KGM
Kaggle Grandmaster
Tecnogueto
Unicamp
Unicamp
GDE
Google Developer Expert
Tecnora
GDE
Google Developer Expert
WildLife Studios
Magna Sistemas
Dextra
Nubank
Unicamp
Everis Brasil
GDE
Google Developer Expert
CI&T
CI&T
Google Cloud
Daitan
SEEK
ILUMEO Data Science Company
Sympla
Sympla
GDE
Google Developer Expert
CI&T
ASN.Rocks
Daitan Group
QuintoAndar
Wavy (Movile)
Wavy (Movile)
Conceito Digital Consultoria e Treinamentos
SiDi
Blueshift
Beblue
Afonso & Corrêa Advogados
ZarpSystem
BL Consultoria Digital
CI&T
Prestus
A consultoria Gartner estimou que de cada 100 projetos de data science, 85 ficam abaixo das expectativas. A falta de clareza dos passos necessários para executar um projeto com sucesso prejudica o planejamento, causa atrasos nas entregas, e inflaciona as expectativas. Como garantir que o seu projeto esteja entre os 15 que causam impacto positivo em sua empresa?
Mario Filho Co-fundador numa fintech,
Mario Filho atua desde 2014 em projetos de data science para empresas. Premiado em cinco competições internacionais de machine learning. Atualmente trabalha como co-fundador em uma FinTech, e publica conteúdo sobre data science em https://www.youtube.com/c/MarioFilhoML.
Reinforcement Learning (RL) has been successfully applied in many scenarios for a long time. However, it was only the past couple of years that we saw breakthroughs related to these paradigms and real-world problems. In this talk, we are going to discuss how RL can help to solve the ML pipeline.
TBD
Esther Colombini Professora no Instituto de Computação, Unicamp
Esther Luna Colombini é mestre e doutora em Engenharia de Computação pelo Instituto Tecnológico da Aeronáutica (ITA) com ênfase em IA e Robótica. É professora do Intituto de Computação da Universidade Estadual de Campinas (UNICAMP) e pesquisa nas áreas de aprendizado de máquina, robótica autônoma, modelagem cognitiva e robótica na educação. Foi presidente da RoboCup Brasil (2012-2016) e organizadora da Olimpíada Brasileira de Robótica (2015-2016), iniciativa pública apoiada pelo CNPq que envolve mais de 150 mil alunos no país. É membro fundador da Olimpíada Brasileira de Robótica (OBR), da Mostra Nacional de Robótica (MNR) e da RoboCup Brasil. Foi organizadora geral do evento mundial da RoboCup 2014 e das Competições Brasileiras e Latino-Americana de Robótica de 2010-2012. Foi diretora de Competições Científicas da Sociedade Brasileira de Computação (2017-2019) e é presidente do IEEE WIE Unicamp (Women in Engineering). Coordena o Laboratório de Robótica e Sistemas Cognitivos da UNICAMP.
Todos os conjuntos de dados contêm vieses, geralmente não intencionais, devido à forma como foram adquiridos e anotados. Esses vieses distorcem o desempenho dos modelos de aprendizado de máquina, criando correlações espúrias que os modelos podem explorar injustamente ou destruindo contrariamente correlações convincentes que os modelos poderiam aprender. Nesta apresentação, vamos explorar experimentos que revelam ambos os tipos de vieses, positivos e negativos, nos conjuntos de dados de lesões de pele. Nossos resultados mostram que os modelos podem classificar corretamente imagens de lesões de pele sem informações clinicamente significativas: perturbadoramente, o modelo de aprendizado de máquina aprendido sobre imagens onde não há informações sobre a lesão apresenta uma precisão acima do benchmark de IA curado com o desempenho de dermatologistas. Nossas principais descobertas aumentam a conscientização sobre as limitações de modelos treinados e avaliados em pequenos conjuntos de dados, como os que avaliamos, e podem sugerir diretrizes futuras para modelos destinados à implantação no mundo real. (Não será essa descrição a ser divulgada.)
TBD
Sandra Avila Professora no Instituto de Computação, Unicamp
Pesquisadora e Professora do Instituto de Computação da Universidade Estadual de Campinas. É doutora em Ciência da Computação pela UFMG e pela Universidade Pierre e Marie Curie (atual Sorbonne, Paris). Desenvolve projetos na área de Inteligência Artificial para saúde, análise de conteúdo sensível, agricultura de precisão e outras aplicações.
Essa palestra mostra de forma sucinta modelos matemáticos de aproximação, como o LIME e Shapley Values, e ferramentas para interpretabilidade, como o What If Tool, que descrevem como os modelos de ML fazem as previsões e como os datapoints de um conjunto de dados se relacionam. Você vai entender a importância da explicabilidade, alguns métodos existentes, e como é possível melhorar seus modelos em técnica e impacto ao incluir essas atividades no seu pipeline de Data Science.
Bianca Ximenes Consultora, Tecnora
Bianca é extremamente curiosa e gosta de entender como as coisas funcionam. É consultora da Tecnora e doutoranda em Ciência da Computação pela UFPE. Seu trabalho aborda as repercussões éticas de Machine Learning na sociedade, e ela aplica esse conhecimento na criação responsável de produtos digitais inteligentes.
Alerta de Spoiler: essa palestra terá sistemas de Deep Learning rodando ao vivo! Durante essa apresentação, você vai descobrir como eu me tornei um Engenheiro de Machine Learning. Além disso, você verá os problemas do mundo real que eu já trabalhei e como eu resolvi eles aplicando Machine Learning e Deep Learning. Hoje, alguns dos meus modelos em produção são responsáveis por avaliar mais de 2,2 milhões de imagens por mês. Ao final da palestra, dicas para quem também quer fazer o mesmo ou apenas aprender mais sobre Deep Learning também serão dadas.
Arnaldo Gualberto Engenheiro de Machine Learning, WildLife Studios
Arnaldo é Google Developer Expert em Machine Learning desde 2018 e trabalha como Engenheiro de Machine Learning na WildLife Studios. Recentemente, Arnaldo tornou-se doutorando em Deep Learning pela UFCG.
Dados gerados por meio do monitoramento diário de alunos e professores, tanto em ambientes tradicionais de aprendizagem quanto em e-learning, podem ser utilizados para se projetar melhorias relacionadas à educação, como a melhor recomendação de materiais didáticos, criação de planos de estudo personalizados e até gerar previsões sobre o desempenho dos alunos, por exemplo, evitando a evasão dos estudantes. Todas essas tarefas foram atacadas por algoritmos de Aprendizado de Máquina de última geração. Nesta apresentação, teremos uma experiência imersiva com alguns desses projetos e algoritmos, de modo que possamos visualizar o que vem a seguir.
Ahirton Lopes Data Scientist, Magna Sistemas
Data Scientist na Magna Sistemas, atuando na Secretaria de Educação do Estado de São Paulo, e professor de cursos de MBA e graduação em Ciência de Dados, Inteligência Artificial e Machine Learning, Cloud Computing bem como de Engenharia de Dados, além de community manager na AI Brasil e professor voluntário da iniciativa School of AI SP. Apaixonado por aprendizagem, startups, psicologia e inovação em geral, é mestre em Engenharia Elétrica pela Universidade Presbiteriana Mackenzie (UPM) e doutorando em Engenharia Elétrica e Computação na mesma instituição.
Nessa talk falarei sobre como podemos montar um recomendador content-based, utilizando Redes Neurais, que leva em conta informações sobre o conteúdo a ser recomendado, como descrição, resumo e tema, e como isso pode ser utilizado para análise do panorama das proposições que tramitaram na Câmara dos Deputados nos últimos anos.
fklearn é um pacote open source de machine learning desenvolvido no Nubank que usa princípios de programação funcional pra tornar mais fácil resolver problemas reais de Machine Learning.
Deep Learning é uma área de grande interesse tanto na indústria como na academia. Os resultados trazidos pelos métodos de aprendizagem profunda fazem com essa área seja cada vez mais impulsionada por esses dois setores e faz com que eles trabalhem juntos em busca de resultados mais promissores. Com o objetivo de evoluir e melhorar ainda mais as redes neurais profundas os pesquisadores estão buscando inspiração no mecanismo biológico dos seres vivos conhecido como atenção. Apenas em 4 anos de existência dessa nova abordagem já existem aproximadamente 4 mil papers abordando o assunto e trazendo novas arquiteturas de rede neural. A atenção nessas redes é tida como o mecanismo que proporcionará a próxima evolução das redes neurais profundas.
Alana Correia Aluna de Doutorado, Unicamp
Graduada em Engenharia de Computação pela Universidade Federal de Sergipe (2011-2015). Mestre em Engenharia Elétrica pela mesma instituição na área de Atenção Visual. Atualmente doutoranda em Ciência da Computação pela Universidade Estadual de Campinas (Unicamp) realizando pesquisas na área de atenção em deep learning e robótica, com ênfase em aprendizado por imitação e aprendizado por reforço.
Lorem ipsum é um famoso 'gerador de textos' utilizado por desenvolvedores e designers para preencher espaços e testar aspectos visuais como cores, fontes etc. Porém em seu desenvolvimento ele apenas faz uma busca de partes de textos já existentes. Nesta palestra vamos entender como criar um gerador de textos com inteligência artificial, quais são os diferentes algoritmos possíveis, suas problemáticas e como preparar seu dataset.
Letícia Pedroso Data Scientist e Coordenadora de Comunidades, Everis Brasil
Data Scientist na Everis Brasil, Instrutora de Lógica de Programação e Inteligência Artificial no Sesc São Paulo, coordenadora da comunidade Developers-BR na frente feminina de Inteligência Artificial com o projeto 'E AI, Girls', coordenadora da comunidade Nerdzão/Nerdgirlz, entusiasta de Computer Vision, apaixonada por animais comunidades e compartilhamento de conhecimento.
Sinta-se convidado a participar de uma consultoria de 50 minutos na qual irei apresentar uma série de abordagens diferentes para migrar seu Data Lake/Warehouse de outros provedores ou mesmo do próprio data-center para o GCP, levando em consideração diversos requisitos como real-time processing, durabilidade e disponibilidade, baixa latência de rede, segurança, escalabilidade, custos e outros. Veremos também como 'massagear' os dados após terem sido ingeridos, para fins como data cleansing, masquerading, pre/post-processing e obter insights por meio de ferramentas de visualização e até fazendo uso de algoritmos de machine learning/AI. Não saia com dúvidas, participe fazendo perguntas!
Lucas Arruda Systems Architect, CI&T
Google Developer Expert em Cloud e Arquiteto na CI&T, Lucas trabalha com tecnologia há mais de 12 anos desenhando e implementando soluções para clientes globais/internacionais (Fortune 500). Além de gerir times multi-disciplinares de alta performance, parte do seu tempo é dedicado a compartilhar conhecimento, dentro e fora da empresa onde trabalha, atingindo alguns milhares de profissionais através de seus cursos, palestras e workshops ao longo dos últimos anos.
TFX é um conjunto de bibliotecas projetado especificamente para implementar pipelines de ML escaláveis e de alto desempenho. Nesta talk será abordado as seguinte bibliotecas: * TensorFlow Data Validation (TFDV) utilizada para entender, validar e monitorar os dados; * TensorFlow Transform (TFT) utilizada para tokenização e stemming de texto, geração de vocabulários e execução de operações numéricas como normalização; * TensorFlow Model Analysis (TFMA) utilizada para calcular e visualizar métricas a fim de garantir desempenho de qualidade em todas as fatias relevantes do conjunto de dados.
Existem várias alterações no TensorFlow 2.0 para tornar os usuários do TensorFlow mais produtivos. O TensorFlow 2.0 remove APIs redundantes, torna as APIs mais consistentes (RNNs unificadas, otimizadores unificados) e se integra melhor ao tempo de execução do Python com a Eager execution. Este guia apresenta uma visão de como deve ser o desenvolvimento no TensorFlow 2.0.
Pedro Lelis Data Scientist, CI&T
Moved by curiosity, I'm an entrepreneurial scientist who seeks to improve people's lives through Artificial Intelligence solutions. I'm data scientist at CI&T, dean at School of AI and Google Cloud Certified both as Professional Data Engineer and as Professional Cloud Architect. I'm also speaker, coordinator and organizer in academic and business conferences. Specialties: Python, TensorFlow, Google Cloud and Teaching (People and Machines). Main researches and interests: Fairness in Machine Learning, Few-shot Learning, Memory-Augmented Neural Network, Transformer (Attention), Generative Adversarial Network and Reinforcement Learning.
Para que um modelo de Machine Learning gere bons resultados no mundo real, que está em constante evolução, é preciso garantir que o treinamento e ativação do modelo sejam reproduzíveis, confiáveis e com performance consistente. Esse é o objetivo da disciplina de ML Ops, que busca trazer para o mundo de ML os benefícios que DevOps já trouxe para o mundo do desenvolvimento de software tradicional, levando em conta as diferenças entre esses dois paradigmas. Falaremos dos conceitos, processos e ferramentas que permitem a adoção de ML Ops em uma organização que quer obter valor efetivo de seu investimento em Machine Learning.
Armazenar, catalogar e processar grandes quantidades de dados exigem novas ferramentas e novos processos. Nesta apresentação, mostraremos o conceito (e a prática) de como realizar estas ações de maneira moderna, modular e escalável, utilizando um Data Lake e a Arquitetura Lambda.
Felipe Pereira Machine Learning Engineer, Daitan
Sou Expert em Dados, apaixonado por aprender, com 13 anos de experiência na área e com expertise em Engenharia de Dados, Ciência de Dados, Bancos de Dados Relacionais, Bancos de Dados NoSQL. Também tenho experiência em Metodologias Ágeis em projetos nacionais e internacionais.
Em tempos de iniciativas data-driven, os planejamentos estratégicos de curto e longo prazo exigem estimativas das iniciativas a serem investidas ao longo do ano. Nesta conversa eu compartilharei algumas experiência em como estimar e medir tais impactos em sua empresa.
Weslley Patrocinio AI Manager, SEEK
Career focused on research, development and innovation based on artificial intelligence, software development and technology evaluation. Since 2009 developing R&D and business projects of AI, Machine Learning, Data science, Big Data, Internet of Things, Mobile/web/desktops apps, High Performance Computing and Software development for national / multinational companies and government. Former nanotechnology reasearcher.
Um dos principais desafios dos líderes, seja de grandes empresas ou startups, é a definição de seus investimentos em comunicação e mídia. Saiba como a ciência de dados está trazendo eficácia e assertividade para esse processo e aprenda com os principais insights colhidos a partir de entrevistas com CMOs de grandes anunciantes brasileiros.
Diego Senise Head of Data Tech e Cofounder, ILUMEO Data Science Company
Diego Senise é Cofundador e diretor de Data Tech da ILUMEO Data Science Company. Ao longo dos últimos 8 anos vem liderando projetos data-driven com foco em inovação, eficiência operacional e gestão de investimentos em mídia para empresas como XP Investimentos, Youse, Stone, Diageo, Nestlé e Loft. Anteriormente, atuou nas áreas de planejamento das agências F/Nazca, Leo Burnett e Click. Diego faz doutorado sobre a relação entre traços de personalidade e resultados de propaganda. É autor do livro Retorno de Investimentos em Comunicação. Formado em Publicidade e Propaganda pela ECA-USP e possui Masters em Comunicação pela Universidade da Flórida.
No início do ano, a Harvard Business Review compartilhou uma pesquisa mostrando que apesar de todo o investimento em tecnologias, 72% das empresas pesquisadas estão falhando em seus esforços para ser tornarem data-driven por falta de uma cultura de dados. Talvez já percebemos isso, não é mesmo? Todos nós temos uma participação na construção dessa cultura. No dia-a-dia de produto, o design acaba sendo um marco no efeito dominó de 'achismos', podendo resultar em interfaces 'sem pé nem cabeça'. Então, qual o papel do design rumo ao tão falado data-driven? Nesta palestra iremos apresentar como, na Sympla, os UXers fazem para fortalecer dentro do time de produto o uso consciente dos dados, reduzindo as incertezas nas nossas decisões em produto. Focaremos em fomentar discussões e compartilhar alguns aprendizados que tivemos nessa empreitada, como: entender a limitação dos dados e lançar o olhar propositivo do design para eles.
Thaís Falabella UX Researcher, Sympla
Thaís Falabella é formada em Design de Produto e mestre em Design, Inovação e Sustentabilidade pela UEMG. Trabalha com inovação, empreendedorismo e design. Atualmente é UX Researcher, na Sympla, professora no ensino superior de design do INAP, além de ser Community Leader do InovAtiva Brasil e Líder Local do IxDA. Foi corresponsável pela implementação e liderança do Setor de Experiência do Usuário (UX) na PUC Minas Virtual, mentora de design de negócios na Mooca e trabalhou como Agente Local de Inovação no SEBRAE.
No início do ano, a Harvard Business Review compartilhou uma pesquisa mostrando que apesar de todo o investimento em tecnologias, 72% das empresas pesquisadas estão falhando em seus esforços para ser tornarem data-driven por falta de uma cultura de dados. Talvez já percebemos isso, não é mesmo? Todos nós temos uma participação na construção dessa cultura. No dia-a-dia de produto, o design acaba sendo um marco no efeito dominó de 'achismos', podendo resultar em interfaces 'sem pé nem cabeça'. Então, qual o papel do design rumo ao tão falado data-driven? Nesta palestra iremos apresentar como, na Sympla, os UXers fazem para fortalecer dentro do time de produto o uso consciente dos dados, reduzindo as incertezas nas nossas decisões em produto. Focaremos em fomentar discussões e compartilhar alguns aprendizados que tivemos nessa empreitada, como: entender a limitação dos dados e lançar o olhar propositivo do design para eles.
Neste workshop hands-on, irei demonstrar na prática, do protótipo ao deploy, como implementar sistemas de recomendação utilizando arquiteturas de Deep Learning.
Gabriel Moreira Lead Data Scientist, CI&T
Gabriel Moreira é Lead Data Scientist na CI&T e Google Developer Expert (GDE) em Machine Learning. Possui bacharelado em Ciência da Computação e Mestrado pelo ITA, onde atualmente cursa Doutorado, com ênfase em Sistemas de Recomendação e Deep Learning. Possui mais de 15 anos de experiência em desenvolvimento de software, soluções de machine learning, analytics e big data.
Todo cientista de dados bem preparado conhece e sabe utilizar muitas técnicas de modelagem. Durante o processo de desenvolvimento criar vários modelos e nesse momento se depara com o desafio de escolher apenas um algoritmo para colocar em produção, mas qual modelo escolher? Nesse workshop vamos discutir os propósitos dos modelos e as métricas atreladas a cada propósito. Vamos interagir compartilhando casos reais e mostrar os caminhos abordados para suportar a escolha do melhor modelo! Teremos 90 minutos de muita troca de conhecimento! Não deixe de participar!!!
Dri Silva Jedi em Analytics, ASN.Rocks
Adriana Silva é formada em estatística pela UNESP Presidente Prudente, mestre em estatística na ESALQ/USP. Já trabalhou em empresas como SAS, Oracle, Abril e Kantar. Atualmente é Jedi em Analytics na ASN.Rocks (www.asn.rocks), professora na FGV, EGG, SAS e está como Presidente do Conselho regional de estatística, da região de São Paulo (Conre-3)!
Engenharia de dados (Data Engineering, DE) entra em Ciência de Dados como o suporte para a coleta, transformação e preparação dos dados que todo cientista de dados precisa. Nesta palestra vamos entender o básico do que são dados, quais são as transformações mais comuns que Ciência de Dados precisa, e os problemas - com algumas soluções! - que tiram o sono dos cientistas de dados.
Ivan Marin Principal Data Scientist, Daitan Group
Ivan Marin é bacharel em Física pela USP, com mestrado em Física Aplicada pelo IFSC e doutorado em Engenharia na EESC, também pela USP. Atualmente trabalha com cientista de dados líder e arquiteto de sistemas na Daitan, depois de passagens por empresas multinacionais da área de agricultura, comunicações e saúde. Tem como interesses ciência de dados, aprendizado de máquina e computação de alto desempenho, além de gerenciamento de equipes e liderança em projetos de desenvolvimento.
Abordarei 2 tipos de infra mais usado no Airflow, uma mais básica geralmente usada por quem está começando a orquestrar seus fluxos, e outro abordando uma versão mais complexa que realmente usa o poder da orquestração de pipelines. Essa apresentação irá abordar assuntos tanto básico como intermediário que pode ajudar a evoluir sua infraestrututura de dados.
Muitas empresas hoje se consideram "Data Driven" pelo grande investimento em tecnologia, mas afinal, ser data driven é apenas ter a tecnologia para isso? A tecnologia é importante, mas o maior desafio está além dela, na cultura. Nesta conversa, queremos compartilhar um pouco da nossa experiência e como enfrentamos este desafio diariamente. É claro, não poderíamos deixar de falar de tecnologia, por isso vamos apresentar como o Metabase e o BigQuery nos ajudou nesta "empreitada".
Fábio Luiz Tagliari Data Engineer Specialist, Wavy (Movile)
Atualmente na posição de Data Enginner na Wavy, mais de 10 anos atuando em tecnologia e me considero um entusiasta em Big Data e Cultura de dados. Meu objetivo como profissional é solucionar problemas do negócio e criar novas oportunidades, embasado em dados.
Muitas empresas hoje se consideram "Data Driven" pelo grande investimento em tecnologia, mas afinal, ser data driven é apenas ter a tecnologia para isso? A tecnologia é importante, mas o maior desafio está além dela, na cultura. Nesta conversa, queremos compartilhar um pouco da nossa experiência e como enfrentamos este desafio diariamente. É claro, não poderíamos deixar de falar de tecnologia, por isso vamos apresentar como o Metabase e o BigQuery nos ajudou nesta "empreitada".
Darcy Junior Consultor em Direito Digital, Conceito Digital Consultoria e Treinamentos
Co-fundador da Conceito Data Privacy Consulting; Bacharel em Administração de Empresas; Pós-graduado em Direito Digital e Compliance; Pós-graduado em Marketing Digital e Negócios Interativos; Certificado pela EXIN em Privacy & Data Protection – LGPD; Palestrante e Consultor em Privacidade e Proteção de Dados pessoais; Atuei em empresas como: Kalunga, IBM e EPTV (afiliado Globo) na área de Desenvolvimento de Sistemas Web.
Werner Denzin Tech Lead, SiDi
Werner Denzin é Tech Lead (Senior Software Engineer) no SiDi, responsável pela liderança técnica de inúmeros projetos Samsung e atualmente, tem atuado na concepção de Data Strategies/Lakes/Pipelines (de um dos principais produtos do SiDi destinado a área de Services da Samsung) com o objetivo de extrair métricas (BI), insights, oportunidades de melhoria, além da aplicabilidade de IA como diferencial para evolução e para aumento da satisfação dos clientes.
Alan Camilo CTO, Blueshift
Alan Camillo, idealizador e fundador da BlueShift Brasil. Com formações em tecnologia, geoestatística, economia e mais de 15 anos de experiência como arquiteto de software, sistemas de alta disponibilidade e de grande porte, vem se especializando em Big Data desde 2011. É referência em engenharia de dados e construção de Data Lakes, com participação na construção da estratégia de dados de importantes empresas do mercado brasileiro.
Pedro Contart Chapter Lead de Engenharia de Dados, Beblue
Tendo sido um dos principais responsáveis pela criação, estruturação, e atualmente, manutenção e desenvolvimento do Data Lake da Beblue, atua como Chapter Lead Data Engineer, direcionando o time de engenharia de dados na utilização das soluções mais avançadas do mercado, como processamento e tomada de decisão em tempo real.
Thamiris Moraes Advogada, Afonso & Corrêa Advogados
Advogada. Graduada pela Universidade Paulista UNIP. Pós-graduanda em Direito Civil pela LFG. Atuante no Direito de Família, contencioso e consultivo Cível e Contratual Empresarial. Associada à Associação dos Advogados de São Paulo - AASP e também Certificada em Recursos Cíveis Contra Decisões de Primeiro Grau, Direito Empresarial Digital e Inovação e Direito de Família e Sucessões. Cerficada pela Instituição de Ensino Êxito em Responsabilidade Civil no Erro Médico e pela FGV em Direito Imobiliário. Membro integrante da Comissão dos Jovens Advogados da OAB Campinas/SP.
Eliézer Zarpelão Arquiteto de Software, ZarpSystem
Empreendedor apaixonado por desenvolvimento Web com mais de 15 anos de experiência e co-fundador da ZarpSystem. Atualmente atua como arquiteto de software na ZarpSystem, professor universitário na UNAERP e violoncelista nas [poucas] horas vagas. Especialista em Engenharia de Software pela Unicamp e Graduado em Sistemas de Informação pela USP.
Neste Workshop o participante aprenderá sobre os princípios de privacy by design. A ideia é, ao final, tentar formular junto com os participantes um Termo de Uso e Política de Privacidade aplicando a metodologia Privacy by design que só será possível se os conceitos forem utilizados no design da plataforma em questão.
Graziela Brandão de Lima Advogada, BL Consultoria Digital
Advogada com atuação profissional nas áreas de Direito Digital e Compliance, com foco em proteção de dados e criptoativos. Mestra em Ciências Humanas e Sociais Aplicadas pela Faculdade de Ciências Aplicadas da UNICAMP. Pesquisadora na linha Mudanças Tecnológicas e Condição Humana. Professora coordenadora do Curso de Direito Digital e Indústria 4.0 da Escola Superior de Direito de Campinas. Graduada em Direito pela Universidade Federal de Alagoas. Participante do Laboratório de Tecnologia, Sociedade e Democracia (LATESD) da UNICAMP. Community Builder do movimento Women In Blockchain Campinas. Coordenadora do Grupo de Trabalho Ambiente Regulatório da Associação Campinas Tech. Vice-presidente da Comissão de Direito Digital da Subseção da OAB em Limeira/SP e Co-organizadora no Legal Hackers Campinas.
Relevância do estabelecimento de uma política de governança de dados observando os requerimentos de LGPD sobre o processo de criação de valor & insights.
Erlon Faria Rachi Gerente de Ciência de Dados, CI&T
Gerente de Analytics & Data Science na CI&T, Erlon é Matemático formado pela UNICAMP, tendo especializações na FGV e GeorgiaTech. Atualmente é mestrando em Ciência de Dados na Universidade Mackenzie. Professor e palestrante com vivência de mais de 15 anos em consultoria e modelagem de dados em várias indústrias: Logística, Farmacêutica, Automotiva, Alimentícia.
Cases reais de aplicação de inteligência artificial na geração e qualificação de leads, e de aplicação na área de Sucesso do Cliente (pós-venda), buscando retenção e fidelização; trazidos pela Prestus, empresa de Atendimento 24h Compartilhado, que tem foco em PME's.
Alexandre Borin CEO, Prestus
Alexandre Borin é CEO da Prestus, um serviço de Secretárias Compartilhadas para atendimento telefônico e remoto, 24 horas por dia. Borin é formado pela UNICAMP em Engenharia Elétrica (curso que iniciou no ITA, em 1995), pós-graduado em Marketing, MBA Executivo pelo Insper. Atuou por 8 anos na Ericsson Telecomunicações, indo de trainee a diretor em menos de 2 anos, e como empreendedor, foi capa da revista Pequenas Empresas & Grandes Negócios. É palestrante de temas como Inbound Marketing, Vendas Outbound, Gestão de Tempo, Técnicas de Apresentação Inteligência Artificial e Negociação; além de membro da Rede de Transformação Pública, uma rede voluntária, pluripartidária, reformista e de renovação política. Mais recentemente, assumiu como VP do Conselho Municipal de Ciência e Tecnologia e Inovação de Jundiaí/SP