Preparação da base
Minha atuação começou no tratamento dos dados antes de sua utilização pelo modelo.
Machine learning para classificar riscos de manutenção de uma frota a partir de dados operacionais.
O Kairos trabalhou com dados históricos, odômetro e atributos operacionais de uma frota para prever a necessidade de manutenção corretiva nos próximos 30 dias. A solução da equipe utilizou Random Forest e conectou a análise a um dashboard em Streamlit.
Fiquei responsável pelo pré-processamento dos dados, incluindo data cleaning, e pela engenharia de atributos. Esse trabalho foi realizado para melhorar as métricas do modelo preditivo, preparando os dados e as variáveis utilizadas na análise.
A equipe desenvolveu o projeto acadêmico com a Fadel Transportes entre agosto e outubro de 2025. Minha entrega se concentrou na base preparada e nos atributos utilizados pelo modelo.
Melhorar as métricas foi o objetivo da preparação dos dados. Não são atribuídos ganhos numéricos ao meu trabalho nem redução comprovada de falhas ou custos de manutenção.
Minha atuação começou no tratamento dos dados antes de sua utilização pelo modelo.
Trabalhei em feature engineering sobre os dados do projeto, buscando melhorar a qualidade das entradas para a previsão.
Random Forest e Streamlit compuseram a solução para classificar riscos e consultar a análise da frota.
contato.md
Para oportunidades e estágios em engenharia de software, com espaço para contribuir com IA aplicada e dados. Respondo em até 3 dias.