0%
Bruno Rodrigues

Lab: Gerando dados de exemplo das demonstrações

Transcrição

Agora que nós já temos nosso cartão de crédito, nosso produto financeiro aqui pronto para ser lançado, a gente vai simular um pouquinho como é que seria essa operação. E o que é que a gente pode fazer, né? Em em relação a esse produto aqui nos algoritmos de área generativa, claro que há utilizações que a gente pode fazer que dependem da ATI, né? Dependem dos sistemas que a gente está utilizando. Que eles sejam integrados ali de forma automatizada, com com algoritmos de agenerativa para produzir resultados que a gente quer. A gente não vai falar disso aqui, né? A gente vai falar sempre do uso que a gente pode fazer prático aqui nas ferramentas. E às vezes, mesmo nesses usos, a gente tem o que extrair com números, com com. Com dados ali do cotidiano, então digamos que. A gente? Gente, por exemplo, que irá trabalhar com informações desse cartão de crédito. É de transações que já estão acontecendo, né? É para isso a gente vai gerar agora mesmo, né? Para simular 111, uso de caso desses um cenário desses, a gente vai gerar agora mesmo dados de exemplo. Então eu vou, como sempre, trazer aqui a minha documentação base como contexto. E eu vou pedir para ele, eu quero que você. Crie. Um arquivo com 1000. Vamos ser um pouquinho mais ousados ainda, 10000 transações de exemplo. Onde uma pequena parcela delas seja digna de nota. Fraude. Ou outras? Características. Interessantes de observarmos. Então vá, vejam o que é que eu dei uma pausa, né? Eu prefiro que ele me sugira, inclusive. Quais são outras características interessantes da gente observar, né? Se eu pedir isso no, no, No No modo aqui instantâneo. Não haver nada. Muito interessante, né? Porque ele vai sair respondendo como ele faz? Então vamos colocar no modo de raciocínio. Aqui no modo de raciocínio, No No ChatGPT? A gente tem como informar algumas. É alguns padrões de raciocínio, né? Então, se quanto tempo ele vai ficar pensando, quanto tempo ele vai ficar raciocinando, quantas interações? De sub prompts, por assim dizer, né? Ele vai fazer ali aqueles raciocínios que a gente enxerga para sair com uma resposta final no chat de PT plus no momento da gravação desse vídeo. É, tem a. Está disponível o padrão e o estendido, né? E aqui na minha versão que é a pro, que é mais cara, é também tem esse módulo leve e o modo pesado. Eu vou colocar o estendido para esse é para esse exercício aqui e vamos ver com o que ele sai. Eu vou pedir para ele também, né? Faço uma distribuição. Variada. Que fique interessante. Para analisar. Geografia, perfis, valores, et cetera. Aqui vai acontecer algo interessante, que é, ele não tem como produzir 10000 transações num fôlego só, né? Como a gente já viu anteriormente, o tamanho da resposta que ele dá aqui em cada uma para cada um dos prompts que eu envio é limitado e ele também não tem como fazer um trabalho probabilístico. Muito rico, né? Também assim, só com os tokens, um, depois no outro, só com uma resposta. Instantânea padrão. Né? Ou só produzindo toques? Mesmo que nesse modo de raciocínio, porque o que eu estou pedindo aqui Pra Ele é uma distribuição específica, né? Uma pequena parcela. Ele vai ter que traduzir em algum percentual e aí depois ele vai ter que realmente fazer esse percentual se materializar na resposta dele. Ele é muito bom de probabilidade, né? Mas não tanto assim a ponto de produzir tantos tokens ainda tomando esse cuidado no meio dessa produção. De o que que é 10%? O que que é 15%? O que que é 20%? Então o que ele vai ter que fazer aqui é produzir código para criar essas 10000 transações, né? Isso resolve vários problemas para ele. Resolve primeiro esse problema de distribuição, porque daí o código tem como fazer isso de maneira estruturada. É resolve esse problema do do tamanho máximo do arquivo, porque ele não vai estar o código não vai criar tokens, né? O código vai meramente criar um arquivo. Os tokens vão criar o código, né? AAAIA generativa vai gerar o código e o código vai ser executado. Então ele vai programar para a gente aqui para conseguir produzir esse resultado que a gente está pedindo. Deixa estar-me exibindo aqui só lendo documentos. Isso às vezes acontece. Provavelmente ele já está trabalhando aqui na resposta, então a gente vai esperar um pouquinho e voltar quando ele tiver pronto. Voltei aqui para mostrar para vocês, né? Depois de um pouquinho mais de 2 minutos de raciocínio, é ele fazendo esse código para a gente, variando inclusive aqui as geografias que eu pedi, né? E colocando a uma geração aqui de dados aleatórios entre justamente distribuições. Diferentes que a gente pediu, né? Com renda aqui, então qual que é a distribuição de acordo com a renda baixa, média e alta? E começando a gerar é esses essas transações aqui, seguindo esses padrões. Então vejam aqui também, né, o trabalho que daria para gerar 111 arquivo desse para gerar todo esse código, né? Para gerar esse arquivo. E o que é muito legal desse uso que a gente está fazendo é que é um uso de baixo risco. Né? Não são transações reais. É um arquivo de dados, de exemplos que a gente está fazendo, por exemplo, para simular, né? A gente pode simular uma série de coisas aqui, né? Simular a rentabilidade desse cartão a gente pode simular. AA utilização de acordo com os perfis. Então dá pra fazer uma série de exercícios aqui. São exercícios controlados, né? Não são dados que vão. Ter algum impacto de fato em produção nos clientes, na nossa operação? EE também, ainda que fosse o caso, é muito código já pronto, né? Em Python, nesse caso aqui que pode ser um acelerador, né? Pode ser validado por um desenvolvedor, por uma equipe, desenvolvedores experientes. Que pode depois se aproveitar desse código para ter um trabalho, uma entrega ali bem mais rápida. O trabalho está finalizado então, né? Ele está me respondendo aqui, é dando a resposta consolidada final. Foram muitos minutos que ele ficou pensando, apesar de estar aparecendo 2 aqui. Essa foi a primeira etapa só, né? Onde a gente até é, deu uma olhadinha aqui no que ele fez. EE aqui ele está explicando tudo o que ele colocou, né? Já num formato muito similar ao que a gente vê por aí em cenários reais, e a gente pode agora baixar esse CSV com 10000 linhas. E analisar o? O que que tem nele? Então está aqui o nosso CSV, né? A gente pode conferir que de fato. Opção, 10000 linhas. Certinho, né? Com essas, tem algum erro aqui de de incoding, né? De codificação que provavelmente é bem fácil de resolver abrindo o arquivo de uma forma um pouco diferente, importando os dados para o Excel, em vez de abrir diretamente, igual eu fiz, mas ele produz um arquivo válido que a gente pode testar na sequência e em um aplicativo, um dashboard já estruturado. Para extrair insights desse arquivo aqui. E aí esse arquivo aqui poderia ser um laboratório, né? Pode ser um insumo para um para um dashboard desse para um aplicativo que vai trabalhar com ele, é. E dependendo do do cenário que a gente tiver, a gente pode também trabalhar com planilhas desse tipo, reais, para algumas análises pontuais. Né, partindo desse acelerador aqui, desse ponto de partida.