Olá pessoal! Bem vindos e bem vindas ao nosso curso de Inteligência Artificial para Predições e Vigilância em Saúde Ambiente. Meu nome é Alexandre e o grande prazer aqui é meu e de toda equipe aqui do Laboratório da Faculdade de Saúde Pública da USP de ministrarmos esse curso para vocês e conseguimos trazer aí um pouco do que tem sido feito na área de machine learning na área de artificial.
Então, hoje a primeira aula eu vou falar um pouco sobre fazer um pouco da descrição na área. O que é machine learning? Que é a inteligência artificial?
Quais são as áreas da inteligência artificial e de machine learning? E depois vou dar uma pincelada geral sobre o que a gente vai ver aqui ao longo do curso, que a gente vai tudo que que é que eu mostrei aqui? A gente vai ver com mais detalhes aí no futuro, aí nas próximas, nas próximas aulas, com a grande equipe que temos no laboratório.
Mas hoje é isso. Então hoje é uma definição. O que é machine learning?
Que é a inteligência artificial? Por que que machine linear e que hoje domina a inteligência artificial? Por que hoje é quase um sinônimo?
E como é que era antes dessa, dessa ascensão de machine learning? Definir as diferentes áreas de machine learning numa área que é um curso de predição de machine para predição? Então, muitos de vocês estão acostumados cada vez mais a ver inteligência artificial como a generativa.
A gente tem feito muitas coisas interessantes. Algoritmos generativos. Eu vou também definir um pouco o que que é uma magia generativa.
Ela tem feito coisas muito interessantes, mas é um resumo da literatura, um resumo do que já existe. A gente vai mostrar a possibilidade do uso de algoritmos de machine learning para descobrir coisas novas dos serviços de vocês, do dia a dia, da atenção à saúde no Brasil com dados brasileiros, com a realidade brasileira. Então, assim vai ser um curso bem intensivo, no sentido de que é muita coisa, mas também no sentido de que a vocês vão aprender muita coisa, porque tem muitas nuances, tem muitas coisas, vocês precisam aprender, mas não é algo difícil, particularmente difícil.
É só muita coisa e tem muito espaço. E a gente vai ver isso tudo ao longo desse curso, com a parte prática de rodar os códigos e vocês vão ver o que é o algoritmo aprendendo. Isso é uma coisa fascinante e vocês orientarão o aprendizado.
Esse algoritmo e começar a ver ele aprendendo a tomar decisões inteligentes, mais complexas. E então vai ter essa parte prática e vai ter a parte teórica que a parte teórica e definição na área, quais são? Organizar fios, a área, o que a gente faz com os dados, as perspectivas que vem por aí na área que a gente fizer o desafio, na ética, em Ah, então temos muita coisa aí para falar nesse curso, que vai ser o tema que vai dominar nos próximos anos.
Então a gente oficial machine learning, vai dominar o debate público nos próximos anos, principalmente na área da saúde, Na área da saúde. É interessante porque é uma área e a área que vai ser mais transformada por é a de todas. Tá, nenhuma área vai ser tão transformada.
Continuar. Mas ao mesmo tempo aqui, hoje ainda foi menos transformada. Tá, isso acontece porque?
Porque a área da saúde ela é muito consequente. Então nós não podemos errar na área da saúde. Então, o que tem acontecido hoje?
Os algoritmos estão transformando as áreas menos consequentes, que é o que é rede social, trânsito, às vezes uma pesquisa, sugestões de filmes, isso é muito pouco consequente. Então a inteligência artificial já domina todas essas áreas há muito tempo. Todas as decisões dessas áreas são tomadas por algoritmos lá na rede social.
E o que aparece para você na rede social é o algoritmo de machine learning está predizendo o que você quer ler e quem quer ter melhor amigo? Quais propagandas você recebe? É um algoritmo de Machine lane que prediz a tua rota de trânsito que basicamente define a rota de trás e o último dia Machine Lane, que sugere a eles e os filmes que vai assistir.
Então, nessas áreas menos consequentes, Machine já domina e eventualmente vai dominar também área da saúde para dominar, porque a gente não pode errar na área da saúde e tá tudo melhorando. Esse algoritmos cada dia está melhorando, cada vez temos mais dados para os algoritmos aprenderem a capacidade de processamento desses dados. A gente vai ver na sequência.
Está tudo melhorando. Então vamos colocar esse algoritmo na área da saúde. Quando tudo estiver pronto para com a qualidade necessária.
Então, por mais que a área não tenha sido ainda transformada, a área da saúde não ter sido ainda transformável, a inteligência artificial é uma certeza que vai ter uma certeza que nos próximos anos que a gente vai dominar o debate da área da saúde e vai auxiliar em decisões em todo momento do contato dos pacientes com o sistema de saúde, tá do primeiro contato até a alta, da triagem ao diagnóstico, tudo isso vai ser orientado, auxiliado por os algoritmos de machine lane preditivos, que é exatamente a gente vai ver ao longo desse curso e a preditiva para aprender com os dados reais de pacientes brasileiros e auxiliar em decisões, principalmente diagnóstico e prognóstico de pacientes. Então, me apresentando agora, meu nome é Alexandre, que é ligado filho. Sou professor aqui da Faculdade de Saúde Pública da USP, na área de machine learning.
Está nessa área há bastante tempo. Nós temos o nosso laboratório, que é laminar, que foi fundado 2017 e desde então trabalhamos exclusivamente com o desenvolvimento de algoritmos de machine learning para auxiliar em decisões de saúde. Mas sou editor chefe da revista Saúde Pública, então eu queria começar com uma notícia.
Foi muito importante para nós da área de machine learning no ano passado, que foram os Prêmios Nobel. No ano passado, tivemos obras de química e de Física. Aqui foram entregues.
O Prêmio Nobel de Física foi entregue para o dia Ferri, Então para que um grande pioneiro aí da área de machine learning e aprendizado de química, podemos errar, sabe? Sabes também um grande nome aí da área de Machine Lane. Por que isso foi importante para nós?
Machine Lane Porque eu costumo dizer que foi a terceira grande barreira que conseguimos superar a terceira e última grande barreira que conseguimos superar em relação ao uso disso algoritmos no dia a dia. A primeira barreira era eram as As empresas que já usam machine learning para auxiliar em decisões há muito tempo, há décadas está mais que dez anos. As médias e grandes empresas usam os algoritmos para quase tudo, para quase todas as decisões que essas grandes empresas fazem.
Então, barreira de de empresas já foi superada há muito tempo. A segunda barreira é as pessoas das pessoas aceitarem a qualidade de pessoas, entenderem o que está por trás, entenderem que os algoritmos conseguem de fato tomar decisões inteligentes desde novembro de 2022. Resumo Um acontecimento histórico muito importante foi a chegada desses grandes algoritmos de linguagem conversacionais que começou lá com o chat de PT.
Hoje temos muitos outros algoritmos de linguagem conversacionais, e as pessoas estão usando todos os dias e vão começar a usar muito mais e para mais coisas aí nos próximos meses, nos próximos anos. Então, essa foi a barreira das pessoas de hoje. As pessoas têm essa noção que estão usando o algoritmo inteligente oficial.
Antes de novembro de 2022, as pessoas usavam ele o dia inteiro, mas elas não tinham essa ideia de vou pedir uma ajuda aos algoritmos inteligência artificial. Elas simplesmente entraram no aplicativo e o aplicativo lá era tudo. Machine learning guiava as pessoas.
Era um uso meio indireto, Tá? Desde a chegada desse algoritmos conversacionais, as pessoas estão de fato pensando ah, vou pedir uma ajuda a inteligência artificial que está me ajudando. Tais tem aberto a mente das pessoas em relação a esse algoritmos de machine learning de inteligência artificial.
E a terceira barreira era da ciência tá aqui. Por mais que a gente goste de pensar que a ciência inovadora ciência tecnológica, na verdade a ciência é muito conservadora, está demorou muito tempo para a ciência aceitar nosso laboratório. Sofremos durante muito tempo os nossos artigos, a energia, a rejeitados por motivos espúrios, pareceristas que não entendiam, editores de revista científicas que não entendiam.
Então a gente sofreu durante muitos anos. Mas agora essa barreira, nós consideramos que essa barreira foi finalmente superada e os prêmios Nobel do ano passado é um grande sinal disso. Então o dia seguinte eu ganho porque ele inventou o e-book Propagação, que é uma técnica que ainda hoje é usada para o treinamento de redes neurais profundas e o já já pelo desenvolvimento do Alfa Fonte, que é um algoritmo de machine lane que prediz a estrutura das proteínas de predição, prediz a estrutura das proteínas a partir da sequência de aminoácidos a partir de uma sequência de aminoácidos.
E o algoritmo aprendeu que vai ser esse o formato, a estrutura da proteína. Isso indica qual vai ser a função dessa proteína Taito via sua formato. Isso afeta quais outras moléculas ela vai, Ela vai se ligar e eventualmente a sua a sua função.
Então, um dia o Alfa foi de novo o algoritmo de Machine Lane que levou à demissão. Sabe se que uma figura importante de machine learning a ganhar o Prêmio Nobel de Química. Então, para dizer isso que ultrapassamos aí a terceira e mais difícil barreira, que é a barreira da ciência.
Hoje a ciência aceita, machine learning, aceita e tem gente especial. Já passamos esse período difícil aí que tivemos na última década no laboratório. Então queria começar com uma reflexão antes a gente chegar e falar o que é machine learning?
Então a gente inicial, a começar com essa reflexão de por que tem, tem ocorrido esse avanço ainda, principalmente nos últimos cinco, dez anos na área de machine learning. Então a gente oficial em primeiro lugar, temos agora o Big Data na grande quantidade de dados que temos hoje na nossa vida inteira ela é digitalizada e cada vez mais sistema de saúde é totalmente digitalizado. Está até recentemente prontuários em papel era uma realidade no sistema de saúde brasileira.
Ainda são em alguns lugares, mas cada vez menos está cada vez mais O contato dos pacientes com o sistema de saúde é totalmente digitalizado, quase totalmente digitalizado. Essa coleta de dados é importante por esse algoritmo. A gente vai ver na sequência Machine Lane e aprendizado de regras a partir de exemplos.
Então precisamos que esses exemplos para os algoritmos aprenderem a tomar decisões inteligentes. Machine Lei não é magia. Machine learning não é milagre.
Aprendizado de dados virgem Então precisamos esses dados hoje, finalmente temos essa grande quantidade de dados. Segundo lugar, avanços computacionais hoje temos grandes empresas ao redor do mundo fazendo computador e chips Jeep uso otimizados para rodar algoritmos de machine learning inteligente, especial. Então os nosso algoritmos que levavam aí as vezes uma semana para aprender essas regras, a gente vai ver ao longo do curso que quer aprender e de fato tem aprendizado, tá?
A gente não é uma metáfora. Os algoritmos estão aprendendo mesmo a partir dos dados. Eles levavam uma semana pra apanhar as regras.
Agora, esses mesmos algoritmos, com esses mesmos dados, alguns minutos para aprender essas regras, para esse avanço aí na capacidade computacional. Em terceiro lugar, o próprio avanço técnico da área. Então, a medida que mais e mais pessoas entram na área de machine learning, a gente vai tendo inovações técnicas, novos algoritmos vão aparecendo, novas estratégias, novas técnicas de otimização e então o aprendizado vai ficando melhor.
Os algoritmos dos novos também. Então veja bem, três fatores O que é importante? Esses três fatores são três fatores que não vão parar de crescer.
Os três fatores que estão empurrando a área de inteligência artificial para cima são três fatores que só estão crescendo, crescendo e não vão parar de crescer. Então a gente não vai acordar amanhã e começar a coletar menos dados, Por exemplo. O Big Data vai continuar, aumentar, A gente não vai acordar amanhã, os computadores vão piorar, não vão.
Só vão ficar melhores e melhores. Vamos acordar amanhã e vai ter menos pessoa na área de machine learning. Vai ter mais e mais e mais.
Vai ter uns três fatores empurrando a área para cima. São três fatores que não vão parar de empurrar a área para cima, tá? Então eu costumo falar que vocês achem que ouvindo falar muito, hoje em dia a gente inicial não fala nada de inteligente especial em comparação ao que a gente vai falar daqui a um ano e daqui a um ano a gente não vai falar nada em comparação ao que a gente vai falar daqui a dois anos.
E por aí vai. Essa é uma área que vai crescer, crescer, crescer. Quais dos três fatores que estão empurrando a área são três fatores que vão continuar empurrando, que eles vão continuar crescendo.
Então vamos lá. O que seria machine learning? Por que hoje machine learning é um sinônimo de inteligência artificial?
Nem sempre foi assim. Intrapessoal. Como é que era a área de inteligência artificial antes da essa ascensão, dessa ascensão de machine learning na última década, Nos últimos 15 anos, como é que era a inteligência?
A área da inteligência facial eram máquinas, computadores, algoritmos, tomando decisões a partir de regras pré definidas por humanos. Como é que funcionava nesse período pré inteligência artificial? Esse período que a gente chama hoje?
Desculpa, esse período pré machine learning, esse período que a gente chama hoje de inteligência artificial clássica. O blue dot fecha, dá igual falha aguda, hold fecha. Daí a boa e velha inteligência artificial.
Como é que funcionava então? A gente pensar nessa área. Você ia lá inserir as regras no computador, inserir as regras no algoritmo, na máquina, computador, por exemplo.
Na área da saúde, se o paciente tem essas características, essas características, com esses sintomas, com essa idade tá total, Então possível diagnosticar isso. Tá aí. Eu conheci na época como Expert Systems, então se ela inseria todas essas regras e o conteúdo, eu segui essas regras que vocês seria nele, era o uso de regras pré definidas para tomar decisão.
Essa área que a gente chama hoje de inteligente, oficial clássica, por exemplo, né tradutores, né? Como é que era o Google Tradutor antes da ascensão de Machine Line, cujo de regra de gramática e dicionários, então você ia lá? Os pensadores seriam todas as regras de gramática de dicionário, o algoritmo ia lá e seguia essas regras pré definidas.
E era muito ruim. Vocês lembram como era o Google Tradutor? Até 2016 começou a ser Machine Lane em 2016.
Ele era muito ruim, que funcionava muito mal, fazia traduções literais. A frase terminava no meio, não funcionava bem também, e muitas outras coisas também, que era inteligência artificial, não funcionava bem. Tá?
De uns anos para cá a gente tem a ascensão de Machine. O que machine learning muda na inteligência artificial. Continuam sendo máquinas, computadores, algoritmos, tomando decisões inteligentes, mas a partir de regras aprendidas a partir dos dados.
Os algoritmos passam não mais a replicar as regras que recebem de humanos. Eles aprendem as regras. Então, nós não ensinamos mais os algoritmos a tomar decisões inteligentes.
Nós orientamos o aprendizado. Então nós é isso que a gente vai ver ao longo dessa disciplina, como é que a gente orienta da melhor forma para os algoritmos aprenderem a tomar uma decisão complexa, uma decisão difícil? E por que que isso?
Vamos pensar um pouco por que isso funciona também? Por que o aprendizado de regras via exemplos funciona melhor do que replicar regras pré definidas por mundo? A razão disso é que decisões inteligentes são complexas.
Decisões inteligentes não tem uma justificativa simplista. Não dá para explicar de uma forma simplista uma decisão complexa. Até aquelas decisões que para nós parecem simples.
Por exemplo, como é que você diferencia? Como é que a gente diferencia um cachorro de um gato? Você vê uma foto de um cachorro, Você sabe que é um cachorro, você vê uma foto de um gato, você sabe que é um gato.
Ninguém tem nenhuma dúvida ao redor do mundo. Quando olha para um cachorro, o cachorro olha para o gato. É um gato.
Nenhuma pessoa no mundo, em princípio, tem qualquer dúvida em relação a isso. Mas imaginem que vocês têm que criar regras para definir o que que é uma foto de um cachorro. O que é uma foto de um gato?
A gente começa a ter muita dificuldade em fazer isso. As pessoas pensar Ah, não, Claro que claro que eu consigo ter um gato e um gato porque tem orelha pontiaguda. Mas pera aí, tem muito cachorro com orelha pontiaguda.
Não ter um gato, um gato, porque tem bigode, tem muito cachorro, tem bigode. A gente começa a ter muita dificuldade de criar regras para diferenciar um cachorro de um gato. Mas o interessante que as regras são na nossa cabeça a gente sabe diferenciar um cachorro de um gato, então a gente tem as regras na cabeça.
A gente só não consegue explicar porque decisões inteligentes são complexas, decisões inteligentes não tem uma justificativa simplista por trás. Não é uma característica de inteligência artificial, não é uma característica do cérebro humano. É uma característica da decisão inteligente.
Então, a partir do momento que você não insere essas regras que a gente não sabe explicar, então a coisa mais básica da pessoa diferenciar um cachorro de um gato super simples parece que não é nada inteligente. É uma decisão inteligente que a gente não consegue explicar direito, mas a gente aprendeu bem, já que ninguém nasceu sabendo a diferença do cachorro gato. A gente sabe que a gente a gente aprende.
Aprendeu. Como, por exemplo, criando regras nessa cabeça, as regras estão aqui, está no cérebro. Então não consegue explicar porque são complexas.
Desde a inteligência. Então, por exemplo, andar de bicicleta, você pode receber as regras pré definidas, como andar de bicicleta por anos. Se nós estamos tendo aula todo dia, como anda toda a física por trás de andar de bicicleta?
Bota um pé, depois uma tábua, depois você pode ter aula para sempre das regras. Se não, vai aprendendo a bicicleta. Quando você aprende via exemplos, subindo a bicicleta, você cria regras.
Na tua cabeça complexa você não consegue explicar, mas você aprende a andar de bicicleta, tá? Esse aprendizado de regras via exemplo. Por isso que esse algoritmo.
É por isso que a gente tem tido a ascensão de inteligência artificial nos últimos anos, por causa de Machine Lane. Porque a machine funciona também, porque aprendizado de regras, de exemplos é muito mais poderoso do que a gente receber regras pré definidas. E hoje, com os dados, hoje, com a capacidade computacional, com os avanços técnicos, isso é possível.
Isso tem levado a ascensão da área de machine learning nos últimos anos. Então, era essa intuição que eu queria trazer para vocês sobre o que é Machine e como é que o Machine vem se inserirem da área de gente oficial. Como eu falei, é basicamente um sinônimo.
Está no nosso curso, vai ser de Machine Lane, todos os artigos, todos os resultados que vocês lerem sobre inteligência social 99 nove nove 9% de tudo que vocês virem de inteligente oficial e machine learning, então, aprendizado de regras de exemplo tá? Em vez de regras pré definidas, então, então, ao longo do que a gente vai fazer, então machine learning, predição. E aí é bastante essa, essa ideia por trás do curso.
Então, desenvolver algoritmos para problemas práticos de tomada de decisão tem aqui. A gente tem pouco interesse em interpretar os modelos para em dar uma explicação clara e propor os modelos. A gente vai que a gente vai ter uma aula disso.
Nós conseguimos explicar os modelos. Depois que a gente desenvolve os modelos, a gente consegue explicar assim, mas não é o nosso objetivo. Nosso objetivo é desenvolver algoritmos que aprendam as regras de decisão para o problema.
Então, depois a gente explica, vai facilitar. Ao contrário do que se diz por aí, de caixa preta, não sei quê. Aí hoje a gente tem um monte de técnica aí que explica a tomada de decisão desses algoritmos preditivos.
Então a gente brinca certinho até no detalhe, tá a gente a Por que esse algoritmo falou que esse paciente tem 93% de probabilidade de ter um infarto no próximo ano? Consigo falar lá foi 11% porque ele fuma 3%, porque ele era sedentário e por aí vai. Então a gente chega nesse nível de explicação, tá, então não tem isso de caixa preta para predição, não.
A caixa preta, o cérebro humano está. A gente não consegue verbalizar isso. Ah, eu acho que ele vai ter infarto por causa de 11%.
Se você não consegue e o algoritmo consegue. Tá, mas lembrando que o nosso objetivo aqui é acertar, tá? Eu quero saber se esse paciente aqui que eu vou dar alta para esse paciente, se ele vai se internar daqui a uma semana, por exemplo, está proibido de predição.
Então quero saber se esse paciente qual o diagnóstico desse paciente aqui. Quero saber se eu indicar uma intervenção desse medicamento para esse paciente problema vai ser resolvido? Qual a probabilidade de ser resolvido com esse medicamento e por aí vai.
Então são problemas de predição. Então vou dar uma predição. Então a gente já vai diferenciar um pouco de a generativa.
Então vamos lá, tem quatro. Então era essa, era essa a intuição que eu queria trazer aqui para vocês. Sobre o que que é inteligente, especial, que é machine learning, Tais aí precisa ficar bem claro na cabeça e ao longo desse curso vocês vão ter muitas desafios em diferenciar predição.
Tá que essa área que tá abrindo agora nessa investiu de certa forma tá. Mas historicamente a ciência até era até agora, recentemente, sempre foi 99%. Quase tudo o que a gente chama de inferência de problemas de inferência, ou seja, problemas de ah, quero ver o que está associado ao quê?
Ainda hoje 95% é isso. Então eu quero saber se a atividade física está associada à saúde cardiovascular. Tá?
Quero saber se ultraprocessados levam a aumento de risco de câncer, se é um problema de inferência que a gente chama associação de fatores, está machine learning e predição. A gente quer predizer ocorrência de um fenômeno. Então a gente vai martelar isso na cabeça de vocês.
Bastante, porque é natural que vocês estão começando agora com predição. Como vocês criaram a carreira de vocês científica a vida inteira, pensando que ciência é ver essa associação de fatores? É difícil desligar, tá difícil virar fichinha e começar a ver como sendo predição.
Tá, lembre não, não importa a associação de fatores é que eu quero predizer o começo de um. Não quero saber se esse paciente aqui tem essa doença. Quero saber se esse paciente que vai ter câncer em dez anos, quero saber se esse paciente que vai ser internado, se a alta pra ele ter então problemas de predição de novo ao longo do curso vai ser muito comum vocês terem essa dúvida.
Lembrem, tentem diferenciar bem claramente o que é o estudo de associação de fatores e de predição e se seu estudo está tentando ver associação. Se você na hora que forem explicar o estudo de vocês, vocês mencionarem alguma vez a associação, é porque não é o estudo de predição para predição. Não importa o que está associado ao desfecho, quer predizer ocorrência de notícias, por exemplo.
Quer saber se a gente tem convite que me importa? Porque se foi porque ontem estava numa feira, não importa. Quis dar um diagnóstico para esse paciente.
O prêmio de predição aqui é o paciente tá na minha frente. Como se pegou? Convide, não importa, tá?
Quero dar um de agora. Quero saber se eu coloco o paciente de quarentena, se eu eu indico algum medicamento específico de cor verde. Então é isso que eu quero saber aqui.
Um problema de predição teve um problema de alta hospitalar. Eu quero tomar a decisão se o motivo é paciente sob observação, tá, e por aí vai. A grande maioria dos problemas da área da saúde é difícil, pessoal, vocês virarem essa fichinha, Mas acredite em mim, a grande maioria dos problemas de saúde, a predição da grande maioria, é que a gente, historicamente fomos.
Sempre indicados, orientados a pensar que ciência é só associação de fatores. Estudos são super importantes. Estudiosos já são diferentes, muito importantes.
Tá, mas aqui predição também extremamente importante. Tem. Como falei na prática clínica, a maioria dos problemas são problemas de predição.
Tá?
