Latest / Product Guru's : Produto | Negócios | Carreira / Os agentes de IA vão acabar com os devs? | Anderson Amaral - Co Founder @ScoraS

Transcript

Os agentes de IA vão acabar com os devs? | Anderson Amaral - Co Founder @ScoraS · Product Guru's : Produto | Negócios | Carreira

0:00
Então a primeira coisa é a pessoa se situar, o que que ela
0:03
quer aprender. Isso eu falo do independente de
0:06
ser, deve uma pessoa de produto e tudo mais, e sempre entender
0:10
as partes éticas. Essa coisa de gardrey não é
0:13
brincadeira. Cyber segurança não é
0:15
brincadeira, todo mundo, independente se você é de
0:18
produto, de marketing, você deve Gero de dados, sentido de dados,
0:22
né? Quente, front end, todo mundo
0:24
tem que saber que um erro. E alguém tem que ser
0:28
responsabilizado. É como se a gente tivesse
0:30
trabalhando com o carro autônomo, né?
0:32
O carro autônomo atropelou quem que é o culpado?
0:33
A fábrica, a condutora, quem comprou é a mesma coisa.
0:37
Aqui você está colocando um agente de Ah, está trabalhando
0:39
junto. É você que criou, você que
0:41
idealizou, você que vendeu, você que implementou.
0:44
Quem que é o responsável então? Entender essa parte de segurança
0:48
essencial. Oi, tudo bem com você?
0:53
Meu nome é Paulo chiodi e sejam bem vindos a prote gurus, o
0:56
podcast que é a voz por trás dos produtos, mas que também aborda
1:00
tecnologia, negócio e carreira de peito aberto e de um jeito
1:04
só, um pouco um pouco de humor, um pouco de acidez, ironia e
1:09
afins. Hoje eu vou conversar com ele,
1:12
que é considerado por muitos o pica.
1:16
Quando o assunto é agente de AELM no Brasil, não tem outro
1:21
nome acima dele, segundo o instituto data foda se aqui que
1:28
foi através de um post que eu fiz e falei assim, marquem os
1:30
nomes da das pessoas referências no assunto de a no Brasil e
1:35
muita gente marcou o Anderson é e a gente já se conhece.
1:39
Eu e o Anderson já nos conhecemos através de um post
1:42
ingênuo meu é em pleno domingo. Mas que a gente vai falar sobre
1:48
aqui e já aproveito aqui. No início eu estava assistindo
1:52
pelo Spotify, Apple podcast. Clique no botão seguir e deixe
1:56
suas 5 estrelas. Isso é muito importante, nos
1:58
ajuda. E também comente o que que você
2:01
achou da conversa com o Anderson, quais são suas dúvidas
2:04
sobre LLME agentes de a porque através dessas perguntas, desses
2:08
comentários, o Anderson pode responder no LinkedIn dele.
2:12
O link está na descrição. E também eu posso fazer
2:15
conteúdos marcando o Anderson para ele responder lá no meu
2:18
LinkedIn também é? Está assistindo pelo YouTube?
2:22
Se inscreva no canal, deixe o seu joinha e comente também e
2:25
compartilhe, por favor, isso nos ajuda bastante.
2:28
Anderson, seja bem-vindo ao projeto.
2:30
Gurus, tudo bem com você? Olá, tudo bem, tudo ótimo?
2:33
Antes da gente começar aqui o assunto de agentes de AELLM,
2:36
porque eu sei que vai ser uma aula esse esse episódio, você é
2:41
fundador com fawder ali. De 2 empresas com o mesmo nome,
2:46
mas com propósitos diferentes. A escoras tem a escoras digital
2:52
e tem a escolas Academy. Qual que é a diferença e qual
2:55
que foi o propósito em criar elas?
2:59
Até explicando desde o começo porque o nome escoras, né?
3:03
Escolas vem de escor. Quando a gente criou, a gente
3:06
pensou, tem que ser algo que seja fácil em qualquer língua,
3:09
né? E esses scores vieram dos locais
3:13
onde eu passei no background profissional.
3:15
É muito infintec. Então fui o head de dados da
3:19
Stone e do PicPay, onde eu criei motores de crédito.
3:23
Um dos meus mentores foi é Dorival Dourado, esse aí ou do
3:27
Serasa? Então, tudo que era score para
3:29
medir é gama de coisas, né? Risco de crédito, risco de
3:36
fraude, enfim. Era usado ali, foi uma maneira
3:40
didática que eu encontrei para tornar machine learning.
3:43
Machine learning é parte de a tá também, muita gente esquecia
3:48
dessa parte, né? De agora a gente tá trazendo à
3:51
tona de novo rádio, machine learning, machine learning, EAE,
3:55
mas também é um assunto difícil e quando você fala em escola
3:57
você traduz você imagina, por exemplo, uma prova, blog do do
4:02
vou, vou usar o Paulo como exemplo.
4:03
O Paulo cometeu uma fraude, uma fraude é um ou é zero?
4:08
Fica uma coisa muito não é muito determinística, não é um é zero,
4:12
você tem, não tem como você ter certeza, sim ou não no futuro.
4:16
E aí a gente pegava. A probabilidade, por exemplo, é
4:18
0.8 de cometer zero, consequentemente é zero ponto 20
4:22
de não cometer, aí transformava esse 0.8 e 0.2 em scors.
4:28
Resumindo, probabilidade do Paulo cometer uma fraude 800 ou
4:32
não de não de não cometer, tá, tá?
4:34
Vamos pensar no lado bom. 800 qualidade dele cometer 200 aqui
4:39
é uma pessoa deveras honesta, posso fazer empréstimo, et
4:42
cetera, e tal. Aí como eu passei muito por
4:46
isso, né? E essa situação, surgiu a ideia
4:50
de criar escoras lá em 2021. É, os modelos de linguagem
4:55
daquela época eram bem diferentes, atuais, né?
4:58
Tinha o Bert, que de origem, o Bert é o quase, o pai de tudo
5:02
isso aí que veio depois GPTSE tudo mais.
5:05
Tinha bastante spa ICNLTK que era, né?
5:09
Natureland g token basicamente era muito mais difícil criar a
5:12
gente de a, mas a gente já criava e desde então a escoras,
5:17
que era um projeto assim de lá. Eu sempre tive emprego CLT até
5:21
2023 tá empreendendo, mas tinha empregos de CLT.
5:26
Ela cresceu bastante. Principalmente no exterior, né?
5:30
E aí a gente trouxe pro Brasil também.
5:32
Aqui começamos com grandes clientes, não vou citar o nome
5:34
de alguns agora, eu sempre cito No No LinkedIn ali, e aí surgiu
5:38
a necessidade de ter brasileiros no meu time.
5:43
Boa parte do meu time não é formado de brasileiros, muitos
5:47
nem falam português, alguns falam português um pouquinho, e
5:50
aí, por que isso? Acho que todo mundo que está
5:52
lidando, principalmente seguindo o Paulo aí, já viu a necessidade
5:56
de escrever pront. E em agentes de a você precisa
6:01
do port template, que nada mais é que aquela instrução que ele
6:04
guarda na memória e usa depois, né?
6:08
Os agentes de a diferentes dos MLMS chats.
6:10
Ele não recebe o tempo todo o input.
6:12
Ele, ele tem o input fixo, que é o template.
6:15
Aí a gente pensou isso, ferrou, preciso de brasileiro.
6:19
E quando você vai e olha o mercado brasileiro, grande parte
6:22
das pessoas com conhecimento muito bom.
6:26
Técnico que a gente precisa Na Na scoras digital, né?
6:31
Estão trabalhando para o exterior, estão em big techs,
6:34
nem quer saber de empresa nacional.
6:37
Aí foi quando a gente resolveu criar a scoras Academy,
6:40
justamente para ter mais talento, né?
6:44
É nessa época, aí foi agosto do ano passado, a gente criou
6:47
escoras Academy em setembro, muita gente já pedia.
6:50
Eu tinha começado a escrever um pouquinho no LinkedIn, conteúdo,
6:54
etcetera, nada muito. Frequente igual agora.
6:59
E a gente começou ali a pensar, ô, vai dar uns 2030 alunos, vai
7:03
ser legal. Quem ensina aprende 2 vezes e a
7:06
gente vai contratar umas 23 pessoas.
7:09
Vai ser muito bom. Enfim, corta pra cá agora, 6
7:12
meses depois, né, 500 alunos, quase 490 e pouco alguma coisa.
7:19
E já contratando gente lá na score dígito e agora a gente tá.
7:24
Até recomendando pra outras empresas.
7:26
Grandes empresas internacionais, nacionais contratam alunos da
7:29
escola da Academy. Cresceu tanto que a gente fez um
7:32
spin off agora, desde fevereiro são 2 empresas.
7:36
A Academy tem um cnae de editora e instituição de ensino e nos
7:41
próximos meses ela vai estar construindo.
7:42
Ela já tem uma proposta pra isso, cursos, White level pra de
7:46
graduação. Para outras universidades,
7:49
revenderem e tudo mais, né? E a digita continua de vento em
7:52
poupa, agora com alguns talentos da escola zacadem, foi isso.
7:56
Esse é um exemplo do quão é é talvez necessitado está o Brasil
8:01
de talentos. E um detalhe, zero gasto com
8:05
meds, tudo orgânico, agora tudo orgânico.
8:09
A gente não foi posto no LinkedIn gerou, né?
8:12
Dá até medo se se a gente gastar com isso quanto rápido vai
8:16
crescer, né? Aí, claro, a gente tem que se
8:18
preparar estruturalmente. Se eu quiser é é de fato
8:23
crescer. Escoras a carne tá no backlog,
8:25
tá, mas é um é uma ideia aí, né, que tá vão adoecendo.
8:30
E esse, mais uma vez, é um exemplo de como o mercado tá
8:34
carente de pessoas na área. Para a construção de agentes de
8:38
a de engenharia de a arquitetura de a.
8:40
E você que está ouvindo e assistindo o nosso podcast, esse
8:44
episódio tem cupom? Acho que ele IA fazer o jabacen
8:49
da cupom gurus 10. O link está aqui escolas
8:52
Academy. Vai lá e vai se vai aprender a
8:56
como criar agentes de a com quem cria para grandes empresas, não
9:01
só nacionais, mas internacionais.
9:04
É. E quem se você acompanha o
9:07
Anderson No No no LinkedIn, sabe que o conteúdo é rico, é denso,
9:12
é de qualidade, é aprofundado, né?
9:14
Aquelas coisas do a gente vê aí fora, não entendeu?
9:19
Então garanta o seu o seu lugarzinho na escolas Academy
9:24
link aqui na descrição, gurus 10, para ter um descontinho.
9:29
Olha e vai. Foi um prazer ter os ouvintes
9:32
aqui do podcast, porque ao longo do aqui, da da conversa, a gente
9:37
vai chegar lá. Mas já adianto que as novas
9:42
skills são cada vez mais capacidade de entendimento de
9:46
negócio, tá? É de uma bem resumido aqui, eu
9:49
vou esperar o Paulo trazer depois o gancho.
9:52
Aquele deve ranzinza que não se comunique com time de marketing
9:56
de produto. Todo mundo teve, eu já fui
9:58
gestor, boa parte das pessoas que ouvem aqui também são ou já
10:03
foram gestoras. Todo mundo que chegou a se
10:06
deparar Na Na vida, aquele deve no canto dele, introspectivo,
10:10
quieto, ranzinza, que não gostava de explicar a parte
10:14
técnica, né? Então isso aí vai entrar em
10:17
extinção, vai ser substituído por IA.
10:20
Esse tipo de de profissional, né?
10:21
Até mesmo pela pela dificuldade de passar conhecimento.
10:28
Então é justamente as pessoas de produto marketing que entende do
10:33
negócio a partir do momento que elas passam a dominar um pouco,
10:36
tá? Não precisa se aprofundar tanto
10:38
um pouco a resolver problemas em elas.
10:41
São as pessoas que vão tomar este lugar.
10:45
Todo mundo já sabe disso. Muita gente não quer olhar para
10:47
a realidade, né? Tem muita briga de éguas aí, mas
10:52
é, se eu não me engano, 2023. Uma das pessoas que criaram uma
10:55
das maiores competições de ar foi uma pessoa de produto, uma
10:57
garota de produto, né? Competindo com desenvolvedores,
11:02
engenheiros de água. Vou possivelmente esse link que
11:06
eu devo ter salvo em algum lugar e publicar em.
11:08
Breve, me mande é publique, eu vou atrás dessa dessa moça para
11:13
vim aqui no PG ou trocar figurinhas com ela.
11:17
Ô, ô Anderson. A gente já vai começar aqui com
11:22
uma pergunta que eu acho que é é importante.
11:26
A gente é responder, porque hoje a gente vê muito conteúdo.
11:33
Hoje tudo é e a né é hoje. Até brinquei com com o César
11:40
taurión, é que eu gravei com ele.
11:43
Eu falei, hoje? Se se você quiser ter um
11:47
alcance, engajamento, não sei o que é criador.
11:50
Se você fizer uma receita de bolo, colocar bolo de cenoura,
11:54
tracinho, IA, vai chover engajamento, curtida, vai ter
11:59
gente copiando, vai ter gente fazendo e tal.
12:02
Mas IA é algo, não é algo novo, né?
12:06
E aí hoje a gente fica vendo muitas siglas como agente de
12:11
ALLM. SLM como que você explicaria a
12:18
diferença entre um LLM tradicional de um de um agente
12:22
de a autônomo? Em que momento o modelo de
12:25
linguagem se transforma em um agente capaz de agir no mundo
12:29
real? E eu dei uma entrevista no
12:31
Estadão, uma não umas 3, onde eu sempre tento trazer essa esse
12:37
tema para as pessoas entenderem a diferença, né?
12:40
OLLM é o large lendo de modo é um modelo de linguagem.
12:44
Inclusive as pessoas têm uma expectativa muito grande de que,
12:47
Ah, o próximo modelo vai ser sempre melhor, melhor, né?
12:52
Aí tem uma frase minha, até que o ficou em destaque também lá no
12:55
Estadão é já tem quase um consenso.
12:57
Já há um consenso entre o especialista de a do que é a
13:01
possível em DI, né? A super inteligência, o banco de
13:06
tipo Skynet, se vier a surgir. Ela vai vir justamente da
13:13
combinação de multiagentes, não de um LLM, né?
13:19
Não vai vir de um lar de lame de moda.
13:20
Ela vai vir de uma maneira na qual você consiga combinar,
13:23
talvez todos os LMMS, né? Então, OLM, ele é um modelo de
13:30
linguagem onde ele decora tudo o que cai na mão dele.
13:34
Basicamente trazendo aqui, né? Então, quando você diz, por
13:37
exemplo, ó. E eu vou tomar hoje está calor,
13:41
eu vou tomar sorvete. Espera aí, qual AO que é mais
13:46
provável? Hoje está calor, eu vou tomar
13:47
sorvete ou hoje está calor? Eu vou tomar sopa, hoje eu vou,
13:50
está calor, eu vou tomar sorvete.
13:52
Então, OLLM, ele já viu tantos artigos, tantos livros, onde ele
13:56
sabe que quando está quente, a pessoa tende a tomar algo frio.
14:00
Que é assim que funciona lele, ele prediz próximo toco, que é a
14:03
próxima palavra mais provável se você não, mas hoje tá calor, mas
14:07
eu ainda quero sopa, eu tô de dieta, eu vou tomar uma sopinha
14:10
daí, beleza, ele vai e corrige o caminho, né?
14:13
O lele tá limitado, aquilo, a base que ele foi treinado e as
14:16
bases são diferentes e tudo mais.
14:18
Para que dar um multi agente de ar, chamar agentes trabalhando
14:22
juntos? É igual um ser humano somando
14:26
forças no laboratório. Do mesmo modo que hoje em dia a
14:31
gente olha para Albert Einstein, Isaac Newton e tal, é muito
14:35
difícil de um outro cientista tão excepcional que sozinho faça
14:40
tudo. O mês ocorre com os modelos, né?
14:43
Eles precisam ser combinados através de agentes de AOAOLM.
14:49
Ele é uma ferramenta, ele simplesmente é uma ferramenta.
14:52
O ChatGPT, né, que é Oo chat ali.
14:57
Do LLM da open a ele é um ferramenta OLM por trás dele.
15:00
A partir do momento que você combina OLLM dele com de minnai
15:04
do Google com instruções de como usar cada um outro, você criou
15:08
um sistema multilagentes que sempre vai ser superior ao LLM
15:14
original dele. Então é a soma das
15:17
inteligências. Do mesmo modo que hoje em dia é
15:19
dificilmente um ser humano vai fazer uma descoberta de física
15:22
quântica, por exemplo, sozinho. Ele tá no laboratório cheio de
15:26
gente, tá lá no cerne, na Suíça, fazendo pesquisa, usando todos
15:30
os recursos possíveis para chegar no resultado final.
15:33
É a mesma coisa no caso dos multiagentes, a briga que a
15:37
gente vê entre os LLMS, tal plenamente comercial ali, todo
15:41
mundo sabe que se né? É muito mais um produto de, de,
15:45
de de criar uma dependência. Mas quando você senta e fala,
15:49
não quero criar o melhor sistema de a possível.
15:53
Você vai ser agnóstico em relação a Liliane, escolher a
15:56
combinação dos melhores que puder.
15:58
A gente tem um exemplo, um serviço, um produto com esse
16:02
exemplo que é o humanus ay, né? Ele combina vários.
16:07
Ali eles eles abriram que parece que o carro chefe, ele chega a
16:12
ser o cloud dantropk, mas eles têm o próprio técnica, a própria
16:16
técnica de instruções ali que eles dizem que vão abrir 1 hora,
16:20
né? Os modelos treinados, mas.
16:22
Já é algo que funciona muito acima de boa parte dos chats de
16:29
LLM, né? E tem vários outros aí já
16:32
concorrentes do manos e Eike, é da China, né?
16:35
Então, o deep Research que a gente vê nos chats LM, é uma
16:38
tentativa de fazer algo, mas quando mistura todos LLMS fica
16:42
excecional. E aí tem tem um você, você
16:45
falando, eu apareceu 22 Curiosidades aqui na minha
16:49
cabeça, que é uma. Não sei se foi o César que falou
16:56
na gravação do episódio, no episódio com ele é?
17:01
Ou você ouvia em outro lugar, quer dizer, até então eu achava
17:05
que todo todo input que eu dava eu eu ajudava a exemplo, a open
17:13
IA retreinar o modelo como é o input pra gerar o output?
17:21
E eu fiquei sabendo que não é assim que que que acontece,
17:25
porque para treinar no modelo é muito caro.
17:28
Então imagina toda vez que eu dar um input, eles têm que
17:32
reprocessar o modelo para poder. É isso mesmo?
17:35
É, não, não é tão simples assim para retreinar, para atualizar o
17:39
modelo, não é? Por exemplo, eu falei lá, pô, eu
17:43
quero sopa. Eles vão lá pegar a sopa, aí
17:45
retreina o modelo todo só para incluir a sopa não é assim, né?
17:49
Não, não é. É até complicado, porque eles é
17:54
necessário deixar a opção se você quer ou não que os seus
17:57
inputs sejam usados para retreino, né?
18:01
Então invade a privacidade. Imagina tudo que você já colocou
18:05
lá. Se você autorizar aquilo pra
18:06
retreino, eventualmente você está autorizando uma outra
18:10
empresa a ter acesso a tudo que você tem.
18:13
Né? Tem pessoas que imputam um
18:16
documento ali, isso ali já pega, ORG seu CPF, telefone e tal,
18:21
então toma se muito cuidado, as empresas também tomam, tá?
18:25
É geralmente opcional isso se for pago, se for gratuito já
18:30
sabe, né? Quando, quando é gratuito, o
18:32
produto é você, então. E o retreino, ele é mais
18:36
complexo, tem muito lixo que entra ali, tem muita coisa que
18:40
não serve para nada. Então tem trocentas respostas
18:42
muito parecidas, você você não vai gravar todas, você vai
18:45
gravar OA frequência daquela resposta você vai gravar, né?
18:49
Imagina todo mundo entrando lá e ficou satisfeito?
18:52
Com determinada pergunta, Ah, como eu faço um relatório de
18:56
venda do meu imóvel, eu quero fazer tal.
18:59
Aí 500000 pessoas fizeram muita pergunta, 500000 pessoas ficaram
19:03
satisfeitas e deram aquele joinha, porque a open a, por
19:06
exemplo, faz teste AP, ela sempre lança vez ou outra, ela
19:09
escolhe rondonicamente para você dar um like, qual resposta que
19:11
você gostou? Aquilo fica gravado, então ela
19:15
não precisa de fato salvar. Todo o seu histórico ali para
19:21
treinar o modelo, ela salva o seu comportamento, ela
19:23
generaliza, falou, ó, quer dizer que tantos caracteres, com
19:28
aquela tonalidade, com aquela, aquele muro, aquelas
19:31
informações, deixou 80% satisfeito?
19:34
Então vamos treinar desta maneira, porque é desta maneira
19:37
que as pessoas em geral gostam que sejam respondidas.
19:40
Então é um treino muito mais macro do que específico, né?
19:44
É entender de fato o ser humano. Então, não, não é tudo que
19:48
imputa ali. Felizmente, não.
19:50
E também felizmente você tem opção de não permitir nem essa
19:53
macro, né? Esse macro treinamento geral
19:57
ali, na maioria dos casos nos quais você paga pelo chat do
20:01
LMM. Por que que os modelos da China
20:05
são mais baratos do que os modelos americanos?
20:08
Porque a gente assim, eu que não sou um especialista de a, mas eu
20:13
estou acompanhando ali de perto e tal, muito mais como um
20:16
criador de conteúdo, como muito mais como um curioso.
20:19
É com tecnologia EE negócios. De repente a gente tem a open a
20:24
com Stargate sendo anunciado e na mesma semana Do Nada aparece
20:30
uma baleia chamada de psique. Falando que viu?
20:35
Então eu entrego o que a open A Entrega com 0,1 do valor de
20:40
custo. E agora a gente tá falando do r
20:42
2, que é 97% mais barato, segundo algumas Fontes que o é o
20:49
ChatGPT o 3. Aparentemente, como isso é
20:55
possível? É porque num determinado momento
20:58
a gente olha para os custos e fala assim, pô, ya.
21:01
Como toda a tecnologia, com o passar do tempo tem que ficar
21:03
mais barato. Quando a gente estava olhando
21:05
para OPNIA, gente olhava e falava assim, ué, não está
21:08
ficando barato isso daí? Esse brinquedo não está ficando,
21:11
está ficando caro. E de repente, a China olha e
21:14
fala assim, viu? Dá para fazer mais barato?
21:16
É e com qualidade e com eficiência igual ou superior, na
21:21
sua opinião? Por que?
21:23
Eu tinha feito essa predição ano passado, em outubro, eu acho.
21:28
Também falei com o Estadão e falei só é remodelo.
21:31
Eu falei que IA ser o quen, falei, o quen vai ser o melhor
21:34
modelo já é. E a China?
21:37
Há uma coisa, acertei, até coloquei no meu LinkedIn pra
21:39
China, vai assumir a ponta ao longo do ano, não estou em
21:44
janeiro já depsec, né? E chegou chegando com tudo.
21:50
Por que que isso acontece? Bom, a China em termos de
21:53
infraestrutura, falando aí mesmo de de da, da construção de chips
22:00
e tudo mais, ela não tem o mesmo nível que os Estados Unidos.
22:04
Ainda talvez vamos trocar materiais, não sei.
22:09
Mas com menos recursos, eles focaram mais em eficiência
22:13
computacional. Então, a maneira com que o de
22:18
psique. Foi criado, foi excepcional.
22:21
Até então a gente tinha o Human feedback, ou seja, de um humano
22:26
de fato para treinar e muita gente aqui já já sei que foi
22:30
abordada no LinkedIn oferecendo recebendo ofertas de 5 10 USD
22:34
para treinar um outro script, algoritmo dando feedback real
22:39
mesmo, sabe? Eu já recebi uns 5 convites
22:42
desse, sempre aparece alguém no LinkedIn oferecendo.
22:45
Isso, né? E até então esta era a maneira,
22:47
inclusive que é o openaire, um Trump que de minai estavam
22:50
fazendo, que era o Human feedback deep force online e o
22:53
it euman feedback, né? Ou o Human feedback deep for
22:56
force online. Aí não chegou a de psique e viu
23:01
que dava para automatizar inclusive o feedback do modelo e
23:05
melhorar o modelo automaticamente.
23:07
O mais engraçado, tá? Quem fez essa predição de que o
23:11
modelo só quer aprender? Né, deixa o modelo, ele aprende,
23:16
entendeu? É, foi o ilia sutskiver numa
23:21
conversa relativamente informal com o daria moday, né?
23:26
Só ilia sutskiver é o ex City o da open AO grande gênio por trás
23:30
da open a foi ele o inicial, né, ilia sutskiver, tá, não é o são
23:36
nautman. São atman, é a inteligência
23:39
comercial. Ali, claro, a empresa é o que é,
23:41
por ele também, mas o gênio da IA é o learsuitskiver.
23:46
Em conversa com Dara modei, que é o CEO da anttrop e naquela
23:52
época, se eu não me engano, foi 2015 e tal, eles falaram o lia,
23:58
subscrever os modelos, né? De modo just one to learn de
24:01
algum ele sentiu. De qualquer maneira, o modelo
24:03
quer aprender, não precisa ficar em cima, não precisa ficar
24:05
ensinando, só deixa ele aprender.
24:07
E essa foi a influência do de psyk.
24:10
Eles acharam uma maneira como dando técnicas ali os algoritmos
24:15
de que o modelo mesmo aprenda sozinho.
24:19
E isso permitiu que eles conseguissem uma eficiência
24:23
absurda. Por isso o modelo é tão mais
24:25
barato chegar próximo dos modelos até superar alguns
24:29
modelos fechados das big techs e.
24:34
De fato, criar um break too. Até agora, esse ano foi uma
24:38
descoberta de longe, assim da área, né?
24:42
Tudo isso forçadamente por falta de recursos, de infraestrutura,
24:46
gastando muito menos. Então tem se alguns boatos, Ah,
24:49
será que eles usaram o output da opna para treinar o modelo?
24:53
Bom, qualquer um pode fazer isso, isso é fato.
24:57
Nunca vai descobrir se a gente quiser fazer um modelo aqui,
25:01
cada um junta ali 11 grana, todo mundo começa a pedir feedback da
25:06
do ChatGPT e a gente junta tudo e treina o modelo.
25:09
Isso é normal, isso acontece o tempo todo, inclusive quem
25:13
procurar vai achar artigos nos quais dizem que o Jimmy bebe,
25:17
don't trock, tá? Então pode buscar, aí vai, vai
25:22
achar, ou seja, se até o Google faz isso, se o deep cick.
25:25
Quisesse fazer não seria problema.
25:28
Mas justamente por isso eles lançaram aquele paper
25:30
detalhando, né? Cientificamente, passo a passo
25:34
que foi feito e faz todo o sentido.
25:36
Então tá aí o segredo, né? E eles abriram para todo mundo.
25:40
Agora vai todo mundo usar aquele caminho, inclusive open Mae un
25:44
Trump, que todo mundo vai copiar de fato lá atrás e a subscrever,
25:48
estava certo de modos de just Mont learning.
25:51
Né? Deixa ele aprender.
25:52
Ele só quer aprender, só precisa do norte.
25:54
O resto ele vai. Então é é o mais próximo aí de
25:59
de uma inteligência autônoma. Né?
26:01
Seria uma, seria uma criança. Deixa aprender, deixa, vai
26:06
aprender com tentativa e erro, vai crescendo, vai entendendo?
26:09
Exatamente exatamente. Ô ô Anderson, já que a gente
26:13
está falando de agente de ALLM, modelo e afins.
26:20
Acredito que esses assuntos, eles necessitam de algo visual.
26:26
Você tem algum caso aí? Algum modelo, alguma coisa aí
26:29
que você usa da escola, alguma coisa que você consegue
26:32
compartilhar pra gente? Agora a tela assim ao vivo.
26:34
A gente tem casos implementados com escoras, mas eu vou mostrar
26:37
um aqui da escoras Academy justamente mostrando
26:41
multiagentes de a. Trabalhando você tem um prompt
26:45
de template onde um passa a instrução para o outro e no
26:47
final você tem o que? Geração de dashboards, inclusive
26:51
em sites a respeito da análise de dados.
26:54
Vou compartilhar aqui agora, né? Ó, que interessante.
26:59
Aqui eu chamo o que a gente chama de bibliotecas Python.
27:06
Estou usando o firmwork chamado langraph, que que é o langraph,
27:10
ele é um firmwork mais. Complexo?
27:14
Com certeza. Ele serve pra projetos
27:17
Enterprise. É a mesma coisa que faz um
27:21
flowise landflow NTM make zapper, só que esse aqui ele vai
27:29
embutido, digamos assim, em produtos em serviços dentro de
27:34
software. Então a customização dele é
27:37
total, né? Até porque é um projeto open
27:39
source. É um dos melhores filme loucos
27:41
do mundo. Acho que eu sou grande defensor
27:44
desse projeto que foi criado pelo pessoal do langue chain, só
27:48
que hoje em dia eles mesmo eu recomendam muito mais o
27:50
langraph, né? Langa chain virou o nome da
27:52
empresa langraph. É o projeto deles de
27:54
orquestradores de agentes de a é que tem de interessante aqui,
27:59
por exemplo, deixando bem simples, eu chamo a open MIQ.
28:04
Né? Poderia colocar aqui, don't
28:06
tropic cloud, poderia colocar de mnight, poderia colocar grock,
28:09
que é uma plataforma com um Monte de agente de open socs,
28:13
né? E aqui eu chamo o modelo, chamei
28:16
o que o Mini porque é um é um materiais claramente simples,
28:19
então eu não precisava na época do modelo, mais é, é complexo
28:24
qual que é a função aqui? Simplesmente eu vou ali em baixo
28:27
só para antes de voltar, gerar relatórios, né?
28:31
Aí, ó, qual a distribuição de produtos entre os clientes que
28:34
pagam acima da média geral? Mostra, ó produto a tanto, qual
28:38
a distribuição de produto entre os de produtos entre os clientes
28:41
que pagam acima da média geral? Ele gerou o gráfico, respondeu.
28:44
Ele mostra a query que na nossa área, principalmente, pessoas
28:48
técnicas. Duvidam muito, né?
28:51
Que a gente de ainda entendeu, mas será que ele acertou a quer
28:53
mesmo? Aqui ó, ele faz um select select
28:56
counting porque ele sabe que é para contar.
28:58
Ele mostrou obviamente num produto real, você precisa
29:01
colocar isso aqui, né? Você pede um gerador de
29:04
relatório de para OCEFO, ele não vai querer saber a quer por
29:08
trás, mas nesse projeto a gente deixou justamente para as
29:11
pessoas que estão aprendendo e falou, pô, o negócio acerta
29:13
mesmo, né? Ele falou, Ah, interpreta e
29:16
ainda gera o dashboard. Ele gera o gráfico, mas ele
29:23
fala, Ah, é o agente de Ah, não são multilagentes.
29:27
A gente interpreta isso aqui como fluxo de trabalho agente, e
29:32
cada um aqui tem um ponto, tem um Plate.
29:35
Daí a necessidade de de entender muito bem a língua na qual você
29:39
esteja trabalhando, né? Melhor ainda se você puder fazer
29:43
OOO input em inglês e pedir o outro input em português, né?
29:49
Ou seja, mas daí eles tem que dominar as 2 línguas, então é
29:53
porque o input em inglês biomal boa parte desses modelos.
29:57
Eles têm Foundation, né? A fundação deles é em português,
30:02
é em inglês, aliás, opneae de minae de shop, então ele sempre
30:06
vai ter uma facilidade maior em entender inglês.
30:09
Mas enfim, aqui, com o português funciona muito bem, e cada um
30:12
desse aqui eu posso chamar como se fosse uma gente.
30:15
Esse aqui é o secle Writer. Você é especialista em duck DB?
30:19
Duck DB é um banco de dados muito bom.
30:23
Ele é um intermediário entre os outros bancos e um data brics,
30:26
por exemplo. Muita gente gasta milhões por
30:28
mês com data brics, mas poderia ter sua solução resolvida com o
30:32
duck DB, que é um projeto pessoas, né?
30:34
Conhecimento também é, é muito poder e esse banco é
30:38
relativamente novo ele e aqui psicowriter ele escreve as
30:43
AAOSQL ali depois de receber o input.
30:46
Então a função dele é só essa, é muito melhor eu dar só essa
30:50
função do que acumular funções dele, tá?
30:52
É igual ser humano, ele começa a acumular função, ele perde
30:55
especialidade sim, diz. Assim, um full Stack não vai ser
30:59
tão bom quanto especialista, acabou, funções diferentes, né?
31:03
Aquele é especialista em tack de b, isso é sintaxe cycle.
31:07
Então se eu colocar sintac aqui de sintaxe de mais ciclo Bus
31:10
gris, qualquer outro banco ele numero vai achar estranho.
31:14
O foco dele é duck de b. Sua tarefa é apenas apenas ou
31:19
foco? Não apenas.
31:19
Por isso que as coisas ficam melhores quando você dá
31:24
instruções específicas para um agente e ele sabe que a função
31:29
dela é aquela, ele não vai recusar e falar não para.
31:31
Eu não fui pago para isso. Mas ele sabe que a função dela,
31:35
a função dele é aquela, ele não vai executar outra coisa, a
31:38
consulta SQL. Responda a pergunta do usuário
31:42
aqui, ó, então ele usa, ele tem aqui AA.
31:46
As tarefas dele utilizaram nomes de tabelas e colunas, conforme
31:48
definido no esquema. Não incluir comentários só que
31:52
não precisa comentar nada, né? O trabalhinho dele, robô não
31:54
utilizar a formatação de código macdown retornar apenas a
31:57
consultas que ele válida acabou, entendeu?
32:00
Daí tem todo o código ali pra isso, né?
32:03
E cada um tem a sua, a sua tarefa específica, então esse
32:11
aqui foi o um, você tem, outros aqui você tem.
32:16
Um para cada. Você tem OQIA engineer, né?
32:19
Depois dele, que é o qualitachuras engineer, é o é o
32:23
cara que vai ver. Espera aí, ele fez a qual
32:26
correto está trazendo o resultado.
32:27
Você é um engenheiro de QA especializado no banco nacional
32:31
ducklib, isso é sintaxe. Ele verifica se a quarta ela,
32:34
como se está funcionando, se está certo e corrige e se ela
32:38
está de fato respondendo a pergunta do usuário.
32:41
Então eles não, eles são complementares.
32:44
Dessa maneira eu consigo evitar erros, né?
32:48
Muita gente fica comendo nossa, mas ele não vai errar, será que
32:50
é tão bom como o Mano? Isso aqui eu não acerto as
32:53
querias que ele acerta, entendeu já mais então ele com base no
32:58
esquima, com base naquilo outra aí, pronto, aí você tem o TIF
33:02
DBA, você tem o chefe deles ainda que verifica o trabalho,
33:06
tá? Muita gente fala, Ah, ODBA cai
33:08
em desuso, não em agente, você ainda tem ODBA aqui?
33:11
Sua tarefa é fornecer feedback detalhado e melhorar a consulta.
33:14
Então, se a consulta está usando muita memória ou tal, tive de
33:18
enviar, ele melhora a consulta ainda por cima, né?
33:21
E aí você tem quem executar depois, tá tudo prontinho, o
33:24
chefe olhou, olha, tá tudo pronto, o meu time agora eu vou
33:27
passar para você executar, né? Você tem aquele que só executa
33:30
query, ele vai lá, ele confia no trabalho dos outros, ele sabe
33:34
que o chefe já falou pode né, pode mandar brasa, e aí depois
33:39
que ele faz a consulta. E vem o resultado.
33:41
Você tem aquele que interpreta, ainda que floreia tudo, você tem
33:45
mais um agente que floreia você, assistente especializado e
33:48
interpretar resultados de consulta SQL com a sintaxe da
33:51
UTB, explicá las e fazer uma análise ainda por cima.
33:54
Então ele já sabe, ele é como se fosse um analista de dados.
33:57
Aqui no final, todo mundo é um tipo de analista, né?
34:00
Mas cada um com a sua função e é isso que ele faz.
34:02
Então, ó, 1234 567 a gente pelo menos 7 especialistas.
34:09
Que numa fração de segundos traz o resultado, isso é o prompt
34:13
stanplate. Esse é o tipo de o World prompt,
34:17
né? Algumas pessoas chamam que de
34:20
fato especifica a função da agente de AE.
34:25
Dá um resultado muito melhor do que se eu pegasse, por exemplo,
34:30
me faz o relatório, tal, tal jogar isso aqui no chat do de um
34:33
LLM, por exemplo, né? Ele vai, ele pode interpretar de
34:36
maneiras diferentes, ele está cruulando função.
34:39
O chat do LLM, ele nunca vai ser superior a uma combinação
34:43
dessas, entendeu? Sem falar que aqui eu posso
34:46
combinar, eu estou usando só um LMM, mas eu posso combinar
34:49
diferentes LLMS. Eu posso usar um LM que até mais
34:55
fraco que o de menai. Um ponto de vista geral, mas que
35:00
saiba, EEE passou por treinamento apenas em sintaxe do
35:05
duck DB. Aí eu chamo ele aqui, Ah, o meu,
35:07
eu sou especialista, David, Bibi, eu chamo ele aqui, OLLME.
35:10
Os outros continuam esperando esperando a resposta, né?
35:14
Tanto que a gente faz isso muito em produção, tá?
35:16
O mais importante é aquele que vai falar com o público, ele tem
35:20
que dominar a linguagem, tem que dominar tudo, interpretar.
35:23
Para esses mais técnicos aqui dá sim para a gente usar LMS mais
35:29
simples e menores, e aí se encaixa perfeitamente o small
35:33
lengo de modos. São modelos especialistas, cabem
35:36
no computador que nem esse que eu estou usando.
35:38
Aqui cabem computadores de 8 GB de RAM, muitas vezes sem GPU,
35:43
porque ele só tem uma função. Ele não vai conseguir bater papo
35:45
igual chat, OPT bate com você, mas ele vai fazer uma
35:49
excepcional, rápida e muitas vezes sem custo algum de token,
35:53
né? E tá aqui. 1111, relatório
35:57
gerado criando dashboards, EEE, tudo mais.
36:03
Por uma fração de custo, que seria uma licença de um
36:07
dashboard de uma grande empresa, por exemplo.
36:10
E ele pode receber input via voz, via texto e tudo mais.
36:14
Isso é um exemplo de sistema multiagentes.
36:17
Paulo, você falou agora sobre OSLMS, né?
36:20
Qual que é a diferença dele para OLLMSEOO?
36:24
Não é toda empresa que precisa do LMS, certo?
36:28
É, existe. Tem como a gente categorizar
36:30
assim, ó é esse tipo. De ação ou de produto ou de ali
36:39
de pedido? Você precisa de um slm para
36:44
esses outros tipos de de trabalho?
36:47
Llm é possível categorizar ou. Sim, é possível.
36:51
E eu diria que 80% das empresas não precisam de um llm, elas
36:57
precisam de smoling, de modos com tarefas específicas.
37:02
Então vamos vamos pegar novamente de minai é um monstro
37:06
de modelo, o próprio qualquer modelo da ChatGPT.
37:10
Eles falam chinês, eles conseguem lembrar a história do
37:14
edito antigo, eles conseguem falar citações de filósofos,
37:18
eles conhecem a história do Brasil melhor do que a gente.
37:21
Tudo assunto que você não vai tratar, por exemplo, com 11
37:26
chatbot de um cliente pós venda. Num pose antes quer saber qual é
37:32
o problema que ele tem, qual foi o produto que ele comprou e que
37:35
que pode ser feito? Simples assim.
37:38
Aí você pode usar um smolengo de moda, nesse caso, por exemplo,
37:41
treinado com aquela finalidade específica, um LLM, no caso
37:48
aqui, vai ser um smolengo de moda que vai caber numa VM
37:51
pequena dentro da sua conta, na agernage SP, na de enfim,
37:56
qualquer cloud, né? E vai custar uma fração.
38:00
E segundos. Então, boa parte dos modelos que
38:03
a gente vê é é pequenos. São eles que resolvem e muita
38:09
gente, muita empresa gasta horrores com tokens, com agentes
38:14
já em produção, com modelos poderosíssimos
38:17
desnecessariamente, né? Pagando ali 234 até mais dólares
38:22
por milhão de token. É, a pessoa tem uma conta de 5
38:26
1015, 20000 USD por mês. Com open a de minar de modo
38:31
desnecessário que ela podia ter 11 VM no Google lá, por exemplo,
38:37
né? O Google cloud platform custando
38:39
2000 USD, que funcionaria tão bem ou mais, ou melhor,
38:44
respondendo mais rápido porque foi feito para aquilo.
38:47
Então, essa especialidade dos agentes de a ela permite que a
38:52
empresa economize dinheiro, tenha um resultado muitas vezes
38:55
superior, porque eles respondem mais rápido.
38:57
Em geral esses modelos. Não precisam pensar muito porque
39:00
o escopo de de funcionalidade deles é limitado a finalidade da
39:05
empresa, que é um pós vendas, que é marcar, por exemplo,
39:08
consultas num para um consultório médico e coisas do
39:12
tipo. Interessante o ainda No No no
39:16
lance do do dos agentes de a 2 perguntas em uma.
39:23
Quais são AA os obstáculos, os desafios técnicos e éticos que
39:28
você enfrenta e que você conhece?
39:32
É ao desenvolver e implementar esses agentes de a em empresas
39:38
EOA segunda pergunta que vai sobre agente de a é, é a mesma
39:44
pergunta que eu fiz, né? Que ele fatítico domingo no
39:47
LinkedIn que é agente de anão cheira nft Anderson.
39:53
Falando ainda do da da da parte de segurança, né?
39:58
Falando agora, aliás, da parte de segurança, tem muita questão
40:01
ética envolvida. Lembrando que os agentes de a
40:05
são criados usando LLNS como ferramentas ou o smolem de moda,
40:10
smolem de moda em geral, que se baseiam em slord de moda.
40:14
E tudo isso é material humano. Consequentemente, eles têm
40:18
tendência a replicar o viés humano.
40:22
Então tudo o que é preconceito, pré conceito, viés em geral, né?
40:27
O bias igual, o pessoal repete o tempo todo, até mesmo
40:29
tecnologia, o anglicismo tende a ser visto em Lord.
40:35
Lembro de moda. O desafio, o desafio ético é
40:39
muito grande. De fato, você tem que tomar
40:42
cuidado, né? Vou pegar, por exemplo, 1111
40:46
modelo de crédito no qual. Leva em consideração já a partir
40:51
daí já já já é errado fazer isso, mas localidade por
40:54
exemplo, é é gênero, idade pra dar crédito em machine Lean isso
41:01
já tá errado. Tem por aí tem o pessoal
41:04
anonimiza e deve usar isso ele daí aqueles que tem o seu
41:10
crédito pré aprovado pelo perfil, você implica o perfil
41:15
pela localidade pela. Pela idade, pelo gênero, acho
41:20
que muita gente já viu isso. É lembrando que machine learning
41:24
DA tá pessoal daí eu só vou traduzir isso também daqui a
41:27
pouco para iagem nerativa, que, infelizmente, potencializa ainda
41:30
mais esse tipo de viés, né? Esse problema, quem já trocou de
41:34
seguro de carro, depois que trocou de moradia, morou para um
41:38
lugar melhor, por exemplo, já viu que o seguro fica mais
41:41
barato. Você vê ela, nossa, eu tô
41:44
morando aqui, tem menos crime, menos roubo, né?
41:46
O seguro é mais barato. Não sou ninguém para jogar.
41:49
Se isso é certo, não, mas tem um viés aí.
41:52
A localidade, muitas vezes uma pessoa talvez tenha
41:55
comportamentos é é que não condizem com com alguém que
42:01
colocaria o carro em risco para ser roubado e coisa do tipo,
42:04
ainda assim, ela vai pagar mais caro ou mais barato para a
42:06
localidade. É replicação de um viés, né?
42:11
E na iagem nerativa você replica isso de modo verbal, que pode
42:15
ser muito pior. Para isso, tem técnicas, né?
42:19
Uma da uma das sexy que a gente chama é o gard rail, que é
42:24
justamente você pensar, é muito difícil isso, tá, pessoal?
42:29
É, é até eu. Eu vejo espaço para alguns
42:33
profissionais diárias, não tradicionais, de tecnologia, que
42:37
possa orientar isso. Mas pensa em tudo que é ruim, de
42:41
viés, que você não gostaria de ser replicado por por um humano,
42:44
pelo seu staff. Isso precisa ser passado ao
42:46
agente de AE. Na hora de se criar esses Garden
42:50
railes, você tem que pensar, nossa, como é que ele
42:52
responderia essa pergunta? Então o que parecer absurdo,
42:57
você tem que treinar o agente de a, principalmente se você
42:59
trabalha com smoling de modos, né?
43:02
Que o mercado pensou assim, onde muitas vezes não se pensa
43:05
naquilo, então você não tem um filtro ético, ele vai responder
43:09
o próximo token. Lembra que ele só responde o
43:11
próximo token? Então, se ele foi treinado com
43:14
dados de redes sociais, por exemplo, para ele falar alguma
43:16
coisa preconceituosa é muito fácil.
43:19
É muito fácil alguma coisa antiética, alguma coisa errada,
43:24
criminosa é muito fácil. Então você tem que pensar em
43:27
tudo aquilo e dar como instrução para que ele evite aquele tipo
43:32
de abordagem que jamais faça aquilo.
43:34
Então, o de fato, o desafio é ético?
43:37
É muito grande. Eu diria que atualmente ele
43:40
chega a ser maior que o desafio técnico.
43:42
O desafio não é mais técnico, é ético e de negócios, né?
43:45
Você também tem que resolver o problema de negócio.
43:48
Então você tem que passar passear de ir para essas 3
43:51
áreas, técnica, negócio e ética. Na hora de construir agente de
43:56
a, senão ele ele vai agir de uma maneira não ética.
43:59
E eu eu sempre gosto de falar para as pessoas que pensem num
44:03
agente de a como estagiário, que ele está sendo treinado.
44:08
Ele vai ser o melhor funcionário.
44:10
Possível, mas vai depender do seu treinamento, então não
44:12
espere que ele chegue e aprenda tudo.
44:14
Ele tem que ter um onboarding dele.
44:16
Você é responsável pelo onboarding do seu agente de AE,
44:19
ele vai ser tão bom quanto for o treinamento que você der a ele.
44:24
Agora o é o momento NST dos agentes de a é desde quando você
44:31
levantou essa polêmica? Acho que foi dezembro, eu estava
44:34
no Rio de Janeiro na época, estava indo viajar, tirar um
44:38
pouco de de. Acabei trabalhando também, é?
44:42
Eu acho que é um espaço muito frutífero pra golpes, pra pra
44:50
tudo de ruim que a gente viu com ANFT também, se não pior, tá
44:53
ANFT dependeu um pouco da Inocência das pessoas.
44:58
Muita gente diz de quem queria tirar vantagem e tal, tal talvez
45:02
com agentes de a também. É, você imagina, né?
45:07
Não é a coisa mais barata do mundo, ainda mais dá para ver
45:11
pelo nível de complexidade que a gente discutiu aqui.
45:13
Implementar um agente de a com sucesso não é mais barato.
45:16
Não é tão barato assim quanto se diz, tá pensar em questão ética,
45:21
pensar em customização, embutir isso aqui num num produto para
45:25
substituir muitas vezes um humano, né?
45:29
Mantendo as características naturais aí, obviamente.
45:34
A necessidade todo mundo quer, todo mundo está atrás de ter
45:36
agentes de ar trabalhando pra se substituir.
45:40
Você acaba achando espaços ou promessas de solução rápida, né?
45:48
Pode parecer uma solução rápida. Claro que pode, né?
45:51
Mas você tem que pensar nos cenários de como esse que a
45:56
gente falou no Garden rail, cenários antiéticos, cenários de
45:59
de falta de segurança. E é um espaço muito frutífero
46:05
para isso. É, eu dei uma entrevista no
46:07
Google Reporter em 2018 sobre isso, e o Leandro, ele, a
46:12
repórter perguntou na época, como que eu via os próximos anos
46:17
tal? Eu acabei não indo para área,
46:18
mas eu falei, olha, se eu fosse continuar, talvez é.
46:23
É empregável, né? Com a minha empregabilidade
46:27
alta, eu iria para área de segurança.
46:29
Só não pensei que seria muito mais quente do que eu imaginei
46:33
em 2018, nessa entrevista 2019, aliás, essa entrevista com o
46:37
Globo repórter tá muito quente essa área, então é um espaço.
46:42
É muito pior que ONFT. No fundo, você estava certo
46:46
parcialmente ali. Né?
46:48
É um espaço absurdo pra golpes, pra você clonar a voz de alguém
46:53
no WhatsApp pedindo dinheiro. Você clona a voz, imagina clonar
46:56
a voz da, da, das nossas mães, avós, esposas, namoradas,
47:00
pedindo dinheiro com todos, sabe?
47:04
Você consegue clonar Pix, você reverte tudo com a gente de ar,
47:11
então é pior que NFT do ponto de vista de golpe de de tudo mais,
47:17
né? É dessa coisa de de espaço para
47:20
oportunista. No fundo, Paula, você estava
47:23
certo, com louvor. Falei, então você que está
47:26
ouvindo assistindo esse episódio e me xingou num dia, por favor,
47:31
fila para pedir desculpas para mim.
47:34
OK, eu sou o primeiro a pedir desculpa porque eu interpretei
47:37
algo para que a minha área? Você está falando da minha área,
47:41
cara, que está achando que a gente está ainda mais.
47:44
Eu mesmo, naquele momento, errei porque eu subestimei a
47:48
capacidade humana de pegar algo bom e transformar em ruim.
47:51
E gente, tem muito golpe, muito golpe.
47:55
Mais do que nunca, senso crítico vai ser essencial, tá?
47:58
Não acredito em tudo que você vê em termos de vídeo, em termos de
48:02
áudio, em termos de mensagem de WhatsApp, de qualquer ferramenta
48:06
que seja, porque a coisa tá muito feita em termos de
48:10
segurança. Rápida pausa no episódio para um
48:13
recado especial. O futuro dos produtos digitais
48:16
já começou e a inteligência artificial é parte do time.
48:19
APM 3 acaba de lançar a formação em gestão de produtos de IA, um
48:24
curso pensado para prot managers que querem criar, delegar e
48:27
inovar com mais inteligência. Muito além dos prompts, você vai
48:32
aprender a liderar produtos baseados em IA, dominar temas
48:35
como machine learning, como o Anderson já mencionou aqui, que
48:39
também é IA. De Pilar, né?
48:40
E age e nerativa e aplicar novas formas de Discovery e
48:44
experimentação e validação. Prepare se para o mercado que
48:48
mais cresce no mundo e torne se OPM que lidera a transformação.
48:53
E aí vai um pedido pra pros canais de notícia, pros portais
48:58
chamarem o Anderson assim que virá o semestre é porque e até
49:05
mesmo no começo do ano de 2026, porque ano de eleição?
49:09
É o ano propício pra uso, é indevido de tecnologias.
49:15
É ali nas eleições, né? Então é fotos que não são reais,
49:22
são feitas por áudios, vídeos. 2026 o Anderson, na minha
49:28
humilde opinião, eu sou meio Scott galloy, né?
49:30
Eu meti um agente de ANFT agora a outra.
49:34
Outra previsão é 2026, é o vai ser o ano.
49:39
Em que a gente vai ver o impacto real da IA é IA.
49:46
Quando eu falo, IA todos os tipos de IA em grande massa.
49:52
Porque se é imagens toscamente feita é em canva.
50:01
Já faz com que as pessoas vão para o quartel.
50:05
É se as pessoas. Com áudio manipulado, toscamente
50:11
acredita que a eleição foi anulada.
50:16
E tu fica todo mundo na rua comemorando, imagina daqui 1 ano
50:21
com AIA 11? Pouco melhor do que ela é hoje,
50:24
né? Então aí leven labs é com clone
50:28
de voz, é outras EAS com com geração de de de imagem, o canva
50:34
tem uma opção em que você pega uma foto.
50:38
E você pega outra foto? Sim, pega o rosto da da dessa
50:41
imagem e coloca No No seu rosto. E eu vi vídeo no TikTok de uma
50:46
pessoa ensinando como pegar o rosto do Lula e colocando em uma
50:51
outra imagem. Então é seria interessante
50:56
suportar de notícias chamarem o Anderson No No final do ano, no
51:00
comecinho do para, o Anderson desceu cacete.
51:03
É nesses usos aí. Ô Anderson, no começo do
51:07
episódio você falou sobre um tipo de deve que vai entrar em
51:13
extinção, e aí aqui eu quero direcionar para bolha deve, que
51:17
é uma bolha engajada e fervorosa, principalmente ali no
51:22
Twitter, que é o davin da cognition labs, é considerado o
51:31
primeiro engenheiro de software de a.
51:34
É caro? É, mas é considerado o primeiro
51:37
engenheiro de software de a. Como que você vê o impacto de
51:40
ferramentas como o dayvine no futuro do desenvolvimento de
51:43
software? De lá para cá, saiu love Bolt
51:46
rapplet Bolt tem vários outros que o pessoal do icob nator.
51:51
Eu tenho 11 meio pé atrás com o pessoal do icob nator.
51:57
Eles estão com uma agenda que é claramente uma agenda.
52:01
Eles toda hora eles estão falando que os deves vão morrer
52:04
não, porque são empresas bilionárias de uma pessoa só.
52:08
Agora o futuro é esse e tal, não sei o quê.
52:11
Como que você vê essas ferramentas?
52:13
É isso mesmo, acabou os deves. É difícil responder porque, ao
52:17
mesmo tempo, todo mundo está se achando hábito a criar alguma
52:20
coisa e está gerando débito técnico.
52:24
Né? Então se fosse só criar, com
52:27
certeza não é ter espaço para que que alguém IA pagar um DF
52:29
que é muito mais caro ou você pode por um dayvinho lá e
52:32
pronto, né manus? E AI também que faz isso várias
52:36
ferramentas, né? Logo ou igual você mencionou, só
52:40
que está se criando débito técnico e é, é muito difícil pra
52:46
dizer isso, tá? É, e o que eu percebo?
52:49
Sou da área, eu concordo. Desde 1996.
52:52
Muita gente não tinha nascido. Ainda que que já escreve na aí
52:55
No No LinkedIn e me assusta que eu nunca vi tanta evolução em
53:03
tão pouco tempo. Isso é fato.
53:04
Só que eu, eu, aí eu vou falar. Eu acho que extremamente aberto
53:12
o suficiente para não me sentir ofendido quando alguém diz que
53:15
vai acabar. AA função de desenvolvedores.
53:22
E eu percebo que, infelizmente, muita gente no mercado da nossa
53:26
área se sente assim, né? Eu posso isso lá, o Bill Gates
53:30
diz que vai e tal Mark Zuckerberg, o próprio Dario
53:33
modeia, do CEO do Trump, diz que em 6 meses, 90% do código vai
53:37
ser por IA, vai ser feito por IA, em 1 ano, 100%, um mundo.
53:41
Ele fala, Ah, ele está No No modo Pit, aí Anderson, ele quer
53:46
ganhar dinheiro, et cetera e tal.
53:49
E a Goldman Sachs diz que 300000000 de empregos serão
53:53
perdidos. Bill Gates repetiu a mesma coisa
53:55
que eu falei, disse que médicos e professores também serão
53:58
desnecessários, né? Não demorei muito a função.
54:03
Eu começo a me questionar, vamos pegar o Bill Gates, por exemplo?
54:07
Então, essa declaração muito polêmica já é bilionário há
54:11
algumas décadas. Será que ele daria colocar a
54:14
habitação em jogo para mentir? Será que se o.
54:18
Da área mudei, talvez o Dario poderia estar no modo pitch.
54:21
Sim, ele precisa de dinheiro. Os pessoal open MIIE un Trump
54:25
precisa de dinheiro, são são fábricas de queimar dinheiro,
54:29
né? Mas daqui a 6 meses tá todo
54:31
mundo esperando lá, contando no calendário, só para fala aí que
54:33
esse cara tava errado, ele falou, né, no começo do ano,
54:36
então até o final do ano a gente já vai ter muita, muita coisa
54:39
para discutir e eu tenho umas, então eu tenho minhas ressalvas.
54:47
Vão. Essas são mentes geniais que
54:49
criaram coisas grandes por trás. Eu entendo que a função de deve
54:55
não é só kodar se o CA está limitado a kodar, otimizar a
54:59
funçãozinha e ser aquele ranzinza quieto no canto que não
55:03
gosta de explicar para pessoal de produto que ele está fazendo
55:06
nas fitness, não gosta de explicar para o pessoal de
55:10
marketing, o pessoal de finanças e tudo mais, ele está com os
55:15
dias contados. Você vai preferir.
55:17
Não, não vou reunir com aquele cara de novo, deixa eu mesmo
55:19
pedir para o chat PT aqui, aí se ficar sendo pronto, eu só
55:22
entrego para ele fazer umas coisinhas tal e a gente evita a
55:26
reunião, porque ele é muito ignorante comigo.
55:30
Já escutei isso, já escutei, eu já tive funcionário assim, né?
55:35
Na minha empresa, em outras empresas, quais eu passei como
55:38
líder, esse tipo de desenvolvedor com certeza está
55:42
com os dias contados. Vai ser um exercício de
55:45
humildade para muita gente. Agora não.
55:48
Não é mais exclusividade do desenvolvedor desenvolver, então
55:53
eu vejo, sim, uma diminuição desse tipo de profissional.
55:58
Em contrapartida, eu vejo as pessoas mais de negócios e aí
56:05
incluo o pessoal de produto, com certeza com a capacidade de
56:09
brilhar mais do que nunca, porque eles não vão precisar se
56:13
aprofundar. No nível de um criador, por
56:16
exemplo, de agentes de a. Mas eles vão precisar se
56:20
aprofundar e entender para direcionar aquilo melhor do que
56:23
nunca. E o direcionamento disso depende
56:26
mais ainda dele do que lidar com um ser humano que poderia ser
56:30
mal educado, ranzinza e não seguir aquilo que o 11 produto
56:36
manager pedir. Isso por exemplo, né?
56:40
Então eu vejo parcialmente como sim.
56:44
Vai mudar radicalmente a maneira como se cria tecnologia nos
56:49
próximos anos já está mudando e é mais rápido que a gente
56:52
imagina. Pá a gente se encaminhar pro pro
56:55
final do do episódio conselhos para iniciantes o anos para quem
57:00
está começando agora nesse mundo dos LLMSEA gente de a.
57:05
Eu confesso que eu sou burro eu sou burro, totalmente burro por
57:10
que eu abri ON 8 n? Não consegui fazer um workflow
57:14
decente. Ou eu estou com ideias
57:17
mirabolantes ou sou burro. Eu acho a segunda opção, sou
57:22
burro. Ou tenho que usar o langraph?
57:24
Talvez ONTN não atenda a demanda que você queira de fato.
57:27
Você está com alguma ideia super complexa?
57:29
ONTN não é uma ferramenta ideal. Por exemplo, você precisa de
57:32
algo mais customizável, mais Enterprise.
57:35
Quais seriam os seus conselhos práticos para iniciar essa
57:38
jornada? É de de conhecimento até de
57:42
desenvolvimento com sobre agentes de AELLM ou SMLSML.
57:49
Tem muita coisa, é de massa. Já na internet eu recomendaria
57:57
ter senso crítico, né? A gente a gente citou aqui dos
58:01
ferramentos, NATNE, langraph fazem a mesma coisa, abordagens
58:08
e públicos. Diferentes ONTN, por exemplo,
58:13
ele serve a projetos pequenos. Você imagina, por exemplo, um
58:17
classificador de currículos que chegam no departamento de uma
58:22
empresa. Tô usando uma empresa grande
58:24
como exemplo agora, tá? É, e você recebe lá 1020
58:28
currículos por dia. Você tem que criar um rag, né?
58:30
O ry, aquele o retwee of argument generation, que é, hoje
58:33
em dia todo rag está sendo agente.
58:35
Quando está cada vez mais inteligente, ele vai separar.
58:37
Espera aí, o Paulo, por exemplo, quer contratar.
58:40
PMs que falam inglês, ele vai fazer uma triagem daquele
58:43
currículo e vai mandar para o financeiro para aprovar e pagar
58:46
o salário. Pronto, vai registrar isso.
58:48
É um processo pequeno, com poucos requests.
58:51
ONTL daria conta. Agora você imagina que o Paulo
58:56
também está criando um motor de crédito no qual ele tem um
59:00
scoring e no qual ele participou de um comitê de risco que aprova
59:06
casos para quem tem score de crédito.
59:10
Acima de 700 apenas. E se o score ficar ali pouco 20
59:17
pontos percentuais abaixo, ele precisa ir para uma zona
59:20
cinzenta na qual um humano aprove e siga para o próximo
59:25
langraph porque o langraph, por exemplo, nessa situação ele tem
59:28
uma feat chamada yuman in The Look.
59:32
Então ele vai olhar, espera aí, Ah, está aqui o um daqueles tem
59:35
plays que a gente discutiu, espera aí, quando o score está
59:37
690, eu não posso aprovar automaticamente, mas eu também
59:40
não posso voltar para trás que o cara pode ser bom.
59:43
Deixa eu ver a opinião do Mano aqui, né?
59:45
E aí eu continuo aí, um agente de arma manda para o Mano, pode
59:48
ser um poxa, não fica, é um celular no e-mail, et cetera,
59:52
você gestora de crédito, olhar, poxa, 690, está tudo certinho.
59:56
Como é que está o macroeconomia hoje?
59:58
O dólar está tanto, o governo aprovou isso, está controlado a
1:00:01
inflação, vou aprovar, pronto, põe lá sua digital, você aprovou
1:00:04
e continua o fluxo do motor de crédito e vai aprovar o crédito
1:00:08
para comprar imóvel, comprar uma casa, um cartão de crédito?
1:00:12
Esse é um exemplo do quão complexo pode ser feito um
1:00:16
agente de aula usando langraph, por exemplo.
1:00:18
Então a primeira coisa é a pessoa se situar, o que que ela
1:00:22
quer aprender? Isso eu falo do independente de
1:00:25
ser, deve uma pessoa de produto e tudo mais, e sempre entender
1:00:29
as partes éticas. Essa coisa de gardrey não é
1:00:32
brincadeira, sabe? E segurança não é brincadeira.
1:00:35
Todo mundo, independente se você é de produto, de marketing, você
1:00:39
deve Gero de dados, sentido de dados, né?
1:00:41
Quente, front end, todo mundo tem que saber que um erro.
1:00:46
E alguém tem que ser responsabilizado.
1:00:48
É como se a gente tivesse trabalhando com um carro
1:00:49
autônomo, né? O carro autônomo atropelou quem
1:00:51
que é o culpado, a fábrica, a condutora, quem comprou é a
1:00:55
mesma coisa, aqui você tá colocando um agente de Ah, tá
1:00:57
trabalhando junto, é você que criou, você que idealizou, você
1:01:00
que vendeu, você que implementou, quem, que é o
1:01:03
responsável. Então, entender essa parte de
1:01:06
segurança essencial e saber aplicabilidade, todo mundo
1:01:11
precisa depender o langraph não, com certeza não vai depender do
1:01:14
nível de complexidade do projeto.
1:01:16
O que você quer então? A minha dica de carreira é
1:01:19
procurar o que você quer seguir. Não esquecer da parte ética que
1:01:23
é pertinente todo mundo, principalmente.
1:01:26
Olha isso, parte ética e a parte de negócios.
1:01:28
Lembre se que você está cada vez mais sendo pago para resolver
1:01:31
problemas. EEE não ficar discutindo coisas
1:01:36
técnicas demais e tudo mais, né? Igual exemplo que a gente falou.
1:01:41
Se é fogo que contrata um serviço diário, ele quer saber
1:01:44
do resultado. Ele não quer nem saber se você
1:01:46
usou ANTN ou o langraph ou o pai dancke i ou o cree ou AI do
1:01:50
brasileiro. E o João Moura, né?
1:01:53
É conhecer ali pessoalmente, excepcional orgulho nacional,
1:01:58
tem um framework aí competindo com os grandes, aí também tá
1:02:01
entre os maiores do mundo já aí, né?
1:02:03
O paidant KI também, muito bom, a gente tem o leng flow, que é
1:02:08
uma empresa nacional também. Né?
1:02:10
Começou ali uma solução nacional, tudo pensorice aqui,
1:02:12
pensar tudo pensarice. Acredito bastante no pensarice e
1:02:16
dá para aprender sem gastar muito.
1:02:19
Dá para você. Seja fazendo um curso da
1:02:22
escolas, da carb ou qualquer outro curso, as ferramentas em
1:02:26
si são gratuitas. Você pode pegar na internet,
1:02:30
baixar, usar no seu computador, você não precisa gastar com
1:02:33
PNII, você pode fazer uma conta gratuita, usar um free theer
1:02:36
dessas do groch high face. E tudo mais.
1:02:40
E criar, muitas vezes você quer fazer só para o seu site, aí 5
1:02:44
10 pessoas vão pedir por dia, acabou.
1:02:46
Você pode usar o free tier de um Monte de solução e pode usar
1:02:50
ONTN. Nesse caso, pode usar um make,
1:02:52
pode usar um zapper, né? Se você é um candidato, por
1:02:55
exemplo, que quer impressionar um RH que vai falar com o seu
1:03:00
agente de AE, vai pedir para gerar um relatório seu os seus
1:03:04
currículo, vai falar onde você mora, vai mostrar um vídeo se
1:03:07
ele pedir. Você pode fazer isso com 11 drag
1:03:11
and drop igual OMTN, por exemplo.
1:03:13
Você não precisa usar um langraph, então é, é, os agentes
1:03:18
já vieram para facilitar a nossa vida.
1:03:20
Eu recomendo sempre começar de casos reais, de casos no quais
1:03:25
você resolve um problema real. É muito, é a maneira mais fácil
1:03:28
de aprender. A partir do momento que você
1:03:29
resolve um problema real, você tem motivação para ir além, né?
1:03:33
Se você começar naquele tecnicase aquela teoria.
1:03:36
Poxa, quer dizer que o termo de AIDS desde 1950 é lá atrás,
1:03:39
começou mais de 50 anos atrás? Nem todo mundo se se engaja ou
1:03:44
fica motivado por isso. Muitas vezes tá com aquele
1:03:48
problema, caramba. Todo mundo me pede para
1:03:50
responder no WhatsApp. Eu não tenho tempo.
1:03:51
Cria para responder. Você pode, inclusive, clonar a
1:03:55
sua voz relativamente fácil. Então, você sabe que você vai
1:04:00
resolver um problema real a partir daquele momento.
1:04:02
Você tem motivação para ir além e construir o seu agente de
1:04:05
água? Essa é a minha dica.
1:04:07
E é isso, é com a dica do Anderson que a gente encerra
1:04:11
esse episódio, que tem um carimbo de aula.
1:04:14
É uma aula que a gente teve aqui com o Anderson Amaral.
1:04:18
Você assistiu até aqui? Ouviu?
1:04:21
Não se esqueça, siga, se conecte com o Anderson, o link está aqui
1:04:24
na descrição, vai ter outros links.
1:04:27
É aqui na descrição de conteúdos do Anderson a gente vai colocar
1:04:31
aqui. Não esqueça, gurus 10, pra você
1:04:36
aprender na prática com quem está construindo agentes de AA,
1:04:41
um tempo para empresas internacionais e nacionais é 10%
1:04:46
de desconto. Então olha aí, não, não perco,
1:04:48
Hein? Até eu vou usar esse cupom aí.
1:04:52
Ô Anderson, muito obrigado pelo seu tempo, muito obrigado pelo.
1:04:57
Pela simpatia de. Mandei uma mensagem, falei o
1:04:59
Anderson, vamos gravar, vamos e estar aqui.
1:05:02
Muito obrigado, viu? Eu que agradeço e vai ser um
1:05:05
prazer. É, é eventualmente ter os
1:05:08
ouvintes aqui da do do podcast, do próprio gurus estudando com a
1:05:12
gente, de fato, vendo na prática que foi discutido aqui, tá?
1:05:16
Realmente eu. Eu gosto bastante da do pessoal
1:05:19
de produto e hoje em dia, mais do que nunca, a gente vê que são
1:05:24
aqueles que estão no caminho de brilhar.
1:05:27
E fazer a ponte entre a parte técnica, né?
1:05:30
Parece que lichê falando isso, mas nunca foi tão importante, tá
1:05:33
né? Entre a parte técnica e a parte
1:05:35
de negócios, é a hora do pessoal de produto de brigar.
1:05:38
Eu sou daqueles que, por incrível que pareça, muita gente
1:05:41
talvez não sabia, não acredito naquilo de que tá acabando as
1:05:45
cargas de produto e tal. Pelo contrário, né?
1:05:49
Eu vejo cada vez mais a necessidade dessa ponte e eu
1:05:53
tenho estudado mais produto pra. Até mesmo melhorar a minha
1:05:57
abordagem técnica demais e entender mais negócio.
1:06:02
Então é um prazer conhecer todo mundo aqui e estar falando para
1:06:05
todos vocês. E com certeza eu vou mandar
1:06:07
mensagem agora no quando terminar aqui para ver se eu
1:06:10
estou sendo burro ou estou sendo muito exigente aqui com as
1:06:14
ferramentas de a de automação e et cetera.
1:06:17
Beijos, tchau.