando o algoritmo mais estável quando comparado com o <em>Q learning</em> online padrão.</li><li>Política <em>ε-greedy</em> para equilibrar <em>exploitation/exploration</em></li></ul><h3>Asynchronous Advantage Actor-Critic Algorithm (A3C)</h3><p>A3C é atualmente um dos algoritmos mais poderosos de aprendizado por reforço, onde no artigo (Mnih et al. 2016) comprova a sua eficiência superior ao DQN.</p><p>Dentro do método A3C temos o <em>Q Learning</em> com redes neurais. Conforme mencionado na sessão anterior, o <em>Q Learning</em> é um método de aprendizagem por reforço que utiliza a equação de <em>Bellman</em> para atualizar seus valores <em>Q</em>. A rede neural artificial produz um vetor de diferentes valores <em>Q (s, a)</em> preditos para cada ação possível no estado atual. Precisamos obter o maior valor <em>Q</em> desse vetor para encontrar nossa melhor ação. No entanto, no início, o agente se sai muito mal, isso ocorre porque nossos valores <em>Q</em> previstos não são otimizados, pois os pesos de nossas redes neurais não foram atualizados para reduzir o erro.</p><p>O <em>Temporal Difference Error</em> — <em>TD Error</em> é calculado tomando a diferença entre nosso valor máximo possível do próximo estado <em>Q meta</em> e nossa previsão atual do valor<em> Q</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*C6aSCRkB2ZiiFHS3hFtNfQ.png" /></figure><p>essa equação para encontrar o erro, onde o <em>R + γ maxa Q(s’ a w)</em> é o máximo possível do valor de <em>Q</em> para o próximo estado e o <em>Q(s,a,w)</em> é o atual valor do<em> Q</em>.</p><p>A função de erro ou perda é então propagada de volta através de nossa rede neural para atualizar os pesos para que a rede neural possa gerar a previsão de ações que resultam em recompensa positiva.</p><h4>Primeiro A do A3C: <em>Actor-Critic</em></h4><p>O <em>Actor-Critic</em> é basicamente parte principal do modelo A3C. Nesta parte a rede neural produz dois itens diferentes, o <em>Actor</em> e o <em>Critic</em>. O <em>Critic</em> mede o quão boa é a ação realizada em <em>V(s)</em> e o <em>Actor </em>produz um conjunto de probabilidades de ação que o agente pode realizar <em>Q(s,a)</em> com base nas políticas. Basicamente, o agente usa a estimativa de valor <em>Critic</em> para atualizar a política <em>Actor </em>e produzir ações melhores que resultem em uma recompensa maior.</p><h4>Segundo A do A3C: <em>Asynchronous</em></h4><p>Ao contrário do DQN, onde um único agente representado por uma única rede neural interage com um único ambiente, o A3C utiliza 3 agentes que atacam o mesmo ambiente enquanto são inicializados de forma diferente. Isso significa que cada um desses agentes começa em um ponto diferente em seu ambiente, portanto, eles passarão pelo mesmo ambiente de maneiras diferentes para resolver o mesmo problema.</p><p>O objetivo disso é que os agentes possam compartilhar suas experiências uns com os outros e ajudar uns aos outros enquanto exploram seu ambiente de maneiras diferentes. Isso é possível porque todos os agentes agora estão contribuindo para o mesmo <em>Critic</em>.</p><h4>Terceiro A do A3C: <em>Advantage</em></h4><p>O <em>Advantage</em> é como o <em>Critic</em> diz ao <em>Actor</em> que seus valores <em>Q</em> previstos da <em>Artifitcial Neural Network — ANN</em> são bons ou ruins. Ele calcula o <em>policy loss</em> por meio da equação <em>Q(s,a) — V(s)</em>. Onde o <em>Advantage</em> subtrai o valor conhecido de um estado <em>V(s)</em> da ação selecionada prevista do <em>Actor</em> <em>Q</em> <em>(s, a)</em>. O <em>Critct</em> conhece o valor do estado, mas não sabe quão melhor é o valor <em>Q</em> que está sendo selecionado em comparação com o valor atual do estado. É aqui que entra o <em>Advantage</em>. Quanto maior o <em>Advantage</em>, mais os agentes olharão para fazer essas ações.</p><p>O <em>policy loss</em> ajuda a melhorar o comportamento do agente, fazendo-o realizar mais ações positivas do que ações com impacto negativo. Se o <em>Actor</em> seleciona uma boa ação para o agente, então o <em>Q (s, a) &gt; V(s). </em>Caso contrário, a perda da política é propagada de volta através da <em>Global Network</em>, também ajustando os pesos a fim de maximizar o <em>Advantage</em> e melhorar a ação selecionada para o futuro.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*1oEnbTRlq7qZFqGQCfWjKg.png" /><figcaption>Workflow de treinamento de cada agente em A3C.</figcaption></figure><p>Na figura 7 representa o pseudo código apresentado no artigo (Mnih et al. 2016).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/497/1*TMHwYaUaRXCCAxbSzpzMuA.png" /><figcaption>Algortimo A3C (DeepMind)</figcaption></figure><h3>Referências</h3><p>Andrew G. Barto, Steven J. Bradtke, Satinder P. Singh. Learning to act using real-time dynamic programming. 1991.</p><p>Mausam and Andrey Kolobov. Planning with Markov Decision Processes: An AI Perspective. 2012.</p><p>Sutton and Barto. Reinforcement Learning: An Introduction. 2018.</p><p>Lapan. Deep Reinforcement Learning Hands-On. 2018.</p><p>Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A., Veness, J., Bellemare, M., Graves, A., Riedmiller, M., Fidjeland, A., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., &amp; Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529–533.</p><p>Mnih, V., Badia, A., Mirza, M., Graves, A., Lillicrap, T., Harley, T., Silver, D., &amp; Kavukcuoglu, K. (2016). Asynchronous Methods for Deep Reinforcement Learning.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5ec77f9f652b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Estilo Startup, o estilo que faz empresas crescerem no século XXI]]></title>
            <link>https://medium.com/@techcomh/estilo-startup-o-estilo-que-faz-empresas-crescerem-no-s%C3%A9culo-xxi-bb9fc6300a4d?source=rss-d4b3c3c0b5fc------2</link>
            <guid isPermaLink="false">https://medium.com/p/bb9fc6300a4d</guid>
            <category><![CDATA[empreendedorismo]]></category>
            <category><![CDATA[eric-ries]]></category>
            <category><![CDATA[estilo-startup]]></category>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[mvp]]></category>
            <dc:creator><![CDATA[Tech Com H]]></dc:creator>
            <pubDate>Tue, 31 Dec 2019 21:12:19 GMT</pubDate>
            <atom:updated>2020-07-22T02:50:47.083Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*0Ww7vlcrxJREmmnnA12lGg.jpeg" /><figcaption>Livro &quot;O Estilo Startup&quot;</figcaption></figure><p>Eric Ries, autor do livro <strong>O Estilo Startup</strong>, é um entusiasta de empreendedorismo que defende o movimento <em>Lean Startup</em>, segundo Eric, esse movimento é o ponto de partida essencial para as <em>startups</em> validarem o seu modelo de negócio para o mercado. Sua principal obra como autor foi o livro <a href="https://www.amazon.com.br/startup-enxuta-Eric-Ries-ebook/dp/B07Z46K4KQ"><strong>Startup Enxuta</strong></a>, que vendeu mais de um milhão de exemplares e foi traduzido para mais de trinta idiomas. Além de ser autor, Eric também é empreendedor e fundou uma série de startups, incluindo a IMVU onde atuou como diretor chefe de tecnologia.</p><p>Durante a sua trajetória profissional, Eric Ries também começou a oferecer serviços de consultoria para grandes empresas, como por exemplo a GE (General Electric), Toyota, Obama Care entre outras.</p><p>Em <strong>O Estilo Startup</strong>, Eric Ries chama a atenção para a questão das empresas tradicionais não terem capacidades fundamentais para prosperar neste século XXI. O autor destaca principalmente como as empresas modernas utilizam o empreendedorismo para se transformar e crescer.</p><p>O livro compartilha experiências de Eric como consultor para implementar métodos ágeis no desenvolvimento do próprio negócio, utilizando principalmente exemplos históricos de empresas que perderam o seu próprio DNA empreendedor, demonstrando que o empreendedorismo é essencial para a transformação e o crescimento das empresas, mesmo sendo uma empresa consolidada no mercado.</p><p>Como exemplo o autor cita:</p><blockquote>“Nenhuma árvore sobrevive, nem vira uma floresta, se não plantarmos mais sementes ao redor dela”.</blockquote><p>Essa metáfora é suficiente para dizer que empresas que não incentivam o empreendedorismo estará em apuros no longo prazo.</p><p>Utilizando o conceito MVP (Produto Mínimo Viável), o autor demonstrou que mesmo em empresas tradicionais, elas são capazes de aplicar esse conceito para obter mais agilidade no desenvolvimento dos novos projetos. No livro o autor cita projetos na GE que motivaram os próprios funcionários a adotar esse conceito, antes de aplicar, a fabricação dos motores da GE levavam anos para planejar, projetar, produzir e lançar no mercado. Os custos de investimentos eram altíssimos e tinham risco de não corresponder a necessidade de seus clientes. Com o MVP, os projetos para novos motores tiveram mais agilidade no lançamento, baixo investimentos e feedback imediato de seus clientes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*yMxx1h5fks6OoSzq.png" /><figcaption>O conceito MVP publicado em seu livro &quot;Startup Enxuta&quot;.</figcaption></figure><p>Em muitas partes do seu livro, Eric faz crítica ao modelo de gestão atual, em que muitos casos, respeitando o passado, as empresas necessitam mudar o pensamento gerencial. Na maiorias das empresas, a gestão tradicional é uma entrave para apresentar novas soluções ou criar novos produtos inovadores.</p><p>Entretanto, o livro carece de dados quantitativos de empresas que tiveram lucros financeiros adotando a nova gestão proposta pelo autor, pelo menos nada disso é mencionado no texto. Por fim, o autor acaba concluindo que, a verdadeira promessa do Estilo Startup seria um sistema de gestão que incentivem a própria evolução, oferecendo oportunidades para cada funcionário se tornar um empreendedor interno.</p><p>Esta leitura é dedicada principalmente para profissionais que desejam construir uma carreira em grandes empresas. Na maior parte do livro, Eric compartilha a experiência que teve como consultor nas empresas tradicionais, aplicando o movimento ágil para transformar cada vez mais as empresas competitivas no mercado. Para quem busca cargo de gestão, essa leitura é super indicada, mas não recomendaria para as pessoas que estão começando a criar sua própria startup.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bb9fc6300a4d" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>