27 de Janeiro de 2024: Conclusão da Disciplina de Machine Learning Aplicada
Na última segunda do mês passado, concluímos a disciplina de Machine Learning Aplicada com a apresentação do nosso trabalho final em grupo. Durante a atividade, exploramos técnicas e otimizações para melhorar a classificação de imagens em dois datasets: um criado por nós (contendo imagens de cacatuas e perus) e o dataset DC Small (com imagens de cães e gatos) com as redes DenseNet121 e EfficientNetB0.
Nosso foco principal foi desenvolver um código bem estruturado que pudesse ser aplicado a ambos os datasets, facilitando a reprodutibilidade e expansão para outros conjuntos de dados.
Principais técnicas:
Redução de Dimensionalidade com PCA: Utilizamos PCA para reduzir a dimensionalidade das features extraídas das imagens, testando diferentes números de componentes.
Otimização do Modelo: Exploramos diferentes otimizadores e hiperparâmetros, incluindo o algoritmo Adam e diferentes valores de learning rate.
Particionamento do Dataset: Dividimos os dados em treino, validação e teste com proporções de 80%, 10% e 10%.
Modelos Testados: Comparamos os desempenhos do EfficientNetB0 e do DenseNet121 para classificação das imagens.
Usamos os seguintes parâmetros:
 |
| Parâmetros dos treinamentos. |
Modelos: EfficientNetB0 e DenseNet121
Otimizador: Adam
Learning Rate: 0.0001
PCA Components: 200
Particionamento: (0.8, 0.1, 0.1)
Tamanho do Batch: 32 e 64
Épocas: 10
Os resultados mostraram que o modelo DenseNet121 obteve uma acurácia significativamente maior (99,31%) em comparação com o EfficientNetB0 (49,08%) quando treinado com os mesmos parâmetros. Isso evidencia a eficiência do DenseNet121 para este tipo de tarefa.
 |
| Classificação de uma imagem de cacatua com DenseNet121. |
 |
| Comparação de acurácia entre os modelos. |
 |
| Resultados dos modelos. |
30 de Janeiro de 2025: Início do módulo Técnicas de Hyperautomation
Com a conclusão da capacitação, iniciamos a partir do dia 30/01 a disciplina de Hiperautomação. O foco será o desenvolvimento de uma solução para o processo de elaboração do relatório de frete aéreo do setor MAT HE com minha nova equipe: Ademar, Ana Caroline, Victor.
 |
| Equipe do desafio de frete aéreo. |
31 de Janeiro de 2025: I Feira do ZL Academy
Na última sexta feira aconteceu a 1ª feira ZL Academy. A feira contou com palestras e apresentações:
Apresentação dos artigos do SETA
Palestra sobre IA e automação, ministrada por Luís Ricardo Arantes Filho. Ele apresentou de forma interativa, incentivando o pensamento inovador e mostrando como a integração de IA e automação pode transformar indústrias.
Palestra sobre Hiperautomação e RPA, conduzida pelo professor da UFAM Celson Barbosa e Lohan Silva. Lohan compartilhou insights sobre como a hiperautomação está sendo aplicada na LG e seu impacto no cotidiano.
Apresentação das soluções desenvolvidas pelos alunos. Cada dupla das turmas da manhã e da tarde demonstrou suas soluções de RPA utilizando BotCity, Python e IA para os processos que mapearam durante as imersões na LG.
Eu e minha dupla Luan Pinheiro apresentamos soluções para o processo de elaboração do LTI. Destacamos duas soluções:
Solução A - RPA para Download e Envio por E-mail: Ideia seria eliminar a etapa manual de download de planilhas e economizar 10h mensais.
Solução B - Hiperautomação com IA: Envolveria aplicar IA para correção automática de erro e gerar insights preditivos sobre materiais mais caros e críticos, economizando 30h mensais.
 |
| Apresentação da 1ª feira do ZL Academy. |