Transformação de dados e curadoria através de tomada de decisão automática baseada na API pajé

• Processo: 19/18812-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de novembro de 2019
• Data de Término da vigência: 31 de outubro de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Rafael Amatte Bizão
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional Análise de dados Frameworks Visualização de dados
• Palavra(s)-Chave do Pesquisador: Análise de Dados | Aprendizado de Máquina Automatizado | Desenvolvimento Web | Aprendizado de Máquina Automatizado

Resumo

Aprendizado de Máquina (ML - do inglês Machine Learning) tem demonstrado grande habilidade no processo de predição em diferentes campos do conhecimento. Isso só foi possível devido a grande quantidade de dados existentes, aliado aos recentes desenvolvimentos de algoritmos e hardware. Entretanto, o crescente número de algoritmos de ML torna o processo de obtenção dos modelos complexo, exigindo cada vez mais conhecimento dos usuários de ML. Além disso, a necessidade da realização do tratamento adequado dos dados, assim como sua curadoria, torna esse processo tedioso. Neste contexto, com o objetivo de facilitar o desenvolvimento de modelos de ML, um framework de ML automatizado (AutoML) chamado Pajé está sendo desenvolvido no Analytics Laboratory, parte do CEPID CeMEAI. O presente projeto tem como objetivo a integração entre API e web, incluindo o desenvolvimento de módulos de curadoria e visualização de dados, assim como a expansão dos módulos já existentes e eventuais implementações decorrentes do projeto. O Pajé irá auxiliar na redução de tarefas repetitivas, que poderão ser evitadas pelos profissionais da indústria. Além disso, fará com que técnicas de aprendizado de máquina se tornem mais acessíveis, inclusive para usuários não experientes. (AU)