Aprendizado de Programação e Análise de Dados – Nível 1
Inscreva-se até 23 de junho: https://icmc.usp.br/e/b8f15
Conheça a REBECA: De São Carlos para o Brasil: USP lidera e inspira ações em prol de mais igualdade e inclusão nas ciências exatas
Site do GRACE: grace.icmc.usp.br
Dúvidas: escreva para samara.nascimento@ufersa.edu.br, reudismam.sousa@ufersa.edu.br ou veronica.lima@ci.ufpb.br
https://www.icmc.usp.br/noticias/7022-oportunidade-professores-podem-aprender-programacao-e-ciencia-de-dados-em-curso-gratuito-online
Inscreva-se até 23 de junho: https://icmc.usp.br/e/b8f15
Conheça a REBECA: De São Carlos para o Brasil: USP lidera e inspira ações em prol de mais igualdade e inclusão nas ciências exatas
Site do GRACE: grace.icmc.usp.br
Dúvidas: escreva para samara.nascimento@ufersa.edu.br, reudismam.sousa@ufersa.edu.br ou veronica.lima@ci.ufpb.br
https://www.icmc.usp.br/noticias/7022-oportunidade-professores-podem-aprender-programacao-e-ciencia-de-dados-em-curso-gratuito-online
Google Docs
Formulário de Inscrição no Curso: Aprendizado de Programação e Análise de Dados - Nível
Esse curso é oferecido por docentes da UFERSA e UFPB com apoio do grupo de extensão Projeto Mulheres nas Ciências Exatas da UFERSA e o GRupo de Alunas nas Ciências Exatas (GRACE) do ICMC-USP. O intuito de realizar uma formação intensiva em transformação digital…
IBM offers Free Certificates in Top Job Skills
1. Python for Data Science 🐍 📊
https://cognitiveclass.ai/courses/python-for-data-science
2. Data Analysis with Python 🐍📈
https://cognitiveclass.ai/courses/course-v1:CognitiveClass+DA0101EN+v2
3. Deeplearning 🌟🧠
https://cognitiveclass.ai/courses/course-v1:BigDataUniversity+ML0120EN+v2
4. Cloud Computing ☁️🚀
https://cognitiveclass.ai/courses/introduction-to-cloud
5. Statistics 📊📉
https://cognitiveclass.ai/courses/statistics-101/#about-course
6. R for Data Science 📈📊
https://cognitiveclass.ai/courses/r-101
7. SQL 🗄💻
https://cognitiveclass.ai/courses/learn-sql-relational-databases
8. Data Science 📊💻📈
https://cognitiveclass.ai/courses/data-science-101
9. Machine Learning with Python 🧠🐍🤖
https://cognitiveclass.ai/courses/machine-learning-with-python
10. Big Data
https://cognitiveclass.ai/courses/what-is-big-data
1. Python for Data Science 🐍 📊
https://cognitiveclass.ai/courses/python-for-data-science
2. Data Analysis with Python 🐍📈
https://cognitiveclass.ai/courses/course-v1:CognitiveClass+DA0101EN+v2
3. Deeplearning 🌟🧠
https://cognitiveclass.ai/courses/course-v1:BigDataUniversity+ML0120EN+v2
4. Cloud Computing ☁️🚀
https://cognitiveclass.ai/courses/introduction-to-cloud
5. Statistics 📊📉
https://cognitiveclass.ai/courses/statistics-101/#about-course
6. R for Data Science 📈📊
https://cognitiveclass.ai/courses/r-101
7. SQL 🗄💻
https://cognitiveclass.ai/courses/learn-sql-relational-databases
8. Data Science 📊💻📈
https://cognitiveclass.ai/courses/data-science-101
9. Machine Learning with Python 🧠🐍🤖
https://cognitiveclass.ai/courses/machine-learning-with-python
10. Big Data
https://cognitiveclass.ai/courses/what-is-big-data
cognitiveclass.ai
Python for Data Science
This introduction to Python will kickstart your learning of Python for data science, as well as programming in general. This beginner-friendly Python course will take you from zero to programming in Python in a matter of hours. Upon its completion, you'll…
❤2
🚀 Estamos sendo imprudentes na corrida pela Superinteligência (ASI)?
Acabei de analisar o cenário "AI 2027" (de Kokotajlo, Alexander, et al.) e a previsão é audaciosa: ASI pode emergir nos próximos 2-3 anos, impulsionada pela automação da própria pesquisa em IA.
A narrativa descreve uma corrida global (EUA vs. China) onde a segurança (AI Safety) é deixada de lado pela ânsia de vencer.
Como Cientista de Dados e pesquisador da área (atualmente no mestrado na USP), vejo o poder imenso que estamos construindo. A questão que fica é:
Estamos priorizando a velocidade em detrimento da prudência?
A busca pela AGI deveria ser pausada ou sofrer uma regulamentação internacional forte AGORA, ou o medo de "ficar para trás" justifica o risco de um desalinhamento catastrófico?
Estamos inovando em direção a um futuro brilhante ou correndo de olhos fechados para um precipício?
AI 2027 - https://ai-2027.com/
BBC News Brasil - https://www.msn.com/pt-br/noticias/ciencia-e-tecnologia/%C3%A9-assim-que-a-intelig%C3%AAncia-artificial-pode-destruir-a-humanidade/vi-AA1Ks0f8?ocid=socialshare#details
Acabei de analisar o cenário "AI 2027" (de Kokotajlo, Alexander, et al.) e a previsão é audaciosa: ASI pode emergir nos próximos 2-3 anos, impulsionada pela automação da própria pesquisa em IA.
A narrativa descreve uma corrida global (EUA vs. China) onde a segurança (AI Safety) é deixada de lado pela ânsia de vencer.
Como Cientista de Dados e pesquisador da área (atualmente no mestrado na USP), vejo o poder imenso que estamos construindo. A questão que fica é:
Estamos priorizando a velocidade em detrimento da prudência?
A busca pela AGI deveria ser pausada ou sofrer uma regulamentação internacional forte AGORA, ou o medo de "ficar para trás" justifica o risco de um desalinhamento catastrófico?
Estamos inovando em direção a um futuro brilhante ou correndo de olhos fechados para um precipício?
AI 2027 - https://ai-2027.com/
BBC News Brasil - https://www.msn.com/pt-br/noticias/ciencia-e-tecnologia/%C3%A9-assim-que-a-intelig%C3%AAncia-artificial-pode-destruir-a-humanidade/vi-AA1Ks0f8?ocid=socialshare#details
Ai-2027
AI 2027
A research-backed AI scenario forecast.
🧠 Dica Rápida DSE: O que é RAG e por que você precisa disso?
Muita gente acha que para melhorar o ChatGPT/LLM precisa "treinar" o modelo. Errado. Na maioria das vezes, você só precisa de contexto.
O RAG (Retrieval-Augmented Generation) atua como um "cérebro consultor". Ele não confia na memória da IA, ele consulta uma biblioteca confiável antes de responder.
O fluxo que desenhamos no artigo novo funciona assim:
1️⃣ Retrieval (Busca): O sistema varre seus documentos/banco de dados e acha a "evidência".
2️⃣ Augmentation (Aumento): Ele cria um "dossiê" com esses dados e entrega para a IA.
3️⃣ Generation (Geração): A IA responde baseada apenas no que você entregou. Zero invenção.
Isso é o que separa um chatbot "bobo" de um Assistente Jurídico ou Médico confiável.
🔗 Saiba mais em nosso novo artigo: https://www.linkedin.com/pulse/rag-chave-para-llms-que-n%C3%A3o-apenas-geram-fifjf/?trackingId=8Yu7xWz25XCHoW7PblbL3Q%3D%3D
Muita gente acha que para melhorar o ChatGPT/LLM precisa "treinar" o modelo. Errado. Na maioria das vezes, você só precisa de contexto.
O RAG (Retrieval-Augmented Generation) atua como um "cérebro consultor". Ele não confia na memória da IA, ele consulta uma biblioteca confiável antes de responder.
O fluxo que desenhamos no artigo novo funciona assim:
1️⃣ Retrieval (Busca): O sistema varre seus documentos/banco de dados e acha a "evidência".
2️⃣ Augmentation (Aumento): Ele cria um "dossiê" com esses dados e entrega para a IA.
3️⃣ Generation (Geração): A IA responde baseada apenas no que você entregou. Zero invenção.
Isso é o que separa um chatbot "bobo" de um Assistente Jurídico ou Médico confiável.
🔗 Saiba mais em nosso novo artigo: https://www.linkedin.com/pulse/rag-chave-para-llms-que-n%C3%A3o-apenas-geram-fifjf/?trackingId=8Yu7xWz25XCHoW7PblbL3Q%3D%3D
Linkedin
RAG: A Chave para LLMs que Não Apenas Geram, mas S.A.B.E.M. (Sem Alucinações, Baseados em Evidências e Mensuráveis)
A verdade é que Large Language Models (LLMs) são incrivelmente poderosos na geração de texto coerente e criativo. No entanto, seu conhecimento é encapsulado até a data de seu treinamento e, por vezes, carecem de informações específicas ou em tempo real, o…
🐼 Pandas 3.0.1 lançado — foco total em estabilidade
A versão 3.0.1 do (17/02/2026) já está disponível.
Não é uma versão com “novas features chamativas”.
É uma versão de correção, robustez e maturidade para produção.
E isso é extremamente relevante para quem trabalha com dados de verdade.
🔧 Principais pontos da 3.0.1
✅ Correções em PyArrow-backed strings
Ajustes em str.contains() e str.replace()
Correções em merge() envolvendo NaN
Compatibilidade com numpy.random.permutation()
Se você já está usando Arrow como backend, essa atualização é importante.
✅ Correções em groupby() com categóricos + NA
Bug que podia afetar agregações quando usado com:
observed=False
dropna=True
Quem trabalha com análise estatística ou pipelines de modelagem sabe o impacto disso.
✅ Segurança e estabilidade
Prevenção de buffer overflow em Rolling.corr() e Rolling.cov()
Correções em to_timedelta()
Ajustes de compatibilidade em read_hdf()
✅ Copy-on-Write e Thread Safety
O pandas segue amadurecendo para ambientes mais paralelos e modernos.
📌 O que essa versão mostra?
O ecossistema está consolidando:
Arrow como padrão moderno
APIs mais consistentes
Melhor suporte a concorrência
Maior confiabilidade para produção
Nem todo release precisa ser revolucionário.
Alguns precisam ser sólidos.
💬 Pergunta para a DSE:
Alguém aqui já atualizou para 3.0.1?
Estão usando PyArrow como backend padrão?
Alguém já enfrentou regressões na 3.0.0?
Vamos trocar experiências 👇
A versão 3.0.1 do (17/02/2026) já está disponível.
Não é uma versão com “novas features chamativas”.
É uma versão de correção, robustez e maturidade para produção.
E isso é extremamente relevante para quem trabalha com dados de verdade.
🔧 Principais pontos da 3.0.1
✅ Correções em PyArrow-backed strings
Ajustes em str.contains() e str.replace()
Correções em merge() envolvendo NaN
Compatibilidade com numpy.random.permutation()
Se você já está usando Arrow como backend, essa atualização é importante.
✅ Correções em groupby() com categóricos + NA
Bug que podia afetar agregações quando usado com:
observed=False
dropna=True
Quem trabalha com análise estatística ou pipelines de modelagem sabe o impacto disso.
✅ Segurança e estabilidade
Prevenção de buffer overflow em Rolling.corr() e Rolling.cov()
Correções em to_timedelta()
Ajustes de compatibilidade em read_hdf()
✅ Copy-on-Write e Thread Safety
O pandas segue amadurecendo para ambientes mais paralelos e modernos.
📌 O que essa versão mostra?
O ecossistema está consolidando:
Arrow como padrão moderno
APIs mais consistentes
Melhor suporte a concorrência
Maior confiabilidade para produção
Nem todo release precisa ser revolucionário.
Alguns precisam ser sólidos.
💬 Pergunta para a DSE:
Alguém aqui já atualizou para 3.0.1?
Estão usando PyArrow como backend padrão?
Alguém já enfrentou regressões na 3.0.0?
Vamos trocar experiências 👇
❤1
Semana 1 - Introdução ao Processamento de Linguagem Natural: O que é NLP? (Série PLN - Ep.1)
https://www.linkedin.com/pulse/introdução-ao-processamento-de-linguagem-qi2ge
https://www.linkedin.com/pulse/introdução-ao-processamento-de-linguagem-qi2ge
Linkedin
Semana 1 - Introdução ao Processamento de Linguagem Natural: O que é NLP? (Série PLN - Ep.1)
Introdução Vivemos em uma era em que conversar com máquinas deixou de ser ficção científica e se tornou algo corriqueiro. Assistentes virtuais respondem às nossas perguntas matinais, sistemas traduzem idiomas instantaneamente durante reuniões globais e algoritmos…
Semana 1 - A História do Processamento de Linguagem Natural (Série PLN - Ep.2)
https://www.linkedin.com/pulse/história-do-processamento-de-linguagem-natural-vi9ne
https://www.linkedin.com/pulse/história-do-processamento-de-linguagem-natural-vi9ne
Linkedin
Semana 1 - A História do Processamento de Linguagem Natural (Série PLN - Ep.2)
Introdução O avanço estrondoso da Inteligência Artificial nos últimos anos, impulsionado por assistentes conversacionais ultrarrealistas, levou muitas pessoas a acreditar que o Processamento de Linguagem Natural (PLN/NLP) é uma invenção recente. Na realidade…
Semana 1 - Pipeline de Processamento de Texto em NLP (Série PLN - Ep.3)
https://www.linkedin.com/pulse/pipeline-de-processamento-texto-em-nlp-dse-data-science-enthusiasts-ejgme
https://www.linkedin.com/pulse/pipeline-de-processamento-texto-em-nlp-dse-data-science-enthusiasts-ejgme
Linkedin
Semana 1 - Pipeline de Processamento de Texto em NLP (Série PLN - Ep.3)
Introdução Quando vemos um modelo avançado gerando textos coerentes ou analisando sentimentos com precisão cirúrgica, é fácil focar apenas no algoritmo final. No entanto, antes de aplicar qualquer modelo de Processamento de Linguagem Natural (NLP), existe…
Semana 1 - Principais Aplicações de Processamento de Linguagem Natural (Série PLN - Ep.4)
https://www.linkedin.com/pulse/principais-aplica%C3%A7%C3%B5es-de-processamento-linguagem-hxjie
https://www.linkedin.com/pulse/principais-aplica%C3%A7%C3%B5es-de-processamento-linguagem-hxjie
Linkedin
Semana 1 - Principais Aplicações de Processamento de Linguagem Natural (Série PLN - Ep.4)
Introdução Se você usou a internet hoje, é praticamente impossível não ter esbarrado em alguma tecnologia movida a Processamento de Linguagem Natural (NLP). O que antes era restrito a laboratórios de pesquisa agora é a força motriz por trás de soluções que…
Semana 1 - O Futuro do Processamento de Linguagem Natural (Série PLN - Ep.5)
https://www.linkedin.com/pulse/o-futuro-do-processamento-de-linguagem-natural-uiyle
https://www.linkedin.com/pulse/o-futuro-do-processamento-de-linguagem-natural-uiyle
Linkedin
Semana 1 - O Futuro do Processamento de Linguagem Natural (Série PLN - Ep.5)
Introdução Chegamos ao último artigo da nossa série especial aqui na Data Science Enthusiasts. Ao longo desta semana, exploramos o que é o Processamento de Linguagem Natural (NLP), sua rica evolução histórica, como funciona o pipeline de dados por baixo dos…
Semana 2 - Tokenização e Representação de Texto – O Primeiro Passo do NLP (Série PLN - Ep.6)
https://www.linkedin.com/pulse/semana-2-tokeniza%C3%A7%C3%A3o-e-representa%C3%A7%C3%A3o-de-96wbf
https://www.linkedin.com/pulse/semana-2-tokeniza%C3%A7%C3%A3o-e-representa%C3%A7%C3%A3o-de-96wbf
Linkedin
Semana 2 - Tokenização e Representação de Texto – O Primeiro Passo do NLP (Série PLN - Ep.6)
Introdução Bem-vindos à segunda semana da nossa série sobre Processamento de Linguagem Natural (NLP) aqui no blog da Data Science Enthusiasts! Na semana passada, exploramos a história, o pipeline geral e as aplicações práticas dessa tecnologia. Agora, é hora…
Semana 2 - Bag of Words e TF-IDF – As Primeiras Representações Numéricas de Texto (Série PLN - Ep.7)
https://www.linkedin.com/pulse/semana-2-bag-words-e-tf-idf-primeiras-representa%C3%A7%C3%B5es-lbg5f
https://www.linkedin.com/pulse/semana-2-bag-words-e-tf-idf-primeiras-representa%C3%A7%C3%B5es-lbg5f
Linkedin
Semana 2 - Bag of Words e TF-IDF – As Primeiras Representações Numéricas de Texto (Série PLN - Ep.7)
Introdução No artigo anterior, aprendemos que a tokenização é o primeiro passo para fatiar um texto em pedaços menores. Mas temos um problema fundamental: computadores não entendem letras, palavras ou frases.
Semana 2 - Word Embeddings – A Revolução Semântica com Word2Vec e GloVe (Série PLN - Ep.8)
https://www.linkedin.com/pulse/semana-2-word-embeddings-revolu%C3%A7%C3%A3o-sem%C3%A2ntica-mxchf
https://www.linkedin.com/pulse/semana-2-word-embeddings-revolu%C3%A7%C3%A3o-sem%C3%A2ntica-mxchf
Linkedin
Semana 2 - Word Embeddings – A Revolução Semântica com Word2Vec e GloVe (Série PLN - Ep.8)
Introdução Nos artigos anteriores, vimos como o Bag of Words e o TF-IDF transformam textos em números. Embora essas técnicas clássicas sejam úteis, elas esbarram em uma limitação técnica e filosófica intransponível: elas não entendem o significado das palavras.
Semana 2 - Transformers – A Arquitetura que Revolucionou o NLP (Série PLN - Ep.9)
https://www.linkedin.com/pulse/semana-2-transformers-arquitetura-que-revolucionou-ubolf
https://www.linkedin.com/pulse/semana-2-transformers-arquitetura-que-revolucionou-ubolf
Linkedin
Semana 2 - Transformers – A Arquitetura que Revolucionou o NLP (Série PLN - Ep.9)
Introdução No artigo passado, vimos como os Word Embeddings (Word2Vec e GloVe) ensinaram os computadores a entender a semântica das palavras. No entanto, deixamos um gancho no ar, esses vetores eram estáticos.
Semana 2 - BERT e a Nova Geração de Modelos de Linguagem (Série PLN - Ep.10)
https://www.linkedin.com/pulse/semana-2-bert-e-nova-gera%C3%A7%C3%A3o-de-modelos-d5gbe
https://www.linkedin.com/pulse/semana-2-bert-e-nova-gera%C3%A7%C3%A3o-de-modelos-d5gbe
Linkedin
Semana 2 - BERT e a Nova Geração de Modelos de Linguagem (Série PLN - Ep.10)
Introdução No artigo anterior, descobrimos como a arquitetura Transformer e o seu mecanismo de Self-Attention revolucionaram o Processamento de Linguagem Natural (NLP) em 2017, resolvendo os gargalos computacionais e melhorando a captura de contexto. Mas…
🗺️ Criamos uma ferramenta gratuita para quem quer entrar na área de dados, e não sabe por onde começar.
Se você já tentou pesquisar "como virar cientista de dados" e ficou mais confuso do que antes, esse projeto é pra você.
A área de dados tem muitos caminhos: Analista de BI, Analytics Engineer, Cientista de Dados, Engenheiro de Dados, ML Engineer... e cada um desses é completamente diferente do outro. O problema é que a maioria dos conteúdos joga todo mundo no mesmo bolo como se a resposta fosse sempre "aprenda Python e SQL".
Então construimos o DataPath baseado em pesquisas e orientações de profissionais na área, um guia interativo de carreira em dados.
Funcionamento simples: você responde perguntas sobre o que você curte fazer, analisar, construir sistemas, trabalhar com modelos, criar dashboards, e ele vai te direcionando até sugerir o perfil mais alinhado com o seu jeito de pensar.
Para cada carreira recomendada, você vê:
→ O que o profissional faz no dia a dia
→ As ferramentas que ele usa de verdade
→ A faixa salarial atual no Brasil
→ Um roadmap prático de 6 passos para começar
Não tem resposta certa nem errada. A ideia é ajudar a organizar o pensamento, especialmente para quem está começando do zero ou pensando em migrar de área.
É 100% gratuito, roda no navegador, sem cadastro.
https://claude.ai/public/artifacts/def9ed88-de65-4894-8d51-d2aa871234c2
Testa e me conta qual carreira o DataPath sugeriu pra você 👇
Se você já tentou pesquisar "como virar cientista de dados" e ficou mais confuso do que antes, esse projeto é pra você.
A área de dados tem muitos caminhos: Analista de BI, Analytics Engineer, Cientista de Dados, Engenheiro de Dados, ML Engineer... e cada um desses é completamente diferente do outro. O problema é que a maioria dos conteúdos joga todo mundo no mesmo bolo como se a resposta fosse sempre "aprenda Python e SQL".
Então construimos o DataPath baseado em pesquisas e orientações de profissionais na área, um guia interativo de carreira em dados.
Funcionamento simples: você responde perguntas sobre o que você curte fazer, analisar, construir sistemas, trabalhar com modelos, criar dashboards, e ele vai te direcionando até sugerir o perfil mais alinhado com o seu jeito de pensar.
Para cada carreira recomendada, você vê:
→ O que o profissional faz no dia a dia
→ As ferramentas que ele usa de verdade
→ A faixa salarial atual no Brasil
→ Um roadmap prático de 6 passos para começar
Não tem resposta certa nem errada. A ideia é ajudar a organizar o pensamento, especialmente para quem está começando do zero ou pensando em migrar de área.
É 100% gratuito, roda no navegador, sem cadastro.
https://claude.ai/public/artifacts/def9ed88-de65-4894-8d51-d2aa871234c2
Testa e me conta qual carreira o DataPath sugeriu pra você 👇
Claude
DataPath: Descubra sua Carreira em Dados — Guia Interativo
Descubra qual carreira em dados é ideal para você. Quiz interativo que mapeia seu perfil para 5 caminhos: BI, Analytics Engineer, Data Scientist, Data Engineer ou ML Engineer.
🚀 Grande novidade na área, DSE! DataPath v2.0.0 liberado! 🚀
Seja você um estagiário dando os primeiros passos ou um profissional sênior mirando posições de liderança ou DPO, o maior erro hoje é gerenciar a carreira às cegas. O mercado mudou, e entender como sua área se conecta com o ecossistema completo de dados é o que te destaca.
Para ajudar todo mundo a encontrar o norte estratégico, a nossa comunidade desenvolveu uma ferramenta 100% gratuita de orientação profissional: o DataPath! 🧭
Com ele, você faz um quiz rápido e dinâmico que analisa suas habilidades e objetivos, gerando um Relatório Executivo automatizado para guiar seus próximos passos. 📊
🔗 Acesse e faça o seu teste gratuito agora:
https://claude.ai/public/artifacts/9681d1ec-2a95-4033-84a5-63095d6716c9
Depois de rodar a ferramenta, mande o seu resultado aqui no grupo para debatermos as tendências de carreira! 👇
Data Science Enthusiasts
Seja você um estagiário dando os primeiros passos ou um profissional sênior mirando posições de liderança ou DPO, o maior erro hoje é gerenciar a carreira às cegas. O mercado mudou, e entender como sua área se conecta com o ecossistema completo de dados é o que te destaca.
Para ajudar todo mundo a encontrar o norte estratégico, a nossa comunidade desenvolveu uma ferramenta 100% gratuita de orientação profissional: o DataPath! 🧭
Com ele, você faz um quiz rápido e dinâmico que analisa suas habilidades e objetivos, gerando um Relatório Executivo automatizado para guiar seus próximos passos. 📊
🔗 Acesse e faça o seu teste gratuito agora:
https://claude.ai/public/artifacts/9681d1ec-2a95-4033-84a5-63095d6716c9
Depois de rodar a ferramenta, mande o seu resultado aqui no grupo para debatermos as tendências de carreira! 👇
Data Science Enthusiasts
Galera, vocês sabiam que estamos construindo uma infraestrutura de ponta para o bot do nosso servidor? Se você acha que banco de dados é só SELECT * FROM, prepare-se para o próximo nível: os Bancos de Dados Vetoriais!
Muitos profissionais no mercado ainda não conhecem essa tecnologia, mas ela é a engrenagem secreta por trás do RAG (Retrieval-Augmented Generation).
O que estamos fazendo no projeto do DSE.Assist?
Sabe aquele link incrível compartilhado em #recursos, ou aquela dúvida complexa de Python resolvida em #duvidas? Nós não queremos que esse conhecimento se perca no histórico do chat.
1️⃣ Nosso pipeline captura essas interações e as transforma em embeddings (vetores matemáticos que capturam o significado real do contexto).
2️⃣ Guardamos tudo em um Banco de Dados Vetorial.
3️⃣ Quando alguém aciona o bot com uma nova dúvida, o assistente faz uma busca por similaridade nesse banco, puxa as discussões e materiais históricos da nossa própria comunidade e entrega para o LLM responder com precisão cirúrgica.
O resultado? Uma IA que não apenas conversa, mas que tem memória de longo prazo e conhece tudo o que acontece dentro da DSE!
Colaborar em arquiteturas modernas assim é o que te move? O projeto é aberto e gratuito para quem quiser aprender e contribuir nas frentes de Engenharia, Ciência e IA.
👉 Se você ainda não está no nosso servidor para acompanhar esses deploys e testar as ferramentas, entra por aqui: https://datascienceenthusiasts.com.br/conecte-se-e-cresca-com-a-data-science-enthusiasts/
Vamos construir o futuro do ecossistema de dados juntos! 🚀
Muitos profissionais no mercado ainda não conhecem essa tecnologia, mas ela é a engrenagem secreta por trás do RAG (Retrieval-Augmented Generation).
O que estamos fazendo no projeto do DSE.Assist?
Sabe aquele link incrível compartilhado em #recursos, ou aquela dúvida complexa de Python resolvida em #duvidas? Nós não queremos que esse conhecimento se perca no histórico do chat.
1️⃣ Nosso pipeline captura essas interações e as transforma em embeddings (vetores matemáticos que capturam o significado real do contexto).
2️⃣ Guardamos tudo em um Banco de Dados Vetorial.
3️⃣ Quando alguém aciona o bot com uma nova dúvida, o assistente faz uma busca por similaridade nesse banco, puxa as discussões e materiais históricos da nossa própria comunidade e entrega para o LLM responder com precisão cirúrgica.
O resultado? Uma IA que não apenas conversa, mas que tem memória de longo prazo e conhece tudo o que acontece dentro da DSE!
Colaborar em arquiteturas modernas assim é o que te move? O projeto é aberto e gratuito para quem quiser aprender e contribuir nas frentes de Engenharia, Ciência e IA.
👉 Se você ainda não está no nosso servidor para acompanhar esses deploys e testar as ferramentas, entra por aqui: https://datascienceenthusiasts.com.br/conecte-se-e-cresca-com-a-data-science-enthusiasts/
Vamos construir o futuro do ecossistema de dados juntos! 🚀
DSE
Conecte-se e Cresça com a Data Science Enthusiasts! - DSE
Bem-vindo(a) ao universo da Data Science Enthusiasts (DSE)! Somos uma comunidade vibrante e apaixonada, dedicada a reunir pessoas de todos os níveis de conhecimento – desde curiosos e estudantes até profissionais experientes – que compartilham o entusiasmo…
❤1
