Track: Data Science Aplicada

10:50am - 11:35am

Machine Learning - Abrindo a Caixa de Pandora

Introduzir Machine Learning em um produto é como abrir uma Caixa de Pandora - revela importantes problemas nos dados, métricas, experiência do usuário e integração entre sistemas. Para enfrentar esta complexidade, são necessárias práticas pragmáticas para se obter resultados confiáveis.

Nesta palestra, serão abordados aprendizados obtidos ao introduzir Machine Learning em diferentes contextos, desde academia, start-ups, consultoria, a gigantes de tecnologia - incluindo práticas de instrumentação, experimentação, infraestrutura, planejamento, avaliação de performance e visão de produto no contexto de aplicações usando Machine Learning.

11:50am - 12:35pm

Os Desafios na Construção de Agentes Virtuais com Inteligência Artificial

Agentes Virtuais são sistemas autônomos capazes de interagir com outros sistemas e com humanos. Os agentes virtuais têm sido utilizados com o objetivo de interagirem com pessoas na busca de resolução de problemas, esclarecimento de dúvidas, vendas de produtos ou serviços e cobrança. Existem muitos desafios na construção de agentes virtuais, dentre eles podemos destacar a dificuldade em criar agentes cada vez mais humanizados. Nessa palestra vamos falar sobre a aplicação de inteligência artificial em agentes virtuais e o que é possível fazer com as tecnologias atuais. Ao final da palestra vamos apresentar alguns cases de sucesso e os principais desafios enfrentados durante todo o processo.

2:05pm - 2:50pm

Bayesian Optimization of Gaussian Processes with Applications to Performance Tuning

In 1951, Daniel Krige, a mining engineer in South Africa, invented a statistical technique for finding minerals with the fewest holes drilled for prospecting. Since drilling and sample analysis is expensive, he wanted to find the place where most minerals existed with minimal drilling and analysis effort. Over the years this method has been refined, most notably by Matheron, Mockus and Jones, with more modern statistical techniques. Today, Bayesian Optimization of Gaussian Processes is used in many engineering disciplines to efficiently explore vast design spaces. It is also used for hyperparameter optimization of neural networks.

After a brief description of the technique, we show how it can be applied to a modern microservices architecture to optimize its performance. We motivate why this is an important but difficult problem, and why Bayesian Optimization is well-suited to solving this problem. We describe our implementation of a service, called Autotune, for this purpose, what issues we had to address when applying this technique, and how it will be used at Twitter to continuously optimize performance in the data-center. Some recent wins from Autotune will be highlighted.

No prior background in Bayesian Optimization, Gaussian Processes, Statistics, or Performance Tuning is needed to attend this presentation.

3:05pm - 3:50pm

Corrida do ouro moderna: como usar Deep Learning para prever o volume de vendas de mais de 100 mil lojas

O Shopify abriga mais de 800 mil lojas no mundo todo. O Shopify Capital tem como objetivo financiar estas lojas para ajudá-las a crescerem. Com nosso grande volume de dados, é possível oferecer financiamentos relevantes, considerando vários atributos que ajudam a predizer o quão boa será a performance das lojas, permitindo assim que sejam oferecidos montantes acessíveis e coerentes com a saúde do negócio.

Nesta palestra, apresentaremos os desafios enfrentados ao longo dessa jornada, acompanhados de informações técnicas de como exploramos, selecionamos e fazemos ajuste-fino dos modelos fim-a-fim: desde um modelo de gradient boosting trees totalmente isolado operacionalmente, até um modelo de deep learning com atenção desacoplado mandando predições por streaming de dados. Mergulharemos ainda nas técnicas de modelagem, organização, arquitetura e otimização de modelos focados em solucionar problemas de negócio.

4:05pm - 4:50pm

Quando robôs surgem na redação

Grandes corporações de notícias estão sendo pressionadas a fornecer conteúdo que tenha valor para seus leitores em um mercado cada vez mais competitivo. No entanto, os jornalistas temem que seus empregos tornem-se obsoletos com o advento da IA. Seria a redação do futuro comandado por robôs? Trabalhando junto com jornalistas, descobrimos que na verdade a convivência tende a ser pacífica. Muitos deles ficariam felizes em deixar a maior parte do processamento estatístico e da narrativa orientada a dados para os robôs, enquanto se concentram em adicionar criatividade e percepção humana às histórias.

Neste trabalho, mostraremos como alcançamos fluxos de trabalho mais eficientes usando técnicas de Automated Journalism na Globo por meio de dois projetos. O primeiro chama-se Numerólogos e automatiza o trabalho de criar uma matéria com os principais destaques da rodada do Brasileirão a partir de eventos de cada partida. O sistema funciona com um pipeline simplificado de NLG (Natural Language Generation) e uma ontologia de um campeonato de futebol. Na fase de planejamento, eventos são agrupados e sequenciados de acordo com um modelo de otimização. Na fase de realização, o sistema seleciona templates de forma inteligente para descrever os eventos naturalmente com uma busca Branch-and-Bound. A matéria final é revisada e publicada em um blog com 800 mil visualizações anuais.

O outro projeto, chamado Aida, foi usado para criar resumos dos resultados das pesquisas durante as Eleições Presidenciais de 2018. O sistema calcula precisamente a evolução dos candidatos e empates entre eles e gera o texto para ser lido em telejornais automaticamente. Nossas estimativas mostram que o projeto poderia economizar até 370 horas de trabalho por ano eleitoral. Através deste projeto, estamos desenvolvendo uma linguagem de templates para que os desenvolvedores possam usar em seus projetos.

5:20pm - 6:05pm

Painel: Ask Me Anything about Data Science

Gerar resultados com Ciência de Dados requer a aplicação de um conjunto de habilidades complementares, como Engenharia de Dados, Visualização Aprendizado de Máquina e Engenharia de Software.

Durante os 3 dias da conferência, as trilhas de Machine Learning, Engenharia de Dados e Data Science Aplicada trouxeram pessoas que aplicam estas habilidades no seu dia-a-dia.

Esta sessão é uma oportunidade para você, que ficou curioso por algum aspecto das palestras ( ou da área de Ciência de Dados no geral ) conversar diretamente com alguns dos palestrantes, fazendo perguntas que podem enriquecer ainda mais a troca de conhecimento promovida pela conferência.

Convidamos um painel representativo das principais empresas do mercado, com palestrantes do Brasil e do exterior para tirar suas dúvidas em tempo real.