Hoje faremos uma pausa no discurso político e social, para um comentário sobre a experiência de uso do DeepSeek:
Recentemente vimos o lançamento do “Deep Seek”, um produto computacional; não usaria a expressão software por ser, baseado no meu entendimento, um conjunto de técnicas matemáticas arranjadas segundo princípios de otimização e estratégias de simplificação.
Lembro
ainda que tive de registrar, há menos de quinze anos, os programas
fontes do sistema de comando e controle implantados no CICC (Centro
Integrado de Coamdno e Controle) da Secretaria de Segurança do
Estado do Rio de Janeiro. Sistemas estes que serviam ao registro de
chamada de emergência e ocorrências, sua localização geográfica,
caracterização e o engajamento ótimo dos recursos compatíveis
(viatura policial, bombeiros, ambulâncias, etc…) e apresentação
no mapa projetado nas telas (TV ou VideoWall) do Centro, para fins de
acompanhamento e controle da ocorrência. O “Deep Seek’ é
baseado em software livre, ou seja, suas soluções são abertas.
Então resolvi testar. Pesquisamos a seguinte questão e a solução detalhada foi apresentada com os referidos comandos. "Tutorial
Prático: PCA com sklearn.decomposition.PCA
Aqui
está um exemplo passo a passo de como aplicar Análise
de Componentes Principais (PCA) usando
a biblioteca scikit-learn em
Python."
Ou seja, o produto é realmente "código aberto" GNU baseado na mesma filosofia do Android e do Linux.
Quando há uns quinze anos precisava, baseado no princípio do "dono do software", registrar os fontes na instituição governamental para validar a propriedade intelectual, hoje, baseado no principio GNU, ou software livre, muda-se o objeto da propriedade de "posse" para "uso". Com isto o benefício se expande exponencialmente, já que as funções aplicativas transcendem o produto original, gerando oportunidades comerciais sequer imaginadas à época da criação do software.
Quando o DeepSeek me ensinou a estratégia, e a utilizar a PCA:
"A Análise de Componentes Principais (PCA) é uma técnica estatística não supervisionada usada para reduzir a dimensionalidade de conjuntos de dados complexos, preservando ao máximo a variabilidade original. É amplamente aplicadaMachine Learning (pré-processamento de dados)
Processamento de Imagens (compressão, reconhecimento facial)
Bioinformática (análise de expressão gênica)
Finanças (análise de riscos e portfólios) "
inclusive apresentando os comandos Python,
Tutorial Prático: PCA com sklearn.decomposition.PCA
" Aqui está um exemplo passo a passo de como aplicar Análise de Componentes Principais (PCA) usando a biblioteca scikit-learn em Python."
nem imaginava a dimensão deste produto, mesmo já tendo utilizado o ChatGpt.
O que agora se configura é a possibilidade de um salto antes inimaginavel na colheita dos subprodutos, das colaborações que darão um crescimento exponencial à aplicações em áreas do conecimento e do lazer que antes não alcançavam os ambientes big-data e as dimensões funcionias e geográficas exploráveis.
Nem imaginava quão "deep" (profundo) seria o alcance dessa experiência.
Nenhum comentário:
Postar um comentário