banner-image-2024-04-30T03:02:04.075Z

Imagem de Analisando conjuntos de dados médicos abertos para obter insights no tecmundo

Como o uso de machine learning com Watson Studio e scikit-learn ajuda a prever como será a prescrição de opioides nos Estados Unidos


Por Madison Meyers
<h3 dir="ltr">Resumo</h3>
Com tantos problemas de sa&uacute;de no mundo de hoje, cientistas de dados encontraram uma mina de ouro no trabalho de extrair significado e interpretar dados relacionados a estes problemas. Esta padroniza&ccedil;&atilde;o se aprofunda no conjunto de dados sobre as mortes por overdose de opioides. Leia a seguir sobre como explorar esses dados em um notebook do Watson&trade; Studio, visualizar algumas descobertas iniciais utilizando o Pixie Dust, e depois usar o scikit-learn para testar diversos modelos e avaliar quais apresentam as previs&otilde;es mais exatas de como ser&atilde;o as prescri&ccedil;&otilde;es de opioides.
<h3 dir="ltr">Descri&ccedil;&atilde;o</h3>
Overdoses de opioide est&atilde;o se tornando um problema cada vez maior nos Estados Unidos. Embora cientistas de dados n&atilde;o possam resolver esse problema sozinhos, eles podem olhar para os dados, observar o que exatamente acontece e quais elementos podem levar a determinados resultados.
Este padr&atilde;o de c&oacute;digo mostra o uso de scikit-learn e do Python (no IBM Watson Studio) para prever como ser&aacute; a prescri&ccedil;&atilde;o de opioides com base em um conjunto de dados Kaggle, que inclui valores como mortes por overdose da droga, tipo de medicamento prescrito e a prescri&ccedil;&atilde;o em si. Com esse padr&atilde;o, voc&ecirc; poder&aacute; explorar os dados em um notebook do Watson Studio e usar o Pixie Dust para visualizar algumas descobertas iniciais de diversas maneiras. Ap&oacute;s terminar a explora&ccedil;&atilde;o inicial, voc&ecirc; pode usar o scikit-learn para testar diversos modelos, e assim descobrir quais apresentam as previs&otilde;es mais exatas de prescri&ccedil;&otilde;es de opioides. Com a biblioteca do scikit-learn, voc&ecirc; poder&aacute; acessar facilmente diversos classificadores de machine learning que podem ser implementados com um n&uacute;mero relativamente baixo de linhas de c&oacute;digo.
Este padr&atilde;o de c&oacute;digo foi criado para cientistas e amantes de dados que se interessem por quest&otilde;es de justi&ccedil;a social ou de sa&uacute;de, ou para aqueles que estejam aprendendo DSX e machine learning. Ele vai te guiar pela explora&ccedil;&atilde;o de dados, limpeza de dados, modelos de treinamento e avalia&ccedil;&atilde;o.
Ap&oacute;s completar esse padr&atilde;o, voc&ecirc; dever&aacute; saber como:
<ul>
<li dir="ltr">
Utilizar o Watson Studio;
</li>
<li dir="ltr">
Explorar diversos dataframes;
</li>
<li dir="ltr">
Visualizar explora&ccedil;&otilde;es;
</li>
<li dir="ltr">
Limpar os dados usando Python e pandas;
</li>
<li dir="ltr">
Construir diversos modelos de machine learning para prever uma vari&aacute;vel target;
</li>
<li dir="ltr">
Avaliar o desempenho dos modelos.
</li>
</ul>
<h3 dir="ltr">Fluxo</h3>
<img alt="Watson Studio" src="https://tm.ibxk.com.br/2020/08/19/watson-studio-19193543880033.png" />Fluxo do uso de machine learning com Watson Studio
<ul>
<li dir="ltr">
Fa&ccedil;a o login no Watson Studio;
</li>
<li dir="ltr">
Fa&ccedil;a o upload dos dados em forma de ativos de dados no Watson Studio;
</li>
<li dir="ltr">
Inicie um notebook no Watson Studio e insira o ativo de dados criado anteriormente;
</li>
<li dir="ltr">
Crie visualiza&ccedil;&otilde;es de dados com o Pixie Dust;
</li>
<li dir="ltr">
Explore os dados com pandas;
</li>
<li dir="ltr">
Teste modelos de machine learning com o scikit-learn;
</li>
<li dir="ltr">
Avalie o desempenho das predi&ccedil;&otilde;es.
</li>
</ul>
<h3 dir="ltr">Instru&ccedil;&otilde;es</h3>
Encontre os passos detalhados para o padr&atilde;o no <a href="https://github.com/IBM/predict-opioid-prescribers/blob/master/README.md" target="_blank">README</a>. Estes passos devem te mostrar como:
<ul>
<li dir="ltr">
Inscrever-se no IBM Watson Studio;
</li>
<li dir="ltr">
Criar o notebook;
</li>
<li dir="ltr">
Rodar o notebook;
</li>
<li dir="ltr">
Salvar e compartilhar;
</li>
<li dir="ltr">
Limpar os dados utilizando Python;
</li>
<li dir="ltr">
Rodar diversos modelos usando o scikit-learn para prever como ser&aacute; a prescri&ccedil;&atilde;o de opioides;
</li>
<li dir="ltr">
Avaliar os modelos.
</li>
</ul>
...
Quer ler mais conte&uacute;do especializado de programa&ccedil;&atilde;o? Conhe&ccedil;a a <a href="https://www.tecmundo.com.br/desenvolvendo-com-ibm-cloud?utm_source=tecmundo&amp;utm_medium=cta&amp;utm_campaign=ibm-blue-profile" target="_blank">IBM Blue Profile</a> e tenha acesso a mat&eacute;rias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e d&ecirc; um upgrade na sua carreira.

thumb-image-2024-04-30T03:02:04.075Z

Analisando conjuntos de dados médicos abertos para obter insights

banner-image-2024-04-30T03:03:42.502Z

Imagem de Acelere pesquisa reversa de imagens com GPU para extrair características no tecmundo

Extraia feature vectors para machine learning usando GPU para aumento de desempenho

Por: <a href="https://developer.ibm.com/profiles/krbalaga" target="_blank">Krishna Chaitanya Balaga</a>, <a href="https://developer.ibm.com/profiles/scott.dangelo" target="_blank">Scott Dangelo</a> e Sandhya Nayak.
Publicado em: 18 de maio de 2020.
<h2 dir="ltr">Resumo</h2>
Nesse padr&atilde;o de c&oacute;digo, trabalhe por meio do processo de an&aacute;lise de um conjunto de dados de imagem utilizando uma rede convolucional pr&eacute;-treinada (VGG16) e extraia vetores de representa&ccedil;&atilde;o num&eacute;rica de caracter&iacute;sticas (feature vectors) para cada imagem atrav&eacute;s de um notebook do Jupyter.
<h2 dir="ltr">Descri&ccedil;&atilde;o</h2>
Os algoritmos de machine learning (aprendizado de m&aacute;quina) fornecem muitas ferramentas &uacute;teis para a solu&ccedil;&atilde;o de problemas concretos. Uma das esferas na qual o machine learning teve grande sucesso &eacute; o reconhecimento de imagens. Por meio do uso do poder computacional para a identifica&ccedil;&atilde;o de imagens e compara&ccedil;&atilde;o destas com outras, voc&ecirc; pode utilizar m&aacute;quinas para executar tarefas que, alguns anos atr&aacute;s, poderiam ser realizadas apenas por humanos. Engenheiros e cientistas de dados que trabalham com reconhecimento de imagem podem encontrar alguns desafios que, por sua vez, possivelmente limitam o trabalho que pode ser feito com algoritmos de machine learning. A maior limita&ccedil;&atilde;o &eacute; o tempo e o poder computacional necess&aacute;rios para criar as camadas de machine learning em uma rede neural profunda, necess&aacute;rias para o reconhecimento de imagens. Embora grandes conjuntos de dados e algoritmos complexos possam ser executados em muitas configura&ccedil;&otilde;es comuns de hardware, o tempo necess&aacute;rio para criar camadas neurais, treinar um modelo e extrair recursos pode ser proibitivamente alto. O uso de uma Unidade de Processamento Gr&aacute;fico (GPU) para realizar uma grande quantidade de c&aacute;lculos em paralelo revolucionou o mundo da computa&ccedil;&atilde;o gr&aacute;fica, e a descoberta de que as mesmas GPUs tamb&eacute;m podem ser usadas para acelerar o desempenho de tarefas de machine learning produziu um efeito semelhante no mundo da intelig&ecirc;ncia artificial. Nesse padr&atilde;o de c&oacute;digo, demonstramos uma tarefa comum para recupera&ccedil;&atilde;o de imagem por conte&uacute;do (CBIR) e comparamos a execu&ccedil;&atilde;o na CPU com o desempenho superior obtido ao execut&aacute;-la em uma GPU.
No padr&atilde;o de c&oacute;digo, te orientamos ao longo do processo de an&aacute;lise de um conjunto de dados de imagem utilizando uma rede neural convolucional pr&eacute;-treinada (VGG16) e de extra&ccedil;&atilde;o de feature vectors para cada imagem utilizando um notebook do Jupyter. Esse &eacute; um processo computacionalmente caro que demora 300 vezes mais em uma CPU do que em uma GPU. Utilizaremos o ambiente de GPU no IBM&reg; Watson&trade; Studio ou em sua m&aacute;quina local para acelerar a extra&ccedil;&atilde;o de caracter&iacute;sticas. Feita a an&aacute;lise, demonstraremos a pesquisa reversa de imagens, um dos aplicativos populares da an&aacute;lise de imagens. Essa pesquisa &eacute; uma t&eacute;cnica de consulta em CBIR que envolve fornecer ao sistema CBIR uma imagem de amostra para servir de base em sua pesquisa. Em termos de recupera&ccedil;&atilde;o de informa&ccedil;&otilde;es, a imagem de amostra &eacute; o que formula uma pesquisa. Normalmente, a pesquisa reversa de imagens &eacute; caracterizada por uma aus&ecirc;ncia de termos de pesquisa.
Com a conclus&atilde;o desse padr&atilde;o de c&oacute;digo, voc&ecirc; entende como:
<ul>
<li dir="ltr">
Utilizar a acelera&ccedil;&atilde;o da GPU no Watson Studio ou localmente para melhorar o desempenho da extra&ccedil;&atilde;o de caracter&iacute;sticas;
</li>
<li dir="ltr">
Fazer o download de um modelo VGG16 pr&eacute;-treinado usando o Keras;
</li>
<li dir="ltr">
Executar a extra&ccedil;&atilde;o de caracter&iacute;sticas. Nesse ponto, removemos a &uacute;ltima camada (ou seja, a camada de classifica&ccedil;&atilde;o softmax) para que nosso modelo de sa&iacute;da agora tenha apenas 12 camadas e a &uacute;ltima camada seja f2 (Densa), uma camada totalmente conectada;
</li>
<li dir="ltr">
Obter feature vectors para todas as imagens e reduzi-las usando o PCA,
</li>
<li dir="ltr">
Utilizar a dist&acirc;ncia de cosseno entre os recursos do PCA para comparar a imagem da consulta com as 5 imagens mais pr&oacute;ximas e retorn&aacute;-las como miniaturas (thumbnails).
</li>
</ul>
<h2 dir="ltr">Fluxo</h2>
<img alt="Extra&ccedil;&atilde;o de caracter&iacute;sticas
" src="https://tm.ibxk.com.br/2020/08/12/extracao-de-caracteristicas-12204356812577.png" />Extra&ccedil;&atilde;o de caracter&iacute;sticas 
<ul>
<li dir="ltr">
1. O usu&aacute;rio interage com o Jupyter Notebook para importar e usar os m&oacute;dulos Python;
</li>
<li dir="ltr">
2. 101_Object_Categories do caltech-101 s&atilde;o importadas para a pesquisa de imagens;
</li>
<li dir="ltr">
3. O modelo Keras VGG16 &eacute; importado, com pesos pr&eacute;-treinados no ImageNet;
</li>
<li dir="ltr">
4. O usu&aacute;rio pode executar a extra&ccedil;&atilde;o de caracter&iacute;sticas usando a GPU para um melhor desempenho.
</li>
</ul>
<h2 dir="ltr">Instru&ccedil;&otilde;es</h2>
Obtenha instru&ccedil;&otilde;es detalhadas no arquivo <a href="https://github.com/IBM/reverse-image-search-gpu-studio/blob/master/README.md" target="_blank">readme</a>. Essas etapas mostram como:
<ul>
<li dir="ltr">
1. Clonar o reposit&oacute;rio;
</li>
<li dir="ltr">
2. Criar um notebook no Watson Studio ou localmente;
</li>
<li dir="ltr">
3. Executar o notebook.
</li>
</ul>
...
Quer ler mais conte&uacute;do especializado de programa&ccedil;&atilde;o? Conhe&ccedil;a a <a href="https://www.tecmundo.com.br/desenvolvendo-com-ibm-cloud?utm_source=tecmundo&amp;utm_medium=cta&amp;utm_campaign=ibm-blue-profile" target="_blank">IBM Blue Profile</a> e tenha acesso a mat&eacute;rias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e d&ecirc; um upgrade na sua carreira!

thumb-image-2024-04-30T03:03:42.502Z

Acelere pesquisa reversa de imagens com GPU para extrair características

banner-image-2024-04-30T03:03:42.516Z

Imagem de Monitorando o modelo com o Watson OpenScale no tecmundo

Treine, crie e implemente um modelo de machine learning utilizando o IBM Watson Machine Learning no IBM Cloud Pak for Data


Por: Scott Dangelo e Lukasz Cmielowski.
Publicado em: 4 de outubro de 2019. 
Esse padr&atilde;o de c&oacute;digo faz parte dos seguintes caminhos de aprendizado: <a href="https://developer.ibm.com/series/cloud-pak-for-data-learning-path/" target="_blank">Introdu&ccedil;&atilde;o ao IBM Cloud Pak for Data</a> e <a href="https://developer.ibm.com/series/learning-path-watson-openscale/" target="_blank">Introdu&ccedil;&atilde;o ao Watson OpenScale</a>.
<h3 dir="ltr">Sum&aacute;rio</h3>
Nesse padr&atilde;o de c&oacute;digo, utilizaremos os dados do German Credit (cr&eacute;dito alem&atilde;o) para treinar, criar e implementar um modelo de machine learning usando o Watson Machine Learning no IBM Cloud Pak for Data. Criaremos um reposit&oacute;rio de dados para este modelo com o Watson OpenScale e configuraremos o OpenScale para monitorar essa implementa&ccedil;&atilde;o. Em seguida, inseriremos sete dias de registros hist&oacute;ricos e medi&ccedil;&otilde;es para visualiza&ccedil;&atilde;o no painel do OpenScale Insights.
<h3 dir="ltr">Descri&ccedil;&atilde;o</h3>
O conjunto de dados utilizado para esse padr&atilde;o cont&eacute;m informa&ccedil;&otilde;es sobre aplicativos de cr&eacute;dito de v&aacute;rios usu&aacute;rios. Podemos usar uma rede neural profunda a fim de criar um modelo de machine learning utilizando o <a href="https://www.ibm.com/support/producthub/icpdata/docs/content/SSQNUZ_current/com.ibm.icpdata.doc/dsx/wmlservices.html" target="_blank">Watson Machine Learning</a> e, em seguida, implementar esse modelo para uso na previs&atilde;o de risco futuro de padr&atilde;o. Devido &agrave; natureza sens&iacute;vel da pontua&ccedil;&atilde;o de cr&eacute;dito, este &eacute; um caso de uso ideal para a solu&ccedil;&atilde;o local oferecida pelo IBM Cloud Pak for Data.
O modelo de ML implementado agora pode ser monitorado pelo Watson OpenScale. O uso cont&iacute;nuo gera dados que permitem aos administradores garantir a qualidade do modelo e oferece explica&ccedil;&otilde;es sobre quais recursos do conjunto de dados s&atilde;o mais influentes na cria&ccedil;&atilde;o da pontua&ccedil;&atilde;o de risco. A detec&ccedil;&atilde;o de polariza&ccedil;&atilde;o ser&aacute; configurada para permitir uma vis&atilde;o mais detalhada da equidade das previs&otilde;es do modelo. Todas essas informa&ccedil;&otilde;es est&atilde;o dispon&iacute;veis no painel do OpenScale e em grandes detalhes.
Depois de concluir esse padr&atilde;o de c&oacute;digo, voc&ecirc; entender&aacute; como:
<ul>
<li dir="ltr">
Criar e implementar um modelo de machine learning atrav&eacute;s do servi&ccedil;o Watson Machine Learning no IBM Cloud Pak for Data.
</li>
<li dir="ltr">
Configurar o Watson OpenScale Data Mart.
</li>
<li dir="ltr">
Associar o Watson Machine Learning ao Watson OpenScale Data Mart.
</li>
<li dir="ltr">
Adicionar assinaturas ao Data Mart.
</li>
<li dir="ltr">
Ativar o registro de carga &uacute;til e o monitor de desempenho para ativos registrados.
</li>
<li dir="ltr">
Ativar o monitor de qualidade (precis&atilde;o).
</li>
<li dir="ltr">
Ativar o monitor de legitimidade.
</li>
<li dir="ltr">
Classificar o modelo de cr&eacute;dito alem&atilde;o utilizando o Watson Machine Learning.
</li>
<li dir="ltr">
Inserir cargas hist&oacute;ricas, m&eacute;tricas de legitimidade e m&eacute;tricas de qualidade no Data Mart.
</li>
<li dir="ltr">
Utilizar o Data Mart para acessar os dados das tabelas via assinatura.
</li>
</ul>
<h3 dir="ltr">Fluxo</h3>
&nbsp;<img alt="Fluxo" src="https://tm.ibxk.com.br/2020/08/12/fluxo-12203521105573.png" />Fluxo
<ul dir="ltr">
<li>
<div>1. O desenvolvedor cria um Jupyter Notebook no IBM Cloud Pak for Data.</div>
</li>
<li>
<div>2. O OpenScale no IBM Cloud Pak for Data est&aacute; conectado a um banco de dados DB2, utilizado para armazenar dados do Watson OpenScale.</div>
</li>
<li>
<div>3. O notebook est&aacute; conectado ao Watson Machine Learning, e um modelo &eacute; treinado e implementado.</div>
</li>
<li>
<div>4. O Watson OpenScale &eacute; utilizado pelo notebook para registrar a carga &uacute;til e monitorar o desempenho, a qualidade e a legitimidade.</div>
</li>
<li>
<div>5. O OpenScale monitorar&aacute; o modelo do Watson Machine Learning quanto a desempenho, legitimidade, qualidade e explicabilidade.</div>
</li>
</ul>
<h3 dir="ltr">Instru&ccedil;&otilde;es</h3>
Pronto para utilizar esse padr&atilde;o de c&oacute;digo? Encontre detalhes completos sobre como come&ccedil;ar a executar no <a href="https://github.com/IBM/monitor-ibm-cloud-pak-with-watson-openscale/blob/master/README.md" target="_blank">README</a>. As etapas mostram a voc&ecirc; como:
<ul dir="ltr">
<li>
<div>1. Clonar o reposit&oacute;rio</div>
</li>
<li>
<div>2. Criar um novo projeto e espa&ccedil;o de implementa&ccedil;&atilde;o</div>
</li>
<li>
<div>3. Configurar o OpenScale em um Jupyter Notebook</div>
</li>
<li>
<div>4. Utilizar o painel para o OpenScale</div>
</li>
</ul>
<h3 dir="ltr">Conclus&atilde;o</h3>
Esse padr&atilde;o de c&oacute;digo mostrou como treinar, criar e implementar um modelo de machine learning atrav&eacute;s do Watson Machine Learning no IBM Cloud Pak for Data. O padr&atilde;o de c&oacute;digo faz parte da s&eacute;rie de caminhos de aprendizado <a href="https://developer.ibm.com/series/cloud-pak-for-data-learning-path/" target="_blank">Introdu&ccedil;&atilde;o ao IBM Cloud Pak for Data</a>.
O padr&atilde;o tamb&eacute;m faz parte do caminho de aprendizado Introdu&ccedil;&atilde;o ao Watson OpenScale. Para continuar com esse caminho, consulte <a href="https://developer.ibm.com/series/configure-monitor-and-understand-machine-learning-models/" target="_blank">Utilizando o OpenScale com qualquer modelo, em qualquer lugar</a>.
...
Quer ler mais conte&uacute;do especializado de programa&ccedil;&atilde;o? Conhe&ccedil;a a <a href="https://www.tecmundo.com.br/desenvolvendo-com-ibm-cloud?utm_source=tecmundo&amp;utm_medium=cta&amp;utm_campaign=ibm-blue-profile" target="_blank">IBM Blue Profile</a> e tenha acesso a mat&eacute;rias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e d&ecirc; um upgrade na sua carreira!

thumb-image-2024-04-30T03:03:42.516Z

Monitorando o modelo com o Watson OpenScale

banner-image-2024-04-30T03:03:46.477Z

Imagem de Obtenha insights dos consumidores em análises de produtos no tecmundo

Crie um app em Node.js desenvolvido com Watson Discovery e Watson Knowledge Studio para interpretar feedback dos consumidores

<a href="https://github.com/IBM/watson-discovery-food-reviews" target="_blank">Confira o c&oacute;digo</a>
<a href="https://www.youtube.com/watch?v=gzlUSyLccSg" target="_blank">Veja a demo</a>
Esse padr&atilde;o de c&oacute;digo &eacute; parte do <a href="https://developer.ibm.com/series/learning-path-watson-discovery" target="_blank">percurso de aprendizado do Watson Discovery</a>
<h2 dir="ltr">Resumo</h2>
Voc&ecirc; sabe o que seus consumidores realmente pensam do seu produto ou servi&ccedil;o? Ter essa informa&ccedil;&atilde;o &eacute; vital para seu neg&oacute;cio e sua carreira, al&eacute;m de viabilizar adapta&ccedil;&otilde;es necess&aacute;rias para seu neg&oacute;cio. Esse padr&atilde;o de c&oacute;digo usa an&aacute;lises de refei&ccedil;&otilde;es para explicar qu&atilde;o f&aacute;cil &eacute; extrair insights de textos brutos de review. Ele exemplifica com uma aplica&ccedil;&atilde;o web funcional que ordena e manipula dados do Watson Discovery. E, com a ajuda de modelos customizados vindos do Watson Knowledge Studio, os dados s&atilde;o enriquecidos e podem gerar insights das an&aacute;lises dos clientes.
<h2 dir="ltr">Descri&ccedil;&atilde;o</h2>
Em vez de depender de suas pr&oacute;prias conclus&otilde;es, como voc&ecirc; pode saber exatamente o que seus consumidores est&atilde;o falando sobre seu neg&oacute;cio? A resposta &eacute; a habilidade de analisar feedbacks oriundos de an&aacute;lises, f&oacute;runs e outras fontes. Por meio do uso de v&aacute;rios componentes de UI, o app Node.js nesse padr&atilde;o de c&oacute;digo demonstra como extrair e visualizar dados interpretados pela engine do Watson Discovery. Depois, os dados s&atilde;o aprimorados por um modelo customizado do Watson Knowledge Studio criado especificamente para lidar com dados de an&aacute;lise de comida. Voc&ecirc; pode usar os m&uacute;ltiplos componentes de UI nesse app como um ponto de partida para desenvolver suas pr&oacute;prias aplica&ccedil;&otilde;es Watson Discovery.
Assim como voc&ecirc; aprendeu nos padr&otilde;es de c&oacute;digo anteriores, o principal benef&iacute;cio de usar o Watson Discovery &eacute; ter acesso ao poderoso sistema que fornece enriquecimento cognitivo e insights sobre seus dados. O aplicativo neste padr&atilde;o de c&oacute;digo d&aacute; exemplos de como apresentar esses enriquecimentos atrav&eacute;s de filtros, listas e gr&aacute;ficos.
Com Watson Knowledge Studio, voc&ecirc; poder&aacute; ensinar ao Watson sobre entidades adicionais e relacionamentos que v&atilde;o al&eacute;m da extra&ccedil;&atilde;o de entidade padr&atilde;o e do processo de enriquecimento com um modelo personalizado de anota&ccedil;&otilde;es. Atrav&eacute;s do uso de anota&ccedil;&otilde;es, voc&ecirc; poder&aacute; indicar entidades e os relacionamentos entre elas em um pequeno grupo de documentos, que podem ser aplicadas em um grupo muito maior de documentos semelhantes posteriormente. Esse modelo pode, ent&atilde;o, ser aplicado ao Watson Discovery e incorporado no processo de enriquecimento do Discovery conforme os documentos s&atilde;o enviados para o servi&ccedil;o.
Quando voc&ecirc; completar esse padr&atilde;o de c&oacute;digo, voc&ecirc; saber&aacute; como:
<ul>
<li dir="ltr">
carregar e enriquecer dados no Watson Discovery;
</li>
<li dir="ltr">
usar o Watson Knowledge Studio para criar um modelo de anota&ccedil;&otilde;es customizado;
</li>
<li dir="ltr">
lan&ccedil;ar um modelo Watson Knowledge Studio no Discovery;
</li>
<li dir="ltr">
ordenar e manipular dados no Discovery;
</li>
<li dir="ltr">
criar componentes em UI para representar dados enriquecidos gerados pelo Discovery;
</li>
<li dir="ltr">
construir um web app completo que use tecnologia JavaScript para obter dados do Discovery e dados enriquecidos.
</li>
</ul>
<h2 dir="ltr">Fluxo</h2>
<ol>
<li dir="ltr">
Importar as an&aacute;lises dos consumidores na cole&ccedil;&atilde;o do Discovery.
</li>
<li dir="ltr">
Carregar um conjunto de documentos com an&aacute;lises no Watson Knowledge Studio para criar anota&ccedil;&otilde;es.
</li>
<li dir="ltr">
Criar um modelo no Watson Knowledge Studio e trein&aacute;-lo.
</li>
<li dir="ltr">
Lan&ccedil;ar o modelo do Watson Knowledge Studio em uma inst&acirc;ncia do Watson Discovery.
</li>
<li dir="ltr">
O usu&aacute;rio interage com o servidor back-end atrav&eacute;s da UI do app. O app front-end usa o React para apresentar resultados de pesquisas e pode reutilizar todos as visualiza&ccedil;&otilde;es do back-end para renderiza&ccedil;&atilde;o server-side. O front-end usa componentes semantic-UI-react e &eacute; responsivo.&nbsp;
</li>
<li dir="ltr">
Processar as entradas do usu&aacute;rio e encaminhar isso de volta para o servidor back-end, que agora &eacute; respons&aacute;vel pela renderiza&ccedil;&atilde;o server-side das visualiza&ccedil;&otilde;es que ser&atilde;o mostradas no navegador. O servidor back-end &eacute; escrito usando Express e usa a engine express-react-views escrito usando o React.
</li>
<li dir="ltr">
O servidor back-end envia os pedidos do usu&aacute;rio para o Watson Discovery. Ele atua como um servidor proxy, encaminhando consultas do front-end para a API do Discovery &mdash; enquanto mant&eacute;m as chaves sens&iacute;veis da API ocultas do usu&aacute;rio.
</li>
</ol>
<h2 dir="ltr">Instru&ccedil;&otilde;es</h2>
Pronto para p&ocirc;r esse padr&atilde;o de c&oacute;digo em a&ccedil;&atilde;o? Detalhes completos de como come&ccedil;ar a rodar e usar essa aplica&ccedil;&atilde;o est&atilde;o no README.
<h2 dir="ltr">Conclus&atilde;o</h2>
Esse padr&atilde;o de c&oacute;digo mostra como voc&ecirc; pode usar an&aacute;lises de comida para explicar qu&atilde;o f&aacute;cil &eacute; extrair insights de dados brutos. Esse padr&atilde;o de c&oacute;digo &eacute; parte da s&eacute;rie <a href="https://developer.ibm.com/series/learning-path-watson-discovery" target="_blank">Percurso de aprendizado: come&ccedil;ando com Watson Discovery</a>. Para continuar e aprender mais sobre os servi&ccedil;os do Watson Discovery, d&ecirc; uma olhada no pr&oacute;ximo padr&atilde;o de c&oacute;digo: Aprimore o atendimento ao cliente com Smart Document Understanding. 
...
Quer ler mais conte&uacute;do especializado de programa&ccedil;&atilde;o? Conhe&ccedil;a a <a href="https://www.tecmundo.com.br/desenvolvendo-com-ibm-cloud?utm_source=tecmundo&amp;utm_medium=cta&amp;utm_campaign=ibm-blue-profile" target="_blank">IBM Blue Profile</a> e tenha acesso a mat&eacute;rias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e d&ecirc; um upgrade na sua carreira!

thumb-image-2024-04-30T03:03:46.477Z

Obtenha insights dos consumidores em análises de produtos

banner-image-2024-04-30T03:03:46.490Z

Imagem de Crie app com detecção de objetos em tempo real com Watson Machine Learning no tecmundo

Treine seu próprio modelo sem necessitar de muito poder computacional e tempo

<a href="https://github.com/cloud-annotations/object-detection-ios" target="_blank">Confire o c&oacute;digo iOS</a>
<a href="https://github.com/cloud-annotations/object-detection-android" target="_blank">Confire o c&oacute;digo Android</a>
<a href="https://github.com/cloud-annotations/object-detection-react" target="_blank">Confire o c&oacute;digo em React</a>
<a href="https://docs.annotations.ai/workshops/object-detection" target="_blank">Fa&ccedil;a o workshop</a>
<a href="https://www.youtube.com/watch?v=ijbbPT1NBl4" target="_blank">Assista ao workshop</a>
<h2 dir="ltr">Resumo</h2>
Seja contando carros na estrada ou pessoas presas em telhados durante um desastre natural, h&aacute; v&aacute;rios usos para detec&ccedil;&atilde;o de objetos. Frequentemente, modelos treinados de detec&ccedil;&atilde;o de objetos n&atilde;o atendem &agrave;s suas necessidades, e &eacute; preciso ser criativo para criar os pr&oacute;prios modelos. Como voc&ecirc; pode usar machine learning para treinar seu pr&oacute;prio modelo sem tanto poder computacional e tempo? Watson Machine Learning. Como voc&ecirc; pode usar seus modelos personalizados para detectar objetos, em tempo real, com privacidade garantida ao usu&aacute;rio e com um dispositivo com poder computacional limitado? Apple&rsquo;s Core ML, TensorFlow.js e TensorFlow Lite.
<h2 dir="ltr">Descri&ccedil;&atilde;o</h2>
Neste padr&atilde;o de c&oacute;digo, voc&ecirc; desenvolver&aacute; um app iOS, Android ou web (ou todos os tr&ecirc;s) que permite utilizar seu modelo com treino customizado para detec&ccedil;&atilde;o de objetos. Voc&ecirc; criar&aacute; uma inst&acirc;ncia no IBM Cloud Storage para armazenar os dados rotulados, e depois que as informa&ccedil;&otilde;es estiverem prontas, voc&ecirc; aprender&aacute; a iniciar uma inst&acirc;ncia no Watson Machine Learning para treinar seu pr&oacute;prio modelo em GPUs top de linha. Ap&oacute;s completar o treino, voc&ecirc; pode implementar seu modelo na aplica&ccedil;&atilde;o com um simples &ldquo;drag-and-drop&rdquo;.
Quando voc&ecirc; completar este padr&atilde;o de c&oacute;digo, voc&ecirc; saber&aacute;:
<ul>
<li dir="ltr">
rotular dados que podem ser usados para detec&ccedil;&atilde;o de objetos;
</li>
<li dir="ltr">
usar seus dados personalizados para treinar um modelo usando Watson Machine Learning;
</li>
<li dir="ltr">
detectar objetos com Core ML.
</li>
</ul>
<h2 dir="ltr">Fluxo</h2>
<img alt="watson" src="https://tm.ibxk.com.br/2020/08/05/watson-05185438228474.png" />
<ul>
<li dir="ltr">
Fazer o upload de seus dados para treinamento no IBM Cloud Object Storage.
</li>
<li dir="ltr">
O Watson Machine Learning puxa os dados de treinamento do IBM Cloud Object Storage e treina um modelo com TensorFlow. O modelo treinado &eacute; igualmente armazenado no IBM Cloud Object Storage.
</li>
<li dir="ltr">
Os modelos treinados s&atilde;o adicionados ao app.
</li>
<li dir="ltr">
O usu&aacute;rio interage com os apps que podem detectar objetos em tempo real.
</li>
</ul>
<h2 dir="ltr">Instru&ccedil;&otilde;es</h2>
Para come&ccedil;ar a construir o aplicativo, voc&ecirc; pode seguir as etapas descritas no seguinte workshop.
<ul>
<li dir="ltr">
<a href="https://cloud.annotations.ai/workshops/object-detection/index.html" target="_blank">Treinando um Modelo de Detec&ccedil;&atilde;o de Objeto</a>
</li>
</ul>
...
Quer ler mais conte&uacute;do especializado de programa&ccedil;&atilde;o? Conhe&ccedil;a o&nbsp;<a href="https://www.tecmundo.com.br/desenvolvendo-com-ibm-cloud?utm_source=tecmundo&amp;utm_medium=cta&amp;utm_campaign=ibm-blue-profile" target="_blank">IBM Blue Profile</a>&nbsp;e tenha acesso a mat&eacute;rias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e d&ecirc; um upgrade na sua carreira!
&hellip;..
Quer dar o pr&oacute;ximo grande passo na sua jornada profissional? Participe do&nbsp;<a href="https://www.ibm.com/br-pt/campaign/cloud-training" target="_blank">Cloud Training</a>, um&nbsp;curso online e gratuito&nbsp;que vai te preparar para o exame da certifica&ccedil;&atilde;o&nbsp;IBM Cloud Foundations.&nbsp;<a href="https://www.ibm.com/br-pt/campaign/cloud-training" target="_blank">Inscreva-se j&aacute;</a>!

thumb-image-2024-04-30T03:03:46.490Z

Crie app com detecção de objetos em tempo real com Watson Machine Learning

banner-image-2024-04-30T03:03:50.517Z

Imagem de Reconhecimento de imagens com TensorFlow e Keras no tecmundo

Use a visão computacional, o TensorFlow e o Keras para classificação e processamento de imagens

thumb-image-2024-04-30T03:03:50.517Z

Reconhecimento de imagens com TensorFlow e Keras

banner-image-2024-04-30T03:03:50.491Z

Imagem de Introdução à visão computacional no tecmundo

Aprenda o básico sobre a visão computacional com o deep learning

thumb-image-2024-04-30T03:03:50.491Z

Introdução à visão computacional

banner-image-2024-04-30T03:03:50.648Z

Imagem de Introduzindo confiança em inteligência artificial no tecmundo

Que nível de confiança podemos — e devemos — dedicar a sistemas de inteligência artificial?


Este tutorial faz parte do guia <a href="https://developer.ibm.com/series/learning-path-watson-openscale/" target="_blank">Getting started with Watson OpenScale</a>
Intelig&ecirc;ncia artificial (IA) est&aacute; em todos os lugares. Da Alexa em nossas casas a recomenda&ccedil;&otilde;es da Netflix, ou do mecanismo de buscas preditivas do Google a rob&ocirc;s cir&uacute;rgicos, esses sistemas podem sentir, argumentar, entender, aprender e interagir.
Empresas e startups inovam constantemente no desenvolvimento de aplica&ccedil;&otilde;es melhores e mais inteligentes, j&aacute; que IA concede benef&iacute;cios variados &agrave;s organiza&ccedil;&otilde;es. Estima-se que o mercado de intelig&ecirc;ncia artificial se torne uma ind&uacute;stria de <a href="https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-market-74851580.html" target="_blank">US$ 190 bilh&otilde;es</a> at&eacute; 2025. Entretanto, os avan&ccedil;os desse tipo de tecnologia podem criar novos desafios e levantar quest&otilde;es legais e &eacute;ticas.
Hoje, IA &eacute; vista como uma esp&eacute;cie de caixa misteriosa que toma decis&otilde;es obscuras, e as empresas podem ter dificuldades para explicar ou entender como essa capacidade &eacute; alcan&ccedil;ada.
Por exemplo, grandes cidades chinesas est&atilde;o utilizando c&acirc;meras inteligentes com reconhecimento facial baseado em intelig&ecirc;ncia artificial para detectar e identificar pedestres imprudentes (aqueles que atravessam as ruas com alta taxa de tr&aacute;fego, em vez de se dirigirem aos locais mais adequados, com faixas). O nome do infrator, ainda que parcialmente coberto, e seu rosto s&atilde;o exibidos em uma tela p&uacute;blica. Acontece que o sistema <a href="https://www.telegraph.co.uk/technology/2018/11/25/chinese-businesswoman-accused-jaywalking-ai-camera-spots-face/" target="_blank">cometeu um erro em Ningbo</a>, divulgando a foto de um bilion&aacute;rio chamado Mingzhu Dong &mdash; falsamente reconhecido em uma campanha publicit&aacute;ria de um &ocirc;nibus e tomado por pedestre. A respeito do caso, Dong declarou que &ldquo;n&atilde;o foi nada&rdquo;, j&aacute; que detec&ccedil;&atilde;o e reconhecimento em tempo real s&atilde;o desafiadores.
<img alt="IBM" src="https://tm.ibxk.com.br/2020/07/28/ibm-28180133160249.png" />
Mas se os resultados de um sistema de IA auxiliassem a determinar a senten&ccedil;a criminal a ser aplicada, permaneceria sendo um assunto sem import&acirc;ncia? Nos Estados Unidos, tribunais podiam basear suas decis&otilde;es &mdash; inclusive relacionadas a fian&ccedil;as e penas &mdash; sobre r&eacute;us e condenados nos dados fornecidos pelo COMPAS. COMPAS &eacute; um software de avalia&ccedil;&atilde;o de risco gerenciado por intelig&ecirc;ncia artificial utilizado para prever quais criminosos s&atilde;o mais propensos &agrave; reincid&ecirc;ncia. A acur&aacute;cia desse recurso foi questionada quando foram notados resultados <a href="https://www.theatlantic.com/technology/archive/2018/01/equivant-compas-algorithm/550646/" target="_blank">tendenciosos</a>.
Definitivamente, tais equ&iacute;vocos n&atilde;o s&atilde;o quest&otilde;es triviais quando a seguran&ccedil;a humana est&aacute; em jogo. Em 2018, um dos carros aut&ocirc;nomos da Uber, que estava no modo autom&aacute;tico e tinha um motorista humano no volante por precau&ccedil;&atilde;o, <a href="https://www.theverge.com/2018/5/24/17388696/uber-self-driving-crash-ntsb-report" target="_blank">atropelou e matou uma pedestre no Arizona</a>. Os sensores do ve&iacute;culo detectaram a mulher, mas &ldquo;decidiram&rdquo; n&atilde;o frear ou agir de alguma maneira. Isso levou a empresa e outras companhias, como Toyota e NVIDIA, a suspenderem testes semelhantes nos Estados Unidos.
Quanto mais a IA continua a expandir seu papel em nossas vidas e a tomar decis&otilde;es por n&oacute;s, uma pergunta importante n&atilde;o deixa de ser levantada:&nbsp;
<h2 dir="ltr">Que n&iacute;vel de confian&ccedil;a podemos &mdash; e devemos &mdash; dedicar a sistemas de intelig&ecirc;ncia artificial?</h2>
Para tentar responder essa pergunta, em abril de 2019 a Uni&atilde;o Europeia divulgou uma publica&ccedil;&atilde;o sobre diretrizes &eacute;ticas para intelig&ecirc;ncia artificial. No documento, foram destacados <a href="https://europa.eu/rapid/press-release_IP-19-1893_en.htm" target="_blank">sete aspectos essenciais</a> de uma IA confi&aacute;vel. Essas diretrizes inclu&iacute;am exig&ecirc;ncias como privacidade, governan&ccedil;a de informa&ccedil;&otilde;es, diversidade e seguran&ccedil;a.
No mesmo ano, o Smart Dubai Government anunciou o <a href="https://www.smartdubai.ae/initiatives/ai-principles" target="_blank">Dubai AI Principles</a>, que exp&otilde;e as expectativas da cidade e fornece um roteiro para guiar o comportamento dos sistemas baseados em intelig&ecirc;ncia artificial. O &oacute;rg&atilde;o tamb&eacute;m lan&ccedil;ou o <a href="https://www.smartdubai.ae/initiatives/ai-ethics" target="_blank">Dubai AI Ethics Guidelines</a> para fornecer orienta&ccedil;&otilde;es para assuntos cruciais, como contabilidade e outros temas relacionados a algoritmos com IA. Inclusive, &eacute; poss&iacute;vel experimentar a <a href="https://www.smartdubai.ae/self-assessment" target="_blank">ferramenta de autoavalia&ccedil;&atilde;o</a> do Dubai AI Ethics Guidelines para avaliar o n&iacute;vel de &eacute;tica de um sistema de IA a partir desses conceitos.
<h2 dir="ltr">Quatro pilares de IA confi&aacute;vel</h2>
&Eacute;tica na intelig&ecirc;ncia artificial &eacute; uma <a href="https://www.ibm.com/watson/ai-ethics/" target="_blank">grande &aacute;rea de pesquisa</a> da IBM. <a href="https://arxiv.org/abs/1808.07261" target="_blank">Neste artigo</a>, s&atilde;o descritos quatro elementos, ou pilares, que formam a base de sistemas de IA confi&aacute;veis.
<h3 dir="ltr">1. Explicabilidade</h3>
Trata-se de saber e entender como modelos de IA tomam decis&otilde;es espec&iacute;ficas. Ter a visibilidade de como funcionam. Por enquanto, modelos de machine learning s&atilde;o caixas misteriosas. N&atilde;o sabemos exatamente como elas fazem as escolhas que fazem.
Ainda que seja um aspecto fundamental de uma IA confi&aacute;vel, implementar explicabilidade pode ser desafiador. Nesse processo, a acur&aacute;cia do modelo &eacute; comprometida, j&aacute; que os mais simples, facilmente interpret&aacute;veis, t&ecirc;m sua capacidade preditiva reduzida (por exemplo, regress&atilde;o linear de &aacute;rvores de decis&atilde;o). Algoritmos mais poderosos e complexos, como redes neurais ou random forests, tendem a ser altamente precisos, mas dif&iacute;ceis de entender devido &agrave; complexidade de sua natureza.
Outro fator a ser considerado &eacute; que explicabilidade n&atilde;o &eacute; unidimensional. Diferentes partes interessadas gostariam de ter insights de variados aspectos do funcionamento interno de um algoritmo com base em prop&oacute;sitos e objetivos. Logo, explica&ccedil;&otilde;es devem ser adaptadas.
<h3 dir="ltr">2. Justi&ccedil;a</h3>
Garantir sistemas de intelig&ecirc;ncia artificial justos significa eliminar vieses nos modelos ou dados (ou pelo menos minimiz&aacute;-los). Esses vieses s&atilde;o descritos como um desentendimento entre o treinamento de distribui&ccedil;&atilde;o de informa&ccedil;&otilde;es criado pelo desenvolvedor e a justa distribui&ccedil;&atilde;o esperada. Eles podem se &ldquo;infiltrar&rdquo; facilmente nos sistemas de IA atrav&eacute;s da cria&ccedil;&atilde;o, da coleta ou do processamento de dados. O sistema pode selecion&aacute;-los, codific&aacute;-los e ter o potencial de redimension&aacute;-los, o que pode levar a resultados injustos (como ocorreu com o COMPAS). Algoritmos de machine learning aprendem a partir do treinamento que recebem.&nbsp;
Para encorajar a ado&ccedil;&atilde;o de IA, deve-se assegurar que ela n&atilde;o assuma nem amplifique vieses, bem como usar dados e modelos de treinamento equitativos para evitar tratamentos injustos. Estabelecer testes para identificar, classificar e minimizar qualquer vi&eacute;s &eacute; fundamental para desenvolver sistemas de IA justos.
<h3 dir="ltr">3. Robustez</h3>
A robustez se baseia em dois fatores: seguran&ccedil;a e prote&ccedil;&atilde;o.
A seguran&ccedil;a de um sistema de intelig&ecirc;ncia artificial normalmente &eacute; associada &agrave; habilidade de um modelo desenvolver conhecimentos que incorporem normas societ&aacute;rias, pol&iacute;ticas ou regulamenta&ccedil;&otilde;es que correspondam a comportamentos bem estabelecidos.
J&aacute; a prote&ccedil;&atilde;o diz respeito &agrave; capacidade de defesa contra ataques maliciosos. Como qualquer software, as IA est&atilde;o vulner&aacute;veis a esse tipo de ocorr&ecirc;ncia. Isso eleva a preocupa&ccedil;&atilde;o referente &agrave; seguran&ccedil;a, visto que modelos podem ser adulterados e dados podem ser comprometidos ou deturpados.
<img alt="IBM" src="https://tm.ibxk.com.br/2020/07/28/ibm-28175920534247.jpg" />
Invasores podem se apropriar de modelos de IA estudando seus outputs ou enganando o algoritmo por meio da introdu&ccedil;&atilde;o de ru&iacute;dos ou perturba&ccedil;&otilde;es contradit&oacute;rias. Caso acredite que isso &eacute; complicado, confira o artigo <a href="https://arxiv.org/pdf/1710.08864.pdf" target="_blank">One Pixel Attack for Fooling Deep Neural Networks</a>, que descreve como uma rede neural profunda identifica imagens incorretamente quando um pixel &mdash; isso mesmo, apenas um pixel &mdash; &eacute; modificado.
A seguran&ccedil;a pode ser aprimorada com a exposi&ccedil;&atilde;o e a corre&ccedil;&atilde;o de vulnerabilidades no sistema, possibilitando a identifica&ccedil;&atilde;o de novos ataques e defesas e a estrutura&ccedil;&atilde;o de novos m&eacute;todos de treinamento contra invasores para fortalecimento do modelo, al&eacute;m da cria&ccedil;&atilde;o de novas m&eacute;tricas de avalia&ccedil;&atilde;o da robustez.
<h3 dir="ltr">4. Linhagem</h3>
Sistemas de intelig&ecirc;ncia artificial est&atilde;o em constante evolu&ccedil;&atilde;o. Linhagem diz respeito &agrave; possibilidade de rastrear e manter a origem de datasets, metadados, modelos com seus hiperpar&acirc;metros e resultados de testes. Rastreabilidade &eacute; crucial para que &oacute;rg&atilde;os reguladores, organiza&ccedil;&otilde;es apropriadas, terceiros e usu&aacute;rios auditem o sistema e possam reproduzir outputs passados e identificar resultados.
A caracter&iacute;stica pode auxiliar na descoberta da vers&atilde;o exata do servi&ccedil;o e sua implementa&ccedil;&atilde;o em qualquer ponto de sua hist&oacute;ria, assim como evidenciar quantas vezes o sistema foi treinado e seus detalhes de modifica&ccedil;&atilde;o, como a quantidade de metadados modificados no epis&oacute;dio do treinamento, dataset de treinamento utilizado, acur&aacute;cia e seguran&ccedil;a das m&eacute;tricas em sua evolu&ccedil;&atilde;o, feedback fornecido e motivos para reciclagem e aprimoramento.
<h2 dir="ltr">Ferramentas</h2>
Agora que voc&ecirc; sabe a import&acirc;ncia de gerar confian&ccedil;a em sistemas de intelig&ecirc;ncia artificial e os fatores que os influenciam, vamos conferir ferramentas que o auxiliar&atilde;o a implementar essa caracter&iacute;stica em seus servi&ccedil;os.
<h3 dir="ltr">Watson OpenScale</h3>
<img alt="Watson OpenScale" src="https://tm.ibxk.com.br/2020/07/28/watson-openscale-28175451907243.png" />
Ambiente de n&iacute;vel corporativo para aplica&ccedil;&otilde;es AI-infused que oferece &agrave;s empresas visibilidade de como a IA est&aacute; sendo constru&iacute;da e usada, o OpenScale traz clareza de informa&ccedil;&otilde;es e pode detectar e atenuar vieses, ajudar a explicar os resultados da IA, escalar o uso do modelo e fornecer insights sobre a integridade do sistema, al&eacute;m de fornecer ROI &mdash; tudo dentro de um cen&aacute;rio de gerenciamento unificado.
<a href="https://media.github.ibm.com/user/128618/files/af082f00-e052-11e9-9157-11f25b12a5fd" target="_blank">Saiba mais</a>
<a href="https://www.ibm.com/cloud/watson-openscale#node-explore" target="_blank">Teste a solu&ccedil;&atilde;o</a>
<a href="https://cloud.ibm.com/catalog/services/watson-openscale?cm_sp=ibmdev-_-developer-articles-_-cloudreg" target="_blank">Demo</a>
<h3 dir="ltr">AI Explainability 360</h3>
O toolkit AI Explainability 360 &eacute; um pacote open source Python que pode ajudar na compreens&atilde;o de como modelos de machine learning preveem labels de diversas maneiras durante o ciclo de vida da aplica&ccedil;&atilde;o de IA. S&atilde;o inclu&iacute;dos algoritmos compat&iacute;veis com a interpretabilidade e a explicabilidade de datasets e modelos de aprendizado de m&aacute;quina.
<a href="https://aix360.mybluemix.net/?_ga=2.158392825.2125855433.1585866227-493227985.1585866227" target="_blank">Saiba mais</a>
<a href="https://github.com/IBM/AIX360" target="_blank">Adquira o pacote</a>
<a href="https://aix360.mybluemix.net/data?_ga=2.158392825.2125855433.1585866227-493227985.1585866227" target="_blank">Demo</a>
<h3 dir="ltr">Adversarial Robustness 360 Toolbox</h3>
Pacote open source Python para machine learning advers&aacute;ria que auxilia na defesa de redes neurais profundas contra ataques maliciosos, tornando sistemas de IA mais seguros. Seu prop&oacute;sito &eacute; permitir a r&aacute;pida elabora&ccedil;&atilde;o e an&aacute;lise de m&eacute;todos de ataque e defesa para modelos de machine learning. Adversarial Robustness 360 Toolbox fornece a implementa&ccedil;&atilde;o para muitos m&eacute;todos de ponta para ataque e defesa.
<a href="https://adversarial-robustness-toolbox.readthedocs.io/en/latest/" target="_blank">Saiba mais</a>
<a href="https://github.com/IBM/adversarial-robustness-toolbox" target="_blank">Adquira o pacote</a>
<a href="https://art-demo.mybluemix.net/?_ga=2.87698011.2125855433.1585866227-493227985.1585866227" target="_blank">Demo</a>
<h3 dir="ltr">AI Fairness 360</h3>
Pacote open source Python para auxiliar na detec&ccedil;&atilde;o e na remo&ccedil;&atilde;o de vieses de modelos de machine learning. Inclui um conjunto abrangente de m&eacute;tricas para datasets e modelos para testar e explicar vieses, al&eacute;m de algoritmos para minimiz&aacute;-los.
<a href="https://aif360.mybluemix.net/?_ga=2.133948749.2125855433.1585866227-493227985.1585866227" target="_blank">Saiba mais&nbsp;</a>
<a href="https://github.com/IBM/AIF360" target="_blank">Adquira o c&oacute;digo</a>
<a href="http://aif360.mybluemix.net/data?_ga=2.133948749.2125855433.1585866227-493227985.1585866227" target="_blank">Demo</a>
<a href="https://medium.com/@alex.jones/ibm-watson-openscale-and-ai-fairness-360-two-new-ai-analysis-tools-that-work-great-together-5f0740142ba1" target="_blank">OpenScale versus AI Fairness 360</a>
<h2 dir="ltr">Conclus&atilde;o</h2>
Este artigo explicou como vieses e ataques podem afetar sistemas de intelig&ecirc;ncia artificial. Al&eacute;m disso, forneceu diversos exemplos de como tais a&ccedil;&otilde;es podem ocorrer, indicando ferramentas para minimizar os problemas
Esta &eacute; uma parte do guia <a href="https://developer.ibm.com/series/learning-path-watson-openscale/" target="_blank">Getting started with Watson OpenScale</a>. Para continuar o aprendizado, confira <a href="https://medium.com/@alex.jones/ibm-watson-openscale-and-ai-fairness-360-two-new-ai-analysis-tools-that-work-great-together-5f0740142ba1" target="_blank">IBM Watson OpenScale and AI Fairness 360: Two new AI analysis tools that work great together</a>. Depois, acesse o tutorial <a href="https://developer.ibm.com/tutorials/getting-started-with-watson-openscale/" target="_blank">Getting started with Watson OpenScale</a>. 
...
Quer ler mais conte&uacute;do especializado de programa&ccedil;&atilde;o? Conhe&ccedil;a a <a href="https://www.tecmundo.com.br/desenvolvendo-com-ibm-cloud?utm_source=tecmundo&amp;utm_medium=cta&amp;utm_campaign=ibm-blue-profile" target="_blank">IBM Blue Profile</a> e tenha acesso a mat&eacute;rias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e d&ecirc; um upgrade na sua carreira!
.....
Participe da&nbsp;<a class="c-link" aria-describedby="sk-tooltip-6401" href="https://ad.doubleclick.net/ddm/trackclk/N1114924.1648088TECMUNDO.COM.BR/B24342048.278306450;dc_trk_aid=472629881;dc_trk_cid=133852917;dc_lat=;dc_rdid=;tag_for_child_directed_treatment=;tfua=" target="_blank" rel="noopener noreferrer" data-stringify-link="https://ad.doubleclick.net/ddm/trackclk/N1114924.1648088TECMUNDO.COM.BR/B24342048.278306450;dc_trk_aid=472629881;dc_trk_cid=133852917;dc_lat=;dc_rdid=;tag_for_child_directed_treatment=;tfua=" delay="150" data-sk="tooltip_parent">Maratona Behind the Code 2020</a>, um desafio para desenvolvedores e entusiastas da tecnologia! Al&eacute;m de concorrer a pr&ecirc;mios, voc&ecirc; ainda tem acesso a conte&uacute;dos e servi&ccedil;os gratuitos. N&atilde;o perca essa chance, as inscri&ccedil;&otilde;es v&atilde;o at&eacute; 7 de agosto!

thumb-image-2024-04-30T03:03:50.648Z

Introduzindo confiança em inteligência artificial

A Queda de P. Diddy estreia 1º de fevereiro no @streammaxbr! O documentário revela os bastidores das polêmicas que abalaram a carreira do rapper. Você vai assistir? 👀🎬 #AQuedaDePDiddy #PDiddy #Documentário #TrueCrime #Max #Streaming

💥🚨 Novo Documentário BOMBÁSTICO sobre P. Diddy!

Os melhores EASTER EGGS de Seu Amigão da Vizinhança Homem-Aranha, nova animação da Marvel! #MCU #Marvel #HomemAranha #SpiderMan #peterparker #SeuAmigãodaVizinhançaHomemAranha

🕷️🕸️ EASTER EGGS DA NOVA ANIMAÇÃO DE HOMEM-ARANHA

O choque ao assistir esse filme pela primeira vez e a tristeza 🥺 #cenasdefilmes #umolhardoparaiso #saoirseRonan #stanleytucci

"Meu sobrenome é Salmão, igual ao peixe. Primeiro nome: Susie." 😢

Melhores Cenas

Os fones mais diferenciados da Huawei tanto em design quanto em funcionalidade estão recebendo oficialmente uma cor nova aqui no Brasil! É o FreeClip, que têm características que a gente não encontra na grande maioria dos fones de ouvido, mesmo entre os modelos True Wireless. 🔥 Saiba mais sobre o Huawei FreeClip: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/FreeClipHuawei #[Tipo: Publieditorial] #[Tipo: Shorts] Extensão do TecMundo: encontre cupons escondidos nas principais lojas online: <a href="http://" target="_blank" rel="nofollow noopener">http://</a>bit.ly/3ZkKOji - Os melhores cupons Online para você! <a href="https://www." target="_blank" rel="nofollow noopener">https://www.</a>tecmundo.com.br/cupons 💡 Participe dos canais do TecMundo no WhatsApp! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatstecmundo - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsmegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JSpOKX 💡 Temos grupos também no Telegram! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JZoTbm - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegrammegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramthebrief CRÉDITOS Roteiro: Leonardo Rocha Apresentação: Leonardo Rocha Imagens e áudio: Felipe Pedro (Felps) e Gustavo Katsumi Produção: Diana Pordeus e Vitória Schmitz Edição de vídeo: Larissa Kinoshita A melhor programação está no TecMundo - História da Tecnologia - Análises, Unboxings e tudo sobre Produtos! - TecDocs - Matérias especiais - Assistência Tec - Lives de tradução e cobertura de eventos - Listas - Hoje no TecMundo #Tecnologia #FashionForward #TecMundo

Tem cor nova chegando para os fones mais diferenciados da #Huawei ! #huaweifreeclip #fashioedge

Dicas e apresentações de produtos, softwares e serviços

Shorts

Um smartwatch premium de verdade precisa combinar tecnologias e recursos avançados com um design elegante e sofisticado que você só encontra em um acessório de luxo. E o Huawei Watch ULTIMATE traz essa combinação como nenhum outro relógio conectado faz! - Saiba mais sobre o Huawei Watch Ultimate: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/huaweiultimate #[Tipo: Publieditorial] #[Tipo: Shorts] Extensão do TecMundo: encontre cupons escondidos nas principais lojas online: <a href="http://" target="_blank" rel="nofollow noopener">http://</a>bit.ly/3ZkKOji - Os melhores cupons Online para você! <a href="https://www." target="_blank" rel="nofollow noopener">https://www.</a>tecmundo.com.br/cupons 💡 Participe dos canais do TecMundo no WhatsApp! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatstecmundo - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsmegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JSpOKX 💡 Temos grupos também no Telegram! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JZoTbm - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegrammegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramthebrief CRÉDITOS Roteiro: Leonardo Rocha Apresentação: Leonardo Rocha Imagens e áudio: Felipe Pedro (Felps) e Gustavo Katsumi Produção: Vitória Schmitz Edição de vídeo: Larissa Kinoshita A melhor programação está no TecMundo - História da Tecnologia - Análises, Unboxings e tudo sobre Produtos! - TecDocs - Matérias especiais - Assistência Tec - Lives de tradução e cobertura de eventos - Listas - Hoje no TecMundo #huaweiultimate #fashionforward #tecmundo

O smartwatch premium de verdade que você merece! Huawei Watch ULTIMATE #fashionedge #huawei

O SSD externo Lexar SL400 é um acessório que promete entregar um setup profissional para você que usa sempre o celular para criar conteúdo. Ele traz um pacote muito completo que inclui até um hub USB-C, aí você consegue plugar microfones, carregadores e outros acessórios ao mesmo tempo. 🔥 Extensão do TecMundo: encontre cupons escondidos nas principais lojas online: <a href="http://" target="_blank" rel="nofollow noopener">http://</a>bit.ly/3ZkKOji - Os melhores cupons Online para você! <a href="https://www." target="_blank" rel="nofollow noopener">https://www.</a>tecmundo.com.br/cupons 💡 Participe dos canais do TecMundo no WhatsApp! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatstecmundo - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsmegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JSpOKX 💡 Temos grupos também no Telegram! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JZoTbm - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegrammegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramthebrief CRÉDITOS Roteiro e apresentação: Wellington Arruda Imagens e áudio: Wellington Arruda Edição de vídeo: Rodrigo Doze Motion Graphics: Gustavo Silva A melhor programação está no TecMundo - História da Tecnologia - Entenda - Análises, Unboxings e tudo sobre Produtos! - TecDocs - Matérias especiais - Assistência Tec - Drops de Notícias - Listas - Hoje no TecMundo #Lexar #Computex2024 #ssd #TecMundo

Mini SSD Lexar SL400: setup profissional só com o celular #ssd #lexar

As melhores séries de ficção científica para assistir HOJE! #silo #Duna #Dunaaprofecia #MatériaEscura #Ficçãocientifica #dicasdeséries #appletv #Max

As 3 MELHORES séries RECENTES de Ficção Científica para assistir HOJE!

Dicas de Séries

A Xiaomi acabou de lançar os novos Redmi Note 14! Os novos Redmi Note 14 4G, Note 14 5G, Redmi Note 14 Pro e Note 14 Pro+ chegam ao Brasil com preços que vão de R$ 2,5 mil até R$ 6 mil. Extensão do TecMundo: encontre cupons escondidos nas principais lojas online: <a href="http://" target="_blank" rel="nofollow noopener">http://</a>bit.ly/3ZkKOji - Os melhores cupons Online para você! <a href="https://www." target="_blank" rel="nofollow noopener">https://www.</a>tecmundo.com.br/cupons 💡 Participe dos canais do TecMundo no WhatsApp! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatstecmundo - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsmegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/whatsminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JSpOKX 💡 Temos grupos também no Telegram! - TecMundo: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/3JZoTbm - Voxel: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramvoxel - Mega Curioso: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegrammegacurioso - Minha Série: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramminhaserie - The BRIEF: <a href="https://" target="_blank" rel="nofollow noopener">https://</a>bit.ly/telegramthebrief CRÉDITOS Roteiro e apresentação: Wellington Arruda Imagens e áudio: Gustavo Katsumi Edição de vídeo: Rafael Nogoceke Motion Graphics: Gustavo Silva A melhor programação está no TecMundo - História da Tecnologia - Análises, Unboxings e tudo sobre Produtos! - TecDocs - Matérias especiais - Assistência Tec - Lives de tradução e cobertura de eventos - Listas - Hoje no TecMundo #xiaomi #redmi #redminote14series #TecMundo

Redmi Note 14 lançado: câmera de 200 MP e até R$ 6 mil #xiaomi  #smartphone

Série de espionagem com Noah Centineo é a dica da vez para maratonar! A segunda temporada de Recruta chega em 30/jan na Netflix #noahCentineo #Recruta #Recruit #netflix #sériesnetflix #dicasdeséries

Série RECRUTA com Noah Centineo estreia hoje

Será que Karla Sofia Gascón pode perder a indicação ao Oscar pelas falas sobre a equipe de Fernanda Torres? Saiba mais sobre a polêmica aqui! #karlasofiagascon #oscar2025 #fernandatorres #oscars #aindaestouaqui #emiliaperez #polemica #treta #notícia #news #oscar

🚨Karla Sofia Gascón vai PERDER indicação ao OSCAR? #emiliaperez

Notícias sobre Filmes

Anora acabou de chegar aos cinemas e eu já assisti! Se você quer um filme divertido, mas com um toque de drama, esse é para você! #Anora #Oscar #filmesdoOscar #Dicasdefilmes #mikeyMadison

Dançarina erótica e herdeiro Russo, este é "ANORA": um conto de fadas destinado ao fracasso

Dicas de Filmes

#huawei #watchultimate #fashionedge [Tipo: Publieditorial]

IBMArtificialIntelligence