Research Groups PoaTek: conheça nossa nova iniciativa!
Trabalhar na área de TI é muito mais que desenvolver, testar e aprimorar softwares. É fazer esse mesmo processo com o conhecimento. Por acreditar que a sabedoria é a essência do nosso segmento trouxemos uma nova iniciativa: os Research Groups PoaTek.
Assim como as Knowledge Transfer Sessions, os Research Groups são grupos para partilhar conhecimento. Porém, ao contrário das sessões com grupos grandes, a ideia aqui é dividir os aprendizados por interesse. E, mais ainda, incentivar os colaboradores a produzirem juntos estudos, pesquisas e reviews.
Entenda o que são e como funcionam as Knowledge Transfer Sessions da PoaTek!
Qual o objetivo dos Research Groups PoaTek?
Este é um meio de todos desenvolverem pesquisas relevantes e que possam contribuir para o aprimoramento profissional. Além disso, os colaboradores podem praticar tecnologias novas em contextos desafiadores e, eventualmente, adquirir uma expertise nessas áreas.
A ideia é estimular o contato direto e embasado por assuntos diversos. Há, por esse motivo, seis grupos de pesquisa:
- Inteligência Artificial;
- Machine Learning;
- Quality Assurance (QA)/Automação;
- Realidade Aumentada;
- Progressive Web App;
- e Internet das Coisas.
Cada colaborador pode se unir a um ou mais grupos de pesquisa em que tem interesse. Isso faz com que todos possam trabalhar com pessoas que partilham das mesmas curiosidades.
Autonomia é o norte dos Research Groups
Para que isso seja natural e altamente estimulante, primamos pela total autonomia de todos da equipe. Ou seja, eles são quem decidem a duração dos encontros e como eles irão funcionar. Não há uma hora determinada para se reunir ou local exato. Cada qual combina de pesquisar/conversar sobre o tema em algum momento do horário de trabalho e pronto.
E os resultados dos Research Groups?
Recentemente Matheus Gonzaga e Marcelo de Almeida pesquisaram, no grupo de Machine Learning, e desenvolveram uma revisão sobre os “Métodos para a Detecção de Fraude Contábil usando Algoritmos de Machine Learning”.
A ideia era verificar se as técnicas de Machine Learning poderiam apresentar soluções aos auditores. Já que o número de fraudes financeiras têm aumentado significativamente e encontrar padrões e fatores de risco por meio de algoritmos poderia contribuir para a redução dessa taxa.
A conclusão? Depois de verificarem as contribuições de mais de cinco autores da área, a revisão apontou que as técnicas de Machine Learning podem facilitar muito a vida dos auditores. Devida a sua capacidade precisa de classificação e previsão na detecção de fraudes em demonstrações e outras informações financeiras.
E aí, curtiu a iniciativa? Então nos siga nas redes sociais: pelo Facebook, LinkedIn e Twitter você fica por dentro de todas as novidades! Ah, e se quiser conferir A Brief Review of Methods for the Detection of Accounting Fraud Using Machine Learning Algorithms basta clicar aqui!