Silvio Lima

Cientista de Dados / Especialista IA / Analista de Dados

Agentes Inteligentes.
Analisar dados históricos de ações na B3. O Prophet faz a previsão de 6 meses e apresenta os gráficos. Um agente usando Gemini-flash analisa as previsões.

Agentes Inteligentes.
Um agente usa um modelo multimodal para descrever uma imagem. Apenas alimentos devem ser detectados. Outro agente no papel de Nutricionista, avalia os alimentos de acordo com observações que o usuário indicar.

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.

Assistente Virtual
Pode assumir 3 personas diferentes:
Instrutor Python, Assistente de Livraria e Cozinheiro

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.

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.