Silvio Lima

Cientista de Dados / Engenheiro de Dados / Engenheiro Cloud

Implementação de um RAG.
A base de conhecimento de um modelo é expandida com o upload de novos dados. A partir dai, perguntas são feitas para comprovar o aprendizado.

Um chatbot para tirar conversar ou tirar duvidas.
O agente assume o papel de professor. Ele pode falar em Ingles ou Espanhol.

Um chatbot para tirar duvidas de Ingles.
O usuário pode fazer perguntas ou sugerir um tópico e iniiciar uma conversa.

Um agente especialista em compras, sugere presentes.
Faz 3 sugestões de acordo com critérios definidos pelo usuário.

Este aplicativo identifica alimentos numa imagem e faz uma descrição.
Um agente do CrewAI usando o modelo llava faz a descrição e outro agente usando llama, no papel de Nutricionista, avalia os alimentos.

Este aplicativo faz uma revisão e recomendações do perfil do usuário no Linkedin.
Um agente do CrewAI no papel de Especialista em Recrutamento analisa as seções e indica melhorias.

Este aplicativo faz uma recomendação de gráficos a partir de um conjunto de dados fornecidos.
Um agente do CrewAI no papel de Especialista em Visualização análisa os dados, explica as colunas e propõe gráficos para entender o contexto a partir dos dados.

Este aplicativo faz uma recomendação de pontos turisticos em 5 Estados do Brasil.
Um agente do CrewAI no papel de Guia Turisticos faz uma pesquisa baseada nos critérios definidos e recomenda lugares para visitar.

Este aplicativo faz a leitura de um curriculo em pdf.
Um agente do CrewAI no papel de Recrutador faz a leitura e recomenda melhorias tais como incluir palavras_chaves..

Identificar insights a partir do serviço prestado.
Foram lidos 6GB de dados usando pyspark, foram feitos agrupamentos criando assim diferentes conjuntos para análise.
Foram gerados diversos gráficos e por um modelo usando Prophet, prevendo a quantidade de viagens para a cidade de São Paulo.

Criação de dados para testes de modelos e análises.
Existem templates de dados prontos, tais como nomes, endereços e sexo.
Novos dados podem ser criados de acordo com a necessidade e objetivo.

Previsão do valor de uma ação nos próximos 365 dias.
yfinance - lib para extração de dados da bovespa.
prophet - previsão dos preços de fechamento das ações.

Exemplo de integração de ferramentas para análise de Churn.
Colab - ambiente de desenvolvimento.
MLFlow - salvar os artefatos (parametros, graficos, etc...) gerados.
Ngrok - compartilhar o desenvolvimento do app.
Pycaret - tratar, treinar os dados e avaliar os modelos.

A arquitetura do autoencoder se baseia no aprendizado de caracteristicas de entrada, que devem estar presentes na saida.

Projeto que iniciou com a coleta de dados, via scrap em sites de venda de apartamentos.
Seguido pelo tratamento dos dados, treinamento do modelo e deploy na nuvem.
Veja em Artigos e Raio-X

Análise exploratória, treinamento e avaliação de modelos.
- Comparecimento as Consultas no Sus
- Classificação da Pressão Sanguinea
- Segmentação de Clientes

Exemplo de aplicação do algoritmo Arima numa série temporal.

Diversos dashboards construidos com dados públicos.

Modelo configurado para descoberta dos itens que respeitem critérios.
O peso total <= 10kg.

Descoberta dos elementos que compõem um acidente de trânsito.

Estudos de aplicação de R para criação de gráficos.
Rpbus repositório público.

Modelo construido usando R.