<?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 Tatiana Florentino on Medium]]></title>
        <description><![CDATA[Stories by Tatiana Florentino on Medium]]></description>
        <link>https://medium.com/@tatianafloren?source=rss-fe63f4566ec5------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*CAg6SZqZz1Hk8qTk</url>
            <title>Stories by Tatiana Florentino on Medium</title>
            <link>https://medium.com/@tatianafloren?source=rss-fe63f4566ec5------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 00:53:51 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@tatianafloren/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[Novos riscos, novos mundos: quando a IA começa a desenvolver software]]></title>
            <link>https://tatianafloren.medium.com/novos-riscos-novos-mundos-quando-a-ia-come%C3%A7a-a-desenvolver-software-2d1fa1d68439?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/2d1fa1d68439</guid>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[token]]></category>
            <category><![CDATA[product-development]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Thu, 27 Aug 2026 16:37:38 GMT</pubDate>
            <atom:updated>2026-08-27T16:37:38.320Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cbOSG1wUry_vvHi9Tl0KCw.png" /></figure><p>Tenho usado IA no desenvolvimento de software.</p><p>Não apenas para tirar dúvidas ou gerar pequenos trechos de código, mas para participar de etapas reais do desenvolvimento: entender requisitos, estruturar soluções, criar código, revisar implementações, corrigir erros e iterar sobre o produto.</p><p>E, durante esse processo, comecei a medir uma coisa que normalmente não aparece no planejamento tradicional de um projeto:</p><p><strong>o consumo de tokens.</strong></p><p>Foi aí que percebi que estamos diante de uma mudança importante.</p><h3>O código deixou de ser o único recurso</h3><p>Quando desenvolvemos software da forma tradicional, pensamos em horas de desenvolvimento, infraestrutura, licenças, banco de dados, cloud e outros custos.</p><p>Com IA participando do desenvolvimento, aparece uma nova variável:</p><p><strong>o contexto que entregamos para a IA também tem custo.</strong></p><p>Cada arquivo enviado.</p><p>Cada trecho de código analisado.</p><p>Cada histórico mantido na conversa.</p><p>Cada requisito.</p><p>Cada correção.</p><p>Cada nova interação.</p><p>Tudo isso pode representar consumo de tokens.</p><p>E quanto mais complexo o projeto, maior pode ser esse consumo.</p><h3>O problema não é usar muitos tokens</h3><p>O problema é <strong>não saber por que estamos usando tantos tokens</strong>.</p><p>Durante o desenvolvimento, é muito fácil cair em um ciclo:</p><blockquote><em>“Faça isso.”</em></blockquote><blockquote><em>“Agora corrija aquilo.”</em></blockquote><blockquote><em>“Agora altere essa regra.”</em></blockquote><blockquote><em>“Agora considere esse outro arquivo.”</em></blockquote><blockquote><em>“Agora refatore.”</em></blockquote><blockquote><em>“Agora corrija o erro que apareceu.”</em></blockquote><p>A IA responde.</p><p>O software evolui.</p><p>Mas o contexto também cresce.</p><p>E, junto com ele, cresce o consumo.</p><p>Foi quando comecei a observar os custos que percebi:</p><p><strong>desenvolver com IA também exige engenharia do contexto.</strong></p><h3>Contexto virou arquitetura</h3><p>Antes, quando falávamos de arquitetura de software, pensávamos em APIs, banco de dados, serviços, filas, cache, segurança e infraestrutura.</p><p>Agora precisamos começar a pensar também:</p><p><strong>Como o contexto chega até a IA?</strong></p><p><strong>Quanto contexto realmente precisa ser enviado?</strong></p><p><strong>O que pode ser resumido?</strong></p><p><strong>O que precisa permanecer?</strong></p><p><strong>Qual informação deve ser recuperada sob demanda?</strong></p><p><strong>Quando vale a pena abrir um novo contexto?</strong></p><p>Essas decisões podem impactar diretamente custo e qualidade.</p><p>Porque mais contexto não significa necessariamente uma resposta melhor.</p><p>Às vezes significa apenas <strong>mais informação para processar</strong>.</p><h3>IA como desenvolvedora: quem está fazendo a revisão?</h3><p>Existe ainda outro risco.</p><p>Quando a IA começa a produzir código em alta velocidade, podemos aumentar muito a nossa capacidade de implementação.</p><p>Mas existe uma pergunta fundamental:</p><p><strong>quem está validando esse código?</strong></p><p>A IA pode gerar uma solução tecnicamente válida e ainda assim:</p><ul><li>não atender completamente ao requisito;</li><li>criar uma regra de negócio incorreta;</li><li>introduzir uma vulnerabilidade;</li><li>gerar código difícil de manter;</li><li>utilizar recursos desnecessários;</li><li>resolver o problema errado.</li></ul><p>É aqui que entra o julgamento humano.</p><p>A IA pode acelerar a construção.</p><p><strong>Mas alguém precisa continuar responsável pela decisão.</strong></p><h3>O novo desenvolvedor talvez precise medir coisas diferentes</h3><p>Quando usamos IA para desenvolver software, talvez alguns indicadores comecem a ganhar importância:</p><p><strong>Tokens consumidos por tarefa.</strong></p><p><strong>Custo por funcionalidade.</strong></p><p><strong>Quantidade de interações até chegar à solução.</strong></p><p><strong>Tempo economizado.</strong></p><p><strong>Quantidade de retrabalho.</strong></p><p><strong>Erros encontrados na revisão.</strong></p><p><strong>Complexidade do código gerado.</strong></p><p>Isso cria uma nova perspectiva.</p><p>Não basta perguntar:</p><blockquote><strong><em>“A IA conseguiu desenvolver?”</em></strong></blockquote><p>Precisamos perguntar:</p><blockquote><strong><em>“Quanto custou?”</em></strong></blockquote><blockquote><strong><em>“Quanto contexto foi necessário?”</em></strong></blockquote><blockquote><strong><em>“A solução está correta?”</em></strong></blockquote><blockquote><strong><em>“É sustentável manter esse processo em escala?”</em></strong></blockquote><h3>O novo risco</h3><p>Talvez o grande risco não seja a IA substituir o desenvolvedor.</p><p>Talvez seja o desenvolvedor começar a <strong>aceitar código que não consegue explicar</strong>.</p><p>A velocidade proporcionada pela IA é impressionante.</p><p>Mas velocidade sem entendimento pode criar uma dívida técnica ainda mais rápida.</p><p>Por isso, quanto mais usamos IA para desenvolver software, mais importante se torna saber:</p><p><strong>ler código, questionar decisões, validar requisitos, testar comportamentos e entender custos.</strong></p><p>A IA pode escrever milhares de linhas.</p><p>Mas ainda precisamos decidir <strong>quais linhas deveriam existir</strong>.</p><h3>Novos riscos, novos mundos</h3><p>Estamos entrando em um cenário em que o desenvolvimento de software deixa de ser apenas uma atividade humana apoiada por ferramentas.</p><p>A IA começa a participar ativamente da construção.</p><p>E isso muda algumas regras.</p><p>Agora precisamos pensar em:</p><p><strong>código + contexto + tokens + custo + validação humana.</strong></p><p>Talvez essa seja uma das grandes competências do desenvolvedor da próxima geração:</p><p>não apenas saber programar,</p><p>mas saber <strong>orquestrar inteligência artificial para construir software com qualidade, segurança e sustentabilidade.</strong></p><p>Porque no final existe uma diferença enorme entre:</p><p><strong>“A IA conseguiu gerar o código.”</strong></p><p>e</p><p><strong>“Nós construímos um bom software usando IA.”</strong></p><p>E essa diferença continua sendo responsabilidade humana.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2d1fa1d68439" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[O que o mercado espera de você?AI Powered PM’s]]></title>
            <link>https://tatianafloren.medium.com/o-que-o-mercado-espera-de-voc%C3%AA-ai-powered-pms-b57e41d2852c?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/b57e41d2852c</guid>
            <category><![CDATA[product-management]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Thu, 27 Aug 2026 16:13:47 GMT</pubDate>
            <atom:updated>2026-08-27T16:13:47.192Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rn1w-7-iCVdcPUkHDNx78g.png" /></figure><h3>Como a Inteligência Artificial está mudando o papel do Product Manager — e por que julgamento humano continua sendo essencial</h3><p>A Inteligência Artificial está mudando rapidamente a forma como trabalhamos.</p><p>No Product Management, essa transformação já é bastante evidente.</p><p>Hoje, ferramentas de IA conseguem analisar grandes volumes de dados, resumir entrevistas, identificar padrões em feedbacks, gerar hipóteses, criar protótipos, estruturar requisitos, escrever histórias de usuário e até sugerir caminhos para priorização.</p><p>Isso nos faz pensar:</p><p><strong>Se a IA consegue fazer cada vez mais atividades que fazem parte da rotina de um Product Manager, o que o mercado vai esperar desse profissional?</strong></p><p>Talvez a resposta não esteja em fazer mais.</p><p>Talvez esteja em <strong>julgar melhor</strong>.</p><h3>A IA está mudando o trabalho do PM</h3><p>Durante muito tempo, uma parte importante do trabalho de Produto esteve relacionada à organização e processamento de informações.</p><p>O PM precisava conversar com clientes, analisar feedbacks, organizar problemas, escrever documentos, estruturar requisitos, construir apresentações e transformar tudo isso em decisões.</p><p>A IA consegue acelerar boa parte desse processo.</p><p>Imagine, por exemplo, receber centenas de comentários de usuários.</p><p>Antes, seria necessário ler, categorizar e consolidar manualmente essas informações.</p><p>Hoje, podemos utilizar IA para identificar temas recorrentes, agrupar problemas, encontrar padrões e gerar hipóteses.</p><p>Isso não significa que o PM deixou de ser necessário.</p><p>Significa que <strong>o tempo gasto processando informação pode ser convertido em tempo para pensar sobre ela</strong>.</p><p>E essa mudança é enorme.</p><h3>Como a IA pode ajudar os Product Managers?</h3><p>A IA pode funcionar como um verdadeiro <strong>copiloto de Produto</strong>.</p><p>Ela pode ajudar o PM a:</p><ul><li>analisar feedbacks de clientes;</li><li>identificar padrões e tendências;</li><li>sintetizar entrevistas;</li><li>gerar hipóteses;</li><li>explorar diferentes cenários;</li><li>apoiar análises de concorrência;</li><li>criar protótipos;</li><li>estruturar requisitos;</li><li>escrever histórias de usuário;</li><li>sugerir critérios de aceite;</li><li>organizar pesquisas;</li><li>preparar perguntas para entrevistas;</li><li>transformar dados em narrativas;</li><li>revisar documentos;</li><li>simular diferentes perspectivas sobre um problema.</li><li>Isso traz um ganho importante:</li></ul><p><strong>velocidade.</strong></p><p>Mas existe uma diferença fundamental entre <strong>produzir mais rápido</strong> e <strong>decidir melhor</strong>.</p><p>E é justamente aí que começa o papel do julgamento humano.</p><h3>O risco de usar IA para acelerar decisões ruins</h3><p>Existe uma armadilha nessa nova realidade.</p><p>Quanto mais fácil fica produzir, maior é a nossa capacidade de produzir coisas que não deveriam ser produzidas.</p><p>Podemos criar rapidamente uma funcionalidade que ninguém precisa.</p><p>Podemos construir um protótipo excelente para resolver o problema errado.</p><p>Podemos analisar milhares de dados e chegar a uma conclusão equivocada.</p><p>Podemos montar um roadmap extremamente bem estruturado baseado em uma premissa incorreta.</p><p>A IA pode acelerar a execução.</p><p>Mas <strong>velocidade na direção errada apenas nos faz chegar mais rápido ao lugar errado.</strong></p><p>Por isso, talvez uma das competências mais importantes do PM na era da IA seja saber <strong>questionar as próprias respostas que a IA oferece</strong>.</p><h3>Onde o julgamento humano ainda é essencial?</h3><h3>1. Entender o problema por trás do problema</h3><p>Uma das maiores responsabilidades de Produto é descobrir qual problema realmente merece ser resolvido.</p><p>Imagine que um usuário diga:</p><blockquote><em>“Precisamos de um novo botão.”</em></blockquote><p>A IA pode ajudar a organizar essa solicitação.</p><p>Pode inclusive sugerir como construir o botão.</p><p>Mas o PM precisa fazer outra pergunta:</p><p><strong>“Por que você precisa desse botão?”</strong></p><p>Talvez o problema não seja a ausência do botão.</p><p>Talvez seja um processo complexo.</p><p>Talvez falte informação.</p><p>Talvez exista uma regra de negócio mal compreendida.</p><p>Talvez o usuário esteja tentando contornar uma limitação do produto.</p><p>Essa investigação exige contexto.</p><p>E contexto nem sempre está nos dados.</p><h3>2. Fazer escolhas quando não existe uma resposta certa</h3><p>Produto é, essencialmente, um exercício de escolhas.</p><p>Qual problema devemos resolver primeiro?</p><p>Qual cliente devemos priorizar?</p><p>Qual hipótese devemos testar?</p><p>Quanto devemos investir?</p><p>Qual risco estamos dispostos a assumir?</p><p>O que devemos <strong>não fazer</strong>?</p><p>A IA pode apresentar alternativas.</p><p>Pode comparar cenários.</p><p>Pode encontrar padrões.</p><p>Pode estimar probabilidades.</p><p>Mas alguém precisa escolher.</p><p>E, principalmente, alguém precisa assumir a responsabilidade por essa escolha.</p><p><strong>A IA pode recomendar. O PM precisa decidir.</strong></p><h3>3. Contexto</h3><p>Uma recomendação pode parecer perfeita quando observamos apenas os dados disponíveis.</p><p>Mas uma decisão de Produto raramente depende apenas de dados.</p><p>Ela acontece dentro de um contexto.</p><p>Existe estratégia.</p><p>Existe orçamento.</p><p>Existe tecnologia.</p><p>Existe cultura organizacional.</p><p>Existem restrições legais e regulatórias.</p><p>Existem pessoas.</p><p>Existem relações com clientes e stakeholders.</p><p>Existem decisões tomadas anteriormente.</p><p>Existem consequências que não aparecem imediatamente nos indicadores.</p><p>O PM precisa conectar essas variáveis.</p><p>Essa capacidade de enxergar o todo é uma das razões pelas quais <strong>pensamento crítico e visão sistêmica</strong> continuam sendo tão importantes.</p><h3>4. Ética e responsabilidade</h3><p>Existe uma pergunta que a IA pode ajudar a responder:</p><p><strong>“O que provavelmente funciona?”</strong></p><p>Mas existe outra pergunta, ainda mais importante:</p><p><strong>“Devemos fazer isso?”</strong></p><p>As duas perguntas não são iguais.</p><p>Uma solução pode ser tecnicamente possível.</p><p>Pode ser financeiramente interessante.</p><p>Pode aumentar uma métrica.</p><p>Pode ser desejada por parte dos usuários.</p><p>E ainda assim não ser a decisão correta.</p><p>Produto também envolve impacto.</p><p>Privacidade.</p><p>Segurança.</p><p>Inclusão.</p><p>Transparência.</p><p>Responsabilidade.</p><p>É nesse espaço que o julgamento humano se torna indispensável.</p><h3>5. Conversas difíceis</h3><p>Existe outro aspecto do trabalho do PM que costuma ser subestimado:</p><p><strong>influenciar pessoas.</strong></p><p>O PM precisa dizer não.</p><p>Precisa negociar prioridades.</p><p>Precisa lidar com conflitos.</p><p>Precisa questionar decisões.</p><p>Precisa explicar por que uma demanda não será atendida agora.</p><p>Precisa convencer diferentes áreas.</p><p>Precisa construir confiança.</p><p>Precisa ouvir um cliente frustrado.</p><p>A IA pode ajudar a preparar uma conversa.</p><p>Pode simular argumentos.</p><p>Pode sugerir perguntas.</p><p>Pode organizar informações.</p><p>Mas ela não substitui a responsabilidade de estar naquela conversa.</p><p><strong>Relacionamento continua sendo humano.</strong></p><h3>Então a IA vai substituir o Product Manager?</h3><p>Não acredito que essa seja a melhor pergunta.</p><p>A pergunta mais interessante é:</p><p><strong>Como será o Product Manager que souber trabalhar com IA?</strong></p><p>Provavelmente será um profissional capaz de combinar duas competências:</p><p><strong>capacidade de utilizar IA + capacidade de exercer julgamento.</strong></p><p>Um PM que não utiliza IA pode perder velocidade.</p><p>Mas um PM que utiliza IA sem pensamento crítico pode simplesmente tomar decisões erradas mais rapidamente.</p><p>O diferencial estará na combinação.</p><h3>PM versus IA?</h3><p>Talvez essa seja a forma errada de enxergar o futuro.</p><p>Não acredito em:</p><p><strong>PM versus IA.</strong></p><p>Acredito em:</p><h3>PM + IA</h3><p>A IA pode aumentar nossa capacidade de pesquisar.</p><p>Pode aumentar nossa capacidade de analisar.</p><p>Pode aumentar nossa capacidade de experimentar.</p><p>Pode aumentar nossa capacidade de produzir.</p><p>Pode até nos ajudar a enxergar possibilidades que não perceberíamos sozinhos.</p><p>Mas ainda precisamos decidir:</p><p><strong>Qual problema merece nossa atenção?</strong></p><p><strong>Qual solução faz sentido?</strong></p><p><strong>Qual risco devemos assumir?</strong></p><p><strong>Qual impacto queremos gerar?</strong></p><p><strong>O que não devemos fazer?</strong></p><h3>O que o mercado espera de você?</h3><p>Talvez, no passado, fosse suficiente dizer:</p><p><strong>“Eu sei fazer Produto.”</strong></p><p>Depois, tornou-se importante dizer:</p><p><strong>“Eu sei trabalhar com dados.”</strong></p><p>Agora surge uma nova exigência:</p><p><strong>“Eu sei trabalhar com IA.”</strong></p><p>Mas acredito que isso ainda não será suficiente.</p><p>O próximo diferencial pode ser:</p><blockquote><strong><em>“Eu sei usar IA para pensar melhor, mas não terceirizo meu julgamento para ela.”</em></strong></blockquote><p>Essa mudança é importante.</p><p>Porque, quando a capacidade de produção aumenta, a capacidade de escolha se torna ainda mais valiosa.</p><p>Quando qualquer pessoa consegue gerar um documento em segundos, <strong>o valor está em saber o que colocar nesse documento</strong>.</p><p>Quando qualquer pessoa consegue criar um protótipo rapidamente, <strong>o valor está em saber qual problema vale a pena prototipar</strong>.</p><p>Quando qualquer pessoa consegue gerar dezenas de hipóteses, <strong>o valor está em saber quais hipóteses merecem ser testadas</strong>.</p><h3>Talvez o verdadeiro diferencial seja saber fazer boas perguntas</h3><p>Existe uma consequência interessante da chegada da IA ao trabalho de Produto.</p><p>Durante muito tempo, valorizamos quem sabia encontrar respostas.</p><p>Agora, talvez precisemos valorizar ainda mais quem sabe <strong>fazer boas perguntas</strong>.</p><p>Perguntas como:</p><p><strong>Estamos resolvendo o problema certo?</strong></p><p><strong>Para quem esse problema realmente importa?</strong></p><p><strong>O que estamos assumindo sem evidências?</strong></p><p><strong>O que os dados não estão mostrando?</strong></p><p><strong>Qual é o custo de não fazer nada?</strong></p><p><strong>O que pode dar errado?</strong></p><p><strong>Quem será impactado por essa decisão?</strong></p><p><strong>Se pudéssemos fazer apenas uma coisa, qual seria?</strong></p><p>A IA pode ajudar a explorar as respostas.</p><p>Mas a qualidade das respostas dependerá, muitas vezes, da qualidade das perguntas.</p><h3>A nova competência de Produto</h3><p>Talvez o Product Manager do futuro não seja aquele que compete com a IA.</p><p>Será aquele que sabe <strong>orquestrar a IA</strong>.</p><p>Que utiliza a tecnologia para ampliar sua capacidade, mas mantém consigo aquilo que não deveria ser terceirizado:</p><p><strong>curiosidade.</strong></p><p><strong>pensamento crítico.</strong></p><p><strong>empatia.</strong></p><p><strong>visão estratégica.</strong></p><p><strong>responsabilidade.</strong></p><p><strong>ética.</strong></p><p><strong>capacidade de decisão.</strong></p><p>No fim, a questão não é simplesmente:</p><blockquote><strong><em>“O que a IA consegue fazer?”</em></strong></blockquote><p>A pergunta mais importante é:</p><blockquote><strong><em>“O que devemos fazer com tudo aquilo que a IA consegue fazer?”</em></strong></blockquote><p>E talvez essa seja uma das competências que mais diferenciarão os profissionais de Produto nos próximos anos.</p><p>Porque a IA pode nos ajudar a chegar mais rápido.</p><p><strong>Mas ainda somos nós que precisamos escolher para onde ir.</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b57e41d2852c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Spec-Driven Development: como eu troquei “vibe coding” por especificação — e como isso pode…]]></title>
            <link>https://tatianafloren.medium.com/spec-driven-development-como-eu-troquei-vibe-coding-por-especifica%C3%A7%C3%A3o-e-como-isso-pode-8e45a4f325ca?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/8e45a4f325ca</guid>
            <category><![CDATA[iso-42001]]></category>
            <category><![CDATA[gemini-cli]]></category>
            <category><![CDATA[claude-code]]></category>
            <category><![CDATA[visual-studio-code]]></category>
            <category><![CDATA[spec-driven-development]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Mon, 10 Aug 2026 19:07:43 GMT</pubDate>
            <atom:updated>2026-08-10T19:14:56.729Z</atom:updated>
            <content:encoded><![CDATA[<h3>Spec-Driven Development: como eu troquei “vibe coding” por especificação — e como isso pode impactar a Processo, Governança de Sistemas da sua empresa.</h3><p>Nos últimos meses eu venho testando, na prática, uma forma diferente de trabalhar com agentes de IA no desenvolvimento de software. Não é sobre escrever prompts melhores. É sobre mudar o que vem <em>antes</em> do prompt.</p><p>Chama-se <strong>Spec-Driven Development (SDD)</strong> — e depois de aplicar o método em um projeto pessoal, criar meu próprio framework para produtos de IA e propor a institucionalização, percebi que era hora de compartilhar o caminho completo. Inclusive os erros.</p><p>Se você já sentiu que “conversar” com um agente de codificação até funciona, mas o resultado é frágil, difícil de auditar e impossível de repetir — este artigo é o roteiro para você tentar o SDD no seu próprio projeto, hoje, sem precisar de curso nenhum.</p><h3>O problema que o SDD resolve</h3><p>A forma mais comum de usar IA para codar hoje é o que ficou conhecido como <em>vibe coding</em>: você descreve o que quer, o agente gera código, você testa, ajusta o prompt, gera de novo. Funciona para protótipos rápidos como Lovable, IAStudio, Figma com Agentes. Mas em qualquer projeto que precise sobreviver além de uma tarde, esse fluxo quebra em três pontos:</p><ul><li><strong>Rastreabilidade zero</strong> — ninguém consegue voltar e entender <em>por que</em> aquela decisão de arquitetura foi tomada, porque ela nasceu de um prompt, não de um documento.</li><li><strong>Retrabalho constante</strong> — cada nova sessão com o agente reconstrói contexto do zero, e pequenas inconsistências viram bugs difíceis de rastrear.</li><li><strong>Nenhum critério de “pronto”</strong> — sem specs, “funciona” vira uma opinião, não um checklist verificável.</li></ul><p>O SDD ataca isso invertendo a ordem: a especificação em markdown é escrita <strong>antes</strong> de qualquer código, e o agente de IA implementa <em>a partir dela</em> — não a partir de uma conversa solta.</p><h3>Como eu apliquei o fluxo, passo a passo</h3><p>Segui o método em cinco etapas, testado num projeto real (um servidor web em TypeScript + Hono, construído do zero com o Claude Code como agente):</p><p><strong>1. Constituição</strong> — antes de escrever qualquer spec de feature, defini três documentos-base:</p><ul><li>mission.md: qual problema o projeto resolve e para quem</li><li>tech-stack.md: as escolhas técnicas e por quê</li><li>roadmap.md: as fases do projeto, em ordem</li></ul><p>Isso vira o contexto permanente que todo agente vai carregar — é o equivalente a alinhar expectativas com um time humano antes de distribuir tarefas.</p><p><strong>2. Especificação</strong> — para cada fase/feature, três arquivos:</p><ul><li>plan.md: o que vai ser construído e como</li><li>requirements.md: os critérios de aceitação, explícitos e verificáveis</li><li>validation.md: como confirmar que cada critério foi atendido</li></ul><p><strong>3. Implementação</strong> — só aqui o agente entra em ação, e ele implementa <em>a spec</em>, não a sua ideia solta do momento.</p><p><strong>4. Validação</strong> — cada critério do requirements.md é checado um a um. Se algo não bate, o problema não é &quot;o código está errado&quot; — é &quot;a spec ou a implementação divergiram&quot;, e dá pra saber exatamente onde.</p><p><strong>5. Replanejamento</strong> — o que se aprendeu na validação volta para a spec, fechando o ciclo antes de avançar para a próxima fase.</p><p><strong>Um método próprio para produtos de IA.</strong> Adaptei o SDD para discovery de produto — não só código — , criando um template de spec que já nasce com seção de riscos, limites do modelo e critérios de governança embutidos. A lógica: se você vai especificar o comportamento esperado de um sistema, especifique também o que acontece quando ele erra.</p><p><strong>Uma trilha de capacitação para o time.</strong> Designers e analistas/PMs não escrevem código, mas também precisam entender o que é uma spec, como ela vira contrato entre negócio e engenharia, e qual o papel de cada um nesse fluxo. Estruturei isso em fases, com entregáveis concretos por etapa.</p><p><strong>Uma proposta de institucionalização.</strong> O uso de SDD nas squads onde trabalho começou pontual — cada time aplicando do seu jeito, criando produtos, fazendo uso SDD, criando framework próprio.</p><h3>Como replicar isso em casa</h3><p>Você não precisa de aprovação institucional nem de um time para começar. Dá pra testar sozinho, num projeto pessoal, neste fim de semana — e sem depender de construtores no-code como Lovable ou AI Studio, que geram o app dentro da plataforma deles e tiram de você o controle sobre a pasta de specs que é o coração do método. Para reproduzir o SDD de verdade, o ideal é um editor que trabalhe direto no seu repositório local.</p><p><strong>Ambiente (VS Code, de baixo custo):</strong></p><ol><li><strong>Instale o VS Code</strong> — gratuito, em code.visualstudio.com. É a base onde os plugins de IA se conectam.</li><li><strong>Instale a extensão Claude Code, Gemini CLI, etc </strong>— fiz meus testes usando “Claude Code” (publicado pela Anthropic) na aba de Extensions. Ela abre um painel lateral que conversa com o agente já dentro do contexto do seu projeto, em vez de um terminal isolado.</li><li><strong>Autentique com sua conta Claude</strong> — um plano Pro (a partir de ~$17–20/mês, confirme o valor atual em claude.com/pricing) já libera o uso da extensão no VS Code; contas gratuitas não têm acesso ao Claude Code. Se nem isso couber no orçamento agora, extensões open-source como Continue ou Cline funcionam com sua própria chave de API — você paga só o uso, sem assinatura fixa feito isso avalie a questão de ciclo de vida dos processos da sua empresa ou do seu negócio.</li></ol><p>Essas atividades são a base de uma estrutura formal — e é exatamente aí que o SDD para de ser só um método de produtividade e vira infraestrutura de governança de IA . Uma spec escrita antes do código já é, na prática, o primeiro artefato de rastreabilidade que a governança de IA exige. O que falta, na maioria dos times que usam SDD hoje , é dar o próximo passo: usar essa mesma estrutura para identificar e gerenciar riscos, e para sustentar um processo de melhoria contínua formal, não só técnico.</p><p>Mas é necessário elaborar e formalizar isso: especificação como fonte da verdade, código como artefato derivado, ancorado ISO/IEC 42001:2023 (a norma internacional de gestão de sistemas de IA), já que ambas seguem a mesma estrutura de sistema</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/729/1*gH1LMvi1rz05Dw5_IR_Osw.png" /></figure><h3>Governança da IA para desenvolvimento de Software usando Spec Driven Developer</h3><p>Governança de IA refere-se às estruturas organizacionais, políticas e controles que permitem que sistemas de IA sejam usados de forma responsável, ética e segura. A governança abrange todo o ciclo de vida da IA e inclui as seguintes atividades:</p><ul><li>Definição do propósito pretendido e alinhamento das partes interessadas</li><li>Gerenciando dados, modelos e riscos de implantação</li><li>Projetar em explicabilidade, mitigação de viés para criação de sistemas e rastreabilidade</li><li>Estabelecimento de práticas de responsabilização, monitoramento e descomissionamento</li></ul><p>Essas atividades são a base de uma estrutura formal que você pode usar para estabelecer Spec Driven Developer, mapeamento de processos, processos de governança, identificar e gerenciar riscos, e implementar processos para melhoria contínua</p><p><strong>Referências :</strong></p><p><strong>ISO/IEC 22989:2022, ISO/IEC 42001:2023</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8e45a4f325ca" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Como construí um servidor TypeScript do zero usando Spec-Driven Development — e por que isso mudou…]]></title>
            <link>https://tatianafloren.medium.com/como-constru%C3%AD-um-servidor-typescript-do-zero-usando-spec-driven-development-e-por-que-isso-mudou-a12a485daabf?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/a12a485daabf</guid>
            <category><![CDATA[spec-driven-development]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Mon, 10 Aug 2026 18:05:35 GMT</pubDate>
            <atom:updated>2026-08-10T18:05:35.835Z</atom:updated>
            <content:encoded><![CDATA[<h3>Como construí um servidor TypeScript do zero usando Spec-Driven Development — e por que isso mudou minha forma de trabalhar com IA</h3><p><em>Um guia prático com evidências reais de projeto</em></p><p>Eu estava cansada de mandar prompts para o agente de IA e torcer para o código sair certo.</p><p>Funcionava para coisas simples. Mas assim que o projeto crescia, o código virava um caos em duas ou três sessões. O agente “esquecia” decisões que tinha tomado antes. Eu reescrevia as mesmas instruções toda vez. E o resultado raramente era o que eu queria de verdade.</p><p>Foi aí que descobri o <strong>Spec-Driven Development</strong>.</p><h3>O que é Spec-Driven Development?</h3><p>SDD é a prática de escrever especificações em markdown <strong>antes</strong> de qualquer linha de código — e usar essas specs como contexto para um agente de IA implementar.</p><p>A virada de chave é simples:</p><blockquote><em>Você para de escrever código. Você passa a escrever </em><strong><em>contexto</em></strong><em>. O agente é o músculo. Você é o arquiteto. A spec é o projeto do edifício.</em></blockquote><p>A diferença para o “vibe coding” (mandar um prompt e torcer) é enorme:</p><p>Vibe Coding SDD Contexto entre sessões Perdido Preservado nas specs Qualidade do código Dívida técnica crescente Alinhado com objetivos Escala Não escala Projetado para projetos sérios Artifact permanente Só o chat Arquivo versionado no Git</p><h3>O projeto que construí: AgentClinic</h3><p>Para aprender SDD na prática, segui o curso gratuito <strong>Spec-Driven Development with Coding Agents</strong> da DeepLearning.AI em parceria com JetBrains.</p><p>O projeto é o <strong>AgentClinic</strong> — uma clínica fictícia onde agentes de IA podem obter ajuda com seus problemas (alucinação, context rot, loop infinito). É uma paródia divertida que serve perfeitamente como projeto de aprendizado.</p><p><strong>Stack usada:</strong></p><ul><li>TypeScript + Hono (framework web)</li><li>Node.js v18+</li><li>Claude Code como agente de IA</li><li>VS Code</li><li>Git para versionar specs e código juntos</li></ul><h3>O fluxo SDD em 5 passos</h3><h3>Passo 1 — Crie a Constituição do projeto</h3><p>A Constituição é um conjunto de três arquivos markdown que define o projeto inteiro. É escrita uma vez no início, em conversa com o agente.</p><pre>specs/<br>├── mission.md      → O PORQUÊ (visão, público, escopo, restrições)<br>├── tech-stack.md   → O COMO (framework, banco, deploy)<br>└── roadmap.md      → O QUANDO (fases em pequenos passos)</pre><p><strong>Prompt que usei:</strong></p><pre>Vamos criar a Constituição do projeto AgentClinic.<br>É uma clínica fictícia onde agentes de IA podem obter ajuda<br>com seus problemas. Antes de criar os arquivos, me faça as<br>perguntas necessárias para entender melhor o projeto.</pre><p>O agente fez ótimas perguntas sobre tom, granularidade do roadmap e escolhas técnicas. Em 10 minutos os três arquivos estavam prontos e commitados.</p><h3>Passo 2 — Especifique cada feature (antes de implementar)</h3><p>Para cada funcionalidade, crio três arquivos de spec <strong>antes</strong> de pedir ao agente para implementar:</p><pre>specs/phase-01-hello-hono/<br>├── plan.md           → O que será construído e por quê<br>├── requirements.md   → Requisitos com critérios de aceitação [ ]<br>└── validation.md     → Como verificar que está funcionando</pre><p><strong>Os 6 elementos que nunca podem faltar na spec:</strong></p><ol><li>Comportamento externo — o que o usuário vê</li><li>Critérios de aceitação — como saber quando está pronto</li><li>Casos extremos — comportamento em situações inesperadas</li><li>Restrições técnicas — o que o agente não pode fazer</li><li>Dependências — o que essa feature precisa de outras</li><li>Fora de escopo — o que explicitamente NÃO faz parte</li></ol><blockquote><strong><em>Spec ≠ PRD.</em></strong><em> Um PRD é escrito para humanos que interpretam ambiguidade. Agentes de IA preenchem lacunas também — mas não do jeito que você quer. Seja explícito.</em></blockquote><h3>Passo 3 — Implementação pelo agente</h3><p>Com a spec aprovada, o prompt é simples:</p><pre>Implemente a feature conforme a spec em<br>specs/phase-01-hello-hono/requirements.md</pre><p>O agente instalou o Hono, criou o src/index.ts, configurou o script dev no package.json e pediu aprovação antes de cada comando. Em alguns minutos o servidor estava rodando.</p><h3>Passo 4 — Validação formal</h3><p>Aqui vem o momento mais importante do fluxo:</p><pre>Vamos validar a feature conforme os critérios em<br>specs/phase-01-hello-hono/validation.md</pre><p>O agente identificou uma divergência: o código retornava &quot;Hello from AgentClinic Tatiana&quot;, mas a spec dizia &quot;Hello from AgentClinic&quot;.</p><p>Ele perguntou: <strong>Opção A</strong> (atualizar a spec) ou <strong>Opção B</strong> (corrigir o código)?</p><p>A resposta correta é sempre a <strong>Opção B</strong>.</p><blockquote><strong><em>A spec é a fonte da verdade. Quando o código diverge, você corrige o código — nunca a spec.</em></strong></blockquote><h3>Passo 5 — Replanejamento</h3><p>Entre features, reviso a Constituição:</p><pre>Vamos fazer o replanejamento. Revise a Constituição em specs/<br>e o que foi construído. Sugira atualizações para o roadmap.md.</pre><p>A Constituição é um documento <strong>vivo</strong>. Ela evolui conforme você aprende mais sobre o projeto.</p><h3>Os commits que provam que funcionou</h3><p>Esse é o histórico real do projeto no Git:</p><pre>fe5679f  docs(phase-01): close out all spec files after validation<br>         fix(phase-01): align response message and startup log<br>         feat(phase-01): implement hello-hono server<br>         docs: add phase-01 hello-hono specs<br>         feat: add project constitution (mission, tech-stack, roadmap)<br>         initial: scaffold from Lesson_04</pre><p>Cada commit conta uma parte da história. Spec → código → validação → correção → fechamento da fase. Tudo rastreável, tudo intencional.</p><h3>O resultado</h3><pre>{&quot;message&quot;:&quot;Hello from AgentClinic&quot;}</pre><p>Um servidor TypeScript rodando em localhost:3000, construído com SDD do zero, com todo o fluxo documentado no Git.</p><p>Parece simples — e é. Mas a diferença é que agora eu <strong>sei exatamente o que foi decidido, por quê, e posso continuar de onde parei em qualquer sessão futura</strong>, com qualquer agente.</p><h3>Por que isso importa para quem trabalha com TI</h3><p>Se você está estudando para concurso público na área de TI, trabalha em uma empresa que usa IA no desenvolvimento, ou está construindo um produto do lado — o SDD resolve o problema mais comum: <strong>o agente que não entende o que você quer de verdade</strong>.</p><p>Com specs bem escritas:</p><ul><li>Você troca de agente sem perder contexto (Claude, Gemini, Cursor — todos funcionam)</li><li>Qualquer pessoa da equipe entende o que foi construído e por quê</li><li>O código produzido é rastreável e alinhado com os objetivos reais</li><li>Você para de reescrever as mesmas instruções toda sessão</li></ul><h3>Quer replicar?</h3><p><strong>Repositório do projeto:</strong> <a href="https://github.com/TatianaFlorentino/sc-spec-driven-development-files">https://github.com/TatianaFlorentino/sc-spec-driven-development-files</a></p><p><strong>Curso gratuito (inglês):</strong> <a href="https://learn.deeplearning.ai/courses/spec-driven-development-with-coding-agents">https://learn.deeplearning.ai/courses/spec-driven-development-with-coding-agents</a></p><p><strong>Para instalar o Claude Code:</strong></p><pre>npm install -g @anthropic-ai/claude-code</pre><p><strong>Para instalar o Gemini CLI (alternativa):</strong></p><pre>npm install -g @google/gemini-cli</pre><h3>Conclusão</h3><p>SDD não é uma metodologia complexa. É uma mudança de mentalidade:</p><p><strong>Pense antes de implementar. Escreva o contexto. Deixe o agente trabalhar.</strong></p><p>O fluxo completo em uma linha:</p><pre>Constituição → Spec → Implementação → Validação → Replanejamento → (próxima feature)</pre><p>Se você testar, me conta nos comentários como foi. Estou curiosa para saber se funcionou no seu contexto também. 👇</p><p><em>Tatiana Florentino — Profissional de TI em Goiás, aprendendo a construir produtos com IA de forma profissional.</em></p><p><em>Tags: #SpecDrivenDevelopment #TypeScript #InteligenciaArtificial #Desenvolvimento #Claude #Produto #TI</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a12a485daabf" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Descubra NoSQL]]></title>
            <link>https://tatianafloren.medium.com/nosql-994fa8775cf4?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/994fa8775cf4</guid>
            <category><![CDATA[nosql-database]]></category>
            <category><![CDATA[dados]]></category>
            <category><![CDATA[nosql]]></category>
            <category><![CDATA[mongodb-atlas]]></category>
            <category><![CDATA[mongodb]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Thu, 14 Sep 2023 19:17:32 GMT</pubDate>
            <atom:updated>2023-09-14T20:25:16.113Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*dicOBDepgsJYKDw3rbzruw.png" /></figure><p>Um pouco de conceito, os bancos de dados relacionais foram bem sucedidos porque trouxeram os benefícios de armazenamento de dados persistentes de forma organizada, porém as estrututuras de dados na memória e pela imcompatibilidade de impedância levaram a criação do banco de dados NÃO relacional.</p><p>O termo “NoSQL” que conhecemos hoje é resultado de uma reunião realizada em 11 de junho de 2009, em São Francisco — Califórnia, organizada por <a href="https://martinfowler.com/bliki/NosqlDefinition.html">Johan Oskarsson</a>, um desenvolvedor de software de Londres.</p><p>NoSQL tem conceitos como cluster de máquinas e chave-valor, documento, família de colunas ou colunar, e grafos que são denominado “orientação agregada”.</p><p><strong>Resumo</strong>: NoSQL abrange sistemas de banco de dados que não seguem um modelo relacional, são semi-estruturados, <br>priorizam consistência eventual, são emergentes, escaláveis e flexíveis.</p><p><strong>Parte Prática</strong></p><p>Nesta semana, decidi realizar alguns casos práticos para voltar a estudar a parte técnica e percebi que simplesmente estudar teoria não é suficiente. É crucial pratica envolvendo-se em casos reais para estimular o pensamento, pois a teoria é importante, mas não deve ser o único foco.</p><p>Há vários bancos de dados NoSQL, porém meu foco aqui será MongoDB<strong> </strong>que armazenam dados em documentos semelhantes a JSON</p><p>Bora praticar!</p><p>Abaixo as diferenças do banco relacional RDBMS com NoSQL(MongoDB).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8Nnf5YdQK5x7RZLC52gIFA.png" /></figure><p><strong>Cenário : </strong>Criando uma tabela ou collection de Livros com MongoDB</p><p><strong>Objetivo</strong>: Conceitos básicos do MongoDB criando uma tabela ou collection de livros simples.</p><p><strong>Configuração do Ambiente</strong>:</p><ol><li>Criação de um conta MongoDB Atlas na nuvem oferece uma versão gratuita para fins de aprendizado.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Jzd6FHNMUe3mwbStEqz0jQ.png" /></figure><p>2. MongoDB oferece uma infinidade de linguagem de programação C#, Python, . Net, Java, Node. JS e PHP, Scala, etc</p><p>Fiz a escolha do Python</p><ol><li>Criando um novo banco de dados para o seu catálogo de livros, por exemplo, “livraria”,</li></ol><pre><br>use livraria</pre><ol><li>As coleções no MongoDB são equivalentes a tabelas em bancos de dados relacionais.</li></ol><p>Criando uma Coleção:</p><pre>db.createCollection(&quot;livros&quot;);</pre><p>2. Bora inserir alguns documentos (dados) na coleção “livros”. Cada documento pode representar um livro e incluir campos como “título”, “autor” e “ano de publicação”. Os comandos como insertOne retorna uma instância ou insertMany várias instâncias objetivo de ambas serve para adicionar dados à coleção.</p><p>Inserindo os Documentos:</p><pre><br>db.livros.insertOne({<br>    &quot;titulo&quot;: &quot;É assim que começa&quot;,<br>    &quot;autor&quot;: &quot;Hoover&quot;,<br>    &quot;ano&quot;: 2018<br>})</pre><p>Famoso select se transformou find</p><pre><br>db.livros.find({ &quot;ano&quot;: 2018 })<br><br></pre><p>Removendo a tabela ou collection</p><pre><br>db.livros.drop()</pre><p><strong>Referências</strong> <strong>para exercitar mais comandos</strong></p><p><a href="https://www.mongodb.com/docs/mongodb-shell/reference/methods/#std-label-mongosh-native-method-load">Methods</a></p><p><a href="https://gowithcode.com/sql-vs-nosql">https://gowithcode.com/sql-vs-nosql</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=994fa8775cf4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SQL no Gerenciamento de Dados em uma Loja Virtual — Varejo]]></title>
            <link>https://tatianafloren.medium.com/sql-no-gerenciamento-de-dados-em-uma-loja-virtual-varejo-7ab2510dc62?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/7ab2510dc62</guid>
            <category><![CDATA[ddl]]></category>
            <category><![CDATA[dml]]></category>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[dql]]></category>
            <category><![CDATA[mysql]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Wed, 13 Sep 2023 17:28:55 GMT</pubDate>
            <atom:updated>2023-09-13T18:47:51.495Z</atom:updated>
            <content:encoded><![CDATA[<h3>SQL no Gerenciamento de Dados em uma Loja Virtual — Varejo</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*15ZuwSefRicr8FrEGHf6hA.png" /></figure><h3>Descrição do Projeto</h3><p>Como uma Consultora Dados foi acionada para resolver um problema de uma loja virtual chamada “TechStore”. A TechStore vende uma variedade de produtos eletrônicos, como smartphones, laptops, tablets e acessórios.</p><p>A empresa está enfrentando alguns desafios em relação ao gerenciamento de dados e precisa da sua experiência em SQL para melhorar suas operações. Aqui estão algumas informações sobre a situação atual:</p><p><strong>Desafio 1</strong>: Gerenciamento de Produtos A TechStore tem uma grande quantidade de produtos em seu catálogo, mas está tendo dificuldades para rastrear as informações dos produtos de forma eficaz. Eles precisam de um sistema para gerenciar informações como nome do produto, categoria, preço, quantidade em estoque e descrição. Além disso, eles desejam ser capazes de identificar os produtos mais vendidos e os que estão em baixo estoque.</p><p><strong>Desafio 2</strong>: Registro de Vendas</p><p>A TechStore está buscando melhorar o registro de vendas. Eles têm informações sobre todas as vendas, incluindo data da venda, ID do cliente, ID do produto e quantidade vendida. No entanto, eles desejam criar relatórios mensais que mostrem as vendas totais por mês e o número de clientes que fizeram compras em cada mês.</p><p><strong>Desafio 3</strong>: Gerenciamento de Clientes</p><p>A empresa possui informações sobre seus clientes, como nome, endereço, e-mail e número de telefone, mas está tendo dificuldades para segmentar os clientes com base em seu histórico de compras. Eles desejam ser capazes de identificar clientes frequentes e clientes que não fazem compras há muito tempo.</p><h3>Tarefas</h3><p>Tarefa é usar SQL para criar consultas e relatórios que abordem cada um desses desafios. Você precisará projetar bancos de dados apropriados, escrever consultas eficazes para criar relatórios que sejam fáceis de entender para a equipe executiva da TechStore futuramente.</p><p>Ao final do projeto, você deverá apresentar os resultados de suas consultas e relatórios, modelagem ER, à equipe de engenharia de dados da TechStore, demonstrando como suas soluções melhoraram o gerenciamento de dados e a tomada de decisões na empresa.</p><h3>Demonstração das tarefas</h3><p>✔️ Desafio 1 - Gerenciamento de Produtos Instalação de Banco Dados Relacional Musql e Criação de tabelas e Inserção dos dados - SQL</p><pre>/**Avaliar quantos usuários tem no mysql**/<br><br>SELECT user, host FROM mysql.user;<br><br>/**criacao de usuario de aplicacao para acessar a TechStore, **/<br>CREATE USER &#39;aplicativo&#39;@&#39;localhost&#39; IDENTIFIED BY &#39;aplicativo123&#39;;<br><br>/**criacao de schema para agrupar as tabelas do banco de TechStore, **/<br>CREATE SCHEMA relacional;<br><br>/**permissão usuario de aplicacao para shema  TechStore, **/<br>GRANT SELECT, INSERT, UPDATE, DELETE ON relacional.* TO &#39;aplicativo&#39;@&#39;localhost&#39;;<br><br>/**criacao de permissões de acesso  TechStore, **/<br>GRANT SELECT, INSERT, UPDATE, DELETE ON relacional.* TO &#39;aplicativo&#39;@&#39;localhost&#39;;<br><br>-- Criação database separado para a TechStore<br>CREATE DATABASE TechStoreDB;<br><br>-- Uso do banco de dados recém-criado<br>USE TechStoreDB;<br><br>-- Criação da tabela Clientes<br>CREATE TABLE relacional.Clientes (<br>    ID_Cliente INT PRIMARY KEY,<br>    Nome_Cliente VARCHAR(255),<br>    Endereco VARCHAR(255),<br>    Email VARCHAR(255),<br>    Numero_Telefone VARCHAR(15)<br>);<br><br>-- Inserção de dados  na tabela Clientes<br>INSERT INTO relacional.Clientes (ID_Cliente, Nome_Cliente, Endereco, Email, Numero_Telefone)<br>VALUES<br>    (1, &#39;João Silva&#39;, &#39;123 Rua Principal&#39;, &#39;joao@email.com&#39;, &#39;(11) 1234-5678&#39;),<br>    (2, &#39;Maria Santos&#39;, &#39;456 Avenida Secundária&#39;, &#39;maria@email.com&#39;, &#39;(22) 9876-5432&#39;);<br><br>-- Criação da tabela Produtos - A tabela &quot;Produtos&quot; contém detalhes sobre os produtos disponíveis na loja, como nome, descrição, preço e categoria.<br>CREATE TABLE relacional.Produtos (<br>    ID_Produto INT PRIMARY KEY,<br>    Nome_Produto VARCHAR(255),<br>    Descricao TEXT,<br>    Preco DECIMAL(10, 2),<br>    Categoria VARCHAR(50)<br>);<br><br>-- Inserção de dados  na tabela Produtos<br>INSERT INTO relacional.Produtos (ID_Produto, Nome_Produto, Descricao, Preco, Categoria)<br>VALUES<br>    (1, &#39;Smartphone Modelo X&#39;, &#39;Um smartphone de última geração&#39;, 999.99, &#39;Eletrônicos&#39;),<br>    (2, &#39;Notebook Ultrabook&#39;, &#39;Um poderoso notebook para trabalho e entretenimento&#39;, 1499.99, &#39;Computadores&#39;);<br><br>-- Criação da tabela Estoque - A tabela &quot;Estoque&quot; registra a quantidade disponível de cada produto em estoque, relacionada à tabela de produtos por meio do ID do Produto.<br><br>CREATE TABLE relacional.Estoque (<br>    ID_Estoque INT PRIMARY KEY,<br>    ID_Produto INT,<br>    Quantidade_Em_Estoque INT,<br>    FOREIGN KEY (ID_Produto) REFERENCES Produtos(ID_Produto)<br>);<br><br>-- Inserção de dados  na tabela Estoque<br>INSERT INTO relacional.Estoque (ID_Estoque, ID_Produto, Quantidade_Em_Estoque)<br>VALUES<br>    (1, 1, 50),<br>    (2, 2, 20);<br><br>-- Criação da tabela Vendas - A tabela &quot;Vendas&quot; registra informações sobre <br>-- as vendas realizadas, <br>-- incluindo a data da venda, o cliente associado (por meio do ID do cliente) <br>-- e o produto vendido (por meio do ID do produto).<br>--  A quantidade vendida também é registrada.<br><br>CREATE TABLE relacional.Vendas (<br>    ID_Venda INT PRIMARY KEY,<br>    Data_Venda DATE,<br>    ID_Cliente INT,<br>    ID_Produto INT,<br>    Quantidade_Vendida INT,<br>    FOREIGN KEY (ID_Cliente) REFERENCES Clientes(ID_Cliente),<br>    FOREIGN KEY (ID_Produto) REFERENCES Produtos(ID_Produto)<br>);<br><br>-- Inserção de dados  na tabela Vendas<br>INSERT INTO relacional.Vendas (ID_Venda, Data_Venda, ID_Cliente, ID_Produto, Quantidade_Vendida)<br>VALUES<br>    (1, &#39;2023-09-13&#39;, 1, 1, 2),<br>    (2, &#39;2023-09-14&#39;, 2, 1, 1),<br>    (3, &#39;2023-09-14&#39;, 1, 2, 3);<br><br>-- Criação da tabela Pedidos<br>CREATE TABLE relacional.Pedidos (<br>    ID_Pedido INT PRIMARY KEY,<br>    Data_Pedido DATE,<br>    ID_Cliente INT,<br>    Status_Pedido VARCHAR(20),<br>    FOREIGN KEY (ID_Cliente) REFERENCES Clientes(ID_Cliente)<br><br>);<br><br>-- Inserir um pedido<br>INSERT INTO relacional.Pedidos (ID_Pedido, Data_Pedido, ID_Cliente, Status_Pedido)<br>VALUES (1, &#39;2023-09-13&#39;, 1, &#39;Em andamento&#39;);<br><br>-- Inserir outro pedido<br>INSERT INTO relacional.Pedidos (ID_Pedido, Data_Pedido, ID_Cliente, Status_Pedido)<br>VALUES (2, &#39;2023-09-14&#39;, 2, &#39;Concluído&#39;);<br><br>-- Criação da tabela Avaliacoes de Produtos<br>CREATE TABLE relacional.Avaliacoes_Produtos (<br>    ID_Avaliacao INT PRIMARY KEY,<br>    ID_Produto INT,<br>    Comentario TEXT,<br>    Classificacao INT,<br>    Data_Avaliacao DATE,<br>    FOREIGN KEY (ID_Produto) REFERENCES Produtos(ID_Produto)<br>);<br><br>INSERT INTO relacional.Avaliacoes_Produtos (ID_Avaliacao, ID_Produto, Comentario, Classificacao, Data_Avaliacao)<br>VALUES (1, 1, &#39;Ótimo produto!&#39;, 5, &#39;2023-09-13&#39;);<br><br>INSERT INTO relacional.Avaliacoes_Produtos (ID_Avaliacao, ID_Produto, Comentario, Classificacao, Data_Avaliacao)<br>VALUES (2, 1, &#39;Bom produto!&#39;, 3, &#39;2023-09-13&#39;);<br><br>INSERT INTO relacional.Avaliacoes_Produtos (ID_Avaliacao, ID_Produto, Comentario, Classificacao, Data_Avaliacao)<br>VALUES (3, 1, &#39;Péssimo produto!&#39;, 1, &#39;2023-09-13&#39;);<br><br>-- Criação da tabela Funcionarios<br>CREATE TABLE relacional.Funcionarios (<br>    ID_Funcionario INT PRIMARY KEY,<br>    Nome_Funcionario VARCHAR(255),<br>    Cargo VARCHAR(50),<br>    Contato VARCHAR(255)<br>);<br><br>INSERT INTO relacional.Funcionarios (ID_Funcionario, Nome_Funcionario, Cargo, Contato)<br>VALUES (1, &#39;Joselito Silva&#39;, &#39;Atendente de Vendas&#39;, &#39;joao@email.com&#39;);<br><br>INSERT INTO relacional.Funcionarios (ID_Funcionario, Nome_Funcionario, Cargo, Contato)<br>VALUES (2, &#39;Carolina Santos&#39;, &#39;Gerente de Loja&#39;, &#39;maria@email.com&#39;);<br><br>-- Criação da tabela Registros de Pagamentos<br>CREATE TABLE relacional.Registros_Pagamentos (<br>    ID_Pagamento INT PRIMARY KEY,<br>    ID_Pedido INT,<br>    Metodo_Pagamento VARCHAR(50),<br>    Valor_Pagamento DECIMAL(10, 2),<br>    Data_Pagamento DATE,<br>    FOREIGN KEY (ID_Pedido) REFERENCES Pedidos(ID_Pedido)<br>);<br><br>-- Inserir registros de pagamentos<br>INSERT INTO relacional.Registros_Pagamentos (ID_Pagamento, ID_Pedido, Metodo_Pagamento, Valor_Pagamento, Data_Pagamento)<br>VALUES (1, 1, &#39;Cartão de Crédito&#39;, 100.00, &#39;2023-09-13&#39;);<br><br>INSERT INTO relacional.Registros_Pagamentos (ID_Pagamento, ID_Pedido, Metodo_Pagamento, Valor_Pagamento, Data_Pagamento)<br>VALUES (2, 2, &#39;Pix&#39;, 75.50, &#39;2023-09-14&#39;);<br><br>ALTER TABLE Enderecos_Entrega<br>ADD COLUMN ID_Estado INT,<br>ADD FOREIGN KEY (ID_Estado) REFERENCES Estados(ID_Estado);<br><br>-- Criação da tabela Enderecos_Entrega<br>CREATE TABLE relacional.Enderecos_Entrega (<br>    ID_Endereco_Entrega INT PRIMARY KEY,<br>    ID_Cliente INT,<br>    Rua VARCHAR(255),<br>    Cidade VARCHAR(50),<br>    Estado VARCHAR(50),<br>    CEP VARCHAR(10),<br>    FOREIGN KEY (ID_Cliente) REFERENCES Clientes(ID_Cliente),<br>    FOREIGN KEY (ID_Cidade) REFERENCES Cidades(ID_Cidade)<br>);<br><br>-- Crie a tabela Estados<br>CREATE TABLE Relacional.Estados (<br>    ID_Estado INT AUTO_INCREMENT PRIMARY KEY,<br>    Nome_Estado VARCHAR(50) NOT NULL,<br>    Sigla_Estado VARCHAR(2) NOT NULL<br>);<br><br>INSERT INTO Relacional.Estados (ID_Estado, Nome_Estado, Sigla_Estado)<br>VALUES (1, &#39;São Paulo&#39;, &#39;SP&#39;);<br><br>-- Crie a tabela Cidades<br>CREATE TABLE Relacional.Cidades (<br>    ID_Cidade INT AUTO_INCREMENT PRIMARY KEY,<br>    Nome_Cidade VARCHAR(255) NOT NULL,<br>    ID_Estado INT,<br>    FOREIGN KEY (ID_Estado) REFERENCES Estados(ID_Estado)<br>);<br><br>INSERT INTO Relacional.Cidades(ID_Cidade, Nome_Cidade, ID_Estado)<br>VALUES (1, &#39;São Paulo&#39;, 1);<br><br>-- Crie a tabela Enderecos_Entrega<br>CREATE TABLE Relacional.Enderecos_Entrega (<br>    ID_Endereco_Entrega INT AUTO_INCREMENT PRIMARY KEY,<br>    ID_Cliente INT,<br>    Rua VARCHAR(255),<br>    ID_Cidade INT,<br>    CEP VARCHAR(10),<br>    FOREIGN KEY (ID_Cidade) REFERENCES Cidades(ID_Cidade),<br> FOREIGN KEY (ID_Cliente) REFERENCES Clientes(ID_Cliente)<br>    -- Outros campos relevantes<br>);<br><br>INSERT INTO Relacional.Enderecos_Entrega(ID_Endereco_Entrega, ID_Cliente, Rua, ID_Cidade, CEP)<br>VALUES (1, 1, &#39;Rua Pedro Alvares, 123&#39;, 1, &#39;12367-190&#39;);<br><br>INSERT INTO Enderecos_Entrega (ID_Enderecos_Entrega, ID_Cliente, Rua, Cidade, Estado, CEP)<br>VALUES (1, 1, &#39;Rua A, 123&#39;, &#39;São Paulo&#39;, &#39;SP&#39;, &#39;12345-678&#39;);<br><br>INSERT INTO Enderecos_Entrega (ID_Enderecos_Entrega, ID_Cliente, Rua, Cidade, Estado, CEP)<br>VALUES (2, 2, &#39;Rua B, 456&#39;, &#39;Santos&#39;, &#39;SP&#39;, &#39;98765-432&#39;);<br><br>-- a. Listar todas as vendas realizadas em um determinado período de tempo:<br>SELECT * FROM relacional.Vendas as a WHERE a.Data_Venda BETWEEN &#39;2023-09-01&#39; AND &#39;2023-09-30&#39;;<br><br>CREATE TABLE relacional.Itens_Pedido (<br>    ID_Item INT AUTO_INCREMENT PRIMARY KEY,<br>    ID_Pedido INT,<br>    ID_Produto INT,<br>    Quantidade INT,<br>    FOREIGN KEY (ID_Pedido) REFERENCES Pedidos(ID_Pedido),<br>    FOREIGN KEY (ID_Produto) REFERENCES Produtos(ID_Produto)</pre><p>✔️ Desafio 2: Registro de Vendas: Criação de tabelas e Inserção dos dados - SQL</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vEOBGz_R3oyHQQm3gp6kyA.png" /></figure><pre><br>-- b. selecionar vendas em um mês específico (por exemplo, SETEMBRO de 2023):<br><br>SELECT * FROM relacional.Vendas<br>WHERE data_venda BETWEEN &#39;2023-09-01&#39; AND &#39;2023-09-30&#39;;<br><br>-- b. Calcular o valor total de vendas em um mês específico<br> (por exemplo, SETEMBRO de 2023):<br>SELECT SUM(preco * quantidade_vendida) AS total_vendas<br>FROM relacional.Vendas<br>JOIN relacional.Produtos ON Vendas.id_produto = Produtos.id_produto<br>WHERE EXTRACT(MONTH FROM data_venda) = 9 AND EXTRACT(YEAR FROM data_venda) = 2023;<br><br>-- c. Identificar os produtos mais vendidos em um determinado mês <br><br>SELECT<br>    P.ID_Produto,<br>    P.Nome_Produto,<br>    P.PRECO,<br>    SUM(V.Quantidade_Vendida) AS Total_Vendido<br>  <br>FROM<br>    RELACIONAL.Produtos P<br>JOIN<br>   RELACIONAL.Vendas V ON P.ID_Produto = V.ID_Produto<br>   WHERE EXTRACT(MONTH FROM Data_venda) = 9 AND EXTRACT(YEAR FROM Data_venda) = 2023<br>GROUP BY<br>    P.ID_Produto, P.Nome_Produto;<br>SELECT * FROM Relacional.Vendas<br><br>-- d. Encontrar os clientes que fizeram compras em um mês<br>--  específico (por exemplo, SETEMBRO de 2023):<br>SELECT DISTINCT Clientes.ID_cliente<br>FROM RELACIONAL.Vendas<br>JOIN RELACIONAL.Clientes ON Vendas.id_cliente = Clientes.id_cliente<br>WHERE EXTRACT(MONTH FROM data_venda) = 9 AND EXTRACT(YEAR FROM data_venda) = 2023;<br><br></pre><p>✔️ Desafio 3: Gerenciamento de Clientes: Querys SQL Respondendo inferências</p><pre>-- a. Identificar os clientes que fizeram compras nos últimos três meses:<br>SELECT DISTINCT Clientes.nome_cliente<br>FROM relacional.Vendas<br>JOIN relacional.Clientes ON Vendas.id_cliente = Clientes.id_cliente<br>WHERE data_venda &gt;= DATE_SUB(CURRENT_DATE(), INTERVAL 3 MONTH);<br><br><br>-- b. Encontrar os clientes que não fizeram compras nos últimos seis meses:<br>SELECT DISTINCT Clientes.nome_cliente<br>FROM relacional.Clientes<br>LEFT JOIN relacional.Vendas ON Clientes.id_cliente = Vendas.id_cliente<br>WHERE Vendas.id_venda IS NULL OR data_venda &lt; DATE_SUB(CURRENT_DATE(), INTERVAL 6 MONTH);<br><br>-- c. Calcular a quantidade total de compras feitas por cada cliente:<br><br>SELECT Clientes.nome_cliente, SUM(Vendas.quantidade_vendida) AS total_compras<br>FROM relacional.Vendas<br>JOIN relacional.Clientes ON Vendas.id_cliente = Clientes.id_cliente<br>GROUP BY Clientes.nome_cliente;<br><br>-- d. Listar os clientes com base no número de compras feitas (clientes frequentes):<br>SELECT Clientes.nome_cliente, COUNT(Vendas.id_venda) AS numero_compras<br>FROM relacional.Vendas<br>JOIN relacional.Clientes ON Vendas.id_cliente = Clientes.id_cliente<br>GROUP BY Clientes.nome_cliente<br>ORDER BY numero_compras DESC;</pre><h3>Acesso ao Projeto</h3><ul><li><a href="https://github.com/TatianaFlorentino/BancoDados/blob/main/MYSQL%20-%20Montagem%20do%20banco%20de%20dados%20relacional.txt">Montagem do banco de dados relacional mysql em 10 minutos</a>,</li><li><a href="https://github.com/TatianaFlorentino/BancoDados/blob/main/Comandos.sql">Comandos SQL Genérico para testar o banco de dados</a></li><li><a href="https://github.com/TatianaFlorentino/BancoDados/blob/main/ER_TechStore.png">Desafio 1 — Modelagem do Banco TechStore</a></li><li><a href="https://github.com/TatianaFlorentino/BancoDados/blob/main/Comandos_TechStore.sql">Desafio 1 — Script do Banco TechStore</a></li><li><a href="https://github.com/TatianaFlorentino/BancoDados/blob/main/Comandos_Desafio_2_Querys_TechStore.sql">Desafio 2 — Querys — Registro de Vendas</a></li><li><a href="https://github.com/TatianaFlorentino/BancoDados/blob/main/Comandos_Desafio_3_Querys_TechStore.txt">Desafio 3 — Querys — Clientes</a></li></ul><h3>Tecnologias e ferramentas utilizadas</h3><ul><li>Mysql</li><li>SQL</li><li>DDL | DQL | DML | DCL | Segurança</li></ul><h3>Conclusão</h3><p>Difícil essa tarefa demonstrar habilidades no SQL, porém esse desafio permitiu revisar conceitos e demonstrar meu conhecimento em SQL, desde a criação de bancos de dados relacional, criação, alteração de tabelas e até a geração de insights valiosos para uma empresa fictícia de gerenciamento de banco relacional. Próximos passo realizar cargas maiores de dados, conectar com Power BI.Banco.</p><h3>Skills de Palavra Chave</h3><p>| Power BI | ELT | ETL | Power Query | DAX | SQL | Relacional | Banco de dados | Git | GitHub | DDL | DQL | DML | DCL | Segurança | Governança de Dados</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7ab2510dc62" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Análise de Vendas com Power BI]]></title>
            <link>https://tatianafloren.medium.com/an%C3%A1lise-de-vendas-com-power-bi-c749440a85dc?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/c749440a85dc</guid>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[visualização-de-dados]]></category>
            <category><![CDATA[excel]]></category>
            <category><![CDATA[power-bi-desktop]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Tue, 12 Sep 2023 14:26:27 GMT</pubDate>
            <atom:updated>2023-09-12T14:33:09.684Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i0ehVdPUnAlL8C9t3mXHtg.png" /></figure><h3>Conjunto de Dados</h3><p>Durante meu Case recebi um conjunto de dados para explorar minhas habilidades de análise de dados usando o Power BI. Em resumo, o conjunto de dados consiste em vinte e duas (12) colunas e mais de 3211 linhas rotuladas como ( ID_Pedido, Data_Pedido, ID_Representante, Nome_Representante, Regional, ID_Produto, Nome_Produto, Valor_Produto, Quantidade_Vendida, Valor_Total_Venda, Nome_Cliente, Cidade_Cliente, Estado_Cliente) Abaixo o head dataframe</p><h3>Tratamento de Dados</h3><p>Conforme discutido anteriormente em meu projeto anterior, a importância da limpeza de dados não pode ser exagerada para se obter um resultado adequado na visualização. Meu procedimento de limpeza no Excel consiste em excluir espaços em branco e duplicatas e convertê-los em uma tabela com formatação de cores.</p><h3>Power BI</h3><p>Depois que baixei e instalei meu Power BI Desktop pelo site <a href="https://powerbi.microsoft.com/">https://powerbi.microsoft.com/</a>, ,carreguei os dados no programa aplicativo usando a opção obter dados, onde posso usar a consulta avançada para fazer algumas alterações adicionais, como agrupar colunas relevantes (ID_Pedido, Data_Pedido, ID_Representante, Nome_Representante, Regional, ID_Produto, Nome_Produto, Valor_Produto, Quantidade_Vendida, Valor_Total_Venda, Nome_Cliente, Cidade_Cliente, Estado_Cliente, entre outras colunas agrupadas), adicionando e excluindo colunas quando apropriado, identificando chaves primárias (ou seja, aquela com o valor mais baixo em cada grupo), e assim por diante .</p><h3>Descrição do projeto</h3><p>Projeto em desenvolvimento de um case teve como objetivo demostrar habilidades no uso do Power BI da Microsoft tem referência a visualização dos dados. O Logo da empresa aqui é ficticio O relatório permitirá o monitoramento diário, contínuo das vendas, possibilitando que gestores, acompanhem as vendas por representante, regional, estado, produtos mais vendidos, clientes em potencial.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/848/1*tjjtRdWDyHfClWMEaV1Nsw.png" /></figure><p>Descrição do case, Você recebeu uma base de dados de Vendas, do ano de 2020, de uma empresa que vende equipamentos eletrônicos para alguns grandes clientes corporativos. Você tem o desafio de analisar estas bases de dados e construir um relatório que responda as seguintes perguntas:</p><ul><li>Qual a receita obtida por vendedor?</li><li>Qual a receita obtida por cada regional?</li><li>Qual a receita obtida por cada cliente?</li><li>O gerente da empresa, também informou que gostaria de ter as informações acima, segmentadas em cada um dos estados, para uma análise mais profunda. Por fim, o gerente informou ainda que não tem tanto conhecimento nas possibilidades do Power BI, mas que gostaria de ter mais visões interessantes sobre os dados da empresa. Como você criaria este relatório em Power BI?</li></ul><h3>Funcionalidades</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/484/1*Z4OZY6ojzjlaG4XTZmhIVA.gif" /></figure><h3>Tecnologias-utilizadas</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/849/1*gpqfMZqzU-5QQsZYpPh2Yw.png" /></figure><h3>Acesso ao projeto</h3><p>Planilha excel está em csv, converta em xls para trabalhar no power bi <a href="https://github.com/TatianaFlorentino/trajetoriads/blob/main/1%20-%20Base%20de%20Dados.csv">baixá-lo</a>.</p><p>Você pode <a href="https://github.com/TatianaFlorentino/trajetoriads/blob/main/Case_Vendas.pbix">acessar o código fonte do power bi, famoso pbix</a></p><p>Plano de Fundo <a href="https://github.com/TatianaFlorentino/trajetoriads/blob/main/Plano%20de%20Fundo%20-%20Dashboard%20de%20Vendas%20(PC).pptx">baixá-lo</a>.</p><h3>Abrir e rodar o projeto</h3><p>Após baixar o projeto, você pode abrir com o Power BI Destop. Para isso, na opção de arquivo clique em:importar</p><ul><li>Procure o local onde você baixou o projeto e o selecione;</li><li>Por fim clique em OK.</li></ul><p>Melhore essa visualização colocando tooltip, outros gráficos, boa sorte! 🏆</p><h3>Etapas do Projeto</h3><p>1. Criar layout para apresentação dos dashboards faz uma grande diferença nas apresentação dos dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7pNziZt5y4Czt9UXTMJhEw.png" /><figcaption>Figura 1: página Visão geral</figcaption></figure><p>2. Foco em responder a primeira inferência &gt; Qual a receita obtida por vendedor ? : Escolha do gráfico de barras clusterizado, obtendo dados da coluna Valor Total Venda e Nome Representante</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/338/0*weqvkyOcUHOCKxxl.png" /><figcaption>Figura 2</figcaption></figure><p>3. Seguindo a segunda inferência &gt; Qual a receita obtida por cada regional? Faça escolha do gráfico de rosca, obtendo os dados da coluna Valor Total Venda e Regional</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/351/0*eWh2WbeSVLN6o6zD.png" /><figcaption>Figura 3</figcaption></figure><p>4. Continuando a responder a terceira inferência &gt; Qual a receita obtida por cada cliente? Faça a escolha do gráfico coluna empilhada obtendo os dados Valor Total Venda e Cliente</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/470/0*ia8HPJSU-NZp8klY.png" /><figcaption>Figura 4</figcaption></figure><p>5. O gerente informou ainda que não tem tanto conhecimento nas possibilidades do Power BI, então foi adicionado “segmentação de dados para filtrar estado do cliente”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/503/0*FzcrWUI13J1utJEV.png" /><figcaption>Figura 5</figcaption></figure><p>6. Por fim, como gráfico adicional para responder informações acima citadas, segmentadas em cada um dos estados, para uma análise mais profunda.Para responder mais questionamentos adicionado um gráfico de dispersão obtendo os dados de valor total de venda, quantidade venda, nome do produto</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/468/0*aUGnRtAgmGRxexPA.png" /><figcaption>Figura 6</figcaption></figure><p>Figura 7: Adicione 3 visualizações tipo “cartões” para representar Receita Total, Total itens vendidos, quantidade de pedidos</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/198/0*gKXNrdznVvLY-Ydf.png" /><figcaption>Figura 7</figcaption></figure><p>Como a visualização às vezes é chamada de “a face de todo estudo”, muito trabalho foi dedicado a ela, inclusive em termos de formatação de página, formatação visual, layout visual e muitas outras áreas. Página de visão geral: esta página exibe vendas responde todas as perguntas do case com layout bacana!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*S5A4JlyDz29_Ymz7.png" /><figcaption>Figura 8</figcaption></figure><h3><strong>Conclusão</strong>:</h3><p>Trabalhar em um relatório pra fazer ou replicar um aprendizado é uma excelente oportunidade para avaliar a complexidade do desenvolvimento, identificar quais informações são relevantes para extrair insights, analisar o layout e determinar os tipos de gráficos que devem ser incluídos para contar uma história impactante por meio dos dados. No exemplo que busquei na intenet há recomendações futuras: alguns tooltips, criação de dashboard para mobile, etc.</p><h3>Referências</h3><p>Gostaria de expressar meu sincero agradecimento ao Prof. Ítalo Teotônio pela incrível qualidade do material que ele disponibiliza no YouTube. Seu comprometimento com o ensino é verdadeiramente inspirador e tem sido <br>uma fonte valiosa de aprendizado para mim. Muito obrigada, Prof. Ítalo!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c749440a85dc" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[“Desvendando o Potencial do Teste A/B em python: Como Ele Pode Impulsionar o Sucesso do Produto”]]></title>
            <link>https://tatianafloren.medium.com/desvendando-o-potencial-do-teste-a-b-em-python-como-ele-pode-impulsionar-o-sucesso-do-produto-373122bca53f?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/373122bca53f</guid>
            <category><![CDATA[product-management]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Thu, 15 Jun 2023 15:41:35 GMT</pubDate>
            <atom:updated>2023-06-15T15:41:35.345Z</atom:updated>
            <content:encoded><![CDATA[<p>Podemos ver os testes A/B como experimentos controlados que fornecem dados para embasar a tomada de decisões baseada em informações concretas. Eles são comumente utilizados para medir o impacto de alterações e comparar diferentes variações em campanhas de marketing, recursos de aplicativos ou websites.</p><p>Embora os testes A/B possam ser aplicados em diversos contextos, vamos abordar o uso de testes A/B no desenvolvimento de aplicativos, websites e marketing digital.</p><p>Vamos imaginar que você tenha uma página de vendas para um e-commerce . Essa página inclui elementos como um título principal (H1), uma breve descrição da transformação oferecida e um botão de chamada para ação (CTA).</p><p>No entanto, ao abrir o carrinho de vendas, você percebe que as conversões não atingiram as expectativas. Menos de 1.0% dos visitantes estão comprando seu produto.</p><p>Como um aluno engajado do curso O Novo Mercado, é natural que você comece a questionar imediatamente: “Será que trocar a cor do botão CTA para verde pode aumentar a minha taxa de conversão para pelo menos 1.5%?”</p><p>No entanto, assim que você decide realizar o seu teste A/B, que parecia ser uma tarefa tranquila, surgem algumas dúvidas básicas, tais como:</p><ul><li>Será suficiente direcionar metade do tráfego para a nova versão e comparar as taxas de conversão para determinar qual página performou melhor?</li><li>Qual é a confiabilidade desse experimento?</li><li>Posso modificar todo o website ou apenas uma única funcionalidade?</li><li>Meu experimento alcançou significância estatística?</li><li>Como posso garantir que os dados não estejam enviesados?</li><li>Será que tirei conclusões precipitadas e cometi algum equívoco?</li></ul><p>É verdade. Para realizar experimentos do tipo Teste A/B, é essencial ter conhecimento dos fundamentos estatísticos antes de começar a codificar. Felizmente, há uma abundância de recursos disponíveis na internet sobre o assunto. Vamos estudar juntos!</p><pre># importar bibliotecas<br>import pandas as pd<br>from statsmodels.stats.api import proportion_effectsize, NormalIndPower<br>from statsmodels.stats.proportion import proportions_ztest, proportion_confint<br>from math import ceil<br>import matplotlib.pyplot as plt<br>import numpy as np<br>import seaborn as sns<br># https://research.usu.edu//irb/wp-content/uploads/sites/12/2015/08/A_Researchers_Guide_to_Power_Analysis_USU.pdf<br><br>es = proportion_effectsize(0.10, 0.12)<br>n_necessario = NormalIndPower().solve_power(es, power=0.8, alpha=0.05, ratio=1)<br><br># carregue a planilha do seu testes<br>df = pd.read_excel(&quot;/content/dados.xlsx&quot;)<br><br># veja o cabeçalho da planilha <br>df.head()<br># veja a informação da planilha<br>df.info()<br># agrupe e contabiliza<br>df.group.value_counts()<br># veja a média da conversões<br>df.groupby(&quot;group&quot;)[&quot;converted&quot;].mean()<br># plota um gráfico das conversões<br>sns.barplot(df.group, df.converted);<br><br>#pegue uma amostra significativa, usaremos distribuição normal para calcular p-value (z-test)<br>controle = df[df.group == &#39;controle&#39;][&quot;converted&quot;]<br>teste = df[df.group == &#39;teste&#39;][&quot;converted&quot;]<br><br>num_controle = controle.shape[0]<br>num_teste = teste.shape[0]<br><br>num_observacoes = [controle.shape[0], teste.shape[0]]<br>conversoes = [controle.sum(), teste.sum()]<br><br>z, p = proportions_ztest(conversoes, num_observacoes)<br>(lower_con, lower_treat), (upper_con, upper_treat) = proportion_confint(conversoes, nobs=num_observacoes, alpha=0.05)</pre><p>Conclusão para etapas de um Teste A/B</p><p>Realizar um Teste A/B pode envolver diferentes abordagens, dependendo da empresa e das pessoas envolvidas no experimento.</p><p>No entanto, há uma série de passos comumente utilizados por muitas empresas. São eles:</p><ol><li>Formular a hipótese: Definir claramente qual é a suposição ou expectativa que você deseja testar. Por exemplo, “Ao alterar a cor do botão CTA, a taxa de conversão aumentará.”</li><li>Criar um grupo de controle e um grupo de teste: Dividir sua audiência ou usuários em dois grupos, onde o grupo de controle recebe a versão atual do elemento em análise (por exemplo, o botão CTA na cor atual) e o grupo de teste recebe a nova versão (por exemplo, o botão CTA na cor alternativa).</li><li>Conduzir o teste: Expor os grupos à suas respectivas versões e coletar dados relevantes, como taxa de conversão, tempo gasto no site, número de cliques, entre outros. Certifique-se de que o teste seja executado por tempo suficiente para obter resultados significativos.</li><li>Comparar os resultados e rejeitar/não rejeitar a hipótese nula: Analisar os dados coletados e realizar uma análise estatística para determinar se existe uma diferença significativa entre os grupos de controle e teste. Com base nisso, você pode rejeitar ou não rejeitar a hipótese nula (a suposição de que não há diferença entre as versões).</li></ol><p>Lembrando que essas etapas são apenas uma orientação geral e cada empresa pode adaptá-las de acordo com suas necessidades e recursos. O importante é garantir que o teste seja conduzido de forma rigorosa e que os resultados sejam interpretados de maneira confiável.</p><p>Gostou ?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=373122bca53f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Conceito Geral Big Data]]></title>
            <link>https://tatianafloren.medium.com/conceito-geral-big-data-308c042ff097?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/308c042ff097</guid>
            <category><![CDATA[big-data-analytics]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[big-data-analysis]]></category>
            <category><![CDATA[big-data-training]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Fri, 12 Mar 2021 00:07:53 GMT</pubDate>
            <atom:updated>2021-03-12T00:11:06.014Z</atom:updated>
            <content:encoded><![CDATA[<h3>Conceito Geral Big Data &amp; Desafios</h3><h3>Um pouco de História</h3><p>É a área de conhecimento que estuda e aplica um conjunto de ferramentas para manipular, gerir, analisar e obter informações a partir de grandes volumes de dados, em variados formatos e tipos de estruturas.</p><p><strong>1944 </strong>-A ideia de Big Data foi identificado por Freemont Rider, bibliotecário da Wesleyan University, que estimou que as bibliotecas nas universidades americanas se expandiriam para conter mais de 200 milhões de volumes até 2040. Hoje, a Biblioteca de Yale sozinha tem aproximadamente 12,5 milhões de volumes em 20 edifícios no campus.</p><p><strong>1949</strong>-Claud Shannon, conhecido como o “Pai da informação”, pesquisou a grande capacidade de armazenamento de itens como cartões perfurados e dados fotográficos. Um dos maiores itens da lista de Shannon era a Biblioteca do Congresso, medindo mais de 100 trilhões de bits de dados.</p><p><strong>1961 </strong>-A pesquisa de Derek’s Price sobre o conhecimento científico, concluiu que, as revistas científicas dobravam a cada 15 anos. Isso agora é mais conhecido como “lei do aumento exponencial”.</p><p><strong>1971</strong>-Arthur R. Miller, autor do livro ‘The Assault on Privacy’, identificou que “muitos manipuladores de informações parecem medir um homem pelo número de bits de capacidade de armazenamento que seu dossiê ocupará”.</p><p><strong>1976</strong>-Japão começa a rastrear volumetrias de dados. Por meio de um senso descobre que os suprimentos não suportarão a consumação e abastecimento do país</p><p><strong>1981</strong>-O Serviço Central de Estatísticas da Hungria realizou um projeto de pesquisa que envolveu a contabilização das informações do país para as indústrias por meio da medição do volume de dados em bits.</p><p><strong>1983</strong>-O autor Ithiel de Sola Pool observou as tendências de crescimento em 17 grandes meios de comunicação de 1960 a 1977 e concluiu que o fluxo de informações havia crescido exponencialmente em 2,9% durante esse período devido à radiodifusão e à mídia.</p><p><strong>1986</strong>-O armazenamento digital tornou-se mais econômico para armazenar dados do que o papel.</p><p><strong>1997</strong>-O<strong> termo “Big Data” foi usado pela primeira vez</strong> quando os pesquisadores M. Cox e D. Ellsworth escreveram um artigo identificando que o aumento dos dados estava se tornando um problema para os sistemas de computador atuais. Em outras palavras, o “Problema do Big Data”.</p><p><strong>2000</strong>-Peter Lyman e Hal R. Varian publicaram o primeiro estudo que quantificou, em termos de armazenamento de computador, a quantidade total de informações novas e originais criadas no mundo anualmente. O estudo foi concluído em 1999, um ano em que o mundo produziu aproximadamente 1,5 exabytes de informações únicas.</p><p><strong>2001</strong>-Doug Lanely publicou uma nota de pesquisa intitulada “Gerenciamento de dados 3D: controle de volume, velocidade e variedade de dados”. Uma década depois, esses “3 Vs” se tornaram as dimensões definidoras do big data.</p><p><strong>2005</strong>-”What is Web 2.0&quot; foi publicado pelo escritor Tim O’Reilly, no qual afirmou que “os dados são a próxima inteligência dentro e SQL é o novo HTML”. O gerenciamento de banco de dados é uma competência central das empresas da Web 2.0, tanto que elas às vezes se referem a esses aplicativos como ‘infoware’ em vez de meramente software.</p><p><strong>2008</strong>-Os economistas Bret Swanson e o escritor George Gilder publicaram o “Estimating the Exaflood”, que afirmava que o tráfego IP dos EUA poderia atingir um zetabyte em 2015 e que a Internet nos EUA em 2015 seria pelo menos 50 vezes maior do que era em 2006.</p><p><strong>2009</strong>-Os pesquisadores Roger E. Bohn e James E. Short descobriram que os americanos modernos consumiam informações por uma média de quase 12 horas por dia. O consumo totalizou 3,6 zetabytes e 10.845 trilhões de palavras, correspondendo a 100.500 palavras e 34 gigabytes para uma pessoa média em um dia normal.</p><p><strong>2015</strong>-Diversos estudos, estimaram que a internet trafegaria 50 X mais informações que em 2006. Ampliando toda a necessidade de gerenciamento e estratégias de dados</p><h3><strong>Famosos 5 Vs do Big Data</strong></h3><p>Com esse histórico mencionado acima e com aumento de dados e evolução das tecnologias o famoso 5 Vs foi criado:</p><p><strong>Volume</strong>: Nem sempre volume de dados é valioso.</p><p><strong>Velocidade</strong>: Disponibilidade do dado</p><p><strong>Variedade</strong>: Diversos tipos de fontes, arquivos exemplo podemos utilizar de grande mídias sociais, de geolocalização, fontes internas da organização, etc.</p><p><strong>Veracidade</strong>: Tem relação com confiabilidade do dado informados.</p><p><strong>Valor</strong>: Essa relacionado com valor agregado dessa informação.</p><p>Existe outros Vs do Big Data discutido no mercado porém a base são 5</p><h3><strong>O que é uma Cultura Data Driven?</strong></h3><p>Uma Cultura Data Driven é a prática de direcionar e utilizar ferramentas e tecnologias, processos organizacionais orientados a dados, ou seja, quando a empresa baseia a tomada de decisão e o planejamento estratégico na coleta e na análise de informações — e não em intuições ou simples experiências.</p><h3><strong>Quais tipo de dados, analistas e cientistas trabalham?</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/356/1*-hNllRdzv409o3kSNxKXiw.png" /></figure><h3><strong>Governança dos Dados</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/322/1*sXorx0p_LCK4mrqZ1bIHpQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/324/1*m6tX9hau2vxvb4OUR4sk1g.png" /><figcaption><strong>Referência </strong>: Ciclo de Vida dos Dados DAMA — PMBOK (Project Management Body of Knowledge)</figcaption></figure><p><strong>LGPD ( Lei Geral de Proteção ao Dados)</strong></p><p>Processamento de dados. A correta implementação da Gestão do Ciclo de Vida dos Dados</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/613/1*RpV3VioeMbY_9W0dnB2L_Q.png" /><figcaption><strong>Referência</strong>: <a href="https://www.xpositum.com.br/DPO">Certificação Data Protection Officer (xpositum.com.br)</a></figcaption></figure><h3><strong>Estratégia de Dados</strong></h3><p>Compartilhados e movidos com facilidade e eficiência. Os dados são vistos como um ativo crítico que permite a tomada de decisões de diversas possibilidades em relação ao mercado e a maturidade organizacional.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*dPrCTpumcaYJHw_PfySP5g.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/917/1*N1kt-0UT0n-hvGstXErssg.png" /></figure><p><strong>Raw Data</strong>: Coleta de Dados Bruto</p><p><strong>Work Data :</strong> Identificador de um maior conjunto de <a href="https://context.reverso.net/traducao/portugues-ingles/dados+de+trabalho">dados de trabalho</a>, geralmente uma campanha ou projeto.</p><p><strong>Delivery Data:</strong></p><p><strong>Intelligence:</strong></p><p><strong>#dados #bigdata #</strong></p><h3><strong>Conclusão</strong>:</h3><p>Quando a procedure demora dias …chegou a hora de implementar uma infra estrutura Big Data.</p><p><strong>Desafios</strong></p><p><strong>Falta de Cultura Baseada em Dados</strong> — Embora a maioria dos executivos compreenda os benefícios potenciais da tomada de decisão baseada em dados e da tecnologia de aprendizado de máquina, fazer com que todos em uma grande empresa mudem sua mentalidade e atividades geralmente é um processo longo e lento. Os defensores da aprendizagem de máquina frequentemente enfrentam obstáculos internos ao tentar promover a tecnologia.</p><p><strong>Baixa Qualidade dos Dados</strong> — Os melhores sistemas de IA no mundo não podem retornar boas previsões e percepções se os dados alimentando seus modelos forem imprecisos. Muitas organizações acham que precisam melhorar seus processos de limpeza de dados e gerenciamento de dados antes que eles possam utilizar plenamente o software de aprendizagem de máquina.</p><p><strong>Integração de Dados</strong> — Em muitas organizações, os dados ainda residem em aplicações legadas e soluções de armazenamento local. Alimentar todos esses dados díspares em um sistema de aprendizado de máquina pode representar um desafio, mas os fornecedores estão respondendo com soluções que podem aceitar uma grande variedade de tipos de dados e formatos.</p><p><strong>Segurança de Dados</strong> — O equilíbrio da necessidade de restringir o acesso a dados com a necessidade de usar dados para alimentar sistemas de aprendizado de máquina pode ser complicado. Algumas organizações podem precisar atualizar suas políticas e / ou usar ferramentas de aprendizado de máquina e criptografar os dados ou deixá-los anônimos.</p><p><strong>Requisitos de Infraestrutura</strong> — Sistemas avançados de aprendizagem de máquina funcionam melhor em hardware com GPUs. Além disso, eles exigem muito espaço de armazenamento e capacidades de rede adequadas para mover os dados do armazenamento para aplicativos e vice-versa</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=308c042ff097" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Conhecendo um pouco de Inteligência Artificial, Machine Learning, Deep Learning e dicas de filmes]]></title>
            <link>https://tatianafloren.medium.com/conhecendo-um-pouco-de-intelig%C3%AAncia-artificial-machine-learning-deep-learning-e-dicas-de-filmes-3893d7fdd495?source=rss-fe63f4566ec5------2</link>
            <guid isPermaLink="false">https://medium.com/p/3893d7fdd495</guid>
            <category><![CDATA[product-management]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[inteligencia-artificial]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deep-learning]]></category>
            <dc:creator><![CDATA[Tatiana Florentino]]></dc:creator>
            <pubDate>Thu, 25 Feb 2021 16:51:54 GMT</pubDate>
            <atom:updated>2021-02-25T16:51:54.996Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lZymsWaNIuYY3pZbkAYXog.png" /></figure><h4>Um pouco de história</h4><h4>1950 — Alan Turing</h4><p>O cientista da computação <strong>Alan Turing</strong> (1912–1954), nascido no Reino Unido, é considerado o pioneiro na área de Inteligência Artificial, e ficou conhecido por desenvolver o <strong>Teste de Turing</strong> na década de 1950.</p><p>Em linhas gerais, Turing propôs um teste interrogatório a um sistema (máquina). Com o <strong>Teste de Turing</strong>, um sistema consegue se identificar como um computador ou um ser humano.</p><p>Segue uma dica de filme “ O Jogo da Imitação” que conta história desse mestre</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FYIkKbMcJL_4%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DYIkKbMcJL_4&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FYIkKbMcJL_4%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/5c23f27be08eecb69c4c427bef4ef857/href">https://medium.com/media/5c23f27be08eecb69c4c427bef4ef857/href</a></iframe><h4>1956 — Primeiro Grupo de Inteligência Artificial</h4><p>Entre junho e agosto de 1956, um grupo de cientistas agitou o campus do renomado Dartmouth College, em New Hampshire. Nomes lendários da computação como <a href="https://pt.wikipedia.org/wiki/John_McCarthy">John McCarthy</a>, <a href="https://en.wikipedia.org/wiki/Oliver_Selfridge">Oliver Selfridge</a>, <a href="https://pt.wikipedia.org/wiki/Marvin_Minsky">Marvin Minsky </a>e <a href="https://en.wikipedia.org/wiki/Trenchard_More">Trenchard More </a>discutiram a automação, matéria que florescia na academia e dividia opiniões sobre a capacidade de máquinas de exercer tarefas humanas.</p><h4>1959 — Popularizou o termo Machine Learning</h4><p><strong>Arthur Lee Samuel</strong> foi um pioneiro americano no campo de jogos de computador e <a href="https://en.wikipedia.org/wiki/Artificial_intelligence">inteligência artificial</a> .Ele popularizou o termo “ <a href="https://en.wikipedia.org/wiki/Machine_learning">aprendizado de máquina</a> “ em 1959. O Samuel Checkers-playing Program estava entre os primeiros programas de autoaprendizagem bem-sucedidos do mundo e, como tal, uma demonstração muito precoce do conceito fundamental de <a href="https://en.wikipedia.org/wiki/Artificial_intelligence">inteligência artificial</a> (IA ).Ele também foi um membro sênior da comunidade <a href="https://en.wikipedia.org/wiki/TeX">TeX</a> que dedicou muito tempo dando atenção pessoal às necessidades dos usuários e escreveu um manual do TeX em 1983.</p><p><strong>O que é ?</strong></p><p><strong><em>Inteligência Artificial ( IA), </em></strong><em>é </em>ciências da computação, no qual máquinas realizam tarefas como aprender e raciocinar<strong><em> e </em></strong>têm a capacidade de executar tarefas específicas, com eficiência e precisão igual aos próprios seres humanos.</p><p><strong><em>Machine learning ( ML) </em></strong>pode ser entendido como uma subcategoria de IA. Esse sistema é capaz de analisar uma grande quantidade de dados por meio de métodos estatísticos específicos, além de usar uma variedade de algoritmos para encontrar padrões no banco de dados. Com base nesses padrões, consegue fazer determinações ou predições.</p><p><strong><em>Deep learning(DL),</em> </strong>se desenvolveu a partir de 2010 com o surgimento de computadores poderosos e o aumento dos dados acessíveis, tornando possível os avanços de aprendizado de máquina ou aprendizado profundo, também é uma das técnicas utilizadas pelo aprendizado de máquina. Ela tem como base a utilização das redes neurais profundas. Isso significa que o aprendizado pode acontecer também nas várias camadas do próprio neurônio.</p><p><a href="http://amazon/">Amazon </a>e <a href="http://netflix/">Netflix </a>utilizam de técnicas de machine learning e deep learning para recomendar filmes.</p><p>Falando de filmes, abaixo uma lista de filmes sobre o tema <strong>Inteligência Artificial </strong>pra buscar nas plataformas.</p><p>1) 2001 — Uma Odisseia no Espaço (1968)</p><p>2) Blade Runner: O Caçador de Androides (1982)</p><p>3) Matrix (1999)</p><p>4) Colossus 1980 (1970)</p><p>5) O Exterminador do Futuro 1 &amp; 2 (1984; 1991)</p><p>6) O Fantasma do Futuro (1995)</p><p>7) A. I. — Inteligência Artificial (2001)</p><p>8) Lunar (2009)</p><p>9) Her (2013)</p><p>10) Ex Machina (2015)</p><p>11) O Jogo da Imitação(2015)</p><h4>Conclusão</h4><p>A inteligência Artificial não é algo recente, existe desde 1950 todos os cientistas exploraram o campo “Redes Neurais”, porém a disciplina Deep Learning já é algo mais recente, essas disciplinas estão alta do mercado mundial e aqui no Brasil está apenas começando. Precisamos entender que a tecnologia precisa ser nossa aliada e necessário entender sua história e desafios. Finalizo esse artigo com um convite para trocar ideia, caso queira aprofundar no assunto e sugestões para crescer essa lista de filmes!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3893d7fdd495" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>