README.md

Projeto 1: Explorando IA Generativa em Pipeline de ETL com Python

Link do notebook

Contexto

Como cientista de dados no Santander, nossa tarefa era melhorar o envolvimento dos clientes por meio de mensagens de marketing altamente personalizadas.
O objetivo é utilizar a Inteligência Artificial Generativa para criar mensagens que ressoem com cada cliente individualmente.

Aqui estão as estapas que seguiremos:

1. Extração e Obtenção de Dados dos Clientes
2. Geração de Mensagens Personalizadas
3. Atualização de Dados dos Clientes

1. Extração de Dados

Faremos a extração de um arquivo .json de uma API SDW contendo os clientes fictícios do banco Santander.
Salvando essa lista em uma variável para ser atualizada conforme a mensagem gerada.

Transformação de Dados

O arquivo .json fornecido pela API tem o seguinte formato:

[
  {
    "id": 0,
    "name": "string",
    "account": {
      "id": 0,
      "number": "string",
      "agency": "string",
      "balance": 0,
      "limit": 0
    },
    "card": {
      "id": 0,
      "number": "string",
      "limit": 0
    },
    "features": [
      {
        "id": 0,
        "icon": "string",
        "description": "string"
      }
    ],
    "news": [
      {
        "id": 0,
        "icon": "string",
        "description": "string"
      }
    ]
  }
]

Onde:

• id: Um int com o id de cada cliente;
• name: Uma string com o nome do cliente;
• account: Um dict com as informações de id da conta (id), número da conta (number), agência (agency), saldo (balance) e limite (limit);
• card: Um dct com as informações de id da conta (id), número do cartão (number), limite do cartão (limit);
• features: Um dict contendo as informações e características do cliente;
• news: Um dict que contém as mensagens personalizadas para o cliente.

2. Geração de Mensagens Personalizadas

Para a geração de mensagens usamos o ChatGPT e sua API da OpenAI, assim ele gera uma mensagem personalizada com base no nome e no limite do cliente.

Documentação da API da OpenAI

3. Atualização dos Dados dos clientes

Agora com a mensagem personalizada precisamos envia-la de volta a API de banco de dados dos clientes, atualizando a mensagem no banco de dados. E em caso ocorra tudo certo, será feito um 'print' com a mensagem:
"User {user} updated: True!" ,
caso contrário:
"User {user} updated: False! Error: {error_code}"
informando o erro.