O documento discute um processo de aquisição e análise de dados em tempo real. Ele propõe uma arquitetura com sensores coletando dados que são enviados para armazenamento e análise, incluindo machine learning. A escolha de algoritmo sugerida é regressão logística para criar um modelo preditivo a partir dos dados coletados.

1. Real Time Analytics
Diego Nogare
Chief Data Officer @ Lambda3
diego.nogare@lambda3.com.br

2. Agenda- Processo de Aquisição do Dado
- Arquitetura proposta
- Escolha do Algoritmo de Machine Learning
- Perguntas

3. Processo de
aquisição do dado

4. Linha de Produção
Dados de treino
Imagine um sensor colocado em
um dispositivo embarcado que
coleta sinais de temperatura, e
outro que valida se a maquina está
funcionando ou não. Este
dispositivo manda o sinal para um
local de armazenamento, que
servirá de base de treino para criar
o modelo preditivo.

5. Aquisição do dado

6. Criação do Modelo Preditivo

7. Saída do Processo

8. Fluxo de dados
Entrada Algoritmos SaídaClassificação
Regressão
Cluster
etc
Rest API
Database
etc
Database
URL
CSV
etc

9. Arquitetura
proposta

11. Ambiente conectado
Fluxo de dados
A partir da coleta dos
sensores, o sinal é enviado
(opcionalmente) ao gateway
para chegar ao barramento. O
Barramento faz o trabalho de
enviar o sinal para o destino,
que será o processo de
Streaming. O Streaming
permite a Análise em Tempo
Real.
Barramento
Stream
Analytics
Consumo
Machine
Learning
Sensores Gateway

12. Montagem de baixo custo
Arduino Uno DHT11 Relê 5V

13. Escolha do Algoritm
de Machine Learnin

14. Regressão Logística

15. Regressão Logística

16. Regressão Logística

17. Regressão Logística

18. Regressão Logística

19. Regressão Logística

20. Regressão Logística

21. Regressão Logística

22. Regressão Logística

23. Demo

24. Geração do Modelo Preditivo no Azure
ML

25. Análise em tempo
real

26. Excelência técnica para acelerar sua jornada digital.
w w w. l a m b d a 3 . c o m . b r