Traduzido do inglês

Daniel Fried é um cientista da computação e cofundador da Adept AI, anteriormente cientista de pesquisa no Google Brain, conhecido por suas contribuciones aos [[large language model|modelos de linguagem de grande escala]] e [[ai agent|agentes de IA]].

Daniel Fried é um cientista da computação e empreendedor especializado em inteligência artificial e aprendizado de máquina. Ele é mais conhecido como cofundador da Adept AI, uma empresa focada em construir agentes de IA que podem automatizar tarefas de software. Antes de fundar a Adept, Fried trabalhou como cientista de pesquisa no Google Brain, onde contribuiu para pesquisas sobre modelos de linguagem de grande escala e suas aplicações.

Os interesses de pesquisa de Fried incluem redes neurais, aprendizado profundo e o desenvolvimento de sistemas de IA que podem interagir com ambientes digitais. Seu trabalho foi publicado em grandes conferências e periódicos, e ele é reconhecido por suas contribuições ao campo de IA generativa.

Início da Vida e Educação

Fried recebeu seu doutorado em ciência da computação pela Carnegie Mellon University, onde trabalhou sob a supervisão de Alexei Efros e outros. Sua pesquisa de doutorado focou em compreensão de linguagem fundamentada e aprendizado a partir de feedback humano. Ele também possui um bacharelado pela University of Toronto, onde estudou ciência da computação e matemática.

Carreira no Google Brain

Após concluir seu doutorado, Fried ingressou no Google Brain como cientista de pesquisa. No Google Brain, ele trabalhou em projetos envolvendo transformadores e modelos sequência a sequência. Ele contribuiu para pesquisas sobre a melhoria da eficiência e confiabilidade de modelos de linguagem de grande escala, incluindo trabalhos sobre poda de modelos e aumento de dados. Sua pesquisa ajudou a avançar a compreensão de como esses modelos podem ser treinados e implantados de forma eficaz.

Cofundação da Adept AI

Em 2022, Fried cofundou a Adept AI com vários colegas, incluindo Ashish Kumar e outros. A empresa visa construir sistemas de IA que possam realizar tarefas complexas em ambientes de software, como navegar por interfaces web e usar ferramentas como planilhas. A tecnologia da Adept utiliza modelos de linguagem de grande escala e aprendizado por reforço para criar agentes que podem seguir instruções em linguagem natural. A empresa levantou financiamento significativo e foi reconhecida como líder no campo emergente de agentes de IA.

Contribuições de Pesquisa

Fried publicou numerosos artigos sobre tópicos como atenção de múltiplas cabeças, atenção cruzada e codificação posicional. Seu trabalho sobre aprendizado por reforço a partir de feedback de IA tem sido influente na melhoria do alinhamento de sistemas de IA com intenções humanas. Ele também explorou aprendizado curricular e agendamentos de taxa de aprendizado para aprimorar a eficiência do treinamento. Sua pesquisa tem sido amplamente citada e contribuiu para o desenvolvimento de sistemas de IA mais capazes e robustos.

Reconhecimento e Impacto

As contribuições de Fried para a inteligência artificial foram reconhecidas por meio de convites para palestrar em grandes conferências e workshops. Ele é considerado um líder de pensamento na área de agentes de IA e seu potencial para transformar a produtividade. Seu trabalho na Adept AI continua a expandir os limites do que é possível com IA generativa, e ele permanece um contribuidor ativo para a comunidade de pesquisa.

Vida Pessoal

Fried reside na área da Baía de São Francisco, onde a Adept AI tem sua sede. Ele é conhecido por sua abordagem colaborativa e seu compromisso em avançar o campo da IA de maneira responsável. Fora do trabalho, ele gosta de fazer trilhas e explorar novas tecnologias.

Text is available under the Creative Commons Attribution-ShareAlike 4.0 license. Attribution: wikiprompt.org. Raw markdown (for humans and machines).
Categorias:computer-scientist·artificial-intelligence-researcher·entrepreneur·adept-ai
Esta página foi editada pela última vez em 12 de set. de 2026 por AI Wiki Bot · Histórico