{"id":30406,"date":"2024-10-17T13:48:48","date_gmt":"2024-10-17T16:48:48","guid":{"rendered":"https:\/\/building.nubank.com\/?p=30406"},"modified":"2025-03-24T10:52:22","modified_gmt":"2025-03-24T13:52:22","slug":"modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning","status":"publish","type":"post","link":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/","title":{"rendered":"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Quando se pensa em machine learning, entender e prever o comportamento dos clientes ao longo do tempo \u00e9 essencial para diversas aplica\u00e7\u00f5es, como detec\u00e7\u00e3o de fraudes, recomenda\u00e7\u00e3o de produtos e an\u00e1lise de risco de cr\u00e9dito. Tradicionalmente, modelos tabulares t\u00eam sido utilizados para essa tarefa, agregando informa\u00e7\u00f5es de comportamento em features est\u00e1ticas.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">No entanto, essa abordagem apresenta limita\u00e7\u00f5es significativas quando se trata de capturar a din\u00e2mica temporal e a ordem dos eventos. Neste artigo, exploraremos como arquiteturas sequenciais, especialmente as redes neurais LSTM (Long Short-Term Memory), podem superar essas limita\u00e7\u00f5es e oferecer insights mais profundos e precisos.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">A import\u00e2ncia do comportamento em modelos de machine learning<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Comportamento refere-se a informa\u00e7\u00f5es que dependem de a\u00e7\u00f5es realizadas ao longo do tempo e que podem caracterizar algo ou algu\u00e9m. Exemplos incluem:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Frequ\u00eancia e valor das compras no cart\u00e3o de cr\u00e9dito.<\/li>\n\n\n\n<li>Intera\u00e7\u00f5es com aplicativos ou plataformas digitais.<\/li>\n\n\n\n<li>Visitas a estabelecimentos f\u00edsicos.<\/li>\n\n\n\n<li>Chamadas a centros de atendimento ao cliente.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Diferentemente de caracter\u00edsticas est\u00e1ticas, como idade ou g\u00eanero, comportamentos s\u00e3o din\u00e2micos e podem variar significativamente entre indiv\u00edduos, oferecendo uma rica fonte de dados para an\u00e1lise preditiva.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Limita\u00e7\u00f5es dos modelos tabulares na modelagem de comportamento<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Modelos tabulares cl\u00e1ssicos dependem de features agregadas que resumem o comportamento em per\u00edodos espec\u00edficos. Por exemplo, calcular a soma ou a m\u00e9dia das compras realizadas nas \u00faltimas 24 horas. Embora essa abordagem seja funcional, ela apresenta problemas:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Perda da ordem dos eventos<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Ao agregar dados, modelos tabulares ignoram a sequ\u00eancia temporal das a\u00e7\u00f5es. Dois clientes que realizaram as mesmas transa\u00e7\u00f5es, mas em ordens diferentes, seriam tratados de forma id\u00eantica pelo modelo, apesar de seus comportamentos serem distintos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ignorando intera\u00e7\u00f5es temporais<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Modelos tabulares n\u00e3o capturam como eventos diferentes interagem ao longo do tempo. Por exemplo, se um cliente faz uma compra grande e, em seguida, realiza um saque incomum, a ordem desses eventos pode ser significativa para a detec\u00e7\u00e3o de atividades suspeitas.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Predi\u00e7\u00f5es independentes<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Cada predi\u00e7\u00e3o em modelos tabulares \u00e9 independente das anteriores. O modelo n\u00e3o considera eventos passados ao fazer uma nova predi\u00e7\u00e3o, perdendo a oportunidade de captar padr\u00f5es comportamentais que se desenvolvem ao longo do tempo.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Arquiteturas sequenciais como alternativa<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Para superar essas limita\u00e7\u00f5es, arquiteturas sequenciais, como as redes neurais LSTM, oferecem uma solu\u00e7\u00e3o eficaz. Essas redes s\u00e3o projetadas para processar dados sequenciais, levando em considera\u00e7\u00e3o a ordem e o intervalo entre eventos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Como funcionam as LSTMs<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">As LSTMs possuem componentes chamados c\u00e9lulas de mem\u00f3ria que ret\u00eam informa\u00e7\u00f5es ao longo do tempo. Elas processam sequ\u00eancias de eventos uma etapa de cada vez, permitindo que informa\u00e7\u00f5es de eventos anteriores influenciem as predi\u00e7\u00f5es futuras.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Processamento sequencial:<\/strong> cada evento \u00e9 processado em ordem temporal, preservando a sequ\u00eancia dos dados.<\/li>\n\n\n\n<li><strong>Mem\u00f3ria de curto e longo prazo:<\/strong> as LSTMs mant\u00eam estados internos que acumulam informa\u00e7\u00f5es relevantes, permitindo que padr\u00f5es de longo prazo sejam capturados.<\/li>\n\n\n\n<li><strong>Atualiza\u00e7\u00e3o din\u00e2mica: <\/strong>a rede decide quais informa\u00e7\u00f5es manter ou descartar a cada passo, adaptando-se ao comportamento observado.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Implementa\u00e7\u00e3o pr\u00e1tica de LSTMs em modelagem de comportamento<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Prepara\u00e7\u00e3o dos dados<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Em vez de agregar dados, os eventos s\u00e3o mantidos em sua forma sequencial original. Cada evento pode conter suas features relevantes, como valor da transa\u00e7\u00e3o, tipo de evento (compra, saque, dep\u00f3sito), e timestamp, por exemplo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Constru\u00e7\u00e3o do modelo<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Input sequencial:<\/strong> os dados s\u00e3o estruturados como sequ\u00eancias para serem alimentados na LSTM.<\/li>\n\n\n\n<li><strong>Normaliza\u00e7\u00e3o:<\/strong> features s\u00e3o normalizadas para facilitar o treinamento.<\/li>\n\n\n\n<li><strong>Defini\u00e7\u00e3o de par\u00e2metros:<\/strong> hiperpar\u00e2metros como tamanho da sequ\u00eancia, n\u00famero de neur\u00f4nios e taxas de aprendizado s\u00e3o ajustados.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Treinamento e predi\u00e7\u00e3o<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">A LSTM \u00e9 treinada para aprender padr\u00f5es na sequ\u00eancia de eventos que levam a determinado resultado, como uma fraude ou inadimpl\u00eancia. Durante a predi\u00e7\u00e3o, a rede processa novos eventos, atualizando suas mem\u00f3rias internas e ajustando as predi\u00e7\u00f5es de acordo com o comportamento observado.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Vantagens das arquiteturas sequenciais<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Captura de padr\u00f5es temporais<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Ao preservar a ordem e o intervalo entre eventos, as LSTMs conseguem identificar padr\u00f5es que seriam perdidos em modelos tabulares. Por exemplo, uma s\u00e9rie de pequenas transa\u00e7\u00f5es em um curto per\u00edodo pode indicar um comportamento suspeito que um modelo tabular n\u00e3o detectaria.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Flexibilidade na inclus\u00e3o de features<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Al\u00e9m das features sequenciais, \u00e9 poss\u00edvel incorporar features est\u00e1ticas ou agregadas ao modelo, enriquecendo a an\u00e1lise sem perder a capacidade de captar a din\u00e2mica temporal.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Redu\u00e7\u00e3o na necessidade de feature engineering<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">A modelagem sequencial diminui a necessidade de criar m\u00faltiplas features agregadas para diferentes janelas de tempo, j\u00e1 que a LSTM aprende automaticamente quais padr\u00f5es temporais s\u00e3o relevantes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Desafios e considera\u00e7\u00f5es<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Complexidade computacional<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Redes neurais sequenciais exigem mais recursos computacionais e tempo de treinamento. O uso de GPUs pode acelerar o processo, mas aumenta os custos.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Otimiza\u00e7\u00e3o de hiperpar\u00e2metros<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Encontrar os par\u00e2metros ideais, como o n\u00famero de sequ\u00eancias a considerar ou a dire\u00e7\u00e3o do processamento (do evento mais recente para o mais antigo ou vice-versa), \u00e9 crucial para o desempenho do modelo.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Avalia\u00e7\u00e3o da necessidade<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c9 importante avaliar se a complexidade adicional \u00e9 justificada. Se a ordem dos eventos ou a temporalidade n\u00e3o forem significativas para o problema em quest\u00e3o, modelos tabulares podem ser mais adequados.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Estudos de caso e resultados pr\u00e1ticos<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Durante a implementa\u00e7\u00e3o de LSTMs para detec\u00e7\u00e3o de fraudes, foram observados os seguintes resultados:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Melhoria na precis\u00e3o:<\/strong> o modelo sequencial conseguiu identificar padr\u00f5es de comportamento associados a fraudes que o modelo tabular n\u00e3o detectava.<\/li>\n\n\n\n<li><strong>Redu\u00e7\u00e3o de falsos positivos:<\/strong> ao considerar a sequ\u00eancia de eventos, o modelo reduziu a quantidade de alertas indevidos, focando em casos realmente suspeitos.<\/li>\n\n\n\n<li><strong>Insights sobre comportamento:<\/strong> a an\u00e1lise das import\u00e2ncias das features ao longo das sequ\u00eancias revelou quais eventos e padr\u00f5es temporais eram mais relevantes para a predi\u00e7\u00e3o.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Integra\u00e7\u00e3o com features tradicionais<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Mesmo ao utilizar arquiteturas sequenciais, \u00e9 poss\u00edvel e muitas vezes recomend\u00e1vel combinar features tradicionais ao modelo. Por exemplo:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Dados demogr\u00e1ficos: <\/strong>idade, g\u00eanero e localiza\u00e7\u00e3o podem ser incorporados como inputs adicionais.<\/li>\n\n\n\n<li><strong>Hist\u00f3rico agregado:<\/strong> estat\u00edsticas como renda m\u00e9dia mensal ou score de cr\u00e9dito podem complementar as sequ\u00eancias.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Essa integra\u00e7\u00e3o permite que o modelo aproveite o melhor dos dois mundos: a capacidade de capturar padr\u00f5es temporais e o valor de features est\u00e1ticas comprovadamente \u00fateis.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Perguntas frequentes e esclarecimentos<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Como lidar com clientes novos ou com poucos eventos?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Para clientes com poucos ou nenhum evento, o modelo pode preencher as sequ\u00eancias com valores nulos ou zeros, e a rede \u00e9 treinada para lidar com essas situa\u00e7\u00f5es. Al\u00e9m disso, features est\u00e1ticas podem ganhar mais peso nessas circunst\u00e2ncias.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">As LSTMs s\u00e3o sempre a melhor op\u00e7\u00e3o?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">N\u00e3o necessariamente. Se a ordem dos eventos n\u00e3o for crucial para o problema, ou se os recursos computacionais forem limitados, modelos tradicionais podem ser mais eficientes.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Como otimizar o desempenho das LSTMs?<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Tuning de hiperpar\u00e2metros:<\/strong> ajustar o n\u00famero de camadas, neur\u00f4nios e taxa de aprendizado.<\/li>\n\n\n\n<li><strong>Regulariza\u00e7\u00e3o:<\/strong> aplicar t\u00e9cnicas como dropout para evitar <em>overfitting<\/em>.<\/li>\n\n\n\n<li><strong>Batch normalization:<\/strong> facilita o treinamento e pode acelerar a converg\u00eancia.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Conclus\u00e3o<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Arquiteturas sequenciais, como as LSTMs, representam um avan\u00e7o significativo na modelagem de comportamento em machine learning. Ao capturar a din\u00e2mica temporal e a ordem dos eventos, oferecem predi\u00e7\u00f5es mais precisas e insights profundos sobre padr\u00f5es comportamentais.&nbsp;<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Apesar dos desafios, especialmente em termos de recursos computacionais e complexidade, os benef\u00edcios podem ser substanciais em aplica\u00e7\u00f5es onde o tempo e a sequ\u00eancia dos eventos s\u00e3o cr\u00edticos.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Para mais insights como esses, assista a grava\u00e7\u00e3o do meetup de Ci\u00eancia de Dados &amp; Machine Learning:<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-4-3 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<span class=\"embed-youtube\" style=\"text-align:center; display: block;\"><iframe loading=\"lazy\" class=\"youtube-player\" width=\"640\" height=\"360\" src=\"https:\/\/www.youtube.com\/embed\/tGDmc_yp4ck?version=3&#038;rel=1&#038;showsearch=0&#038;showinfo=1&#038;iv_load_policy=1&#038;fs=1&#038;hl=pt-BR&#038;autohide=2&#038;wmode=transparent\" allowfullscreen=\"true\" style=\"border:0;\" sandbox=\"allow-scripts allow-same-origin allow-popups allow-presentation allow-popups-to-escape-sandbox\"><\/iframe><\/span>\n<\/div><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning<\/p>\n","protected":false},"author":178110103,"featured_media":30403,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":true,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[778793307,2514,2503,2502],"tags":[2504,3199,2540,3220],"ppma_author":[2321],"class_list":["post-30406","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-research-pt-br","category-building-stories-pt-br","category-data-analytics","category-data-science-machine-learning-pt-br","tag-ciencia-de-dados","tag-data-science-3","tag-machine-learning-pt-br","tag-neural-network-2"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.6 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning - Building Nubank<\/title>\n<meta name=\"description\" content=\"Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning - Building Nubank\" \/>\n<meta property=\"og:description\" content=\"Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning\" \/>\n<meta property=\"og:url\" content=\"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/\" \/>\n<meta property=\"og:site_name\" content=\"Building Nubank\" \/>\n<meta property=\"article:published_time\" content=\"2024-10-17T16:48:48+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-03-24T13:52:22+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006-1024x683.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"683\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Nubank Editorial\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Nubank Editorial\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"6 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/\"},\"author\":{\"name\":\"Nubank Editorial\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"headline\":\"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning\",\"datePublished\":\"2024-10-17T16:48:48+00:00\",\"dateModified\":\"2025-03-24T13:52:22+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/\"},\"wordCount\":1363,\"commentCount\":0,\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"keywords\":[\"ci\u00eancia de dados\",\"data science\",\"machine learning\",\"Neural Network\"],\"articleSection\":[\"AI Research\",\"Building Stories\",\"Data &amp; Analytics\",\"Data science &amp; Machine Learning\"],\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/\",\"name\":\"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning - Building Nubank\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"datePublished\":\"2024-10-17T16:48:48+00:00\",\"dateModified\":\"2025-03-24T13:52:22+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\"},\"description\":\"Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/building.nubank.com\\\/wp-content\\\/uploads\\\/2024\\\/10\\\/006.jpg?fit=5752%2C3835&ssl=1\",\"width\":5752,\"height\":3835,\"caption\":\"Nubankers working at Nu Office\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#website\",\"url\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/\",\"name\":\"Building Nubank\",\"description\":\"We make the extraordinary happen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/#\\\/schema\\\/person\\\/462f4f5a8d4ec3ccbc3d661dde00f0a4\",\"name\":\"Nubank Editorial\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g\",\"caption\":\"Nubank Editorial\"},\"url\":\"https:\\\/\\\/building.nubank.com\\\/pt-br\\\/author\\\/editorial\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning - Building Nubank","description":"Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/","og_locale":"pt_BR","og_type":"article","og_title":"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning - Building Nubank","og_description":"Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning","og_url":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/","og_site_name":"Building Nubank","article_published_time":"2024-10-17T16:48:48+00:00","article_modified_time":"2025-03-24T13:52:22+00:00","og_image":[{"width":1024,"height":683,"url":"https:\/\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006-1024x683.jpg","type":"image\/jpeg"}],"author":"Nubank Editorial","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Nubank Editorial","Est. tempo de leitura":"6 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#article","isPartOf":{"@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/"},"author":{"name":"Nubank Editorial","@id":"https:\/\/building.nubank.com\/pt-br\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"headline":"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning","datePublished":"2024-10-17T16:48:48+00:00","dateModified":"2025-03-24T13:52:22+00:00","mainEntityOfPage":{"@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/"},"wordCount":1363,"commentCount":0,"image":{"@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","keywords":["ci\u00eancia de dados","data science","machine learning","Neural Network"],"articleSection":["AI Research","Building Stories","Data &amp; Analytics","Data science &amp; Machine Learning"],"inLanguage":"pt-BR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/","url":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/","name":"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning - Building Nubank","isPartOf":{"@id":"https:\/\/building.nubank.com\/pt-br\/#website"},"primaryImageOfPage":{"@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#primaryimage"},"image":{"@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","datePublished":"2024-10-17T16:48:48+00:00","dateModified":"2025-03-24T13:52:22+00:00","author":{"@id":"https:\/\/building.nubank.com\/pt-br\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4"},"description":"Superando limita\u00e7\u00f5es: como LSTMs capturam padr\u00f5es temporais em machine learning","breadcrumb":{"@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#primaryimage","url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","contentUrl":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","width":5752,"height":3835,"caption":"Nubankers working at Nu Office"},{"@type":"BreadcrumbList","@id":"https:\/\/building.nubank.com\/pt-br\/modelagem-de-comportamento-com-arquiteturas-sequenciais-explorando-lstms-em-machine-learning\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/building.nubank.com\/pt-br\/"},{"@type":"ListItem","position":2,"name":"Modelagem de comportamento com arquiteturas sequenciais: explorando LSTMs em machine learning"}]},{"@type":"WebSite","@id":"https:\/\/building.nubank.com\/pt-br\/#website","url":"https:\/\/building.nubank.com\/pt-br\/","name":"Building Nubank","description":"We make the extraordinary happen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/building.nubank.com\/pt-br\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Person","@id":"https:\/\/building.nubank.com\/pt-br\/#\/schema\/person\/462f4f5a8d4ec3ccbc3d661dde00f0a4","name":"Nubank Editorial","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g0a78bc815f2126d9ba65b2af185671f1","url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","caption":"Nubank Editorial"},"url":"https:\/\/building.nubank.com\/pt-br\/author\/editorial\/"}]}},"jetpack_featured_media_url":"https:\/\/i0.wp.com\/building.nubank.com\/wp-content\/uploads\/2024\/10\/006.jpg?fit=5752%2C3835&ssl=1","jetpack_shortlink":"https:\/\/wp.me\/pbKBB5-7Uq","jetpack_sharing_enabled":true,"authors":[{"term_id":2321,"user_id":178110103,"is_guest":0,"slug":"editorial","display_name":"Nubank Editorial","avatar_url":"https:\/\/secure.gravatar.com\/avatar\/8c056170dc75ffd365b306a0ac7bea4e51d1cdab52a0c84e6ba0a42f7e2f4633?s=96&d=identicon&r=g","0":null,"1":"","2":"","3":"","4":"","5":"","6":"","7":"","8":""}],"_links":{"self":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts\/30406","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/users\/178110103"}],"replies":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/comments?post=30406"}],"version-history":[{"count":3,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts\/30406\/revisions"}],"predecessor-version":[{"id":30416,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/posts\/30406\/revisions\/30416"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/media\/30403"}],"wp:attachment":[{"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/media?parent=30406"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/categories?post=30406"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/tags?post=30406"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/building.nubank.com\/pt-br\/wp-json\/wp\/v2\/ppma_author?post=30406"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}