Machine Learning e Inteligência Artificial com milhões de dados: a experiência do Grupo Movile

Nesta terceira edição do QCon Pocket, teremos 3 apresentações de profissionais do Grupo Movile compartilhando desafios e aprendizados na utilização de Machine Learning e Inteligência Artificial com milhões de dados. Confira os detalhes de cada uma dessas apresentações:

Matriz de risco versus ML-KNN + árvore de decisão | Luisa Bolsoni, Engenheira de Dados na MovilePay

Quando se fala em análise de risco e anti-fraude é comum se buscar um grande controle sobre operações e informações que são liberadas ou rejeitadas. Além disso, a área de riscos e fraudes está sempre em alerta para se adequar a novas realidades surgidas no mercado, o que faz das soluções envolvendo machine learning algo indispensável para análises cada vez mais assertivas. Na MovilePay esse cenário não é diferente e os desafios tomam uma proporção ainda maior ao analisarmos e processarmos mais de 46 milhões de transações por mês.

Nesta palestra será apresentado como a MovilePay vem iniciando o processo de utilização de modelos de inteligência artificial, como o modelo KNN para a segmentação de clientes, e a construção de uma árvore de decisão para ilustrar a relevância das variáveis utilizadas, sempre se baseando na expertise de negócios para tomarmos a decisão mais segura.

Desafios do uso de inteligência artificial na construção de chatbots inteligentes | Kelly Lopes, Analista de Dados na Wavy

A busca por um atendimento melhor e mais barato fez com que empresas buscassem por ferramentas tecnológicas que as auxiliassem na melhoria dos seus serviços. As soluções tradicionais costumam ter um alto custo e nem sempre possuem um resultado efetivo, gerando frustração e não resolvendo os problemas de seus clientes Os chatbots surgem como uma forma de melhorar a eficiência da comunicação entre empresas e clientes, reduzindo custos e oferecendo a possibilidade de disponibilizar serviços cada vez mais complexos, envolvendo integrações entre diversos sistemas.

Nessa palestra vamos compartilhar como tem sido nossa trajetória com a adoção de inteligência artificial em nossos chatbots. Partindo de um bot extremamente simples, criado para lidar com questões mais elementares até chegarmos em bots mais complexos, capazes de resolverem questões como a leitura e a interpretação de documentos. Mostraremos também como estamos trabalhando para termos bots capazes de terem uma conversa mais fluida com os usuários.

A Feature Store do iFood: processando dados em larga escala para decisões de IA em tempo real | Daniel Galinkin, ML Platform Tech Lead na iFood

Com +30 milhões de pedidos todos os meses, envolvendo +150 mil restaurantes, a quantidade de dados gerada a cada segundo pelo uso do iFood é imensa. Para garantir a melhor experiência de usuário possível e maximizar o número de pedidos, nós construímos vários modelos de aprendizado de máquina para gerar respostas precisas para perguntas como: quanto tempo um pedido demorará para ficar pronto; quais são os melhores pratos e restaurantes para recomendar para uma pessoa; se um pagamento sendo feito é fraudulento ou não; dentre várias outras.

Nessa apresentação, vamos mostrar como o iFood construiu uma feature store que consome, processa, armazena e serve dados em tempo real. Conheça como construímos nossa pipeline de processamento de dados, de uma forma distribuída e eficiente, para gerar conjuntos de treino para nossos modelos de aprendizado de máquina, e para consumir atributos necessários para que as predições aconteçam em tempo real e de forma consistente com os dados de treino.

Mais informações

Conheça mais sobre as pessoas participantes, acessando pocket.qconsp.com.br.