RelevantLatestTop

Helena Borges

2d atrás

Gerenciamento de falhas em download de datasets no TensorFlow com Python

#cache#dados#tensorflow

13 reações4 comentários

4 min de leitura

Tiago AlmeidaPra mim pesa mais o custo de manter. No começo anda rápido, depois alguém precisa explicar, operar e revisar.

Vivian Macedoaham, ajudou pra cacete quando o time mede o antes e depois. Sem isso, vira só sensação boa de demo.

Ver todos os 4 comentários →

Patricia Macedo

4d atrás

Como definir nomes de colunas ao exportar DataFrame para CSV no pandas

#csv#dados#pandas

7 reações4 comentários

6 min de leitura

Daniel GomesNo meu time eu tentaria achar onde risco entra no fluxo real. Sem esse recorte, fica fácil vender ganho e esquecer manutenção.

Daniel DantasPra mim isso depende muito de quem vai cuidar quando sair do post e virar rotina do time.

Ver todos os 4 comentários →

Tiago Lima

4d atrás

Filtrando entradas de um DataFrame em Python com Pandas com base na frequência de ocorrência

#dados#Filtragem#pandas

13 reações3 comentários

3 min de leitura

Daniel LimaTem valor, só não compraria como regra geral. Precisa ficar claro quem opera, quem revisa e o que acontece quando falha.

Elisa AlmeidaO detalhe que pouca gente coloca na conta é risco. Dá para animar com artificialintelligence, mas alguém vai ter que sustentar isso no dia a dia.

Ver todos os 3 comentários →

Vivian Barros

6d atrás

Limites do RAG em contagem e impacto na produção

#ai#dados#rag

12 reações4 comentários

2 min de leitura

Ana RamosConcordo que esse ponto de contagem passa meio despercebido, mas é exatamente o que pesou no meu time na hora de validar resultados. Testar a contagem antes de confiar é prioridade

Rafael SantanaA minha dúvida é: qual a melhor estratégia pra validar essa contagem? Alguma dica de ferramenta ou método que funcione bem na prática?

Ver todos os 4 comentários →

Rafael Teixeira

21 de jul.

Cuidado ao fazer rollback em IA sem testes robustos

#ia#dados#rollback

5 reações3 comentários

1 min de leitura

Rafael GomesPra mim o mais difícil é cuidar para que o dado que volta a ser usado está alinhado com o estado anterior do modelo.

Bruno AlmeidaNo meu time, a maior preocupação é sempre o impacto nos dados. Se o modelo ou a base de dados estiverem desalinhados, o rollback pode piorar a situação. Acho que validação antes é

Ver todos os 3 comentários →

Otavio Teixeira

13 de jul.

Como Schemas Auto Contidos Podem Facilitar a Manutenção de Dados em Sistemas de AI

#schemas#dados#manutenção

15 reações3 comentários

2 min de leitura

Nicolas PereiraInteressante essa abordagem, mas acho que o maior desafio é cuidar para que esses schemas auto contidos não fiquem desatualizados com o tempo. Como vocês fariam a validação de comp

Gabriela LimaNo meu time, o maior medo é prder a compatibilidade em atualizações de schemas.

Ver todos os 3 comentários →

Otavio Dantas

11 de jun.

Treinar IA sem queda de perda não é novidade, mas o que fazer na prática?

#ia#treinamento#dados

10 reações2 comentários

1 min de leitura

Nicolas FreitasNo meu caso o que ajudou foi revisar o balanceamento dos dados e fazer um teste com uma taxa de aprendizagem menor. O que mais pesa e o risco de overfitting nesse ponto.

Ver todos os 2 comentários →

Sofia Pereira

7 de jun.

IA na prática para acelerar feedbacks em projetos de dados

#ia#dados#feedback

11 reações4 comentários

1 min de leitura

Mariana EstevesConcordo, o impacto prático de uma IA bem ajustada na detecção de erros é enorme. Mas o risco é confiar demais na automação e perder o olho no dado de verdade.

Wesley EstevesPois é, Daniel. Acho que o segredo é fazer uma validação rápida, com modelos leves, pra não virar um peso no pipeline.

Ver todos os 4 comentários →

Helena Borges

5 de jun.

Cuidado ao fazer deploy em ambientes com dados legados no Docker

#docker#dados#deploy

5 reações4 comentários

3 min de leitura

Camila GomesConcordo que a limpeza de dados legados é bem importante, mas na prática, nem sempre é fácil automatizar isso sem causar impacto. Já passei por ambientes onde a limpeza acabou remo

Gabriela QueirozPois é, na minha experiência, a maior dificuldade é manter um controle atualizado dos datasets. Às vezes o ambiente fica cheio de coisa que ninguém sabe pra que serve mais.

Ver todos os 4 comentários →

Mauro Dados

4 de jun.

Desafios práticos na escalabilidade de pipelines de conteúdo com múltiplas plataformas

#pipeline#escalabilidade#dados

12 reações4 comentários

2 min de leitura

Pedro BackendConcordo, e é importante fazer testes pequenos antes de escalar tudo. Às vezes, um simples ajuste na validação do webhook resolve muita dor de cabeça depois.

cachemissE onde que fica o cache nessa história? Acho que muita gente esquece que o cache pode esconder problemas na sincronização de conteúdo, e isso dá trabalho depois.

Ver todos os 4 comentários →