{"id":952665,"date":"2025-09-11T13:26:07","date_gmt":"2025-09-11T12:26:07","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=952665"},"modified":"2025-09-29T11:01:58","modified_gmt":"2025-09-29T10:01:58","slug":"artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/artefact-publishes-its-research-on-ai-applied-to-the-identification-of-atypical-customer-profiles-developed-and-tested-with-a-leading-french-bank\/","title":{"rendered":"Artefact publica sua pesquisa sobre IA aplicada \u00e0 identifica\u00e7\u00e3o de perfis at\u00edpicos de clientes, desenvolvida e testada com um importante banco franc\u00eas"},"content":{"rendered":"

Um algoritmo para gerar eventos raros sint\u00e9ticos de todos os tipos<\/b><\/h2>\n

Uma aplica\u00e7\u00e3o comum do artificial intelligence \u00e9 atribuir uma probabilidade, ou pontua\u00e7\u00e3o, a pessoas ou eventos de interesse. Esse problema de pontua\u00e7\u00e3o se aplica a muitas \u00e1reas, como detec\u00e7\u00e3o de doen\u00e7as, manuten\u00e7\u00e3o preditiva em f\u00e1bricas, propens\u00e3o de visitantes on-line a fazer compras ou o risco de perder assinantes. Nessas situa\u00e7\u00f5es, os eventos de interesse s\u00e3o muito mais numerosos do que o total de data dispon\u00edvel. Esse desequil\u00edbrio torna o treinamento dos modelos de aprendizado de m\u00e1quina particularmente complexo, pois eles tendem a se concentrar na maioria dos casos e a ignorar ou subestimar os casos raros, o que apresenta v\u00e1rios problemas operacionais se a IA for implantada. Existem alguns algoritmos, mas eles n\u00e3o s\u00e3o adequados para o data categ\u00f3rico e, em geral, n\u00e3o conseguem melhorar a precis\u00e3o do modelo final.<\/span><\/p>\n

Para enfrentar esse desafio, <\/span>Centro de pesquisa do Artefact<\/b> prop\u00f4s um novo m\u00e9todo de rebalanceamento para o data tabular<\/b>, levando em conta vari\u00e1veis num\u00e9ricas e categ\u00f3ricas. Testado no c\u00f3digo aberto data<\/span>, Como o senhor sabe, essa abordagem mostra melhorias significativas em termos de desempenho, ao mesmo tempo em que mant\u00e9m a consist\u00eancia, a plausibilidade e a interpretabilidade do data, um aspecto frequentemente negligenciado pelos m\u00e9todos existentes. O rebalanceamento do Data exige a cria\u00e7\u00e3o de exemplos fict\u00edcios, que correm o risco de serem implaus\u00edveis, como perfis de clientes que n\u00e3o existem. Esse risco tem um impacto direto na ado\u00e7\u00e3o do artificial intelligence nos casos em que os analistas precisam validar manualmente os exemplos mais prov\u00e1veis pr\u00e9-selecionados pelo modelo. O Artefact resolve esse problema criando apenas data plaus\u00edvel durante o rebalanceamento, facilitando sua ado\u00e7\u00e3o pelas empresas.<\/span><\/p>\n

 <\/p>\n

\"\"<\/p>\n

Uma parceria de pesquisa pronta para uso com aplicativos para casos de uso da Societe Generale<\/b><\/h2>\n

Esse trabalho \u00e9 o resultado de uma parceria tripartite entre a <\/span>Artefact Research Center, o Laborat\u00f3rio de Probabilidade, Estat\u00edstica e Modelagem (LPSM) da Universidade de Sorbonne e a Societe Generale<\/b>. A colabora\u00e7\u00e3o permitiu definir um t\u00f3pico de pesquisa de tr\u00eas anos que estabelece um equil\u00edbrio entre os desafios estat\u00edsticos e de TI e os problemas concretos enfrentados pelas equipes de neg\u00f3cios para os quais n\u00e3o h\u00e1 solu\u00e7\u00f5es de \u00faltima gera\u00e7\u00e3o. De fato, no caso desse aplicativo, v\u00e1rios especialistas em vendas relataram o problema de inconsist\u00eancia nos perfis banc\u00e1rios gerados pelas abordagens existentes, o que limitou a ado\u00e7\u00e3o de uma ferramenta baseada em IA, levantando assim o desafio de <\/span>manter sugest\u00f5es plaus\u00edveis durante o algoritmo de rebalanceamento.<\/b><\/p>\n

Por meio dessa parceria, os pesquisadores do Artefact e da Universidade de Sorbonne puderam testar suas abordagens no banco real data, o que validou a precis\u00e3o estat\u00edstica do algoritmo proposto. Al\u00e9m disso, um elemento exclusivo para testar o desempenho do m\u00e9todo proposto foi a escalonamento at\u00e9 milh\u00f5es de pontos data<\/b> para ser processado em um per\u00edodo de tempo razo\u00e1vel, excedendo assim o tamanho dos datasets de c\u00f3digo aberto equivalentes. O c\u00f3digo \u00e9 de c\u00f3digo aberto e a metodologia \u00e9 explicada em detalhes no artigo cient\u00edfico<\/b>, O senhor pode usar a abordagem para outros casos de uso de pontua\u00e7\u00e3o, permitindo que o maior n\u00famero poss\u00edvel de pessoas a utilize.<\/p>\n

Etienne GUIBOUT, Diretor de IA do Grupo Societe Generale, explica:<\/p>\n

\u201c<\/i><\/strong>Essa colabora\u00e7\u00e3o d\u00e1 \u00e0 Societe Generale acesso a conhecimentos complementares do mundo acad\u00eamico. Ela promove a inova\u00e7\u00e3o ao incorporar uma variedade de perspectivas com o objetivo de identificar solu\u00e7\u00f5es cada vez mais adaptadas aos nossos problemas. A aceita\u00e7\u00e3o em uma confer\u00eancia de n\u00edvel A \u00e9 uma marca de qualidade para as equipes da Societe Generale. Ela demonstra o reconhecimento do impacto do trabalho realizado por colegas e especialistas do setor. A participa\u00e7\u00e3o em tais eventos nos permite compartilhar nossa pesquisa, permanecendo parte do ecossistema. As equipes de neg\u00f3cios da Societe Generale, especialmente de compliance, estiveram envolvidas no desenvolvimento deste artigo. Sua experi\u00eancia no setor e seu feedback confirmaram a relev\u00e2ncia e a aplicabilidade do conte\u00fado apresentado. Essa colabora\u00e7\u00e3o interdisciplinar garante que o artigo reflita as realidades do mercado e atenda, em primeiro lugar, \u00e0s nossas necessidades e \u00e0s de nossos clientes.\u201d<\/i><\/p>\n

Emmanuel Malherbe, diretor do Artefact Research Center:<\/p>\n

\u201cEssa \u00e9 uma parceria ideal para nosso centro de pesquisa, ilustrando perfeitamente nossa vis\u00e3o de pesquisa aplicada, \u00fatil e compartilhada. O aprendizado de m\u00e1quina \u00e9 um campo que sempre come\u00e7a com data e um problema real. Por meio dessa colabora\u00e7\u00e3o, conseguimos nos concentrar na quest\u00e3o mal resolvida da pontua\u00e7\u00e3o em data tabular desequilibrado, que, no entanto, \u00e9 um problema recorrente nos neg\u00f3cios e levanta muitas quest\u00f5es estat\u00edsticas. A possibilidade de testar e validar a abordagem no data real tamb\u00e9m foi fundamental para obter um algoritmo r\u00e1pido, eficiente e preciso.\u201d<\/i><\/p><\/blockquote>\n

Link para o artigo cient\u00edfico e o c\u00f3digo do algoritmo:<\/b><\/h2>\n