Prof. Rafael Kunst | Podcast en RSS.com

Prof. Rafael Kunst

Prof. Rafael Kunst

por Rafael Kunst

Carreras Educación

GPT-6 Astra foi lançado

Nesta edição do Radar Semanal, analisamos cinco movimentos importantes que ajudam a entender para onde a inteligência artificial está avançando. Começamos pelo lançamento do GPT-6 Astra, novo modelo frontier da OpenAI, com avanços em programação, navegação, uso de ferramentas e execução de tarefas mais complexas. Depois, olhamos para a resposta da Anthropic com o Claude 5.1, incluindo as diferenças entre Fable e Mythos e a estratégia de separar uso amplo de capacidades mais sensíveis. Também discutimos a aquisição da Hugging Face pela Nvidia, um movimento que pode alterar significativamente o ecossistema de modelos abertos e ampliar ainda mais a presença da Nvidia na cadeia de IA. Na parte geopolítica, abordamos as conversas entre Estados Unidos e China sobre segurança em inteligência artificial e os desafios de coordenar riscos em um cenário de forte competição tecnológica. Por fim, analisamos um movimento que pode acelerar ainda mais o desenvolvimento da área: pesquisadores da OpenAI já estão usando agentes de programação para escrever código, executar experimentos e contribuir para a criação das próximas gerações de modelos. Um episódio para entender não apenas quais modelos foram lançados, mas como infraestrutura, segurança, geopolítica e automação da própria pesquisa estão começando a definir a próxima fase da inteligência artificial.

Recall - Quando perder casos custa caro

Neste episódio da série, vamos falar sobre Recall, também chamado de sensibilidade, a métrica que ajuda a responder uma pergunta essencial em Machine Learning: dos casos que realmente eram positivos, quantos o modelo conseguiu encontrar? O Recall é especialmente importante quando deixar passar um caso positivo pode custar caro. Isso acontece em cenários como diagnóstico médico, detecção de fraude, segurança, manutenção preditiva e identificação de falhas críticas. Neste episódio, você vai entender: O que é Recall; A relação entre Recall e falsos negativos; Como calcular Recall a partir da matriz de confusão; Como interpretar a fórmula VP / (VP + FN); A diferença entre Precisão e Recall; Por que aumentar Recall pode reduzir Precisão; Como o threshold influencia esse equilíbrio; Quando faz sentido priorizar Recall na prática. No próximo episódio, avançamos para o F1-score e para uma pergunta importante: como equilibrar Precisão e Recall em uma única métrica? Se o conteúdo foi útil, deixe seu like, inscreva-se no canal e acompanhe os próximos episódios da série.

A IA saiu da tela

A IA está começando a sair da tela. Nesta semana, vimos agentes conectados a hardware físico, hackers usando agentes de programação em ataques reais, mais de 100 empresas alertando sobre uma nova onda de ciberataques com IA, a Nvidia ampliando ainda mais sua infraestrutura e a OpenAI iniciando a operação comercial no Brasil. Neste episódio, resumo os 5 principais destaques da semana e explico por que importam. 🔹 Anthropic MHS e agentes controlando máquinas 🔹 Hackers usando Cursor em ataques reais 🔹 IA ofensiva e defensiva em cibersegurança 🔹 Nvidia e mais 2 milhões de GPUs 🔹 OpenAI no Brasil A IA está ganhando capacidade de agir. O próximo desafio é combinar esse avanço com bons guardrails, segurança, monitoramento e controle.

Aplicações de Machine Learning

Podcast curto criado, originalmente, como parte de uma aula de pós-graduação em Machine Learning. O tópico é introdutório, mas ainda relevante.

Precisão: Como saber se você pode confiar nas previsões do seu modelo

Nem todo modelo que faz muitas previsões positivas está realmente acertando. Neste episódio, exploramos a Precisão (Precision), uma das métricas mais importantes para avaliar modelos de classificação quando o custo de um falso positivo é elevado. Você entenderá por que uma boa acurácia nem sempre significa um bom modelo e como a Precisão ajuda a medir a confiabilidade das previsões positivas. Ao longo do episódio, discutimos: O que é Precisão (Precision) A relação entre Precisão e a Matriz de Confusão Como calcular a métrica utilizando Verdadeiros Positivos (VP) e Falsos Positivos (FP) Como interpretar corretamente o resultado Situações em que a Precisão deve ser priorizada As limitações da métrica e por que ela deve ser analisada em conjunto com o Recall Utilizando exemplos práticos e explicações intuitivas, mostramos como a Precisão é aplicada em cenários como detecção de fraudes, filtros de spam, diagnósticos médicos e outros sistemas nos quais um falso alarme pode gerar impactos significativos. Este episódio faz parte da série Métricas de Machine Learning, criada para ajudar estudantes, pesquisadores e profissionais a compreender, de forma prática, como avaliar modelos de Inteligência Artificial e escolher a métrica mais adequada para cada problema. No próximo episódio, vamos explorar o Recall (Sensibilidade) e entender por que, em muitos problemas, encontrar todos os casos positivos é mais importante do que evitar falsos alarmes.

Alta acurácia não significa um bom modelo. Entenda o porquê | Métricas para Machine Learning #03

A acurácia é, provavelmente, a métrica mais conhecida do Machine Learning. Mas será que um modelo com 99% de acurácia é realmente um bom modelo? Neste episódio, exploramos o conceito de acurácia, entendendo como ela é calculada a partir da matriz de confusão, como interpretar seu resultado e em quais situações ela é uma excelente escolha. Também discutimos sua principal limitação: uma alta acurácia pode mascarar modelos que falham justamente nos casos mais importantes, especialmente em bases de dados desbalanceadas. Ao longo do episódio, utilizamos exemplos práticos para mostrar quando a acurácia funciona bem e quando outras métricas passam a ser indispensáveis. Neste episódio você vai aprender O que é a acurácia; Como calcular a acurácia; Como interpretar seu valor; Quando utilizar essa métrica; Por que ela pode ser enganosa em alguns problemas. No próximo episódio, continuaremos nossa jornada estudando a Precisão (Precision) e veremos por que ela é fundamental quando queremos confiar nas previsões positivas feitas por um modelo de Machine Learning.

Matriz de Confusão: O Primeiro Conceito Que Você Precisa Dominar | Métricas para Machine Learning #02

No segundo episódio da série Métricas de Avaliação para Machine Learning, exploramos um dos conceitos mais importantes para entender como modelos de classificação são avaliados: a Matriz de Confusão. Antes de falar sobre Acurácia, Precisão, Recall ou F1-Score, é fundamental compreender os quatro resultados possíveis de uma previsão: Verdadeiro Positivo (VP) Verdadeiro Negativo (VN) Falso Positivo (FP) Falso Negativo (FN) Ao longo do episódio, mostramos como a Matriz de Confusão compara a realidade com as previsões do modelo e por que diferentes tipos de erro podem ter impactos completamente distintos dependendo da aplicação. Utilizando exemplos práticos de diagnóstico médico e filtros de spam, discutimos por que nem todos os erros têm o mesmo custo e como essa análise serve de base para praticamente todas as métricas de classificação utilizadas em Machine Learning. Neste episódio O que é uma Matriz de Confusão Classes positivas e negativas A diferença entre previsão e realidade Verdadeiros Positivos e Verdadeiros Negativos Falsos Positivos e Falsos Negativos Por que alguns erros são mais graves do que outros Como a Matriz de Confusão dá origem às principais métricas de classificação Série: Métricas de Avaliação para Machine Learning Episódio 1 — Por que Métricas Importam? Episódio 2 — Matriz de Confusão Próximo episódio: Acurácia — Quantos acertos o modelo teve? 🎓 Conteúdo voltado para estudantes, pesquisadores, cientistas de dados, engenheiros de software e profissionais que desejam compreender os fundamentos da avaliação de modelos de Machine Learning e Inteligência Artificial.

Por que métricas importam em Machine Learning? | Métricas para Machine Learning #01

Você já viu alguém afirmar que um modelo de Machine Learning é excelente porque atingiu 99% de acurácia? Neste primeiro episódio da série Métricas para Machine Learning, discutimos por que essa conclusão pode estar completamente errada. A avaliação de modelos é uma das etapas mais importantes em qualquer projeto de Inteligência Artificial. No entanto, muitas vezes a atenção fica concentrada nos algoritmos, enquanto a escolha das métricas recebe menos atenção do que deveria. Ao longo deste episódio, exploramos o papel das métricas na avaliação de modelos, analisamos um exemplo clássico envolvendo diagnóstico médico, discutimos o impacto das classes desbalanceadas e mostramos por que diferentes aplicações exigem diferentes formas de avaliação. Também apresentamos uma visão geral das principais métricas que serão abordadas ao longo da série, incluindo Accuracy, Precision, Recall, F1-Score e ROC/AUC. Neste episódio Por que métricas importam Limitações da acurácia Classes balanceadas e desbalanceadas O custo dos erros em diferentes aplicações Accuracy, Precision, Recall, F1 e ROC/AUC Introdução à Matriz de Confusão Série: Métricas para Machine Learning Nesta série você aprenderá: Matriz de Confusão Acurácia (Accuracy) Precisão (Precision) Revocação (Recall) F1-Score ROC e AUC Métricas para Regressão Como escolher a métrica correta Porque em Machine Learning não existe a melhor métrica. Existe a métrica adequada para o seu problema.