IA Generativa vs IA Preditiva

Inteligência Artificial No Comments

A contribuição da IA ​​vem em duas formas principais: generativa e preditiva. No artigo a seguir, exploraremos as distinções entre IA generativa e preditiva, mostrando como cada tipo está moldando o futuro da resolução de problemas em vários campos.

IA generativa é um tipo de inteligência artificial que pode criar novas informações, como texto, imagens, música ou até mesmo vídeos, com base nos dados em que foi treinada. Em vez de apenas analisar ou processar informações existentes, ela gera novas ideias e resultados.

Imagine que você peça a um modelo de IA generativa como o ChatGPT para escrever uma história curta sobre um dragão e uma princesa. A IA usa o que sabe sobre narrativa, personagens e tramas para criar uma história completamente nova. Ela não apenas copia histórias existentes; ela combina ideias de maneiras criativas para gerar algo único.

Em uma aplicação prática, a IA generativa pode ser usada na arte. Por exemplo, um modelo de IA pode se inspirar em milhares de pinturas e criar uma obra de arte totalmente nova que nunca foi vista antes, misturando estilos e técnicas de maneiras inovadoras.

IA Preditiva

IA preditiva se refere à tecnologia que usa dados, algoritmos e aprendizado de máquina para prever resultados futuros com base em dados históricos. Ela analisa padrões e tendências para fazer suposições fundamentadas sobre o que pode acontecer a seguir.

Por exemplo, imagine uma loja que quer saber quantos sorvetes estocar para o verão. A loja analisa dados de vendas de verões anteriores, incluindo fatores como temperatura, eventos locais e promoções. Usando IA preditiva, a loja analisa esses dados para encontrar padrões, como como dias quentes levam a mais vendas de sorvete.

A IA prevê que em dias em que a temperatura estiver acima de 30°C, as vendas de sorvete aumentarão em 50%. Com base nessa previsão, a loja decide estocar mais sorvete em dias ensolarados, garantindo que eles tenham o suficiente para os clientes sem estocar demais.

Embora ambos os tipos de IA sejam poderosos, eles atendem a propósitos diferentes. Vamos entender as principais diferenças.

IA preditiva – vantagens

Enquanto a IA generativa atrai atenção por seus novos recursos na criação de conteúdo, a IA preditiva continua sendo uma ferramenta poderosa para melhorar a eficiência operacional e gerar economias substanciais de custos em processos de negócios estabelecidos.

Maiores retornos sobre o investimento

A IA preditiva aprimora as operações existentes, levando a melhorias significativas de eficiência. Por exemplo, a UPS, empresa de serviços globais de remessa e logística, economiza US$ 35 milhões anualmente ao otimizar rotas de entrega, enquanto os bancos podem economizar milhões ao prever com precisão transações fraudulentas. Essa tecnologia tem um histórico comprovado de entrega de altos retornos por meio de processos sistemáticos que as empresas já estabeleceram.

Operação Autônoma

A IA preditiva geralmente funciona sem intervenção humana, tomando decisões instantâneas com base na análise de dados. Por exemplo, ela pode aprovar automaticamente transações de cartão de crédito ou otimizar posicionamentos de anúncios em sites. Em contraste, a IA generativa geralmente requer supervisão humana, pois suas saídas precisam ser revisadas quanto à precisão e qualidade, tornando-a menos adequada para tarefas totalmente automatizadas.

Custo-efetividade e eficiência

Os modelos de IA preditiva são tipicamente muito mais leves e menos intensivos em recursos em comparação aos modelos complexos usados ​​em IA generativa. Enquanto os modelos generativos podem consistir em centenas de bilhões de parâmetros e exigir dados extensos para treinamento, os modelos preditivos geralmente precisam de apenas alguns milhares de parâmetros, tornando-os mais fáceis e baratos de implantar.

A IA generativa substituirá a IA preditiva?

A IA generativa e a IA preditiva atendem a propósitos e funções diferentes, fazendo com que uma não seja uma substituição direta da outra. Embora a IA generativa possa aprimorar modelos preditivos (por exemplo, gerando cenários ou simulações com base em previsões), ela não pode substituir totalmente as capacidades analíticas da IA ​​preditiva. Cada uma tem seus pontos fortes e aplicações, e elas podem se complementar em vários campos, mas não são intercambiáveis.

O que reserva o futuro?

O futuro está em investir corretamente para alavancar a parceria entre IA preditiva e generativa. A IA generativa se destaca na criação de conteúdo e soluções inovadoras, enquanto a IA preditiva se concentra na previsão de tendências e otimização de decisões. Juntas, elas aprimoram as operações comerciais, levando a valor mensurável e ROI aprimorado.

Por exemplo, na área da saúde, a IA preditiva prevê resultados de pacientes, permitindo intervenções oportunas, enquanto a IA generativa pode ajudar a criar planos de tratamento personalizados. Em finanças, a IA preditiva analisa dados de mercado para aprimorar estratégias de negociação, enquanto a IA generativa pode auxiliar na simulação de vários cenários de investimento.

Essa sinergia entre IA generativa e preditiva não apenas simplifica processos e aumenta a lucratividade, mas também promove o engajamento do cliente por meio de experiências personalizadas. As empresas que aproveitam os pontos fortes de ambas as tecnologias podem impulsionar eficiências operacionais, responder às necessidades do mercado rapidamente e manter uma vantagem competitiva.

No cenário em evolução da IA, a integração estratégica de capacidades generativas e preditivas é a chave para desbloquear todo o seu potencial, garantindo que as empresas obtenham retornos imediatos enquanto se preparam para um futuro definido pela inovação da IA.

Curso Python 3 – Udemy

Python No Comments

Este post documenta comandos e fontes do curso da Udemy – Curso de Python 3 do básico ao avançado

Install Python

sudo apt update -y
sudo apt upgrade -y
sudo apt install git curl build-essential -y
sudo apt install gcc make default-libmysqlclient-dev libssl-dev -y
sudo apt install python3.10-full python3.10-dev -y

Ativar ambiente virtual

  1. Criar um diretório – ex: /opt/projetos-python/
  2. $ python3 -m venv .venv
  3. $ source .venv/bin/activate
  4. Para desativar $ deactivate
  5. $ wich python (demonstra qual ambiente está rodando)
  6. $ pip install pymysql (instala as libs do MySQL)
  7. $ pip install requests
  8. $ pip install –upgrade pip
  9. $ python -m pip install pip –upgrade (para atualizar o pip)
  10. Para remover o ambiente, basta apagar a pasta (neste caso .venv)

Fontes

https://gist.github.com/luizomf/8623264cbf69cd2619bcdee258628f41

https://gist.github.com/luizomf/688c8a48fe007829c120818138ac2317

Documentação do Python: Ex: https://docs.python.org/3.13/library/string.html

 

API Canônica

API No Comments

Uma API canônica é uma interface de programação de aplicação (API) projetada para ser a representação oficial, ou “fonte única da verdade”, de um sistema ou domínio. O conceito de canônica refere-se a algo que segue um padrão autorizado ou é a forma mais pura e completa de algo.

No contexto de APIs, isso significa que a API canônica é a interface principal, geralmente abstrata e agnóstica à tecnologia, que expõe o modelo de domínio de maneira consistente e clara para consumo por diferentes partes do sistema ou por sistemas externos.

Características principais de uma API canônica:

  1. Consistência:
    Uma API canônica garante que diferentes consumidores (módulos internos, sistemas externos, etc.) acessem as mesmas regras e dados de forma consistente, sem variações ou duplicações em diferentes partes do sistema.
  2. Independência de implementação:
    Ela é projetada para ser neutra em relação a detalhes de implementação. Ou seja, ela descreve a interação com o sistema de maneira lógica e orientada ao domínio, sem expor detalhes técnicos ou internos, como infraestruturas ou frameworks específicos.
  3. Modelagem orientada ao domínio (DDD):
    APIs canônicas geralmente são construídas com base em modelos de domínio bem definidos, conforme os princípios de Domain-Driven Design. Cada endpoint ou operação exposta pela API reflete as operações de negócio reais, em vez de operações puramente técnicas.
  4. Contrato Estável:
    A API canônica geralmente apresenta um contrato estável e bem-definido, o que significa que ela pode evoluir sem quebrar a compatibilidade com os consumidores existentes. Isso permite atualizações e mudanças no sistema subjacente sem afetar diretamente os clientes que consomem essa API.
  5. Facilidade de integração:
    APIs canônicas padronizam a interface entre sistemas, facilitando a integração de novos componentes ou serviços. A interoperabilidade é simplificada, pois a API segue uma estrutura que pode ser consumida por diferentes tipos de clientes, como front-ends, back-ends ou terceiros.
  6. Unificação dos dados e regras de negócio:
    A API canônica centraliza e unifica o acesso aos dados e às regras de negócio, o que evita redundâncias e inconsistências. Isso garante que todos os consumidores obtenham a mesma visão e apliquem as mesmas regras de maneira padronizada.

Exemplo prático:

Em um sistema de e-commerce com um domínio que inclui clientes, pedidos e produtos, uma API canônica exporia operações que permitem a criação de pedidos, consulta de produtos, gerenciamento de clientes, etc., de forma que todos os serviços relacionados interajam com esses dados e regras de uma maneira consistente.

  • Operações do domínio:
    • Criar um pedido (/orders/create)
    • Consultar um produto (/products/{id})
    • Gerenciar clientes (/customers/{id}/update)

Benefícios de usar uma API canônica:

  • Reduz complexidade e duplicidade: Uma API canônica elimina a necessidade de várias APIs especializadas ou duplicadas para diferentes sistemas, centralizando as operações.
  • Facilita manutenção e evolução: Com um contrato estável e bem definido, a API pode ser evoluída sem grandes impactos para os consumidores.
  • Melhor modelagem de negócio: Reflete com precisão os processos de negócio e o modelo de domínio, melhorando a clareza e a robustez do sistema.

Essencialmente, a API canônica é um ponto de acesso estruturado e padronizado para todo o domínio de um sistema, garantindo consistência e governança.

Placa de som Ubuntu 24.04

Linux No Comments

Este procedimento resolve o problema de placa de som não ser reconhecida, típico problema “Saída Fictícia”.

Você precisa adicionar essas duas linhas no final de /etc/modprobe.d/alsa-base.conf

opções snd-hda-intel model=auto
blacklist snd_soc_avs

É exatamente isso que ele está fazendo:

opções snd-hda-intel model=auto:

Esta linha configura o comportamento do driver snd-hda-intel, responsável por manipular áudio de alta definição (geralmente associado a placas de som Intel) no Linux.

A opção model=auto permite que o driver detecte automaticamente o codec de áudio usado pelo seu hardware e selecione as configurações de modelo apropriadas para ele. Isso é útil quando a configuração padrão não se alinha perfeitamente com os recursos do hardware, potencialmente resolvendo problemas em que certas funcionalidades de alto-falante ou microfone não são reconhecidas corretamente.

lista negra snd_soc_avs:

Esta linha impede que o módulo snd_soc_avs seja carregado pelo kernel Linux. snd_soc_avs significa Sound Open Firmware Audio DSP para plataformas Intel com sincronização de áudio e vídeo, que pode fazer parte do tratamento de som em sistemas Intel modernos.

Ao colocar este módulo na lista negra, você evita que ele interfira com o driver principal snd-hda-intel. Parece que, no seu caso, snd_soc_avs estava causando conflitos ou não era totalmente compatível com sua configuração de áudio específica, levando aos problemas que você estava enfrentando. Ao impedi-lo de carregar, você permite que o sistema dependa de outros módulos, talvez mais compatíveis, para lidar com o processamento de áudio.

Fonte: https://askubuntu.com/questions/1511648/audio-not-working-ubuntu-24-04