Como simular emoções em agentes (parte III)?
Neste post iremos finalizar a série sobre: “Como simular emoções em agentes?” Irei descrever como robôs considerados simples conseguem fazer com que pessoas percebam que esse agentes tenham emoções.
Conceitos sobre IA
BERT, o modelo de processamento de linguagem natural que revolucionou a área
O BERT é um modelo que faz uso dos transformers para alcançar desempenhos inéditos em tarefas de processamento de linguagem natural.
Inteligência artificial e robótica contra o coronavírus, o que pode ser feito?
Inteligência Artificial e robótica contra o coronavírus, veja neste post algumas ideias que podem ser utilizadas para lutarmos contra esse vírus e auxiliar no término dessa pandemia.
Como simular emoções em agentes (parte II)
Neste segundo post da série como simular emoções em agentes, descrevo alguns robôs com recursos de última geração para simular esses sentimentos. Acredito que provavelmente você já tenhas visto algum deles, será? Clique nesse post e dá uma conferida.
Um agente robótico pode ter emoções?
Será que é possível um objeto como um agente robótico ter emoções? Leia este artigo e tire suas conclusões
Você já ouviu falar de computação afetiva?
Neste artigo você terá uma breve introdução à Computação Afetiva, que é uma área que utiliza conceitos da Computação e da Psicologia!
Transformers em PLN (parte 2 de 2): estrutura e funcionamento da rede
Neste artigo apresento como o conceito de atenção é implementado na estrutura do transformer, quais são as principais etapas que envolvem uma tarefa do tipo seq2seq nessa estrutura, e por que os transformers têm desbancado mesmo as versões mais recentes de RNNs.
Transformers em PLN (parte 1 de 2): mecanismo de atenção
Conheça o mecanismo de atenção, que é a base do transformer, a arquitetura de rede mais recente para PLN, e que permite que uma rede focalize em trechos específicos de uma sequência de dados para produzir resultados mais precisos.
PyTorch: biblioteca com novas funcionalidades para redes neurais
O PyTorch apresenta duas grandes inovações: o módulo que implementa os tensores, objetos manipulados pela rede neural, foi projetado para permitir seu alocamento em GPUs, o que aumenta a velocidade da rede; e ele permite a geração de grafos dinâmicos, com redes de estrutura flexível, permitindo maior liberdade de arquitetura ao desenvolvedor.
Redes neurais convolucionais para classificação de texto
Apesar de terem sido desenvolvidas para classificar imagens, as redes neurais convolucionais também podem ser aplicadas a textos, capturando padrões regionais dentro de suas dimensões semânticas que depois podem ser usados para treinar um algoritmo de classificação.