No artigo anterior demos uma olhada no recurso de geração de aplicações do Base 44: Criando Aplicações com a IA do Base44 – SoftwareLivre-BR. Desta vez vamos dar uma olhada no recurso de geração de aplicativos do Google AI Studio.
Inicialmente vamos entrar na página principal do Google Studio em https://aistudio.google.com/ . A seguir vamos clicar no terceiro icone na barra vertical à esquerda, para entrar em “Build”, que é a ferramenta para geração de aplicativos utilizando o Gemini.
Podemos ver que são exibidos vários aplicativos gerados por outros usuários e que podemos examinar.
O prompt que vou usar vai ser semelhante ao que usei para gerar um aplicativo com o Base44: “Construir um aplicativo que exiba um formulário para permitir cadastrar usuários interessados em participar num congresso de IA generativa a ser realizado no dia 28 de Julho de 2025 na cidade de Rio de Janeiro, Brasil.”. A finalidade é poder fazer uma comparação entre as duas ferramentas.
Assim que submeti o prompt ele começou a trabalhar, logo de cara pude verificar que o código que ele foi gerando estava sendo exibido para mim numa janela separada o que é muito bom, não preciso pagar a mais para ter acesso ao código.
Ele não gerou a princípio uma página de autenticação. Após exibir a primeira versão da aplicação enviei um prompt pedindo para acrescentar uma página de autenticação pelo Google e armazenar os dados dos usuários cadastrados num arquivo no formato CSV. Ele o fez aparentemente, chamando o “preview” da aplicação ele apenas simulou a autenticação mas ele armazenou os dados de cadastro do usuário.
Comparando com o Base44, a aplicação gerada por este tem uma estética melhor. Não precisei pedir para incluir uma página de autenticação, ele já fez isso automaticamente no primeiro prompt assim como armazenar os dados dos usuários. Porém o Gemini no Google AI Studio disponibiliza o código para download ou para compartilhar com outros usuários sem ter que pagar 50 dólares ou mais como faz o Base44.
Reparei que o código gerado foi um código em React JS. Um desenvolvedor de React vai achar provavelmente mais interessante ele mesmo poder fazer pequenas modificações/adaptações no código. Mas para quem não é desenvolvedor tem o recurso de poder pedir as modificações via prompt. Não testei se ele geraria o código para armazenar os dados de usuários num banco de dados relacional por exemplo. O Base44 alega que ele gera as conexões com o banco de dados, mas ele não especifica com qual banco de dados e eu também não cheguei a fazer o teste.
Seguem as telas da aplicação geradas:
]
Pessoalmente acho a possibilidade de gerar uma aplicação e ter disponível o código imediatamente, muito interessante. Também posso publicar minha aplicação no Google Cloud, tem um botão com esse recurso na própria tela da aplicação gerada. Embora o Base44 também permita publicar a aplicação gerada na nuvem, é a nuvem do Base44. Mas sendo usuário Builder, Pro ou Elite (a partir de 50 dolares mensais) posso baixar o código e publicar na nuvem que desejar.
Resolvi testar o Base44 para criar automaticamente aplicações completas utilizando IA. Até que ponto ele realmente cria uma aplicação completa? Ou será que ele cria apenas o frontend? O site pode ser visitado no seguinte link: BASE44 – Build Any Software in Minutes with AI
Comecei um prompt simples em inglês: “Build an APP with a form to let users register in a AI conference at Rio de Janeiro city in July, 28 – 2025.” – Ou seja “Crie um APP contendo um formulário para permitir que usuários se inscrevam numa conferência de IA a ser realizada no Rio de Janeiro no dia 28 de Julho de 2025.”. Reparem que não é um prompt detalhado, o que seria o ideal normalmente para obter um bom resultado.
Após vários minutos trabalhando e ele mostrando as tarefas que ia realizando pude perceber que ele não é apenas uma IA generativa do estilo do ChatGPT ou Gemini, ele melhorou o meu prompt acrescentando detalhes importantes que eu não mencionei mas que ele como “expert” sabia que eram importantes para cumprir a finalidade da aplicação. Ele fez o planejamento das tarefas e saiu executando uma a uma as tarefas. Ou seja ele é um agente de IA, um agente de programação! Assim que concluiu as tarefas, em torno de 5 minutos, ele exibiu a minha aplicação pronta e funcionando. Ele também gerou um link para poder compartilhar minha aplicação com outras pessoas. No caso o link gerado era RioAI Connect .
Decidi testar a aplicação. Após me autenticar com minha conta do Google ele exibiu a página principal. Verifiquei que a aplicação era corretamente exibida tanto num computador desktop como no celular.
A seguir o printscreen das telas. Como não dá para exibir toda a página sem rolagem recortei a página principal em telas menores. A primeira tela é a tela de autenticação.
As telas da página principal da aplicação gerada:
Nesta última tela, do módulo de administração do Base44 podemos ver que aparecem os dados dos usuários cadastrados pela aplicação.
É possível exportar/importar dados para a base de dados. Para poder salvar os arquivos com o código gerado você tem que ser usuário Builder, Pro ou Elite. O usuário Builder paga 50 dólares por mês mas tem o usuário nível gratuito que pode testar a geração de aplicações mas sem acesso ao código fonte. O usuário nível standard paga 20 dólares por mês, tem um limite maior para geração de aplicativos mas não tem acesso ao código fonte.
É uma aplicação interessante mas dependendo de suas necessidades tem outras ferramentas como o Gemini e o Manu.ai que também geram código embora não sejam tão completos e com o nível de qualidade do Base44.
O “co-cientista de IA” do Google visa tornar a pesquisa por humanos mais rápida e eficiente.
Cientistas, preparem-se para conhecer seu novo colaborador. O Google anunciou na quarta-feira um “co-cientista de IA” projetado para ajudar pesquisadores humanos a acelerar a descoberta. Em um teste inicial, o sistema resolveu um mistério científico em dois dias que havia deixado os cientistas perplexos por mais de uma década.
O co-cientista de IA foi projetado para gerar novas hipóteses testáveis, visões gerais detalhadas de pesquisas e protocolos experimentais, tudo com o objetivo de tornar a pesquisa científica e biomédica mais rápida e eficiente.
A ferramenta é construída no Gemini 2.0, a versão mais recente do assistente de IA do Google que responde às solicitações do usuário como outros modelos de linguagem grandes baseados em bate-papo, como o ChatGPT da OpenAI. Para trabalhar com o co-cientista de IA, os cientistas humanos simplesmente especificam seu objetivo de pesquisa em linguagem natural. Eles também podem sugerir suas próprias ideias e propostas e oferecer feedback e avaliações.
“O co-cientista de IA é uma ferramenta colaborativa para ajudar os especialistas a reunir pesquisas e refinar seu trabalho – não se destina a automatizar o processo científico”, disse o Google em um post no blog anunciando o novo sistema, aparentemente com o objetivo de aliviar os temores sobre a inteligência artificial substituir os humanos em uma série de campos.
A ideia é que ele possa fornecer diretamente hipóteses a serem testadas experimentalmente por cientistas que trazem a massa cinzenta. A ferramenta promete ajudar os humanos de várias outras maneiras, como reduzir o tempo necessário para revisar a literatura detalhada em campos com os quais os pesquisadores podem não estar familiarizados.
Por enquanto, pelo menos, “co-cientista de IA” é o único nome do sistema. Atualmente, está disponível apenas para pesquisadores que participam do novo Programa Trusted Tester do Google, que envolve cerca de 20 pesquisadores principais, esclareceu um porta-voz da empresa por e-mail. Os interessados em participar do programa podem preencher um formulário online.
Mesma hipótese em menos tempo
Os primeiros testadores da Universidade de Stanford, Houston Methodist e Imperial College London já relataram resultados promissores com o modelo.
Cientistas imperiais passaram uma década estudando superbactérias resistentes a antibióticos, provando como certas bactérias contribuem para infecções resistentes a antibióticos, um desafio de saúde global com taxas crescentes de infecções e mortes. Dada a sua relação com a Fleming Initiative, que trabalha para controlar a disseminação da resistência antimicrobiana, o Google pediu à equipe da ICL para ver como o co-cientista de IA reagiria ao mesmo problema.
Ilustração dos diferentes componentes do sistema multiagente co-cientista de IA e o paradigma de interação entre o sistema e o cientista.
“Quando a equipe de pesquisa do Google nos abordou para testar sua plataforma de IA, percebemos que precisávamos encarregá-la das mesmas questões científicas que já havíamos explorado e usado como base de nosso trabalho experimental”, disse José Penadés, professor do Departamento de Doenças Infecciosas do Imperial, em um comunicado.
“Isso efetivamente significou que o algoritmo foi capaz de olhar para as evidências disponíveis, analisar as possibilidades, fazer perguntas, projetar experimentos e propor a mesma hipótese a que chegamos através de anos de pesquisa científica meticulosa, mas em uma fração do tempo.” Uma questão de dias, especificamente.
Segurança e preocupações éticas
Em um relatório detalhado sobre o co-cientista de IA, o Google aborda as limitações do sistema e reconhece a necessidade de salvaguardas técnicas contra consultas de pesquisa antiéticas e intenção maliciosa do usuário. Apenas neste mês, o Google alertou sobre o uso indevido do Gemini por cyercriminals, levantando o espectro de que consultas científicas sensíveis ou confidenciais podem cair em mãos erradas. O co-cientista de IA atualmente tem algumas salvaguardas em vigor, observa o artigo, mas diz que mais serão necessárias.
No entanto, os cientistas que experimentaram o sistema expressam entusiasmo sobre seu potencial.
“O que nossas descobertas mostram é que a IA tem o potencial de sintetizar todas as evidências disponíveis e nos direcionar para as questões e projetos experimentais mais importantes”, disse Tiago Dias da Costa, que co-liderou o trabalho experimental do Departamento de Ciências da Vida do Imperial e da Iniciativa Fleming. “Se o sistema funcionar tão bem quanto esperamos, isso pode mudar o jogo; descartando ‘becos sem saída’ e efetivamente nos permitindo progredir em um ritmo extraordinário.”
Leslie Katz cobre a interseção de cultura, ciência e tecnologia. 19 de fevereiro de 2025, 17h20 EST
A inteligência artificial é a vanguarda do setor de finanças. E esse setor, por sua vez, está entre os mais avançados do Brasil no uso dessa tecnologia. Estas são avaliações de quem acompanha o desenvolvimento da IA no País. Bancos tradicionais e fintechs usam a inteligência artificial para combater fraudes, fazer atendimentos personalizados e tornar a oferta de produtos mais adequada aos clientes, entre outras aplicações.
“Quase a totalidade dos bancos já usa a inteligência artificial. A gente tem 96% dos bancos utilizando essa tecnologia. E 54% desses bancos – isso avança a cada dia – estão trabalhando a inteligência artificial generativa”, conta Ivo Mósca, diretor executivo de Inovações, Produtos e Serviços da Federação Brasileira de Bancos (Febraban).
Inteligência artificial é aliada das instituições financeiras para tornar os serviços oferecidos aos clientes mais eficientes Foto: Shutter2U/Adobe Stock
Os investimentos do setor em tecnologia são crescentes, especialmente em IA. “No ano passado, foram investidos R$ 35 bilhões em tecnologia. Esse ano, R$ 47 bilhões. E inteligência artificial hoje é o maior investimento em termos de tecnologias emergentes por parte dos bancos”, afirma o diretor da Febraban.
“As fintechs foram as primeiras a adotar inteligência artificial, com contratações de profissionais ligados à área de tecnologia e inovando nos usos. Elas têm mais agilidade e menos dependência de sistemas antigos. Então conseguem implementar algumas dessas inovações de maneira bem mais rápida”, diz Claudia Yoshinaga.
“Muitas fintechs já nasceram digitais. E quanto mais tecnológica e digital é a empresa, mais fácil é a implementação de projetos de inteligência artificial. Os bancos de dados dessas empresas já estão na nuvem, o que facilita para ajustar o modelo de IA”, ressalta Alessandra.
Por outro lado, observa Claudia, “os bancos têm mais condições de fazer investimentos pesados” em desenvolvimento tecnológico. “Os bancos estão se movimentando bastante para tirar esse atraso.”
IA para combater fraudes com IA
O principal uso da IA entre bancos e fintechs é vinculado à segurança. Ela se tornou, por exemplo, uma ferramenta fundamental para combater fraudes na biometria facial dos clientes. Do outro lado dessa batalha, o crime tem a mesma tecnologia como arma. “A inteligência artificial é bastante utilizada pelos bancos para combater o uso maligno da inteligência artificial, como o deep fake. Três quartos dos bancos que utilizam IA tratam da questão da biometria facial”, afirma Ivo Mósca, da Febraban.
Com a capacidade de analisar grandes volumes de dados, a IA consegue entender os fluxos das transações bancárias e suas variações, o que ajuda a detectar anomalias, possíveis desvios e até lavagem de dinheiro, explica o diretor da Febraban.
“A inteligência artificial está disponível 24 horas por dia, 7 dias por semana. Ela aprende o tempo todo e não esquece. Como é muito rápida e faz milhões de combinações por minuto, fica muito mais fácil pegar uma fraude. Se algo estiver fora do padrão, ela consegue perceber rapidamente”, diz Alessandra Montini. Ainda no campo da segurança, lembra a professora, a IA é usada pelos bancos contra ataques hackers.
Antes irritantes, chatbots evoluem com nova tecnologia
Um dos primeiros usos de inteligência artificial no setor de finanças foi o desenvolvimento dos chats dos bancos para o atendimento ao cliente. Essas ferramentas ganharam em qualidade com o avanço dos recursos dessa tecnologia.
Segundo Ivo Mósca, atualmente, a IA proporciona ao chatbot níveis maiores de customização e de capacidade de adaptação. “Ele percebe o objetivo do cliente e o direciona de uma forma muito mais assertiva, sem aquele beco sem saída que a gente encontrava no chatbot tradicional. Tem, inclusive, a capacidade de distinguir qual é o nível de temperatura do cliente, se ele está querendo testar um serviço ou se é um cliente que teve algum nível de atrito e está com um sentimento ruim, o que exige um direcionamento para uma equipe especializada de retenção ou de resolução de problemas”, explica o diretor da Febraban.
Capacidade de resolução rápida reduz melhora o atendimento
Segundo Mósca, ainda é cedo para avaliar o retorno que os bancos podem ter com o orçamento destinado à inteligência artificial. “As instituições estão investindo para começar a obter algum tipo de retorno.” Mas é nesse tipo de atendimento que já surge um resultado comemorado pelo setor. Um estudo desenvolvido pela Febraban em parceria com a consultoria Deloitte mostra que há uma taxa de melhoria de 12% no serviço, de acordo com avaliações feitas pelos clientes.
“A capacidade de resolver nessa primeira camada de inteligência artificial reduz muito a necessidade do atendimento humano, o que não significa reduzir o atendimento humano. Não vai ter uma substituição (do humano pela IA)”, diz Mósca.
Ele afirma que as soluções de inteligência artificial ajudam a melhorar a qualidade do atendimento humano, que passa a ser acionado em situações que exigem mais tempo e empatia com o cliente.
“Você vai ter um atendimento muito mais personalizado, com muito mais calma porque não vai ter uma fila enorme de pessoas para falar com esse atendimento. E o profissional pode contar com a assistência da inteligência artificial. Ela pode auxiliá-lo a responder perguntas do cliente.”
Segundo Alessandra, a inteligência artificial deve ser calibrada para fazer somente aquilo para o qual foi altamente testada. “Quando se trata de um banco, a IA tem que ser muito bem fechada. E a gente consegue fechar a IA. Ela só vai poder responder determinadas coisas. Quando sai fora do script e principalmente quando você está numa gestão de caos, é difícil trabalhar com a IA”, explica. “A inteligência artificial não consegue ainda ter a simpatia de um ser humano. Quando a coisa está realmente colapsada, quando tem um cliente supernervoso, por exemplo, a IA não está preparada para desarmar”, diz.
IA pode trazer novos empregos, mas também fechar vagas
Especialistas no setor financeiro afirmam que a inteligência artificial vai cortar vagas no setor de finanças, mas também irá gerar postos de trabalho.
Alessandra Montini diz que haverá a redução da quantidade de empregos em áreas como a jurídica. “A IA generativa consegue produzir contratos, ler contratos e defender o banco em larga escala. Você consegue ter um time jurídico menor, um time menor de modelagem, um time menor de manutenção de site e mesmo na cibersegurança. Vários profissionais podem ser substituídos pela IA, principalmente aqueles que fazem um trabalho repetitivo”, afirma. “Claro que não é nada recomendável você ter IA em maioria.”
Por outro, a inteligência artificial também abre oportunidades de trabalho no setor de finanças. Os bancos precisam, de acordo com Ivo Mósca, de profissionais que testem e garantam a eficiência dos modelos de IA e que ajudem na evolução da customização da experiência do cliente. “Um grande exemplo (de profissional procurado por bancos) é o gestor de tecnologia”, diz.
La inteligencia artificial está a la vanguardia de la industria financiera. Y este sector, a su vez, es uno de los más avanzados de Brasil en el uso de esta tecnología. Se trata de valoraciones de quienes siguen el desarrollo de la IA en el país. Los bancos tradicionales y las fintechs utilizan la inteligencia artificial para luchar contra el fraude, proporcionar servicios personalizados y hacer que la oferta de productos sea más adecuada para los clientes, entre otras aplicaciones.
“Casi todos los bancos ya utilizan la inteligencia artificial. El 96% de los bancos utilizan esta tecnología. Y el 54% de estos bancos, que avanza cada día, están trabajando en inteligencia artificial generativa”, dice Ivo Mósca, director ejecutivo de Innovaciones, Productos y Servicios de la Federación Brasileña de Bancos (Febraban).
La inteligencia artificial es una aliada de las instituciones financieras para hacer más eficientes los servicios ofrecidos a los clientes Foto: Shutter2U/Adobe Stock
Las inversiones del sector en tecnología son cada vez mayores, especialmente en IA. “El año pasado, se invirtieron R$ 35 mil millones en tecnología. Este año, R$ 47 mil millones. Y la inteligencia artificial hoy es la mayor inversión en tecnologías emergentes por parte de los bancos”, dice el directivo de Febraban.
“Las fintech fueron las primeras en adoptar la inteligencia artificial, contratando profesionales vinculados al área tecnológica e innovando en usos. Tienen más agilidad y menos dependencia de los sistemas heredados. Por lo tanto, pueden implementar algunas de estas innovaciones mucho más rápido”, dice Claudia Yoshinaga.
“Muchas fintechs nacieron digitales. Y cuanto más tecnológica y digital sea la empresa, más fácil será implementar proyectos de inteligencia artificial. Las bases de datos de estas empresas ya están en la nube, lo que facilita el ajuste del modelo de IA”, señala Alessandra.
Por otro lado, observa Claudia, “los bancos están en mejores condiciones de hacer fuertes inversiones” en desarrollo tecnológico. “Los bancos se están moviendo mucho para compensar este retraso”.
IA para luchar contra el fraude con IA
El principal uso de la IA entre los bancos y las fintech está relacionado con la seguridad. Se ha convertido, por ejemplo, en una herramienta fundamental para combatir el fraude en la biometría facial de los clientes. En el otro lado de esta batalla, el crimen tiene la misma tecnología que un arma. “La inteligencia artificial es ampliamente utilizada por los bancos para combatir el uso maligno de la inteligencia artificial, como el deep fake. Tres cuartas partes de los bancos que utilizan IA se ocupan del tema de la biometría facial”, dice Ivo Mósca, de Febraban.
Con la capacidad de analizar grandes volúmenes de datos, la IA puede entender los flujos de transacciones bancarias y sus variaciones, lo que ayuda a detectar anomalías, posibles desviaciones e incluso lavado de dinero, explica el director de Febraban.
“La inteligencia artificial está disponible las 24 horas del día, los 7 días de la semana. Aprende todo el tiempo y no olvida. Al ser muy rápido y realizar millones de combinaciones por minuto, es mucho más fácil atrapar un fraude. Si algo está fuera de lo normal, puede notarlo rápidamente”, dice Alessandra Montini. Todavía en el campo de la seguridad, recuerda el profesor, la IA es utilizada por los bancos contra los ataques de hackers.
Los chatbots, que antes eran molestos, evolucionan con las nuevas tecnologías
Uno de los primeros usos de la inteligencia artificial en la industria financiera fue el desarrollo de los chats bancarios para la atención al cliente. Estas herramientas han ganado en calidad con el avance de las capacidades de esta tecnología.
Según Ivo Mósca, en la actualidad, la IA dota al chatbot de mayores niveles de personalización y adaptabilidad. “Percibe el objetivo del cliente y lo dirige de una manera mucho más asertiva, sin ese callejón sin salida que encontramos en el chatbot tradicional. Incluso tiene la capacidad de distinguir cuál es el nivel de temperatura del cliente, si quiere probar un servicio o si es un cliente que ha tenido algún nivel de fricción y tiene un mal presentimiento, lo que requiere una derivación a un equipo especializado en retención o resolución de problemas”, explica el director de Febraban.
La capacidad de resolución rápida reduce la mejora de la atención
Según Mósca, aún es pronto para evaluar el retorno que pueden tener los bancos con el presupuesto destinado a la inteligencia artificial. “Las instituciones están invirtiendo para empezar a obtener algún tipo de rendimiento”. Pero es en este tipo de servicios donde ya surge un resultado celebrado por el sector. Un estudio desarrollado por Febraban en asociación con la consultora Deloitte muestra que hay una tasa de mejora del 12% en el servicio, según las opiniones de los clientes.
“La capacidad de resolver en esta primera capa de inteligencia artificial reduce en gran medida la necesidad de servicio humano, lo que no significa reducir el servicio humano. No habrá un reemplazo (de los humanos por la IA)”, dice Mósca.
Dice que las soluciones de inteligencia artificial ayudan a mejorar la calidad del servicio humano, que ahora se activa en situaciones que requieren más tiempo y empatía con el cliente.
“Vas a tener un servicio mucho más personalizado, con mucha más tranquilidad porque no va a haber una cola enorme de gente para hablar con este servicio. Y el profesional puede contar con la ayuda de la inteligencia artificial. Puede ayudarte a responder a las preguntas de los clientes”.
Según Alessandra, la inteligencia artificial debe ser calibrada para hacer solo aquello para lo que ha sido altamente probada. “Cuando se trata de un banco, la IA tiene que estar muy bien cerrada. Y podemos cerrar la IA. Solo podrá responder a ciertas cosas. Cuando se sale del guión y especialmente cuando se está en la gestión del caos, es difícil trabajar con IA”, explica. “La inteligencia artificial aún no puede tener la simpatía de un ser humano. Cuando las cosas están realmente colapsadas, cuando hay un cliente súper nervioso, por ejemplo, la IA no está preparada para desarmarse”, dice.
La IA puede traer nuevos puestos de trabajo, pero también cerrar vacantes
Los expertos en el sector financiero dicen que la inteligencia artificial recortará puestos de trabajo en el sector financiero, pero también generará puestos de trabajo.
Alessandra Montini dice que habrá una reducción en el número de puestos de trabajo en áreas como el derecho. “La IA generativa puede producir contratos, leer contratos y defender al banco a escala. Puede tener un equipo legal más pequeño, un equipo de modelado más pequeño, un equipo de mantenimiento de sitios web más pequeño e incluso ciberseguridad. Varios profesionales pueden ser reemplazados por la IA, especialmente aquellos que realizan trabajos repetitivos”, dice. “Por supuesto, no es en absoluto recomendable que haya IA en la mayoría”.
Por otro lado, la inteligencia artificial también abre oportunidades laborales en el sector financiero. Los bancos necesitan, según Ivo Mósca, profesionales que prueben y garanticen la eficiencia de los modelos de IA y ayuden en la evolución de la personalización de la experiencia del cliente. “Un gran ejemplo (de un profesional buscado por los bancos) es el gerente de tecnología”, dice.
Recentemente li um post de alguém insinuando ser duvidoso chamar de projeto de inteligência artificial um projeto com IA Generativa que utiliza uma conexão com a API da OpenAI. A pessoa que fez esse comentário acredito nunca participou de um projeto bem sucedido e realmente útil utilizando a IA Generativa.
Para começar um projeto deste tipo não se limita apenas a se conectar com a API. Você tem que conhecer bem os recursos e potencialidades que a IA Generativa tem a oferecer e em segundo lugar como saber tirar o máximo dela para poder alcançar os melhores resultados. Entra aí a técnica de Engenharia de Prompt. É um processo gradativo de aprimoramento da base de conhecimento e das instruções ao sistema que fazem parte do trabalho de Eng. de Prompt para chegar a atingir os melhores resultados.
Não para por aí, se você acha que é a IA Generativa é boa apenas em simular a linguagem humana para resolver problemas e não precisa escrever código ao interagir com ela saiba que os resultados mais interessantes são alcançados quando você consegue que a IA Generativa leia informações em linguagem humana, a mapeie para estruturas formais por você definidas, gere código e se conecte com bancos de dados, extraia informações para trabalhar com dados atualizados online e conseguir integrar sua aplicação de IA Generativa para trabalhar de forma integrada com os sistemas de sua empresa.
Bom, já deu para ver que não é só se conectar com a API, certo? Nem vou falar que a IA Generativa consegue desenvolver trabalhos de análise de dados e ETL, gerar resultados com algoritmos de Machine Learning de forma automática assim como Dashboards, etc. A IA Generativa é o estado da arte da inteligência artificial no momento. E respondendo ao título deste artigo, sim, aplicações de IA Generativa são legitimas aplicações de Inteligência Artificial.
Autor: Ernesto Villafuerte Oyola Cientista de Dados e Eng. de Software Msc. Computação (Inteligência Artificial) – COPPE – UFRJ
As funções de dados tornaram-se cada vez mais vitais nas organizações, à medida que buscam aproveitar os dados para tomada de decisões, estratégia e eficiência operacional.
🔅Principais tipos de funções de dados 🔸Cientista de dados : Um cientista de dados é responsável por analisar conjuntos de dados complexos para obter insights e informar estratégias de negócios. Eles empregam métodos estatísticos, aprendizado de máquina e técnicas de visualização de dados para prever tendências e comportamentos. A proficiência em linguagens de programação como Python ou R, bem como ferramentas para manipulação e visualização de dados, é essencial. 🔸Analista de dados: Os analistas de dados se concentram na interpretação de dados para fornecer insights acionáveis. Eles limpam, visualizam e analisam dados usando ferramentas como SQL, Excel e plataformas de inteligência de negócios como Tableau ou Power BI. Seu trabalho geralmente envolve a geração de relatórios e painéis que ajudam as partes interessadas a tomar decisões informadas. 🔸Engenheiro de dados: Os engenheiros de dados constroem e mantêm a infraestrutura que permite que os dados sejam coletados, armazenados e analisados. Eles são responsáveis pelos processos de ETL (Extrair, Transformar, Carregar), garantindo que os pipelines de dados sejam eficientes e confiáveis. O conhecimento de bancos de dados, soluções de armazenamento de dados e programação é crucial nessa função. 🔸Arquiteto de dados: Um arquiteto de dados projeta a estrutura geral dos sistemas de dados, garantindo que os dados sejam organizados e acessíveis. Eles criam projetos para sistemas de gerenciamento de dados e trabalham em estreita colaboração com engenheiros de dados para implementar esses projetos. 🔸Analista de Business Intelligence (BI): Os analistas de BI são especializados em analisar dados de negócios para apoiar os processos de tomada de decisão. Eles criam relatórios e painéis que resumem tendências de dados e métricas de desempenho. 🔸Engenheiro de aprendizado de máquina: Os engenheiros de aprendizado de máquina projetam e implementam algoritmos que permitem que os computadores aprendam e façam previsões com base em dados. 🔸Estatístico:Os estatísticos aplicam teorias e técnicas matemáticas para coletar, analisar e interpretar dados. 🔸Gerente de produtos de dados: Essa função envolve supervisionar o desenvolvimento de produtos orientados a dados. Os gerentes de produtos de dados preenchem a lacuna entre as equipes técnicas e as partes interessadas de negócios, garantindo que os produtos de dados atendam às necessidades do usuário e estejam alinhados aos objetivos de negócios. 🔸Engenheiro de operações de ML: os engenheiros de operações de ML se concentram nos aspectos operacionais dos modelos de aprendizado de máquina, garantindo que eles sejam escaláveis, confiáveis e sustentáveis. 🔸Estrategista de dados: Um estrategista de dados desenvolve uma estratégia de dados abrangente para organizações, alinhando iniciativas de dados com metas de negócios. 🔸Especialista em visualização de dados: Esta função se concentra na criação de representações visuais de dados para comunicar as descobertas de forma eficaz. Eles usam ferramentas como Tableau, Power BI ou visualizações personalizadas para apresentar dados complexos em um formato compreensível. 🔸Analista de qualidade de dados: Os analistas de qualidade de dados garantem que os dados usados nas análises sejam precisos, completos e confiáveis. Eles desenvolvem processos de validação e limpeza de dados para manter altos padrões de qualidade de dados.
A introdução de sistemas de pagamento online ajudou muito na facilidade de pagamentos. Mas, ao mesmo tempo, aumentou em fraudes de pagamento. Fraudes de pagamento online podem acontecer com qualquer pessoa que use qualquer sistema de pagamento, especialmente ao fazer pagamentos com cartão de crédito. É por isso que a detecção de fraudes de pagamento online é muito importante para as empresas de cartão de crédito.
No aprendizado de máquina (machine learning), que vamos utilizar aqui para realizar a detecção de fraudes, temos três subcategorias importantes: O supervisionado, não supervisionado e aprendizado por reforço. O aprendizado de máquina supervisionado consiste no uso de conjuntos de dados rotulados para treinar algoritmos, permitindo que eles classifiquem dados ou façam previsões com precisão.
Tipos de Problemas:
O aprendizado supervisionado aborda dois tipos principais de problemas:
Classificação: Atribui dados de teste a categorias específicas (por exemplo, classificar spam em uma caixa de entrada).
Regressão: Compreende a relação entre variáveis dependentes e independentes (por exemplo, prever receita de vendas).
O problema de detecção de fraude é tipicamente um problema de classificação e um algoritmo para resolução deste tipo de problema que iremos utilizar aqui é o de “árvores de decisão” (“decision tree”) embora posteriormente possamos usar um outro algoritmo também de aprendizado de máquina supervisionado para comparar a performance, caso achemos que seja necessário.
Detecção de fraude de pagamentos online com aprendizado de máquina
Para identificar fraudes de pagamento online com aprendizado de máquina, precisamos treinar um modelo de aprendizado de máquina para classificar pagamentos fraudulentos e não fraudulentos. Para isso, precisamos de um conjunto de dados contendo informações sobre fraudes de pagamentos online, para que possamos entender que tipo de transações levam à fraude. Para esta tarefa, coletei um conjunto de dados do Kaggle, que contém informações históricas sobre transações fraudulentas que podem ser usadas para detectar fraudes em pagamentos online. Abaixo estão todas as colunas do conjunto de dados que estou usando aqui:
step: representa uma unidade de tempo em que 1 passo (step) é igual a 1 hora
type: Tipo de transação online
value: o valor da transação
nameOrig: cliente que inicia a transação
oldbalanceOrg: saldo antes da transação
newbalanceOrig: saldo após a transação
nameDest: destinatário da transação
oldbalanceDest: saldo inicial do destinatário antes da transação
newbalanceDest: o novo saldo do destinatário após a transação
isFraud: transação fraudulenta
Detecção de fraudes em pagamentos online usando Python
Importando as bibliotecas Python necessárias e o conjunto de dados necessários para esta tarefa:
import pandas as pd import numpy as np data = pd.read_csv(“credit card.csv”) print(data.head())
Agora, vamos dar uma olhada se esse conjunto de dados tem algum valor nulo ou não:
print(data.isnull().sum())
Portanto, esse conjunto de dados não tem nenhum valor nulo. Antes de prosseguir, agora, vamos dar uma olhada no tipo de transação mencionada no conjunto de dados:
# Explorando o tipo de transação print(data.type.value_counts())
type = data[“type”].value_counts() transactions = type.index quantity = type.values import plotly.express as px figure = px.pie(data, values=quantity, names=transactions,hole = 0.5, title=”Distribuição do Tipo de Transação”) figure.show()
Distribuição do Tipo de Transação:
# Excluindo colunas do tipo texto que não são relevantes
data = data.drop(columns=[“nameOrig”, “nameDest”]) data.head()
Agora vamos transformar os recursos categóricos em numéricos.
Agora vamos treinar um modelo de classificação para classificar transações fraudulentas e não fraudulentas. Antes de treinar o modelo, dividirei os dados em conjuntos de treinamento e teste:
# Dividindo os dados em x e y
from sklearn.model_selection import train_test_split x = np.array(data[[“type”, “amount”, “oldbalanceOrg”, “newbalanceOrig”]]) y = np.array(data[[“isFraud”]])
Agora vamos treinar o modelo de detecção de fraude de pagamentos online:
# Treinando o modelo de machine learning DecisionTree from sklearn.tree import DecisionTreeClassifier xtrain, xtest, ytrain, ytest = train_test_split(x, y, test_size=0.10, random_state=42) model = DecisionTreeClassifier() model.fit(xtrain, ytrain) print(model.score(xtest, ytest))
0.999746959585831
Podemos perceber que o score (performance) do modelo é praticamente de 100%, por isso não vamos tentar implementar outro modelo para comparação porque o nosso modelo é muito bom.
Agora vamos classificar se uma transação é uma fraude ou não, alimentando uma transação no modelo:
É assim que podemos detectar fraudes em pagamentos online com aprendizado de máquina usando Python. A detecção de fraudes de pagamento online é uma das aplicações da ciência de dados em finanças.
Muito tem se falado de uma nova geração de computadores a ser lançada que permitiria ter sua própria IA Generativa rodando no seu computador. Essa nova geração de computadores teria um processador extra, um processador Neural, que está sendo desenvolvido pela Intel, além de uma configuração de computador parruda, com uma poderosa placa gráfica. Já se sabe de antemão que essa nova geração de computadores não será nada barata mas a possibilidade de ter sua própria Inteligência Artificial Generativa no seu computador é cativante….. Só que é uma jogada de marketing apenas para vender novos computadores e novos produtos. Vamos pensar nos motivos pelos quais você iria querer ter sua própria IA Generativa (IAG). Um dos motivos seria segurança, com sua própria IAG seus dados ou da sua empresa não correriam o risco de vazarem para a internet ou serem transmitidos sem você perceber para a OpenAI , Microsoft ou Google, por exemplo. Mas quem está divulgando bastante a nova geração de computadores que poderá rodar uma IAG localmente? Aquela empresa cujo nome começa com M e termina com SOFT. Eles estão anunciando uma versão do Copilot, a IAG deles, em sua versão compacta que rodaria no seu computador. Aí fica com você se acredita que a tal empresa M vai garantir a privacidade dos seus dados e sua IAG não vai ficar compilando informações sobre você para serem usadas por parceiros para oferecerem seus produtos para você, já conhecendo seus gostos, preferências, histórico de compras, etc. Eu não confio.
E se você usa esse computador em ambiente corporativo, você confia que nenhuma informação da sua empresa poderá vazar para a concorrência?
A alternativa seria usar IAGs de software livre ou código aberto que funcionem mesmo desconectadas da internet. Um software livre pode ter seu código escrutinado pela comunidade de usuários e desenvolvedores. E ele devia poder funcionar mesmo desconectado da internet ou dentro de uma intranet. Existem algumas alternativas de software livre como o Llama 2 e Llama 3 da Meta, e suas versões, o Mistral 7B de origem francesa entre outros.
E precisamos de uma nova máquina equipada com processador Neural e etc, etc ? Eu publiquei um artigo em https://bit.ly/4bgK0l1 , no qual mostrei que é possível instalar via LM Studio o Llama 2 e ele funcionar perfeitamente numa configuração com Core i7 12a geração, 16Gb de RAM e processador gráfico NVIDIA MX550 que é um processador pouco poderoso comparado com os processadores da NVDIA RTX 3050, 3060, 4050, 4060, 4070 que são muito mais poderosos e geralmente são os recomendados para poder testar uma IAG no seu computador. E nem falei de versões mais poderosas de processadores gráficos. Eu rodo o Llama 2 7B no meu notebook perfeitamente e ele consegue fazer o que a maioria dos seus irmãos maiores fazem, então é tudo o que eu preciso, e o que você precisaria também. O Llama 2 é uma IAG de código aberto, roda bem desconectado da internet e posso ter certeza de que meus dados não estão sendo coletados e enviados para fora.
Eu tinha até pensado em fazer um upgrade para uma configuração com 32gb ou 64gb de memória RAM e processador gráfico NVIDIA RTX 4070 o que demandaria um bom investimento mas depois dos testes que fiz com o LM Studio e o Llama 2 estou plenamente satisfeito. Não precisarei mudar de configuração nem pagar assinatura para utilizar a IAG da tal empresa M porque o uso do Llama 2 é gratuito, não precisa pagar nenhuma assinatura enquanto o da empresa M é pago, precisa de uma assinatura mensal ou anual. Posso também ficar tranquilo em relação à segurança e privacidade dos meus dados. Se depois de você saber tudo isso, você ainda está ansioso para comprar um computador dessa nova geração de computadores com processador neural, não se importa em pagar uma assinatura extra, além das outras que você já deve pagar e não está preocupado em relação à privacidade dos seus dados, vá em frente, cada um é livre de usar seu dinheirinho como bem entender. Mas se você é do meu time, que não tem muito dinheiro sobrando e só iria gastar mais em caso de necessidade, e se preocupa com a segurança e privacidade dos seus dados, então já lhe dei uma alternativa. Abraços para todos.
Ernesto Villafuerte Oyola Msc. Ciências de Computação, área de Inteligência Artificial CEO Aomega Consultoria e Treinamento https://www.aomega.com.br
(Screenshot do LM Studio rodando localmente o Phi-3 Mini no meu computador, a solicitação que fiz na tela foi a de resumir um artigo)
Um dos problemas para rodar uma LLM generativa como o ChatGPT, Llama, Gemini, etc., localmente, são as exigências do sistema. Segundo recomendações de especialistas uma configuração mínima seria um computador com 64gb de memória RAM, 1 tb de espaço em disco, de preferência SSD, processador Core i7 de 11a. geração para cima, placa gráfica NVIDIA recomendada a RTX 4070 ou superior. E mesmo como essa configuração, não é garantida que a LLM vai “voar” no seu computador, pelo contrário, pode ter uma demora irritante para responder os “prompts” ou solicitações.
Ouvi falar do LM Studio, uma ferramenta que permite baixar os modelos de linguagem diretamente do Hughingface e rodar eles localmente, sem precisar de conexão com a internet, sem enviar dados para servidores externos. É uma situação ideal para empresas que desejam garantir a privacidade das suas informações e que informações importantes não venham vazar para fora do ambiente da empresa.
Em um artigo anterior descrevi minha experiência com o Mistral 7B, uma LLM francesa de código aberto. Fiquei inicialmente feliz por ter conseguido rodar a LLM localmente mas o tempo de resposta era muito grande então não era prático, ainda não era a solução para alguém que rodasse o LM Studio com Mistral 7B numa configuração mais modesta como a minha. Embora meu notebook seja Core i7 de 12a. geração, ele só tem 16Gb de RAM e placa de vídeo NVIDIA mas um modelo bem inferior , o Geforce MX550, bem aquém de uma placa RTX 4070.
Assim passou um bom tempo para fazer uma nova tentativa. Me animou saber que a Meta tinha lançado o novo Llama 3B mini, que seria bem menor. Também estava interessado em testar dois novos modelos: O Phi-3 Mini da Microsoft, um modelo compacto de LLM assim como o Gema do Google, também um modelo compacto.
Embora empolgado com a possiblidade de rodar o Llama 3B localmente, ele caiu no mesmo problema do Mistral 7B, o tempo de resposta era horroroso. Abandonei o Llama 3B e baixei o Phi-3 Mini. Fui fazer os testes e surpresa de surpresas, o tempo de resposta era razoável, demorava um pouquinho para responder, mas ainda dentro do tolerável. Fiquei muito contente e pensei: Será que o Gema do Google também vai ter performance semelhante no meu equipamento?
Fiz alguns testes com o Gema, mas ele demorava mais para responder que o Phi-3 Mini. Além disso para algumas perguntas simples ele demorava muito para responder e respondia de forma inesperada muitas vezes. Tentei “conversar” com ele, como faço com o ChatGPT, mas ele não está capacitado para manter uma conversa coerente. Respondeu errado a várias solicitações, sei que é uma versão mini, mas nem por isso era admissível assim que abandonei os testes com o Gema e fiquei apenas com o Phi-3 Mini da Microsoft, o único que roda decentemente no meu equipamento, que está longe de ser a configuração ideal. Ele foi capaz de manter uma longa conversa de forma coerente e respondeu corretamente a minhas solicitações. Pronto! Agora sim tenho um IA Generativa que posso chamar de “minha” rodando localmente no meu computador, com toda privacidade e segurança, fiz testes desconectado da internet e ele continuou funcionando corretamente. Pode ser que no futuro as coisas mudem mas no momento minha IA Generativa favorita para rodar localmente passou a ser o Phi-3 Mini. E se funcionou bem comigo com certeza funcionará bem com outros usuários que tenham uma configuração igual ou superior à minha.
Llama 2: Continuando meus testes com modelos de IA generativa, testei e descartei outros modelos mas quando testei o llama2 chat 7B, baixando ele para meu computador usando o LM Studio tive um grata surpresa. O llama2 chat 7B funciona bem rápido, é capaz de te ajudar com código em várias linguagens, com SQL e também responde perguntas gerais. Analisando código se saiu melhor ainda que o Phi-3 Mini, então ele passou a ser minha segunda LLMs instalada localmente no meu computador e não precisei escrever uma linha de código, só baixar o modelo do Hughingface com o LM Studio , que ele mesmo instala e já está pronto como opção de modelo a ser utilizado nas suas conversas com a inteligência artificial. Lembrando que minha configuração de computador é de 16gb de RAM, processador Core i7 12a. geração e placa gráfica modesta, a NVIDIA MX550.
O LM Studio também permite que você chame as LLMs via API simulando um servidor local abrindo novas possibilidades.
