São Paulo, SP

Thiago Martins

Engenheiro de IA Pleno

Com 4 anos de experiência em desenvolvimento de modelos de machine learning e IA generativa, especializado em processamento de linguagem natural (PLN) e sistemas de recomendação. Apaixonado por ética em IA e desenvolvimento de modelos livres de viés.

HABILIDADES

O que eu faço bem

Python95

TensorFlow90

PyTorch88

PLN92

IA Generativa85

Transformers90

SQL85

Ética em IA92

PROJETOS

Trabalhos em destaque

PROJETO

Assistente PME

Modelo de IA generativa treinado para responder dúvidas de pequenos empresários sobre gestão, finanças e impostos, com linguagem simples e acessível. Liderei o desenvolvimento e o fine-tuning do modelo. ### Resultados do projeto - Mais de 30 mil usuários ativos mensais - Redução de 45% no tempo de resposta a dúvidas comuns - Taxa de satisfação de 4,6/5 dos usuários

Ver projeto →

PROJETO

Antifraude Banco Y

Modelo de machine learning para detecção de fraudes em transações de cartão de crédito, com taxa de acerto de 98% e redução de falsos positivos. ### Resultados do projeto - Redução de 62% no número de fraudes aprovadas - Redução de 40% no número de falsos positivos - Economia de R$ 4,2 milhões por ano para o banco

Ver projeto →

DEMANDAS RELEVANTES

Projetos em que fiz a diferença

IA BrasilJulho de 2024

Ética em IA: como evitar vieses em modelos de PLN para o público brasileiro

Meu papel: Autor

# Ética em IA: como evitar vieses em modelos de PLN para o público brasileiro Um dos maiores desafios no desenvolvimento de modelos de IA para o mercado brasileiro é evitar vieses, especialmente em modelos de processamento de linguagem natural, que muitas vezes são treinados com dados de países de língua inglesa e não representam a diversidade do nosso país. Quando comecei a trabalhar no projeto Assistente PME, nosso primeiro modelo era baseado em um modelo de PLN americano, e percebemos que ele tinha muita dificuldade de entender perguntas feitas em português coloquial, com gírias e regionalismos, e também não sabia responder dúvidas específicas de pequenos empresários brasileiros, como questões sobre o MEI ou o Simples Nacional. Para resolver esse problema, coletamos um conjunto de 100 mil perguntas e respostas de pequenos empresários de todas as regiões do país, e fizemos o fine-tuning do modelo com esses dados, além de adicionar regras específicas para lidar com regionalismos e termos do setor empresarial brasileiro. Outro ponto importante foi testar o modelo com grupos de usuários de diferentes classes sociais e regiões, para garantir que ele não tivesse viés contra públicos de baixa renda ou de periferia. O resultado foi que a taxa de acerto do modelo subiu de 62% para 91%, e a satisfação dos usuários aumentou em 3 pontos. Essa experiência me ensinou que ética em IA não é um conceito abstrato: é uma prática que precisa ser parte de todo o ciclo de desenvolvimento de modelos, desde a coleta de dados até os testes com usuários reais.

O desafio

Desenvolver um modelo de IA generativa que respondesse dúvidas de pequenos empresários brasileiros de forma acessível e sem viés

Minha contribuição

Desenvolvimento e fine-tuning do modelo de PLN, coleta de dados de treinamento, testes com usuários

Resultados e impacto

Modelo com taxa de acerto de 91%, mais de 30 mil usuários ativos mensais, taxa de satisfação de 4,6/5

IAPLNÉtica em IA

Data Science FinanceAbril de 2024

Modelos de detecção de fraudes bancárias: como reduzir falsos positivos e aumentar a segurança

Meu papel: Autor

# Modelos de detecção de fraudes bancárias: como reduzir falsos positivos e aumentar a segurança A detecção de fraudes em transações bancárias é um dos casos de uso mais comuns de machine learning no setor financeiro, mas muitos modelos têm um problema: eles geram muitos falsos positivos, ou seja, bloqueiam transações legítimas por engano, o que causa frustração nos usuários e prejuízo para o banco. No projeto do modelo antifraude do Banco Y, nosso maior desafio era reduzir a taxa de falsos positivos sem diminuir a taxa de detecção de fraudes verdadeiras. Para isso, utilizamos um conjunto de dados de 10 milhões de transações históricas, e testamos diferentes algoritmos, incluindo redes neurais e gradient boosting. Também adicionamos features específicas para o mercado brasileiro, como histórico de compras do usuário e comportamento de gastos por região. O resultado foi um modelo com taxa de acerto de 98%, redução de 62% no número de fraudes aprovadas e redução de 40% no número de falsos positivos. A economia gerada para o banco foi de R$ 4,2 milhões por ano, pois evitamos perdas com fraudes e reduzimos o número de transações bloqueadas por engano, que geravam custos de atendimento ao cliente.

O desafio

Desenvolver um modelo de detecção de fraudes com alta taxa de acerto e baixa taxa de falsos positivos

Minha contribuição

Desenvolvimento e teste de algoritmos de machine learning, engenharia de features, implantação do modelo em produção

Resultados e impacto

Taxa de acerto de 98%, redução de 62% nas fraudes aprovadas, redução de 40% nos falsos positivos, economia de R$ 4,2 milhões por ano

Machine LearningFintechDetecção de fraudes

ARTIGOS

Ideias que compartilho

Ética em IA: como evitar vieses em modelos de PLN para o público brasileiro

Um dos maiores desafios no desenvolvimento de modelos de IA para o mercado brasileiro é evitar vieses, especialmente em modelos de processamento de linguagem natural, que muitas vezes são treinados com dados de países de língua inglesa e não representam a diversidade do nosso país. Quando comecei a trabalhar no projeto Assistente PME, nosso primeiro modelo era baseado em um modelo de PLN americano, e percebemos que ele tinha muita dificuldade de entender perguntas feitas em português coloquial, com gírias e regionalismos, e também não sabia responder dúvidas específicas de pequenos empresários brasileiros, como questões sobre o MEI ou o Simples Nacional. Para resolver esse problema, coletamos um conjunto de 100 mil perguntas e respostas de pequenos empresários de todas as regiões do país, e fizemos o fine-tuning do modelo com esses dados, além de adicionar regras específicas para lidar com regionalismos e termos do setor empresarial brasileiro. Outro ponto importante foi testar o modelo com grupos de usuários de diferentes classes sociais e regiões, para garantir que ele não tivesse viés contra públicos de baixa renda ou de periferia. O resultado foi que a taxa de acerto do modelo subiu de 62% para 91%, e a satisfação dos usuários aumentou em 3 pontos. Essa experiência me ensinou que ética em IA não é um conceito abstrato: é uma prática que precisa ser parte de todo o ciclo de desenvolvimento de modelos, desde a coleta de dados até os testes com usuários reais.

↗

Modelos de detecção de fraudes bancárias: como reduzir falsos positivos e aumentar a segurança

A detecção de fraudes em transações bancárias é um dos casos de uso mais comuns de machine learning no setor financeiro, mas muitos modelos têm um problema: eles geram muitos falsos positivos, ou seja, bloqueiam transações legítimas por engano, o que causa frustração nos usuários e prejuízo para o banco. No projeto do modelo antifraude do Banco Y, nosso maior desafio era reduzir a taxa de falsos positivos sem diminuir a taxa de detecção de fraudes verdadeiras. Para isso, utilizamos um conjunto de dados de 10 milhões de transações históricas, e testamos diferentes algoritmos, incluindo redes neurais e gradient boosting. Também adicionamos features específicas para o mercado brasileiro, como histórico de compras do usuário e comportamento de gastos por região. O resultado foi um modelo com taxa de acerto de 98%, redução de 62% no número de fraudes aprovadas e redução de 40% no número de falsos positivos. A economia gerada para o banco foi de R$ 4,2 milhões por ano, pois evitamos perdas com fraudes e reduzimos o número de transações bloqueadas por engano, que geravam custos de atendimento ao cliente.

↗