As memórias de Fei-Fei Li, *O mundo que vejo*: terminei de ouvir recentemente a versão em audiolivro e queria conversar sobre minhas impressões.
No começo, três palavras-chave me atraíram: imigração, IA e asiáticos. Mas o que realmente ficou comigo foi uma quarta palavra: curiosidade.
O livro tem duas histórias que se desenrolam em paralelo. Uma é a trajetória pessoal dela: nasceu em Pequim, cresceu em Chengdu, mudou-se para os Estados Unidos aos quinze anos e, enquanto trabalhava para ajudar a família a pagar as dívidas, tentava encontrar seu lugar em um sistema educacional totalmente desconhecido. Por fim, estudou Física em Princeton, fez doutorado no Caltech e depois dirigiu um laboratório de IA em Stanford. A outra é a história científica de como as máquinas aprenderam a «ver» o mundo. No centro dela está o ImageNet, um conjunto de dados público de referência que reúne dezenas de milhões de imagens rotuladas e classificadas, permitindo comparar diferentes algoritmos de forma justa.
Um detalhe da história do ImageNet me marcou: enquanto muita gente se concentrava em aprimorar os algoritmos, a equipe de Fei-Fei Li dedicava seus esforços à escala e à diversidade dos dados. No início, essa abordagem parecia trabalhosa e até pouco «inteligente». E o que aconteceu? Mais tarde, quando grandes volumes de dados, GPUs e redes neurais profundas se combinaram, a visão computacional finalmente deu um salto de verdade.
Isso mudou a minha maneira de imaginar os «avanços tecnológicos». Quanto mais restrito o material de treinamento, mais o modelo só será inteligente em um mundo restrito. O valor de uma ampla variedade de dados está em obrigar você a distinguir continuamente o que é o próprio objeto e o que é apenas o contexto ao qual está acostumado.
Essa ideia também influenciou meu planejamento para aprender vocabulário: meu caderno de palavras novas está chegando a quase oitocentas palavras… Conversei mais sobre isso no podcast.
Este episódio é para quem tem curiosidade sobre a história da IA ou está lendo este livro. O link está abaixo 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8
No começo, três palavras-chave me atraíram: imigração, IA e asiáticos. Mas o que realmente ficou comigo foi uma quarta palavra: curiosidade.
O livro tem duas histórias que se desenrolam em paralelo. Uma é a trajetória pessoal dela: nasceu em Pequim, cresceu em Chengdu, mudou-se para os Estados Unidos aos quinze anos e, enquanto trabalhava para ajudar a família a pagar as dívidas, tentava encontrar seu lugar em um sistema educacional totalmente desconhecido. Por fim, estudou Física em Princeton, fez doutorado no Caltech e depois dirigiu um laboratório de IA em Stanford. A outra é a história científica de como as máquinas aprenderam a «ver» o mundo. No centro dela está o ImageNet, um conjunto de dados público de referência que reúne dezenas de milhões de imagens rotuladas e classificadas, permitindo comparar diferentes algoritmos de forma justa.
Um detalhe da história do ImageNet me marcou: enquanto muita gente se concentrava em aprimorar os algoritmos, a equipe de Fei-Fei Li dedicava seus esforços à escala e à diversidade dos dados. No início, essa abordagem parecia trabalhosa e até pouco «inteligente». E o que aconteceu? Mais tarde, quando grandes volumes de dados, GPUs e redes neurais profundas se combinaram, a visão computacional finalmente deu um salto de verdade.
Isso mudou a minha maneira de imaginar os «avanços tecnológicos». Quanto mais restrito o material de treinamento, mais o modelo só será inteligente em um mundo restrito. O valor de uma ampla variedade de dados está em obrigar você a distinguir continuamente o que é o próprio objeto e o que é apenas o contexto ao qual está acostumado.
Essa ideia também influenciou meu planejamento para aprender vocabulário: meu caderno de palavras novas está chegando a quase oitocentas palavras… Conversei mais sobre isso no podcast.
Este episódio é para quem tem curiosidade sobre a história da IA ou está lendo este livro. O link está abaixo 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8