<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Andre Luiz Cavalcanti Tenorio on Medium]]></title>
        <description><![CDATA[Stories by Andre Luiz Cavalcanti Tenorio on Medium]]></description>
        <link>https://medium.com/@andre_tenorio?source=rss-29cf9ae919c9------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*9rzCAjbFkwqjDotJ</url>
            <title>Stories by Andre Luiz Cavalcanti Tenorio on Medium</title>
            <link>https://medium.com/@andre_tenorio?source=rss-29cf9ae919c9------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 16:01:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@andre_tenorio/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Criando Scripts de Automação Web com o ChatGPT e Python]]></title>
            <link>https://medium.com/edifyeducation/criando-scripts-de-automa%C3%A7%C3%A3o-web-com-o-chatgpt-e-python-91c641bafcb4?source=rss-29cf9ae919c9------2</link>
            <guid isPermaLink="false">https://medium.com/p/91c641bafcb4</guid>
            <category><![CDATA[chatgpt]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[rpa-tools]]></category>
            <dc:creator><![CDATA[Andre Luiz Cavalcanti Tenorio]]></dc:creator>
            <pubDate>Fri, 16 Jun 2023 21:09:08 GMT</pubDate>
            <atom:updated>2023-06-16T21:19:31.418Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZZM8sW0OVIeB6yQX5_e29w.jpeg" /></figure><h4>Introdução:</h4><p>Neste artigo, exploraremos como utilizar o ChatGPT, um poderoso modelo de linguagem da OpenAI, para criar scripts de automação web. Demonstraremos passo a passo como instalar o Python, o Jupyter Notebook e as bibliotecas necessárias, além de mostrar um exemplo prático de como automatizar interações em um site usando o Selenium.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2Fq0DI_e4eJu4%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3Dq0DI_e4eJu4&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2Fq0DI_e4eJu4%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/42520ab18df6a63d83943ca0ba9f1724/href">https://medium.com/media/42520ab18df6a63d83943ca0ba9f1724/href</a></iframe><h4>Pré-requisitos:</h4><ol><li>Conhecimento básico de Python.</li><li>Ter o Python e o Jupyter Notebook instalados no seu ambiente.</li></ol><h4>Passo 1: Acessando o ChatGPT na versão web:</h4><p>Antes de começar a escrever o script de automação web, você precisa acessar o ChatGPT na versão web para fazer a pergunta que será utilizada na pesquisa. Siga estas etapas:</p><ol><li>Abra o seu navegador web e acesse o site do ChatGPT em <a href="https://beta.openai.com/">https://beta.openai.com/</a>.</li><li>Faça login na sua conta da OpenAI.</li><li>Na página inicial do ChatGPT, você verá um campo de entrada de texto.</li><li>Digite a pergunta “Script em python para acessar o bing.com.br e pesquisar Como é trabalhar com tecnologia em uma Edtech? Edify Education Medium, caminho do campo pesquisar &lt;textarea id=”sb_form_q” class=”sb_form_q sb_form_ta” name=”q” type=”search” inputmode=”search” maxlength=”2000&quot; autocomplete=”off” autofocus=”” aria-autocomplete=”both” placeholder=”Pergunte-me qualquer coisa…” aria-label=”Character limit: 2000. Current character count: 0&quot; spellcheck=”false” autocorrect=”off” autocapitalize=”none” rows=”1&quot; enterkeyhint=”search” style=”width: 428px;” aria-activedescendant=”sa_5004&quot;&gt;&lt;/textarea&gt; antes de digitar voce vai precisar clicar no campo e aguardar 2 segundos antes de apertar enter”.</li><li>Para conseguir a informação de quais são os dados do botão voce vai precisar clicar com o botão direito em cima do campo de busca e inspecionar o elemento.</li><li>Aperte a tecla Enter ou clique no botão de envio para obter a resposta gerada pelo ChatGPT.</li><li>Anote a resposta gerada, que será usada no script de automação web.</li></ol><h4>Passo 2: Instalando o Python e o Jupyter Notebook:</h4><p>Começaremos explicando como instalar o Python e o Jupyter Notebook no seu sistema. As instruções podem variar dependendo do seu sistema operacional:</p><ul><li>Para Windows:</li><li>Faça o download do Python em <a href="https://www.python.org/downloads/">https://www.python.org/downloads/</a> e execute o instalador.</li><li>Selecione a opção &quot;Add Python to PATH&quot; durante a instalação para facilitar o acesso ao Python.</li><li>Abra o prompt de comando e execute o seguinte comando para instalar o Jupyter Notebook:</li><li>pip install jupyter</li></ul><h4>Passo 3: Instalando as bibliotecas necessárias:</h4><p>Agora, vamos instalar as bibliotecas que serão usadas no script de automação web. Para isso, usaremos o pip, que é o gerenciador de pacotes padrão do Python.</p><ul><li>Abra o prompt de comando ou o Terminal e execute o seguinte comando para instalar o Selenium:</li><li>pip install selenium</li></ul><p>Certifique-se de ter uma conexão com a internet ativa durante o processo de instalação.</p><h4>Passo 4: Preparando o ambiente:</h4><p>Nesta seção, explicaremos como configurar o ambiente de trabalho. Criaremos um novo projeto no Jupyter Notebook e importaremos as bibliotecas necessárias.</p><ol><li>Abra o Jupyter Notebook executando o seguinte comando no prompt de comando ou no Terminal:</li><li>Crie um novo notebook clicando em &quot;New&quot; e selecionando &quot;Python 3&quot; na página inicial do Jupyter Notebook.</li><li>No primeiro bloco de código, importe as bibliotecas necessárias:</li></ol><pre>from selenium import webdriver<br>from selenium.webdriver.common.keys import Keys<br>from selenium.webdriver.common.by import By<br>from selenium.webdriver.support.ui import WebDriverWait<br>from selenium.webdriver.support import expected_conditions as EC<br>import time</pre><h4>Passo 5: Escrevendo o código do script de automação web:</h4><p>Aqui é onde a mágica acontece. Utilizaremos o exemplo de pesquisa no Bing para demonstrar como enviar uma pergunta e obter os resultados da pesquisa.</p><pre># Configurar o navegador<br>driver = webdriver.Chrome()  # Certifique-se de ter o chromedriver instalado e no PATH correto<br>driver.get(&quot;https://www.bing.com.br&quot;)<br><br># Esperar o campo de pesquisa estar disponível<br>search_box = WebDriverWait(driver, 10).until(<br>    EC.presence_of_element_located((By.ID, &quot;sb_form_q&quot;))<br>)<br><br># Clicar no campo de pesquisa e aguardar 2 segundos<br>search_box.click()<br>time.sleep(2)<br><br># Digitar a pergunta e pressionar Enter<br>search_box.send_keys(&quot;Como é trabalhar com tecnologia em uma Edtech? Edify Education Medium&quot;)<br>search_box.send_keys(Keys.RETURN)<br><br># Aguardar os resultados da pesquisa serem carregados<br>WebDriverWait(driver, 10).until(<br>    EC.presence_of_element_located((By.ID, &quot;b_results&quot;))<br>)<br><br># Exemplo de impressão do título dos resultados<br>results = driver.find_elements(By.XPATH, &quot;//h2&quot;)<br>for result in results:<br>    print(result.text)<br><br># Fechar o navegador<br>driver.quit()</pre><h4>Conclusão:</h4><p>Neste artigo, aprendemos como utilizar o ChatGPT para criar scripts de automação web. Vimos como instalar o Python, o Jupyter Notebook e as bibliotecas necessárias, e exploramos um exemplo prático de automatização de interações em um site usando o Selenium. Agora, você está pronto para criar seus próprios scripts de automação web e aumentar sua produtividade.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=91c641bafcb4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/edifyeducation/criando-scripts-de-automa%C3%A7%C3%A3o-web-com-o-chatgpt-e-python-91c641bafcb4">Criando Scripts de Automação Web com o ChatGPT e Python</a> was originally published in <a href="https://medium.com/edifyeducation">edifyeducation</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Transcrição e Sumarização de Áudio Rápida Usando os Modelos da OpenAI]]></title>
            <link>https://medium.com/edifyeducation/transcri%C3%A7%C3%A3o-e-sumariza%C3%A7%C3%A3o-de-%C3%A1udio-r%C3%A1pida-usando-os-modelos-da-openai-c679ccb80bff?source=rss-29cf9ae919c9------2</link>
            <guid isPermaLink="false">https://medium.com/p/c679ccb80bff</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[data-analytics]]></category>
            <category><![CDATA[speech-recognition]]></category>
            <category><![CDATA[openai]]></category>
            <category><![CDATA[whisper]]></category>
            <dc:creator><![CDATA[Andre Luiz Cavalcanti Tenorio]]></dc:creator>
            <pubDate>Tue, 23 May 2023 22:34:33 GMT</pubDate>
            <atom:updated>2023-05-24T08:33:33.781Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PJDbnLSO8viu8108etuPFQ.jpeg" /></figure><h3>Introdução</h3><p>Informação é tudo hoje em dia, mas o desafio é lidar com o volume de dados que recebemos constantemente. O uso de arquivos de áudio e vídeo como formas de compartilhamento de informação tem se tornado cada vez mais comum, portanto é crucial desenvolver soluções que nos ajudem a consumir esses dados de forma eficiente.</p><p>Aqui, exploraremos como usar os modelos Whisper e GPT-3.5-turbo da OpenAI para transcrever e sumarizar áudios longos. Mostraremos como transcrevemos e sumarizamos cinco arquivos de áudio de 40 minutos em poucos minutos usando Python.</p><h3>Limitações</h3><p>Para lidar com as limitações da tecnológica precisamos repartir o áudio em varias partes, temo um limite de áudio de 25 minutos que podemos enviar para API e também temos um limite de tokens que podemos enviar para fazer o resumo, com isso chegamos a um tempo “ideal” de 10 minutos em cada trecho de áudio onde vamos enviar para ser transcrito depois para ser resumido.</p><h3>Explicação do Código</h3><p>Nosso script Python realiza a tarefa em quatro etapas principais:</p><ol><li>Divisão de arquivos de áudio longos em segmentos gerenciáveis</li><li>Transcrição dos segmentos de áudio em texto usando o Whisper ASR da OpenAI</li><li>Sumarização de cada segmento de transcrição usando o GPT-3.5-turbo da OpenAI</li><li>Produção de um resumo final de todos os resumos individuais.</li></ol><h3>Divisão de Arquivos de Áudio Longos</h3><p>Arquivos de áudio longos podem ser desafiadores para processar diretamente. Por isso, dividimos os arquivos de áudio em segmentos menores usando a biblioteca PyDub. Definimos a duração de cada segmento para 600000 milissegundos (ou 10 minutos), que é um tamanho gerenciável para a API do OpenAI e para o próprio processo de transcrição.</p><h3>Transcrição dos Segmentos de Áudio</h3><p>Depois de dividir o arquivo de áudio, transcrevemos cada segmento de áudio em texto usando o Whisper, o modelo de Reconhecimento Automático de Fala (ASR) da OpenAI. Abrimos cada arquivo de áudio segmentado, enviamos para o método openai.Audio.transcribe e anexamos a resposta transcrita a uma lista de transcrições.</p><h3>Sumarização de Cada Segmento de Transcrição</h3><p>Após a transcrição, sumarizamos cada segmento de transcrição usando o modelo GPT-3.5-turbo da OpenAI. Criamos uma lista de mensagens, onde cada mensagem representa um turno da conversa e passamos essa lista para a função openai.ChatCompletion.create. Esta função retorna a resposta do modelo, que é o resumo do texto. Nós então anexamos cada resumo a uma lista de resumos.</p><h3>Produção de um Resumo Final</h3><p>Na etapa final, produzimos um resumo geral de todos os resumos individuais. Novamente, utilizamos o GPT-3.5-turbo para ler todos os resumos individuais e compilar um resumo final conciso.</p><h3>Conclusão</h3><p>Lembrando para utilizar este solução é necessário tem o token de acesso a API do open ai e isso gera um custo. Para este projeto onde foram utilizados 5 áudios de 40 minutos o custo total ficou em $1,73 dolares</p><p>Com os modelos da OpenAI, é possível criar ferramentas poderosas para nos ajudar a digerir e resumir grandes volumes de dados de áudio rapidamente. Este processo não apenas economiza tempo, mas também garante que as transcrições e resumos sejam precisos e relevantes. Conforme a IA continua a evoluir, continuaremos a ver maneiras.</p><pre>from pydub import AudioSegment<br>import os<br>import math<br>import openai<br><br>token_openai = &#39;xxxx&#39;<br>openai.api_key = token_openai<br><br>transcript = []<br>summary = []<br><br>us = &quot;-&quot;<br>dot = &quot;.&quot;<br>fn = &#39;nome_arquivo&#39;<br>ft = &#39;m4a&#39;<br>ft_s = &#39;mp3&#39;<br>audio_path = fn + dot + ft<br><br>print(&#39;Segmentando o arquivo:&#39;, audio_path)<br>segment_length = 600000<br>audio = AudioSegment.from_file(audio_path)<br>audio_duration = len(audio)<br>num_segments = math.ceil(audio_duration / segment_length)<br><br>print(&quot;Numero de segmentos: -&quot;, num_segments)<br><br>for i in range(num_segments):<br>    start_time = i * segment_length<br>    end_time = min((i + 1) * segment_length, audio_duration)<br>    output_file = fn + us + str(i) + dot + ft_s<br>    segment = audio[start_time:end_time]<br>    segment.export(output_file, format=ft_s)<br><br>print(&quot;Segmentação concluida&quot;)<br><br>print(&quot;Transcrição com whisper&quot;)<br><br>for i in range(num_segments):<br>    input_file = fn + us + str(i) + dot + ft_s<br>    with open(input_file, &quot;rb&quot;) as audio_file:<br>        response = openai.Audio.transcribe(file=audio_file, model=&quot;whisper&quot;, response_format=&quot;text&quot;, language=&quot;pt&quot;)<br>        transcript.append(response[&#39;transcript&#39;])<br>        print(response[&#39;transcript&#39;])<br><br>print(&quot;—fim da transcrição—&quot;)<br><br>print(&quot;Resumo&quot;)<br><br>prompt_action = &quot;Resuma o seguinte texto:&quot;<br><br>for i in range(num_segments):<br>    my_prompt = [{&quot;role&quot;: &quot;system&quot;, &quot;content&quot;: &quot;You are a helpful assistant.&quot;}, {&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: prompt_action + transcript[i]}]<br>    response = openai.ChatCompletion.create(model=&quot;gpt-3.5-turbo&quot;, messages=my_prompt)<br>    my_summary = response[&#39;choices&#39;][0][&#39;message&#39;][&#39;content&#39;]<br>    summary.append(my_summary)<br><br>print(&quot;Fim Resumo&quot;)<br><br>print(&quot;Resumo final&quot;)<br><br>prompt_action = &quot;Resuma o texto a seguir e liste os itens mais importantes:&quot;<br>prompt_text = &#39;&#39;<br>for i in range(num_segments):<br>    prompt_text += summary[i]<br><br>my_prompt = [{&quot;role&quot;: &quot;system&quot;, &quot;content&quot;: &quot;You are a helpful assistant.&quot;}, {&quot;role&quot;: &quot;user&quot;, &quot;content&quot;: prompt_action + prompt_text}]<br>response = openai.ChatCompletion.create(model=&quot;gpt-3.5-turbo&quot;, messages=my_prompt)<br><br>my_summary = response[&#39;choices&#39;][0][&#39;message&#39;][&#39;content&#39;]<br><br>print(my_summary)</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c679ccb80bff" width="1" height="1" alt=""><hr><p><a href="https://medium.com/edifyeducation/transcri%C3%A7%C3%A3o-e-sumariza%C3%A7%C3%A3o-de-%C3%A1udio-r%C3%A1pida-usando-os-modelos-da-openai-c679ccb80bff">Transcrição e Sumarização de Áudio Rápida Usando os Modelos da OpenAI</a> was originally published in <a href="https://medium.com/edifyeducation">edifyeducation</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como documentamos os processos relacionados a dados no Edify?]]></title>
            <link>https://medium.com/edifyeducation/como-documentamos-os-processos-relacionados-a-dados-no-edify-2f9fd6feaa62?source=rss-29cf9ae919c9------2</link>
            <guid isPermaLink="false">https://medium.com/p/2f9fd6feaa62</guid>
            <category><![CDATA[documentation]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[diário-tech]]></category>
            <category><![CDATA[analytics]]></category>
            <dc:creator><![CDATA[Andre Luiz Cavalcanti Tenorio]]></dc:creator>
            <pubDate>Mon, 20 Jun 2022 20:26:14 GMT</pubDate>
            <atom:updated>2022-06-20T20:26:14.760Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Antes de tudo precisamos entender a importância da documentação:</strong></h3><blockquote>“A importância da documentação de processos está relacionada à ideia de diretriz, cujo propósito é servir como uma espécie de <strong>roteiro para a organização</strong>, ajudando a mapear gargalos e anomalias nos procedimentos. Assim facilitando que seja possível apontar soluções às dificuldades encontradas ao longo das etapas de trabalho, de cada setor e atividade.”</blockquote><blockquote>Ref: <a href="https://conteudo.movidesk.com/o-que-e-documentacao-de-processos/">https://conteudo.movidesk.com/o-que-e-documentacao-de-processos/</a></blockquote><h3><strong>Como organizamos a documentação aqui no Edify:</strong></h3><p>Toda documentação começa no Notion, em uma página principal onde separamos em 3 grandes blocos: Processos, Catálogos, e Documentação Técnica.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Mhbwd2BlX5WoTcfIu5H0ig.png" /><figcaption>Exemplo pagina principal</figcaption></figure><p>Para guiar melhor a todos que acessam, temos uma página de onboarding onde damos um overview de toda a estrutura e documentação.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N_qT6RW7UsQ0doz_q8f5Kg.png" /><figcaption>Exemplo pagina de Onboarding</figcaption></figure><h4>Processos: Fluxo de trabalho e como acessar os ambientes</h4><p>Aqui temos um exemplo de uma página com o processo para acessar o nosso Data Lake</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qc5MVdjqOg5fkpZSMGpWrA.png" /><figcaption>Exemplo processo para acessar o Data Lake</figcaption></figure><h4>Catálogos: Relatórios</h4><p>Na página de Relatórios temos uma listagem com todos os relatórios disponíveis na empresa para que todos tenham conhecimento das informações disponíveis e solicitem acesso quando necessário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wvwtcQamnuLEcuCXXWPoQg.png" /><figcaption>Exemplo página de relatórios</figcaption></figure><h4>Documentação Técnica: Aqui vamos encontrar todo versionamento de scripts, dicionário de dados e análises de ferramentas/API’s.</h4><h4>Versionamento de scripts:</h4><p>Todos os nosso scripts (que na sua maioria são de ingestão) ficam armazenados no Bitbucket com histórico de alterações e comentários da última versão.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sldwzOvRlYWBYBfvbAUeVg.png" /><figcaption>Exemplo repositório de scripts do Bitbucket</figcaption></figure><h4>Dicionário de dados:</h4><p>Na página de dicionário de dados temos listadas todas as tabelas disponíveis no Data Lake.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NU9s2X81SPDPDn6EizdPJQ.png" /><figcaption>Página de dicionário de dados</figcaption></figure><p>E em cada tabela temos o detalhamento dos dados com o Nome do campo, tipo LGPD Warning e descrição, e em alguns casos também temos a query, que foi utilizada para criar a tabela.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ROmye97Y1XnmBs8BpKy7fA.png" /><figcaption>Exemplo de documentação de uma tabela</figcaption></figure><h4>Análises de ferramentas/API’s:</h4><p>Aqui documentamos o nosso processo para ingestão dos dados para o Data Lake, análises de ferramentas e outras documentações técnicas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MyyStVSZPDFkVLKhf7L7Wg.png" /></figure><h4>Considerações finais:</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RaMiVGBLK6VcuSoc_MeEBw.jpeg" /></figure><p>Mais do que ter uma estrutura de dados robusta, as pessoas precisam conhecer os recursos disponíveis e utilizados.</p><p>Para que todo o processo de documentação funcione é necessário uma cultura organizacional que incentive a documentação e reforce constantemente a importância dela.</p><p>Como depoimento, posso ressaltar o quanto foi importante encontrar toda uma cultura de documentação aqui no Edify! A minha curva de aprendizado foi muito reduzida graças a toda documentação que encontrei quando cheguei.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2f9fd6feaa62" width="1" height="1" alt=""><hr><p><a href="https://medium.com/edifyeducation/como-documentamos-os-processos-relacionados-a-dados-no-edify-2f9fd6feaa62">Como documentamos os processos relacionados a dados no Edify?</a> was originally published in <a href="https://medium.com/edifyeducation">edifyeducation</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>