Evolução na profissão
Como foi a evolução (acadêmica e profissional) até chegar na sua posição atual?
O profissional passou pelos seguintes cargos: Supervisor Florestal, Gerente Florestal, Estágio na Algar.
Como Engenheiro Florestal pela UFVJM obteve: Contato com estatística; Modelagem para previsão de produção madeireira; Linguagem de programação R; O bom e velho Excel.
Atuação Profissional: Supervisor Florestal (Subjetividade nas decisões); Gerente Florestal (Subjetividade nas decisões).
Após a mudança de área: Pós-Graduação (Visão de T.I.); Cursos Online; Estágio (Algar Telecom).
Quais foram as principais formações (certificação, especialização, curso, etc) extra-curriculares?
Engenheiro Florestal pela UFVJM, Pós Graduação Visão de TI, Cursos Online.
Descrição da atividade atual
O que efetivamente faz o profissional na sua condição?
Extrai de dados informações relevantes que podem ser utilizadas para influenciar decisões/solucionar problemas Orientado por 3 questionamentos: "por quê?", "como?" e "o quê?"
O que entrega como resultado?
Aplicações: recomendação de produtos, segmentação de mercado, alertas e diagnósticos, otimização de triagem analise de sentimento, analise de risco, previsão de investimento, retenção de clientes, reconhecimento facial, padrões de tráfego.
Projetos
Previsão de tendências de dólar, falhas de equipamentos, previsão de churn, segmentação de ordens de serviço, previsão de repetição de ordens de serviços, otimização de rotas visando melhor atendimento de clientes e retorno financeiro, head-count.
Estrutura de um Projeto
Entendimento do negocio, abordagem analítica, requisitos dos dados, coleta dos dados, entendimento dos dados, preparação dos dados, looping (criação do modelo-> avaliação-> deployment-> feedback)
Requisitos mínimos para exercer a profissão
Cite alguns soft skills necessários para quem tem intenção de seguir essa carreira?
-Ser estrategista, curioso e comunicativo. Aspectos essenciais que irão lhe ajudar a entender a dor do cliente, quais dados ele possui e como usar essa informação para ajudá-lo em seu negócio.
-Storytelling Contar histórias com os dados, apresentar insights pertinentes ao negócio de maneira que compreendam e auxiliem.
Sugira alguns hard skills.
A principal hardskill é a programação: Python, SQL, R,
Ferramentas usadas no dia-a-dia
Cite algumas ferramentas, tecnologias ou metodologias das quais depende para sucesso nas atividades.
Machine learning(ferramenta para fazer previsões/analises) Python(escrever a história), programação R(estatisticas), SQL, Jupyter, Power BI(ferramenta de visualização) e Tableau. AWS, Azure, COLAB (da google). Armazenamento.
Tecnologias envolvidas
- Sugira alguma tecnologia que possa ser pesquisada por esta equipe e que possa servir de base para futura aplicação nessa profissão.
-Machine learning, deep learning(aprendizado por reforço).
Ética profissional
Pode dar algum exemplo já vivido por você ou por alguma outra pessoa sobre aspectos éticos na profissão, seja positivo ou negativo? LGPD (assunto do momento); Questionamentos pertinentes:
1. Qual deve ser o limite quanto à coleta e utilização dos dados do cidadão?
2. Como chegar a um design das soluções voltadas ao uso de dados e à construção de sistemas inteligentes e autônomos eticamente alinhados com a preservação do sigilo e do direito à privacidade das pessoas?
3. Como minimizar os efeitos para a sociedade do jobless growth, o desemprego estrutural que oferece amplas oportunidades para alguns em detrimento de uma imensa maioria de pessoas que não tem possibilidade de se reciclar e de migrar para empregos alternativos?
4. Como dar transparência aos algoritmos inteligentes que têm influência na nossa vida e nos destinos da sociedade?
5. Como contribuir para os ajustes éticos que se fazem necessários para prevenir o desenvolvimento de aplicações que violam princípios internacionais de direitos humanos?
Upload da apresentação
Deep Learning
- O que é
Deep Learning, em uma tradução literal “Aprendizagem Profunda”, é o termo emergente utilizado dentro do campo da Inteligência Artificial e de Machine Learning e representa computadores e dispositivos inteligentes, conectados e capazes de desempenhar suas funções sem a necessidade de interações humanas.
É uma subcategoria de aprendizado de máquina que diz respeito a oportunidades de aprendizagem profundas com o uso de redes neurais, mais especificamente, trata de Redes Neurais Artificiais, uma área que busca simular computacionalmente o cérebro enquanto máquina de aprendizado. Os primeiros registros científicos da tentativa de reprodução de um neurônio artificial datam da década de 50, onde modelos computacionais foram desenvolvidos, porém pouco explorados devido à falta de poder de processamento dos computadores da época.
O Deep Learning permitiu muitas aplicações práticas de machine learning e por extensão o campo todo de IA. Ele se quebra em diversas tarefas de maneira que todo tipo de ajuda de uma máquina é possível, mesmo as mais remotas. E, portanto, torna finalmente a Inteligência Artificial de fato inteligente e aplicável.
- Importância do Deep Learning
O deep learning vem em forma de uma aprendizagem por meio de redes neurais, fazendo assim com que a IA se torne inteligente, com o mínimo de intervenção humana. Esse método faz com que o conhecimento se torne mais profundo e complexo, diferente do machine learning que funciona de forma linear, dessa forma possibilita a otimização dos procedimentos de uma empresa evitando possíveis falhas e criando uma vantagem sobre outras empresas.
- Aplicações do Deep Learning
É possível observar alguns exemplos de aprendizagem profunda no cotidiano de todos. O primeiro exemplo é o reconhecimento de fala. Siri, Cortana e Alexa são alguns exemplos de aplicações baseadas em deep learning. Essa tecnologia permite que esses agentes executem tarefas cotidianas a partir do comando de voz do usuário. Isso acontece através da interpretação da fala humana, e quanto mais o usuário interage com esses dispositivos, mais assertivas serão as interações futuras. Quando um comando de voz é feito, a aplicação deve reconhecer a fala humana, analisar profundamente esse material que recebeu, fazer o cruzamento de dados para que assim possa obter a compreensão. Essa sequência de passos só é possível devido ao deep learning.
O segundo exemplo, amplamente inserido no cotidiano das pessoas, é o reconhecimento facial. É acessível em grande parte dos smartphones, utilizado como mecanismo de segurança. O acesso e as funcionalidades do dispositivo só são liberados se a aplicação conseguir reconhecer que a face que está de frente para a câmera realmente pertence ao dono. Nesse caso, o deep learning usa um processo semelhante ao explicado anteriormente: no momento do cadastro facial, analisa todas as características detalhadas do rosto do usuário, dono do aparelho. Uma vez que o registro é concluído, essas características são consultadas, cada vez que o reconhecimento facial é ativado. O deep learning facilita a análise até mesmo em mudanças de iluminação e de aparência, como um novo corte de cabelo.
Por fim, o terceiro exemplo, também muito presente no dia-a-dia dos usuários, é a recomendação personalizada no ambiente virtual. Através do deep learning, é possível analisar informações como histórico de compra, histórico de pesquisa, interações nas redes sociais para descobrir o perfil de cliente e recomendar anúncios, produtos e serviços personalizados para o mesmo. Um exemplo de recomendação personalizada pode ser observado na plataforma de streaming Netflix, a partir do análise de histórico de mídia assistida, é criado um perfil para o usuário, e assim a plataforma recomenda outros programas semelhantes.
Dúvidas
Aqui a equipe colocará as perguntas feita durante a apresentação ou enviadas pelos colegas e terá uma semana para colocar todas as respostas.
- 1- A tendência do dólar é com base IBOVESPA?
- Não, usamos várias informações para combinar e tentar identificar um padrão e assim prever algo.
- 2- Um sistema clássico (casa), serviria para armazenar esses milhões de dados?
- Não, hoje a AWS, Azure e Colab (google) elas oferecem a um custo baixo, os computadores para processar seus dados. Você utiliza uma maquina virtual com diversos níveis de instancia, e você escolhera sua instancia de acordo com o que você precisa para trabalhar.
- 3- O Ravi disse que na parte de ML são usadas técnicas como arvores de decisões. Existem
outras técnicas?
- Sim, existem diversas outras técnicas, e diversos algoritmos. Por exemplo, dentro do phyton temos uma serie de frameworks para trabalhar, e aplicar. Temos também uma biblioteca com diversos algoritmos, para conseguir prever ou classificar algo.
- 4- Você usa R ou Phyton?
- Você pode usar qualquer uma, mas gosto do Phyton pois a comunidade voltada pra machine learning é mais ativa. Já o R é mais voltado para a área de Estatística.