Bem-vindo à série de entrevistas da HackerNoon Building with AI, onde aprendemos como os desenvolvedores de todo o mundo estão adotando, moldando e experimentando com a IA em seus ecossistemas locais. Bem-vindo à série de entrevistas da HackerNoon Building with AI, onde aprendemos como os desenvolvedores de todo o mundo estão adotando, moldando e experimentando com a IA em seus ecossistemas locais. Hoje, estamos falando com Val Garnaga, Líder @ da Plataforma Suki ML e Engenheiro de Pessoal ML, trabalhando na vanguarda da IA na Área da Baía e no Vale do Silício. Conte-nos a história por trás de sua jornada em IA – o que o atraiu primeiro e o que inspirou o projeto que você está construindo atualmente? Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Minha jornada em IA começou durante minha pesquisa de doutorado em 2000, onde desenvolvi um modelo de previsão de rede estatística e neural híbrida para prever avalanches de neve. O trabalho combinou modelos estatísticos ARIMA com redes neurais recorrentes que selecionaram e otimizaram parâmetros de forma autônoma. Esta pesquisa introduziu um novo método de treinamento de rede neural parcialmente supervisionado e codificação de parâmetros categórico, que estabeleceu a base para o meu interesse a longo prazo em combinar modelagem estatística clássica com sistemas de IA adaptativos. Esta experiência moldou meu interesse a longo prazo em combinar modelagem matemática com sistemas de aprendizagem adaptativa. Hoje, eu dirijo a Plataforma de Aprendizagem de Máquinas na Suki AI, focando em sistemas de IA médicos em larga escala que aplicam aprendizagem profunda e compreensão de linguagem natural para ajudar os clínicos. Paralelamente, eu estou explorando Redes Neurais Quânticos (QNNs), onde circuitos quânticos são usados para detectar padrões biomédicos sutis. Em um de meus projetos recentes, eu implementei um modelo híbrido quântico-clássico para identificar a doença de Parkinson em estágios iniciais a partir de dados de voz, alcançando 99% de precisão diagnóstica, superando modelos clássicos como Random Forests e redes neurais padrão. Esta pesquisa marca um Quais são alguns dos maiores desafios ou limitações que você enfrentou ao construir com AI em seu ecossistema local (e como você está trabalhando em torno deles)? Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Na Área da Baía, os maiores desafios incluem equilibrar a escalabilidade, o custo e a precisão, garantindo que os sistemas de IA permaneçam seguros e interpretáveis. A IA de cuidados de saúde acrescenta mais complexidade, já que os modelos devem manter rigorosa conformidade e confiabilidade sob a variabilidade do mundo real. Para resolver esses desafios, eu projetei pipelines modulares e tolerantes a falhas que monitoram automaticamente a qualidade dos dados, retrainam os modelos conforme necessário e otimizam a execução.Em pesquisas paralelas, estou explorando arquiteturas híbridas inspiradas em quantum para domínios onde as plataformas de aprendizagem clássicas, aproveitando o poder expressivo e robustez das camadas quânticas para modelar dados biológicos e linguísticos complexos. Como você descreveria o ecossistema de IA onde você vive – em termos de talentos, comunidade, educação ou investimento? Dedique pelo menos um parágrafo a cada resposta. Dedique pelo menos um parágrafo a cada resposta. Do meu ponto de vista, o que torna a Área da Baía única é a rapidez com que as ideias se movem de artigos de pesquisa para protótipos e startups, reunindo cientistas, engenheiros e empreendedores que continuamente empurram fronteiras e compartilham pesquisas em toda a academia e indústria. As fundações educacionais de Stanford e Berkeley alimentam um fluxo constante de inovação, enquanto programas comunitários como as iniciativas de parceiros de design de IA do Google e as colaborações de pesquisa OpenAI incentivam a experimentação prática. Os investidores estão cada vez mais focados em eficiência e especialização, soluções de financiamento, como LLMs de cuidados de saúde ajustados ao domínio e sistemas de inferência otimizados pelo custo. Quais ferramentas, frameworks ou modelos foram mais úteis no seu trabalho – e por que eles se encaixam na sua abordagem? Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Meu ecossistema central inclui o TensorFlow, o PyTorch e o Google Vertex AI para orquestração, emparelhado com aceleradores AI/ML de diferentes arquiteturas. Para tarefas de fala e linguagem, uso o OpenAI Whisper e o Google Gemini para construir pipelines escaláveis e multimodais. Além dos quadros ML clássicos, exploro arquiteturas avançadas em termos quânticos destinadas a resolver problemas que exigem representações de ordem superior, como a detecção de padrões biomédicos.Integro modelos híbridos que combinam controladores neurais clássicos com circuitos quânticos capazes de aprender representações entrelazadas.A rede de controladores aprende a preparar dados para codificação quântica, enquanto a camada quântica extrai relações de alta dimensão que os modelos clássicos muitas vezes faltam.Juntos, esses sistemas híbridos estendem o poder expressivo do aprendizado profundo, integrando princípios quânticos que melhoram a generalização e a sensibilidade a padrões de dados sutis. Olhando para frente, o que mais o excita sobre o futuro da IA – e que conselho você daria aos desenvolvedores que estão apenas começando sua jornada? Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) Responda com o máximo de detalhes possível (pelo menos 3 a 5 frases) O futuro da IA está na fusão de domínios cruzados, onde a computação quântica, o raciocínio simbólico e a inteligência gerativa convergem.Estou particularmente animado com a aprendizagem avançada quântica, uma área que exploro através de redes neurais quânticas híbridas que podem gerenciar incertezas, ruídos e correlações complexas em dados biomédicos.Esses sistemas poderiam permitir novas ferramentas de diagnóstico, assistentes adaptativos e modelos que raciocinam com restrições físicas e informacionais. A partir da minha experiência liderando plataformas de ML em grande escala, descobri que os desenvolvedores que começam por dominar os fundamentos da matemática, estatística e estruturas de dados criam uma intuição muito mais forte antes de usar frameworks de alto nível.
