CENA 1: Um quadrinho de introdução parecido com o da Parte 1. Nele, estão Marta, Flip, Bit e Otávio em círculos separados. Ao redor, há dois ícones relacionados à rede neural. TÍTULO: Conhecendo as REDES NEURAIS Um quadrinho on-line da IA do Google. Legenda/seta: Estrelando MARTA, que está pegando o jeito. Marta: ACHO que estou começando a entender. Legenda: Com FLIP… Legenda: E BIT! Legenda: E apresentando, OTÁVIO! Otávio: Olá!

CENA 2: Marta abre a porta com a chave para entrar na terra da rede neural. Legenda: Anteriormente em Aventuras do machine learning… Marta: Próxima parada, redes neurais!

CENA 3: Marta abre a porta rapidamente e entra sorrindo e gritando. Marta: OLÁ, MUN...

CENA 4: Marta é mostrada de costas em frente à porta, vendo uma quantidade infinita e assustadora de nós interconectados. Há fumaça saindo pela porta. A silhueta de Marta se encolhe como reação. Marta: Oh!

CENA 5: Agora Marta é mostrada de frente. Ela fecha a porta com força, está com os olhos esbugalhados e com o cabelo despenteado. Flip e Bit têm uma reação neutra. Efeito sonoro: SLAM

CENA 6: Mesma cena de antes, mas agora Marta está olhando para baixo, encarando Flip e Bit. Uma voz surge atrás da porta. Otávio (atrás da porta): Mil desculpas! Ainda não estava pronto. Podem entrar agora.

CENA 7: Marta, Flip e Bit espiam timidamente atrás da porta.

CENA 8: Otávio, um pequenino bebê polvo, aparece flutuando ao lado de um neurônio tecnológico simples. Otávio: Olá! Eu sou o Otávio. Vamos começar com o BÁSICO?

CENA 9: Marta fica aliviada, mas se assegura de que não há mais aquela vista assustadora de antes. Flip e Bit acenam para Otávio. Marta: *Ufa* Sim, por favor. Sou a Marta. Otávio: Oi, Marta! As REDES NEURAIS são formadas por elementos simples. E o MAIS SIMPLES deles é o "NEURÔNIO". Ei! Olá, Flip! Oi, Bit! Flip: Fala! Bit: E aí, parceiro!

CENA 10: Marta se ajoelha próxima de dois painéis que descrevem o neurônio biológico e o tecnológico. Ao lado, Otávio dá sua explicação. Otávio: Assim como os biológicos, os neurônios tecnológicos aceitam e combinam várias ENTRADAS para produzir SAÍDAS. Marta: Mas que tipos de entradas?

CENA 11: Otávio e Bit conversam acima de uma tabela de atributos com colunas de dados. Otávio: Praticamente TODOS, desde que possam ser avaliados NUMERICAMENTE. Bit: Imagine que as entradas são como as propriedades de uma planilha.

CENA 12: Flip chuta a tabela com as patas traseiras para colocá-la na horizontal, e Bit gesticula. Flip: …mas vamos colocá-la na HORIZONTAL! Bit: Isso não é obrigatório. Mas é mais fácil ir da esquerda para a direita.

CENA 13: Otávio e Marta observam a tabela na horizontal. Nela, são mostradas setas que saem de cada coluna de dados em direção a vários nós circulares (as entradas). Otávio: É assim que tudo começa: nossa primeira CAMADA de ENTRADAS.

CENA 14: Otávio flutua entre a camada de entradas anterior e gesticula em direção a uma classificação binária simples à direita. Ela inclui duas categorias: Gatos e Cachorros. A categoria Gatos está destacada. Otávio: O OBJETIVO é usar os valores gerados pela CAMADA DE ENTRADAS, seja qual for a complexidade, para produzir uma CAMADA FINAL na outra extremidade com uma RESPOSTA bem simples.

CENA 15: Agora todos do grupo aparecem por inteiro em um fundo branco. Otávio sorri, e Marta parece desconcertada. Otávio: E isso é tudo. Alguma pergunta? Marta: …

CENA 16: Mesma imagem anterior, mas Flip e Bit riem discretamente. Bit (efeito sonoro): *ronc*

CENA 17: Mesma imagem anterior, mas agora Marta grita se mostrando confusa. O resto do grupo agora ri abertamente. Marta: Mas… O QUE HÁ NO MEIO DISSO TUDO?! Otávio: Vamos lá!

CENA 18: Otávio observa um pequeno ícone animado de classificação se mover pelas camadas escondidas de um diagrama padrão de rede neural. Otávio: Temos "camadas escondidas" que realizam uma série de tarefas de [classificação] simples para gerar uma resposta complexa.

CENA 19: Otávio gesticula para um neurônio simples com entradas rotuladas (X1 e X2). Elas convergem em um nó com um sigma (Σ). Flip entra na conversa na parte inferior. Otávio: O valor numérico de cada atributo (X) é adicionado ao neurônio. Flip: E essa soma (∑) determina a inclinação da linha.

CENA 20: Mesma imagem interior, mas agora as setas entre as entradas e o nó de soma têm rótulos W1 e W2 e espessuras diferentes. Otávio: Mas alguns atributos têm um PESO maior do que os outros. Então, primeiro, ajustamos a intensidade das entradas.

CENA 21: Marta aparece e aponta para as linhas, que agora têm botões definidos como Alto e Baixo (conforme explicado na Parte 1). Marta: Ah! Então os pesos são um dos nossos BOTÕES? Otávio: Isso!

CENA 22: Marta e Otávio analisam o neurônio simples. Ele agora tem mais um nó "b" que é incluído na soma, aparece na parte inferior e também tem um peso na linha. Otávio: Outra entrada é o VIÉS: uma diferença da soma inteira também ajustável pelo peso.

CENA 23: Os balões de diálogo de Marta incluem dois gráficos animados. Eles mostram a alteração na inclinação e na interceptação em y à medida que o peso e o viés são modificados repetidamente. Otávio e Flip entram na conversa na parte inferior. Marta: Então, o PESO ajusta a INCLINAÇÃO… …E o VIÉS modifica a INTERCEPTAÇÃO EM Y? Otávio: Exatamente! Flip: Eu disse que ela aprende rápido.

CENA 24: O neurônio agora mostra uma linha inclinada em vez do sigma. Otávio indica a próxima etapa: uma linha em formato de "S" (sigmoide) que representa a função de ativação. Bit flutua abaixo com uma placa. Otávio: Depois, colocamos este classificador em um formato NÃO LINEAR, como uma função sigmoide… Legenda (mostrada por Bit): Saiba mais.

CENA 25: Otávio flutua na interceptação em y de um gráfico sigmoide ampliado. Na parte inferior à direita, Marta faz uma moldura com os dedos. Otávio: Esta "FUNÇÃO DE ATIVAÇÃO" possibilita relações não lineares… …e ajustes mais estáveis no processo de aprendizado. Marta: Hum…

CENA 26: Agora é mostrado o neurônio completo com todos os rótulos. Otávio e Marta o observam na parte de baixo. A imagem é para parecer um pouco confusa por conta de todos os componentes exibidos. Rótulos: nó, peso, borda, soma, viés, função de ativação e função não linear. Exemplos: sigmoide, tanh, softmax, swish, ReLU, Leaky ReLU, Diet ReLU, ReLU com chips, ReLU, spam e spam e ReLU e Spam. Otávio: Aqui está, com todos os componentes. Marta: Nossa!

CENA 27: O neurônio simplificado com três nós é exibido novamente. São mostradas as entradas X1 e X2, além da curva sigmoide da função de ativação. Marta se mostra aliviada enquanto Otávio explica por que a visualização simplificada está sendo exibida novamente. Otávio: Mas para simplificar, vamos colocar a soma, o viés e a função de ativação em apenas um nó… …e a espessura das linhas indicará os pesos. Marta: *ufa* Vamos lá!

CENA 28: O neurônio agora tem linhas de peso animadas que conectam os nós. Há uma nova linha de saída para a direita. Otávio: Veja que a SAÍDA DAQUELE nó… Marta: AH!

CENA 29: O primeiro neurônio (N1) é conectado a um segundo (N2). As saídas de N1 se tornam as entradas de N2. As linhas que conectam os neurônios ainda são animadas, mostrando o fluxo de informações entre os nós. Marta: …é a ENTRADA do outro! Otávio: Na mosca!

CENA 30: A rede fica maior e mostra seis camadas de neurônios interconectados com várias linhas animadas entre eles. Otávio: …e do OUTRO e do OUTRO… Marta: Uau!

CENA 31: Abaixo dos balões de diálogo de Marta, há dois pequenos quadrados animados referentes à Parte 1. O primeiro mostra uma bola descendo uma curva e parando no fundo dela. O segundo mostra uma linha que roda até parar na trajetória de classificação apropriada, gerando um conjunto de Xs e outro de Os. Bit segura uma placa com o link para a Parte 1. Marta: Então quando treinamos uma rede neural usando a RETROPROPAGAÇÃO e o GRADIENTE DESCENDENTE… …esse processo AJUSTA os pesos e vieses? Otávio: Isso! Rodapé (mostrado por Bit): *Veja a Parte 1.

CENA 32: Um neurônio simples com três entradas exibe botões que ajustam a espessura da linha para indicar o peso. Otávio dá sua explicação na parte superior do quadrinho, Bit levanta as mãos para o alto e Marta está sentada de pernas cruzadas no chão e gesticulando. Otávio: Estes ajustes automatizados são chamados de "TREINAMENTO DE MODELO". Bit: Olha, Marta! Sem as mãos! Marta: Legal, mas qual o papel dos ENGENHEIROS nisso tudo?

CENA 33: Marta cutuca uma rede de nós em várias camadas na sua frente. Flip está nas costas dela e entra na conversa. Bit flutua na parte inferior. Flip: Ah, eles ESTÃO EM TUDO! Os engenheiros escolhem a arquitetura correta, ajustam o número de camadas ou nós, selecionam funções de ativação… Ou seja, tomam todas as decisões. Marta: Hum… Bit: Isto é chamado de "AJUSTE DE HIPERPARÂMETROS".

CENA 34: Marta e Otávio conversam em frente a um fundo quadriculado que parece um gráfico. Otávio: As informações têm uma ESTRUTURA. Com uma rede neural bem treinada, você consegue NAVEGAR por ela.

CENA 35: Marta e Otávio espiam por cima de um muro. Eles observam duas imagens reduzidas de Marta: uma realiza regressão (desenhando uma linha de tendência por um mapa de dados) e outra uma classificação (desenhando uma linha para separar dois grupos de dados). Otávio: Isso acontece quando você desenha linhas de REGRESSÃO e CLASSIFICAÇÃO… O que é algo fácil de se fazer SOZINHA quando há um ou dois atributos… Marta: Ah, que gracinhas!

CENA 36: A planilha na horizontal é mostrada novamente com uma camada de nós de entrada. Marta e Otávio a observam. Otávio: Mas vários atributos geram diversas ENTRADAS. Assim, você tem…

CENA 37: Marta, Otávio, Flip e Bit de repente começam a flutuar em um cenário distorcido de dados. Há fluxos de números inteiros e letras voando ao redor deles, e Marta parece assustada. Bit está sendo distorcido em um formato estranho. Flip está andando de cabeça para baixo por uma faixa de números no formato de uma escada de Penrose. Otávio está calmo. Otávio: …várias DIMENSÕES para navegar… …tornando o simples desenho de uma linha reta entre "A" e "B" praticamente IMPOSSÍVEL! Marta: O QUÊ?

CENA 38: O cenário multidimensional desaparece em direção à parte superior do quadrinho. Bit está tranquilo e confiante, e Marta aparenta estar alucinando no canto do quadrinho. Otávio: Para nossa sorte, nossos amigos DIGITAIS conseguem ver outras dimensões usando MATEMÁTICA e encontram caminhos PELA estrutura. Bit: Isso é moleza! É só ajustar a topografia subjacente.

CENA 39: Bit gesticula em direção a um gráfico que mostra duas espirais entrelaçadas de dados. Flip entra na conversa à direita. Bit: Por exemplo, nenhuma linha reta consegue separar estes dois formatos, mas as redes neurais encontram um jeito de fazer isso. Flip: É aí que entram aquelas "CAMADAS ESCONDIDAS".

CENA 40: Bit gira as espirais de dados com as mãos em três estágios. Elas são transformadas em um par de rabiscos que podem ser divididos por uma linha com facilidade. Bit: Elas TRANSFORMAM os dados… …AMPLIAM e ACHATAM o espaço… …mas nunca o CORTAM, QUEBRAM ou DOBRAM para encontrar uma resposta.

CENA 41: Um globo inclinado flutua por cima de Otávio. Nele, há um círculo pontilhado em volta da Antártica seguido por um pequeno ponto de interrogação. Na parte inferior, Otávio desenha uma linha reta por uma projeção de Mercator. Otávio: É como desenhar uma LINHA RETA entre a ANTÁRTICA e os outros continentes… Parece impossível em um GLOBO… …mas é bem simples quando "MUDAMOS A PERSPECTIVA".

CENA 42: São mostrados três nós com linhas que dividem conjuntos de dados contidos neles. Os dois primeiros na mesma camada são combinados para criar um nó de saída que contém uma linha curvada. Nele, o conjunto de dados pretendido é separado com sucesso. Bit segura uma placa com a mensagem "Saiba mais". Ela tem um link para a demonstração de rede neural do Playground. Otávio: Quando cada neurônio tem uma função linear diferente… basta COMBINÁ-LOS para gerar formatos mais complexos para o AJUSTE DE DADOS. Legenda/link (mostrado por Bit): Saiba mais.

CENA 43: Marta parece tramar algo olhando fixamente para uma nuvem de nós que flutua entre suas mãos. Otávio coloca um tentáculo no ombro dela e parece preocupado. Marta: AAH! Então com neurônios SUFICIENTES, consigo ajustar TODOS os conjuntos de dados de qualquer complexidade? Mua-ah-ah-ah… Otávio: Calma aí! Com MUITOS neurônios, você tem OVERFITTING!

CENA 44: A linha pontilhada se estende ligeiramente para baixo, da esquerda para a direita, enquanto Flip começa a caminhar lentamente. Flip: …aquela matriz de picos e vales que chamamos de "função de erro" ou "função de perda" só pode ser revelada…

CENA 45: Marta, Bit, Otávio e Flip conversam em um fundo branco. Marta: CARÍSSIMO! Então por que chamamos de "CAMADAS ESCONDIDAS"? Bit: Bem… Boa pergunta. Otávio: Bem, sabemos quais atributos são INSERIDOS, quais respostas são GERADAS… Flip: …e sabemos até mesmo COMO as camadas escondidas funcionam…

CENA 46: Marta se ajoelha para ouvir Flip. É mostrada a silhueta dela em frente a uma rede complexa de nós. Bit segura uma placa de "Saiba mais" à direita que aponta para o balão de diálogo de Flip e inclui um link para a pesquisa de Cassie. Bit: Mas em uma REDE NEURAL TOTALMENTE CONECTADA, cada nó combina os resultados de todos os nós da camada anterior. Não dá para saber quais "atributos" são analisados. Flip: A cientista de dados Cassie Kozyrkov já dizia: estamos "AUTOMATIZANDO o INEXPLICÁVEL".

CENA 47: Otávio aparece à direita do quadrinho, usando um chapéu de maquinista ao lado de um carrinho de mina. O grupo se movimenta para entrar nele. Otávio: Bem, a rede neural TOTALMENTE CONECTADA é apenas um tipo de arquitetura… Marta: Adorei o chapéu! Otávio: Valeu!

CENA 48: Otávio está sentado no carrinho de mina, em frente a um mapa de trânsito com várias paradas. Elas são marcadas com símbolos que indicam a arquitetura de rede. Otávio: Vamos para OUTRA parada conhecida no mapa da rede neural.

CENA 49: Todos estão a bordo do carrinho andando por trilhos cheios de curvas. Há diferentes ícones de arquitetura flutuando ao redor. Enquanto Marta parece amedrontada, Otávio dá sua explicação alegremente durante o passeio. Otávio: Esta parte inteira costuma mudar. É como se estivesse sempre "em construção". Algumas das paradas mais conhecidas de hoje não passavam de PROTÓTIPOS há 10 anos!

CENA 50: O carrinho aparece em três estágios diferentes do trilho, incluindo um looping que mostra um relógio analógico. O carrinho aparece em tamanho bem reduzido. Otávio: As REDES NEURAIS RECORRENTES (como LSTMs) estão sempre dando voltas.. …para solucionar problemas com o ELEMENTO TEMPORAL… …como o RECONHECIMENTO DE FALA. Legenda/link: Saiba mais.

CENA 51: Visto de cima, o carrinho passa por trilhos com bifurcações. Vários deles estão convergindo ou divergindo. Enquanto dá sua explicação, Otávio usa uma alavanca de bifurcação. A opção "Saiba mais" inclui um link para uma página externa. Otávio: Outras, como as AUTOENCODERS, ajudam a entender dados não supervisionados… …reduzindo a DIMENSIONALIDADE do Big Data excessivo. Legenda/link: Saiba mais.

CENA 52: O carrinho aparece em alta velocidade em primeiro plano. Enquanto isso, outros trilhos e carrinhos são vistos ao fundo. Marta interrompe Otávio para perguntar quem são os passageiros dos outros carrinhos. Ele se mantém focado e animado. Otávio: Estamos chegando a uma rede conhecida principalmente por analisar… Marta: Espera, quem são ELES? Otávio: Ah! Esta é a GAN. Aqueles passageiros ali não existem. Não encara…

CENA 53: O carrinho para em uma plataforma com um portal que tem o sinal "CNNs". Todos saem para investigar. Otávio: Chegamos! Bem-vindos às REDES NEURAIS CONVOLUCIONAIS. Marta: Já ouvi falar delas! Bit: Elas são bem famosinhas.

CENA 54: O grupo entra em uma galeria cheia de quadros com molduras ornamentais. No entanto, todos eles incluem uma quantidade enorme de 1 e 0. Bit fica encantado com um dos quadros, e Marta parece confusa. Bit: Uau, este é INCRÍVEL! Conseguiu capturar totalmente o 11001101010, não é mesmo? Marta: Hã… Otávio: Para uma CNN, todas as imagens são grades numéricas.

CENA 55: Marta segura um dos quadros e olha os números dele com dificuldade. Otávio explica o conteúdo. Na parte inferior à direita, Bit está acima de uma onda sonora e segura um microfone para demonstrar como as CNNs analisam dados renderizados graficamente. Marta: Mas não é isso que acontece com TODAS as redes neurais que processam imagens? Otávio: Claro! Mas as CNNs têm um método exclusivo para analisar e coletar todos esses dados baseados em imagens. Bit: Incluindo qualquer tipo de dados que possa ser REPRESENTADO como imagens.

CENA 56: O grupo olha para a foto de um gato com 32 x 32 pixels e em escala de cinza. Otávio: Até mesmo uma imagem em BAIXA RESOLUÇÃO como esta inclui uma enorme quantidade de informações. Cada um destes 1.024 PIXELS é uma entrada diferente… Ou TRÊS, contando os canais vermelho, verde e azul. Flip: Olha! É o tio Bóris!

CENA 57: À esquerda do quadrinho, Otávio explica sobre a multiplicidade de imagens coloridas. Ele está acima de uma camada de entradas que mostra os canais vermelho, verde e azul, incluindo o número correspondente de entradas totais (3.072). À direita dele, uma ampla camada de entradas se expande. Marta fica horrorizada. Otávio: Estamos falando de uma CAMADA DE ENTRADA MULTIDIMENSIONAL. E olha que a imagem não está em alta resolução nem é um vídeo. Marta: OH! De novo não!

CENA 58: Ao lado de seis imagens de gatos, Otávio continua dando sua explicação. São mostrados gatos de perto, em diferentes posições, em vários slots em uma imagem etc. Na parte inferior à direita, há um nó de classificação que diz "Gato: SIM". Otávio: Queremos um resultado simples e unidimensional de "SIM" ou "NÃO". Mas isso precisa funcionar com QUALQUER gato, em QUALQUER ângulo e em qualquer parte da imagem. Marta: Nossa. Que complexo!

CENA 59: Bit aparece dentro de uma matriz de pixels, em que cada bloco é separado para formar um painel de unidades à direita. Otávio: Com certeza. Mas para chegar lá, as CNNs SEPARAM essas enormes matrizes de dados de pixels em BLOCOS GERENCIÁVEIS, camada por camada.

CENA 60: Otávio joga para Marta uma pequena matriz com alças, que é o filtro. Otávio. Vamos começar criando um mapa de ATRIBUTOS RELACIONADOS A GATOS na imagem de origem. PENSA RÁPIDO! Marta: O que é isto? Otávio: Um FILTRO. Começa como uma matriz de pesos aleatórios que é ajustada pelo algoritmo ao longo do tempo.

CENA 61: Marta e Otávio são mostrados em tamanho bem reduzido. Eles estão andando nas pontas dos pés por duas matrizes animadas. A primeira mostra o filtro se movendo pelos dados de entrada, salto por salto. Já a segunda exibe o mapa de atributos resultante sendo gerado a cada quadrado. [Exemplo aqui.] Flip entra na conversa na parte inferior à direita. Otávio: A "CONVOLUÇÃO" é mover o filtro por toda a imagem a cada intervalo de variáveis chamado de "SALTO". Marta: Ah! Está multiplicando os DADOS DE ORIGEM pela matriz. Flip: O resultado é chamado de MAPA DE ATRIBUTOS.

CENA 62: Dentro de uma boia e usando óculos de sol, Otávio explica o processo das CNNs. São mostradas a imagem de entrada, as várias imagens mais simples geradas pela convolução, a função de ativação e as imagens menores conseguidas com o pooling. Marta está em cima das imagens do pooling inspecionando o cenário. Otávio: Realizamos o POOLING nesses mapas de atributos para reduzir ainda mais o tamanho computacional deles. Marta: Ah! Assim dá para continuar os empilhando para encontrar ainda mais atributos.

CENA 63: Otávio flutua em direção a quatro filtros de baixa resolução que mostram bordas imprecisas (horizontal, vertical, inclinada à esquerda e à direita). Na parte inferior, Bit entra na conversa dentro de um painel. Ele está com a mão em um cérebro com olhos esbugalhados. Otávio: Nos primeiros estágios, os filtros detectam apenas BORDAS e ORIENTAÇÕES…* Bit: *CURIOSIDADE: o córtex visual do seu cérebro também detecta imagens assim… Na verdade, ele foi uma das primeiras inspirações das CNNs. Legenda: Saiba mais.

CENA 64: Três camadas de atributos são mostradas em grades à esquerda: bordas rudimentares, elementos mais nítidos e figuras ou personagens completos, incluindo Otávio. Ele dá sua explicação à direita do quadrinho. Otávio: Mas em cada camada posterior surgem atributos COMPOSTOS a partir do ruído. Viu? Sou eu!

CENA 65: Marta e Otávio espiam acima de um filtro brilhante. Marta: Então começa com LINHAS e ÂNGULOS, depois temos BIGODES, PATAS E PELO até chegar a "GATOS" ou "CACHORROS"? Otávio: Bem… *ah-ah* Mais ou menos! Nunca saberemos exatamente quais atributos são vistos na etapa INTERMEDIÁRIA… …mas eles são sempre ENCONTRADOS, sejam do tipo que for.

CENA 66: São mostradas novamente as etapas das CNNs. No entanto, há uma nova camada de classificação no final, que mostra um grupo completo de nós com linhas interconectadas, gerando um resultado binário. À direita do quadrinho, Flip aparece para dar sua explicação. Flip: As CNNs não tão totalmente conectadas como no PRIMEIRO exemplo. Já a camada final de saída ESTÁ se conectando a todos os neurônios na camada anterior.

CENA 67: Marta, Otávio, Bit e Flip aparecem em um fundo branco. Eles estão dentro de caixas que indicam as previsões da rede para cada um. Marta é 98% humana, Otávio é 94% polvo, Flip é 89% gato e Bit é 60% bola de basquete. Otávio: Com essa CAMADA DE CLASSIFICAÇÃO, temos as respostas precisas que… Bit: Hã… Pessoal? Rótulos: 98% humano 94% polvo 60% bola de basquete 89% gato

CENA 68: Marta se agacha, preocupada. Todas as caixas de classificação sumiram, menos a de Bit. Otávio flutua por cima dele preocupado. Bit fica triste. Marta: Ah, não… O que aconteceu? Não havia ROBÔS VOADORES nos dados de treinamento? Otávio: Bem, ERA para ter! Rótulo: 60% bola de basquete

CENA 69: Flip e Marta investigam os dados de teste e treinamento, que estão espalhados pelo chão. Bit parece determinado e revoltado ao fundo. Flip: NÃO… Temos apenas robôs que andam, um clássico VIÉS DE SELEÇÃO. Marta: Poxa, isso não é justo! Nem todos os robôs andam… Bit: O CÉU É O LIMITE! Rótulo: 60% bola de basquete

CENA 70: Bit e Flip se movem à esquerda do quadrinho. Marta se levanta. Marta: Sempre achei que não houvesse VIÉS nos dados. Só números e tal… Otávio: Os conjuntos de dados são o resultado do momento e do local em que foram montados. Rótulo: 60% bola de basquete

CENA 71: Otávio tem vários fantoches de meia nos tentáculos. Cada um deles tem balões de diálogo com símbolos diferentes. Otávio: Mesmo que você tente criar dados "neutros" intencionalmente, as pessoas que fazem a compilação podem ter os PRÓPRIOS vieses implícitos.

CENA 72: Marta se senta perto das imagens de dados. Flip e Bit parecem desanimados. À direita do quadrinho, Otávio confere mais imagens. Marta: Isso é mais complicado do que eu pensava. Otávio: Huuuum… Podemos estar lidando também com algo chamado de VIÉS LATENTE… Dê uma olhada nestas fotos de bolas de basquete e veja o que todas elas têm em comum. Rótulo: 60% bola de basquete

CENA 73: Otávio mostra a Marta algumas fotos espalhadas. Todas elas têm braços e mãos de jogadores segurando as bolas de basquete. Otávio: Lembra alguma coisa? Marta: Não sei, só vejo braços e mãos que seguram…

CENA 74: Marta olha de novo para Bit dentro da caixa "bola de basquete" e percebe algo. Marta: Aaaaaaah Rótulo: 60% bola de basquete

CENA 75: Marta e Otávio conversam. Otávio: Os ENGENHEIROS e os ETICISTAS ainda tentam entender como as redes neurais observam o mundo… …e qual será o PAPEL delas nos próximos anos.

CENA 76: Marta, Otávio, Flip e Bit estão em uma superfície espelhada olhando o reflexo deles embaixo. Otávio: Ao virar uma CNN de cabeça para baixo, os pesquisadores transformaram um classificador de imagens único… …em REDES ADVERSÁRIAS GENERATIVAS ou GANS… …Elas geram imagens belas e surreais, mas também aquelas conhecidas "deep fakes". Legenda: Saiba mais.

CENA 77: Marta parece determinada, e Otávio a encoraja. Flip e Bit entram na conversa na parte inferior. Marta: Pois é, quero ser parte da solução, não do problema… Só espero saber a diferença quando chegar a hora. Otávio: Aprender como tudo FUNCIONA é uma ótima maneira de COMEÇAR. Flip e Bit (fora do quadrinho): Isso aí!

CENA 78: Marta se mostra confiante e otimista, mas é interrompida por seu chefe Mel. Otávio fica indignado. Marta: Podem se preparar! Porque estou 99% certa de que… Mel (fora do quadrinho): Ô, MARTA!

CENA 79: Mel aparece por cima das paredes do cenário da explicação, solicitando respostas para suas perguntas. O grupo inteiro parece desconcertado. Flip dá um chiado. Mel: Ah! Onde estou? O que é isso? Quem são ELES? Marta: Hã… Estamos… Mel: Na verdade, TANTO FAZ!

CENA 80: Marta se senta no chão, apoiada na parede, próxima de Bit e Otávio. Todos parecem desanimados conforme Mel tagarela. Mel: Quero você pronta em DEZ MINUTOS no máximo para se apresentar para os acionistas. Otávio: Ele é sempre assim? Marta: É.

CENA 81: Mel desaparece acenando. Marta começa a se recompor conforme o grupo se reúne em volta dela. Mel: OK? FUI! Otávio: Mas acabamos agora mesmo de ensinar a ela… Flip: Vou fazer uma bagunça na sala de conferências para você ganhar tempo.

CENA 82: Otávio olha para fora do quadrinho em pânico, mas Marta levanta a mão para interrompê-lo. Otávio: Eu precisava ter pegado mais leve. Vou ser ridicularizado e expulso da Academia Octopoda de Ensino! Marta: NÃO.

CENA 83: A imagem está fechada em Marta, que está determinada e animada. Marta: DEIXA COMIGO!

Agora é sua vez.
Continue sua jornada pelo
mundo do machine learning…

CENA 84: Marta faz sua apresentação em uma sala cheia de executivos. Ela gesticula em um quadro branco com redes neurais e outros elementos. Os espectadores estão focados na apresentação. O quadrinho encerra com uma call-to-action para os leitores aprenderem mais.

…com o curso intensivo sobre ML
do Google ou explore a IA do Google Cloud.

• História, design e layout por Lucy Bellwood, Dylan Meconis e Scott McCloud
• Desenho por Leila del Duca
• Cores por Jenn Manley Lee
• Localização em japonês por Kaz Sato, Mariko Ogaya
• Produzido pela Google Comics Factory (Allen Tsai, Alison Lentz, Michael Richardson)