{fastsocialshare}

 Certamente a maioria dos desenvolvedores de soluções ainda estão na fase de "aprender onde colocar a inteligência artificial". Esta fase é de fato difícil e complicada, porém existem outras situações igualmente difíceis como por exemplo, implantar um modelo treinado de aprendizado profundo (Deep Learning) em produção. Se houver um requisito de baixa latência e alto rendimento, implantar esse sistema pode se tornar um grande problema. Existem várias alternativas. Neste documento trateremos de uma delas por meio do uso do TensorRT, uma biblioteca de baixo nível C++ capaz de absorver modelos já compilados do tensorflow e tratar situações onde é necessário processar muitas imagens em pouco tempo. Vejam o ganho de desempenho no demonstrativo abaixo:

{fastsocialshare}

Um relatório [1] publicado neste mês de dezembro pela Gartner, Inc., uma das maiores empresas de consultoria do mundo, prevê que 2020 será um ano crucial na dinâmica de emprego, uma vez que a Inteligência Artificial (AI) se tornará um positivo motivador.

Até 2019, setores da saúde, do governo e da educação terão uma crescente demanda de empregos, enquanto a manufatura será atingida fortemente. A partir de 2020, a criação de empregos relacionados à Inteligência Artificial (AI) passará por uma transformação positiva, chegando a 2 milhões de novos postos de trabalho em 2025. Para Svetlana Sicular, vice-precidente de pesquisas do Gartner muitas inovações significativas no passado foram associadas a um período de transição de perda de emprego temporário, seguido de recuperação, e essa provavelmente será a rota seguida pela transformação de negócios e a AI.

{fastsocialshare}

A idealização do Deep Learning Brasil Summer School é um desejo de uma parcela significativa dos profissionais, estudantes e entusiastas de inteligência artificial. Recebemos 504 pedidos de inscrição de 15 estados diferentes. Infelizmente não é possível atender a todos os pedidos que superou substancialmente nossa expectativa inicial. Inicialmente divulgamos a disponibilidade de 40 vagas. Em um esforço conjunto divulgamos a lista abaixo com as 90 inscrições aceitas, número que está em nosso limite máximo de absorção.

{fastsocialshare}

O grupo de pesquisa Deep Learning Brasil, comunidade interinstitucional fundada na Universidade Federal de Goiás participou do RSNA Pediatric Bone Age Challenge 2017 promovido pela sociedade americana de radiologia ( Radiological Society of North America - RSNA). O desafio envolve um clássico tipo de exame em que o médico radiologista determina a idade óssea do paciente a partir de um exame de raio-X da mão esquerda. Em associação com a equipe de radiologistas da Universidade Federal de São Paulo, liderados pelo médico radiologista Felipe Kitamura, o grupo de pesquisa Deep Learning Brasil aderiu ao desafio com o propósito de medir o conhecimento frente a outros grupos de pesquisas espalhados pelo mundo. Um dos desafios foi compreender os aspectos do problema em um curto período. Após 60 dias de competição o resultado preliminar foi: