Centro Federal de Educação Tecnológica de Minas Gerais

"Uma perda grande no treinamento não necessariamente se revela na validação. Pode ocorrer o overfitting, já que bom treinamento talvez não gere boa generalização. Na época 8 em específico o treino e validação se distanciam 'boca de jacaré' mostrando o overfitting."

"Para se representar as entradas heterogêneas na MLP se usa a normalização e Z-score para ficarem em escala. Durante o backpropagation são avaliados as derivadas parciais dos pesos, isso ocorre de trás pra frente, isso ajuda a avaliar onde o maior erro aconteceu, e reverbera até o fim, essa análise ajuda a encontrar os parâmetros de maior erro e ajustá-los."

"Separação entre treino, validação e teste para reprodutibilidade, também faria a matriz de confusão para analisar TP TN FP FN e deles extrairia o precision e recall e F1."

"Resultados práticos: sobreajuste se tivesse decorado tudo da peça diurna. A mudança de distribuição: mudança do treino p noturno. E falha no processo de rotulação que é o verdadeiro problema já que a rede memorizou mais características de contexto do que o objeto de estudo, fazendo assim disparar defeitos que não são do objeto e sim do contexto."

"Estratégia: importação de base pré-treinada, congelamento / desligamento dos parâmetros durante as camadas intermediárias, descongelar no final do treino e ajustar as taxas de aprendizado para ficarem pequenas. E a CNN é apropriada pois é capaz de pegar características em imagens."

"Aumentar a patience e garantir que o modelo generalizou o objeto e não o que o rodeia."

"A premissa de 0,5 é falha pois de acordo com a figura 2 dá p extrair que prevista alta não se reflete na frequência real, e de acordo com uma ideal grande parte dos chamados não seria realizada. E este classificador estar mal calibrado significa que nesse contexto vão ocorrer muitos falsos positivos."

"Este modelo deve priorizar o Recall pois o peso de deixar alguém doente sem ajuda é alto, porém deve levar em consideração a operacionalidade da equipe, e isso deve ser ponderado na escolha do limiar."

"A rede deve ser bem treinada nos casos normais para ser capaz de identificar o que for diferente e a ação técnica a ser tomada é o aviso e tratamento dessa situação."

"As embeddings estáticas calcula o contexto no espaço vetorial enquanto as contextualizadas leva em consideração os contextos do material fornecido. A similaridade do cosseno tem limitação em relação a busca léxica já que não possui muita correspondência, além de dar a relevância das relações dos vetores o que não tem necessariamente significado real além do probabilístico."

"Apenas a proporção de retorno é errado pois não leva em consideração a qualidade e correspondência desse retorno e considerando que a IA sempre dá um retorno (se não tiver condição de stop) ter retorno não se torna boa métrica."

"A busca híbrida superaria as limitações pois seria uma combinação de semântica com a léxica gerando melhor resultado. E para tratamento usaria a normalização L2 que retiraria o comprimento dos vetores."

"A proposta do gestor deve ser avaliada, pois como os dados são dinâmicos o de maior score pode não refletir a melhor resposta. Houve o pedido, avalia os scores dos documentos, devem ser maior que o mínimo, se sim pega os dois maiores resultados."

"Trate os documentos de norma conflitante selecionando o de maior correspondência com a pergunta. Determine a taxa mínima para resposta, se atender aos critérios devolve a resposta senão informe que não é possível e pede para tentar novamente."

"Monitoro com as porcentagem de perguntas que estão sendo respondidos, se a taxa diminuir significa falta de correspondência o que mostra mudanças na base ou perguntas."