Ir para o conteúdo

Consultora de data science em Groningen

Desenvolvemos modelos que preveem, classificam ou otimizam e continuam a aprender com novos dados, como os modelos de recomendação para a See Tickets.

Para a See Tickets, desenvolvemos modelos de recomendação que aprendem continuamente

A See Tickets é uma plataforma internacional de venda de bilhetes. Reunimos dados de bilhetes e de comportamento numa plataforma Azure escalável e usamos IA para prever que eventos interessam a cada visitante. A See Tickets não está sediada em Groningen; este caso de estudo mostra como construímos um modelo que aprende continuamente.

Leia o caso de estudo

Que decisão na nossa organização pode um modelo prever ou ajudar a preparar antecipadamente?

As instituições de saúde, os estabelecimentos de ensino e as entidades públicas de Groningen e do norte dos Países Baixos registam há anos dados sobre inscrições, marcações e pedidos. Ainda assim, o planeamento segue muitas vezes um esquema fixo. Um modelo baseado nesse histórico prevê o que está para vir; quem faz o planeamento decide.

Agende uma conversa

Prever, classificar, otimizar ou comparar: o tipo de modelo depende da decisão que tem de tomar

Fale connosco sobre a sua questão de modelação

Prever o que cada pessoa escolhe

Para a See Tickets, os modelos de recomendação preveem que eventos são mais adequados a cada visitante. Testámos as recomendações na prática e ajustámo-las.

Classificar sinais automaticamente

Para a ProRail, utilizámos machine learning e cabos de fibra ótica que medem ondas sonoras para automatizar a deteção de comboios, componentes da via férrea e defeitos nas rodas.

Otimizar o momento de operação

Para a Rijkswaterstaat, utilizámos um modelo de congestionamento e LSTM para investigar se os dados permitem otimizar a operação das pontes Botlekbrug e Spijkenisserbrug.

Acompanhar e comparar candidatos

Em colaboração com a Van Amersfoort Racing, desenvolvemos uma ferramenta inteligente que permite à equipa acompanhar e comparar facilmente jovens pilotos.

Primeiro a decisão e o critério de avaliação, só depois o algoritmo

  1. Decisão e critério de avaliação

    Definimos que decisão o modelo apoia e como poderá avaliar, mais tarde, se essa decisão melhorou.

  2. Validação com dados históricos

    O modelo faz previsões para períodos anteriores sem conhecer os resultados; depois comparamos as previsões com o que realmente aconteceu.

  3. Aprender durante a utilização

    Durante a utilização, acompanhamos os resultados e voltamos a treinar o modelo assim que a realidade muda.

Temos dados históricos suficientes para um modelo próprio?

Vamos avaliar isso numa conversa

É adequado quando

A sua organização toma repetidamente o mesmo tipo de decisão, como planear a capacidade ou classificar pedidos. Os dados relevantes foram conservados durante um período prolongado e há quem queira usar os resultados.

Não é adequado quando

A decisão raramente é necessária, os dados registados dizem pouco sobre o resultado ou uma regra de cálculo fixa no seu sistema já funciona. Nesse caso, desaconselhamos a criação de um modelo e explicamos o que pode ajudar.

O que determina a dimensão do trabalho

O número de fontes que ligamos, a qualidade dos dados históricos, a frequência com que o modelo tem de fazer cálculos, onde devem aparecer os resultados e se será a sua equipa ou a nossa a gerir o modelo depois.

As nossas equipas percebem por que razão o modelo chega a determinada conclusão?

Têm de perceber. Para cada resultado, mostramos quais as características que mais pesam e escolhemos um modelo mais simples se fizer previsões quase tão boas. Quem o utiliza tem de conseguir verificar o seu raciocínio.

Que tipo de modelo responde à sua questão: uma previsão, uma classificação ou uma otimização?

Uma previsão

Escolha esta opção se quiser saber o que esperar, como inscrições, períodos de maior afluência ou desistências. O modelo fornece uma previsão com um intervalo de valores, e o planner toma a decisão.

Uma classificação

Escolha esta opção se precisar de organizar muitos casos em grupos, como comunicações, pedidos ou sinais. O nosso conselho: comece pelos grupos que os seus colaboradores já utilizam.

Uma otimização

Escolha esta opção se procurar a melhor escolha dentro de limites definidos, como um horário ou uma sequência. O modelo calcula as consequências de cada escolha, como no caso das aberturas de pontes.

Construímos modelos desde 2016, também para organizações muito para além de Amsterdam

A Data Science Lab é parceira da Databricks e da Microsoft e está sediada na Westerdoksdijk, em Amsterdam. Para clientes de Groningen e do norte dos Países Baixos, trabalhamos nas suas instalações, nas nossas ou online. Partilhamos o que aprendemos nos nossos Techdays.

Agende uma reunião inicial

Na primeira conversa, decidimos em conjunto que decisão justifica um modelo

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef é o seu primeiro ponto de contacto. Na primeira conversa, falamos sobre que decisão precisa de melhorar e que dados históricos já tem para isso.

O que pretende que um modelo preveja ou classifique para a sua equipa?

Indique-nos qual é a decisão em causa e que dados guarda. Respondemos por email ou marcamos uma primeira conversa.

Introduza um endereço de e-mail válido.

Diga-nos como podemos ajudar.

Perguntas frequentes

Constrói um modelo que prevê, classifica ou otimiza com base nos seus dados, testa-o com dados históricos e coloca-o em utilização. Em Groningen e no norte dos Países Baixos, trata-se muitas vezes de projetos nas áreas da saúde, da educação e da administração pública.

Se procura apoio em data science em Groningen ou noutra parte do norte dos Países Baixos, disponibilizamos a equipa que constrói o modelo e o entrega. Encontra todas as aplicações em Aplicações de IA.

Não temos escritório em Groningen: estamos sediados na Westerdoksdijk, em Amesterdão. Também não temos nenhum caso de estudo publicado de Groningen. Os casos de estudo nesta página são de outras regiões e mostram os tipos de modelos que construímos.

Se quiser primeiro perceber onde a IA pode acrescentar valor à sua organização, o nosso consultor de IA em Groningen pode ajudá-lo a fazer essa escolha.

Comparamos o modelo com a sua forma atual de trabalhar, como usar a média do ano passado ou a regra prática de quem faz o planeamento. Testamos ambos em períodos anteriores cujos resultados são conhecidos, para ver qual se aproximou mais da realidade.

Se o modelo não tiver um desempenho claramente melhor, dizemo-lo. Não é preciso substituir uma regra prática que funciona.

Acompanhando continuamente os dados de entrada e os resultados, e voltando a treinar o modelo quando os comportamentos mudam. Para a See Tickets, desenvolvemos modelos de recomendação que aprendem continuamente e fizemos ajustes com base em resultados reais.

Pode ler como funciona a monitorização e o novo treino de modelos em produção em MLOps.

É necessário ter registos, ao longo de um período prolongado, do resultado que pretende prever e das características que já conhece no momento de tomar a decisão. No caso das inscrições, por exemplo, a data da inscrição, o curso e dados de anos anteriores.

Se os dados disserem respeito a pessoas, incluímos apenas o que é necessário para o objetivo. Saiba o que fornecemos para uma avaliação de privacidade em DPIA para aplicações de IA.

Uma regra de cálculo é adequada quando a relação é conhecida e estável, como um valor fixo por aluno ou por cama. O machine learning compensa quando há muitos fatores em jogo ao mesmo tempo e a relação muda de um período para outro.

Muitas vezes, começamos pela regra como ponto de comparação. Saiba como construímos e explicamos os modelos em machine learning.

Sim. Em Utrecht, o foco está nos modelos preditivos para a saúde e a prestação de serviços; veja empresa de data science em Utrecht. Na região de Haarlem, construímos modelos que fazem avaliações; veja empresa de data science em Haarlem.

A sequência é sempre a mesma: primeiro a decisão, depois os dados históricos e, por fim, o modelo.

Quando a decisão é tomada raramente, quando há poucos dados históricos para aprender ou quando ninguém vai usar o resultado no trabalho. Um modelo também exige manutenção, o que requer atenção.

Por vezes, um dashboard com os dados dos anos anteriores é suficiente para planear melhor. Nesse caso, também o dizemos.