Autor: Márcia de Lima

Marketing Digital | Graduanda em Publicidade e Propaganda na Universidade Federal do Ceará

Categorias
Aplicativo Segurança Pública Sinesp Cidadão

App Sinesp Cidadão, desenvolvido pelo Insight Lab, é premiado em concurso da CGU

O Insight, que possui um trabalho incessante de pesquisa e desenvolvimento na área de ciência de dados e inteligência artificial, recentemente teve uma de suas aplicações premiadas em concurso. O Módulo de Participação Cidadã do aplicativo Sinesp Cidadão, do Ministério da Justiça e Segurança Pública, foi premiado no IV Concurso de Boas Práticas da Rede Nacional de Ouvidorias, promovido pela Controladoria-Geral da União (CGU). A premiação corresponde à categoria Tecnologia, Segurança da Informação e Proteção de Dados Pessoais.

Nosso laboratório

Coordenado por José Macêdo, Cientista-chefe na área de Dados da Transformação Digital do Governo do Ceará e professor associado do Departamento de Computação da Universidade Federal do Ceará (UFC), o Insight Lab atualmente trabalha no desenvolvimento de 12 soluções tecnológicas para o Ministério da Justiça e Secretaria Nacional de Segurança Pública através do Projeto Sinesp Big Data.

O Produto

A ferramenta premiada do aplicativo Sinesp Cidadão foi idealizada pela Ouvidoria-Geral do Ministério da Justiça e Segurança Pública e desenvolvida pela parceria entre a UFC, através do laboratório Insight Lab, e a Secretaria Nacional de Segurança Pública – SENASP. O Módulo de Participação Cidadã é um instrumento para receber e tratar manifestações que possam contribuir nas atividades de prevenção às ocorrências locais na área de segurança pública, especialmente nas cinco cidades do Projeto Piloto do Programa “Em Frente Brasil”. 

Trata-se de um módulo dentro do aplicativo Sinesp Cidadão, que cadastra manifestações de ouvidoria diretamente no banco de dados da Plataforma Fala.br, através de API (Application Programming Interface).

A ferramenta possui 11 categorias de reclamação: 

  1. Vandalismo; 
  2. Equipamento Público Danificado; 
  3. Perturbação do Sossego; 
  4. Construção Irregular; 
  5. Descumprimento das Leis de Trânsito; 
  6. Veículo Abandonado; 
  7. Descarte Irregular de Lixo e Entulho; 
  8. Iluminação Pública; 
  9. Comércio Irregular; 
  10. Saúde Pública;
  11. Escola sem Estrutura.

 

 

Quem pode utilizar

O serviço pode ser utilizado por qualquer cidadão que possua login único no gov.br. O download do aplicativo pode ser realizado na Play Store e na Apple Store. 

A visualização do Módulo de Participação Cidadã está disponível aos usuários que residem nas cidades cobertas pelo programa “Em Frente Brasil”. Através deste canal é possível encaminhar reclamações diretamente à Ouvidoria-Geral do Ministério da Justiça e Segurança Pública, que as encaminha aos órgãos competentes. 

 

Histórico da ferramenta

Durante o ano de 2019 o Ministério da Justiça e Segurança Pública iniciou o Projeto Piloto do Programa “Em Frente Brasil”. Dentro do eixo de prevenção social, foi prevista a realização de um Diagnóstico Local de Segurança – DLS nas cinco cidades do projeto piloto. 

Para apoiar a iniciativa, foi idealizada a inclusão do aplicativo Participação Cidadã como um módulo dentro do Sinesp Cidadão, o qual estava em fase de desenvolvimento de uma nova versão pelo Insight. 

O módulo, como citado antes, cadastra 11 tipos de incidentes de segurança pública e os direciona para a Ouvidoria-Geral do Ministério da Justiça e Segurança Pública, via Plataforma Fala.br. As demandas são remetidas aos entes federados responsáveis, por meio do Fórum Nacional de Ouvidores do Sistema Único de Segurança Pública – Fnosp. 

A definição dos incidentes de segurança pública seguiu as diretrizes da teoria da Ecologia Criminal da Escola de Chicago, sendo tratados pelo canal da ouvidoria. 

É possível plotar a localização do fato em um mapa de calor, visando a identificação dos problemas mais recorrentes em cada região, para adoção de ações preventivas. Também é possível consultar o histórico do tratamento dado às manifestações realizadas. 

Importante destacar que o Módulo de Participação Cidadã abre possibilidade para colaboração efetiva dos próprios agentes de segurança pública, que já utilizam outras funcionalidades do aplicativo. 

 

Aproximação com o cidadão

O Módulo de Participação Cidadã visa aproximar o cidadão das políticas e ações de segurança pública, de forma a resguardar a ordem pública e zelar por sua própria segurança e a das demais pessoas em apoio ao Estado, que detém protagonismo do tema, mas não é o único ator. 

 

Fonte: MJSP

Categorias
Dica de Leitura Limpeza de Código Programação

Insight Indica o livro Código Limpo: Habilidades Práticas do Agile Software

O Insight indica hoje uma leitura para quem está procurando conhecer sobre limpeza de códigos. Código Limpo: Habilidades Práticas do Agile Software é uma obra bem avaliada, indicada por especialistas e o melhor, com versão em português. Como destacado nas críticas dos usuários, a obra possui leitura agradável e provoca a mudança do seu entendimento em relação aos códigos. Se você é iniciante, sinta-se encorajado a este mergulho.

Um código ruim pode funcionar? Sim, mas se ele não for limpo, pode acabar comprometendo todo um projeto. Um código mal escrito demanda um tempo considerável dos desenvolvedores para resolver problemas de programação, ao invés de se dedicarem a inovações. Porém, isso pode ser resolvido se você tiver interesse em aprender sobre códigos limpos com quem domina o assunto.

 

O Livro

O célebre especialista em software, Robert C. Martin, apresenta um paradigma revolucionário com o livro Código Limpo: Habilidades Práticas do Agile Software. Martin se reuniu com seus colegas do Mentor Object (equipe de consultores experientes) para divulgar suas melhores e mais ágeis práticas de limpar códigos “dinamicamente” em um obra que apresentará gradualmente os valores necessários a um profissional de software, assim como, pode transformá-lo em um programador melhor. Mas lembre-se, é preciso muita prática.

 

O que você vai encontrar

Nesta obra você lerá muitos códigos. Isso lhe ajudará a entender o que está correto e errado neles. Além disso, te dará um incentivo para reavaliar seus valores profissionais e seu comprometimento com o seu trabalho.

 

Divisão do conteúdo

Código Limpo está dividido em três partes com 17 capítulos ao todo. Na 1ª parte há diversos capítulos que descrevem os princípios, padrões e práticas para criar um código limpo. 

A 2ª parte consiste em diversos casos de estudo de complexidade cada vez maior. Cada um é um exercício para limpar um código – transformar o código base que possui alguns problemas em um melhor e mais eficiente. 

A 3ª parte é a compensação: um único capítulo com uma lista de heurísticas 

reunidas durante a criação dos estudos de caso. O resultado será um conhecimento base que descreve a forma como pensamos quando criamos, lemos e limpamos um código. 

 

O que você aprenderá com este livro

Após ler este livro os leitores saberão:

✔ Como distinguir um código bom de um ruim

✔ Como escrever códigos bons e como transformar um ruim em um bom

✔ Como criar bons nomes, boas funções, bons objetos e boas classes

✔ Como formatar o código para ter uma legibilidade máxima

✔ Como implementar completamente o tratamento de erro sem obscurecer a lógica

✔ Como aplicar testes de unidade e praticar o desenvolvimento dirigido a testes

Esta leitura é essencial para qualquer desenvolvedor, engenheiro de software, gerente de projeto, líder de equipes ou analistas de sistemas com interesse em construir códigos melhores.

 

Sobre o autor

Robert C. “Tio Bob” Martin é profissional de softwares desde 1970 e consultor internacional de software desde 1990. Ele é o fundador e o presidente da Mentor Object, Inc., uma equipe de consultores experientes que orientam seus clientes no mundo todo em C++, Java, C#, Ruby, OO, Padrões de Projeto, UML, Metodologias Agile e Xtreme Programming.

 

Concluindo

Este livro não promete lhe transformar no melhor programador ou lhe dar a “sensibilidade ao código”. Tudo o que ele pode fazer é lhe mostrar a linha de pensamento de bons programadores e os truques, técnicas e ferramentas que eles usam.

Assim como um livro sobre arte está cheio de obras, Código Limpo está repleto de códigos. Você irá se deparar com códigos bons e ruins; código ruim sendo transformado em bom; listas de heurísticas, orientações e técnicas e também exemplo após exemplo. Depois disso, é por sua conta praticar.

? A boa leitura é garantida, então tenha um excelente aprendizado e pratique sempre!

 

Fonte: Livro Código Limpo

Categorias
Biblioteca Deep Learning Python

8 bibliotecas de Deep Learning mais usadas em Python

Se você se interessa por Deep Learning, dos neurônios mais simples aos mais complexos, mas não sabe qual é a melhor biblioteca para seu projeto, nós te damos uma força! Esta lista com 8 bibliotecas tem a finalidade de ajudar você na sua escolha, apresentando de maneira resumida e direta cada biblioteca. Vamos lá?!

 

1. Pytorch

O PyTorch é classificado como “Tensores e redes neurais dinâmicas em Python com forte aceleração de GPU”. Tensores são uma construção matemática usada pesadamente em física e engenharia. Um tensor de rank dois é um tipo especial de matriz; pegar o produto interno de um vetor com o tensor produz outro vetor com uma nova magnitude e uma nova direção. 

A aceleração de GPU é uma das mais modernas estruturas das Deep Neural Networks. Uma rede neural dinâmica é aquela que pode mudar de iteração para iteração, por exemplo, permitindo que um modelo PyTorch adicione e remova camadas ocultas durante o treinamento para melhorar sua precisão e generalidade. O PyTorch recria o grafo em tempo real em cada etapa de iteração. Em contraste, o TensorFlow, por padrão, cria um único grafo de fluxo de dados, otimiza o código do grafo para desempenho e depois treina o modelo.

Enquanto o  modo de execução ávido é uma opção relativamente nova no TensorFlow, é a única maneira de executar o PyTorch: chamadas de API são executadas quando invocadas, em vez de serem adicionadas a um grafo para serem executadas posteriormente.

O PyTorch integra bibliotecas de aceleração como Intel MKL e Nvidia cuDNN e NCCL (Nvidia Collective Communications Library) para maximizar a velocidade. Seus principais backend são gravados como bibliotecas independentes com uma API C99. Ao mesmo tempo, o PyTorch não é uma ligação do Python em um framework monolítico de C ++. A intenção é que ele seja profundamente integrado ao Python e permita o uso de outras bibliotecas Python.

 

2. Theano

Sem o Theano, não existiria nada perto da quantidade de bibliotecas de deep learning que temos hoje, especificamente em Python. Da mesma forma que sem o NumPy, não poderíamos ter SciPy, scikit-learn e scikit-image, o mesmo pode ser dito sobre Theano e abstrações de alto nível de aprendizagem profunda.

Basicamente, Theano é uma biblioteca Python usada para definir, otimizar e avaliar  expressões matemáticas envolvendo matrizes multidimensionais. Esta biblioteca consegue isso através de forte integração com NumPy e o uso transparente da GPU.

Embora você  possa construir redes de aprendizagem profunda em Theano, podemos pensar nesta biblioteca como blocos de construção para redes neurais, da mesma forma que o NumPy serve como os blocos de construção para a computação científica. Na verdade, a maioria das bibliotecas mencionadas nesta matéria envolve o Theano para torná-lo mais conveniente e acessível.

Embora não seja uma comparação perfeita, construir uma rede neural convolucional no Theano é como escrever uma máquina de vetores de suporte (SVM) em Python nativo com apenas uma pitada de NumPy.

 

3. Lasagne

Lasagne é uma leve e de fácil manipulação, usada para construir e treinar redes em Theano. Sua leveza não se destina a ser um invólucro pesado em torno de Theano como Keras é. Embora isso faça com que seu código seja mais detalhado, esta biblioteca o libera de quaisquer restrições, enquanto fornece blocos de construção modulares baseados em Theano.

Simplificando: Lasagne funciona como um meio-termo entre a programação de baixo nível de Theano e as abstrações de alto nível de Keras.

 

4. TensorFlow

Semelhante ao Theano, o TensorFlow é uma biblioteca de código aberto para computação numérica usando grafos de fluxo de dados, que é tudo o que uma rede neural realmente é. Originalmente desenvolvida pelos pesquisadores da equipe do Google Brain, na organização de pesquisa Machine Intelligence do Google, a biblioteca desde então é de código aberto e disponibilizada ao público.

Um benefício principal do TensorFlow (em comparação com Theano) é a  computação distribuída, especialmente entre várias GPUs, embora isso seja algo que está sendo trabalhado no Theano. É bom lembrar que desde sua 2ª versão o Tensor-Flow incorporou o Keras, trazendo uma API muito mais amigável.

 

5. Keras

Sem dúvidas, uma das bibliotecas Python de deep learning mais querida por programadores. Keras é uma biblioteca de rede neural modular que pode usar tanto Theano ou TensorFlow como um backend. A principal motivação por trás do Keras é que você deve ser capaz de experimentar rapidamente e ir da ideia ao resultado o  mais rápido possível.

Arquitetar redes em Keras parece fácil e natural. Inclui alguns dos algoritmos de última geração para otimizadores (Adam, RMSProp), normalização (BatchNorm) e camadas de ativação (PReLU, ELU, LeakyReLU).

Esta biblioteca também dá grande ênfase às Redes Neurais Convolucionais, o que é extremamente valioso do ponto de vista da visão computacional.

Mais especificamente, você pode construir facilmente redes baseadas em sequência (onde as entradas fluem linearmente pela rede) e redes baseadas em grafos (onde as entradas podem “pular” certas camadas, apenas para serem concatenadas posteriormente). Isso torna a implementação de arquiteturas de rede mais complexas, como GoogLeNet e SqueezeNet,  muito mais fácil.

 

6. mxnet

Esta biblioteca Python de Deep Learning possui o foco em redes de classificação de imagem de treinamento. Apesar de exigir um pouco mais de código para criar uma rede em mxnet, o que esta biblioteca oferece é um número incrível de ligações de linguagem (C ++, Python, R, JavaScript, etc.)

A biblioteca mxnet realmente brilha para computação distribuída, permitindo treinar sua rede em várias máquinas CPU / GPU e até mesmo em clusters AWS, Azure e YARN.

Lembre-se, é necessário um pouco mais de código para colocar um experimento em execução no mxnet (em comparação com Keras), mas se você deseja distribuir o treinamento em várias GPUs ou sistemas, o recomendável seria o mxnet.

 

7. Sklearn-theano

Há momentos em que você não precisa treinar uma Rede Neural Convolucional (RNC) de ponta a ponta. Em vez disso, você precisa tratar a RNC como um extrator de recursos. Isso é especialmente útil em situações em que você não tem dados suficientes para treinar uma RNC completa do zero. Em vez disso, basta passar suas imagens de entrada por uma arquitetura pré-treinada popular, como OverFeat, AlexNet, VGGNet ou GoogLeNet, e extrair recursos das camadas FC ou qualquer camada que você decidir usar.

Simplificando, isso é exatamente o que sklearn-theano permite que você faça. Você não pode treinar um modelo do zero com ele, mas é  fantástico para tratar redes como extratores de recursos.

 

8. Nolearn

Enquanto Keras envolve Theano e TensorFlow em uma API mais amigável, Nolearn faz o mesmo, apenas para Lasagne. Além disso, todo o código no Nolearn é compatível com o scikit-learn, o que é um grande bônus.

Uma dica é usar o Nolearn para implementação de Deep Belief Networks (DBNs).

—

Gostou de mais esta dica Insigth? Quais bibliotecas você incluiria na lista?

 

Fonte: Pyimagesearch e CIO.

 

Categorias
Algoritmo Kaggle Machine Learning

10 melhores projetos do Kaggle para aprender Machine Learning

Atualmente, grandes organizações estão investindo em análise preditiva e testando opções que sejam capazes de gerar eficiência de negócios e novas maneiras de lidar com seu público.

Partindo da ideia de que os dados são a nova riqueza mundial, saber refiná-los e transformá-los em informação será a chave para alavancar seu potencial.

Se você quer entender o que Machine Learning faz, o melhor é aprender na prática através de uma série de projetos já disponíveis. Veja aqui, 9 projetos de ML que o Insight selecionou no Kaggle para você aprender e se inspirar.

 

01  Previsão de Preço de Imóvel

Diariamente, pessoas no mundo todo compram e vendem imóveis. Mas como saber qual o melhor preço para esta categoria de produto? Como saber se o valor oferecido é justo? Neste projeto, é proposto um modelo de Machine Learning para prever o preço de uma casa baseado em dados como tamanho, ano de construção, entre outros. Durante o desenvolvimento e avaliação desse modelo, você verá o código usado para cada etapa seguido de sua saída. Este estudo utilizou a linguagem de programação Python.

 

02 Reconhecimento de gênero por voz

O reconhecimento de gênero permite a uma empresa fazer sugestões de produtos ou serviços de maneira mais personalizada aos seus usuários. Neste projeto o banco de dados foi criado para identificar uma voz como masculina ou feminina, com base nas propriedades acústicas da voz e da fala. 

O conjunto de dados consiste em 3.168 amostras de voz gravadas, coletadas de homens e mulheres. As amostras de voz são pré-processadas por análise acústica em R usando os pacotes seewave e tuneR, com uma faixa de frequência analisada de 0hz-280hz (faixa vocal humana).

 

03 Detecção de email spam

Com o crescimento da internet, o meio digital incentivou diversas práticas ruins como o email spam. Aparentemente, ele é uma parte inseparável da experiência na web, algo que aceitamos como normal, mas que é preciso combater e para isso surgiu a detecção de emails spam.

Neste projeto você irá encontrar um arquivo CSV contendo informações relacionadas de 5172 arquivos de email escolhidos aleatoriamente e seus respectivos rótulos para classificação de spam ou não spam. As informações sobre todos os 5172 emails estão armazenadas em um dataframe compacto, em vez de arquivos de texto separados.

 

04 Análise de Dados da Uber

Neste projeto de análise de dados do aplicativo Uber, o conjunto de dados são de viagens de passageiros que partem de um ponto A para um ponto B. O valor da viagem é calculado no momento da solicitação de forma automática pelo aplicativo, considerando distância, tempo estimado de viagem e disponibilidade atual do carro.

Terminada a viagem, é cobrado no cartão de crédito do passageiro e transferido uma porcentagem desse valor para a conta do motorista. Finalmente, antes de iniciar uma corrida, a viagem pode ser cancelada pelo motorista ou pelo passageiro.

A análise descritiva dos dados irá responder perguntas relacionadas a quantidade de passageiros e motoristas, quanto será o custo de uma viagem, quem são os melhores passageiros e os piores motoristas, entre outros questionamentos.

 

05 Detecção de Fraude com Cartão de Crédito

Em contrapartida ao surgimento do e-commerce e a facilidade de meios de pagamento e transações bancárias totalmente online, houve um aumento significativo nas fraudes com cartão de crédito. As operadoras de cartão passaram a dar mais importância a sistemas que possam detectar transações fraudulentas, para preservar seus clientes.

Este projeto contém transações realizadas com cartões de crédito em setembro de 2013 por portadores de cartões europeus, com intuito de analisar as transações fraudulentas.

 

06 Sistemas de Recomendação de Filme

Os sistemas de recomendação fazem com que o processo de recomendação natural do ser humano ganhe uma maior versatilidade, de modo que venha a atender digitalmente as demandas e necessidades das pessoas que procuram por algo.

O projeto analisa dados de filmes e sistemas de recomendação. Nele você verá algumas implementações de algoritmos de recomendação (baseado em conteúdo, popularidade e filtragem colaborativa) e também a construção de um conjunto desses modelos para chegar ao sistema de recomendação final. 

 

07 Análise de Sentimento no Twitter

A análise de sentimentos é uma mineração contextual de um texto que identifica e extrai informações subjetivas no material de origem. Ela ajuda as empresas a entenderem o sentimento social de sua marca, produto ou serviço. 

Segundo os criadores deste conjunto de dados, sua abordagem foi única porque os dados de treinamento foram criados automaticamente, ao invés de anotações humanos. Nesta abordagem, foi presumido que qualquer tuíte com emotions positivos, era positivo, e tuítes com emotions negativos, foram negativos. 

 

08 Predição de Câncer de Mama

Em um processo de extração de informações dos dados, existe a técnica de Mineração de Dados, que visa explorar grandes quantidades de dados com o intuito de encontrar padrões relevantes e consistentes no relacionamento entre os atributos (basicamente, colunas de tabelas) dessas bases de dados.

Uma das primeiras técnicas desenvolvidas nesse sentido foi o KDD (Knowledge Discovery in Database), desenvolvido durante o final da década de 1980. A extração de conhecimento a partir de uma base de dados é dividida em: coleta de dados, tratamento dos dados e resultado final (transformação dos dados em informações e posteriormente em conhecimento).

Neste projeto, pode-se entender as fases do KDD (Knowledge Discovery in Database) para uma base de dados na qual existe uma série de atributos de análise de imagens de células na região do câncer feitos com ultrassonografia para prever se um câncer de mama é benigno ou maligno.

Após a extração dos dados da plataforma Kaggle, foi realizado um pré-processamento para garantir que os dados lidos e interpretados sejam relevantes para o processo de extração de conhecimento. 

Em seguida, foi implementada a transformação dos dados, através do algoritmo KNN (K-Nearest Neighbors). Por fim, foram feitas as previsões a partir de novos dados, isto é, após o aprendizado realizado pelo algoritmo KNN sobre a base de dados, novas entradas de dados buscaram classificar se uma nova entrada de fotos de células seria um câncer benigno ou maligno, baseado no aprendizado anterior.

 

09 Análise estatística e fluxo de trabalho

Este projeto é para todos os aspirantes a cientistas de dados aprenderem e revisarem seus conhecimentos através de uma análise estatística detalhada do conjunto de dados do Titanic com a implementação do modelo ML.

Os objetivos principais deste trabalho são:

  • fazer uma análise estatística de como alguns grupos de pessoas sobreviveram mais do que outros;
  • fazer uma análise exploratória de dados (EDA) do titanic com visualizações e contação de histórias;
  • prever com o uso de ML as chances de sobrevivência dos passageiros.

 

 10 Previsão de preços de ações

Se você gosta de trabalhar com dados financeiros, este projeto  pode ser interessante para você. O objetivo deste projeto é prever os preços futuros das ações aprendendo com o desempenho de uma empresa.

Neste projeto serão explorados dados do mercado de ações, em particular ações de tecnologia. Ele apresenta como usar o Pandas para obter informações sobre ações, visualizar seus diferentes aspectos e, por fim, algumas maneiras de analisar o risco de uma ação com base em seu histórico de desempenho anterior. Além disso tudo, será abordado a previsão dos preços futuros de ações por meio do método Long Short Term Memory (LSTM).

 

 

No kaggle, você também encontra outros excelentes projetos como estes, disponíveis para aprendizagem e competições com outros cientistas de dados, engenheiros de Machine Learning e curiosos da área. Aprender com profissionais e ter acesso à base de dados para treinar suas habilidades, além de participar de competições, trará a você cada vez mais segurança em sua formação. 

Gostou da nossa seleção? Se você tem o seu próprio projeto ou quer indicar outro, compartilha aqui conosco!

 

Categorias
Bolsas UFC Vagas

Bolsas de graduação para Desenvolvedores Full Stack e Frontend nos campi Fortaleza e Quixadá

Procurando uma vaga de bolsista?

Sua oportunidade pode estar aqui. O Insight está selecionando alunos de graduação da UFC (Universidade Federal do Ceará) para vagas de bolsistas como Desenvolvedor Full Stack e Frontend. Os selecionados realizarão suas atividades de forma híbrida entre o home office e atividades presenciais nos campi de Fortaleza ou Quixadá.

 

? Vagas: Bolsista de Graduação – Desenvolvedor Full Stack

Responsável por

  • atuar no desenvolvimento de aplicações web;
  • desenvolver soluções inovadoras.

Conhecimentos desejáveis em

  • Javascript;
  • HTML;
  • CSS;
  • Java;
  • Spring Boot;
  • Git;
  • Gitlab;
  • Python;
  • PostgreSQL;
  • MongoDB.

Você irá se destacar se tiver conhecimento em: 

  • Django; 
  • Docker; 
  • Redis;
  • Scala; 
  • Play Framework;
  • Lagom Framework.
?Vagas: Bolsista de Graduação – Desenvolvedor Frontend

Responsável por

  • atuar no desenvolvimento de aplicações web;
  • desenvolver soluções inovadoras.

Conhecimentos desejáveis em:

  • Javascript;
  • Typescript;
  • HTML;
  • CSS;
  • React Js;
  • Git, Gitlab.

Você irá se destacar se tiver conhecimento em: 

  • Node Js;
  • MongoDB;
  • Firebase;
  • Spring Boot.

 

Modalidade de Contratação

Bolsa FUNCAP 

 

Etapas da seleção

Resposta do desafio e envio do formulário: 22/02 a 28/02 

Data das Entrevistas: 01/03

Data do Resultado: 02/03

 

Interessado? Acesse aqui o link do formulário para registrar seus dados, enviar seu currículo e solucionar o desafio. Você será desclassificado se não resolver o desafio ou fugir do tema.

 

Compartilhe esta notícia com mais pessoas!

 

Categorias
Cientista-chefe Governo Segurança Pública Transformação Digital

Conheça o Programa Cientista-Chefe do Governo do Ceará

Você sabe o que é o programa Cientista-Chefe e qual a sua função na gestão pública? Conheça agora essa importante iniciativa que alia Universidade e Governo.

Em suma, o programa Cientista-chefe é uma iniciativa da  Fundação Cearense de Apoio ao Desenvolvimento Científico e Tecnológico (Funcap) juntamente com a Universidade Federal do Ceará (UFC) e o governo do estado do Ceará. Assim, o projeto é composto por pesquisadores e cientistas que atuam em secretarias e órgãos estratégicos do Governo do Estado do Ceará.

Inicialmente, o intuito da equipe de pesquisadores e cientistas é proporcionar à população uma melhoria nos serviços públicos e assim, na qualidade de vida da população através de novas tecnologias e aprimoramento de serviços existentes.

O programa é inspirado em modelos de sucesso fora do país, por exemplo, os Estados Unidos que possuem o programa Office of Chief Scientist. Assim como o projeto cearense, o escritório americano tem o papel de fornecer contribuições científicas, além de estabelecer o vínculo entre o conhecimento científico produzido nas universidades e o poder público. 

Como resultado do excelente trabalho desenvolvido pelo projeto, no início de 2021 o governador do Ceará, Camilo Santana, sancionou o projeto de lei que regulamenta e, assim, torna o programa Cientista-Chefe uma política de Estado.

Áreas de atuação 

Cada área é coordenada por um cientista-chefe, indicado após avaliação de critérios como produção científica, formação e ligação com núcleos de pesquisa de alto nível. A classificação foi realizada de acordo com a Capes para especificar cursos de excelência em instituições cearenses. Desse modo, o programa atua em áreas estratégias da gestão pública como:

  1. Dados e Transformação Digital
  2. Saúde, 
  3. Segurança Pública,
  4. Educação, 
  5. Ciência de Dados, 
  6. Energia, 
  7. Infraestrutura Viária, 
  8. Pesca e Aquicultura, 
  9. Recursos Hídricos, 
  10. Proteção Social, 
  11. Ecossistema de Inovação, 
  12. Meio Ambiente, 
  13. Aquicultura e Pesca Artesanal, 
  14. Judiciário,
  15. Agricultura e 
  16. Economia.

Fonte: ceara.gov.br

Cientista-chefe no Insight

Além de ser coordenador do Insight, José Macêdo é também o cientista-chefe na área de Dados da Transformação Digital do Governo do Ceará e professor associado do Departamento de Computação da Universidade Federal do Ceará (UFC). Macêdo, que também já foi cientista-chefe da área de Segurança é mestre e doutor pela Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) realizou seu pós-doutorado na EPFL com a pesquisa: Processamento de Dados em Larga Escala em Nuvens Computacionais.

O programa cientista-chefe atua na Casa Civil com o projeto de Transformação Digital em parceria com o laboratório Íris – Laboratório de Inovação e Dados. Juntos, o Íris e o programa Cientista-chefe desenvolvem ações para acelerar a digitalização de serviços públicos do governo cearense.

Benefícios do Programa à sociedade

O projeto Cientista-chefe na área de segurança pública tem como objetivo, principalmente, realizar estudos científicos para aplicar soluções tecnológicas de identificação humana (civil e criminal) e veicular. Dessa forma, um dos  principais resultados é a plataforma Big Data para integração de dados. Ou seja, um ambiente onde materiais como vídeos, áudios, imagens e dados de redes sociais são analisados em tempo real.

As iniciativas têm relação direta com os resultados positivos obtidos pela Secretaria da Segurança Pública e Defesa Social (SSPDS), como redução no número de homicídios, roubos de veículos e assaltos. Além disso, os sistemas de inteligência ajudam a rastrear as atividades do primeiro e do segundo escalões do crime organizado, que hoje representam um dos maiores desafios para a área de segurança do Brasil.

Com o mesmo intuito de combater a criminalidade O Sistema Policial Indicativo de Abordagem (Spia), ferramenta criada pela SSPDS em parceria com a Polícia Rodoviária Federal (PRF) e o Insight permite fazer a leitura de placas veiculares e identificar veículos furtados, roubados e clonados. A ferramenta é um forte aliado nas atuações das forças de segurança contra as ações criminosas e nas reduções dos índices criminais. Em 2018, Fortaleza registrou a maior redução no número de roubos de veículos desde 2011 com uma redução de 16,3%. Nesse mesmo ano mais de 92% dos carros e motos subtraídos em ações criminosas foram recuperados pelas forças de segurança em todo o território cearense.

Fonte: Governo do Ceará e O Povo.

Categorias
Ceará Serviço público Tecnologia Transformação Digital

Insight e Iris desenvolvem soluções no enfrentamento à pandemia

O Iris, Laboratório de Inovação e Dados do Governo do Ceará, projeto parceiro do Insight Lab, vem colaborando no contexto de enfrentamento à pandemia por meio da garantia de acesso a informações e a serviços voltados ao público cearense. A nova realidade trazida com a Covid-19 possibilitou um processo de transformação digital no estado do Ceará com o intuito de trazer melhorias para a população e também para a gestão pública.

Iris Lab

O Íris foi criado em 2019 pelo Governo do Ceará e funciona dentro da Casa Civil. Durante a pandemia, entre março e abril, a equipe do Iris, que agrega também cinco profissionais do Insight, foi acionada para ajudar a criar soluções no âmbito digital para o governo, e fazer o atendimento da população. A partir de então, teve início um trabalho em cooperação com a Secretaria da Saúde do Estado (Sesa). 

Soluções desenvolvidas

Pelo menos cinco iniciativas foram criadas como resultado dessa proposta, conforme explica José Macêdo, cientista-chefe de Dados e Transformação Digital do Governo do Estado e coordenador do Insight Lab. “O Plantão Coronavírus foi o primeiro deles, que tinha o objetivo de fazer um atendimento mais eficiente. Nós entramos em lockdown e o atendimento do cidadão estava limitado, então criamos uma solução digital onde, através de um computador ou smartphone, a pessoa podia ser atendida via chat, ‘robotizado’, ou remotamente, por enfermeiros ou médicos”, detalha. 

Em seguida, foi lançado o Plantão Saúde Mental, cuja ideia surgiu com a percepção de que a ansiedade e a depressão passaram a se tornar mais frequentes entre a população. Também foi criado um sistema de priorização de exames através do Laboratório Central de Saúde Pública (Lacen). “Era muito importante priorizar os pacientes com comorbidades, mais velhos, então a gente fez todo um trabalho de integração de dados pra priorizar a informação desses exames”, ressalta Macêdo. 

O cientista-chefe também cita a criação do Boletim Digital Covid-19, que traz dados epidemiológicos e assistenciais ligados à doença, com o objetivo de ajudar na tomada de decisões por parte da Sesa. O último trabalho desenvolvido foi o Ceará App, que, por sua vez, trouxe como prioridade absoluta o acesso a serviços.

“Entendemos que, naquele momento, era muito importante levar os serviços públicos na ponta, porque a maioria das pessoas não poderiam sair de casa para serem atendidas, então criamos esse sistema e colocamos vários serviços, inclusive um deles era o que a gente chamou de ‘Caminho Saudável’, que a ideia era permitir que a pessoa pudesse acompanhar seus trajetos, saber se estava em risco de contrair a doença ou não. Adicionamos vários, hoje já tem 40 serviços digitais nesse aplicativo”, afirma. 

Medalha Espírito Público

Esses resultados foram frutos de um esforço em conjunto com o Programa Cientista Chefe da Funcap, a UFC e a Empresa de Tecnologia da Informação do Ceará (Etice), e foram reconhecidos nacionalmente após o Laboratório Íris ser agraciado com a Medalha Espírito Público. Neste ano, o Prêmio homenageou os governos que fizeram trabalhos essenciais no momento de pandemia. 

Para José Macêdo, a premiação reflete o esforço realizado e serve como incentivo tanto para a equipe, como para o Estado. “A gente ficou muito feliz de ter o reconhecimento e de mostrar que estamos no caminho certo. Estamos acompanhando como os serviços vêm sendo usados. Foi um passo muito importante nesse momento”, comemora. 

Fonte: Jornal Diário do Nordeste

Categorias
Bolsas Resultado SENASP

Resultado bolsistas de graduação – Projeto Senasp (Fase 1)

Apresentamos o resultado da análise de currículo da seleção de bolsistas de graduação.

 

Resultado para bolsa de graduação – Android

Nome Situação
Ruan Derlan Sombra Oliveira Aprovado
Carlos Eduardo da Silva Ferreira Aprovado
Wemerson Monteiro Damasceno Aprovado

 

Resultado para bolsa de graduação – Fullstack

Nome Situação
João Igor Matos da Silva Aprovado
Francisco Mateus dos Anjos Silva Aprovado
Jamerson Alves Aguiar da Silva Aprovado
Henricky de Lima Monteiro Aprovado
Bebeto Alves da Costa Aprovado

 

Resultado para bolsa de graduação – Frontend

Nome Situação
Matheus Gomes de Andrade Aprovado
Ronier da Silva Lima Aprovado
Francisco Mateus dos Anjos Silva Aprovado
Gabriel Pereira da Costa Aprovado
Romeu Camurça Rabêlo Aprovado
Antonio Cristiano Maciel da Silva Junior Aprovado
Joyce Nayne Araujo Nascimento Aprovado
Felipe Cosme Martins Aprovado
Ana Eloise Ferreira Neves Aprovado
Jailson de Sousa Bastos Aprovado

 

Resultado para bolsa de graduação – Pesquisador

Nome Situação
Deusdedit Teixeira de Sousa Neto Aprovado
Daniela Rodrigues Félix Aprovado
Gabriel Passos Urano de Carvalho Aprovado
Francisco Mateus dos Anjos Silva Aprovado
Anne Caroline da Silva Rocha Aprovado
Pedro Henrique Spinosa Braga Aprovado
Henricky de Lima Monteiro Aprovado
Andre Luis Dantas Gadelha Aprovado
Francisco Romes da Silva FIlho Aprovado

 

Os candidatos aprovados receberão e-mails em breve com as orientações futuras. A próxima fase corresponde a entrevista.

 

Categorias
Bolsas Transformação Digital UFC Vagas

Bolsas para graduandos e graduados – campus Quixadá (UFC) no Projeto de Transformação Digital

O Projeto de Transformação Digital do Governo do Ceará, através no Insight Lab da UFC, disponibiliza vagas para bolsista alunos de graduação e profissionais graduados no campus UFC Quixadá. As inscrições vão até dia 15 (amanhã) de dezembro e o candidato deverá escolher a(as) vaga(s) pretendidas no preenchimento do formulário. Clique no link de cada vaga para saber todas as informações e acessar o formulário de inscrição. 

Vagas

? Desenvolvedor Full Stack especialista em Interoperabilidade

Público

Profissionais Graduados e alunos de graduação;

Você será responsável por:

atuar no desenvolvimento de soluções inovadoras de aplicações web para integrar e interoperar sistemas;

Conhecimentos desejáveis:

  • API Rest;
  • Docker;
  • Kubernetes.

? Desenvolvedor Full Stack especialista em aplicações móveis 

Público

Aluno de graduação.

Você será responsável por:

atuar no desenvolvimento de aplicações mobile e desenvolver soluções inovadoras.

Conhecimentos desejáveis:

  • React native;
  • Git;
  • Gitlab;
  • Firebase;
  • Java;
  • Spring Boot.

? Líder Técnico 

Público 

Profissional Graduado.

Você será responsável por:

gerenciar as equipes de desenvolvimento das aplicações.

Conhecimentos desejáveis:

  • UML;
  • Padrões de Projeto;
  • Microsserviços;
  • Javascript;
  • TypeScript;
  • HTML;
  • CSS;
  • Java;
  • Spring Boot;
  • Python;
  • Django;
  • Git;
  • Gitlab;
  • MongoDB;
  • PostgreSQL.

? DevOps – Desenvolvedor júnior 

Público

Alunos de graduação.

Responsável por:

Atuar no desenvolvimento de aplicações web e desenvolver soluções inovadoras.

Conhecimentos desejáveis:

  • controle de versão (Git, Git Lab);
  • ferramentas de Build (Maven, Gradle);
  • Integração Contínua e Desenvolvimento Contínuo CI/CD;
  • conteinerização (Docker).

? Iniciação Científica e Tecnológica em Ontologias

Público

Alunos de graduação.

Você será responsável por:

Desenvolver soluções tecnológicas com Ontologias para consultas semânticas.

Conhecimentos desejáveis:

  • Lógica Proposicional;
  • Lógica de Primeira-Ordem;
  • Representação do Conhecimento e Raciocínio;
  • Linguagens Formais e Autômatos.
Modalidade de Contratação e carga horária (todas as vagas)

Alunos de graduação, bolsa FUNCAP: R$ 800,00, 20h semanais.

Profissionais graduados, bolsa FUNCAP: R$ 2.500,00, 40h semanais.

Etapas da seleção
Preenchimento do formulário até: 15/12 
Resultados da análise de currículo e histórico 16/12
Entrevistas 17 e 18/12
Envio do desafio 21/12
Envio da solução do desafio 29/12
Resultado final até: 30/12
Categorias
Bolsas Segurança Pública Vagas

Bolsas de Graduação para alunos UFC no Insight Lab – Projeto Senasp

Se você tem interesse em desenvolver ou pesquisar aplicações direcionadas à  Segurança Pública, então venha ser bolsista no Insight. Estamos ofertando bolsas para alunos de graduação UFC de qualquer campus. As atividades serão desenvolvidas em regime home office para o projeto Senasp (Secretaria Nacional de Segurança Pública). Veja as oportunidades!

Vagas

Bolsista de Graduação Desenvolvedor:

Bolsista de Graduação Pesquisador 

Você será responsável por
  • desenvolver  aplicações voltadas a Segurança Pública;
  • atuar em um dos temas: Monitoramento de Trajetórias de Objetos Móveis, Sumarização de Textos, Detecção de anomalias em logs de eventos/auditoria, Geração de documentação a partir de código-fonte e outros artefatos
  • desenvolver e propor soluções inovadoras;
Modalidade de Contratação e carga horária

Bolsa ASTEF: R$ 800,00, 20h semanais.

Etapas da seleção
Período de preenchimento do formulário:  07 a 13.12 
Resultados da análise de currículo e histórico: 14.12
Entrevistas:  15 e 16.12
Envio do desafio: 16.12
Envio da solução do desafio: até 22.12 
Resultado final: até 23.12
Fomulário

Acesse aqui o formulário para registrar seus dados e enviar seu currículo. Você será desclassificado se não resolver o desafio ou fugir do tema.

Continuar lendo “Bolsas de Graduação para alunos UFC no Insight Lab – Projeto Senasp”
Sair da versão mobile