TDC BUSINESS
TECHNOLOGIES FOR TRANSFORMING BUSINESS

(online)

Muitos desenvolvedores criam a infraestrutura necessária para levar os resultados de um modelo à produção, mas a escolha do modelo ideal e a extração de insights dos dados permanecem processos desafiadores. Por outro lado, cientistas de dados, munidos com seus algorítimos e ferramentas estatísticas, tem seu trabalho limitado por não conhecerem as demandas que o ambiente de produção exige. É nesse meio termo que conhecer o ciclo de vida dos dados faz a diferença no andamento de um projeto. Nessa trilha, discutiremos como se complementam as expertises do cientista de dados e dos desenvolvedores bem como apresentaremos as ferramentas de ponta usadas por esses profissionais diariamente.

Através de aspectos da comunicação, design e também da psicologia apresento técnicas de organização e narrativa dos dados para entusiasta da tecnologia.

Com auxílio de tecnologias modernas de Ciência de Dados e Aprendizado de Máquina, bancos podem entender padrões comportamentais relacionados ao consumo dos seus clientes, para então, gerar oportunidades de receita. Quanto mais um banco conhece seus clientes, seus interesses e desejos, mais facilmente pode vender seus produtos e manter uma relação produtiva. Nesta palestra apresentaremos como a equipe de Ciência de Dados do BTG Pactual desenvolveu tecnologias do estado-da-arte para entender padrões de comportamentos dos seus clientes.

O processamento de imagens de satélite para estimativa de alguma grandeza depende tanto do aspecto temporal, quanto estrutural dos dados. Por temporal, refere-se a como as áreas se transformam ao longo do tempo, enquanto o aspecto estrutural diz respeito a como informações relevantes podem ser extraídas de cada imagem. Nesta palestra discutiremos módulos de visão computacional para análise da evolução temporal de áreas inspecionadas. A linguagem Python e bibliotecas como OpenCV e Rasterio permitem o desenvolvimento rápido e amigável de tais soluções, além de proverem bibliotecas de visualização dos resultados, indispensáveis no processo de entendimento dos dados.

Desde o momento inicial de desenvolvimento de um chatbot é importante construir uma base de dados de qualidade, mas após essa fase inicial também é necessário acompanhamento dos dados e iterações vindas direto de produção para realizar melhorias e inserir novos exemplos a base. Existem diversas ferramentas que podem auxiliar no acompanhamento e análise do dataset de um chatbot, entre elas o Tensorflow no qual quando conectado a um bot criado no Dialogflow através de um script no Google Colab permite realizar complexas análises dos dados como, palavras mais frequentes, tokenização, análise de vocabulário, coesão de cada intenção, similaridade entre intenções, entre outros tipos de análises.

Nesta palestra será apresentada uma solução na qual textos curtos, sentenças, são transformados em embeddings usando um modelo de linguagem. Após isso é usado um índice de similaridade para indexar esse embeddings (vetores) e após isso o uso de consulta K-NN e busca por distância para encontrar os items similares. Será apresentado como é feito para lidar com empates e como isso pode ser uma melhor solução ao invés do aprendizado supervisionado que necessitaria de revisão humana. Tudo isso foi feito em 8 semanas usando metodologia Agile e Design Thinking.

A gestão de relacionamento com o cliente mesmo sendo em uma área correlata de todas as empresas, ainda detém grandes gargalos. Quando aplicada a ciência de dados torna-se essencial para manutenção e sobrevivência de qualquer ideia transformada em business.

Termos como Churn, NLP, Segmentação, e até Deep Learning devem estar no dia a dia das reuniões e sprints da empresa. Achar similaridades, padrões, e principalmente saber o que fazer com todas essas informações é onde a chave de crescimento exponencial pode estar a surgir.