- \n
- \nDesafio<\/div>\nMelhorar a precis\u00e3o da previs\u00e3o do per\u00edodo para os utilizadores de aplica\u00e7\u00f5es<\/div>\n<\/li>\n
- \n
Solu\u00e7\u00e3o<\/div>\nModelos lineares e baseados em \u00e1rvores para fazer melhores previs\u00f5es do ciclo menstrual<\/div>\n<\/li>\n- \n
Tecnologias e ferramentas<\/div>\nAprendizagem autom\u00e1tica: modelos de regress\u00e3o e de gradiente aumentado Cient\u00edfico (pilha Python de an\u00e1lise preditiva): Python, NumPy, scikit-learn, LightGBM, XGBoost; Aplica\u00e7\u00e3o Web: hug (estrutura Web), Gunicorn (servidor Web)<\/div>\n<\/li>\n<\/ul>\n<\/div>\nCliente<\/h2>\n
O cliente \u00e9 uma empresa de media e entretenimento sediada no Jap\u00e3o. A empresa oferece v\u00e1rias aplica\u00e7\u00f5es para harmonizar as diferentes necessidades dos clientes em todo o mundo.<\/p>\n
O cliente desenvolveu uma aplica\u00e7\u00e3o de an\u00e1lise preditiva. Trata-se de um rastreador de per\u00edodo que oferece informa\u00e7\u00f5es valiosas sobre o ciclo menstrual. Tem como objetivo acompanhar e prever o per\u00edodo (dia da pr\u00f3xima menstrua\u00e7\u00e3o, dura\u00e7\u00e3o do per\u00edodo, dia da ovula\u00e7\u00e3o, probabilidade de conce\u00e7\u00e3o) e fornece ao utilizador um fio de conversa.<\/p>\n
O cliente estava \u00e0 procura de conhecimentos especializados em aprendizagem autom\u00e1tica como um servi\u00e7o<\/a> e pediu \u00e0 nossa equipa que melhorasse a precis\u00e3o geral da previs\u00e3o.<\/p>\n
Desafio: melhorar a precis\u00e3o da previs\u00e3o do per\u00edodo para os utilizadores da aplica\u00e7\u00e3o<\/h2>\n
Mesmo com a abund\u00e2ncia de aplica\u00e7\u00f5es de rastreio do per\u00edodo menstrual no mercado de aplica\u00e7\u00f5es m\u00f3veis, as mulheres continuam a ter dificuldades em rastrear o seu per\u00edodo menstrual utilizando aplica\u00e7\u00f5es de previs\u00e3o ou a ter problemas em engravidar. Pode haver v\u00e1rias raz\u00f5es para isso, mas uma coisa permanece a mesma - a precis\u00e3o da previs\u00e3o que as aplica\u00e7\u00f5es modernas t\u00eam para oferecer.<\/p>\n
Recentemente, conclu\u00edmos um projeto semelhante relacionado com a previs\u00e3o do ciclo menstrual para uma famosa empresa em fase de arranque. Este projeto pode ser um bom exemplo de prospe\u00e7\u00e3o de dados preditivos.<\/p>\n
Ter experi\u00eancia em desenvolvimento de aplica\u00e7\u00f5es de an\u00e1lise preditiva<\/a>A nossa empresa teve o prazer de partilhar os nossos conhecimentos com o cliente e de o ajudar com uma solu\u00e7\u00e3o precisa e eficiente.<\/p>\n
A nossa equipa foi desafiada a melhorar a solu\u00e7\u00e3o atual para previs\u00f5es de per\u00edodos sem afetar o desempenho da aplica\u00e7\u00e3o.<\/p>\n
Solu\u00e7\u00e3o: modelos lineares e baseados em \u00e1rvores para fazer melhores previs\u00f5es do ciclo menstrual<\/h2>\n
Sabendo que a aplica\u00e7\u00e3o de previs\u00e3o tem muitos utilizadores, tivemos de optar por uma solu\u00e7\u00e3o robusta que fosse suficientemente forte para processar milhares de pedidos de utilizadores por minuto. Para o conseguir, decidimos utilizar modelos de previs\u00e3o baseados na aprendizagem autom\u00e1tica.<\/p>\n
A abordagem comum ao desenvolvimento de aplica\u00e7\u00f5es preditivas consiste em utilizar t\u00e9cnicas de extra\u00e7\u00e3o de dados.<\/p>\n
A nossa principal tarefa era prever o n\u00famero de dias que faltam para o in\u00edcio do pr\u00f3ximo ciclo menstrual em qualquer dia do ciclo atual. As seguintes informa\u00e7\u00f5es s\u00e3o obtidas at\u00e9 ao dia atual do ciclo (registos de menstrua\u00e7\u00f5es anteriores, informa\u00e7\u00f5es do perfil da utilizadora, registos de peso, registos de temperatura, hist\u00f3rico de eventos anteriores, eventos ocorridos durante o ciclo atual). Todos estes dados foram completamente anonimizados, n\u00e3o tivemos acesso aos dados pessoais da utilizadora.<\/p>\n
Com todas estas informa\u00e7\u00f5es, podemos calcular a data de in\u00edcio da pr\u00f3xima menstrua\u00e7\u00e3o utilizando a seguinte f\u00f3rmula: data atual + dias restantes previstos.<\/p>\n
Veja mais de perto a nossa abordagem:<\/p>\n
![\"Abordagem](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/04\/scheme-process.png\")
<\/p>\nA nossa equipa pegou em dados em bruto e extraiu algumas carater\u00edsticas num\u00e9ricas. Em seguida, utiliz\u00e1mos as carater\u00edsticas e o objetivo calculado (o n\u00famero de dias que faltam para o in\u00edcio do ciclo) para treinar um modelo capaz de prever o mesmo objetivo, mas para os novos utilizadores.<\/p>\n
A nossa equipa escolheu modelos preditivos lineares porque s\u00e3o mais r\u00e1pidos de treinar do que outras abordagens de aprendizagem autom\u00e1tica, como as redes neurais. Al\u00e9m disso, os modelos lineares requerem menos RAM. E \u00e9 muito mais f\u00e1cil implement\u00e1-los tanto no lado do servidor como no lado da aplica\u00e7\u00e3o.<\/p>\n
Propusemos uma fase de investiga\u00e7\u00e3o dos dados. Os principais objectivos desta fase s\u00e3o estimar a exatid\u00e3o que pode ser obtida atrav\u00e9s de uma abordagem de aprendizagem autom\u00e1tica<\/a>para determinar os tipos de dados \u00fateis para as previs\u00f5es e para selecionar as classes de modelos para posterior modeliza\u00e7\u00e3o.<\/p>\n
Os resultados da fase proposta s\u00e3o:<\/p>\n
- \n
- Prot\u00f3tipo de modelo para previs\u00e3o da dura\u00e7\u00e3o do ciclo<\/li>\n
- Prot\u00f3tipo de modelo para previs\u00f5es de dura\u00e7\u00e3o de per\u00edodos<\/li>\n
- Relat\u00f3rio de prova de conceito (incluindo a avalia\u00e7\u00e3o dos modelos treinados e a sua compara\u00e7\u00e3o com a solu\u00e7\u00e3o existente)<\/li>\n
- API de demonstra\u00e7\u00e3o<\/li>\n<\/ul>\n
Resultado: solu\u00e7\u00e3o baseada em dados para uma previs\u00e3o mais exacta do ciclo menstrual<\/h2>\n
A ESSID Solutions, com experi\u00eancia no desenvolvimento de aplica\u00e7\u00f5es de extra\u00e7\u00e3o de dados e an\u00e1lise preditiva, forneceu ao cliente uma solu\u00e7\u00e3o de elevada capacidade para melhorar significativamente a precis\u00e3o da aplica\u00e7\u00e3o de rastreio do per\u00edodo.<\/p>\n
O cliente beneficiou da nossa coopera\u00e7\u00e3o nos seguintes aspectos:<\/p>\n
- \n
- aumento da precis\u00e3o da previs\u00e3o do per\u00edodo at\u00e9 15%<\/li>\n
- fazer previs\u00f5es para mulheres com per\u00edodos irregulares<\/li>\n
- ajuda o cliente a lidar com a riqueza de dados do cliente de forma mais eficiente<\/li>\n
- forneceu recomenda\u00e7\u00f5es sobre a forma de implementar a previs\u00e3o da ovula\u00e7\u00e3o na aplica\u00e7\u00e3o<\/li>\n<\/ul>\n
Vamos trabalhar no seu Aplica\u00e7\u00e3o de previs\u00e3o com base na aprendizagem autom\u00e1tica<\/a><\/h3>","protected":false},"excerpt":{"rendered":"
- \n