Ciência de dados aliada ao Machine Learning e IA na detecção de anomalias cardíacas

Nos anos 1980 a 90 surgiram as primeiras ferramentas de processamento de sinais digitais para análise de ECGs. Técnicas de processamento digital de sinais como a Transformada de Fourier foram utilizadas para extrair características dos sinais e identificar arritmias simples. Com o aumento do poder computacional houve uma revolução na análise de eletrocardiogramas, onde principalmente no final dos anos 90 e inicio dos anos 2000 se fortaleceu o desenvolvimento de modelos mais complexos e precisos para a detecção e identificação de padrões mais sutis e arritmias mais complexas, sendo utilizadas até os dias de hoje com auxilio de pesquisas e análise via big data com redes neurais artificiais e algoritmos de aprendizado de máquina que permitem a identificação de padrões e características mais precisas, capazes de prever alterações em morfologias de batimentos, arritmias, detecção de infartos, isquemias, entre outros tipos de alterações cardíacas.

Um dos maiores desafios neste campo tecnológico é a qualidade dos dados e a correta classificação de batimentos e seções dos sinais em que ocorrem eventos e anomalias cardíacas. Onde existem alguns padrões de bases de dados que devem ser utilizadas para validação de diversos destes tipos de algoritmos, tais como as bases de dados presentes na PhysioNet, uma base de dados mantida e gerenciada por membros do laboratório para fisiologia computacional do MIT, principalmente os bancos de dados MIT-BIH ST Change Database e MIT-BIH Arrhythmia Database, que são extensivamente utilizados no treinamento de algoritmos de machine learning e IA mais avançados, sendo citados em normas para validação de diversos tipos de produtos de linha médica cardiológica e por agencias nacionais e internacionais em normativas como a ABNT NBR IEC 60601-2-47 para o desenvolvimento de equipamantos como Holter, eletrocardiógrafos, monitores cardíacos, entre outros que indiquem algum tipo de diagnóstico em tempo real ou não.

A ciência de dados é utilizada extensivamente para identificar alguns tipos de padrões tais como:

- Morfologias de Batimentos

- Detecção de Isquemias por eventos de alterações no segmento ST

- Identificação de arritmias sinusais

- Fibrilação atrial

- Eventos ventriculares e supraventriculares

- Bigeminismos e trigeminismos

- Variabilidade da frequência cardíaca

A identificação destes padrões se dá pelas características do sinal eletrocardiográfico, onde estes sinais possuem uma característica onde sua forma de onda para um sinal normal tende a se repetir, sendo um sinal cíclico, onde os padrões se repetem, o que permite identificar anormalidades quando algum padrão não é visto no sinal. Especificamente, no ECG, as ondas P, QRS e T por ciclo representa um conjunto completo de eventos elétricos que ocorrem durante um batimento cardíaco. O padrão repetitivo desses ciclos é crucial para diagnosticar a saúde cardíaca e identificar irregularidades no ritmo e na estrutura do coração.

PhysioNet - Goldberger AL, Amaral LAN, Glass L, Hausdorff JM, Ivanov PCh, Mark RG, Mietus JE, Moody GB, Peng C-K, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23):e215-e220 [Circulation Electronic Pages; http://circ.ahajournals.org/content/101/23/e215.full]; 2000 (June 13).

MIT-BIH ST Change database - https://doi.org/10.13026/C2ZW2H

MIT-BIH Arrhythmia database - https://doi.org/10.13026/C2F305

ABNT NBR IEC 60601-2-47 - Equipamento eletromédico Parte 2-47: Requisitos particulares para a segurança básica e desempenho essencial de sistemas eletrocardiográficos ambulatoriais.

ECG Interpretation - https://ecgwaves.com/topic/ecg-normal-p-wave-qrs-complex-st-segment-t-wave-j-point/

Eletrocardiograma - https://www.msdmanuals.com/pt-br/casa/dist%C3%BArbios-do-cora%C3%A7%C3%A3o-e-dos-vasos-sangu%C3%ADneos/diagn%C3%B3stico-de-dist%C3%BArbios-do-cora%C3%A7%C3%A3o-e-dos-vasos-sangu%C3%ADneos/eletrocardiograma

Para definir um perfil de usuário é utilizada Análise de dados, Machine learning, big data e etc... Com estas ferramentas eles conseguem fazer uma segmentação de publico, analisar o comportamento de cada um fazendo um previsão de tendências no momento assim otimizando a campanha de marketing.

Compartilho aqui um artigo sobre marketing social e ciências de dados.

Ass.: Anthony de O. Voltz

Os algoritmos utilizados pela empresa traçam um perfil para cada consumidor e geram uma experiência personalizada ao navegar no e-commerce da companhia.

Outra aplicação da ciência de dados pela empresa é o gerenciamento de estoques de produtos de maneira a predizer o aumento de demanda por meio de algoritmos sofisticados e modelos de aprendizado de máquina, a Amazon analisa dados históricos de vendas, comportamentos do cliente e fatores externos para prever a demanda futura com precisão. Desta maneira evitando que faltem produtos ou que haja excesso de demanda.

Fontes:

https://datalemur.com/blog/amazon-data-science

https://medium.com/dataflair/how-data-science-has-taken-amazon-on-top-360043e146ec

Partindo da suposiçao que usuários tendem a fazer cursos co-relatos (i.e. dentro de uma mesma área) eles optaram por um algoritmo estocástico chamado t-SNE. Esse agrupamento permitiu vizualizar distribuiçoes interessantes, agrupadas por cursos que compartilhavam mais alunos e que tinham mais similaridade, levando a categorias e sub-categorias relevantes e que refletem melhor a realidade.

Como curiosidade, isso funcionou melhor para os cursos em inglês, pois a menor oferta de cursos em outras línguas quebra a suposiçao original ao reduzir a amostragem por assunto e tende a formar agrupamentos por língua.

Tiago S. Daitx

Existem várias aplicações que fazem uso desse tecurso. Uma delas é o Google Lens que é uma ferramenta que oferece um buscador com o recurso de reconhecimento por imagem.

Neste link temos um resumo sobre as funcionalidades disponibilizadas pela ferramenta.

Descrição: Grandes redes de varejo como supermercados utilizam algoritmos de predição de demanda para otimizar seus estoques. Com base em históricos de vendas, sazonalidade e outros fatores, esses sistemas preveem a quantidade ideal de produtos que devem ser comprados e estocados para atender a demanda futura. Isso ajuda a reduzir desperdícios e evitar faltas de produtos, resultando em uma operação mais eficiente e rentável.

Contribuição: Melhoria da cadeia de suprimentos, redução de desperdícios e aumento da eficiência de estoque.

Links:

• Vídeo sobre predição de demanda no varejo: https://www.youtube.com/watch?v=aJJeNYf1wMg

• Artigo científico sobre algoritmos de predição de demanda: https://www.springer.com/gp/book/9783030562384

Um exemplo de aplicação real é o sistema RELEX Solutions, que utiliza inteligência artificial para otimizar estoques e prever a demanda de produtos em grandes varejistas.

Você pode encontrar mais informações sobre o sistema no site oficial: https://www.relexsolutions.com

Hoje em dia, a ciência de dados é super importante na indústria automotiva e pode ser usada de várias maneiras. Ela ajuda na manutenção preditiva, que permite aos consumidores evitar problemas antes que eles aconteçam, e também na previsão de demanda, ajudando as montadoras a desenvolver novos modelos de acordo com o que o mercado precisa.

Para a manutenção preditiva, a ciência de dados analisa os dados coletados pelos sensores dos veículos, que monitoram coisas como temperatura e vibração em tempo real. O objetivo é identificar possíveis falhas antes que elas aconteçam, o que ajuda a reduzir custos com reparos, aumenta a segurança e evita paradas inesperadas.

Já na previsão de demanda, as montadoras usam algoritmos preditivos para olhar para vendas passadas e tendências do mercado. Isso ajuda a ajustar a produção e otimizar o estoque, garantindo que os novos modelos estejam disponíveis conforme a demanda, evitando tanto excesso quanto falta de produtos.

Links:

• Vídeo sobre utilização de I.A na industria automotiva:

  https://www.youtube.com/live/09SzTKixJew?si=JBLJN2RH92skfCm6

• How Predictive Maintenance Changes the Automotive Industry:

  https://grapeup.com/blog/how-predictive-maintenance-changes-the-automotive-industry/#

Com isso, um grupo de pesquisadores desenvolveu uma ferramenta de análise para buscar dados com indicadores de fraude fiscal atingindo resultados significativos e importantes para as organizações.

Link de acesso a matéria completa sobre o tema abordado, tópico 2.

Fonte: https://www.estadao.com.br/saude/dados-e-inteligencia-artificial-revolucionam-medicina/

Nome: Guilherme Nardini

A ciência de dados desempenha um papel crucial na prevenção de fraudes financeiras em bancos e outras instituições financeiras. Utilizando técnicas de machine learning, essas organizações conseguem analisar grandes volumes de transações em tempo real, identificando padrões comportamentais suspeitos e detectando anomalias que podem indicar atividades fraudulentas. Os algoritmos são treinados com dados históricos de transações legítimas e fraudulentas, permitindo que eles aprendam a diferenciar atividades normais de comportamentos potencialmente maliciosos.

Por exemplo, se uma conta apresenta compras fora do padrão usual ou transações em locais inesperados, o sistema de prevenção de fraudes pode sinalizar automaticamente a transação e tomar medidas preventivas, como solicitar confirmação do cliente ou bloquear temporariamente a conta. Além disso, a ciência de dados permite uma análise mais granular, identificando fraudes complexas, como esquemas de lavagem de dinheiro ou acessos não autorizados, que seriam difíceis de detectar por métodos tradicionais.

Exemplos:

O Bank of America usa algoritmos de aprendizado de máquina para monitorar transações dos clientes e identificar padrões de comportamento que possam indicar fraude. O sistema detecta variações como transações de alto valor em países estrangeiros ou várias pequenas transações em curto prazo, permitindo que o banco reaja rapidamente para minimizar perdas financeiras.

Já a American Express analisa milhões de transações por segundo com algoritmos de machine learning, identificando comportamentos suspeitos, como várias transações de alto valor em sequência. Eles também utilizam modelos de aprendizado não supervisionado para detectar novos padrões de fraude, mantendo-se à frente de métodos fraudulentos em constante evolução.

Links:

· Financial Fraud Detection Using ML and Measures to Prevent It: https://binariks.com/blog/financial-fraud-detection-machine-learning/

· How it works: Visa’s artificial intelligence (A.I.) for payment authorization and fraud detection: https://www.youtube.com/watch?v=96k0sncyoXA

Agricultores que adotaram essa solução inovadora experimentaram uma redução de 30% no tempo de inatividade dos equipamentos, 15% menos em custos de manutenção e 10% mais eficiência operacional. A manutenção preditiva permite agir antes que problemas graves ocorram, otimizando a vida útil dos maquinários e garantindo maior produtividade.

Como resultado, a Caterpillar observou um aumento de 20% no valor de revenda de seus equipamentos, demonstrando que a manutenção preventiva não apenas reduz custos, mas também aumenta o valor dos maquinários ao longo do tempo.

Nome: Diego Francio

Links relacionados:

https://www.caterpillar.com/en/news/caterpillarNews/2022/ar-big-data.html

https://www.caterpillar.com/en/news/caterpillarNews/2024/future-of-ai-at-caterpillar.html

https://meconstructionnews.com/8032/caterpillar-launches-data-division-to-help-reduce-machine-downtime

Enquanto faz a aplicação, o sistema coleta dados temporais e de geolocalização, para futuras analises pelo proprietario da fazenda, permitindo identificar locais com maior presença de ervas daninhas e tomar ações preventivas direcionadas através dos dados.

Esse é um exemplo onde a ciência de dados, e computação embarcada em tempo real permite novos casos de uso de tecnologia em novos setores.

A coleta de dados tambem retroalimenta o modelo de ML, fazendo com que a precisão das proximas aplicações melhorem cada vez mais.

Ass: Alex Pertille

A GE Aviation usa manutenção preditiva para monitorar turbinas de aviões. Sensores nas turbinas coletam dados de voo e, com a ajuda de algoritmos de ciência de dados, a GE consegue prever problemas mecânicos antes de causarem falhas, reduzindo custos de manutenção e melhorando a segurança.

Nome: Marco Antonio Cabral dos Santos Junior

Renata Barros da Silva

O uso de Imagens de Satélite combinadas com Inteligência Artificial (IA) pode ajudar no monitoramento de queimadas na Amazônia. Essa abordagem utiliza algoritmos de IA para analisar imagens de satélite e identificar áreas afetadas por incêndios.

Como Funciona:

• Imagens de Satélite: São coletadas imagens da região afetada.

• Análise com IA: Algoritmos de IA detectam sinais de queimadas nas imagens.

• Alertas Rápidos: Autoridades recebem alertas sobre áreas em risco de incêndio.

Essa técnica permite uma detecção mais rápida e precisa de queimadas, ajudando na resposta imediata e na proteção das florestas.

Links:

https://g1.globo.com/ro/rondonia/natureza/amazonia/noticia/2024/01/18/chatbot-inteligencia-artificial-sera-usada-para-monitorar-queimadas-na-amazonia.ghtml

https://ipam.org.br/cartilhas-ipam/tudo-o-que-voce-queria-saber-sobre-fogo-na-amazonia-mas-nao-sabia-para-quem-perguntar/

Monitoramento de Sinais Vitais no Processo de Produção:

Durante a linha de produção, são utilizados sensores para monitorar diversos sinais vitais fundamentais para o sucesso do encapsulamento de semicondutores. Entre esses sinais monitorados, destacam-se:

Temperatura de Linhas de Água

Detector de Partículas do Ar

pH da Água

Pressão em Linhas de O2

Vibração de Máquinas

Medição Eletrostática

Aplicações da Ciência de Dados:

A ciência de dados desempenha um papel fundamental no encapsulamento de semicondutores, transformando os dados brutos coletados pelos sensores em insights valiosos e acionáveis. As principais aplicações são:

1. Prevenção de Falhas:

Com a aplicação de algoritmos de machine learning e modelos preditivos, é possível identificar padrões que indicam potenciais falhas nos equipamentos antes que elas ocorram. Um exemplo é a contaminação do ar, que pode obstruir equipamentos de solda de fios de ouro, ocasionando a parada da produção e colocando em risco o funcionamento dos produtos. Esse sistema de manutenção preditiva evita paradas inesperadas, economiza recursos e aumenta a eficiência geral da linha de produção.

2. Otimização do Processo de Produção:

A análise de dados permite ajustar os parâmetros de produção, como temperatura, pressão e umidade, em tempo real. Isso resulta em maior eficiência e menor desperdício de materiais, além de garantir que cada lote de semicondutores atenda aos padrões de qualidade exigidos.

3. Detecção de Anomalias:

Técnicas avançadas de detecção de anomalias são aplicadas para identificar eventos fora do comum, como variações súbitas de temperatura, pressão ou vibração. Isso possibilita a intervenção imediata da equipe de produção, minimizando impactos e evitando a produção de lotes defeituosos.

4. Análise de Qualidade em Tempo Real:

A utilização de dashboards de visualização permite monitorar em tempo real a qualidade de cada lote durante o encapsulamento. Isso facilita ajustes instantâneos nos processos, garantindo que os produtos finais atendam aos níveis de qualidade esperados pelos clientes.

Benefícios da Ciência de Dados no Processo de Encapsulamento:

Aumento da Eficiência: A otimização dos processos com base em dados permite o uso mais eficaz dos recursos e maximiza o rendimento da produção.

Redução de Defeitos: A detecção precoce de falhas e anomalias minimiza a produção de lotes defeituosos, garantindo a entrega de produtos de alta qualidade.

Inovação Contínua: Os dados coletados ao longo do processo permitem melhorias contínuas no design de novos semicondutores e processos de encapsulamento.

Manutenção Preditiva: A manutenção preditiva evita falhas catastróficas e permite melhor planejamento, reduzindo o tempo de inatividade e os custos associados.

O uso da ciência de dados no monitoramento e análise de dados críticos durante o encapsulamento de semicondutores representa um avanço significativo na indústria. A aplicação de sensores para medir parâmetros essenciais como temperatura, vibração e pressão, aliada ao uso de algoritmos de machine learning e análises preditivas, permite à empresa produzir seus produtos com maior eficiência e qualidade, garantindo inovação contínua e otimização dos processos.

Três técnicas principais são usadas:

1. Análise de Regressão: Estima relações entre variáveis, útil para dados contínuos e identificar como variáveis independentes afetam outra, como preço influenciando vendas.

2. Árvores de Decisão: Classificam dados em categorias com base em variáveis, ajudando a entender decisões. São simples de interpretar e funcionam com dados faltantes.

3. Redes Neurais: Usadas para modelar relações complexas e não lineares, ideais para padrões complexos, validando resultados de árvores de decisão e regressão.

Para combater essa ameaça em constante evolução, os bancos estão recorrendo a tecnologias modernas na nuvem, especificamente usando aprendizado de máquina para complementar o mecanismo de regras e melhorar e fortalecer suas capacidades de detecção de fraudes.

Fraudes de tomadas de contas (ATOs) no setor bancário referem-se a um tipo de crime cibernético onde fraudadores ganham acesso não autorizado à conta de um cliente. Os criminosos utilizam credenciais de login roubadas ou exploram vulnerabilidades de segurança. Uma vez dentro da conta, eles podem manipular fundos, fazer transações não autorizadas e acessar informações sensíveis.

Fontes:

https://bipbrasil.com.br/inteligencia-artificial-divisor-de-aguas-para-a-deteccao-de-fraudes/

https://dnxbrasil.com/deteccao-de-fraudes-bancarias-com-machine-learning-e-analise-em-tempo-real-na-aws/

Nome: André Luis da Silveira

https://www.salesforce.com/br/campaign/formula1/

The Amazing Role Of Data, AI And Cloud In Formula 1:

https://www.youtube.com/watch?v=BgBlZfZ66kA

Nome: Diego da Silva Carvalho

Podemos citar o exemplo da Christopher House, que é uma instituição sem fins lucrativos sediada em Chicago - US.

Essa instituição adota uma abordagem orientada por dados para melhorar o desempenho acadêmico de alunos de baixa renda.

Sob a liderança de Lori Baas, a organização implementou ferramentas de ciência de dados para avaliar e aperfeiçoar seus programas, além de comparar seus resultados com outras organizações da cidade. Um software centralizado facilita a coleta e análise de dados por toda a equipe, incentivando discussões sobre os resultados.

A colaboração de dados entre seis instituições, conhecida como Chicago Benchmarking Collaborative (CBC), ampliou a capacidade de comparação e compartilhamento de boas práticas, resultando em melhorias significativas nos resultados de 73% das organizações.

Eduardo Cassânego

Link: https://link.springer.com/article/10.1007/s10115-018-1236-4

Nome: Daniel Kessler

Aluno: Geovane Jadiel Hartmann

https://www.k2m.com.br/blog/empresas-data-driven-amazon-grande-exemplo-uso-de-dados/

A Ciência de Dados auxilia essas instituições a detectar fraudes, personalizar serviços, melhora de análise de crédito, etc. Um dos serviços beneficiados é o "Open Finance", como explica o diretor de Regulação do Banco Central (BC), Otávio Damaso, conferido no link abaixo:

https://finsidersbrasil.com.br/economia-open/dados-do-open-finance-com-ia-sao-o-casamento-perfeito-diz-diretor-do-bc/

A própria FEBRABAN, que é a Federação Brasileira de Bancos, em seu blog, corrobora com essa importância crescente da Ciência de Dados em suas rotinas para entender as dores do cliente, com um estudo realizado com os 50 maiores bancos do mundo, como conferido abaixo:

https://febrabantech.febraban.org.br/blog/setor-financeiro-amplia-uso-de-analise-de-dados

A RedHat, por outro lado, explica sobre a Inteligência Artificial dentro do setor bancário, expondo os desafios, melhorias e perspectivas do futuro para o seu uso, conferido no link abaixo:

https://www.redhat.com/pt-br/topics/ai/ai-in-banking

Esse artigo da RedHat é importante e traz pra gente um paralelo do uso da IA, frente as demais artigos apresentados aqui sobre Ciências de Dados. Podemos ver que esses dois assuntos caminham em paralelo e se complementam nesse ramo e se bem aplicados, auxiliam muito o dia-a-dia, trazendo inúmeros benefícios para s profissionais da área, da empresa e principalmente dos clientes.

A título de curiosidade e informação, para completar sobre a carreira de um Cientista de Dados em um banco, sugiro assistir o vídeo abaixo que destaca os papeis e desafios do profissional nesse setor.

https://www.youtube.com/watch?v=oFHVnUci98A

1. Navegação e otimização de rotas - A análise de rotas passadas e a situação atual do clima poderiam auxiliar a prever danos materiais com tempestades e gastos com combustível.

2. Otimização na manutenção de equipamentos - Será possível agendar as manutenções de acordo com a rotina de viagens da embarcação, assim como prever possíveis avarias dado a atividade do navio em caso de uso excessivo.

3. Serviço de praticagem - O atracamento do navio no porto (praticagem) seria auxiliado com a previsão da movimentação dos bancos de areia e correntes

Mesmo com toda essa evolução, o trabalho da tripulação dificilmente seria totalmente substituído por uma IA. A responsabilidade da função ultimamente deve ser do ser humano, e não há espaços para falhas e erros.

https://www.mitags.org/ai-impact-maritime-industry/

Esse foi o tema do meu trabalho de conclusão. Eu desenvolvi um app, mas a parte de prever quedas ainda ficou um pouco fraca, já que meu foco foi mais na teoria e na proposta de um modelo. Mas é um campo cheio de potencial, e com certeza veremos mais avanços por aí.

A notícia que trago destacou como a tecnologia está apoiando cuidadores familiares. Ele menciona que, enquanto a tecnologia já está mudando o cuidado de idosos, a colaboração de todos é essencial para garantir que essas inovações sejam acessíveis e eficazes. Aplicativos estão oferecendo suporte, como lembretes de medicação e orientações para reabilitação, ajudando a aliviar a carga dos cuidadores e melhorar a qualidade de vida deles e dos idosos que cuidam. É uma prova de como a tecnologia pode fazer uma diferença real no dia a dia das famílias.

Aluno: Jean Patrick Hartmann

https://pp.nexojornal.com.br/ponto-de-vista/2024/09/03/tecnologia-aliada-no-cuidado-ia-e-aplicativos-no-apoio-a-cuidadores-familiares

Fonte: https://www.kdnuggets.com/2024/09/hopsworksai/introducing-the-ai-lakehouse

Artigo completo original: https://www.hopsworks.ai/post/the-ai-lakehouse?utm_source=promo&utm_medium=article&utm_campaign=kdnuggets

Nome: Jéfferson Tales Canalli

Fonte: https://olhardigital.com.br/2022/03/21/ciencia-e-espaco/aprendizado-de-maquina-pode-ajudar-a-identificar-exoplanetas-potencialmente-habitaveis/

Este ano, o Rio Grande do Sul enfrentou enchentes que causaram graves consequências ao estado.

O artigo que apresento discute um sistema capaz de analisar dados meteorológicos em tempo real, permitindo a antecipação de desastres naturais.

Com o avanço da IA, já é possível processar esses dados de forma precisa, melhorando a previsão de eventos extremos, como tempestades, enchentes e secas prolongadas, e emitindo alertas antecipados.

A adoção de uma solução como essa poderia ser essencial para prevenir nosso estado de futuras catástrofes naturais, como a que ocorreu recentemente.

https://mundogeo.com/2024/08/21/como-usar-a-inteligencia-artificial-na-prevencao-de-desastres-naturais/

Times de futebol utilizam a ciência de dados, seja para substituição de jogadores para evitar lesões ou até mesmo para saber padrões, otimizando o desempenho dos jogadores e evitando falhas. Os treinadores também utilizam isso para conhecer melhor seus jogadores e definir treinos específicos de acordo com as estatísticas de falhas dos mesmos.

O Liverpool foi um bom exemplo que pode ser citado, o time definiu padrões de ataque e dessa forma conseguiu posicionar os seus jogadores da melhor forma, ganhando o título da Premier League.

Nome: Jonathan Azevedo

A utilzação de Inteligência Artifical por parte dos times de RH se faz cada vez mais presente no mercado de trabalho. Hoje em dia, com as diversas formas de se candidatar a uma vaga de emprego e pela facilidade neste processo, a utilização de I.A é imprescindível. Como destacado na matéria, há diversas vantagens nesta forma de recrutamento, como: redução de tempo e custos, seleção alinhada somente aos requisitos da vaga, comodidade para o candidato, etc.

Porém, é valido ressaltar que existem desvantagens neste tipo de técnica de seleção. Aquele que pretende aplicar está técnica deve selecionar uma boa I.A e entender como ela faz a seleção, para confirmar que a mesma não irá ignorar algum fator/detalhe que a empresa está buscando no candidato. Por exemplo, caso a vaga seja destinada a um cargo júnior ou estágio, o nível de experiência profissional tende a ser menor por parte do candidato, mas ele ainda pode ser uma boa opção para a vaga. O recrutador deve especificar ou buscar uma I.A que considere projetos e outros tipos de experiências também, pois o candidato pode apresentar habilidades técnicas e softskills que estão alinhadas com a vaga muito mais do que outro que possue experiência profissional em uma empresa anterior.

Utilizei como base esta matéria da Gupy, pois a empresa utiliza uma I.A bastante reconhecida no mercado e faz a seleção de candidatos para empresas de grande destaque.

Aluno: Ricardo Jacques

Ciência de dados aplicada à saúde

Em um artigo publicado em 2021, pela revista "Saúde.com" da Universidade Estadual do Sudoeste da Bahia, o pesquisador do Departamento de Informática em Saúde da Escola Paulista de Medicina da Unifesp, Antonio Valerio Netto, afirmou que “as organizações precisam capturar o valor de suas informações investindo na análise de dados e estabelecendo essa habilidade como uma competência essencial”. 

Segundo ele, a ciência de dados na área da saúde tem como objetivo “gerar soluções por meio da compreensão de problemas reais da mesma, empregando o pensamento crítico e a análise para obter conhecimento.

Embora ainda inicial no Brasil, a perspectiva data-driven vem ganhando espaço e crescendo nas instituições de saúde. Na prática, isso significa que a gestão deve ficar cada vez mais eficiente, e o atendimento, cada vez mais direcionado às necessidades individuais de cada paciente por meio da ciência de dados aplicada. 

Fonte: https://awari.com.br/ciencia-de-dados-na-logistica-aplicacoes-de-ciencia-de-dados-na-area-da-logistica/

Um fato interessante e que me chamou a atenção foi o de que a Netflix já sabia que a série House of Cards seria um sucesso antes de sua produção e disponibilização, utilizando técnicas de predição com base nos dados coletados dos usuários.

link: Entenda como a Netflix usa Ciência de Dados para conhecer assinantes (somostera.com)

A empresa ANDRITZ é fornecedora líder global de plantas, equipamentos, soluções de automação e serviços para usinas hidrelétricas, indúsitra de papel e celulose, indústria metalmecânicas e suderúrgicas, bem como para setores ambientas e com foco em energia verde.

O case que quero trazer aqui é de uma aplicação utilizada para análise de forma holística do risco, vulnerabilidade cibernética e estado de equipamentos usados na indústria através da aplicação Risk Based Maintenance (RBM) utilizada dentro da plataforma Metris e comercializada pela empresa ANDRITZ. A aplicação análisa uma vasta quantidade de dados de diversas fontes da indústria sendo ERPs do cliente, motores, válvulas, dados de inspeção de rotas, sensores de vibração e demais equipamentos da indústria para indicar automaticamente o risco de falha do equipamento, bem como risco cibernético e estado de funcionamento.

Links:

Metris All-in-one Platform (andritz.com)

Metris - Risk based management (andritz.com)

Metris Risk based management (youtube.com)

Descrição: Segundo SAE Internacional, organização responsável pelos estudos em engenharia automobilística, veículos podem ser classificados em 6 níveis de automação, de 0 até o 5, sendo que a partir do nível 3 o motorista pode se ausentar da direção, mas assumindo quando pedido e 0 nível 5 sendo de automação total, sem nenhuma necessidade do ser humano.

Para isso acontecer, o carro precisa de diversas tecnologias envolvidas, como sensores e câmeras, para que o carro consiga analisar o ambiente ao redor dele; a tecnologia LiDar, que usa a luz refletida para medição de distância e criação de uma realidade aumentada, para verificação de obstáculos da pista; sensores ultrassônicos para monitoramento da velocidade, complementando os dados anteriores; e a Inteligência Artificial (IA) para processar todos os dados coletados e tomar as decisões necessárias para manter o carro seguro e no percurso correto.

Os maiores benefícios de carros autônomos são: a acessibilidade, pois pessoas Pessoas Com Deficiência (PCD) ou que não possui a habilitação, vão poder usufruir; a segurança, pois sem o fator humano, a maioria dos acidentes não aconteceria; e eficiência, pois o usuário poderia utilizar do tempo em que está no veículo para fazer outras tarefas.

Os problemas enfrentados por esses veículos, nos dias atuais, são: o preço, a maioria desses carros tem preço proibitivo para grande parcela da população; questões de regulações e infraestrutura, já que a cidade tem que estar preparada para esse novo tipo de veículo; a vulnerabilidade a ataques hackers, pelo fato de estar conectado a internet, pode ocorrer falhas de segurança do software

Veículos autônomos é algo que a humanidade sonha a décadas e ciência de dados, com o avanço da IA e do processamento de informação, pode transformar em realidade.

Fonte: https://olhardigital.com.br/2022/04/05/carros-e-tecnologia/carros-autonomos/