Team 22

Necessidade do cliente (explicação não técnica)

Profissionais e estudantes de tecnologia consomem diariamente uma grande quantidade de conteúdo técnico, tornando difícil organizar, localizar e reutilizar essas informações posteriormente.

A solução deve permitir:

Organizar conteúdos automaticamente; Facilitar buscas por temas ou tópicos; Encontrar conteúdos relacionados; Reduzir o esforço manual de catalogação; Construir uma base de conhecimento reutilizável.

Essa solução permite transformar grandes volumes de informação em conhecimento estruturado e facilmente acessível.

Validação de mercado

Ferramentas de gestão do conhecimento são amplamente utilizadas por empresas, equipes técnicas e plataformas educacionais.

Soluções que automatizam a organização de conteúdos podem:

Reduzir o tempo gasto na busca por informações; Melhorar a produtividade; Facilitar o compartilhamento de conhecimento; Apoiar processos de aprendizagem contínua; Escalar repositórios de conhecimento de forma eficiente.

Mesmo soluções simples podem gerar valor ao automatizar tarefas repetitivas e melhorar o acesso à informação.

Expectativa para este Hackathon

Objetivo Entregar um MVP funcional que permita organizar e enriquecer conteúdos técnicos utilizando técnicas de Ciência de Dados e integração com uma API.

Escopo recomendado As equipes poderão trabalhar com uma ou mais abordagens, tais como:

Classificação de conteúdo; Agrupamento de documentos; Extração de palavras-chave; Busca semântica; Recomendação de conteúdos relacionados.

A integração entre a aplicação e o modelo de Ciência de Dados deverá ser definida pela equipe, considerando a arquitetura adotada para a solução.

Recomenda-se que a integração seja realizada de forma que permita o consumo do modelo por meio da API desenvolvida para o projeto.

Resultados esperados Notebook da equipe de Ciência de Dados (Jupyter/Colab) Contendo:

Exploração e limpeza de dados (EDA); Tratamento de textos; Transformação de dados em formato adequado para modelagem; Treinamento e avaliação de modelos; Métricas de desempenho apropriadas para a solução proposta; Serialização do modelo (joblib/pickle).

Aplicação Back-End (API REST) API com endpoints relacionados à solução desenvolvida; Recebimento de conteúdo para processamento; Retorno dos resultados gerados pelo modelo; Validação de entrada; Tratamento de erros.

Integração com OCI Sugestões de uso:

Object Storage para armazenamento de modelos ou documentos; OCI Compute para hospedagem da aplicação; OCI Functions para processamento específico; Banco de dados opcional para persistência.

Documentação mínima (README) Como executar o projeto; Como utilizar a API; Exemplos de requisição e resposta; Dependências e versões utilizadas.

Demonstração funcional Apresentar a solução em funcionamento e explicar como os modelos utilizados geram os resultados.

Funcionalidades exigidas (MVP) O serviço deve expor pelo menos um endpoint capaz de receber conteúdo técnico e retornar informações processadas pela solução desenvolvida.

Exemplo POST /conteudo Entrada:

{ "titulo": "Introdução ao Spring Boot", "texto": "Neste conteúdo são apresentados os conceitos básicos para criação de APIs REST utilizando Java e Spring Boot." }

Saída:

{ "categoria": "Backend", "probabilidade": 0.89, "informacoesadicionais": [ "Java", "Spring Boot", "API REST" ] }

A estrutura final da resposta poderá variar de acordo com a abordagem escolhida pela equipe.

Requisitos Modelo treinado e carregado; Processamento funcional do conteúdo; API operacional; Integração com OCI; Mínimo de três exemplos de uso; Documentação funcional.

Recursos opcionais Recomendação de conteúdos relacionados; Busca por palavras-chave; Processamento em lote (CSV); Dashboard simples; Persistência de resultados; Containerização com Docker; Testes automatizados; Explicabilidade do modelo; Busca semântica; Consulta por categorias.

Diretrizes técnicas para estudantes Ciência de Dados Cada equipe deverá construir sua própria base de conteúdos.

Os dados poderão ser:

Obtidos de fontes públicas; Extraídos de documentações; Produzidos pela própria equipe.

Sugestões de tecnologias:

Python; Pandas; Scikit-Learn; TF-IDF; Regressão Logística; Técnicas de similaridade textual.

A utilização de outras abordagens e modelos é permitida.

Back-End Desenvolver uma API REST utilizando as tecnologias trabalhadas durante a formação.

A API deverá:

Receber os dados de entrada da solução; Consumir o modelo desenvolvido pela equipe de Ciência de Dados; Retornar respostas em formato JSON; Realizar validações e tratamento de erros; Disponibilizar endpoints necessários para o funcionamento da aplicação.

A arquitetura utilizada ficará a critério da equipe e deverá ser documentada.

OCI A solução deve utilizar pelo menos um serviço OCI como parte obrigatória do projeto.