{"id":17111,"date":"2025-05-07T12:33:22","date_gmt":"2025-05-07T19:33:22","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=17111"},"modified":"2025-06-13T21:54:12","modified_gmt":"2025-06-14T04:54:12","slug":"supercharge-machine-learning-couchbase","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/pt\/supercharge-machine-learning-couchbase\/","title":{"rendered":"Aprimore os aplicativos de aprendizado de m\u00e1quina (ML) com o Couchbase"},"content":{"rendered":"

Considere este cen\u00e1rio: voc\u00ea \u00e9 desenvolvedor em uma empresa de fintech e um de seus usu\u00e1rios \u00e9 notificado para perguntar se autorizou uma transa\u00e7\u00e3o internacional de $1.000. Em vez de ficar alarmado, o usu\u00e1rio clica na op\u00e7\u00e3o \"N\u00e3o\", com a garantia de que sua empresa cuidar\u00e1 do resto.<\/p>\n

Nos bastidores, seu aplicativo de IA para preven\u00e7\u00e3o de fraudes bloqueou a compra antes da resposta, s\u00f3 permitindo que ela fosse adiante se o usu\u00e1rio selecionasse \"Sim\". O sistema de detec\u00e7\u00e3o de fraudes age rapidamente, muito rapidamente. Ele analisa a transa\u00e7\u00e3o e prev\u00ea se ela \u00e9 ou n\u00e3o fraudulenta com razo\u00e1vel precis\u00e3o em menos de 50 ms.<\/p>\n

Para fazer previs\u00f5es r\u00e1pidas e precisas, seu sistema requer um banco de dados na mem\u00f3ria de alto desempenho, como o Couchbase, que armazena, recupera e fornece dados como recursos de ML, perfis, dados operacionais e outras informa\u00e7\u00f5es contextuais. Velocidade e flexibilidade como essas s\u00e3o a raz\u00e3o pela qual as principais empresas de fintech escolheram o Couchbase.<\/p>\n

A Revolut, por exemplo, tem criou seu aplicativo de preven\u00e7\u00e3o de fraudes<\/a> para atender aos seus mais de 12 milh\u00f5es de usu\u00e1rios. Embora a detec\u00e7\u00e3o de fraudes em tempo real seja um caso de uso popular entre os clientes do Couchbase, vemos os clientes aproveitarem o Couchbase para outros casos de uso de alta velocidade, como ETA de motoristas, detec\u00e7\u00e3o de anomalias, pre\u00e7os din\u00e2micos, previs\u00f5es, promo\u00e7\u00f5es personalizadas e muito mais. O Couchbase Capella \u00e9 uma plataforma de banco de dados como servi\u00e7o (DBaaS) que simplifica o desenvolvimento de aplicativos de IA e reduz a sobrecarga operacional associada ao gerenciamento de dados.<\/p>\n

A fun\u00e7\u00e3o de um armazenamento de recursos<\/h2>\n

Os algoritmos de ML n\u00e3o entendem os dados brutos, portanto, eles devem ser pr\u00e9-processados (usando uma t\u00e9cnica chamada engenharia de recursos<\/a>) e transformados em recursos. Os recursos de ML s\u00e3o os campos mais relevantes de um conjunto de dados para resolver um problema de previs\u00e3o, como a detec\u00e7\u00e3o de fraudes. Um armazenamento de recursos, tanto on-line quanto off-line (falaremos mais sobre isso em breve), permite o armazenamento, a reutiliza\u00e7\u00e3o e o acesso seguro aos recursos.<\/p>\n

Os desenvolvedores de ML gastam cerca de 75-80% de seu tempo na engenharia de recursos. Para reduzir a repeti\u00e7\u00e3o desse esfor\u00e7o todas as vezes para o treinamento de modelos, os desenvolvedores usam um armazenamento de recursos para simplificar suas opera\u00e7\u00f5es de ML. O armazenamento de recursos on-line \u00e9 usado durante a an\u00e1lise preditiva, ou infer\u00eancia, para o fornecimento de baixa lat\u00eancia de recursos de AM aos modelos de AM. Antes disso, o modelo de AM precisa ser treinado, o que \u00e9 feito com o armazenamento de recursos off-line. Ele \u00e9 usado para armazenar e gerenciar recursos, que s\u00e3o criados durante o est\u00e1gio de engenharia de recursos.<\/p>\n

V\u00e1rios clientes do Couchbase usam o Apache Spark para trabalhos de engenharia de recursos devido ao seu enorme ecossistema de bibliotecas Python ML para transforma\u00e7\u00f5es e seus recursos de MPP (processamento massivamente paralelo).<\/p>\n

Para acelerar o desenvolvimento de aplicativos de ML, anunciamos recentemente alguns blocos de constru\u00e7\u00e3o que permitem que voc\u00ea aproveite o Capella como um armazenamento de recursos on-line e off-line em uma plataforma unificada:<\/p>\n

    \n
  1. \n
      \n
    1. Plug-ins do Feast para aproveitar o Couchbase em aplicativos de ML. Feast (abrevia\u00e7\u00e3o de Loja de recursos<\/i>) \u00e9 um armazenamento de recursos de c\u00f3digo aberto simples de usar e independente da nuvem. Muitos clientes, como a Revolut, j\u00e1 confiam no Capella como um armazenamento de recursos on-line. Capella Columnar<\/a> oferece os recursos de an\u00e1lise necess\u00e1rios para uma loja de recursos off-line.<\/li>\n
    2. O conector PySpark para Capella acelera a engenharia de recursos combinando os recursos de processamento massivamente paralelo do Spark com os recursos de an\u00e1lise do Capella Columnar. Os trabalhos de engenharia de recursos envolvem o processamento de colunas relevantes em vez de linhas inteiras e, portanto, podem ser acelerados com o uso de um banco de dados colunar como o Capella Columnar.<\/li>\n<\/ol>\n<\/li>\n<\/ol>\n

      Plug-ins do Feast para o Couchbase<\/h2>\n

      Festa<\/a> foi adotado por uma grande variedade de organiza\u00e7\u00f5es<\/a> em diferentes setores, incluindo varejo, m\u00eddia, viagens e servi\u00e7os financeiros. Os plug-ins do Feast para o Couchbase est\u00e3o dispon\u00edveis no projeto Feast. As lojas de recursos on-line e off-line do Feast, apoiadas pela Capella, oferecem os seguintes benef\u00edcios:<\/p>\n