Na sua empresa, você se depara com alguma destas situações? 1 É gasto mais tempo com "pequenas correções" do que com o desenvolvendo 2 Ha dificuldade de explicar ou replicar as decisões 3 ?Mudança? é uma palavra que causa calafrios 4 Os mesmos erros são corrigidos mais de uma vez 5 Há procedimentos individuais não oficiais para acelerar a correção dos erros dos procedimentos oficiais

Caso a resposta seja ?sim?, pode ser que a cultura de dados não esteja bem implementada, e isto pode estar atrapalhando o seu modelo. Vamos descobrir como a jornada dos dados pode influenciar em muito o sucesso de projetos de ciência de dados.

Nesta palestra, apresento um projeto que evolui da modelagem relacional com PostgreSQL para grafos com Neo4j, aplicando ciência de dados para detectar trapaças em jogos online. Com base sintética inspirada no Call of Duty: Warzone, usamos algoritmos do Graph Data Science como PageRank, Similaridade e Anomaly Detection para identificar padrões suspeitos. A sessão culmina com uma API que simula a detecção de hackers em tempo real, banindo jogadores automaticamente. Uma aplicação prática e visual de grafos, anomalias e inteligência aplicada a dados relacionais.

Como o Mercado Livre entrega milhões de pacotes por dia, em prazos cada vez menores e a custos cada vez mais baixos? Nesta palestra, abrirei as portas da nossa ?central de otimização? ? um ecossistema de modelos prescritivos que orquestra toda a malha logística do Meli, da definição dinâmica de rotas à alocação inteligente de pessoas, veículos e estoques.

Você verá como traduzimos problemas complexos de negócios em formulações matemáticas que movem bilhões de reais e sustentam a escalabilidade da maior plataforma de e-commerce da América Latina. Se você quer entender o poder da ciência de decisão em operações de grande escala reserve seu lugar nesse mergulho em otimização.

Você cientista de dados sabe resolver classificação, regressão, clustering e até geração com IA. Mas e como resolve um problema de otimização? Algoritmos Genéticos, BRKGA, GRASP, ILS, etc? Esqueça isso e deixe a decisão para o RKO! RKO é para otimização o que AutoML é para Machine Learning, e podemos aplicá-lo à roteamento de veículos, localização de facilities, particionamento de redes e várias outras situações com um única solução que combina o melhor de diferentes meta-heurísticas executadas em paralelo, revolucionando de maneira elegante e poderosa a otimização combinatória que está presente em seu dia-a-dia ! Vamos codar juntos problemas reais e resolvê-los com o RKO!

Como transformar modelos de Machine Learning em funcionalidades reais de produto? Nesta palestra, discutimos o passo a passo da implementação de um modelo de predição de no-show de pacientes diretamente no prontuário eletrônico da Afya iClinic, em uma feature chamada "Alerta de Faltas". Vamos abordar desde o treinamento e registro do modelo no Databricks com MLflow até o deploy via API em batch para uso no ambiente de produção. Um case real que ilustra o ciclo completo de ciência de dados aplicado ao produto, destacando o potencial prático do ML como diferencial competitivo.

Nada valoriza mais o seu trabalho do que ser capaz de mostrar, de forma clara e irrefutável, o impacto financeiro que ele traz à Organização. Nós vamos discutir como Monetizar os resultados da área de Dados (desde o resultado dos seus modelos ao impacto da implementação bem sucedida) é essencial para garantir APOIO EXECUTIVO às iniciativas e times de dados auxiliando a progressão na carreira, sendo capaz de traduzir resultados complexos em impactos claros, auditáveis e o mais importante, escaláveis! Um guia prático, passo a passo, mostrando Best Practices e também as Armadilhas que destroem o reconhecimento do valor.

Nesta apresentação exploramos o conceito de bancos de dados de conhecimento, que representam entidades e suas conexões de forma estruturada e semântica. Ao combinar esse modelo com a imutabilidade ? onde dados nunca são sobrescritos, apenas adicionados ? é possível construir sistemas com histórico completo, auditável e versionamento nativo. Esse formato é ideal para domínios onde o contexto e a evolução da informação importam. Usamos o exemplo do IMDB para ilustrar como essa abordagem permite extrair insights profundos de dados conectados.