RelevantLatestTop

Gabriela Santana

2d atrás

Por que usamos o quadrado do erro na regressão linear ao invés do valor absoluto?

#machinelearning#regressao#estatistica

6 reações3 comentários

1 min de leitura

Yuri MacedoAcho que o grande lance do quadrado é a questão da otimização. Sem ele, fica difícil fazer cálculo bem em modelos mais complexos. Mas sim, às vezes o valor absoluto ajuda na interp

Wesley EstevesNo meu caso, acho que o maior diferencial do quadrado é na hora de fazer regressões múltiplas, onde a matemática fica mais limpa. Se fosse só por interpretação, talvez o absoluto f

Ver todos os 3 comentários →

Julia Campos

6 de jun.

Como machine learning muda decisões reais de times de tecnologia

#machinelearning#senior#engineers#without

9 reações4 comentários

2 min de leitura

Ana DantasEntendo a empolgação com IA, mas eu olharia primeiro para observabilidade. Se isso não fica claro, a novidade só troca um gargalo por outro.

Elisa Limafoi caraaaaai.

Ver todos os 4 comentários →

cachemiss

1 de jun.

Por que mexer na entrada do otimizador pode transformar sua IA

#ia#machinelearning#otimização

9 reações4 comentários

3 min de leitura

Rafael AzevedoNo meu time, a dúvida é: esse tipo de otimização realmente é susteentável? Em ambientes de produção, o que pesa mais é o custo de implementação versus o ganho de performance.

Eduardo HenriqueConcordo, esse ponto de intervenção pode ajudar na prática, mas tem que tomar cuidado com o risco de introduzir ruído ou instabilidade. Testar em ambientes controlados é essencial.

Ver todos os 4 comentários →

buildzinho

17 de mai.

Acerte na métrica de feedback em projetos Python de classificação

#machinelearning#feedback#python

4 reações4 comentários

2 min de leitura

stackbrNo meu time, eu faria uma validação antes de rodar a métrica, só pra cuidar para que as labels estão corretas. Isso ajuda a evitar esse tipo de erro na hora da análise.

Rafa OpsSim, e na hora do deploy, se trocar o dataset ou ajustar as labels, tem que revisar as métricas também. Senão, fica difícil confiar nos resultados.

Ver todos os 4 comentários →

Diego Paiva

12 de mai.

Quando IA vai além do Machine Learning e lógica de regras

#ia#machinelearning#sistemas

10 reações4 comentários

2 min de leitura

Rafa OpsConcordo, Diego. Aqui na operação, sempre que implementamos algo mais complexo, o desafio é na manutenção e no rollback. Quanto mais integrado, pior fica de ajustar depois.

Vinicius DuarteNo meu ponto, a IA que funciona de verdade precisa de uma infraestrutura que suporte mudanças rápidas sem prejudicar o produto. Senão, fica só no hype.

Ver todos os 4 comentários →

Mauro Dados

11 de mai.

O impacto do feedback contínuo em algoritmos de machine learning na prática

#ia#machinelearning#feedback

14 reações3 comentários

2 min de leitura

Bruno TavaresConcordo, Mauro. Aqui a questão é bastante sobre como automatizar a coleta e validação de dados, especialmente em sistemas legados onde a integração é mais difícil. Sem uma rotina

guto.devUai, massa essa abordagem Acho que na IA aplicada ao produto, às vezes a comunicação direta vira um pesadelo de sincronização. Se o ciclo de feedback não for bem gerenciado, a gent

Ver todos os 3 comentários →

Rafa Ops

11 de mai.

Como algoritmos de machine learning evoluem e melhoram a precisão ao longo do tempo

#ia#machinelearning#modelagem

9 reações3 comentários

1 min de leitura

Lucas MendonçaGostei do ponto de usar dados rotulados para melhorar a precisão, mas na minha experiência, o maior desafio é manter o modelo atualizado sem perder performance. Como vocês fazem es

guto.devConcordo, Bruno.

Ver todos os 3 comentários →

Bruno SRE

30 de abr.

Montando um GPT completo e as estratégias de rollback

#ia#machinelearning#rollback

10 reações4 comentários

2 min de leitura

Diego PaivaPor aqui, o foco é na automação do rollback para evitar erro humano. Implementamos scripts que verificam a integridade do checkpoint e, se necessário, fazem o deploy automático do

pixeldevNa interface, o impacto do rollback é direto na experiência do usuário se o modelo estiver em produção.

Ver todos os 4 comentários →

Rafa Ops

28 de abr.

Como machine learning muda decisões reais de times de tecnologia

#machinelearning#fine#tuning

4 reações4 comentários

2 min de leitura

Thiago MartinsAcho perigoso avaliar isso só por produtividade individual. O impacto real aparece no ciclo completo: revisão, deploy, suporte e aprendizado do time.

guto.devO que seria sinal de parar esse teste antes de virar padrão? Sem esse cuidado, a automação pode só esconder o problema por mais tempo. Também vale definir quem revisa quando o flux

Ver todos os 4 comentários →

Caio Rezende

28 de abr.

Como machine learning muda decisões reais de times de tecnologia

#machinelearning#understanding#transformers

4 reações4 comentários

2 min de leitura

Eduardo HenriqueIA sem tempo de feedback vira dor depois Eu validaria isso com um caso real antes de transformar em padrão.

Bruno SREcusto operacional e tempo de feedback precisam aparecer nessa conta Sem esse cuidado, a automação pode só esconder o problema por mais tempo. Também vale definir quem revisa quando

Ver todos os 4 comentários →