Agile AI Project

a Agora sim senhores senhoras senhores senhoritas sejam bem-vindos aula especial sobre Como gerenciar projetos de a com métodos ágeis fazer uma junção aí de utilizar a agilidade para esse tipo de projeto que é um dos projetos que do tipo de projetos que mais crescem a demanda né basicamente todas as organizações estão falando em implementação de intelig artificial muitas ainda estão na era ou na época Ainda do chat GPT mas é um degrau natural começar a pensar em como é que eu implemento Inteligência Artificial dentro dos meus produtos e serviços seja Para apoiar a minha operação

interna seja para eu colocar no meu produto ou serviço para ter interface com o meu cliente e ter um produto serviço melhor tá muito difícil já você encontrar algum tipo de produto ou serviço que não tem algum tipo de Inteligência Artificial atrelado Tá difícil a gente começar a encontrar empresas né que ainda não se atentaram pra Inteligência Artificial existem alguns degraus nisso e é totalmente compreensível começa-se normalmente utilizando algum tipo de a generativa mas o segundo passo já é como é que eu implemento a inteligência artificial dentro do dos meus produtos dos meus serviços né

seja para economizar dinheiro seja para ganhar dinheiro e a ideia dessa aula de hoje é como a gente faz Essa gestão desses projetos de Inteligência Artificial unindo com métodos ágeis vocês vão perceber o seguinte Que métodos ágeis se encaixam muito bem para gerenciamento de projetos de a é inconcebível fazer a gestão de um projeto de a de alguma forma que não seja pensando pela Ótica de métodos ágeis e vocês vão entender por por porquê mas porém entretanto todavia se engana quem acha que é simplesmente seguir o que tá nos guias nenhum método ágil tá preparado

para projetos de Inteligência Artificial nenhum se você por exemplo for rodar um scrum para fazer um projeto de a você cai do cavalo igual principiante pega um cavalo chucro Então a gente tem que entender a dinâmica e os desafios de gerenciar um projeto de a para aí entender como é que a gente adapta e a gente acrescenta algumas coisas modifica e acrescenta algumas coisas em cima desses desses métodos ágeis tá E é isso que a gente vai entender um pouquinho aqui como é que a gente pode fazer essa essa mixagem aí deixa eu fazer um

pequeno War map para vocês para colocar o setar o ambiente aqui da nossa conversa e essa aula tende a durar 90 a 120 minutos de bastante conteúdo tá deix eu setar o War map eu vou ler uma uma frasezinha aqui uma opinião tá olha só isso não é meu tá mas vê aí minha jornada com projetos de a começou há quase 4 anos depois de mais de 10 anos gerenciando diversos projetos de ti Foi então que eu me juntei à equipe para de a como gerente de projetos de a e aqui pessoal quando eu falo

assim ó ai Project Leader ou gerente de projetos di a eu tô falando de uma habilidade de você gerenciar projetos de a você pode ser um líder de equipe você pode ser um scr master pode ser umy Coach pode ser um SC um uma G master pode ser um coordenador de equipe coordenador de projeto nós estamos falando aqui de quem tem a capacidade de liderar esse tipo de projeto independente do cargo como eu tenho que dar o nome para alguma coisa eu acho que Project Leader fica o nome mais genérico possível mas entendo que esse

tipo de projeto ele vai vai ser executado Provavelmente em qualquer tipo de ambiente e você vai ver pessoas de mais diferentes tipos de intitulação lidando com esse tipo de projeto tá então essa pessoa aqui tá 4 anos gerenciando projetos de a depois de mais de 10 anos gerenciando projetos de software tradicional a experiência Inicial com projetos de a foi notavelmente desafiadora as estratégias e metodologias que eu costumava usar em projetos de ti simplesmente não funcionava logo percebi que gerenciar projetos de a é fundamentalmente diferente do gerenciamento tradicional de software aqui sabe aquele negócio que parece

igual mas só parece não é aí você diz assim não mas esse negocinho aqui é só um pouquinho diferente esse outro negocinho aqui também é um pouquinho diferente mas esse aqui é só um pouquinho diferente esse aqui também quando você vai juntando esse monte de coisinhas pequenininhas que são diferentes você olha Putz isso aqui é diferente só que não tem talvez tenha um ou dois pontos que sejam notavelmente ou e que sejam bem contrastante só que existem vários outros pequenos pontos que t suas diferenças e que quando você junta faz toda a diferença então eu

não tô falando aqui de revolucionar eu não tô falando aqui de jogar todo o conhecimento que vocês têm fora pelo contrário eu tô falando de ajustar esse conhecimento e incrementar esse conhecimento que você já tem software tradicional para dar conta de fazer gerencia de de de projetos de de a agora se eu não ajustar se eu não incrementar se eu não Observar isso de outro ponto de vista eu tô ferrado eu vou falhar e falhar forte tá projetos de a exigem abordagens e conjuntos de habilidades únicos devido a natureza dinâmica e Experimental eu vou falar

muito disso dinâmico e Experimental se você acha de algum dia alguém te falou que projeto de software tradicional é complexo para quem já estudou teoria da complexidade que Neve e tudo mais e você achou que dizer assim pô eu tô num ambiente complexo espera você tá dentro de um projeto de a vai ser um pouquinho mais complexo mas é divertido é legal é bacana mas aqui realmente talvez a gente entenda que desenvolvimento de software tradicional não é tão complexo quanto a gente achava ele é mais complicado e previsível do que a gente possa supor agora

projeto de a tem uma complexidade inerente um dinamismo inerente que a gente vai conversar quem falou isso foi a Eva é uma uma uma polaca é uma gerente de a com mais de 15 anos de experiência em gerenciamento de projetos especializada em projetos e iniciativas de a eu quis trazer essa esse relato simplesmente para dar um tom para não ser eu falando aqui mas para colocar outras pessoas que já trabalham com esse tipo de projeto e vocês vão ver que é unânime esse tipo de opinião para quem já trabalha e gerencia com projetos de de

a qual que vai ser o nosso caminho aqui a gente vai entender um pouquinho o que que são esses projetos de a eu quero trazer algumas as nuances aqui para mostrar diferentes tipos de projetos e por que eles são dinâmicos Nem Todo projeto de A é igual é é é meio doido isso aqui mas um projeto de desenvolvimento do software pode ser diferente o escopo Mas ele tem muita característica parecida tipo eu vou desenvolver um CRM ou vou desenvolver um módulo de contas a pagar muda o escopo mas o projeto em si a dinâmica pegada

as atividades são quase as mesmas projeto de a não é assim se eu for fazer um projeto de visão computacional é diferente de eu fazer um projeto de detecção de frae que é diferente de eu fazer um projeto de um usar um modelo pré-treino usando uma arquitetura hag por exemplo tem diferenças nesse meio desse rolê aí que a gente precisa entender e adaptar sempre se eu que eu acabei de falar em rag modelo pré treinado detecção de fraude Isso foi um um meio que um ainda algo que sou é meio estranho aos ouvidos Fique tranquilo

a gente vai exatamente falar aqui o que que são esses projetos de a depois os desafios na gestão de projetos de a o ciclo de vida de um projeto de a e como que a gente pode começar a implementar o ágil né modelo ágil para que que ele serve e aonde que a gente precisa adaptar essas coisas aí de agilidade nos modelos de a os três estágios de aplicação de a pessoal estágio um tá é o estágio um é o que eu falo da da das das organizações é você aprende a usar ferramentas de at

chat GPT Gemini o Clou perplex C para fazer pesquisa qualquer outras ferramentas aí basicamente todas de a generativa o sunno para fazer música tá esse é o primeiro passo eu começo a usar E aí isso já vai me ajudando ah com as minhas atividades diárias e imagina esse poder desse estágio um como o tamanho dessa bolinha aí só que quando a gente começa a avançar e e a gente chega no limite do estágio um e esse estágio um tem um limite quando a gente chega nesse limite do estágio um a gente diz para onde que

eu vou não não dá mais para ficar toda vez tendo que gerar prompt no no chat GPT ou gerar plugin ou ficar pensando em criar script ou conversar dar todo o contexto e tudo mais eu tenho que ter alguma coisa mais automatizada eu tenho que ter alguma coisa que me Gere mais produtividade eu tenho alguma coisa que me ajude a automatizar isso tudo aí vem o estágio dois que é você automatiza o uso das Ferramentas de a basicamente você tá usando modelos pré treinados e estendendo esses modelos pré-treinos o estágio dois pessoal é o estágio

onde a gente tá falando falando de Agentes de a nós estamos falando de haag nós estamos falando de criar outros gpts nós estamos falando de incorporar a ia como sendo uma automação dentro de um produto ou serviço ou alguma atividade que a gente faz internamente tá poucas pessoas dominam esse jogo e quando eu falo dominar esse jogo eu não tô falando do jogo técnico eu não tô falando aqui para você ter que aprender a codificar e criar isso pelo contrário tá isso aí você vai precisar ter uma visão e provavelmente na terça-feira que vem você

vai ter essa visão se você vi pra aula o que eu tô falando de dominar esse jogo é entender essas características entender como é que você pode trazer isso para dentro da tua organização e saber liderar esse trabalho todo dentro dela isso também vai bater num teto isso também vai te dar algum tipo de benefício mas não todo aonde que é o benefício máximo quando você vai pro estágio três quando você constrói a sua própria ia E aí a vantagem sustentável de uma organização de uma pessoa que tá usando e ela se incorpora aqui no

estágio três é onde as maiores oportunidades aí eh estão tá Wilson tá dizendo sou bancário penso em tocar projetos de modelo de crédito modelagem de dados enriquecimento de algoritmos para aplicabilidade em políticas de crédito aplicando o melhor modelo para que para que a perda em na depl seja menor possível perfeito isso que o Wilson acabou de colocar aí no chat para vocês é algo eh é um Case né de um de um projeto é um exemplo de um de um de um projeto de a e normalmente esse Case aí ele vai est envolvido aqui ó

esse tipo de aplicação que ele colocou vai est no estágio três tá a gente vai conversar mais sobre esses estágios vocês vão entender um pouco mais sobre isso esses três estágios pessoal de a eles se transformam em três estratégias de implementação de Inteligência Artificial primeiro estágio um então é usar a ia você interage com um modelo ou um sistema de aente através de produtos ou serviços né Você precisa ter um conhecimento baixo em termos de Tecnologia de entender e a aqui é basicamente interagir com o chat GPT interagir com o software que já está pronto

aqui eu diria que você é o que eu chamo de power user você tem que aprender a usar a inteligência artificial saou basicamente aqui a gente tá falando de engenharia de prompt ter as Sacadas e entender como é que você interage com ela quando a gente vai para um estgio do que é a segunda bolinha maior isso é incorporar a ia é integrar o modelo ou sistema dentro do teu produto ou serviço aqui você já precisa ter um conhecimento moderado aí pode ser integrar uma API do chat GPT e um sistema de atendimento os famosos

chatbots por exemplo começam a rodar aqui ok ah os os projetos de haag que é uma um modelo para você ã melhorar as respostas de um chat GPT da vida Considerando o teu contexto entram aqui dentro desse estágio dois mas aqui no estágio dois de fato você ainda não tá criando uma inteligência artificial máximo que você tá fazendo é estendendo um alguma coisa que já tá treinada eh você vai Talvez automatizar e tornar mais fácil a sua vida utilizando componentes prontos Talvez num exemplo bem eh simples aqui seja assim você ao invés de desenvolver componentes

de software você integra com componentes de software você não cria nenhum componente novo você simplesmente integra esses componentes tá e o estágio três é construir a Ea construir a a ia aqui seja treinar a ia criar um novo modelo de sistema para atender uma oportunidade ou um Um Desafio o que o Wilson colocou aí no chat do sistema bancário se encaixa aqui em construir uma ia e aqui você já precisa ter um conhecimento mais alto para fazer isso tá que eu falo é na gestão obviamente todo mundo toda a equipe vai vai precisar ter esse

conhecimento desde quem tá liderando até a quem tá fazendo de fato acontecer então aqui a gente tá falando de construir um modelo chat GPT construir um modelo GPT para alimentar o chat GPT construir um modelo de previsão de venda construir um sistema de detecção de fraude e anomalia fazer predição de preço fazer um modelo que detecta um scord na diência para emprestar dinheiro paraas pessoas certas fazer uma análise de sentimento para entender o feedback que as pessoas estão passando e por aí vai tá tá aonde estão os projetos de a que a gente vai conversar

aqui pessoal aqui ó no estágio dois aqui é um e esse tipo de situação quando você quer incorporar a ia ou quando você construir uma ia nestes dois estágios Você invariavelmente vai precisar construir ou organizar isso dentro de um projeto de i a quando eu falo projeto de a Pode ser que seja alguma coisa contínua que você queira levar isso como um produto e tá tudo bem mas é o tipo de conhecimento que você vai precisar ter para organizar isso e colocar isso eh para para rodar porque se você pensar em executar liderar essas estratégias

aqui como você lidera software tradicional vai dar ruim tá vai dar muito ruim e vocês vão entender o porquê ah basicamente pessoal quando a gente olha o estágio dois e o estágio três a gente tem eu eu mapi sete padrões de projetos de a sete padrões de aplicação de a e o que que são esses padrões eles mais ou menos ajudam a gente a entender as oportunidades que a gente tem dentro da organização de fazer esses projetos de ter ideias de dizer Será que eu posso melhorar o meu ambiente com isso aqui que é basicamente

o seguinte Ah o padrão de padrões e anomalias esse padrão aqui é para detecção por exemplo de fraude detecção de anomalia então é quando eu tenho alguma necessidade de identificar padrões ou anomalias nos meus dados hiperpersonalização é o padrão quando eu quero fazer alguma uma um sistema de recomendação Ah um sistema ã de de classificação por exemplo recomendar um filme recomendar uma compra Ok um padrão de reconhecimento E aí aqui a gente tá falando reconhecimento de som e de imagem por exemplo uma uma um modelo para fazer biometria facial para fazer reconhecimento de objetos Ok

um padrão de conversação entre ação humana e aqui nós estamos falando bastante já de aqui dentro né Tem muito de A generativa então Eh os padrões aqui para você trocar informações de texto para áudio áudio para texto enfim ter essa interação e parecer que a máquina é um humano um padrão de análise preditiva e decisões aqui entram situações por exemplo quando você precisa prever um score de de inadimplência como o Wilson colocou aqui pode ser um score de eh ou uma predição de quanto que eu posso emprestar em termos de dinheiro ou qual vai ser

o valor futuro da minha casa qual vai ser o valor futuro do dólar tudo entra aqui em análise preditiva e decisões que me ajudam a tomar isso sistemas autônomos aqui é mais eh paraa criação de Agentes mesmo autônomos por exemplo um carro ã autônomo e sistemas orientados objetos a gente objetivos também tem a ver com criação de carros autônomos como games por exemplo que aí você tem que construir essa inteligência artificial baseada nos objetivos que ela tem que executar N E aí você dá o objetivo e vai reforçando o treinamento para você chegar lá deixa

eu mostrar só alguns exemplos aqui para vocês então os ai projects pessoal eles podem ter qualquer um desses padrões aqui qualquer aplicação e e eu não até hoje eu não consegui enxergar mais nenhum nenhum padrão tá sempre eu vejo que os projetos e a eles vão cair dentro de um desses padrões aqui o que que é interessante é interessante porque isso vai te ajudando já a orientar o trabalho por exemplo se eu identifico que eh eu tenho uma necessidade de fazer um projeto de reconhecimento por exemplo de imagens esse projeto ele já tem algumas características

para para determinadas que me ajuda a entender pô reconhecimento reconhecimento imagem por exemplo imagem eu já sei que eu vou precisar ter pelo menos 1 imagens de histórico ou de dados de de cada classe que eu quero que a máquina treine por exemplo se eu tiver falando de reconhecimento de cachorro e gato vou precisar de 1000 imagens de cachorro e 1000 imagens de gato então eu já tenho essa sacada se eu tiver falando de detecção de anomalia eu já sei que é um treinamento não supervisionado e que eu vou precisar de pelo menos 3S meses

de dados como que eu sei isso pessoal experiência estudo mas essas coisas vão facilitando a nossa vida de entender essas diferentes esses diferentes tipos de projeto e como que a gente lida com eles sacaram para que que serve isso então deixa eu mostrar alguns exemplos para vocês de casos de uso para vocês entenderem aqui ó hiperpersonalização casos de uso lá a recomendação da Netflix é um exemplo de um de uma iad hiper personalização ofertas personalizadas no Starbucks quando você compra e Vent tu oferta Às vezes a farmácia também tem isso né você comprou e lá

no final ela coloca os produtos em oferta baseado no teu perfil de compra isso é um exemplo de uma ia de Hiper personalização personalização em apps de de de fitness também né E quando a gente tem quando a gente entende o caso de uso meio que a gente já consegue entender Qual que é o tipo de tecnologia que a gente vai usar todos esses casos que eu listei é o machine learning clássico tá eu não preciso de mais do que isso poderia fazer com alguma coisa mais avançada sim mas aí é meio que matar uma

formiga com um canhão eu consigo usar isso com machine learning clássico Deixa eu fazer só um um parênteses aqui perguntar para vocês respondem aí no chat para mim quando eu falo de machine learning Deep learning e a generativa tá claro para vocês a diferença entre esses carinhas aqui só escrever aí no no no no no chat sim ou não só para ter uma temperatura sim tem um não sim tá claro não Sim vamos lá deixa eu pegar mais o sentimento não não não Beleza então eu vou fazer rapidamente assim bem sucinto uma explicação disso já

já tá para vocês análise e e preditiva e suporte a decisão a gente tá falando de previsão de falhas e equipamentos predição de comportamento de clientes preços dinâmicos em um e-commerce o Uber com o seu preço dinâmico é uma análise preditiva quanto é que vai custar a corrida baseado em diversos fatores demanda horário disponibilidade de carros vão pensando em possibilidades que vocês podem adotar isso dentro da organização de vocês né interação conversacional e humana assistentes virtuais uma Alexa uma Siri chatbots e atendimento tradução automática de de idiomas o Google Translator é um exemplo muito disso

Ok E aí você já usa muito de de a generativa preços dinâmicos normalmente é um Deep learning basicamente esses três tipos né machine learning Deep learning e ag generativa detecção e padrão de anomalia detecção de fraudes bancárias monitoramento inteligente de redes de de de de internet por exemplo preenchimento automático de formulário aquele negócio a pesquisa do Google né você tá digitando e já aparece Qual é a próxima palavra isso é um padrão de pesquisa que é detectado E aí ele já te sugere a próxima palavra baseada na palavra ã anterior ã um exemplo de a

de reconhecimento reconhecimento facial reconhecimento de áudio reconhecimento de áudio não é fala É reconhecer se você chega lá em São Francisco você chega atrás de um carro autônomo vocês já já viram aquele carro autônomo que tem totalmente autônomo Em algum momento se você se ele parou tá você chega atrás dele e buzina se ele tiver como fazer alguma coisa ele vai faz sair da sua frente pela buzinada porque ele reconhece o som da buzina e atua Ok reconhecimento de objetos ou imagens né E aí basicamente aqui a gente tá falando tudo de Deep learning sistemas

orientados a objetivos otimização de rota de logística navegação autônoma em robô essa otimização de rotas logísticas ela é interessante porque você entra em um aspecto de sofisticação muito grande por exemplo sistemas mais avançados de de roteirização de logística evitam rotas cujo caminhão tem que dobrar à esquerda na maior parte das vezes é só à direita porque quando você dobra a esquerda tipicamente você tem que parar na pista e esperar o trânsito vir esperar Isso gasta mais gasta mais pneu gasta mais combustível e toma mais tempo então então a rota Evita o máximo que você pegue

a esquerda e sempre à direita que normalmente é mais livre é mais fluído E aí você usa inteligência artificial para traçar essas rotas né sistemas autônomos ó carros autônomos robôs de manufatura autônoma a gente vai começar a fazer um um um projeto desse aqui uma hora eu conto disso para vocês tudo muito voltado pro Deep learning que é um sistema mais poderoso de Inteligência Artificial como muitos de vocês escreveram aí no chat que tem um tem uma uma questão ainda que não tá claro para vocês o que que é essa diferença de tecnologia deixa eu

tentar resumir isso aqui em TRS minutos tá tecnologias de a a questão de eh no eixo vertical aqui a evolução e o poder da ia e no no eixo horizontal a questão da linha do tempo tá pessoal Inteligência Artificial desde 1950 quem já assistiu aquele filme Como é que é o nome do filme O Jogo da imitação Obrigado o jogo da imitação lá é basicamente onde começou a Iá se não assisti o jogo da ação assista tá Ah então é um campo aí grande da Ciência da Computação já muito tempo a gente tenta trabalhar com

isso ã aqui os os prazos os os tempos aí são são aproximados e normalmente dizem respeito mais ao Boom do que necessariamente ao surgimento da tecnologia tá mas lá nos anos 80 um campo da Inteligência Artificial surgiu que é o aprendizado de máquina que é aprender a partir de dado existentes isso é o conceito machine learning machine learning então é uma subdivisão da Inteligência Artificial tudo que a gente fala de inteligência artificial é válido pro machine learning e aqui eu chamei de machine learning clássico na tabelinha anterior tá basicamente isso aqui ele ele aprende a

máquina aprende através de algoritmos clássicos esses algoritmos são algoritmos matemáticos e estatísticos muitos deles baseados em tentativa e erro como uma árvore de decisão por exemplo tá então é o que a gente chama de de de machine learning clássico por volta de 2012 surgiu não é que surgiu Explodiu e foi possível redes neurais já existe há mais tempo tá mas em 2012 um grupo de Stanford três pesquisadores conseguiram aumentar o processamento do computador através do uso de gpus gpus até então eram feitos pela NVIDIA só que eram feitos só para processamento de imagem não é

era um um um processador de dados efetivamente esses pesquisadores de Stanford conseguiram isolar ou conseguiram não isolaram as gpus e transformaram isso num processador aumentando em muito a capacidade de processamento a partir daí pessoal surgiu então ou foi possível a utilização do Deep learning O Deep o que que difere o machine learning do Deep learning Deep learning O a máquina aprende através de uma rede neural que são arquiteturas que simulam os os neurônios que a gente tem na mente os neurônios humanos e aí ele faz com camada de entrada camada oculta cada camada tem uma

responsabilidade eu não vou entrar em muitos detalhes aqui para não não porque esse não é o objetivo tá eh mas entenda que Deep learning ele basicamente ele aumentou muito a nossa a capacidade de uma máquina aprender talvez se o machine learning fosse nota ou fosse capacidade 5 Deep learner capacidade 25 algo nesse nesse nesse nível e obviamente exige muito mais h de capacidade de processamento muito mais tempo muito mais dados ele é mais pesado também ele é mais poderoso mas ele é mais pesado então Normalmente quando a gente faz um projeto de a a gente

começa primeiro tentando resolver com machine learning E se a gente não conseguir a gente vai pro Deep learning para não resolver problemas simples com coisas pesadas Tá e por último e deu o desemboque e tudo isso e a gente tá falando muito disso hoje lá em 2000 porque em 2022 foi lançado o chat GPT né o chat GPT é um exemplo de ia generativa Qual é a diferença do Deep learning e da ia generativa é que Deep learning ou ele vai fazer uma classificação ou vai fazer uma regressão do tipo ou ele vai classificar um

e-mail em spam ou num spam ou vai classificar uma imagem ou vai dar uma predição de valor tipo teu score é tal o preço é tal faz por aqui a ia generativa não a ia generativa é um tipo de Deep learning que gera conteúdo Essa é a grande diferença entre Deep learning e a generativa então ele trouxe novas estruturas baseadas em Deep learning que permitem geração de novos conteúdos Ok e em cima dessa ia generativa nós temos aí ã chat GPT nós temos o mid joury nós temos o suo vários tipos de a generativas que

cria texto imagem áudio vídeo e por aí vai que consomem ali por debaixo dos panos arquiteturas redes neurais de Deep learning Ok você pode ter projetos de a que consomem uma dessas tecnologias ou todas essas tecnologias juntas dentro do mesmo projeto dependendo da aplicação que você vai fazer abordagens para desenvolvimento dessas aplicações aqui é muito interessante tá a gente entendeu o seguinte pessoal quando você vai fazer um projeto de a você tem algumas opções de trabalhar com Essas tecnologias aqui ó você pode fazer um projeto de a cujo o teu projeto ele vai desenvolver e

treinar o modelo a partir do zero Training from Scratch ou seja vai treinar você vai criar um modelo a partir do zero usando apenas algoritmos Ok não existe modelo uma outra pergunta tá claro para vocês o que que é modelo e o que que é ã algoritmo de a Às vezes a gente usa isso de uma forma intercambiável mas são coisas diferentes tá algoritmo e modelo o algoritmo pessoal é como se fosse o código fonte é aqui que tá a inteligência do aprendizado tá basicamente como é que funciona isso você coloca os dados esses dados

são processados por um algoritmo esse algoritmo aqui ele pode ser um algoritmo de machine learning ele pode ser um algoritmo de Deep learning e ele pode ser um Basic isso machine learning Deep learning pode ser até que tenha aqui alguma coisa de ag generativa aqui no sentido de de ser arquitetura tá então esses dados são processados por esse algoritmo são treinados tá esse treinamento aqui ele pode ser um treinamento supervisionado ou um treinamento não supervisionado ainda pode ser também um treinamento por reforço basicamente são esses três tipos de Treinamento que a gente faz que é

formas de você e compilar esses dados jun com esses algoritmos isso aqui é o processo de Treinamento tá esse processo de Treinamento ele vai guspir o que a gente chama de modelo modelo de a Ok por exemplo o chat GPT o chat GPT é um modelo de a não é o algoritmo para formar o chat GPT você tem alguns algoritmos por exemplo bastante conhecido Transformer que é arquitetura tá Transformer é arquitetura que permitiu a gente ter hoje o chat PT do jeito que a gente conhece a partir desse modelo é o que a gente chama

e é é o que a gente fala que que acontece aqui de inferência infer rência a inferência é uso Então você vai mandar um novo dado para este modelo e este modelo vai gerar uma um output vai gerar uma saída para você uma predição se esse modelo for for modelo de predição de eh de custo por exemplo vai gerar um custo aqui se ele for um modelo de classificação de e-mail para spam ou não spam o output dele vai ser esse e-mail que você acabou de me mandar é um spam ou não é e assim

por diante quando eu tô falando de um projeto de a basicamente tem duas grandes formas que você executa ele a primeira forma é dizer assim ó eu vou criar do zero Beleza eu vou criar do zero é basicamente o nível três lá que a gente estava conversando a estratégia o zero eu uso tudo isso aqui ó eu vou pegar os dados novos eu vou selecionar o algoritmo Vou treinar esse algoritmo se eu for fazer detecção de fraude eu vou pegar uma isolation Forest para fazer isso se eu tiver falando de Talvez de hiperparametros para fazer

uma classificação de clientes são algoritmos e a partir daí eu Gero um modelo que eu vou usar um modelo tá isso é o que a gente fala de de desenvolver ou treinar uma i a partir do zero agora porém entretanto Tod viia todavia existe uma outra alternativa para você fazer os teus projetos também que dependendo do caso de uso funciona que é o quê é você utilizar um modelo pré treinado Ou seja eu não uso do zero eu não parto do zero eu já uso ou eu eu parto do uso de um modelo pré-treino E

aí eu estendo esse comportamento desse modelo para o que eu preciso por exemplo hoje se você vai fazer um sistema de reconhecimento de imagem você não precisa começar do zero a treinar modelo a partir do zero para reconhecimento de imagem você pode pegar um modelo existe um um site chamado huggingface.co se eu não me engano e tem várias bibliotecas vários modelos já criados que você pode baixar E aí você usa a partir dali e você estende ele através de basicamente você pode estender através de engenheiria de prompt hag ou fine tunning E aí aqui você

tem um caminho mais simplificado basicamente assim alguns exemplos disso aqui eu vou fazer um chatbot não vou criar do zero normalmente eu vou usar o chat GPT ou o GPT né não não necessariamente o chat mas o GPT e vou fazer um hag para gerar isso para mim eu vou precisar fazer uma análise de sentimento para feedback de cliente para analisar se o feedback tá bom ou tá ruim nas redes sociais no Reclame Aqui no meu site no meu suporte não preciso criar todo um componente do zero para análise de sentimento o chat GPT ou

GPT já faz isso o que eu vou precisar ter é configurar estender customizar Esse chat GPT para minha realidade então eu estendo Eu uso o modelo pros dentro dos meus projetos e isso que acontece eu adapto um outro tipo de projeto eu adapto a partir de modelos pré treinados E aí você tem essa adaptação pessoal ela pode ocorrer através de uma engenharia de prompt ela pode acontecer através do R é o sistema de recuperação Dea que Dee dá um dado direto pro chat GPT eu o o usuário pede alguma informação eu vou até dentro de

uma base de dados minha própria dos meus dados da minha organização busco o que eu quero lá o que é interessante o que é tem sentido e contexto com aquilo que ele acabou de perguntar e mando essas duas coisas pro chat GPT E aí o chat GPT responde contextualizado no meu ambiente isso é extremamente úti pensa assim você vai implementar um chatbot que é um RH que vai dar resposta pros funcionários sobre diversas questões sobre políticas de RH você conecta o chat GPT não precisa criar a partir do zero já tá lá você usa o

chat GPT cria uma base de dados intermediária Onde você coloca todas as políticas do teu RH pode ser texto pode ser wik pode ser qualquer coisa de dados estruturados ou não estruturados e quando o teu funcionário Faz uma pergunta primeiro você vai nessa base Med diária cata tudo o que que faz sentido daquela pergunta e manda isso pro chpt chpt vai responder baseado nos seus dados e vai devolver a resposta para o teu funcionário de uma forma eh eh de uma forma amigável tá ou seja eh você tem um ganho de tempo aqui você corta

alguns caminhos obviamente e esse a partir de modelos prét treinados normalmente envolve muito ia generativo aqui tá muitos modelos de de a generativa e não necessariamente eles vão resolver todos os teus problemas é muito difícil eu conseguir pegar por exemplo um llm que é um large language Model que é o GPT ali da vida para poder colocar pra gente poder fazer um sei lá uma detecção de anomalia não vai casar porque uma coisa geração outra coisa é problema de regressão tá ou de classificação mas para alguns casos isso aí funciona muito bem e também você

pode utilizar o que a gente chama de fine tunning fine tunning você estende a atividade do chat GPT você dá para ele nova out chat GPT ou qualquer e A generativa tá você estende para ele ganhar novas atividades novas habilidades o hag você simplesmente dá mais informação mais contexto mas as atividades ele já faz tá o fetan é você construir novas habilidades em cima de um modelo já pré treinado tudo isso pessoal é o objetivo de projetos de a tudo isso roda dentro de projetos de a tudo bem tá aqui então no final das contas

o que que é um ai Project pessoal Às vezes as pessoas se referem a gerenciamento de projetos de a ou ai Project Management como sendo uma ferramenta para ajudar a gerenciar o seu projeto otimizar o seu trabalho Se você tá pensando em usar a ia para ajudar a fazer a a tuas atividades de gerenciamento então eu sou um SC Master que comecei a usar o chpt para me ajudar a fazer algum tipo de análise de dados eu sou um gerente de projetos que eu comecei a usar o cloud para me dar algum tipo de informação

tá para me dar algum tipo de informação isso não é um ai Project na verdade tá isso aí é usar AA no gerenciamento de projeto é gerenciamento de projetos com EA não de ia gerenciar projetos para ver softwares baseados em EA Isso sim é um ai Project então só cuidado com as nomenclaturas porque às vezes tudo vira ai Project ai alguma coisa mas no fundo ã boa parte dos conteúdos que a gente tem hoje são é gerenciamento de projetos com inteligência artificial e aqui o que a gente tá tratando é gerenciamento de projetos d e

a sacou e tem gente que não faz a menor não faz a menor ideia do que que tá criando e acaba criando uma uma mistura dos dois tá então Surgiu uma certificação agora aí de gerenciamento de projetos ai driven Project Management quando eu fui olhar eu mistureba dessas duas coisas tá não não não é nem para lá nem para cá você fica no meio termo perdido entre os dois aí no no Limpo então a gente tá falando muito disso aqui galera tá beleza como é que eu gerencio esse negócio todo que a gente tá conversando

aí a Bat tá dizendo Kelvin tudo que eu vejo hoje em dia em termos de chatbot é geralmente muito restrito em termos de perguntas e respostas muitas vezes D raiva pois são informações que já estão disponíveis no site da empresa tem algum motivo para isso é medo das empresas trazer o conteúdo do chat GPT eu acho que é inabilidade B3 muitos fazem não não não sabem tocar esse projeto Ok E aí não sabem como levar essas informações porque a gente vai falar daqui a pouco o dado é o grande combustível disso e às vezes não

é nem questão de medo de levar pro chat GPT porque isso aí hoje em dia já é é coisa do passado tá a gente consegue gerenciar muito bem a privacidade a gente consegue ter bases de dados eh quando eu fala base de dados eu tô falando conjunto de dados né não a base sei lá de um SQL por exemplo mas os meus dados eu consigo deixar numa numa nuvem privada eu consigo ter acesso eu consigo fazer com que o chat ept não use minhas informações para treinamento dele tudo isso hoje em dia já já meio

que é caso resolvido é muitas vezes é inabilidade da organização em fazer um bom treinamento em estender esse treinamento fazer esse fine tunning fazer um bom hag porque o hag ele normalmente ele é casado com uma engenheiria de prompt normalmente o hag ele é casado com uma boa engenheiria de prompt para pro chat GPT responder Da maneira como você quer responder então boa parte desses chat GPT desses botes aí da vida é tudo só para dizer que tem alguma coisa de inteligência artificial para dizer eu uso eu tenho mas eu falo nos treinamentos fez o

treinamento semana passada foi semana passada né foi eu falei muito sobre isso né sobre bot normalmente é o primeiro projeto que a empresa faz muito nem avaliando o custo benefício mas só para dizer que tem e normalmente não para de pé uma série de questões que a gente vai discutir daqui a pouquinho isso hag Wilson recuperação de dados aumentado basicamente isso desafios na gestão de projetos de a ó Bate com o que a Beatriz tá falando porque o caso que a Beatriz colocou aí pessoal para mim é um é um ma sucesso tá é um

projeto que falhou 85% dos projetos machine learning falham e não tô falando aqui simplesmente de falhar porque a gente não consegue colocar em produção às vezes até bota mas essas Porcari que ninguém usa muito dessa falha Por que que é isso tão alto assim pessoal por quando você tá gerenciando projetos de a você precisa ter um conjunto de de habilidades diferentes já comentei um pouquinho sobre isso os processos também cada caso de uso pode ser desenvolvido de uma maneira diferente e por isso que eu desenvolvi os sete padrões faz sentido porque cada padrão daquilo pode

me mostrar um caminho diferente para executar eu vou mostrar um caminho base para vocês um processo base só que as atividades que você faz dentro de cada um desse desse dessas etapas pode variar por exemplo eh no momento de desenvolver uma ia que eu chamo tem uma etapa que eu chamo de desenvolvimento do modelo esse desenvolvimento do modelo se for por exemplo aqui ó um treinamento a partir do zero então aqui eu vou ter uma série de atividades que eu tenho que fazer escolher o algoritmo selecionar o algoritmo eh separar os conjuntos de de de

de dados em treinamento teste validação configurar as épocas fazer hiper parametrização tem um monte de atividades que são feitas ali pelo cientista de dados se eu tô falando que é um hag é muito mais desenvolver a arquitetura do que necessariamente treinar algo Eu simplesmente vou pegar vou vou construir uma base de dados ou determinar onde que é a base onde tem meus dados se for texto eu vou ter que fazer o que a gente chama de embedding do texto que é transformar ele em vetor para depois mandar pro chat GPT reverter Ou seja é um

pouco mais programação e menos treinamento se a gente tá falando a partir de desenvolver do zero é um pouco mais de treinamento e menos menos desenvolvimento normal Então essas coisas vão mudando a próprio manejo com os dados né Se for um projeto de visão computacional a maneira como eu vou rotular os dados para um aprendizado supervisionado muda também então tem várias características aí que eh que vão mudando tá então cada projeto ele vai ter sua própria história O que traz imprevisibilidade variabilidade e Incerteza se você for lidar com o projeto de a você tem que

est disposto a esses três aspectos aqui Aliás não só vocês mas quem contrata Quem compra se você acha difícil dar estimativa para um projeto tradicional pro de software tradicional aqui é um pouquinho mais difícil diria para vocês não é impossível mas um pouquinho mais difícil vocês vão entender isso por daqui a pouco e ferramentas existem centenas de ferramentas de ai código aberto e proprietários cada um pode ter limitações e custos ocultos ou seja não tem uma garantia de sucesso você só vai ter um projeto de de sucesso Quando você souber trabalhar com esses três pontos

quando você tiver as habilidades os processos e as f ferramentas no lugar certo agora olha isso aqui pessoas h quando a gente tá falando de desenvolvimento de a de Inteligência Artificial Pode parecer que isso é igual ao desenvolvimento de software isso aqui ó é o pensamento comum eu tenho desenvolvimento do software e agora vou desenvolver um modelo de a logo o desenvolvimento de A tá dentro do desenvolvimento software isso é um senso comum mas o que que é na realidade na realidade isso aqui ó tem uma intersecção entre essas duas coisas tem mas são dois

bichinhos diferentes são duas coisas que a gente precisa lidar e ter ferramentas diferentes Então já começa por aqui essa talvez uma das lições para vocês levarem para dentro das da da das organizações tá Por que que tem essa diferença pessoal primeiro algoritmos tradicionais que é o engenharia de software tradicional software tradicional ele é feito a partir de instru eu peço pro usuário ele me diz qual é a regra eu implemento a regra e tá pronto a validação é funciona de acordo com o que o usuário disse que é para fazer regra de negócio eu implemento

ele é determinístico OK então eu digo pra máquina o que ela para fazer obviamente esse tipo de algoritmo tem limitações como é que eu vou ensinar uma máquina através de algoritmo ler uma imagem um texto já o machine learning ele é diferente pessoal eu não dou regras pro machine learning machine learning não tem regra de negócio não tem regra de funcionamento machine learning é as regras são aprendidas pela máquina a partir dos dados que eu forneço para ela tudo que roda de a hoje é aprendizado a partir dos conjunto de dados que eu passei pra

máquina Então ela aprende as regras eu não dou as regras eu dou para ela os dados e o algoritmo que eu vou usar isso pessoal então Transform esse tipo de projeto em um projeto muito de dados é menos regra eo muitos dados Ok e o resultado desse aprendizado é uma imitação do pensamento humano então meio que assim como é que eu valido um algoritmo é que eu valido uma inteligência artificial a partir do momento que eu começo a dar inputs para ela e eu Prevejo que a saída dela é similar a saída de um humano

porque se não for similar ela não aprendeu eente eu quero naturalmente que ela seja melhor inclusive mas é essa linha de raciocínio Então como é que eu testo né como é como é que eu sei isso a partir do momento que ela gera um vou fazer um um software de análise de crédito por exemplo ela tem que imitar o meu analista de crédito e ela tem que ser tão boa quanto pelo menos o meu analista para que ela esteja num ponto de ser utilizado como é que eu preve como é que eu vejo isso observando

o resultado e testando o resultado não é através de regras eu não controlo as regras que ela aprendeu eu controlo dados eu controlo algoritmo mas não as regras então aqui traz aquela questão da imprevisibilidade é igual eu eu tô ensinando aqui coisas para vocês eu não controlo o que vocês aprenderam eu consigo controlar o conteúdo consigo controlar o tempo consigo controlar a forma como eu vou explicar mas não aprendizado de vocês como é que eu como é que eu saberia o que vocês aprenderam fazendo pergunta vendo vocês fazerem no dia a dia de repente fazendo

uma prova e aí se vocês não aprenderam suficiente eu tenho que reforçar o treinamento Inteligência Artificial é o mesmo lance então EA meus amiguinhos não é um projeto de código é um projeto de dados então isso por isso aí já já muda um pouquinho mais a relação né aqui ó olha só sistemas probabilísticos e determinísticos me ajudem aqui e eu gostaria que vocês respondessem no chat a pergunta que eu vou fazer daqui a pouquinho tá sistema determinístico os passos acontecem um fluxo confiável os são apresentados de maneira previsível os resultados são bem definidos com respostas

específicas e os sistemas são instruídos sobre o que fazer agora olha o que que é o probabilístico os passos podem acontecer de várias maneiras diferentes nem sempre previsíveis com antecedência os dados não são apresentados de maneira previsível e pode variar significativamente de uma Instância de um uso pro outro os resultados são fornecidos como intervalos de probabilidade os sistemas devem aprender o que fazer pessoal o que que se parece com engenheria de software tradicional com desenvolvimento software tradicional determinístico ou probabilístico responda aí para mim no chat faz favor vamos lá botem aí pessoal responda aí para

mim determinístico mais quem alguém acha alguma coisa diferente botem aí escrevam aí escrevem a eso vocês escreverem determinístico certo sistema probabilístico é o que então tá com cara de qu pelo que a gente conversou até agora ia exatamente elar João então ia é sistema probabilístico a resposta da ia tem essas características aqui por isso que quando você faz a mesma pergunta pro chat GPT ele dá respostas diferentes nunca é uma resposta igual não é porque ele sabe que você perguntou duas vezes e vai mudar a resposta é porque ele é probabilístico você nunca sabe exatamente

qual é a resposta que vai ser gerado então sistemas de a São probabilísticos essa é outra diferença então para você gerenciar você tem que entender que o resultado ele vai ser probabilístico isso significa já Uma coisa pessoal o que que isso impacta vai vamos só conversar dois minutinhos sobre isso aqui para vocês poderem falar o que que vocês acham que seo impacta assim no processo de gestão de um projeto desse entendendo agora o que que é um sistema determinístico que engenheiria de software tradicional é determinístico e um sistema de a é probabilístico que que vocês

acham que é o principal Impacto num projeto de a baseado nisso Impacto é planejamento escopo e prazo não se consegue prever o resultado de teste gerenciamento dados resultado isso por exemplo faz com que você possa ter executado todo o teu projeto e quando você viu o resultado ou vou fazer diferente Esquece essa parte que eu falei porque não é legal não é que não é legal não tá 100% certo imagina que você tem um conjunto de atividades para fazer esse treinamento tá a gente vai ver isso daqui a pouquinho então você tem um conjunto aqui

de atividades para fazer dentro desse projeto você pega atividade a b a c a d você pega faz todas essas atividades aqui tudo tá parecendo bonitinho lindinho legalzinho tá chegou nessa última etapa aqui você diz assim hum o resultado probabilístico que esse modelo tá gerando não é bom o suficiente o que que eu vou ter que fazer pega esse negócio aqui que tava lá o 99% pronto que você achava que tava 99% pronto e volta para cá pro a e faz de novo desenvolvimento do software não acontece isso o tradicional desenvolvimento de software ele é

muito mais move forward é muito mais paraa frente você pega um requisito você sabe quais são as as regras de negócio você analisa codifica testa e entrega pode ter algum problema algum erro alguma coisa que foi cometida pode mas aí é erro mesmo né ou falta de entendimento aí ah não aí você pode ter trabalhado tudo bonitinho só que chegou aqui não deu o resultado desejado não deu o resultado desejado por qu k por diversos os motivos Pode ser que você escolheu ou o cientista de dados escolheu o algoritmo incorreto não é o melhor algoritmo

ou os dados que você utilizou não eram os melhores dados tem como saber antes do modelo tá criado não não tem eu tenho indícios mas eu não tenho certeza não tenho esse controle 100% então aquilo que tava o 99% pronto não tá mais então você precisa ter mecanismos diferentes de execução aquele lance de vou criar uma história de usuário ou usar o método e passando por etapa E aí controlar variabilidade distribuição tempo de ciclo cycle time não vai rolar você consegue fazer isso no nível mais acima mas na gestão daqui a pouco vocês vão entender

um pouco mais mas já digo não vai rolar o lance de Time Box fechado no scram não vai fechar tá até porque Digamos que a etapa b a é uma etapa de preparação de dados preparação de dados é o momento aonde a gente de fato organiza os dados para poder fazer o treinamento faz uma limpeza organização rotula se for um aprendizado supervisionado as essa preparação de dados em alguns cenários Principalmente quando você tá treinando a partir do zero é responsável por 70% do tempo de um projeto de a isso aqui pode demorar dependendo da situação

semanas só fazendo essa atividade e eu não tenho muitas vezes como quebrar isso em escopos menores entende então aquele lance de vou usar o scrum e a cada 30 dias no máximo eu vou entregar um incremento de software potencialmente liberável essa regra para cá não funciona você cai do cavalo e você não consegue fazer esse negócio acontecer então a gente tem que fazer algumas adaptações adaptações para fazer isso acontecer de uma maneira melhor tá diferentes ciclos de vida são aplicáveis Então se a gente tá falando de um desenvolvimento de software tradicional basicamente né uma etapa

lá de descoberta desenho desenvolvimento testes liberação e manutenção evolutiva quando a gente tá falando de alguma coisa de de a nós estamos falando que algo literalmente se comunica com tudo onde você tem uma definição do problema uma aquisição e preparação de dados que pode voltar pra definição de problema o finan o desenvolvimento desse modelo altamente interativo com vários ciclos dentro dessa mesma etapa então às vezes você tem que fazer vários ciclos não é um ciclo só entenda que quando eu tô falando CIC É como se você pegasse assim ó a mesma o mesmo requisito a

mesma história de usuário e desenvolvesse ela vári várias vezes para desenvolvimento do software tradicional isso não faz sentido certo seria dizer retrabalho PR Iá é isso que acontece PR Iá isso que acontece o aprendizado da máquina ela não acontece de uma única vez o aprendizado de máquina Ele é cíclico são por iterações é igual a gente aprende quem tá vindo aqui na primeira aula vai entender boa parte do que eu falei mas talvez outras não e e talvez não com a mesma profundidade de quem tá vindo a terceira a quarta e a quinta Embora tenha

coisas que eu esteja falando aqui que eu falei na primeira aula na segunda aula na terceira aula quarta aula Isa é a quinta aula que eu tô falando sobre projeto de a Só que talvez hoje esteja caindo algumas fichas para para pessoas que já vieram na primeira segunda terceira quarta que lá na segunda na primeira não não aconteceram não caíram por quê Porque às vezes eu mudei a minha a a minha a minha forma de ensinar mudei um slide mudei um exemplo a pessoa eh colocou uma mais um tijolinho no aprendizado dela máquina é a

mesma coisa tá então você tem que fazer muitas vezes várias iterações testes modelos várias interações também muito interativo para daí fazer liberação mas no momento da liberação você pode voltar então isso tudo aqui que acontece é muito mais à cíclico Não é se você parar quem aí é do método kamban que tá pensando não eu vou organizar meu projeto então num fluxo contínuo da esquerda pra direita que vai fluir da esquerda pra direita que vai ter as etapas daí eu vou botar os requisitos e vai executar E aí eu vou gerenciar Lead time cycle time

no way você vai conseguir isso num determinado nível de granularidade vai mas isso vai variar tanto e vai ser tão grande que na prática para gerenciar não vai funcionar F tá perando que o método Cascata seria um pouco mais aderentes aos projetos de a também não se aplicaria esse certamente não se aplica porque é muito dinâmico isso aqui pensar que eu vou fazer um planejamento vou primeiro fazer análise daí vou fazer a preparação de dados daí eu vou não a coisa é mais experimental pessoal a coisa é mais dinâmica a coisa quebra muito mais as

regras daquilo que a gente entende como sendo um desenvolvimento de software tradicional entenda o que projetos de a começam e terminam com experimentação é experimentação intens se parece muito com pesquisa e desenvolvimento eu tô pesquisando e desenvolvendo coisas novas não é só desenvolvimento tem pesquisa aqui tem que ser muito mais experimental Olha só deixa eu tentar trazer essa um pouco mais pragmática para vocês modelos de a aprendem a imitar o pensamento humano ao dar sentido nos dados ele aprende os dados as regras a partir de dados já falamos sobre isso certo como resultado a qualidade

do da da saída o que ele gera do que o modelo gera pode variar drasticamente de modelo para modelo e de abordagem para abordagem na mesma tarefa por que isso pode variar porque para desenvolver uma solução de alta qualidade necessário experimentar diferentes ferramentas técnicas e modelos para encontrar o o mais adequado pessoal se você usa tem tem vários algoritmos ou vários modelos que vão chegar no mesmo resultado ou que são pro mesmo objetivo por exemplo eu vou lá e faço uma pergunta pro chat GPT e vou lá e faço uma pergunta pro Cloud eles vão

me dar respostas diferentes mas o objetivo final deles é o mesmo eu posso usar uma um algoritmo a ou um algoritmo B para fazer detecção de anomalia tem tem tem mais de uma forma de fazer a mesma coisa e eu preciso avaliar e testar cada uma dessas formas para observar o resultado final é diferente de software que por exemplo eu preciso fazer uma impressão de PDF transformar um relatório em PDF achei uma biblioteca funcionou eu não preciso procurar duas toca pau naquela é determinístico funcionou funcionou gerou o pdf aqui não achei um algoritmo para classificar

a imagem hum Talvez eu tenha que testar mais um mais dois porque quando eu mudo o algoritmo ele muda a forma de aprender fez sentido isso para vocês então se ele muda a forma de aprender ele muda o resultado E às vezes eu preciso testar mais de uma forma de fazer aquela mesma coisa então é muita experimentação que a gente tem aqui dentro os projetos de a pessoal são fortemente dependentes de dados tá mostrei aqui mas vamos lá foi tão rapidinho pessoal Hum Qual é a pergunta que vocês acham que um cientista de dados qual

a primeira pergunta que um cientista de dados faz ou alguma pessoa que já sabe lidar com projetos de de a quando chega um cliente para ele e fala eu quero fazer um projeto de a xpto qual é a primeira pergunta que é feita custo e prazo por Flávio tá dizendo Como estão seus dados Opa Quanto custa Onde você deseja chegar quais os dados serão dispon realizados normalmente o cientista de dados ele vai fazer isso aqui ó você tem os dados necessários para projeto Porque sem isso aqui não faz por se as regras são geradas a

partir dos dados e eu não tenho dados como é que ele aprende Então essa é a frase eu brinco né que essa é a pergunta de um profissional de a quando alguém chega a abordar ele com alguma ideia de fazer alguma inteligên Você tem os dados você tem dados suficientes aonde estão teus dados NS vezes o chatbot que a Beatriz comentou lá no início pessoal é um ânsia de ter mas se eu perguntar você tem os dados necessários para fazer isso Ah não a gente tem a política escrita Tá bom mas você tem conversas do

WhatsApp de atendimento você tem registros do teu suporte com perguntas e respostas tem uma base de conhecimento Você tem uma fac você tem e enfim vídeos aonde de Treinamento onde as pessoas explicam Putz não tem entendeu vamos ver aqui o que que dá para fazer daí cria meia dúzia de documento coloca lá para acha que isso vai funcionar não vai funcionar vai ficar esse chatot rim então assim ó a ia pessoal é o combustível e tem uma máxima que diz garbage in garbage out lixo para dentro lixo para fora não importa o tão bom que

seja o teu modelo o teu algoritmo se o teu dados forem lixo o teu resultado vai ser lixo o que comanda que lixo aquilo que eu comentei um projeto dependendo do tipo de projeto se for treinamento a partir do zero se for um pré usando um pré-treinamento esse número diminui um pouco tá mas a partir do zero 70 % é é do do tempo é lidando com dados não é com outra coisa Tá então os dados estão na frente e no centro do desenvolvimento de de a já na engenharia tradicional depende principalmente Da Lógica incorporada

no código dados eu até uso mas não é o meu meu insumo meu insumo são as regras aqui não aqui os dados são o meu insumo Fala Mateus a minha pergunta é procurando entender assim o IMP a dimensão do impacto de projetos usando o ia porque quando você trouxe essa questão de dados e eu já trabalho aí há anos projeto de software mas o tradicional ainda mes usando scr a diferença que eu quero entender é o seguinte hoje nós temos papéis o b aqui an de negócios que é o cara que faz a interface entre

o business e o time de arquitetura transforma ali a visão do Business e tem esse pto quer pegar Pega a visão do Business transforma aquil um requisito que o time de engenharia vai entender vai codificar e vai gerar alguma coisa eh pelo rumo da sua aula eu entendo que a mudança ela vai chegar até o business também porque assim vai ser uma coisa muito mais orientada a dados uhum talvez nem tanto a visão você não vai criar assim um projeto visando um explorar uma no no mercado ou algo assim faz sentido ess meu raciocínio meu

entendimento essa questão assim talvez essa mudança do ia não seja só na parte da engenharia na ti ali o pessoal que desenvolvedor Master muda tudo vai mudar desde a engenharia o papel do bi talvez também se transforme e até relação daí é sim é que a gente muda os alguns papéis aí né então o que que é uma estrutura típica de um projeto um pouquinho maior se for menor a gente vai agrupando esses papéis Tá mas estrutura típica de eu vou falar porque eu não tenho aqui no slide mas estrutura típica é você ter um

data owner que conhece osos dados Então não é um um ba é um data owner que você coloca aí você pode ter um um ai product Manager se for um produto para pensar na estrutura do produto visão e e e tudo mais você tem um engenheiro de dados para cuidar dos pipelines preparação rotulagem limpeza dos dados você tem um cientista de dados para fazer a seleção das features das características escolha de algoritmo e o treinamento efetivamente você tem um um engenheiro de a quando você precisa integrar isso por exemplo um hag ou mesmo fazer essa

integração desses modelos em outros tipos de software e se você for grande o teu modelo tiver eh precisar de muita escala você vai precisar ter um machine learning eh engineer ã um gênero de machine learning para fazer Escala como se fosse um um devops da vida algo nesse sentido responsável por tirar isso da de dentro de casa e levar pro mundo real e um gerente de de projeto um um líder né não necessariamente um gerente de projetos mas um líder de projetos para conduzir essa bagaça toda aí e se ferrar com não mentira é legal

para caramba tá Fica tranquilo é legal e ter bastante prazer com essa dinâmica toda que vocês estão conversando aqui porque de té você não vai morrer e e é muito legal diga esse passagem tá quando você começa a ver o resultado é muito legal tem uma série de coisas para você cuidar mas assim é diferente de gerenciar um projeto de de software que é uma coisa tanto quanto mais assim previsível vocês podem achar que não mas é mais previsível tá sim sim seja curto prazo el acabo previsível e você consegue adaptar as mudanças contexto Mas

como você disse ali H minutos atrás a questão de você pode fazer a mesma pergunta pro che GPT dar Duas respostas diferentes isso eu acho que é muito produtivo e até a indústria mes consegui incorporar isso assim mas eu explico sempre pessoal isso é muito simples de você explicar para as pessoas tá se você me fizer a mesma pergunta nessa aula a minha resposta vai ser x se você fizer essa pergunta numa próxima aula que eu vou estar num outro dia num outro contexto numa outra animação num outro a minha resposta vai ser diferente o

conteúdo em si pode ser o mesmo mas minha resposta nunca vai ser igual porque eu não sou uma máquina determinística Eu sou uma máquina probabilística sa caro a mesma coisa pessoal ficou na dúvida recorre recorre recorre ao teu cérebro tá já tá falhando tudo as coisas eh recorre ao teu cérebro a a maneira como o humano pensa porque você vai encontrar as respostas ali essa dica ela é fenomenal tá ela vai te vai te sair de muita rascada ela pode ser simples Talvez para quem não tá envolvido aí nos projetos dier ah coisinha boba mas

quem já tá usa porque D vai dar muito bom diariamente sabe bem né exatamente isso legal valeu falou Fala Márcia desculpa a gente dizer que os novos projetos eh vão ser baseados nessa necessidade que a própria e vai poder buscar ou vai poder eh trazer como como sugestões de novos projetos e não necessariamente uma demanda do negócio por exemplo isso a ciência de dados pesso por exemplo esquece a inteligência artificial tá porque assim ó uma coisa que tem que tem que também separar bastante e vocês T que ir assimilando Isso que a ciência de dados

é um campo de estudo a inteligência artificial é outra você tem aqui ciência de dados e você tem a inteligência artificial aqui em algum momento essas coisas vão se cruzar Mas eu posso ter um cientista de dados trabalhando só fazendo descoberta a partir de dados exploratório Qual é a diferença de um analista de dados para um cientista de dados o analista de dados tem um objetivo claro vai lá e Analisa para mim a correlação entre faturamento e despesa operacional líquida ele vai lá e faz essa análise monta um bi um cubo o rpart cientista de

dados ele parte do seguinte ele tem um objetivo não uma pergunta preciso descobrir melhor sobre a classificação dos meus clientes eu não sei o que eu vou encontrar é exploratório os dados vão me contar a história muitas vezes o que que a gente tem dentro da Nexa One aqui pessoal quando eu começo a fazer um projeto de Inteligência Artificial que tem dados estruturados ali que é alguma coisa sobre predição de venda ou consumidor análise de consumidor a gente coloca uma etap fazinha antes de falar de Inteligência Artificial que é um pouco da ciência de dados

de descoberta dos dados para extrair insights pro pro paraa de negócio para a partir desses insights a gente entender o que que faz mais sentido a gente automatizar através de uma inteligência artificial Inteligência Artificial é automatização eu não vou automatizar tudo então eu tenho que descobrir às vezes essa descoberta pode vir a partir dos dados e não uma necessidade que um usuário vem e me fala ah eu quero isso quero aquilo tá isso é é mais difícil pro usuário final porque ele nem sabe o que que dá para fazer tá é difícil até pra gente

entender Às vezes o que que a i pode ou não pode pode fazer imagina o usuário que tá lá final ah sistemas de a e exigem melhoria iterativa pensa no eixo vertical performance do modelo e no eixo horizontal o tempo lembra aqui pessoal dessas etapas aqui que eu falei como se fosse Todas aquelas a b CD as etapas que eu faço para gerar um modelo É como se eu tivesse que fazer o seguinte eu vou passar por todas aquelas etapas e eu vou ter uma versão um do modelo aí depois eu passo de novo eu

tenho a versão 1.1 eu passo de novo tenho a versão 1.2 passo de novo tenho verão P TR essa daqui tá suficiente para ir pra produção então ela vai ela vai pra produção às vezes eu rodo esse ciclo várias vezes é meio que espiral isso tá então em projetos de a você testa você desenvolve testa justa valida e em seguida reitera esse processo até atingir um nível satisfatório de desempenho e aí a gente tem métricas aqui a gente tem coisas como curva de aprendizado tem métricas de de de de de de avaliação disso F1 score

por exemplo métricas de sensibilidade tá se o processo interativo é inerente o desenvolvimento de a e e e contrasta com a abordagem mais linear do desenvolvimento software tradicional software tradicional é mais linear tá porque eu consigo quebrar ele uma funcionalidade uma história de usuário e fazer ela se mover numa linha do tempo da esquerda paraa direita faz sentido isso para vocês eu não volto para fazer a mesma história de usuário de novo ou volto uma vez ela pronta ela tá pronta só vou fazer de novo se ela tiver erro mas uma vez que eu corrigi

o erro e falei o que ela tá fazendo é o que o meu usuário quer que ela faça eu não faço ela de novo o modelo eu faço porque eu quero melhorar a performance dele eu quero fazer com que ele performe cada vez melhor que ele seja cada vez mais inteligente por fim os sistemas de a devem ser monitorados eu sempre preciso atualizar os modelos com o tempo se eu não atualizar o modelo a qualidade dele cai chama-se isso é um efeito que a gente chama de data drift o modelo vai ficando pior por pensa

o seguinte eu fiz uma I para reconhecer carro eu esse modelo de A até agora até e Setembro setembro de Setembro né Acabei de liberar o modelo de a que reconhece carro daqui um ano ele vai conseguir reconhecer a mesma quantidade de carro que ele conhecia que ele reconhece hoje não por quê Porque vai ser uma enxurrada de modelos e novas marcas que vem mesma coisa dados o comportamento dos dados vai dizer muito sobre essa questão de monitorar então eu ten que monitorar e atualizar monitorar atualizar monitorar atualizar retreinar esses modelos então um ato contínuo

Nunca Termina tá não é que nem funcionalidade software tradicional que eu entreguei acabou aqui não tem isso cada modelo que eu faço eu tenho que monitorar esses modelos então se a gente for olhar pessoal e a não é sobre desenvolvimento tradicional né O código é apenas uma parte e se você gerenciar os seus projetos como um gerenci projeto de software vai descobrir da pior maneira que isso não vai funcionar então o critério de sucesso muda a qualidade muda a ferramenta muda a as equipes mudam o progresso de desenvolvimento muda a forma como eu dou prazo

muda a explicabilidade do modelo muda Tá muda drasticamente a ponto de dizer PES eu não sei fazer mais nada não mas é aquele negócio muda uma coisinha aqui muda uma coisinha lá muda esse no aqui e aí quando você pega essas várias coisinhas você diz Putz o conjunto dessas várias coisinhas faz esse negócio ficar diferente mas não significa que é jogo tudo que eu sei fora e tenho que começar de novo eu simplesmente tenho que entender um pouquinho mais qual que é como que como que eu funciono essa essa forma tá o Marcos tá dizendo

Vai Além de pensar em Lead time é necessário sair dessa caixa para projetos com ia legal é saber o percentual de acertividade no tempo faz sentido isso exatamente tá você vai muito por objetivos tem maneiras de quebrar esse escopo sim mas a gente trabalha muito aqui já adiantando um pouquinho baseado em hipóteses eu defino as minhas hipóteses e gerencio uma hipótese do meu modelo e quando eu termino aquela hipótese eu começo uma nova hipótese e começa uma nova hipótese Então o que basicamente flui no meu fluxo não é o modelo são hipóteses de geração desse

modelo são questionamentos são histórias de usuário de dados é outro bichinho ali que que gira tá porque no nível do desenvolvimento do modelo o que que é o modelo é uma tarefa que o humano faz e que agora eu quero automatizar esse nível é o que de fato gera valor pro usuário final e que se a gente for pegar o que a metodologia os métodos ágeis preconizam é esse o meu escopo de gestão que deveria ser como por exemplo uma história de usuário de um cadastro de cliente isso gera valor quando eu entrego é entregável

é utilizável no caso da ia o que que é utilizável uma tarefa de predição certo vai fazer a predição de ã uma classificação se é o e-mail é spam ou não é spam isso que tem valor mas para eu conseguir gerar esse modelo a ponto de entregar pro usuário às vezes eu passo semanas ou meses trabalhando neste mesmo modelo e que se eu levar ele como sendo meu objeto ele ele vai e volta no meu fluxo várias vezes ele vai demorar ou qual a etapa que ele tá não sei ele pode estar em treinamento depois

ele vai est em preparação de dados aí ele vai pro treinamento de novo volta para preparação de dados o tempo de ciclo dele pode ser uma semana mas pode ser qu 4 meses faz sentido então fica muito muito granular então o que que normalmente a gente faz a gente pega quebra o objetivo maior em tarefas de predição e abaixo dessa tarefa de predição a gente cria as hipóteses e aí A gestão é baseada nas hipóteses Ok e cada hipótese me gera um aprendizado e a gente fica muito ligado a gestão muito baseada nisso em aprendizados

que foram foram e gerados eu estou dizendo esses dias eu vi um produto de R 30.000 que era só duas câmeras com WiFi que film O passando num corredor e com base na ia comparativa mensura o peso de cada touro com radar de trânsito incrível é isso aí ehs tem casos aqui de Drone para fazer contagem de gado porque quando só uma historinha rápida assim quando você tá trabalhando com agricultura de alta performance o gado Normalmente eles evitam o máximo que o gado ande porque o andar faz ele perder peso 100 g de 15.000 cabeças

de gado faz a conta de qual é o prejuízo então eles deixam de piquetes bem pequenos e só movimenta o gado na vacina em casos muito específicos Só que tem um problema muito grande de roubo E aí hoje para contar o gado tem que ser aquela Sabe aquela orelhinha aquela brinquinho que eles botam na Orelha do Gado não sei se você já viram ali tem um rfid só que só conta o rfid quando ele passa pro Piquete só que aí movimenta o gado perde peso então foi feito um drone sobrevoa faz a contagem do Gado

ali e o gado pode ficar nesse nesse ponto tá bom ciclo de vida aí de projetos de de a aqui eu eu vou fazer um um um um pouco mais rápido pessoal porque a gente já falou bastante sobre isso mas eu preciso que vocês entendam basicamente o seguinte quando você tá fazendo qualquer tipo de projeto sempre vai ter dois tipos de workflow um é workflow que vai desenvolver a parte da engenharia e outra parte de gestão não confundam as duas coisas então eu tenho um workflow para projeto de a que é a atividade que eu

faço para des envolver o modelo se eu tivesse falando de desenvolvimento do software tradicional aqui eu estaria fazendo tá falando assim de análise desenvolvimento testes e entrega se eu tivesse lá na engenharia civil seria vou fazer o projeto vou fazer a estrutura o fundamento a estrutura levantar tijolo rebocar pintar entregar são as atividades de construção efetivamente e tem um Framework de gestão que cuida sobre como eu organizo ess Essas atividades e dentro do Framework de gestão eu posso organizar Essas atividades de uma forma Cascata linear eh ágil espiral Seja lá o que for tá então

por exemplo o scrum é um Framework de Gestão na verdade ele não é um Framework de de construção o canan tá muito mais relacionado com o Framework de gestão do que construção porque ele não fala como é para você construir as coisas ele te diz como gerenciar e como organizar Essas atividades quando a gente fala desse orquiflora tudo que tem hoje no mercado é derivado quase todos é derivado de um workflow de ciência de dados que é o crisp DM depois vocês podem procurar tá o crisp DM ele é um workflow para ciência de dados

para esse negócio aqui ó para esse campo aqui ó tá não é específico para desenvolvimento de projetos de Inteligência Artificial mas como um projeto de inteligência icial normalmente tem muito de ciência de dados muitas equipes se baseiam nele como sendo seu instrumento para gerenciar ou como ciclo de vida de um de de né o eh da parte de criação dessa Inteligência Artificial 50% dos times de ciências de dados usam um crisp dm e aí tem mais alternativas aqui outros conhecidos depois vocês podem procurar aí na na internet tá o que que a gente fez aqui

na na Nexa One pessoal a gente criou um ciclo Nós criamos um um método para fazer isso que consome bastante também do crisp DM mas ajustado para projetos de a se você for fazer um curso de crisp DM você vai aprender ciência de dados Como gerenciar um projeto de ciência de dados não de Inteligência Artificial então a gente pegou esse conhecimento e agregou atividades e dinâmicas próprias ou propícias da Inteligência Artificial tá E isso tem um símbolo de infinito porque é isso mesmo que a gente quer representar lembra que o modelo tem o dat drift

que ele precisa ser atualizado constantemente a mesma coisa aqui tá Então você tem uma ideação de produto entendimento de negócio entendimento de dados preparação desenvolvimento do modelo avaliação publicação operação e a coisa continua de novo não para aqui tem tem uma questão que cada cor dessa daqui ela como se ela tivesse iterações dentro dela mesma tá ou seja tudo que é negócio eu vou ter iterações dentro dele tudo que é desenvolvimento de modelo eu vou ter iterações ali tudo que que é publicação do modelo eu vou ter iterações ali dentro e cada iteração dessa tem

uma velocidade diferente eu posso fazer por exemplo cinco ciclos de desenvolvimento de modelo e uma de negócio na sexta que eu fiz desenvolvimento de modelo eu vejo que eu tenho que voltar para ajustar algo do do negócio pelo vai e vem das coisas que a gente conversou sobre a questão de probabilidade Tá mas basicamente assim só para dar uma visão bem Rápida desse ciclo aqui para vocês tá pensando num sistema de recomendação de de de compras né baseado em a lá paraa Amazon o entendimento do negócio eu o entendimento disso né eu tenho que melhorar

a precisão das recomendações de produto e assim melhorar a experiência de compra do usuário aqui onde a gente entende o problema e define as metas essa etapa para fazer isso tá entendimento dos dados é eu tenho eu coleto esses dados eu tenho esses dados na mão aonde eles estão tão disponíveis fazem sentido para aquilo que eu quero resolver preparação de dados toda a parte de limpeza seleção rotulagem criar pipelines para alimentar treinamento modelo fazer inferência acontece dentro dessa etapa desenvolvimento do modelo aqui é o treinamento efetivamente tá se for utilizar um modelo pré-treino é aqui

que eu desenvolvo o haag por exemplo tá então aqui eu uso um ou mais modelos e vou treinando isso a avaliação do modelo é onde o modelo é testado é avaliado para ver se eu preciso girar mais uma vez esse ciclo ou se tá bom da forma que tá se ele atingiu o nível esperado definido aqui para o negócio e aí a gente tem as métricas para isso publicação do modelo assim que o modelo de recomendação atinge a referência de desempenho que a gente quer a gente coloca lá na plataforma da Amazon por exemplo tá

E aí na operação é a medida que o comportamento e as preferências dos usuários evoluem com o tempo eu tenho que retreinar esse modelo fazer aquele refresh que eu comentei basicamente isso aqui pessoal é o ciclo de vida de um projeto de a de atividades mesmo o que que vai definir se isso aqui é ágil tradicional linear a maneira como eu vou encadear essas tarefas igualzinho o desenvolvimento do software o que que muda de um desenvolvimento software tradicional para ágil basicamente sendo bastante simplista mas é a maneira como eu encadeia Essas atividades lá no tradicional

eu quero fazer por fases no ágil eu pego um pedacinho do meu Esopo e levo ele até o final mas eu tenho que analisar Igual nos dois eu tenho que codificar Igual nos dois eu tenho que testar Igual nos dois eu tenho que homologar Igual nos dois eu tenho que publicar Igual nos dois faz sentido não muda atividade atividade é a mesma o que muda é a forma como eu executo a mesma coisa aqui isso aqui independe do modelo que você utilizar Essas atividades vão ter que acontecer você vai precisar compreender como Essas atividades acontecem

tá então entendimento dos dados veja não não tem análise de sistemas aqui não tem análise de negócio é outro bichinho que a gente faz aqui dentro desse desses desses caminhos tá E aí a gente vem pro Framework de gestão que é como eu encade Essas atividades tá aí a pergunta de alguém eh que alguém trouxe né anteriormente ali a o Waterfall né funciona cara Definitivamente não tá é abordagem é muito rígida muito lenta risco muito a de construir um modelo errado exige que iips prevejam grandes obstáculos não dá certo não responde rapidamente às mudanças Ok

você precisa de um ciclo mais rápido para fazer isso pensar que você vai fazer uma etapa e depois você nunca mais volta vai voltar para aquela etapa Definitivamente não é o caso não vai funcionar dessa maneira para um projeto de A tá aqui que tem um pouquinho de complexidade Eu acho que isso aqui não preciso não vou me ater muito isso mas um projeto de a ele tá aqui cara ele precisa de práticas emergentes tá desenvolvimento de software tradicional ao contrário do que muitos imagina muitos imaginam ele transita aqui ó ele tem um pouco de

complexo sim mas muito do que você faz de projeto ele tá no complicado inclusive por isso que você consegue utilizar uma gestão de fluxo linear para gerenciar o teu projeto quem usa o camb aí por exemplo a gente precisa de uma abordagem interativa incremental muito além de um um método eh cascata tá por você precisa de muito feedback cara muito feedback você precisa pensar grande saber onde que você quer começa pequena e repita isso várias vezes e O interessante é que pergunta para vocês no desenvolvimento do software tradicional Quem que te dá o feedback quem

normalmente dá o feedback para vocês pi cliente pareceu muito cliente certo agora no projeto de a quem que dá o maior feedback para você os dados galera então quanto mais rápido eu iterar mas eu vou saber que eu preciso alterar o dado ajustar tá ali os dados me dão muito feedback nesse tipo de projeto Então tudo aquilo que for mais iterativo ponto é bom é ótimo Tá e aí que entra o nosso amiguinho ágil pra gente fazer em projetos de A então implementando o AJ em projetos de a primeiro pessoal usar o adj aqui faz

todo sentido eu sempre brinco assim cara você você é top em metodologia ágil Você é em coisa ágil tô você tá com dificuldade de recolocação tô Qual é o jeito mais fácil de você ocupar e todo esse conhecimento que você teve e com conseguir para uma função que é uma agregação que você não precisa jogar nada fora do que você aprendeu projeto de a você pega um gerente tradicional rígido e coloca ele para gerenciar projeto de a ele fica louco gente ele não consegue tá agora o cara que tem adaptação na veia que ele sabe

lidar com com essas incertezas que ele entende o valor baseado né as coisas baseadas em valor esse cara é o cara que vai conseguir melhor gerenciar esse tipo de projeto Então abre na minha visão abre novas oportunidades tá em tempos aonde o mercado por exemplo não tem contratado is pr Master para ser cerimonialista da equipe né nunca era para ter sido mas vocês entendem né quem é da da área já entende essa Jogada é uma bela oportunidade para você ocupar esse teu conhecimento e se posicionar de uma maneira diferente se posicionar tipo sou pô consigo

fazer esse projeto aqui girar então tem muita coisa legal que a gente aproveita então abrace os princípios ágeis combinados com as práticas ágeis tá então quem não não não não tá Atento is aqui eh lê lá O Manifesto ágil tá vai lá dentro da da da da página lá k venice.com.br compra meu curso de scrum já devo fazer um Jabá aqui vai lá e aprende um pouco sobre agilidade é scrum mas vai aprender sobre agilidade você vai conseguir gerenciar muito melhor esse tipo de projeto se você tiver essa essa pegada tá eh não precisa conhecer

scrum não precisa fazer o curso eu tô brincando né mas assim essa pegada de de conseguir pensar em valor né de de comunicação rápida ali com com a equipe baseado em entregas e não em atividades menos cronograma mais objetivo outra coisa Construa um modelo ou uma abordagem sobre esses princípios opções comuns inclui Scan que devem ser personalizadas para sua equipe específica não vai funcionar rodar igual tá já vou mostrar por mas não vai conseguir agora que é um bom princípio para você organizar Essas atividades sim é tá só que você sempre vai ter que combinar

o ciclo de vida de um projeto de a que não é o mesmo desenvolvimento software não é análise de sistemas negócio sistema vocês já entenderam isso certo lá é entendimento de negócio entendimento dos dados preparação de dados desenvolvimento de modelo você tem que combinar esse esse ciclo de vida novo com a estrutura de um de um modelo ágil que você também vai precisar adaptar porque por exemplo o conceito de sprints iterações baseadas em tempo não vai rolar você vai ter muita dificuldade com isso adote equipes multifuncionais então isso vem da agilidade que é legal cria

equipes de AD diversas com membros coletivamente compreendo uma holística Então você vai ter cientista de dados engenheiro de dados engenheiro de a coloa essa galera para conversar para trabalhar aquelas rotinas de colaboração são fundamentais Trabalhe com a ideia de construir uma ia mínima viável então toda aquela abordagem de quebrar né Eu não quero um modelo perfeito da primeira vez eu quero que seja um modelo de a que já esteja rodando aquele ciclo que eu mostrei há pouco da do gráfico que vou gerando modelo 1 1.1 1.2 1.3 tá essa ideia tem essa mentalidade ela é

muito válida melhore o seu modelo gradativamente né dificilmente o teu primeiro modelo vai ser um modelo ótimo e não é não diz respeito à equipe e à qualidade é um processo experimental e de aprendizagem também para pra equipe inspecione e adapte sempre mas o ágil não é o bom bastante para isso você vai ter que incorporar entenda o que eu tô falando não tô criticando aqui tá tá tô dizendo você tem que incorporar coisas a mais por quê primeira coisa O que que significa iteração em um projeto de a se é o meu modelo que

eu quero entregar eu vou fazer uma iteração de 15 dias vou conseguir entregar um modelo é como se o meu modelo fosse algo assim fosse só para vocês entenderem talvez a analogia de granularidade tá o modelo fosse o módulo do teu produto em termos de tamanho de complexidade saca que que é essa iteração pô eu vou usar uma Sprint né prepara e a a Sprint tem que entregar um incremento potencialmente liberável mas tem coisa que eu vou ficar 15 dias só preparando os dados então cuidado com esse conceito tá normalmente normalmente interação por Time Box

não vai funcionar lembre-se as funcionalidades permanecem as mesmas enquanto os dados e os algoritmos mudam a funcionalidade é o modelo que você é a tarefa preditiva que você quer gerar eu quero gerar um modelo que detecta fraude numa transação bancária é isso Você vai trabalhar 3 4 meses nessa neste modelo não vai mudar É como se você tivesse trabalhando a mesma história de usuário todo esse tempo preparação dos dados entendimento como é que eu Gero isso em sprints de novo se 70% do meu tempo é preparando dados ou trabalhando com dados como é que eu

faço uma Sprint para passar um ciclo inteiro desse não vai rolar Qual o conceito de item de valor que flui ao longo do trabalho pensando num modelo de de kamban o que que é o fluxo porque quando a gente faz pensa no método campan o que flui no fluxo do método campan é é um item de valor é a menor granularidade de um item de valor uma história de usuário uma entrega que faça sentido para usuário o que faz sentido pro usuário aqui é uma versão do modelo ou o modelo só que esse negócio aqui

vai e volta não tem aquele negócio de comprometimento que eu me casei com a demanda agora não volta no fluxo agora não sei o quê às vezes inclusive ele pode estar em mais de uma de uma atividade mais de um uma etapa dessa ao mesmo tempo como delimitar um fluxo de trabalho que provavelmente vai ser diferente de projeto a projeto pensando numa lha numa estruturação de um método campan Então não é que você não pode pensar em fluxo em gestão de fluxo Mas aquela ideia fixa de vou gerar uma visualização que é um quadro que

vai ter as etapas e daí vai o meu trabalho vai fluir dessa etapa e vai ser sempre igual não vai rolar o que fazer sobre treinamento e retreinamento dos modelos como é que eu penso nisso né como é que eu me organizo para isso então a gente precisa evoluir essa abordagem para uma perspectiva mais de dados primeiro data first aqui dentro da da nex One pessoal a gente colocou uma camada externa a essa a esse fluxo de do modelo de a que envolve refinamento planejamento coordenação e revisão tem interação tem mas é uma interação um

pouquinho diferente é uma é é uma iteração baseado no tempo que você demora para fazer atividade e não em tempo fixo e esse Framework de coordenação ele se parece com que você tá vendo aí com uma ideia de ciclo também e tal beleza mas basicamente o seguinte você pega o teu backlog tá de de itens e você orienta o teu backlog por duas coisas principais pelo objetivo de negócio e pelas tarefas de predição tarefa de predição é o que é o modelo que você quer criar ou uma parte do modelo que você quer criar tá

tá então se eu quero fazer por exemplo um modelo que me ajuda a a fazer eh reduzir o ch doss meus clientes eu vou ter uma tarefa de predição para dizer qual é a probabilidade de um cliente cancelar e outra tarefa de predição para dizer qual que é o valor desse cliente na linha do tempo e aí eu junto esses dois resultados para tomar alguma atitude Então são duas tarefas de predição que estão abaixo de mesmo objetivo aí para cada tarefa de predição eu crio uma data user Story eu crio uma user Story ou eu

crio uma hipótese por exemplo a minha hipótese é que se eu Izar o algoritmo xpto com os seguintes dados eu vou ter um bom modelo então você gera isso você faz isso é essa hipótese que vai rodar no teu fluxo E aí você vê o resultado você vai aprender volta e com base naquele aprendizado gera uma segunda hipótese saô eh então você pode também ter eu não coloquei aqui mas um simplesmente um questionamento bom será que existe relação entre clientes entre os clientes que cancelam e o quanto que eles gastam por mês comigo eu não

sei talvez é interessante a gente descobrir isso para produzir um modelo melhor E aí você roda um questionamento só que perceba que quando eu faço um questionamento é diferente do que quando eu falo de desenvolvimento de um modelo Ou treinamento de modelo o fluxo é diferente não é o mesmo fluxo muitas vezes para responder esse esse questionamento eu vou executar uma ou duas atividades de daquele ciclo infinito que eu mostrei para vocês mas não todos Então dependendo do que você vai fazer ele pode executar todas as etapas pode passar por todas as etapas ou apenas

uma ou duas talvez você vai ter ali Um item do teu backlog que é preparação de dados que tem a cara de uma tarefa não de um corte vertical daquilo que você tá entregando mas simplesmente uma tarefa chamada rotular dados que vai te tomar 15 20 60 dias só para rotular dados obviamente dá para quebrar sim aí vem o pensamento do MVP qual é o mínimo viável para eu conseguir gerar um modelo inicial em termos de dados em termos de preparação de dados seleção de features tamanho do conjunto de dados aí eu começo a botar

a cabeça no para funcionar para gerar esse ciclos interativos obviamente tudo isso é priorizado E aí você faz um planejamento dessa iteração tá essa iteração basicamente ela é pegar uma hipótese e quebrar em atividades eu quebro em atividades porque o fluxo que eu vou ter que fazer vai ser baseado nas atividades como que eu crio Essas atividades baseado no meu Framework de desenvolvimento da ia Ok e basicamente a gente quebra em três tipos de atividade atividade de build measure e learn Eu sempre quero ter essas três atividades para cada um dos itens do backlog do

produto Ou seja eu sempre quero construir o que eu preciso construir que tá lá no meu backlog mas eu quero saber como é que eu vou medir e como é que eu vou aprender a a partir daquele resultado porque se for um item de questionamento a minha saída o valor que eu Gero é um aprendizado porque o próximo ciclo que eu vou fazer eu vou usar esse aprendizado para ser mais assertivo tá E aí a gente até usa um conceito meio que de iteração Mas é uma iteração baseada em item cada iteração tem um item

de trabalho eu posso ter múltiplas iterações ao mesmo tempo e cada iteração tem um conjunto de tarefas de build measured learn Build build measure learn Ok E aí vai depender da equipe da quantidade de equipe que eu tenho para trabalhar com isso e ao final de cada iteração eu tenho uma um produto de interação que pode ser um modelo dados ou informação representada em conhecimento não é só incremento de software e a partir disso eu posso fazer uma revisão posso fazer uma retrospectiva normalmente a gente desacopla isso da iteração porque é comum que no início

do projeto você tenha várias iterações ou no início do projeto Você tem uma interação ao mesmo tempo indo Quando mais você vai evoluindo você vai abrindo mais interações para testar mais modelos e diferentes modelos então fica mais difícil você querer colocar uma interação uma revisão ou uma retrospectiva atrás de cada iteração dessa tá a gente faz isso de uma forma um pouquinho diferente e desacopla E aí faz por como se fosse um um método campan lá faz por frequência né ou sob demanda que você acha que você precisa precisa fazer eh esse ciclo pessoal eh

depois não dá para apresentar tudo aqui a gente já tá quase eh acabando o tempo aqui mas Hã o ciclo o fluxo de funcionamento disso como você vai executar as atividades vai ser muito mais baseado no conjunto de tarefas que você criar para atender aquele item e cada item do teu backlog pode ter um conjunto diferente de atividades caro é assim que talvez surjam coisas melhores pessoal tá talvez surjam coisas melhores daqui pra frente mas eu não vi ainda nenhum modelo melhor do que esse aqui sendo executado por alguém e você pode procurar os modelos

que T eh existentes né tem tem tem algumas coisas no no no mercado mas ou falta um pedaço aqui ou falta um pedaço lá ou um pouquinho aqui um pouquinho a colar então a gente tá num processo também de descoberta disso e talvez pode ser que daqui a pouco surjam coisas e melhores né ou coisas e vai ser vai vai ser uma evolução Com certeza tá quanto mais gente fazer mais gente vai conhecendo e aprendendo a fazer dessa a fazer isso e talvez daqui alguma forma daqui a pouco as pessoas consigam encontrar alguma maneira melhor

mas por exemplo essa ideia de pegar uma Business goal e transformar em um prediction tasks e abaixo colocar hipóteses eu não vi em lugar nenhum foram coisas que a gente foi aprendendo e testando e vendo o funcionamento disso rodando aqui então assim ó linhas Gerais O que que vocês precisam tomar cuidado pessoal comint com com a dinâmica se você for usar sprun cuidado com a dinâmica tá não se prendam ao SPR guide por exemplo ao final de cada interação tem que rodar Sprint review retrospectiva da Sprint tamanho fixo de Sprint uma Sprint por vez sabe

a forma como você fatia os itens Pode ser que você vai ter que executar uma parte de uma etapa por exemplo preparação de dados não é um item de valor que eu vou entregar é só uma atividade Então tem que ter essa flexibilidade se você pensar no método C cuidado com a ideia de eu ter o mesmo fluxo para tudo de eu ter que rodar Um item de valor de eu ter que ficar medindo cycle time gráfico de dispersão do cycle time porque vai variar muito e quanto mais inovação for do teu projeto mais variação

vai ter é inerente se você tentar fazer tudo virar padrão você matou com a Inovação por isso que o projeto software sempre tem variação porque sempre vai ter alguma inovação ali no meio só não tem variação onde não tem inovação quanto mais inovação mais variação tem então fiquem atento a esse tipo de de de pegada dos métodos ágeis Fala Mateus é com base na sua experiência Você já consegue prever alguma ferramenta e querendo ou não amando ou não gira que acaba sendo a ferramenta mais usada no mercado para né metodologias í campan e tal eh

Com base no que é praticado hoje você já consegue assim especular algum dá para usar dá dá dá para usar eh se você configurar lá o gira com um esquema de scrum você consegue adaptar algumas coisas lá com ele eu acho que você vai ter dificuldade um pouco com múltiplas interações eu não sei se o Gira permite múltiplas interações e com tamanhos diferentes tá eu não sei de te dizer isso mas dá para adaptar algumas coisas aqui na nex One a gente não precisa usar isso porque nós somos uma empresa pequena então a gente tem

um eu desenho um board a gente usa um board lá no Miro entu e é o suficiente a gente atualiza na mão como dos tempos áureos e saudosos e Magníficos do trabalho presencial entendeu Eu sei que vocês não gostam porque vocês têm que se deslocar mas assim entre trabalho remoto e presencial eu tá Não tô dizendo todos os outros benefícios eu acho que as pessoas conseguem colaborar melhor no presencial no sentido de quando é esse tipo de projeto aqui tá há uma colaboração melhor quando ele é presencial então a gente simula isso mas a gente

não faz a gente faz remoto tá cientista de dados hoje que é o líder que trabalha comigo mora no interior de Minas você ter uma ideia então a gente se vira com o que a gente tem pessoal assim ó a aula tá finaliz e eu vou fazer um convite para vocês Então pessoal assim ó gerenciar projetos já extremamente desafiadores e de conhecimentos e habilidades específicos Eu acho que isso já ficou Claro aqui para vocês uma coisa que eu sempre falo para todo mundo é que as oportunidades fluem para onde está a atenção das empresas e

a é atenção né todas as empresas estão fazendo Ya o problema é que muitas empresas não sabem nem por onde começar querem mas não sabem por onde começar essa aula que vocês tiveram aqui pessoal eh se ela fosse disseminada ou não a aula que eu não quero ser pretencioso desse ponto mas o conhecimento vocês tiverem aqui se todo mundo dentro da organização de vocês estivesse pelo menos a liderança você ia perceber que o uso e a adoção da i é muito mais facilitado falando no geral Lógico que tem empresas que estão muito bem assessoradas mas

são poucas ainda tá então eh só para vocês terem uma ideia 66% dos líderes empresariais dizem que não contratariam profissionais sem habilidades de ia ou seja eh iat tem tá se tornado um Skill né e 71 dos executiv preferem candid eh contratar candidatos menos experientes mas que possuam essas competências porque sabe que se se tivesse essa competência ele vai conseguir automatizar perceber desperdício e aprender de uma forma muito mais rápida né 89% do do do dos executivos ranquei a ia como uma das suas três principais prioridades para 2024 Em contrapartida 66% são totalmente insatisfeitos com

as suas próprias iniciativas e as principais razões falta de talento não tá claro como fazer e não tem uma estratégia de a é responsável tá até 2027 vão crescer o o ai software desenvolvimento desses softwares vai crescer na média de 20% movimentando quase 300 Bilhões de Dólares como eu falei vai ser difícil alguma empresa não ter uma iniciativa de Inteligência Artificial dentro do seu produto e serviço é vai ser muito difícil ela vai ficar para trás ela não vai conseguir competir mais tá E aí vem aqui questão como é que eu posso dar um próximo

passo eu tenho um treinamento completo chamado ai Project Leader certified AIC cpl é o único treinamento no Brasil que eu conheço e eu pesquiso se alguém Algum dia me apresentar outro eu tiro isso mas eu não conheço nenhum outro treinamento que prepara líderes de projeto para esse tipo de projeto a gente já executou duas turmas tá aí ão alguns feedbacks da turma 1 a turma do acabou eu acabei nem atualizando esses feedbacks ainda aqui mas tem lá no meu link tem posts lá com os feedbacks diretamente lá do post eu sou meio ruim do marketing

mas no final da aula normalmente as pessoas dão um depoimento teve uma pessoa da última turma que diz assim cara esse treinamento aqui me ajudou mais do que a minha pós-graduação então é um treinamento que é para dominar todo o ciclo de vida e gestão de projetos de a é o ciclo do infinito mais o que tá Por volta dele esse último Framework de gestão lá a gente vai com profundidade tá então tem o módulo de fundamentos da Inteligência Artificial pra gente nivelar Inteligência Artificial aplicada que eu mostro de aplicações e os sete padrões como

é que eu aplico isso fundamentos da gestão de projeto de a um pouco mais aprofundado do que a gente teve aqui e aí cada uma das etapas entendimento entendendo o negócio e os dados que é aquela partezinha Verde daquele Framework desenvolvendo o modelo desenvolvendo avaliando treinando a parte de operação do modelo publicação e operação e a parte de todo o ciclo de vida de gestão desse projeto de a tendo essa pegada pegada ágil tá eu tenho uma turma três tá de pré-lançamento que são 15 horas de vai acontecer do dia 2 ao dia 6 de

dezembro tem 15 horas de Treinamento ao vivo gravações disponíveis por 12 meses eu recomendo que você venha ao vivo mas se você não puder ou depois mesmo você veio ao vivo quiser revisar vai ficar disponível por 12 meses um grupo exclusivo de profissionais com acesso ao WhatsApp duas Master tem mais já lá tá mais duas masterc editadas com material de apoio essa daqui inclusive vai ficar lá dentro também só o tempo do de a gente editar tem um curso de 5 horas gravado sobre gestão de produtos Deia não é a tarefa principal de vocês mas

interessante vocês conhecerem um pouquinho sobre gestão de produto e material didático cuidadosamente preparado tá do nível que vocês viram aqui então eu sempre peço um slide que seja visual sempre tentando trazer elementos para quem é mais visual para que compreenda melhor o o treinamento Essa é a oferta de pré-lançamento esse treinamento ele tem um investimento eh padrão de r$ 1800 R 799 para não dizer r800 tá tem essas características eh todas aí e mais para perto do da data do treinamento ele vai ficando assim mais caro tá então tem tem pessoas que da última turma

isso é totalmente transparente né Elas Vai vendo que vai ficando mais caro tem pessoas que pagaram R 1.600$ 1.700 para estar na última turma porque Entraram na última hora e quiseram entrar na última na última hora Tá qual que é a oferta atual de pré-lançamento Eu tenho oito vagas Até porque eu já tinha anunciado esse esse pré-lançamento eu faço por tempo então virando agora o mês dia 30 termina o lote de de o prazo do lote de pré-lançamento e entra no lote de lançamento não é muito mais caro mas vai aumentar uns 88% aí tá

então eu tenho oito vagas nesse nesse lote tem 33% de de desconto 12 vezes de 120 nesse nesse você tem um O jurinhos Ali da per de créo ou 1197 à vista tá eu tenho ainda essas oito vagas vai ficar aberto essa oportunidade aqui até eu vender essas oito vagas ou até no dia 30/09 o que se esgotar eh primeiro tá que você esgotar primeiro esse se você tiver se você ficou com vontade de participar do treinamento full completo vai ser a melhor oportunidade tá como eu comentei depois quando entra no lote no no no

próximo lote não aumenta radicalmente Mas vai ter um acréscimo de valor então se você tem vontade de participar esse aqui vai ser a melhor oportunidade alguém tem alguma dúvida eu falar um pouquinho mais do do treinamento Mas alguém tem alguma dúvida seja do conteúdo ou do próprio treinamento eu tenho eu quer Alé pode falar Luan a dúvida é assim eh esse curso que você tá fazendo eh eu eu não tenho certeza mas eu já vi que você deu deu curso também sobre product ar aham esse que você esse agora aqui para uma pessoa que tá

focada mais na carreira de eh product Manager para ai vai esse foco de Business owner seria esse o curso também ou você fornece um outro curso que fazia mais sentido não aí faz mais sentido o de gerente de produto de a que é o ai product Manager aí também eu tenho inscrições abertas que vai acontecer no final de Outubro tá eluan E aí você pode entrar lá no pode entrar lá no site tem lá treinamentos Inteligência Artificial ai product Manager tá eu uma olhada então obrigada Beleza a gente passa pessoal por todos os as nuances

desse tipo de de projeto tá então vocês saem com com competência plena para fazer toda uma gestão de cabo a rabo desse tipo de de projeto di como você precifica a Project para uma proposta para um cliente aqui Cláudio a gente faz o seguinte primeiro quando é alguma coisa nova que a gente nunca fez o primeiro passo sempre é a gente pegar uma amostra de dados para conhecer um pouquinho os dados do cliente e depois a gente vende um MVP tá um período curto e dentro desse MVP a gente trabalha para gerar um modelo inicial

para entender Qual que é a dificuldade disso e depois a gente vende o projeto completo então sempre em duas etapas aqui Ah Renata curso serve para quem é da de administração sem ter experiência em ti tem que ter experiência em gerenciamento de projetos de tecnologia tá senão você não vai conseguir acompanhar Então tem que ter esse background ou você foi analista de sistemas analista de negócio gerente de projeto de Master Coach tem que ter ess um pouco desse envolvimento que senão é provável que você se sinta um pouco perdida talvez não é não é impossível

mas eu recomendo que você faa isso tá pesso a gente passa só Relembrando aqui a gente faz passa por todo o ciclo de gestão desse tipo de de de projeto tá desde a concepção desse projeto desde o entendimento do negócio até a parte da entrega obviamente que existem ali um entendimento técnico Ah até no nível de você conseguir liderar as atividades porque muitas atividades dessas são feitas pela equipe técnica Ok mas é importante que você saiba as atividades que acontecem ali no meio para que você consiga gerenciar então por exemplo quando eu falo lá da

parte de treinar o modelo de selecionar o algoritmo não é o líder de projeto que vai selecionar o algoritmo tipicamente é o cientista de dados beleza mas você tem que entender que isso é feito para poder gerenciar essa atividade fazer as perguntas certas entender o que acontece questionar né Para que você possa fazer uma boa gestão então a gente passa por isso pode falar Marcia aqui no celular eh eh eu na na no curso que você deu anterior eu comprei o o produt Manager para pro final de Outubro tá eh assim eu tô muito interessada

no tema como um todo eu sou eu sou de uma área assim atuo como como gerente de projeto Em algumas situações mas eu eu até então tive um desempenho muito maior em governança e processos de gerenciamento aham e assim vocês têm alguma algum pacote de cursos porque assim eu tô com três cursos dois uns que eu vou fazer a semana que vem que eu fiz na primeira semana desse mês e eu vou fazer o teu no final de Outubro eh e fiquei muito interessada nesse agora para pra primeira semana de dezembro mas vai ser tante

aí assim Márcia sendo bem sincero com você o que eh quando tem esses dois quando você quer comprar os dois isso válida para quem já comprou também quando pedem eh o desconto que a gente consegue fornecer é ris óleo assim não não vai ser isso que vai fazer você comprar Entendeu o que a gente o que a gente tá implementando para esses casos Eu ainda não tenho mas a gente tá implementando E deve sair esse mês e vai ser retroativo é um cashback provavelmente vai ser um cashback de 88% em cima de todos os treinamentos

que você já fez ou que você vai fazer tá E aí esse cashback você pode utilizar para compra de de de treinamentos futuros Tá mas eu ainda não tenho implementado isso eu vou implementar isso este mês Ok então para esses treinamentos assim descontos as além do dos que a gente já já oferece na oferta é é risolo eu não vou te dizer para nem assim Ah manda mensagem que a gente conversa e tal Porque o que eu vou te oferecer não vai ser assim não vai ser algo substancial que você vai dizer Nossa que que

desconto legal que vai me fazer eh comprar entendeu não vai ser risolo tá então eu vou corrigir isso eu vou corrigir isso através de um sistema de cashback que se já tivesse em operação você podia usar assim como as outras pessoas poderiam usar Mas eu ainda dependo da implementação do sistema que tá no backlog para fazer isso tá legal obrigada aí da Transparência e eu tô mandando seus cursos para muita gente viu porque assim você tem uma clareza muito legal uma didática muito boa que mesmo para para quem não é tão familiarizado com alguns termos

técnicos eh eu tô falando por mim tá se sente à vontade na nas suas aulas Obrigada me Obrigado má esse esse é o meu objetivo Eu tento sempre tento trazer ideias e simplificar E e trazer de uma forma não é simples mas não é simplória mas é simples seja você consegue gerenciar consegue utilizar mas sem muito e dificuldade colocando dificuldade para depois vender facilidade né Fale e você pretende utilizar eu já tô matriculado pro seu curso agora pro dia dois eu adquiri na no curso passado quando você apresentou a proposta posta eh eu queria só

entender se para essa para esse curso você pretende usar algumas ferramentas como C Pilot ou alguma outra do mercado das das grandes tecs que apoiam nessas implementações de Inteligência Artificial não não porque a gente não vai o CoPilot é uma ferramenta por exemplo para você gerar sei lá vai apoiar várias coisas né mas ele é uma ferramenta Então quem usa o CoPilot é um Power user você na verdade vai se transformar num Power builder um Construtor obviamente que você pode usar uma ferramenta de inteligência artificial para te ajudar a fazer a gestão de um projeto

de a pode mas não é o nosso foco do treinamento foco é na no treinamento na construção de projetos ou de de de modelos de a seja a partir do zero seja a partir de um modelo pré treinado não perfeito Tá bom eu aviso que endido eh algumas algumas da das ferraminas que você tinha proposta que tinha dentro da proposta do curso eu só fiquei um pouco curioso porque na empresa estão implementando pilet e outras ferramentas de apoio de fi de repente pode ser um uma oportunidade de entender um pouquinho melhor e ver como que

eu aplico aqui dentro ah é mas aí na adoção de um copar por exemplo Ah eu vou utilizar o copar vou usar o github lá e a no github é tudo é a ia como apoio para as atividades né E a gente vai pro outro caminho a gente vai dizer eu não quero usar a ia eu quero aprender a desenvolver uma ia eu quero aprender a treinar uma ia ou pelo menos liderar esses projetos que criam e E estendem essas Iá Esse é o objetivo beleza pessoal se vocês precisarem de algum apoio usem lá o

telefone do suporte Ok no mais eu vou deixar aqui mais uma vez o link aqui eh das inscrições Eu ainda tenho algumas umas três vagas eu tô contando bem aqui e depois se elas não forem hoje ainda as três vagas vai ficar aberto esse valor até no dia 30 se terminar as vagas vai virar o lote tá bom pessoas obrigado pela participação Obrigado por estarem junto aí pelo todo feedback Beijo abraço e a gente se vê numa próxima oportunidade