Busca avançada
Ano de início
Entree

Metodologia de classificação de potenciais compradores de seguros em redes de varejistas físicos e online

Processo: 19/07493-9
Linha de fomento:Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
Vigência (Início): 01 de agosto de 2019
Vigência (Término): 31 de outubro de 2019
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Renato José Ferreira
Beneficiário:Roger Nobuyuki Kamoi
CNAE: Outras atividades de serviços financeiros não especificadas anteriormente
Vinculado ao auxílio:18/15321-0 - Metodologia de classificação de potenciais compradores de seguros em redes de varejistas físicos e online, AP.PIPE
Assunto(s):Aprendizagem profunda   Inteligência artificial   Algoritmos   Redes neurais (computação)   Segurança da informação   Banco de dados   Seguros   Consumidor

Resumo

O desafio do projeto é a partir de informações escassas dos varejistas, associado à necessidade de preservar informações sensíveis dos clientes, extrair dados relevantes para treinar redes neurais artificiais para classificar e predizer a probabilidade de um consumidor adquirir um seguro. O bolsista realizará a configuração, administração, otimização e manutenção preventiva e corretiva de bancos de dados tanto das máquinas in-situ quanto dos bancos de dados virtuais hospedadas nos serviços de nuvem Amazon bem como auxiliar na otimização dos algoritmos de inteligência artificial. O bolsista será responsável pela configuração, administração, otimização e manutenção preventiva e corretiva de bancos de dados necessária para a condução e sucesso do projeto. Para isto, as seguintes tarefas deverão ser executadas: 1. Configuração de ambiente computacional de BD: O bolsista será responsável pela configuração de ambiente computacional de bancos de dados NOSQL, visando a performance e segurança do mesmo. 2. Desenvolvimento de modelo Lógico de BD: O bolsista será responsável pelo desenvolvimento de um modelo lógico que atenda aos requisitos do projeto. 3. Construção de Modelo Físico de BD: Implementação em bancos de dados locais e em nuvem do modelo lógico. 4. Análise e limpeza de dados de bases de Clientes: Data Cleaning e Data Quality dos dados que serão utilizados para teste, de maneira a não contaminar os resultados de teste. 5. Carga de dados no banco de dados com dados existentes. 6. Remodelação on demand de modelos lógicos e físicos de bancos de dados. 7. Monitoramento contínuo de performance, erros e disponibilidade de bancos de dados

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)