Inteligência Artíficial

Inteligência Artíficial

1. Robot Process automation

2. I.A. Responsável

   • Fairness (Justiça e imparcialidade)
   • Reliability and safety (Confiabilidade e segurança)
   • Privacy and security (Privacidade e segurança)
   • Inclusiveness (Inclusividade)
   • Transparency (Transparência)
   • Accountability (Prestação de contas/responsabilidade)

3. Data Split

   • Learning Data (70%)
   • Testing Data (30%)

4. Saídas

   • Logging and audit output
   • Bot State Data
   • Cognitive Services outputs

5. Workload

   • Machine Leaning
     • Passos
       • Feature Selection
       • Feature engeering
       • Seleção dos dados -> Rotulação -> Balanceamento -> extração das features ->
       • Seleção das features -> Treinamento do modelo -> Avaliação -> Refinamentos <-
     • Regressão Linear (Supervisionada)
       • Técnica usada para prever um valor numérico.&nbsp;
       • Métricas de desempenho: (5)
         • MAE - Mean Absolute Error
           • Msmas unidades que o rótulo. Quanto menor o valor, melhor a qualidade da previsão. Usa a diferença média entre os valores previstos e reais.&nbsp;
         • RMSE - Root Mean Squared Error
           • Msmas unidades que o rótulo. Uma diferença maior, indica maior variância nos erros individuais. Calcula a diferença quadrática entre as médias de valores reais e previstos (MAE).
         • RSE - Relative Square Error
           • Rótulos podem estar em unidades diferentes. Quanto mais próximo o valor for de 0, melhor (entre 0 e 1). Calcula, com base no quadrado das diferenças entre os valores previstos e reais (RMSE).
         • RAE - Relative Absolute Error
           • Rótulos podem estar em unidades diferentes. Quanto mais próximo o valor for de 0, melhor (entre 0 e 1). Calcula, com base nas diferenças absolutas entre os valores previstos e reais (Acho que usa o MAE).
         • R2 - Coefficient of Determination
           • R quadrado. Quanto mais próximo de 1, melhor o desempenho do modelo. É a quantidade de variância entre os modelos previstos.&nbsp;
       • PROCESSO:
       • PROCESSO:
         • 1º Criar um pipeline e adicionar o conjunto de dados com base no que vc deseja treinar o modelo
         • 2º adicionar módulos de transformações de dados - limpar dados ausentes, normalizar dados
         • 3º Executar o pipeline
         • 4º Adicionar módulos de treinamento - Selecionar colunas, dividir dados
         • 5º Executar o pipeline de treinamento
         • 6º Adicionar módulo de avaliar o modelo (sairão as métricas de desempenho)
         • 7º Criar e executar um segundo pipeline, de inferência. Esse pipeline vai executar as msmas transformações de dados para dados novos e depois vai usar o modelo treinado para inferir (prever).
         • 8º Publicar o pipeline como serviço (implantar um serviço), testar e limpar.
     • Classificação (Supervisionada)
       • Técnica que utiliza probabilidade para prever a qual categoria ou grupo o item pertence.
       • Métricas de desempenho: (4)
         • Accurracy
           • Taxa de previsões corretas p/ o nº total de previsões.&nbsp;
         • Precision
           • Razão entre quantidade de casos classificados corretamente como positivos, e o total de casos classificados como positivos. Será a fração de casos classificados corretamente.&nbsp;
         • Recall
           • Razão entre a quantidade de casos classificados corretamente como positivos e a quantidade de casos que de fato são positivos. Será a fração de casos identificados como positivos que são realmente positivos.
         • F1 Score
           • Métrica geral que combina precisão e recall.&nbsp;
         • AUC
           • P/ modelos de classif. binária, e mede a qualidade da previsão do modelo. 100% de previsões erradas, significa AUC = 0.&nbsp; 100% de previsões certas, significa AUC = 1.&nbsp; Para a previsão aleatória de um modelo binário, espera-se uma AUC = 0,5.
       • PROCESSO:
       • PROCESSO:
         • 1º Criar o dataset (conj. de dados), criar um pipeline e add o dataset.
           • 2º adicionar módulos de transformações de dados - limpar dados ausentes, normalizar dados
             • 3º Executar o pipeline
               • 4º Adicionar módulos de treinamento - Selecionar colunas, dividir dados
                 • 5º Executar o pipeline de treinamento
                   • 6º Adicionar módulo de avaliar o modelo (sairá a matriz de confusão)
                     • 7º Criar e executar um segundo pipeline, de inferência. Esse pipeline vai executar as msmas transformações de dados para dados novos e depois vai usar o modelo treinado para inferir (prever).
                       • 8º Publicar o pipeline como serviço (implantar um serviço), testar e limpar.
           • Antes de tudo: Criar o recurso de computação e o destino de computação - p/ treinar e implementar um modelo usando o Designer, é necessário usar os dois para executar o processo de treinamento, testar o modelo ja treinado (no recurso) e exploração de dados (no destino).
     • Clustering (Não supervisionada - dados não precisam ser rotulados)
       • Técnica que agrupa os itens por aproximação, utilizando centróides e regiões para agrupa-los.
       • Métricas de desempenho: (4)
         • Distância média ao outro centro
         • Distância média ao centro do cluster
         • Nº de pontos
         • Distância máxima ao centro do cluster
       • PROCESSO:
       • PROCESSO:
         • Antes de tudo: Criar o recurso de computação e o destino de computação - p/ treinar e implementar um modelo usando o Designer, é necessário usar os dois para executar o processo de treinamento, testar o modelo ja treinado (no recurso) e exploração de dados (no destino).
         • 1º Criar o dataset (conj. de dados), criar um pipeline e add o dataset.
         • 2º adicionar módulos de transformações de dados - limpar dados ausentes, normalizar dados
         • 3º Executar o pipeline
         • 4º Adicionar módulos de treinamento - Selecionar colunas, dividir dados
         • 5º Executar o pipeline de treinamento
         • 6º Adicionar módulo de avaliar o modelo (sairão as métricas de desempenho)
         • 7º Criar e executar um segundo pipeline, de inferência. Esse pipeline vai executar as msmas transformações de dados para dados novos e depois vai usar o modelo treinado para inferir (prever).
         • 8º Publicar o pipeline como serviço (implantar um serviço), testar e limpar.
   • Detecção de anomalias*
   • Processamento de linguagem natural*
   • Visão computacional*
   • I.A Conversacional*