Falou tudo! Estava fazendo falta ter gigantes disputando espaço, agora temos duas grandes big techs que só temos a ganhar com o preço acessível (caso tornem pago) e o poder de decidir qual deseja usar.
7 curtidas
Quero rinha de IA aqui na minha mesa pra ontem!
9 curtidas
Agora temos novo player no mercado, @Alexandre_Niess. O Google tirou a lista de espera do Bard e liberou pra testar, nesse momento o Bard não aprendeu nosso idioma, mas já é um começo. Ontem teve a conferência do Google e anunciaram diversas integrações com IA, além da nova geração do celulares Google Pixels.
Fiz uma pergunta inicial para ver se acertava e o Bard já conhece a amada NuCommunity, só errou a data de criação e quantidade de membros (ou será uma previsão para o futuro?) 
E tentei sanar a curiosidade da Rinha de IA do @LuckPass, mas o Bard preferiu elogiar o GPT. Mas tô animado para ver como aplicar na organização financeira, porque será interessante.
10 curtidas
Sim!
Particularmente estou bem feliz porque quando mais players mais qualidade pra nós clientes. mais ajuda com meus trabalhos da faculdade 
Quem contou quantas vezes falaram IA na apresentação? Eu particularmente só assisti o resumo. 
9 curtidas
Salve queridões e queridonas
Esta na moda o novo cargo de ‘engenheir@ de prompt’
Vamos lá.
(GPT falando) Tanto o GPT (Generative Pre-trained Transformer), que é o modelo subjacente do ChatGPT, quanto o BERT (Bidirectional Encoder Representations from Transformers), que é o modelo subjacente do BARD (Base Model for Answer Retrieval in Dialogues), são exemplos de modelos de linguagem de última geração baseados em deep learning. Esses modelos têm uma acurácia impressionante e são capazes de realizar tarefas de linguagem natural com grande precisão, superando muitas abordagens anteriores.
No entanto, é importante notar que, embora esses modelos sejam altamente precisos e poderosos, eles não são infalíveis e podem cometer erros. A acurácia de um modelo é a medida de sua capacidade de prever corretamente os resultados em relação aos dados de teste. Porém, mesmo com alta acurácia nos dados de teste, o modelo pode não ser capaz de generalizar perfeitamente para novos dados, o que pode levar a erros em situações reais.
Overfitting (ou sobreajuste) é um fenômeno que ocorre quando um modelo se torna excessivamente especializado nos dados de treinamento e perde a capacidade de generalizar para novos dados. Isso pode acontecer quando o modelo é muito complexo em relação ao tamanho do conjunto de dados de treinamento, e ele “decora” os exemplos em vez de aprender padrões mais amplos que seriam aplicáveis a novos dados. Nesse caso, o modelo pode ter uma acurácia de 100% nos dados de treinamento, mas seu desempenho será muito pior em novos dados não vistos antes.
Portanto, é essencial encontrar um equilíbrio ao treinar esses modelos, usando técnicas como a divisão adequada dos dados em conjuntos de treinamento e teste, regularização e ajuste de hiperparâmetros para evitar overfitting e garantir que eles possam generalizar bem para novos dados e fornecer respostas úteis e precisas em cenários do mundo real.
Agora, eu, "Pergunte ao chatgpt e bard, “o que aconteceu com o google cloud dia 19 de julho de 2022, em londres depois que a temperatura atingiu 40 oC pela primeira vez na história?”.
O primeiro colou as placas, o segundo soube responder parcialmente, mas não sabe com resolver…Não foi treinado.
O fato é que a City perdeu, de novo, o posto de capital financeira global, seja pelo prejuízo financeiro, estimativas acima de US$500MM, ou valor inestimável pela pela perda de reputação.
Afinal, os mais de $20 trilhões geridos por empresas como blackrock, vanguard, nimb, banco mundial e outras instituições, são virtuais, não tem lastro no mundo real, em sua totalidade, e estão na cloud, ou pior, num centro de dados sem redundância externa.
| Anos | Eventos |
|---|---|
| 2010 | A DeepMind é fundada por Demis Hassabis, Shane Legg e Mustafa Suleyman em Londres, Reino Unido. |
| 2013 | A DeepMind começa a ganhar destaque ao vencer competições de jogos de arcade clássicos usando aprendizado por reforço profundo, incluindo jogos como Pong e Space Invaders. |
| 2014 | A empresa desenvolve o sistema DeepMind que combina redes neurais convolucionais com aprendizado por reforço profundo e supera jogadores humanos em diversos jogos Atari. |
| 2015 | A DeepMind desenvolve o AlphaGo, um programa de inteligência artificial que derrota o campeão mundial de Go, Lee Sedol, em uma série de jogos históricos. |
| 2016 | O AlphaGo derrota o campeão mundial de Go, Ke Jie, e é considerado um marco significativo no avanço da inteligência artificial. |
| 2017 | A DeepMind desenvolve o AlphaZero, que, usando apenas o aprendizado por reforço e autojogo, derrota o programa AlphaGo, tornando-se um especialista em Go, xadrez e shogi. |
| 2018 | A DeepMind lança o AlphaStar, um programa de inteligência artificial que vence jogadores profissionais de StarCraft II, um jogo de estratégia em tempo real complexo. |
| 2019 | A DeepMind anuncia o AlphaFold, um sistema que utiliza aprendizado profundo para prever a estrutura de proteínas com alta precisão, avançando significativamente na área de biologia estrutural. |
| 2020 | A DeepMind conquista um novo marco ao desenvolver o AlphaFold 2, que vence o concurso CASP (Critical Assessment of Structure Prediction) e supera outros métodos de predição de estruturas de proteínas. |
| 2021 | A DeepMind continua a trabalhar em várias áreas da inteligência artificial, expandindo suas pesquisas e colaborações em diversas indústrias. |
Marcos
- 2016: O Google anuncia que reduziu o consumo de energia elétrica em seus data centers em 40% desde 2010.
- 2018: O Google anuncia que economizou US$ 1 bilhão em custos de energia desde 2010 elevando o set point dos seus data centers para 27°C, adotado pela Ashrae nos EUA e replicado no mundo todo…
- 2020: O Google anuncia que adotou a política global de set point de 27°C para todos os seus data centers.
- 2021: O Google divulga que registrou um aumento na conta de energia em seus data centers devido à adoção da política global de set point de 27°C.
- 2022: Os data centers do Google em Londres ficam fora do ar por várias horas devido ao aumento da temperatura externa.
- 2023: O Google anuncia que está trabalhando para implementar medidas para melhorar a resiliência dos seus data centers.
As 10 principais demandas por setor, indústria, cliente e aplicativo dos data centers do GCP em Londres :
| Setor | Indústria | Cliente | Aplicativo |
|---|---|---|---|
| Tecnologia | Internet | Pesquisa e desenvolvimento | |
| Finanças | Bancos | JPMorgan Chase | Serviços bancários online |
| Varejo | E-commerce | Amazon | Comércio eletrônico |
| Saúde | Hospitais | Mayo Clinic | Serviços de saúde online |
| Governo | Defesa | Departamento de Defesa dos EUA | Serviços de inteligência artificial |
| Educação | Universidades | Universidade de Stanford | Pesquisa científica |
| Manufatura | Automotivo | Ford Motor Company | Manufatura digital |
| Logística | Transporte | UPS | Rastreamento de encomendas |
| Telecomunicações | Celular | Verizon | Serviços de rede 5G |
O que isso tem a ver com o Roxinho?
Em 2020 a Big Blue parou a internet financeira brasileira. Seus servidores, com larga tradição no setor financeiro, operando num campus terceirizado,
Parou, por que faltou água gelada nos sistemas de resfriamento?
Não, na verdade, e a exemplo da GCP, não havia redundância de APP EXTERNA, ou seja, data center, remete a CPD, centro de processamento de dados, quando não havia redes, e portanto, redundância de refrigeração e energia.
Para termos redundância de verdade, DataCenters vão precisar mudar de nome
DataCloud.
Fail report não deve associar ou atribuir falhas de redundância a eventos ou pontos fora da camada OSI, onde o elemento fisico são roteadores, servidores, rede,mas, JAMAIS utilidades - energia e resfriamento. Quando o fazem, evidenciam que não possuem redundância de APP externa ao DC ou ‘campus’.
Fuja deste services providers.
Para operar sistema de refrigeração e engenharia é necessário acuraria de 100%, e deep leraning o é, desde que os tensores sejam alimentados com outros parâmetros, no treino, como Performance.
Ou seja,é facil reduzir o custo energético elevando o set point do ar condicionado, num minuto, queda de performance no outro, aumento de energia e custos no minuto seguinte, porque, performance em servidores, uma maquina de calor não diferente de uma locomotiva a carvão, da época da revolução industrial, é inversamente proporcional a temperatura.
DeepLearning, para ser útil, tem que respeitar as novas e velhas leis da física.
Magazine Luiza já esta vendendo servidores usados de datacenters, cujo plm, (project life management) de 4 anos.
O Google e todas big cloud´s compram um ProLiant 380DL 256 GB de RAM 1TH de HD a $10k, usam por quatro anos, roi de 20% revendem a $1k para ser revendido como tecnologia obsoleta na Magalu ou ser enterrado em algum aterro.
Embora, estes mesmos equipamentos ainda tenha sobre vida, sub aproveitada,a ser reavaliado ja que um prompt ja consome 5 minutos de banho.
Pergunte-me como.
1 curtida
O Chta-GPT é tudo de bom, uso bastante. Mas a versão gratuita não tem acesso a pesquisas na web, logo não é apropriado para obter informações atualizadas sobre ativos financeiros. Talvez na versão paga isso seja possível, mas não posso afirma com certeza, já que não assino o serviço, pois não faço uso profissional da ferramenta.
O que a Microsoft tá fazendo é coisa de outro mundo, chegou aqui uma atualização que trouxe o Copilot (baseado no GPT-4) ao Windows 11, o tanto de possibilidades que isso abre e isso que tá só em beta, o plano da Microsoft é ainda mais ambicioso com integração a outros aplicativos, já imagino a aplicação em planilha financeira. 
8 curtidas
Exatamente, um mundo de possibilidades! 
11 curtidas
Infinitas Possibilidades…
7 curtidas
Rapaz, tô ansioso demais para essa integração.
7 curtidas