Um review muito informativo sobre algoritmos, inteligência artificial e computação aplicada a várias situações. O Sean Gerrish trabalha com isso no GoUm review muito informativo sobre algoritmos, inteligência artificial e computação aplicada a várias situações. O Sean Gerrish trabalha com isso no Google hoje em dia e vai pegando vários exemplos onde IA foi aplicada como algoritmos de recomendação, Deep Mind e o jogo de Go, o desenvolvimento de carros autônomos e outros para mostrar como isso é feito, computado e aplicado. Bem informativo, ótimos exemplos onde podemos ver a diferença que isso faz e bem acessível....more
Entre os melhores livros que li este ano. Sumpter escreveu este livro pós Weapons of Math Destruction, pós o escândalo da Cambridge Analytica e pós elEntre os melhores livros que li este ano. Sumpter escreveu este livro pós Weapons of Math Destruction, pós o escândalo da Cambridge Analytica e pós eleições do Trump. E faz uma análise bem crítica e atual (em 2018, pelo menos) do que algoritmos têm feito e do que empresas são realmente capazes.
Ele quebra a situação da Cambridge em dois pedaços, o que os donos dizem que eram capazes de fazer e o que podemos realmente fazer. E mostra que tem um exagero dos dois lados, do que prometem e realmente podiam fazer. E da preocupação que temos com este tipo de influência em especial, quando outros pontos são mais preocupantes.
Uma das discussões que mais gostei no livro é do antagonismo entre acurácia e viés/preconceito. Ele dá um exemplo que dominou a discussão de análises, um algoritmo para predição de reincidência de crimes que errava mais frequentemente dizendo que negros podiam voltar a cometer crimes, por ser calibrado para ser preciso. Para em seguida mostrar que, baseado nos dados disponíveis (maior reincidência entre negros), um algoritmo que não errasse dessa forma teria que discriminar entre negros e brancos na hora de fazer a avaliação. E seria menos preciso. Sumpter não deu uma resposta definitiva nem disse o que era o certo nessa questão, só mostrou que o cenário maior precisa ser levado em conta quando fazemos análises.
Outra discussão muito boa foi como alguns tipos de otimização podem criar desigualdades, mesmo sem má intenção por trás. O que cheguei a discutir no IGTV, inclusive. Por exemplo, se alguém otimizar uma propaganda de uma vaga de emprego no Facebook para atingir mais pessoas com um certo gosto (quem assiste Nerdologia, por exemplo), pode acabar apresentando essa propaganda predominantemente para homens. E se estiver otimizando para economizar impressões, isso inclusive pode ser reforçado. Mas a consequência não intencional é que mulheres nem terão a chance de tentar esse emprego porque não verão a vaga.
No fim, achei uma ótima mistura entre conhecimento do assunto e análises de alguém que não está financeiramente envolvido na performance desses programas. Vale para se atualizar sobre o que estamos passando....more
Um livro denso e bastante –às vezes reflexivo e vago demais– sobre o papel crescente dos algoritmos em nossa vida. Como as empresas estão migrando parUm livro denso e bastante –às vezes reflexivo e vago demais– sobre o papel crescente dos algoritmos em nossa vida. Como as empresas estão migrando para serem grandes algoritmos: de logística (Amazon, UPS), entendimento de dados (Google), conexão (Facebook), transporte e transação financeira (Uber), etc. Ed Finn discute de ponta a ponta a mudança que essa tecnologia está gerando, de como nós interpretamos o mundo para tornar os dados computáveis por algoritmos ao como nós mudamos por conta dos algoritmos e para interagir com eles.
Um livro bem denso que usa a inteligência artificial como contexto para explicar algoritmos. Passando pelos vários tipos de algoritmos de machine learUm livro bem denso que usa a inteligência artificial como contexto para explicar algoritmos. Passando pelos vários tipos de algoritmos de machine learning: conexionistas, bayesianos, evolutivos, simbolistas e analogistas.
Pesado, mas didático e bem humorado. Não recomendo para o público geral. Recomendo muito para quem já tem um background em matemática ou ciências em geral, ou quem realmente quer entender como funcionam os métodos de análise de big data atuais, porque depende de vários conceitos prévios. E recomendo especialmente para quem trabalha com bioinformática, pois achei a didática do autor sensacional para explicar métodos de análise como bayesiana, MCMC, cadeias de Markov, scale vector e afins. Talvez sirva para várias outras áreas com as quais não sou familiar. E mesmo para quem já tem um bom conhecimento na área, pode ser relevante, dado o tanto que o autor conhece, explica e relaciona.
Bastante atual, com vários exemplos interessantes e relevantes de companhias e problemas onde os algoritmos são aplicados. Além de um escopo muito maior do que só algoritmos, a discussão é bem situada no presente. E a discussão final sobre o que fazemos com nossos dados pessoais e como (possivelmente) lidar com a relação perda de privacidade/ganho de personalização é bastante sóbria e relevante. Me lembra um pouco a densidade e compreensão do autor do Superintelligence: Paths, Dangers, Strategies.
Só cansei de ler "cura do câncer" como o exemplo de objetivo.