Baixar para ler offline
![METODOLOGIAS PARA
EXPERIMENTAÇÃO
• Para se realizar experimentos é necessário método!
• Modelos de gestão voltados para startups:
• Business Model Generation [Osterwalder]
• Customer Development [Blank]
• Design Sprint [GV]
• Lean Startup [Ries]
Ahirton Lopes @ahirtonlopes](https://image.slidesharecdn.com/tdctalks-ahirtonlopes-250130110522-472d85b9/75/Analytics-Engineering-Fluxos-de-dados-alem-do-BI-tradicional-8-2048.jpg)
Carregado porAhirton Lopes
Analytics Engineering: Fluxos de dados além do BI tradicional
O documento explora estratégias e metodologias para implementar produtos de inteligência artificial (IA), enfatizando a importância de uma definição clara do problema e o papel da experimentação e prototipagem. Aborda arquiteturas comuns em IA e a necessidade de equipes multidisciplinares, destacando funções-chave que garantem a eficácia de soluções de IA. Além disso, discute considerações de arquitetura e otimização de custos para implementação de machine learning em plataformas como Azure.
![[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesinteligenciaartificial-umaabordagemvisual-200103185454-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] ML na sala de aula](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesmlnasaladeaula-191204203059-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] ML na Sala de Aula](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesmlnasaladeaula1-200123030521-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] Inteligencia Artificial - Uma Abordagem Visual](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopes-meetupinteligenciaartificial-umaabordagemvisual-200215025106-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Jose Ahirton Lopes] IA e para todos](https://cdn.slidesharecdn.com/ss_thumbnails/joseahirtonlopesiaeparatodos-191128000830-thumbnail.jpg?width=640&height=640&fit=bounds)
Analytics Engineering: Fluxos de dados além do BI tradicional
- 1. Analytics Engineering: Fluxos dedados além do BI tradicional AI / ML Ahirton Lopes, PhD.
- 2. Ahirton Lopes, Eng., MSc.,PhD. Head of Data Professor de MBA e Corporate @ FIAP + Alura 2x Google Developer Expert – Machine Learning 5x Most Valuable Professional – AI Platform @ Microsoft LinkedIn Top Voice Doutor em Engenharia Elétrica e Computação pela Universidade Presbiteriana Mackenzie (UPM) Pesquisador em Machine e Deep Learning Sobre mim
- 3. Roteiro 1. Estratégias paraProdutos em IA 2. Arquiteturas comuns em IA para managers e líderes. 3. Métricas e KPIs em projetos de IA. Ahirton Lopes @ahirtonlopes
- 4. Estratégias para Produtosem IA Seção 1 Como estruturar e implementar estratégias eficazes para produtos em IA? Ahirton Lopes @ahirtonlopes
- 5. 1N73L163NC1 4 3 4 H481L1D4D3 D353 Ahirton Lopes @ahirtonlopes
- 6. ESTRATÉGIAS PARA PRODUTOSEM IA https://www.gartner.com.br/pt-br/tecnologia-da-informacao/temas/estrategia-de-inteligencia-artificial-para-os-negocios Ahirton Lopes @ahirtonlopes
- 7. O PAPEL DAPROTOTIPAGEM EM PRODUTOS DE IA https://medium.com/mvnadv/design-thinking-is-not-new-but-essential-for-human-centered-ai-fe31f6f373ee Ahirton Lopes @ahirtonlopes
- 8. METODOLOGIAS PARA EXPERIMENTAÇÃO • Parase realizar experimentos é necessário método! • Modelos de gestão voltados para startups: • Business Model Generation [Osterwalder] • Customer Development [Blank] • Design Sprint [GV] • Lean Startup [Ries] Ahirton Lopes @ahirtonlopes
- 9. METODOLOGIA LEAN Ahirton Lopes@ahirtonlopes
- 10. ● A coisamais rápida e mais barata que você pode construir ... (Ciclos rápidos); ● ... E entregar para o consumidor (Foco no cliente); ● ... Para observar e mensurar resultados (Métricas); ● ...tendo em vista um produto que os consumidores precisem, desejem e amem (Aprendizagem validada). ABORDAGENS EM LEAN STARTUP Ahirton Lopes @ahirtonlopes
- 11.
- 12.
- 13. DEFINIÇÃO CLARA DO PROBLEMA Parao sucesso de qualquer produto em IA, é crucial começar com uma definição clara do problema que a solução irá abordar. Identificar a oportunidade certa para aplicar IA envolve entender profundamente o desafio de negócio e como a tecnologia pode gerar valor. A pergunta principal é: qual impacto a IA terá no problema? Isso inclui conectar o uso da IA a objetivos estratégicos, como aumento de eficiência, redução de custos ou criação de novos produtos. Uma definição bem estruturada garante que o desenvolvimento do protótipo esteja focado nas metas certas, orientando o projeto rumo ao sucesso. Ahirton Lopes @ahirtonlopes
- 14.
- 15. ITERAÇÃO E EXPERIMENTAÇÃO RÁPIDA– HUMAN CENTERED AI https://www.four.co.uk/introducing-the-human-centred-ai-canvas/ Ahirton Lopes @ahirtonlopes
- 16. MACHINE LEARNING CANVAS Ahirton Lopes@ahirtonlopes
- 17. PROCESSO DE DESCOBERTA DECONHECIMENTO – CRISP- DM Ahirton Lopes @ahirtonlopes
- 18. Explorando os principaiscomponents de um Sistema de IA. Arquiteturas comuns em IA para Managers e Líderes Seção 2 Ahirton Lopes @ahirtonlopes
- 19. https://markovate.com/blog/ai-tech-stack/ A IMPORTÂNCIA DESE CONHECER DIFERENTES PRODUTOS E ARQUITETURAS EM IA Ahirton Lopes @ahirtonlopes
- 20. FLUXO DE TRABALHOEM PROJETOS DE IA https://efagundes.com/projetos-de-inteligencia-artificial/ Ahirton Lopes @ahirtonlopes
- 21. Identificar as Origem Extrair Limpar Refinar Criarum Algoritmo Analisar uma Amostragem Tomar Decisão 1.Identificação do Problema 2.Coleta e limpeza de dados 3.Desenvolvimento do Modelo Preditivo 4. Publicação do Modelo 5. Monitoramento da performance O TRABALHO EM DADOS É CÍCLICO Ahirton Lopes @ahirtonlopes
- 22. O sucesso deum produto de IA depende de uma equipe com funções bem definidas: • Cientista de Dados: Criação de modelos preditivos a partir de dados. • Engenheiro de Dados: Estruturação de pipelines e preparação dos dados. • Engenheiro de Machine Learning: Implementação e escalabilidade dos modelos. • Analista de Negócios: Conexão entre soluções de IA e metas empresariais. • Product Manager de IA: Gestão estratégica e coordenação das equipes. Cada papel é fundamental para garantir que as soluções de IA sejam eficientes e impactem positivamente o negócio. DADOS É SOBRE TIMES Ahirton Lopes @ahirtonlopes
- 23. Além dos papéisprincipais, funções complementares são essenciais para a entrega completa de um produto de IA: • Engenheiro de Software: Integra soluções de IA nos sistemas existentes. • Especialista em UX/UI: Cria interfaces intuitivas e acessíveis para usuários finais. • Engenheiro DevOps/MLOps: Automatiza o ciclo de vida de desenvolvimento e operação dos modelos. • Compliance e Ética: Garante conformidade com regulamentações e governança responsável. Essas funções garantem que o produto de IA seja robusto, escalável e fácil de usar. DADOS É SOBRE TIMES Ahirton Lopes @ahirtonlopes
- 24. DADOS É SOBRE ADAPTABILIDADE Parao sucesso de produtos de IA, é crucial integrar habilidades técnicas e de negócios em equipes multidisciplinares. A colaboração entre cientistas de dados, engenheiros, analistas e designers promove inovação e eficiência, garantindo que o desenvolvimento tecnológico esteja alinhado com os objetivos estratégicos da empresa. Essa integração é o que impulsiona a entrega ágil e eficaz de soluções de IA. Ahirton Lopes @ahirtonlopes
- 25.
- 26.
- 27.
- 28. HABILIDADES PARA PROFISSIONAIS EMDADOS E IA Ahirton Lopes @ahirtonlopes
- 29. Microsoft Machine LearningProducts Ahirton Lopes,
- 30. Machine Learning atscale with Azure Ahirton Lopes,
- 31. Machine Learning atscale with Azure Use Cases: • Retail: Revenue forecasting for each store and item; • Supply Chain: Inventory optimization for product-warehouse combinations; • Restaurants: Demand forecasting for each franchise. Architectural Considerations: • Data Partitioning: Divide datasets by store/product; • Model Management: Use tags to identify data partitions and model versions; • Choosing Architecture: Use Spark for complex transformations, Scikit-learn for simpler pipelines. Parallel Execution: • ParallelRunStep Class: Run parallel training and inference in Python with custom environments. Online Inferencing: • On-Demand Model Loading: Prevent memory overload, with a slight increase in latency. Cost Optimization: Ahirton Lopes,
- 32. Machine Learning atscale with Azure Ahirton Lopes,
- 33. Machine Learning atscale with Azure Ahirton Lopes,
- 34. Machine Learning atscale with Azure Ahirton Lopes,
- 35. Machine Learning atscale with Azure Ahirton Lopes,
- 36. Machine Learning atscale with Azure Ahirton Lopes,
- 37. Key Takeways • Azure:A Robust Platform. • Scalable solutions for Machine Learning and Generative AI; • Services: Azure Databricks, Synapse, AKS; • Supports custom environments and parallel processing; • Key Takeaway: Align architecture choices with business goals; • Focus on performance and ROI through proper architecture. Ahirton Lopes,
- 38. Obrigado / Thankyou! Ahirton Lopes, PhD. Ele/Dele Head of Data [email protected] https://www.linkedin.com/in/ahirtonlopes https://github.com/ahirtonlopes https://x.com/ahirtonlopes
Notas do Editor
- #24 Referência: https://www.wiley.com/en-us/Big+Data%2C+Data+Mining%2C+and+Machine+Learning%3A+Value+Creation+for+Business+Leaders+and+Practitioners-p-9781118618042 Para o sucesso de produtos de IA, é crucial integrar habilidades técnicas e de negócios em equipes multidisciplinares. A colaboração entre cientistas de dados, engenheiros, analistas e designers promove inovação e eficiência, garantindo que o desenvolvimento tecnológico esteja alinhado com os objetivos estratégicos da empresa. Essa integração é o que impulsiona a entrega ágil e eficaz de soluções de IA.