Daniel Romero infoslack

!pip install python-docx

from docx import Document

# Substitua isso pela sua transcrição real
transcricao = """
Esta é uma transcrição de teste.

ESP32 (microcontroller)
Lipo battery 11.1v 2200mah
Generic buck converter 12v to 5v
MPU6050
2 x DRV8825 Stepper Motor Controller
2 x Stepper Motor Nema 17

A proposta do paper publicado pelo Google chamado Titans, propõe uma arquitetura diferente das tradicionais baseadas em transformers e modelos de linguagem de grande escala. Depois de concluir a leitura, esses são os principais pontos que destaquei:

Transformers e suas limitações:

Transformers usam o mecanismo de self-attention para calcular as relações entre todos os tokens de uma sequência (por exemplo, "o gato pulou sobre o cachorro"). Isso resulta em uma complexidade quadrática, ou seja, é computacionalmente caro para sequências longas. Outra limitação é que os transformers não diferenciam explicitamente entre memória de curto e longo prazo; todos os tokens interagem igualmente.

A proposta dos Titans:

Na arquitetura Titans introduz um sistema de memória dual inspirado no "funcionamento do cérebro humano":

Fabricante	Cor	Quilometragem	Portas	Preco
Toyota	Branco	150043	4	R$ 24,000.00
Honda	Vermelho	87899	4	R$ 25,000.00
Toyota	Azul	32549	3	R$ 27,000.00
BMW	Preto	11179	5	R$ 122,000.00
Nissan	Branco	213095	4	R$ 13,500.00
Toyota	Verde	99213	4	R$ 14,500.00
Honda	Azul	45698	4	R$ 17,500.00
Honda	Azul	54738	4	R$ 27,000.00
Toyota	Branco	60000	4	R$ 26,250.00

Lista dos equipamentos que comprei para experimentos com SDR

RTL-SDR link onde comprei
HackRF One link onde comprei
Flipper Zero link onde comprei
Flipper Zero Wi-Fi Devboard link onde comprei
Prototyping Boards for Flipper Zero link onde comprei
Antena l-band 1525-1660 inmarsat link onde comprei

Notas

Keybase proof

I hereby claim:

I am infoslack on github.
I am infoslack (https://keybase.io/infoslack) on keybase.
I have a public key whose fingerprint is 87BA 79B8 1CAD 72DE 8F91 D5AB C5DE 4724 27D3 DFD2

To claim this, I am signing this object:

	import os
	from openai import OpenAI
	from pydantic import BaseModel

	client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

	class CalendarEvent(BaseModel):
	name: str
	date: str
	participants: list[str]

	import faiss
	from sentence_transformers import SentenceTransformer
	from openai import OpenAI
	from dotenv import load_dotenv

	load_dotenv()

	documents = [
	"FAISS é uma biblioteca para busca eficiente de similaridade desenvolvida pelo Facebook AI Research.",
	"RAG (Retrieval-Augmented Generation) é uma técnica que melhora os modelos de linguagem recuperando informações relevantes de uma base de conhecimento.",

	# This implementation is based on the paper: https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf
	#
	# pip install torch transformers
	# python grpo_demo.py

	import torch
	import torch.nn as nn
	import torch.optim as optim
	from transformers import BertTokenizer, BertModel

	# dependencies
	# pip install -U openai gradio

	import os, openai
	import gradio as gr
	openai.api_key = 'sk-xxxxxx'

	messages = [{"role": "system", "content": """Assistant is an expert candidate in
	technical IT job interviews. Currently, the interview is
	focused on a position for Platform Engineer. So, you have skills