Hardware, software
e Machine Learning

O que fazemos hoje

• 💾
  Hardware da IA — GPU, TPU e porque importam
• 📊
  Dados — tipos, qualidade e o que define um bom dataset
• 🤖
  Machine Learning — supervisionado, não-supervisionado, reforço
• 💬
  LLMs e IA Generativa — como funcionam ChatGPT, Claude, Gemini
• ✍️
  Exercícios 1 e 2 — ML na minha organização + auditoria de dados

O hardware que torna tudo possível

O que são dados para a IA

Os 3 tipos de Machine Learning

• 🏷️
  Supervisionado — aprende com exemplos rotulados (input → output correcto). O mais comum em empresas.
  Ex: classificar spam, prever churn, detectar fraude
• 🔍
  Não-supervisionado — encontra padrões sem rótulos. Agrupa dados semelhantes.
  Ex: segmentar clientes, detectar anomalias
• 🎮
  Por reforço — aprende por tentativa e erro com recompensas. Optimiza para um objectivo a longo prazo.
  Ex: robots, sistemas de recomendação, jogos

Como funciona um LLM

Cloud — IA como serviço

O ecossistema de software IA

Quando NÃO usar Machine Learning

• ⚠️
  Dados insuficientes — menos de ~100 exemplos rotulados raramente produzem um modelo útil. Recolhe mais dados primeiro.
• 🔁
  Regras explícitas simples — se um if-else resolve o problema, não precisas de ML. A solução mais simples é a melhor.
• ⚖️
  Decisões legais de alto risco sem DPIA — despedimentos, crédito, diagnóstico clínico exigem explicabilidade total que muitos modelos não oferecem.
• 💥
  Custo de erro catastrófico — se um erro causa danos irreversíveis sem supervisão humana, a margem de segurança é insuficiente.
• 📉
  ROI negativo — se a solução manual demora 2h/semana e construir o modelo leva 3 meses, não vale a pena.