O desenvolvimento de soluções aceleradas por computação em GPU tem revolucionado o mercado de tecnologia nos últimos anos. 

Esta abordagem não é aplicada somente em soluções de inteligência artificial (passando por visão computacional, processamento de linguagens naturais, carros autônomos e outras coisas legais), mas também em computação científica e de alto desempenho.

Porém, para pequenas e médias empresas, incluindo startups, o custo para prototipagem de soluções acaba sendo elevado devido aos recursos exigidos (de hardware a conhecimento em linguagens como Java e C++).

Nesta palestra discutiremos como podemos unir a flexibilidade e rápido desenvolvimento utilizando a linguagem python com o poder e a performance oferecido pela utilização de GPU para processamento específico.

Para alcançar este objetivo a idéia é seguir este plano:

a) uma rápida introdução de programação com GPU - conceitos e características 

b) introduzir módulos python que permitam a utilização de GPU - especialmente ficando em PyCUDA, Numba, cupy e scikit-cuda

c) incluir características, vantagens e utilização de cada um dos módulos citados, salientando o mínimo aumento de complexidade do código 

d) Mostrar comparativos de códigos com o mesmo objetivo técnico, com e sem utilização de GPU

e) Mostrar como prototipar soluções de python com GPU utilizando a cloud ao invés de adquirir recursos de hardware. 

Machine learning, redes neurais e deep learning vem sendo utilizado como os facilitadores para a criação de produtos inteligentes, capazes de interação ambiental e tratar dados complexos em áreas como visão computacional, carros autônomos e processamento de linguagem natural.

Reinforcement Learning é um tipo de Machine Learning que busca ajudar a solucionar problemas através de sistemas que aprendem baseados em "tentativa e erro" e de acordo com a "recompensa" de suas ações - diversas soluções vem utilizando este tipo de abordagem, como sistemas de controle físico (andar, voar, nadar, etc), solucionar problemas logísticos (alocação dinâmica de banda de rede, otimização de consumo energético, etc) e melhoria de soluções interativas, como de experiência aumentada de clientes.

Nesta palestra discutiremos como podemos ver Deep Reinforcement Learning na prática utilizando python e o framework OpenAI. Para alcançar este objetivo a idéia é seguir este plano:

a) uma rápida introdução conceitual de machine learning, deep learning e reinforcement learning

b) os fatores e conceitos a serem considerados em um programa que utiliza deep reinforcement learning

c) visualizar na prática um modelo que aprende a jogar videogame através de python e deep reinforcement learning

Após isso, discutir, rapidamente, soluções comerciais e industriais que já utilizando este conceito para solucionar problemas do mundo real.