0%
Bruno Rodrigues

Lab: Criando relatórios executivos com o ChatGPT

Transcrição

É a generativa. Ela não é muito boa para fazer contas matemáticas, para fazer cálculos. A ideia de que um token que se aproxima do outro vai resolver um cálculo é bem problemática, né? 2 + 2 igual a 4 é uma combinação de caracteres ali que ele viu vezes o suficiente para acertar e às vezes pode até acertar uma conta mais complexa ali. Pouquinho mais complexa que essa, pelo menos. Direto com essa aproximação de tokens, mas é uma péssima técnica. E a forma que é a generativa resolve isso é programando, é fazendo pequenos pedaços de código, que esse código sim, vai ter essa capacidade de é executar uma conta qualquer. Né, conta simples podem funcionar num modelo aqui mais instantâneo dos desses algoritmos, né, que responde mais rápido, mas, em geral, o modelo de raciocínio é sempre o mais recomendado. Esse é OOOO modo que vai de fato validar depois AA, né? Vai, vai pensar e estruturar o que é que vai fazer antes de sair fazendo o código, depois vai fazer uma validação, vai ter realmente ali uma ponderação toda sobre o que é que está acontecendo. Esses modos aqui já os mais avançados já venceram inclusive desafios de matemática super difíceis, então é algo que funciona muito bem. A gente vai fazer um teste agora de gerar um relatório com o ChatGPT, mais do que isso, de extrair insights desse, de, de, de números, né? Através de código gerado por ele mesmo. Então nós vamos subir aqui um documento com 10000 transações, né? Um arquivo com 10000 transações de exemplo, a nossa documentação de sempre, do nosso produto financeiro, que serve como um guia geral sobre que produto é aquele. E eu vou pedir para ele de forma genérica novamente. Poderia ser mais específico também analise as transações. Anexas, e. Extraia todos os insights. Possíveis. O que é digno de nota? O que está fora do padrão? O que é interessante? Do ponto de vista de PLD? FT. Perfil de cliente. Volumes. Sazonalidades que regiões? Et cetera eu gosto muito de et cetera, porque é um convite para ele durante o processo de raciocínio. Pensar em mais coisas para serem sugeridas aqui, quanto mais tempo melhor, né? Eu vou para um modo estendido sempre, que está disponível na versão plus. E aí ele vai trabalhar em 11 em bastante código de novo para extrair números e extrair um relatório, extrair conclusões, extrair observações sobre esse documento. E a gente volta na sequência para ver o que que ele produziu. A gente volta aqui um pouquinho para ver o que que está acontecendo internamente, né? É a primeira etapa dele aqui está dizendo, né? Precisamos analisar OCSV de transações enviado e extrair em sites enfocando questões como? AMLCFT, perfil do cliente, volume, sazonalidade de regiões. O arquivo inclui especificações relacionadas ao cartão de crédito Gold, que pode dar contexto sobre estruturas de taxas. Porém, as páginas não foram extraídas. Contexto, então vamos resumir por página legal. Então está processando ainda e planejando. Vou identificar padrões suspeitos, como depósitos pequenos, movimentação rápida de fundos, comerciantes de alto risco, horários estranhos e outras características. É aqui é um exemplo assim muito bom de porquê produzir aquele prompt perfeito, né? Aquele acelerador é cada vez menos necessário, né? O próprio, a própria IA generativo, o próprio algoritmo produz o prompt, né? A gente sempre pode colocar também aquela etapa intermediária que é, é, eu estou fazendo aqui de uma forma mais acelerada, né, por causa do nosso tempo de me dei ideias ou o et cetera que a gente está usando. Mas eu posso também ter uma etapa intermediária, né? Onde eu digo para fazer uma análise aqui criteriosa, detalhada desse, desse arquivo? Quais informações você iria procurar sobre quais pontos de vista, sobre quais óticas? E aí vê essa lista que ele vai retornar, né? E julgar, remover itens, fala não, isso que é bobagem. Não precisa adicionar coisas e aí sim pedir Pra Ele executar, né? O que não tem forma melhor de fazer? Quando a gente realmente tem tempo ali, está dedicado a essa tarefa e entende desse Business, é coisa que a gente mesmo faz no dia a dia e só está passando essa atribuição para a máquina. Voltando então com a nossa resposta pronta, foram muitos minutos aqui, quase 10 minutos do do algoritmo pensando, ele fez algumas extrações aqui por amostragem de várias coisas que ele achou que eram importantes, né? Então KPIs, taxas, né? De aprovação e recusa. Fez muitos levantamentos aqui, como, como você pode ver. Né, localidade que a gente tinha pedido clientes, transações, sinalizadas. E essas amostras aqui é o código que ele está escrevendo já já. Fazendo uma primeira extração, né? Pra análise. E, por fim, Oo relatório dele, né? Segue os principais achados, resumo executivo, qual o período? Cobriu quanto as transações? O valor total? Ticket médio? Os canais, né? Então a divisão por canais, quando foi pago o em Cashback status, taxa de declínio, fraude sinalizada, 1,01% das transações, o que é digno de nota, né? Categorias com mais, com maior valor. A adoção de cartão virtual é o que está fora do padrão aí, uma série de de de coisas aqui, de pontos de atenção que ele achou que vale a pena trazer. Perfil de cliente e comportamento de compra à vista domina, 90% das compras são sem parcelamento. As parcelas mais usadas depois disso são 6 × 10 × 12 vezes. Isso aqui é muito legal, porque não deixa de ser um algoritmo de não deixa de ser 11 trabalho, porque o algoritmo está fazendo de identificação. De de anomalias, né? AA habilidade dele de de trabalhar com probabilidade. Da LLM, né? Do modelo de linguagem casada com esses números já extraídos e processados pelo código, faz com que eles comporte efetivamente como um algoritmo também de identificação de anomalias, coisa que até a existência desses algoritmos. A gente meio que programaria manualmente, né? E apontaria ali quais são as principais coisas. É para chamar atenção do algoritmo, né? Quais são as principais distorções? Faixas aqui não, né? Aqui a gente pode dar uma série com qualquer variedade de informações que AOA habilidade dele de interpretar essas informações. E identificar essas essas coisas que fogem um pouquinho do padrão, vai vai funcionar muito bem. Uma smite geográfico aqui também, que ele identificou, né? O estado do comércio, diferente do estado de residência do cliente, 90%, né? Parte disso é e-commerce, viagens. Então, por por cima de tudo o que a gente tinha falado até agora, ainda a capacidade de interpretação, né, e raciocínio mesmo, de linguagem, em cima dessas, desse, dessas, desses achados dele. Sazonalidade, regiões Internacional, né? Quais estados com maior valor e países? Vejam que a distribuição que ele fez lá, né, em outro contexto, sem totalmente desconectado desse, eu estou vendo aqui por cima dos números que está muito boa essa distribuição, né? Então aquilo que a gente pediu para ele tomar, aquele cuidado na hora de gerar esses dados de exemplo. E de fazer uma distribuição coerente. A gente nem precisou usar esse termos todos, né? Mas que IA acabar sendo coerente, factível, né? Realista, verossímil. Tá manifestado aqui, né? Pela distribuição dos estados por 90%. Tá no Brasil por ter uma taxa de de de transações suspeitas relativamente baixa, de acordo com a realidade. E aí, principais pistas aqui de PLD é a priorizar. Né, uma lista aqui de 5 itens. E as recomendações práticas no final? Lembrando que a gente sempre pode pedir para o algoritmo direcionamento mais específico, né? Do que que a gente está atrás de fato, mesmo nessa análise. Ou pedir para ele fazer mais uma análise, né? Olhar mais a fundo, entre aspas, procurar mais padrões, mais achados do que ele já encontrou nessa primeira análise.