Otimização do backend e banco de dados para aperfeiçoamento da recomendação de Sellers a Buyers

• Processo: 24/13609-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 31 de janeiro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Roseane Jamile Lopes Ramos
• Beneficiário: Andréia Botto
• CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis
• Vinculado ao auxílio: 23/06335-6 - Match<IT>: eficiência e inteligência de dados na conexão da oferta e demanda B2B de serviços de TI, AP.PIPE
• Assunto(s): Inteligência artificial Aprendizado computacional Processamento de linguagem natural
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | machine learning | natural language processing | Processamento de linguagem natural

Resumo

Match é uma plataforma business to business (B2B) proposta para que compradores (Buyers) e vendedores (Sellers) de servicos de tecnologia da informação (TI) possam realizar conexões de forma simples e otimizada. Para viabilizar a evolução dessa solução na Fase 2 do projeto, informações coletadas tanto de Buyers quanto de Sellers serão utilizadas para realizar o "match" entre um Buyer e os Sellers mais recomendados dadas as demandas do primeiro. Esse "match", por sua vez, será realizado de forma personalizada, para isso contando com o uso de técnicas avançadas de aprendizado de máquina, em particular de processamento de linguagem natural (PLN). A evolução da maturidade de uma plataforma com essas características incorre em vários desafios tecnológicos que precisam ser superados; entre eles, o projeto de otimização e adequação contínua de um banco de dados adequado tanto para armazenamento das informações de Buyers e de Sellers quanto para a realização de consultas a esses dados durante a aplicação de técnicas de PLN para realizar "matches", alinhando os requisitos de infraestrutura à evolução das práticas de aprendizado de máquina (AM) desenvolvidas ao longo do crescimento do nível TRL da solução.