Este repositório reúne os códigos e recursos que utilizei para resolver os oito desafios de negócios propostos na Maratona Behind The Code da IBM de 2020. As soluções propostas garantiram o 239º lugar no ranking geral da maratona no Brasil, entre as dezenas de milhares de participantes.
A descrição e os arquivos fornecidos como base para cada desafio encontram-se no subdiretório "desafio" correspondente (que é um submódulo do git, clonado a partir dos repositórios da maratona).
O desafio proposto pela Cocamar encontra-se no submódulo "1-cocamar/desafio".
Para a solução do desafio na plataforma da IBM Cloud, foi utilizado o Watson Studio para treinar um modelo de Visual Recognition com base em:
- 57 imagens da classe
lagarta - 59 imagens da classe
percevejo_marrom - 53 imagens da classe
percevejo_pequeno - 96 imagens da classe
percevejo_verde - 78 imagens da classe
Negative
O modelo de inteligencia artificial resultante foi utilizado para classificar imagens em uma aplicação web implementada com o Cloud Foundry.
Observação: As imagens não foram incluídas neste repositório pois, embora possam ser obtidas na internet, nem todas estão sob domínio público ou sob uma licença livre. Para encontrar tais imagens, pode ser usado tanto o Google Images, quanto os sites que constam no arquivo websites.yml.
O desafio proposto pela Uninassau encontra-se no submódulo "2-uninassau/desafio".
Para a solução do desafio de ciência de dados na plataforma da IBM Cloud, foram utilizados Jupyter notebooks, hospedados no Watson Studio, para explorar os dados sobre os estudantes e seu desempenho nas disciplinas de seus cursos (vide notebook parte-1.ipynb). Com base nessa exploração, foram definidos os features adequados para o treinamento de um modelo classificador baseado em árvores de decisão, capaz de identificar o perfil dos estudantes (vide notebook parte-2.ipynb). O modelo obtido foi integrado com uma solução de assistente virtual voltada para a tutoria remota através do Watson Machine Learning.
O desafio proposto pela FIAP encontra-se no submódulo "3-fiap/desafio".
Para a solução do desafio na plataforma da IBM Cloud, foi utilizado um Jupyter notebook em Python (extração.ipynb) para extrair os dados dos websites propostos e convertê-los para o formato JSON. Esta coleção de arquivos JSON foi carregada no Watson Discovery, juntamente com algumas perguntas relevantes ao conteúdo de cada documento, para treinar um modelo capaz de recomendar artigos ou vídeos baseados no interesse do usuário.
Observação: Infelizmente não foi feito backup da coleção nem das anotações no Watson Discovery, então o diretório da solução contém apenas o código em Python usado na etapa de extração dos dados, e um rascunho das perguntas.
O desafio proposto pela Algar Tech encontra-se no submódulo "4-algar-tech/desafio".
Para a solução do desafio na plataforma da IBM Cloud, os dados do arquivo
algar-dataset-treino.csv (fornecido como parte do
cloud-pak-project-modeler-flow-4.zip)
foram analisados e tratados em um fluxo construído no SPSS Modeler:
A última etapa deste fluxo foi um modelo de de máquina de vetores de suporte linear (LSVM), treinado para prever quais candidatos devem e quais não devem ser contratados. O modelo implementado com esta solução de ciência de dados foi então hospedado no Watson Machine Learning.
O desafio proposto pela Tecban encontra-se no submódulo "5-tecban/desafio".
Para a solução do desafio na plataforma da IBM Cloud, foi construído o diálogo (ver arquivo skill-TecBan-Oficial.json) de um chatbot, utilizando o Watson Assistent para o processamento de linguagem natural (NLP). O resultado foi um assistente virtual inteligente, integrado à API da Tecban, capaz de interagir com o usuário identificando suas intenções (saudação, saque ou finalização).
O desafio proposto pela Saint Paul encontra-se no submódulo "6-saint-paul-lit/desafio".
Para a solução do desafio de ciência de dados na plataforma da IBM Cloud, foi utilizado um Jupyter notebook, hospedado no Watson Studio, para explorar os dados de estudantes (vide notebook.ipynb). Com base nessa exploração, foram definidos os features adequados para o treinamento de um modelo de aprendizado de máquina baseado em floresta aleatória (RandomForestClassifier) capaz de classificar os alunos de acordo com seu perfil. O modelo foi usado para gerar as previsões na planilha results.csv.
O desafio proposto pela TNT encontra-se no submódulo "7-tnt/desafio".
Para a solução do desafio na plataforma da IBM Cloud, foi utilizado o Node-RED (ver node-red-flows.json) para coletar documentos em formato JSON de um dispositivo IOT da TNT via protocolo MQTT e armazená-los em um banco de dados NoSQL (o Cloudant):
Depois, os dados foram explorados em um Jupyter notebook (ver notebook.ipynb), hospedado no Watson Studio, com o qual também foram treinados diversos modelos de machine learning para uma comparação de seu desempenho (entre eles, Support-vector machine e Gradient Boosting). O melhor modelo foi então utilizado para fazer previsões de quando é necessário o reabastecimento de cada ponto de vendas.
O desafio proposto pela FCA encontra-se no submódulo "8-fiat-chrysler-automobiles/desafio".
Para a solução do desafio na plataforma da IBM Cloud, foi criado um modelo no Watson Knowledge Studio para anotação de texto em linguagem natural. Depois, foi utilizado o Node-RED (ver node-red-flows.json) para construir uma API de análise de sentimentos e recomendação, integrada com os serviços Watson Natural Language Understanding e Watson Speech-to-Text (STT), como ilustrado a seguir:
