Prof. Rafael Kunst

Nesta edição do Radar Semanal, analisamos cinco movimentos importantes que ajudam a entender para onde a inteligência artificial está avançando.

Começamos pelo lançamento do GPT-6 Astra, novo modelo frontier da OpenAI, com avanços em programação, navegação, uso de ferramentas e execução de tarefas mais complexas.

Depois, olhamos para a resposta da Anthropic com o Claude 5.1, incluindo as diferenças entre Fable e Mythos e a estratégia de separar uso amplo de capacidades mais sensíveis.

Também discutimos a aquisição da Hugging Face pela Nvidia, um movimento que pode alterar significativamente o ecossistema de modelos abertos e ampliar ainda mais a presença da Nvidia na cadeia de IA.

Na parte geopolítica, abordamos as conversas entre Estados Unidos e China sobre segurança em inteligência artificial e os desafios de coordenar riscos em um cenário de forte competição tecnológica.

Por fim, analisamos um movimento que pode acelerar ainda mais o desenvolvimento da área: pesquisadores da OpenAI já estão usando agentes de programação para escrever código, executar experimentos e contribuir para a criação das próximas gerações de modelos.

Um episódio para entender não apenas quais modelos foram lançados, mas como infraestrutura, segurança, geopolítica e automação da própria pesquisa estão começando a definir a próxima fase da inteligência artificial.

Neste episódio da série, vamos falar sobre Recall, também chamado de sensibilidade, a métrica que ajuda a responder uma pergunta essencial em Machine Learning: dos casos que realmente eram positivos, quantos o modelo conseguiu encontrar?

O Recall é especialmente importante quando deixar passar um caso positivo pode custar caro. Isso acontece em cenários como diagnóstico médico, detecção de fraude, segurança, manutenção preditiva e identificação de falhas críticas.

Neste episódio, você vai entender:

• O que é Recall;
• A relação entre Recall e falsos negativos;
• Como calcular Recall a partir da matriz de confusão;
• Como interpretar a fórmula VP / (VP + FN);
• A diferença entre Precisão e Recall;
• Por que aumentar Recall pode reduzir Precisão;
• Como o threshold influencia esse equilíbrio;
• Quando faz sentido priorizar Recall na prática.

No próximo episódio, avançamos para o F1-score e para uma pergunta importante: como equilibrar Precisão e Recall em uma única métrica?

Se o conteúdo foi útil, deixe seu like, inscreva-se no canal e acompanhe os próximos episódios da série.

A IA está começando a sair da tela.

Nesta semana, vimos agentes conectados a hardware físico, hackers usando agentes de programação em ataques reais, mais de 100 empresas alertando sobre uma nova onda de ciberataques com IA, a Nvidia ampliando ainda mais sua infraestrutura e a OpenAI iniciando a operação comercial no Brasil.

Neste episódio, resumo os 5 principais destaques da semana e explico por que importam.

🔹 Anthropic MHS e agentes controlando máquinas

🔹 Hackers usando Cursor em ataques reais

🔹 IA ofensiva e defensiva em cibersegurança

🔹 Nvidia e mais 2 milhões de GPUs

🔹 OpenAI no Brasil

A IA está ganhando capacidade de agir. O próximo desafio é combinar esse avanço com bons guardrails, segurança, monitoramento e controle.

Podcast curto criado, originalmente, como parte de uma aula de pós-graduação em Machine Learning. O tópico é introdutório, mas ainda relevante.

Nem todo modelo que faz muitas previsões positivas está realmente acertando.

Neste episódio, exploramos a Precisão (Precision), uma das métricas mais importantes para avaliar modelos de classificação quando o custo de um falso positivo é elevado. Você entenderá por que uma boa acurácia nem sempre significa um bom modelo e como a Precisão ajuda a medir a confiabilidade das previsões positivas.

Ao longo do episódio, discutimos:

• O que é Precisão (Precision)
• A relação entre Precisão e a Matriz de Confusão
• Como calcular a métrica utilizando Verdadeiros Positivos (VP) e Falsos Positivos (FP)
• Como interpretar corretamente o resultado
• Situações em que a Precisão deve ser priorizada
• As limitações da métrica e por que ela deve ser analisada em conjunto com o Recall

Utilizando exemplos práticos e explicações intuitivas, mostramos como a Precisão é aplicada em cenários como detecção de fraudes, filtros de spam, diagnósticos médicos e outros sistemas nos quais um falso alarme pode gerar impactos significativos.

Este episódio faz parte da série Métricas de Machine Learning, criada para ajudar estudantes, pesquisadores e profissionais a compreender, de forma prática, como avaliar modelos de Inteligência Artificial e escolher a métrica mais adequada para cada problema.

No próximo episódio, vamos explorar o Recall (Sensibilidade) e entender por que, em muitos problemas, encontrar todos os casos positivos é mais importante do que evitar falsos alarmes.

A acurácia é, provavelmente, a métrica mais conhecida do Machine Learning. Mas será que um modelo com 99% de acurácia é realmente um bom modelo?

Neste episódio, exploramos o conceito de acurácia, entendendo como ela é calculada a partir da matriz de confusão, como interpretar seu resultado e em quais situações ela é uma excelente escolha. Também discutimos sua principal limitação: uma alta acurácia pode mascarar modelos que falham justamente nos casos mais importantes, especialmente em bases de dados desbalanceadas.

Ao longo do episódio, utilizamos exemplos práticos para mostrar quando a acurácia funciona bem e quando outras métricas passam a ser indispensáveis.

Neste episódio você vai aprender

• O que é a acurácia;
• Como calcular a acurácia;
• Como interpretar seu valor;
• Quando utilizar essa métrica;
• Por que ela pode ser enganosa em alguns problemas.

No próximo episódio, continuaremos nossa jornada estudando a Precisão (Precision) e veremos por que ela é fundamental quando queremos confiar nas previsões positivas feitas por um modelo de Machine Learning.

No segundo episódio da série Métricas de Avaliação para Machine Learning, exploramos um dos conceitos mais importantes para entender como modelos de classificação são avaliados: a Matriz de Confusão.

Antes de falar sobre Acurácia, Precisão, Recall ou F1-Score, é fundamental compreender os quatro resultados possíveis de uma previsão:

• Verdadeiro Positivo (VP)
• Verdadeiro Negativo (VN)
• Falso Positivo (FP)
• Falso Negativo (FN)

Ao longo do episódio, mostramos como a Matriz de Confusão compara a realidade com as previsões do modelo e por que diferentes tipos de erro podem ter impactos completamente distintos dependendo da aplicação.

Utilizando exemplos práticos de diagnóstico médico e filtros de spam, discutimos por que nem todos os erros têm o mesmo custo e como essa análise serve de base para praticamente todas as métricas de classificação utilizadas em Machine Learning.

Neste episódio

• O que é uma Matriz de Confusão
• Classes positivas e negativas
• A diferença entre previsão e realidade
• Verdadeiros Positivos e Verdadeiros Negativos
• Falsos Positivos e Falsos Negativos
• Por que alguns erros são mais graves do que outros
• Como a Matriz de Confusão dá origem às principais métricas de classificação

Série: Métricas de Avaliação para Machine Learning

Episódio 1 — Por que Métricas Importam?

Episódio 2 — Matriz de Confusão

Próximo episódio: Acurácia — Quantos acertos o modelo teve?

🎓 Conteúdo voltado para estudantes, pesquisadores, cientistas de dados, engenheiros de software e profissionais que desejam compreender os fundamentos da avaliação de modelos de Machine Learning e Inteligência Artificial.

Você já viu alguém afirmar que um modelo de Machine Learning é excelente porque atingiu 99% de acurácia?

Neste primeiro episódio da série Métricas para Machine Learning, discutimos por que essa conclusão pode estar completamente errada.

A avaliação de modelos é uma das etapas mais importantes em qualquer projeto de Inteligência Artificial. No entanto, muitas vezes a atenção fica concentrada nos algoritmos, enquanto a escolha das métricas recebe menos atenção do que deveria.

Ao longo deste episódio, exploramos o papel das métricas na avaliação de modelos, analisamos um exemplo clássico envolvendo diagnóstico médico, discutimos o impacto das classes desbalanceadas e mostramos por que diferentes aplicações exigem diferentes formas de avaliação.

Também apresentamos uma visão geral das principais métricas que serão abordadas ao longo da série, incluindo Accuracy, Precision, Recall, F1-Score e ROC/AUC.

Neste episódio

• Por que métricas importam
• Limitações da acurácia
• Classes balanceadas e desbalanceadas
• O custo dos erros em diferentes aplicações
• Accuracy, Precision, Recall, F1 e ROC/AUC
• Introdução à Matriz de Confusão

Série: Métricas para Machine Learning

Nesta série você aprenderá:

• Matriz de Confusão
• Acurácia (Accuracy)
• Precisão (Precision)
• Revocação (Recall)
• F1-Score
• ROC e AUC
• Métricas para Regressão
• Como escolher a métrica correta

Porque em Machine Learning não existe a melhor métrica. Existe a métrica adequada para o seu problema.