Fabrício Carraro

E, Júlio, com esses lançamentos todos que você comentou, e a gente comparando, acho que você até pincelou um pouco da resposta para essa pergunta, mas falando do que era o Copilot, considerando aquela versão original, vamos dizer, uma extensão ali num VS Code da vida, algo nesse sentido que o pessoal utilizava para tanto fazer as complexões do seu texto, do seu código, quanto como um agente para você fazer perguntas ali do lado direito.

E aí você entra com um outro momento, que é ele mesmo vai e ele altera o seu código, tem o diffzinho ali, você aceita ou não manualmente, aí tem o YOLO mode que o pessoal chama, que você deixa ele alterar todas as coisas, você não precisa aprovar, você meio que confia no pai e deixa ele ir.

E aí, quando a gente fala de Copilot Workspace, é até um outro momento, é algo similar, mas você só fala com o repositório por uma web, uma página web, pede alguma coisa ali, pronto, vai tomar um café e volta depois de meia hora, com tudo, os diffs alterados, o commit feito, até coisas nesse sentido.

Você vê, vamos dizer daqui a... Não vou nem colocar você muito na roda, tá? De 10 anos. Vou colocar daqui a dois anos. Você vê que esse, vamos dizer, um copilot workspace via prompt direto, que seria um equivalente quando a gente fala aí de OpenAI do Codex, a página web. Quando a gente fala de Gemini do Jules. Esse cara substituindo e engolindo o próprio copilot que era esses anos atrás, que o cara ainda está na frente do VS Code.

É impressionante você dizer isso daí. O que está faltando então, quando você fala da empresa brasileira, o que ela está deixando a desejar nessa questão da implementação? É só o medo mesmo? Qual que é a questão?

Comparando o Brasil, então, com, sei lá, vamos dizer, a Europa, que é um bloco muito maior, com, sei lá, acho que tem 800 milhões de pessoas na Europa, Estados Unidos, 350 milhões, mais ou menos. Podemos pegar Japão, talvez. Se você tem esses números aí, sendo gerente regional do GitHub...

Em termos de adoção geral de IA, olhando ali de Copilot e outros produtos do GitHub, bom, antes eu sei que para outros produtos do GitHub a gente sempre estava no top 3, top 5, o Brasil sempre foi muito alto nesse ranking de usuários. Como é que está isso considerando a IA agora?

E você mencionou esse número também de 300 mil vagas de desenvolvedores e engenheiros no Brasil, que você estaria defasado, que tem esse gap gigantesco. O papo de, vamos dizer, oito meses, nove meses atrás, talvez até mais um ano e pouquinho, quando chegou o Dev, a engenharia de software, depois vieram muitas outras, veio o Copilot, vem os agentes, vem o Workspace, vem tudo isso que vocês vêm lançando.

que talvez essas IAs substituiriam esses devs. E você pensa nisso também? Que esse gap vai ser sanado não por pessoas, mas por IAs?

E, Júlia, a última aqui da minha parte, dado tudo isso que você falou, tudo isso que vocês já fizeram, já vêm fazendo, eu quero uma resposta do que vocês ainda não fizeram. Que você acha, que você olhando para o GitHub, você fala, a gente ainda não resolveu esse problema aqui, ou poderia melhorar, ou não existe algo que faça isso aqui dentro do GitHub, que eu gostaria que houvesse daqui a um, dois, cinco anos.

E aí, Marcos? E aí, pessoal? Mais uma entrevista aqui, que é uma entrevista que já começa curiosa. Vocês conhecem o Geoffrey Hinton, lá do Google, né? Que é um dos caras que tem o pedum sobre o apocalipse das IAs muito alto. Ele falou em 2016, nove anos atrás, que radiologistas perderiam o seu trabalho. E o pessoal também fala, né? A Tesla, a Lomansk falavam...

nessa época que todo mundo estaria dirigindo carros autônomos, e agora a gente tem aqui um radiologista que provavelmente veio para casa dirigindo seu carro hoje e continua trabalhando na área. É isso, Marcos? É o doutor Felipe Kitamura, professor afiliado na Unifes, Universidade Federal de São Paulo, diretor médico também da Bunker Hill. Bem-vindo ao IA Sob Controle. Muito obrigado pelo convite, prazer enorme estar aqui com vocês. Super legal acompanhar o trabalho de vocês.

Que interessante essa mudança, essa carreira. E é uma coisa que eu tenho visto cada vez mais pessoas, inclusive a gente tem um contato muito próximo com o pessoal do LabDaps, da USP, do professor Alexandre Quevega do Filho, o Fabiano também, a Karine, já foram entrevistados aqui no podcast, palestraram na IAConference, que também a gente vê desde lá esse pessoal de médicos, médicos mesmo, entrando na parte da tecnologia, do machine learning, muito interessante.

Exatamente. E eu queria saber uma visão sua, desde que você comentou em 2016, que isso aí começou a ser mais presente dentro da radiologia e tudo mais, passaram-se nove anos, né? O que foi que mudou nesses nove anos?

E eu queria voltar um pouquinho na parte técnica, que a gente começou a pincelar aqui. A gente vê, ouve falar pelo menos, que o que é muito ou majoritariamente usado aí seriam aquelas redes como as CNNs, as redes convolucionais, as UNETs e tudo mais. E aí, mais recentemente, entrou a questão dos Vision Transformers também, que talvez poderiam ter sido usados. Então, como é que está esse mercado da tecnologia nessa área?

E você comentou que tem vários algoritmos, modelos que são criados lá fora e que a gente traz para o Brasil, e aí tem o problema de quando você muda a máquina, de quando você muda de região, inclusive, um tema que o professor Alexandre do LabDap sempre comenta, de atender pessoas no hospital em São Paulo é muito diferente de atender em Roraima ou no Mato Grosso, ou seja, lá onde for no Brasil, por diferenças populacionais, por diferença da capacidade do hospital, do equipamento que o hospital vai usar e tudo mais.

Então, nesse quesito, quando você tem que fazer isso, que o hospital comprou uma máquina nova, ou que mudou de região, ou seja lá o que for, o que você faz com esse modelo? Você faz um fine tuning? Você tem que treinar um modelo novo do zero? Um aprendizado federado ali, um transfer learning?

Então, na hora de, quando a gente vai falar de treinar esses modelos, vamos imaginar que a gente vai treinar um modelo desse do zero. O que é o gargalo, hoje em dia? Não falando de Brasil, mas falando em geral mesmo. É preço? É a qualidade das anotações? É o volume dos dados, que é muito baixo? Sim. Existem alguns, né? Olha, pré-foundation models, era muito claro. O gargalo é dado em quantidade e anotado.

E ainda mais ou menos nesse tema de adoção ou não adoção, como que você está vendo, pelo menos por enquanto, esse futuro dos profissionais de radiologia mesmo? Você está vendo esse risco que o pessoal chama de de-skill, o pessoal...

parar de aprender, ou até de never skilling, de nunca eles aprenderem. Inclusive, foi uma pergunta que foi mandada pelo nosso amigo aqui, o professor Aydamari Faria Jr., da UFF, que também falou, né, por causa de uso equivocado das IAs durante ali o período de estudos. Esse risco é muito real. E eu acho que a gente só não tá vendo ele acontecer no dia a dia, porque não tem tanto algoritmo de IA sendo usado para todas as doenças. É...