Estudantes 'hackeiam' sinistralidade com IA e mostram como turbinar squads da MAG
Hackeando problemas reais
A primeira edição do Desafio Industrial do IMPA Tech mostrou na prática como a ponte entre universidade e mercado acelera soluções tecnológicas. Em oito semanas, estudantes trabalharam com dados reais, plataformas de machine learning e mentorias do Grupo MAG para enfrentar dois problemas concretos: entender a sinistralidade em seguros de vida e medir o desempenho de squads de tecnologia.
O objetivo aqui é transformar esse relato em uma aula: explicar os conceitos, contextualizar as ferramentas usadas e mostrar como essa experiência prepara profissionais para o mercado de tecnologia e inovação.
O Desafio Industrial do IMPA Tech
O Desafio Industrial é parte do bacharelado em Matemática da Tecnologia e Inovação do IMPA Tech, um programa que combina ciclo básico e ênfases técnicas. Na primeira edição, grupos de 10 alunos mais um professor orientador trabalharam por oito semanas em formato semelhante a uma hackathon prolongada, com mentorias do Grupo MAG e apresentações públicas das soluções desenvolvidas.
Projetos reais forçam decisões de engenharia, priorização e comunicação, habilidades que currículos teóricos muitas vezes só simulam. Trabalhar com restrições — bases anonimizadas, políticas de privacidade, ambientes em nuvem e prazos — prepara o aluno para a rotina das empresas de tecnologia.
IA para entender sinistralidade
Sinistralidade é a razão entre o valor das indenizações pagas pela seguradora e os prêmios recebidos; é uma métrica central para precificação e sustentabilidade dos produtos de seguros. Entender fatores que influenciam essa taxa ajuda a ajustar preços, reduzir riscos e personalizar coberturas.
No desafio da MAG, uma equipe explorou variáveis pouco usadas pelo mercado segurador para ampliar a visão sobre sinistralidade em seguros de vida. Isso envolve:
- Coleta e preparação de dados: limpeza, anonimização e feature engineering (criação de variáveis relevantes a partir de dados brutos).
- Modelagem preditiva: técnicas de machine learning para identificar padrões e correlações que não aparecem em análises tradicionais.
- Interpretação do modelo: usar métodos explicáveis (por exemplo, SHAP ou LIME) para entender quais variáveis mais impactam a sinistralidade e traduzir isso para decisões de negócio.
Ferramentas como Databricks e ambientes em nuvem permitem processar grandes volumes de dados e treinar modelos com eficiência. O valor pedagógico é duplo: aprender algoritmos e, ao mesmo tempo, como integrá-los à governança de dados e à ética — essencial quando se trabalha com informações sensíveis.
Métricas e performance de squads
A segunda equipe focou nas métricas que dizem respeito ao desempenho de squads de tecnologia: produtividade, qualidade, colaboração e evolução do time. Termos comuns, esclarecidos:
- Squad: time multidisciplinar com autonomia para desenvolver um produto ou funcionalidade.
- Métricas de produtividade: throughput (entregas por período), lead time e cycle time — indicadores de velocidade.
- Métricas de qualidade: taxa de bugs, cobertura de testes, tempo médio de recuperação (MTTR) e sucesso em deploys.
- Métricas de colaboração e evolução: avaliações de code review, número de pares em pair programming, feedbacks qualitativos e indicadores de aprendizagem.
Os estudantes combinaram dados de processo (logs de CI/CD, número de commits, duração de tarefas) com pesquisas qualitativas para mapear correlações entre práticas e resultados. O insight importante: métricas isoladas enganam — é preciso olhar o conjunto e interpretar sinais em contexto.
Ferramentas, metodologia e aprendizado prático
Além de Databricks e ambientes em nuvem, os alunos trabalharam com bases de dados anonimizadas e bibliotecas de machine learning. A mentoria por profissionais da MAG expôs os estudantes a padrões corporativos: versionamento de modelos, pipelines de dados, governança e documentação.
Metodologias ágeis foram aplicadas na prática: priorização de entregas, reuniões de alinhamento e iterações rápidas — útil quando o objetivo é provar hipóteses em curto tempo. A dinâmica se assemelha a uma hackathon estendida, onde o foco não é só um protótipo, mas também a capacidade de justificar escolhas técnicas e o impacto para o negócio.
Conclusão
O Desafio Industrial do IMPA Tech com o apoio do Grupo MAG é um exemplo prático de como educação e indústria podem cocriar valor: os estudantes ganham experiência real e a empresa colhe ideias novas e talentos em formação. Projetos assim ensinam não só algoritmos, mas também governança de dados, ética, métricas de produto e habilidades de comunicação — competências essenciais no mercado atual.
Quer aprofundar esse tipo de habilidade e transformar teoria em prática? Acompanhe a Descomplica para mais conteúdos, análises e dicas que conectam sua formação ao mercado. Comece hoje a transformar projetos em experiência profissional.
Fonte:Fonte
Revisão editorial: Bruno Quintela - LinkedIn
