O documento discute conceitos relacionados à ciência de dados e aprendizado de máquina, incluindo: (1) Data Science é o estudo disciplinado dos dados e informações de negócios; (2) Aprendizado de máquina envolve treinar modelos com dados para fazer previsões e extrair insights; (3) Aprendizado de máquina tem aplicações no setor financeiro como automação de processos e pontuação de crédito.

1. Data Science: O que é, conceito e
definição
Data Science é o estudo disciplinado dos dados e
informações inerentes ao negócio e todas as visões que
podem cercar um determinado assunto. É uma ciência
que estuda as informações, seu processo de captura,
transformação, geração e, posteriormente, análise de
dados.

2. Data Science: O que é, conceito e
definição
é um campo que abrange qualquer coisa relacionada à
limpeza, preparação e análise de dados. É um termo
abrangente para as técnicas utilizadas a fim de se extrair
dados e obter insights através de informações (conjunto
de dados).

3. Data Science: O que é, conceito e
definição
A ciência de dados envolve diversas disciplinas:
Computação;
Estatística;
Matemática;
Conhecimento do Negócio.

4. Data Science: Objetivo
transformar dados em informações ou produtos de
informações dentro de uma corporação. Além da
formulação dos problemas, escolha de modelos de
simulação e estatística e entrega dos produtos de dados.

5. Data Scientist x Business Analyst x Data Analyst
Data Scientist: Participa da formulação do problema,
hipóteses de resolução e análise de resultados.
Business Analyst: Analisa os dados gerados em relação
ao negócio ou empresa avaliada.
Data Analyst: Analisa os dados disponibilizados em busca
de solução para o problemas enfrentados.

6. O que é Data Analytics ?
é a ciência de examinar dados brutos com o objetivo de encontrar
padrões e tirar conclusões sobre essa informação, aplicando um
processo algorítmico ou mecânico para obter informações.
O trabalho de um analista de dados reside na inferência, que é o
processo de derivar conclusões que são unicamente baseadas no
que o pesquisador já conhece; por exemplo, executando uma série
de conjuntos de dados para procurar correlações significativas
entre si. O Data Analytics é usado em várias indústrias para permitir
que as organizações tomem melhores decisões, bem como
verifiquem e refutem teorias ou modelos existentes.

7. O que é Machine Learning?
Machine Learning é uma tecnologia onde os
computadores tem a capacidade de aprender de acordo
com as respostas esperadas por meio associações de
diferentes dados, os quais podem ser imagens, números
e tudo que essa tecnologia possa identificar. Machine
Learning é o termo em inglês para a tecnologia
conhecida no Brasil como aprendizado de máquina.

8. algorítimos de Machine Learning
Quando se desenvolve um sistema de aprendizado de
máquina, a estrutura utilizada na programação é diferente da
programação de software tradicional. No método tradicional
se cria um conjunto de regras para gerar uma resposta a partir
do processamento dos dados introduzidos.
Já os algoritimos de Machine Learning são criados a partir dos
dados que serão análisados e as as repostas (ou resultados)
que se esperam dessa análise, no final do processo o sistema
cria as próprias regras ou perguntas.

9. Aprendizado de Máquina Iterativo
Quando se desenvolve um sistema de aprendizado de
máquina, a estrutura utilizada na programação é diferente da
programação de software tradicional. No método tradicional
se cria um conjunto de regras para gerar uma resposta a partir
do processamento dos dados introduzidos.
Já os algoritimos de Machine Learning são criados a partir dos
dados que serão análisados e as as repostas (ou resultados)
que se esperam dessa análise, no final do processo o sistema
cria as próprias regras ou perguntas.

10. Aprendizado de Máquina Iterativo
A tecnologia Machine Learning permite que os modelos
sejam treinados em conjuntos de dados antes de serem
implementados. Um aplicativo ou software com Machine
Learning é um tipo de programa que melhora
automaticamente e gradualmente com o número de
experiências em que ele é colocado para treinar.

11. Aprendizado de Máquina Iterativo
Nessa primeira etapa o treinamento é assistido. O processo
iterativo leva à uma melhoria nos tipos de associações feitas entre
elementos e dados, os quais são apresentados em uma grande
quantidade. Devido a essa grande quantidade de dados que serão
analisados, os padrões e associações feitas somente por
observação humana poderiam resultar ineficientes, em caso de
que sejam feitas sem um suporte das tecnologias Machine
Learning.

12. Aprendizado de Máquina Iterativo
Após o treinamento incial de um aplicativo ou software
de Machine Learning ele poderá ser usado em tempo real
para aprender sozinho com os dados apresentando maior
precisão nos resultados com o passar do tempo.

13. Como Big Data e Machine Learning se associam?
Para trabalhar com o sistema de aprendizado de máquina é
necessário utilizar um certo conjunto de dados.
O Big Data permite que os dados sejam virtualizados para que
possam ser armazenados da maneira mais eficiente e econômica,
seja on premises ou na cloud. Além da eficiência o Big Data
também auxilia na melhoria da velocidade e confiabilidade da
rede, removendo outras limitações físicas associadas ao
gerenciamento de dados em grande quantidade.
Apesar das vantagens oferecidas no processo, uma empresa não
necessita ter Big Data para trabalhar com Machine Learning.

14. 4 aplicações práticas do machine learning no
setor financeiro
O uso do aprendizado de máquina na gestão de diferentes
modelos de negócio ainda é uma novidade recente. Na prática, o
uso da tecnologia apresenta uma série de desafios. Contudo, as
vantagens de longo prazo certamente superam muito os
obstáculos.
O machine learning tem potencial para proporcionar a mitigação
de riscos e a melhoria contínua dos processos e do modelo de
negócio. Isso porque os dados extraídos do mercado e da base
interna da organização orientam o aprendizado da máquina, para
que ela seja capaz de atender às principais demandas da
instituição.

15. 4 aplicações práticas do machine learning no
setor financeiro
Ainda assim, embora a adoção da inteligência artificial e machine
learning seja uma estratégia inteligente, muitas empresas têm
dificuldade para entender sua importância.
No setor financeiro, especialmente, é urgente compreender os
impactos das tecnologias disruptivas e os avanços que podem ser
conquistados com o uso adequado.

16. Conhecendo a proposta do machine learning
O conceito de machine learning (ML) pode ser definido como um
subconjunto de ciência de dados que usa modelos estatísticos para
extrair insights e fazer previsões.
Na prática, as soluções de aprendizado de máquina aprendem com a
experiência sem exigir uma programação detalhada. Basta selecionar os
modelos estatísticos e alimentá-los com dados. Feito assim, cada
modelo ajusta seus parâmetros, automaticamente, para melhorar os
resultados.
Para usar a tecnologia, primeiro, os cientistas de dados treinam
modelos de aprendizado de máquina com conjuntos de dados
existentes. Na sequência, eles aplicam modelos bem treinados a
situações da vida real. Eles são executados em segundo plano e
fornecem resultados automáticos, tomando como base o treinamento.

17. Conhecendo a proposta do machine learning
O aprendizado da máquina tem sido explorado também pelo
setor de serviços financeiros. Já existem enormes conjuntos de
dados do mercado bancário: são petabytes de dados sobre
transações, clientes, contas e transferências de dinheiro.
À medida que a tecnologia evolui e os melhores algoritmos
pertencem a um ecossistema de código aberto, é certo que o
machine learning tem seu espaço no futuro dos serviços
financeiros.

18. Conhecendo a proposta do machine learning
Por que usar o machine learning na sua estratégia?
por que as empresas de serviços financeiros não podem ignorar
o aprendizado de máquina?

19. Conhecendo a proposta do machine learning
O fato é que a tecnologia pode ser incorporada a vários processos
nas instituições financeiras. Muitos executivos de serviços
financeiros já investem no aprendizado de máquina. Eles são
motivados por uma série de razões, entre elas:
Redução de custos operacionais graças à automação de processos;
Aumento da receita por conta da maior produtividade do time e
das melhorias contínuas na experiência do usuário;
Maior aderência aos critérios de conformidade e compliance;

20. Conhecendo a proposta do machine learning
Fortalecimento das políticas de segurança da instituição.
Como o mercado bancário dispõe de um grande volume de dados
históricos, explorando essas informações e a variedade de
algoritmos e ferramentas, o machine learning tem potencial para
aprimorar muitos aspectos do ecossistema financeiro.
Machine learning contribui para a segurança do sistema financeiro

21. Conhecendo a proposta do machine learning
Com o número crescente de transações, usuários e integrações de terceiros,
as ameaças à segurança do sistema financeiro também aumentam.
Neste contexto, o machine learning deve ser usado pelas instituições
financeiras também na estratégia de segurança, gerenciamento de risco e
compliance. Isso porque os algoritmos de aprendizado de máquina são
treinados para detectar fraudes.
Os bancos, por exemplo, podem usar essa tecnologia para acompanhar os
parâmetros de transação das contas em tempo real. Desse modo, conseguem
identificar comportamentos fraudulentos com alta precisão, avisando o
cliente e até impedindo a transação quando a probabilidade de fraude chega
a 95%.

22. Conhecendo a proposta do machine learning
O machine learning é usado também no treinamento do sistema
financeiro para que ele seja capaz de detectar um grande número
de micropagamentos e apontar técnicas de lavagem de dinheiro,
como o smurfing.
De outro modo, os cientistas de dados também treinam sistemas
para detectar e isolar ameaças cibernéticas, que podem
comprometer a disponibilidade dos recursos e serviços e a
segurança digital dos bancos.

23. #1 Automação de processos
Essa é uma das aplicações mais comuns do aprendizado da máquina em finanças. O
machine learning permite automatização de tarefas repetitivas, aumentando a agilidade dos
processos e a produtividade do time.
Logo, o uso da tecnologia gera outros ganhos para os bancos, como otimização de recursos,
redução de custos, amplo portfólio de serviços e foco na experiência do cliente.
Uso de chatbots no atendimento;
Automação de call center;
Gamificação de treinamento de funcionários

24. #2 Subscrição e pontuação de crédito
Os algoritmos de aprendizado da máquina podem otimizar as tarefas de
subscrição que são tão comuns no setor de finanças e seguros.
Usando o machine learning, os cientistas de dados treinam modelos em
milhares de perfis de clientes com centenas de entradas de dados para cada
cliente.
Dessa maneira, um sistema bem treinado pode executar as mesmas tarefas
de subscrição e pontuação de crédito nos ambientes da vida real.
Os mecanismos de pontuação orientam os profissionais, que conseguem
trabalhar com muito mais rapidez e precisão.

25. #3 Negociação algorítmica
• Neste caso, o aprendizado de máquina ajuda a tomar decisões mais
inteligentes.
• A negociação algorítmica consiste no uso de um modelo matemático que
monitora os resultados das notícias e do comércio em tempo real. Desse
modo, ele detecta padrões que podem levar os preços das ações a subir ou
descer. A partir das suas projeções, o modelo pode agir proativamente
para vender, manter ou comprar ações.
• Contudo, os profissionais também podem usar os algoritmos de
aprendizado de máquina para obter uma pequena vantagem sobre a
média do mercado. Em grandes operações comerciais, essa pequena
vantagem pode gerar lucros expressivos.

26. #4 Robo-banker
• O uso de robôs consultores já é realidade nas instituições financeiras.
Atualmente, os robôs se destacam em duas aplicações de machine learning:
• Gerenciamento de portfólio: trata-se de um serviço on-line de gerenciamento de
patrimônio que usa algoritmos e estatísticas para alocar, gerenciar e otimizar os
ativos dos clientes. Aos clientes, basta informar os ativos e objetivos financeiros
atuais. A partir daí, o robô advisor aloca os ativos atuais em oportunidades de
investimento com base nas preferências de risco e nos objetivos do cliente.
• Recomendação de produtos financeiros: muitos bancos e corretoras já usam
robôs consultores para recomendar planos de seguros personalizados. O robô
advisor oferece várias vantagens como taxas mais baixas, recomendações
personalizadas e calibradas e disponibilidade 24/7.