BLOG DO ATLÂNTICO

Ciência de Dados

A plataforma tecnológica de Ciência de Dados tem por objetivo extrair conhecimento e padrões, valiosos e desconhecidos, que irão apoiar a tomada de decisão em diversas áreas, a partir da exploração e análise dos dados e da aplicação de algoritmos de Aprendizagem de Máquina e uso da Inteligência Artificial.

Figura  1 – Diagrama que apresenta a Interdisciplinaridade da Ciência de Dados

Na Figura 1 temos uma visão clássica da Ciência de Dados em um diagrama envolvendo três grandes áreas: Ciência da Computação, Matemática e Estatística, Domínio de Negócio e suas interseções. Atuamos em diversas áreas temáticas, tais como, Saúde, Energia, Indústria 4.0 e Economia e Sociedade Digital.

A missão da plataforma é transformar dados, em grande volume ou não, estruturados ou não estruturados, em inteligência para tomada de decisão dos indivíduos, que podem ser especialistas do negócio, máquinas, sistemas ou outros.

Adotamos uma metodologia end-to-end própria e aplicamos métodos ágeis em todo o ciclo de desenvolvimento da solução inteligente. Nossa interação com os conhecedores do domínio do negócio inicia-se já nas primeiras sprints para garantir que a solução proporcionará uma inteligência aumentada para todos os envolvidos na tomada de decisão.

Alguns exemplos de problemas resolvidos dentro da plataforma são: identificação de fraudes, agrupamento de clientes, recomendação de tratamento clínico para pacientes, detecção de anomalias em máquinas, dentre outros.

As principais competências e áreas de pesquisa são:

Dados: conhecimentos em tecnologias que envolve todo o processo necessário para gestão dos dados e do conhecimento

• Business Intelligence
• Big Data
• Data lake e Data hub
• OntologiasData Augmentation

NLP: conhecimentos necessários para processar texto e dados semi-estruturados

• Chatbot
• Classificação de textos
• Sumarização de conteúdo
• Extração e  Recuperação da informação

Aprendizagem de máquina: conhecimentos necessários para dotar de inteligência as soluções desenvolvidas

• Aprendizagem supervisionada e não supervisionada
• Aprendizagem Federada
• Autonomous analytics e AutoML
• Deep learning
• MLOps
• Interpretabilidade de modelos com Explainable AI (XAI)

Processamento de dados massivos: conhecimentos para processar um grande volume de dados que pode ser em tempo real, podendo aplicar aprendizagem de máquina

• Visualização de dados
• Real-Time Streaming
• Processamento distribuído e paralelo
• Frameworks para integração massiva de dados
• Automação Robótica de Processos (RPA)
• Detecção de anomalias
• Graph AI e Redes Complexas
• Sistemas de Recomendação
• Soluções inteligentes na borda (Edge AI)