r 26sep2024

E aí tudo joia seja muito bem-vindo a mais um tutorial de Inteligência Artificial aqui no canal ciência dos dados Meu nome é Eduardo Rocha para quem não me conhece e o meu grande objetivo é compartilhar soluções de Inteligência Artificial aqui com você e no vídeo de hoje é o conteúdo mais cabuloso do ano que eu vou trazer para você é o mais cabuloso é incrível que você vai aprender aqui nesse tutorial de Inteligência Artificial hoje nós vamos criar uma solução com agentes de ia que respondem em cima de uma base de dados por meio de

prompts Então nesse tutorial você vai aprender banco de dados vetoriais Pine conon você vai aprender a trabalhar com bibliotecas de Inteligência Artificial que faz a interligação entre o pinecone que é esse banco de dados dos llms Mas é claro os llms nesse vídeo eu vou deixar aqui uma estrutura pronta para você você visualizar que a gente pode trabalhar com quaisquer llms seja grock seja da Meta seja do Google seja do seja da própria Open ai inclusive no de hoje a gente vai trabalhar com o da Open ai e além de usar eu vou mostrar para

você uma estimativa do custo que a gente tem aqui em cada um dos prompts que a gente vai utilizar Então olha a sacada do vídeo de hoje nós temos eu vou até tentar trabalhar essa estrutura aqui para você de uma forma que você veja o quão cabuloso é isso aqui que a gente vai desenvolver hoje eu tenho para mim que essa solução é uma solução que pouquíssimas empresas implementam ainda que sejam empresas que utilizam Inteligência Artificial né de forma avançada e ag generativa pouquíssimas empresas usam o que você vai aprender fazer aqui hoje nesse tutorial

gratuito tá ligado então ó presta bastante atenção vamos lá cara que que a gente vai fazer olha só hoje eu quero apresentar para você uma biblioteca conhecida como Bambu beleza Bambu é Bambu ai é uma biblioteca Então tá aqui o repositório do github dessa parada vou deixar aqui na descrição desse vídeo também e antes de mais nada essa solução ela faz uma interligação entre o llm e os bancos de dados vetoriais ou seja essa biblioteca ela vai fazer o trabalho entre trabalhar a nossa fonte de dados que nesse caso caso que a gente já vai

conhecer essa fonte de dados e o banco de dados vetorial que alimenta o llm ou seja o modelo a inteligência para responder ali a quaisquer queries né quaisquer solicitações que a gente faça ali por meio de prompt e uma coisa que é bem interessante esse prompt a gente vai fazer simplesmente com texto caixa textual Então você vai ver que a gente vai entrar aqui e vai pedir assim pro nosso agente ah construa para mim uma solução cria para mim um modelo né uma uma máquina preditiva um modelo preditivo utilizando um algoritmo e light gbm E

cria para mim uma Estimativa de uma variável tal print para mim a os mapas eh um cluster map enfim o que você pedir os agentes que estão ali dentro dessa biblioteca vai fazer todo o trabalho que talvez um analista de dados e um cientista de dados e um pesquisador n façam ah essa própria Inteligência Artificial vai assumir esse papel aqui de pesquisador cientista de dados analista de dados enfim vai fazer tudo isso simplesmente por meio da query estamo junto então vamos lá que eu vou te apresentar essa parada ah a biblioteca Bambu ai presta atenção

nessa parada aqui que você vai aprender tá bom a Bambu ai é uma biblioteca bem recente uma biblioteca muito nova uma biblioteca muito cabulosa então então ó ela é uma ferramenta Fácil de usar e ela é projetada para tornar a análise de dados mais acessível para Não programadores claro a gente vai escrever o prompt né então ó a gente vai utilizar o poder dos llms e o bamboli ele compreende as perguntas sobre um conjunto de dados né e ele gera automaticamente o código Python apropriado para análise e pra plotagem E aí os usuários eles obtêm

sites né né que são valiosos decorrente desse trabalho que ele vai fazer então ó com o bambo ai a gente vai inserir o conjunto de dados ou seja a gente vai e colocar a nossa conexão de dados independente do que seja Tá bom a gente pode colocar um banco de dados a gente pode colocar um arquivo a gente pode colocar o que a gente quiser porque a gente vai fazer uma conexão com o banco de dados vetorial Então a gente vai pegar o banco de dados vetorial o llm vai aprender com esses dados e vai

armazenar no banco de dados vetorial por quê Porque aí depois ele consegue responder as perguntas porque ele aprendeu com com o banco de de dados vetorial né ele pegou os dados armazenou guardou no banco de dados vetorial E aí ele vai poder responder com a inteligência de um llm eu já vou mostrar aqui embaixo para você o fluxograma né o workflow dessa parada porque por hora parece um pouco complexo né e devidamente tem um processo que não é tão trivial de entender mas que eu tenho certeza que com com um pouquinho aí de de abstração

você vai conseguir entender essa parada tá bom ah então ó de forma antes de você most antes de eu tentar explicar esse diagrama que ele é um pouco mais complexo deixa eu até aumentar a visualização aqui ó eu eu vou usar a ferramenta chamada scalid ral e a própria ferramenta scalid ral ela permite a gente fazer aqui algumas diagramações né mas eu quero mostrar essa ferramenta aqui para você ó a gente pode usar ia para criar esse fluxograma né então tudo tem ia né então vamos lá vou criar um fluxograma com ia text to diagram

então o que que eu vou fazer ó ó eu pedi para ele um fluxograma onde eu relaciono o input de dados mais agentes de ia mais o banco de dados vetorial mais o llm igual a aplicação de ia que a gente vai criar aqui beleza a gente vai fazer tudo isso nesse vídeo aqui presta atenção nessa parada então Ó vou clicar em gerar vou pedir para ele gerar essa essa esse fluxograma Então tá aqui gerou deixa eu ver se tá legal beleza vamos vamos usar esse esse esse fluxograma aqui então olha só que que que

que esse cara fez né Deixa eu selecionar tudo aqui vou te mostrar nós vamos colocar né a gente vai colocar o os dados ah seja do banco de dados do arquivo seja de onde for nós vamos colocar ele numa estrutura de dados onde a biblioteca esse agentes de ia aqui né eu coloquei mais agentes de ia ele deixou mais agentes de ia né mas os agentes de ia que estão dentro dessa biblioteca chamada Bambu Bambu Eh esses agentes eles vão fazer o trabalho de responder né de responder os pedidos do llm então o llm vai

falar cara agentes eu preciso que vocês façam isso só que como que o os agentes vão fazer né o llm vai pedir os agentes vão fazer o trabalho só que o banco de dados vetorial ele vai receber os dados que estão aqui e vão armazenar de forma na forma de Vetor por quê Porque isso é o insumo de um llm é a forma vetorial é a forma onde o llm consegue trabalhar ali a sua estrutura de dados de uma forma mais simples e aí é claro eu tô Resumindo essa parada para tornar um pouco mais

palatável aí entendível coisas que são mais complexas A lógica é o llm Conversa melhor com o banco de dados vetorial então eu tenho que trabalhar os meus dados que vão est numa estrutura tabular como você vai ver daqui a pouco em uma fonte de dados vetorial para que o llm consiga fazer perguntas para os agentes né o próprio modelo faça perguntas ali para os agentes né Cada modelo tem a sua própria interpretação né o GPT qu Omni que é o que a gente vai usar ele tem o pesquisador tem um analista tem enfim e e

o cientista de dados para que eles consigam trabalhar de forma paralela e respondam aqui a query que é o prompt que a gente vai colocar na nossa aplicação final Beleza então de forma resumida é isso que a gente vai fazer aqui tem um fluxograma um pouco mais complexo E aí depois eu vou voltar nesse fluxograma no final porque aí você já vai ter visto o processo né todo o trabalho funcionando aí vai ficar mais fácil de entender tá bom depois que você vê o processo aí as coisas ficam mais fáceis mais fáceis de entender então

vou passar direto desse cara bem que que a gente precisa fazer nesse processo aqui então a gente precisa instalar uma série de dependências aqui que são importantes Tá bom então ó são todas bibl a própria biblioteca Bambu Ai que é a biblioteca que tem esses agentes que vão fazer análise e a ciência de dados pra gente de forma automatizada ah algumas bibliotecas tradicionais como plotly e por aí vai eu trouxe uma série de bibliotecas aqui para que você possa fazer bastantes testes Tá bom mas a biblioteca principal principal bumo ai Tá bom a gente vai

trabalhar aqui com uma estrutura onde a gente vai precisar de algumas apis né então por exemplo a a estrutura de pensar ela advém dos llms mas a web eu tô sempre trazendo para você forma de criar agentes que são informados né não é os o agente que tem um conhecimento que fica no passado né como alguns llms eu quero que você use o llm que ele ainda tem um conhecimento atual Para quê Para que você tenha mais poder aí ah na hora de construir agentes de ia Então a gente vai utilizar por exemplo ah a

gente vai trabalhar aqui com o o serper né então a gente vai trabalhar com a api que faz ali a a busca da informação na web para o nosso llm Então a gente vai trabalhar com o serper Ah é fácil e simples de se fazer API de se fazer uma apiq Tá bom então serper PDV você cria uma apiq de forma simples o serper é um api que faz o o meio de campo entre o llm e o Google Search tá bom ele é autorizado pelo Google como mecanismo de search e a gente vai utilizar

ele para a nossa ia ficar informada Beleza a gente vai utilizar o pinecone que é o banco de dados vetorial então eu vou abrir aqui para você o pinecone é o console do pinecone para que você visualize aqui um pouco né a gente tá falando de banco de dados então o banco de dados ele tem uma estrutura onde a gente armazena ali a O que vem a ser as tabelas né porque como a gente tá falando de um banco de dados vetorial a gente não tá falando de tabela né a gente tá falando de uma

estrutura diferente de um de um banco de dados tradicional como post E por aí vai né então a gente tem aqui onde a gente busca as apis Tá bom então eu criei uma API Então são essas duas apis que a gente vai trabalhar aqui a do pinecone a do serper e é óbvio a do do da Open ai pra gente trabalhar com o GPT 4 Omni tudo bem Um dos modelos mais novos aí não é o mais novo mas é um dos modelos mais novos aí beleza então Ó que que a gente vai estar fazendo

aqui aqui a gente vai est simplesmente carregando as nossas variáveis as nossas dependências né que são ah eu vou instalar né Esqueci de instalar aqui anteriormente Então a gente vai instalar essas bibliotecas e depois a gente vai eh habilitar Aqui as nossas as nossas Keys Tá bom então o processo de instalação bem tradicional Beleza você vê que ele pede para reiniciar né A a sessão depois que faz a instalação né Ele fala aqui ó você deve reinstalar você só dar o sim ali eu vou vou dar um limpar aqui nessa célula beleza ótimo agora que

que a gente vai fazer a gente vai setar a nossa a nossa chave da Open ai Tá bom então eu vou setar Open a aqui então o que que eu vou fazer ó eu deixei aqui o exemplo para você e instalar qualquer llm seja grock seja tropic seja o que for tá bom nesse caso aqui o que a gente vai fazer é trabalhar com Open ai ke Tá bom então eu vou trabalhar com Open ai Key vou colocar a chave aqui você não faça isso aí no no dia a dia Trabalhe com variável de ambiente

e tal meu objetivo aqui é mostrar uma coisa completamente distinta Então cara eu não quero nem que você se preocupe com essa parada não tá bom eh eu só preciso fazer essa chave funcionar pro projeto rodar né então Eh consegui agora a Open tá tá Chun chando aqui agora o que que a gente vai fazer Vai importar o pandas pra gente trabalhar o nosso o nosso com o nosso dataset em memória né então o que eu vou fazer aqui é vou me conectar com o banco de dados que tá aí numa nuvem qualquer eu acho

que tá no github eu não lembro exatamente onde eu coloquei mas a gente vai pegar um dataset que vai tá em memória e eu vou armazenar ele ah numa estrutura no banco de dados eh vetorial para que eu consiga fazer com que o llm busque itere em cima desses dados e responda ali o a o prompt que a gente quer fazer tá Tá bom então ó nesse caso aqui eu importei o bumble Lib E aí dentro do bumble Lib eu tenho uma um parâmetro de configuração para dizer qual é o modelo que eu quero usar

então Ó eu tenho uma variável aqui chamado llm config Eu só preciso mexer nela para dizer ali Qual qual é o modelo que eu quero trabalhar aqui com os meus agentes então por exemplo eu tenho um agente chamado Expert selector tá bom esse agente aqui a gente vai voltar na figura lá em cima e aí você vai ver que é só mais um dos experts dos agentes que tem dentro da bamboli que vão fazer o trabalho do analista de dados do cientista de dados eh por meio do prompt Tá bom então Ó tem o expert

selector Quem é esse cara vai ser o GPT 4 Omni tá bom é o GPT 4 Omni aqui e aí tem outras configurações que tem aqui dentro tá bom eu coloco aqui o máximo de tokens a temperatura que eu quero né aquela coisa da da abstração dele ser muito grande ser muito pequena então aqui eu não tô usando abstração nenhuma né tô deixando zero para ele ser o Car né na veia aí eu tenho o analista né então Ó o outro agente aqui é um analista quem é É o modelo GPT 4 também Quantos tokens

Aqui o máxximo tal temperatura tal por aí vai aí o outro quem é Aqui é o teorista então Ó tem o cara que cuida da teoria aí que mais e aí a gente vai alimentando todos os agentes que tem dentro do bamboli né do do bamboli não do bambu do bambu ai aí ó tem um mais um que é o planner Só lembrando você vai ver todos esses agentes lá tô dando o GPT T4 para praticamente todos os agentes que existem Beleza ó tem o gerador de código tem o o debug ador de código lá

na figura você vai ver que tem toda a estrutura explicando direitinho Só Quero mostrar para você que a gente consegue calibrar cada llm e cada perfil de agente com o llm que a gente quiser tá bom aqui ele D ele dá sugestão de você usar o Lhama 3 de você usar qualquer um tá bom Aqui é completamente configurável ótimo dado que a gente configure essa essa variável de ambiente agora a gente vai trabalhar com a estrutura da com a estrutura do banco de dados vetorial por quê Porque aí a gente vai imputar os dados daqui

a pouco para transformar eles em vetores né em badging que a gente chama para o llm começar a eh responder em cima desses dados no formato aqui próprio pro llm Fechou então ó a gente precisa do pancon do serper né que é é opcional aqui também mas são duas duas duas apis que a gente vai certeza vai vai trabalhar aqui ó deixa eu habilitar esse cara aqui ó ele tá dizendo que tá deu false né as duas estão aqui mas ele deu ele deu false eu não sei por deve ter dado algum bug aqui eu

não sei o que que é mas que que eu vou fazer eu vou simplesmente pegar essa pegar essa essa variável e vou armazenar elas aqui no e vou armazenar elas aqui do mesmo jeito que eu fiz a a da openi aqui tá bom então Ó que que eu fiz eu coloquei simplesmente assim e aí eu vou colocar elas aqui também para não dar ruim tá bom mas tem como você fazer isso aqui meu objetivo não é você não é fazer você ficar colocando a e chave de api né Afinal de contas isso aqui é um

parâmetro que eu não sei o que que tá dando ruim aqui mas eu vou simplesmente rodar é na força bruta aqui tá bom pinecone Aqui vou copiar aqui a minha chave do pinecone depois eu vou apagar essa parada aqui é claro e aí você vai poder usar da maneira que você preferir vou fazer um outro código aqui e aí vou usar do serper Vamos colocar a chave do serper aqui e aí agora vou pegar a chave do serper e vou colocar aqui a chave do ser pronto então a gente já tá aqui com as nossas

apys praticamente trabalhadas aqui aqui beleza agora que que a gente que que a gente vai fazer aqui bem eu vou eu vou vou tentar passar aqui de uma forma um pouco mais de boa mas o que eu vou estar fazendo aqui é eu vou buscar né o o a chave do Pine conone E aí ao trabalhar com Pine conone que que é o pinecone nada mais é do que um banco de dados e a gente vai escolher ali né quando a gente cria aqui ele salva essa essa Instância pra gente em um local Beleza então

ó a gente tá com um armazenamento aqui a gente tá com armazenamento aqui que tá lá na WS ó se você for olhar aqui e esse essa instanci zinha aqui ó ela tá ativa ela tá na WS ela tá nessa região aqui tá bom tudo free beleza estamos usando aqui aqui de forma free é só uma forma que ele mostra que ele transforma os dados vetoriais aqui pra gente depois tem como passar pro pro valor pago É claro quando você faz um trabalho maior dentro da empresa né E aí é claro é aquele trabalho de

escala para você que tá tentando entender como é que funciona agora Cara isso aqui é fantástico você vai mostrar pra sua empresa depois quando isso aí for for uma estrutura um pouco maior Se necessário aqui é só para você entender como é que é a lógica de um banco de dados vetorial por quê Porque aí eu vou ah vou buscar né primeiro eu vou acessar esse banco de dados vetorial vou criar um índice criar um índice é tipo pensa em criar uma tabela dentro do banco de dados então ó eu vou criar esse índice que

tá lá ó ó do jeito que tá aqui ó tem um kickstart tá vendo eu vou iniciar um índice lá então Ó esse código aqui tá criando como se tivesse criando uma tabela lá beleza essa tabela ela tá sendo armazenada e eu só preciso dizer aqui dentro Qual é a a Cloud né a WS que a gente tá usando a região é essa região E aí ele vai mostrar pra gente se o índice foi criado de forma correta ou não você vai ver aqui ó que ele ele tá dizendo para mim que esse índice já

existe porque eu rodei essa parada aqui já para criar esse tutorial aqui para você então Ó eu já tenho esse índice criado tudo bem quando você vai rodar pela primeira vez você vai ver que vai dar a mensagem ó índice criado e tá tudo bem porque se você for olhar aqui no no no no pinecone já tá aqui ó o índice já tá já tá criado aqui beleza a gente já tem esse índice aqui que eu tô chamando de kickstart né que é esse aqui ó o Kick start tá aqui tudo bem que é o

que a gente vai trabalhar agora a gente já tem o banco de dados vetorial a gente já tem ali conexão com a web eu já tenho conexão com llm Agora eu tenho que pegar os dados que eu vou utilizar para armazenar toda essa parada aqui né então para para usar toda essa estrutura de ia para fazer perguntas eu vou mostrar para você aqui o que que é eu vou pegar essa essa essa base de dados aqui ó é uma base de dados Ah que tá onde é github é que tá no github Se você olhar

aí o link né github user content E aí eu vou colocar aqui ó só para você visualizar aqui na web Tá bom vou colar aqui você vai visualizar a uma tabela uma tabela normal ó tem ó o id o id do Atleta ou seja um banco de dados de de atleta né atividade o tempo Latitude Longitude velocidade desse cara elevação taxa cardíaca Cadência força temperatura eh E por aí vai tá bom então são dados de atletas Beleza então que que eu vou fazer eu vou colocar agora é tá aqui os dados né eu carreguei os

dados eu vou colocar agora o bamboli Ah para que o bamb bamboli não o bambu ai para que o bambu ai eh armazene esses dados numa estrutura vetorial para que depois eu possa usar o prompt e fazer pergunta em cima desses dados entendeu Como é que vai funcionar essa parada então Ó eu tenho alguns parâmetros dentro do bambu né instanciar Bambu é eu tenho eu vou falar para ele Qual é o dado né então ó vamos lá aqui embaixo para eu já te mostrar aqui em cima tá cada um dos parâmetros que a gente tá

usando então Ó o bambu a Instância que a gente vai utilizar e tem o dataset Aqui tá o dataset eu tenho a parâmetros de de diversos aqui dentro Eu trouxe alguns só né eu tenho eu posso fazer um debug eu posso fazer algumas alterações na forma do banco de dados vetorial eh eu tenho uma um parâmetro de exploração eu tenho um parâmetro de busca na web para alimentar ali mais alguma coisa então tudo isso aqui são features que a gente tem aqui dentro então Ó eu tenho lá por exemplo ó o data o o DF

que que é o DF é o dataframe né ele vai obter os dados na internet né se o DF não foi fornecido então por isso que a gente usa a Open aiq né então por exemplo eu tô colocando os dados do meu banco de dados mas e se não tivesse ele vai na web e tenta trazer as informações para você para você sacar o tanto que isso aqui é cabuloso né então ótimo Ah o número máximo de pares de conversação né então e eh eh você tá mantendo o contexto histórico né a inteligência do Agente

né então você mantém o contexto você coloca aqui o número máximo de conversas né tem um padrão que é é quatro então ele meio que mantém esse padrão aqui para ir respondendo as perguntas Ah aqui se o o o o esse esse parâmetro aqui exploratório for true o que que ele vai fazer ó ele o llm vai avaliar a pergunta do usuário vai criar uma lista de tarefas vai descrever essas tarefas em etapas E aí ele vai enviar pro llm E aí ele envia para llm por meio de um prompt E aí essa abordagem ela

ele caracteriza aqui como uma abordagem que é eficaz paraa maioria dos prompts do usuário né e e é uma Fer é um dos parâmetros que a gente tem aqui o debug igual a true ele também tem aqui algumas caracterizações o search né então ele é é é exatamente se for igual a true ele muda a pesquisa pro Google se não tiver uma resposta também que seja disponível ou ou satisfatória ele vai na internet então para você ver né a sa aqui os caras desenvolvem alguns pacotes que já tem muita coisa né E aí o banco

de dados vetorial E por aí vai olha que que tem uma uma mensagem importante aqui ó é recomendado que você use uma ferramenta como GPT 4 né porque ela oferece um desempenho superior Beleza então pode usar qualquer um mas ele traz aqui uma uma sacada aqui já pra gente eu vou instanciar a partir desse momento aqui instancie agora que que a gente vai fazer agora a gente vai a gente vai pro prompt aqui eu só fiz um teste para saber se a openi tá tava carregada mas então vamos lá como é que é o o

prompt né como é que eu faço a chamada do prompt é simples essa estrutura Bambu PPD Agent converse E aí você coloca o que quiser dentro do do do dentro do parênteses beleza e aqui você vê que essa estrutura ele tem um uma memória e um contexto né do jeito que a gente programou ele tem uma memória e um contexto aqui eu trouxe um prompt um prompt simples para você ver como dá para criar uma uma uma aplicação bem bonitinha né a galera do né dá para fazer um prompt bem bonitinho aqui onde você já

cria a estrutura né de um de um de um de uma entrada de prompt como chat ept para que ele ah a experiência do usuário né o analista não precise ser um analista de dados um cientista de dados para fazer o que a gente tá pedindo afinal de contas a gente vai pedir via texto Então vamos lá que que a gente vai pedir ó eu tô pedindo para ele ó a gente tem aqueles dados lá e agora eu vou falar cara de acordo com esses dados Defina um modelo de machine learning com Random Forex para

prever a potência da temperatura de pele e do núcleo Ou seja eu tô pedindo para ele de acordo com aqueles dados lá faça o modelo preditivo para prever essa parada aqui ó e aí ó avalie a Precision e Imprima os resultados plote os valores previstos versus os reais né incluindo a a melhor linha de ajuste Ou seja eu tô detalhando o máximo possível aqui para ele trazer informação boa para mim ainda vou colocar aqui ó eh responda em português porque o parâmetro dele tá no inglês beleza vamos ver o que que ele vai fazer a

partir de agora então ó eu vou dar um play ele vai começar a trabalhar então ó ele já foi lá ó chamou o GPT 4 Omni E aí você lembra tem várias várias atividades né Ó o analista tá trabalhando aqui agora né então Ó o analista tá trabalhando aí que que o analista já fez aqui né você vê que o trabalho é bem rápido né Deixa eu voltar aqui ó ah ah tá aqui ó o analista o que que o analista tá fazendo ó ele vai fazer um modelo de machine learning aí ele tá usando

o pandas Data Frame E aí tá olhando todas as variáveis e aquilo que a gente pediu no prompt aí o que que ele tá fazendo ele tá dividindo o plano em tarefas lembra que a gente parametrizando olha ele tá refletindo sobre o problema de negócio né ó ó o que com a gente já faz né desenvolver o modelo utilizando rend of Fort para prever a Power tal tal tal input entrada da pele temperatura do núcleo saída Power regras e restrições aí ele sai falando ó o Data Frame tem tantos registros Existem duas colunas que tem

nulo então ele já tá trabalhando tá fazendo o trabalho da analise de dados aqui tá ligado então Ó a coluna tal aí ele vai fazendo todo o trabalho né então ó passo um importa biblioteca passo dois carrega o Data Frame passo três carrega os valores nulos temperatura passo quatro divide os dados em conjunto de dados treine e teste então ele segue o pipeline da ciência de dados agora de forma automatizada é a importância de você tá sempre evoluindo no conhecimento para que você você há há 2 3 anos atrás isso aqui é um trabalho valiosíssimo

mas agora você vê que valioso é saber criar um a gente que consegue desenvolver essa parada né então ainda é uma coisa válida Sim claro a gente ainda tá no nascedouro de uma grande mudança porém é importante você não parar no meio do processo e ir sempre aprendendo buscar aprender cada vez mais por nós estamos num mundo agora onde aprender a gente di ah a melhor coisa que você faz e não é a aprender a entrar no prompt e configurar essa parada no code não é entender como você configura por quê Porque as empresas querem

customizar de acordo com o problema dela e se você pega a coisa já quadradinha né onde você só pode alterar colocar escrever o prompt cara você fica engessado e aqui você tem toda a liberdade para criar o melhor produto de acordo com a necessidade do cliente Olha o poder D sua parada Beleza então vamos lá aí ele vai lá ó eh a reflexão sobre o problema né então vamos ó desenvolver um modelo aí Ele trouxe aqui um negócio mais bonitinho né E aí ó eu estou gerando a primeira versão do código Espere um pouquinho e

aí ele foi lá e fez o código trouxe aqui printou o código trouxe o modelo tem como você analisar o que que ele fez aí ele foi lá usou o R2 usou as métricas de regressão E aí ele plotou lá né ó os valores previstos e a linha de ajuste né então Ó que interessante né ele tá fez aqui o plot de jeito que a gente pediu olhou aqui o dataset tem o código aplicado ah trouxe aqui um sumário doss resultados né E aí Ele trouxe aqui pra gente o valor das medidas né então por

exemplo ó tem um R2 de 50,97 a partir de agora a gente vai poder iterar para sugerir outras coisas né pedir para ele utilizar e métodos de de Treinamento diferente aplicar uma validação cruzada trocar o modelo mas é tudo no prompt você não vai precisar trocar essa parada na unha entendeu Então olha o poder desse negócio aí beleza Ah o que que a gente tem aqui né ó ele um modelo a Ele trouxe uma conclusão né Ó o modelo rendo forte apresentou o desempenho moderado indicando que ele consegue explicar cerca de 51% da variabilidade dos

dados da potência a partir da temperatura de pele e o núcleo o MSE é tal e por aí vai se precisar de mais detalhes eu estou ou ajustes né Eu estou à disposição E aí Ele trouxe um sumário Olha que interessante ele trouxe um sumário de tokens que ele utilizou né do total de tokens do tempo de processamento e olha isso aqui Caro expert em i o custo total previsto né dessa parada então ó ele fala até quanto que ele gastou para fazer essa parada 400 de dólar isso é muito importante né ótimo muito tora

Eduardo agora é o seguinte eu quero ah eu quero simplesmente que o meu o meu agente e abra um espaço aqui para eu fazer o prompt Tá bom eu não quero já colocar o prompt no texto que nem você fez não tá tudo bem Ó você dá um play simplesmente na função tá bom Ó bambu pedir Agent converse E aí ele vai abrir o espaço para você iterar com ele aqui né então por exemplo eu vou fazer vou pedir para ele fazer a mesma coisa aqui ó só vou pedir para ele trocar o modelo então

ó vamos lá que que eu vou fazer aqui vou pegar o prompt vou só fazer uma alteração só para você visualizar ó então ó eu vou pedir para ele fazer praticamente a mesma coisa né então Ó vou descer aqui e aí ó eu vou completar aqui ó vamos lá ó só que eu vou pedir para ele usar sei lá um modelo diferente vou pedir para ele usar aqui o o lgbm o l ebm Ah só que eu não quero que ele use só eh para prever a potência não só em cima dessas variáveis entendeu ah

vou colocar eh com as var disponíveis beleza e aí avalia precisão primeiro resultado então Ó vou dar um enter pum agora ele vai fazer aí ele vai começar a trabalhar né aí ó o analista de dados faz isso aí ele vai lá tá fazendo aqu trabalho aí ele tá refletindo sobre o problema eu esqueci de pedir para ele fazer em português então ele tá fazendo tudo em inglês né da outra vez eu escrevi lá em cima né dessa vez não então ele tá fazendo tudo em inglês porque é o default Mas você vê que ele

é um agente é um agente de i a ele é esperto ele é inteligente então ele vai começar a fazer a parada do jeito que a gente pedir então ó ele tá usando o lgbm regresso né então você tá vendo aqui ele já trabalhando gerou a linha Pelo visto aqui ele vai ter um resultado um pouquinho melhor porque a parada tá um pouco mais mais menos dispersa né então vamos vamos dar uma olhada aqui aí beleza conclusão ó ah ele até deixou melhor né ó lá o que que ele trouxe ó o modelo 0,80 né

de de R2 ó então ó aproximadamente 80% da variabilidade dos dados pode ser explicada pelas features do modelo né E aí é claro se você olhar aqui em cima você vai ver todas as variáveis que ele usou né a gente pediu para ele usar só duas na outra lá aqui ele usou todo mundo né na verdade ele usou mais mas não usou todo mundo mas você vê que o modelo melhorou Melhorou só do fato dele eh colocar mais variáveis né e assim vai você vai desenvolvendo várias coisas aqui dentro tá bom então ó agora Conclusão

o modelo L gbm treinado Apresentou um Bom desempenho na previsão de potência com base nas variáveis disponíveis com um a relativamente baixo né n um R2 alto e por aí vai Então olha o poder desse negócio qual o custo mesmo custo 4 centavos 29 segundos ele fez um trabalho que demoraria aí Ah há alguns anos atrás a gente poderia estimar aí algumas boas horas né então você vê que a iava evoluindo e eu quero fazer você evoluir para você não ficar para trás você tem que tá ligado nisso aqui que eu tô trazendo para você

eu passo a maior parte do meu tempo Ah escavando e procurando trazer para você conteúdo que eu sei que vai te tirar do seu estágio atual e levar sua carreira profissional elevar o seu futuro elevar as suas Skills aproveita essa parada aí tá bom então Ó eu posso continuar né fazer uma outra questão ou eu posso dá um Exit né eu dou um Exit E aí ele vai parar de iterar ali ele vai finalizar tá bom se se você quiser criar um outro prompt qualquer né eu vou pedir para ele aqui ó crie um gráfico

de bolhas com três eixos usando três variáveis ah a sua escolha de forma que o gráfico fique efetivo ou seja você vai iterando você vai fazendo o que você precisa aqui e aí ele vai criando essa parada para você cara isso aqui é tão cabuloso isso aqui dá um sais tão tão poderoso né um sais é uma ferramenta onde você ah serve né você cria uma uma estrutura onde você atende muitas empresas e você cobra pr pra empresa usar a sua ferramenta isso aqui dá um excelente Saas né Eduardo Por que que você não faz

isso meu metier não é fazer a solução meu metier é te ensinar essa parada Tá bom então Ó eu gosto de ensinar essa parada e eu sei que tem alguém que tem o que empreendedor e que vai fazer esses Sis e vai ter um bom lucro mas meu negócio é te ensinar a fazer esse negócio aqui por quê Porque eu sei que isso é uma solução que pode ajudar muita gente quantas empresas nesse exato momento tá querendo aí Ah uma estrutura de prompt onde você possa conversar com os dados do jeito que a gente fez

aqui e eu mostrei para você o processo agora eu vou voltar né aqui na figura porque eu prometi para você que ia voltar na figura só para você entender o que que o bambol fe o que que o bambo ai fez é o seguinte então vamos lá bora pra estrutura ó a gente fez o input de dados o input de dados é o quê é esse esse dados que a gente buscou lá do github depois aí tem o o o seletor né a o llm o GPT 4 seletor o que que ele faz primeiro ele

olha se o trabalho é para um analista ou é um especialista em pesquisa nesse nosso caso ele viu que era um analista então o que que ele fez ele fez o data análise né então ele passou e fez o data análise ele fez ali um um um trabalho completinho né no fez Genérico e passou pro planer que que o planer fez o planer foi passou pro gerador de código que é out L LM o gerador de código passou para esse cara aqui o Safe guard o Safe guard foi lá e executou se tivesse tido erro

ele ia passar para esse cara aqui ó corretor de erros mas ele não teve erro aí ele fez o Solution summarizer fez a sumarização da parada e aí ele faz um uma um trabalho que é bem interessante que é uma um ranqueamento da solução E aí quando ele faz esse ranqueamento da solução ele armazena no banco de dados vetorial e ele permite inclusive que você eh faça ali um uma uma contextualização de aprendizado você pode colocar uma iteração aqui de aprendizado e fazer feedback também né então Ó para você vê como a estrutura ela tá

bem redondinha né então você vai do início ao fim ah e e o bamb o bambo ai faz um trabalho assim excepcional bem esse foi aqui o nosso case de hoje espero que você tenha se divertido ao máximo com esse esse projeto né a gente já aqui tá o último gráfico que a gente fez né pedi para ele fazer um um gráfico de bolha com três variáveis né ele fez aqui ó ele colocou a a taxa de a taxa de de de batimento cardíaco a velocidade e o tamanho da bolha É o quê É o

é a força né é o Power Então olha só que massa né cara É bem interessante usou o próprio matplot Lib eu não sei o que que ele usou aqui se foi o cbor matplot Mas enfim criou aqui a gente poderia depois iterar pedir para ele ir fazendo outras coisas o prompt tá aí então tá estruturada a parada do jeito que você você precisa ele até explicou aqui né Ó o tamanho é o Power a o eixo Y é a taxa de de de batimento e o X é a velocidade né Ele usou foi o

matplot Lib mesmo tá aqui você poderia pedir para ele fazer com Ah o c Born ou seja lá o plotly Seja lá o que for tá bom Aqui tá a estrutura de código ele traz o exemplo ele trouxe o custo né você vê que é uma coisa mais simples né e mais simples do que o e é muito mais simples e o valor nem é tão né a diferença nem é tão grande né são 3 centavos de dólar Mas enfim cara esse é o conteúdo Espero que você tenha gostado né a galera que tá é

a os quem já é aluno vai receber essa codificação aqui tá bom lá dentro da área de alunos se você ainda não é aluno eu Convido você a se inscrever no link de de da lista de espera que tá no site fazer essas paradas tudo aqui de Agentes de a Lang chain api essa parada toda aqui Deep learning e é é aprendizado por reforço aprender essa parada aqui do jeito que precisa aprender para você criar soluções e voar alavancar na sua carreira aí Tá bom então coloca aí o seu nome na lista de espera Convido

você a seguir né os links aqui da ciência dos dados tá bom Instagram YouTube fica à vontade tô sempre trazendo conteúdo novo aqui tá bom então a gente já tá aí batendo uma quantidade gigantesca de pessoas eu espero que você tenha gostado desse tutorial para mim é uma honra um beijo um abraço e a gente se encontra no próximo tutorial de a simbora valeu