{"id":26848,"date":"2019-04-23T21:29:00","date_gmt":"2019-04-23T21:29:00","guid":{"rendered":"https:\/\/building.nubank.com\/introducing-fklearn-nubanks-machine-learning-library-part-i\/"},"modified":"2024-10-02T00:49:02","modified_gmt":"2024-10-02T00:49:02","slug":"apresentando-fklearn-a-biblioteca-de-aprendizado-de-maquina-do-nubank-parte-i","status":"publish","type":"post","link":"https:\/\/building.nubank.com\/pt-br\/apresentando-fklearn-a-biblioteca-de-aprendizado-de-maquina-do-nubank-parte-i\/","title":{"rendered":"Apresentando fklearn: A biblioteca de aprendizado de m\u00e1quina do Nubank (Parte I)"},"content":{"rendered":"\n

Leia a Parte II da hist\u00f3ria <\/em>aqui<\/em><\/a>.<\/em><\/p>\n\n\n\n

No Nubank, confiamos fortemente no aprendizado de m\u00e1quina para tomar decis\u00f5es escalon\u00e1veis e baseadas em dados. Embora existam muitas outras bibliotecas de aprendizado de m\u00e1quina por a\u00ed (usamos muito Xgboost<\/a>, LGBM<\/a> e ScikitLearn<\/a>, por exemplo), sentimos a necessidade de uma abstra\u00e7\u00e3o de n\u00edvel mais alto<\/strong> que nos ajudasse a aplicar essas bibliotecas mais facilmente aos problemas que enfrentamos. A fklearn agrupa essas bibliotecas com efici\u00eancia em um formato que torna seu uso mais eficaz na produ\u00e7\u00e3o.<\/p>\n\n\n\n

Atualmente, a fklearn capacita um amplo conjunto de modelos de aprendizado de m\u00e1quina no Nubank, resolvendo problemas que v\u00e3o desde pontua\u00e7\u00e3o de cr\u00e9dito at\u00e9 respostas automatizadas de chat de suporte ao cliente. N\u00f3s a criamos com os seguintes objetivos em mente:<\/p>\n\n\n\n

    \n
  1. A valida\u00e7\u00e3o deve refletir situa\u00e7\u00f5es reais<\/li>\n\n\n\n
  2. Os modelos de produ\u00e7\u00e3o devem corresponder a modelos validados<\/li>\n\n\n\n
  3. Os modelos devem estar prontos para a produ\u00e7\u00e3o com poucas etapas extras<\/li>\n\n\n\n
  4. A reprodutibilidade e a an\u00e1lise detalhada de resultados do modelo devem ser f\u00e1ceis de alcan\u00e7ar.<\/li>\n<\/ol>\n\n\n\n

    Logo no in\u00edcio, decidimos que a programa\u00e7\u00e3o funcional seria uma aliada poderosa na tentativa de atingir esses objetivos.<\/p>\n\n\n\n

    F de Funcional<\/h2>\n\n\n\n

    Aqui no Nubank, somos grandesf\u00e3s da programa\u00e7\u00e3o funcional<\/a>, e isso n\u00e3o se limita \u00e0 divis\u00e3o de Engenharia. Mas como a programa\u00e7\u00e3o funcional ajuda os cientistas de dados?<\/p>\n\n\n\n

    O aprendizado de m\u00e1quina muitas vezes \u00e9 feito usando c\u00f3digo Python orientado a objetos, e \u00e9 assim que costum\u00e1vamos fazer no Nubank tamb\u00e9m. Naquela \u00e9poca, o processo de constru\u00e7\u00e3o de modelos de aprendizado de m\u00e1quina e sua coloca\u00e7\u00e3o em produ\u00e7\u00e3o era cansativo, e muitas vezes cheio de bugs. Implement\u00e1vamos um modelo s\u00f3 para descobrir que as previs\u00f5es feitas na produ\u00e7\u00e3o n\u00e3o correspondiam ao que era visto durante a valida\u00e7\u00e3o. Pior ainda, a valida\u00e7\u00e3o muitas vezes era imposs\u00edvel de reproduzir, sendo frequentemente feita em Jupyter Notebooks com regras stateful.<\/em><\/p>\n\n\n\n

    A programa\u00e7\u00e3o funcional ajuda a corrigir esses problemas:<\/p>\n\n\n\n