Caso de sucesso: Saiba como a IEL GO utiliza IA Generativa para acelerar seu processo de mentoria de entrevistas | Cloud Computing

Por Alex Borges, analista de IA do IEL Goiás;
Gabriel Almeida, arquiteto de soluções da AWS;
Gabriel Martini, arquiteto de soluções sênior da AWS;
Marcia Kawagoe, arquiteta de soluções da AWS.

Conheça o IEL GO

IEL GO – Instituto Euvaldo Lodi Goiás é uma instituição de apoio ao desenvolvimento da indústria, fundada em 27/05/1970 com a missão de desenvolver a integração indústria-universidade. Desde então, tem sido um protagonista na capacitação e preparação de profissionais para um ambiente de alta competitividade.

Ao longo dos anos, o IEL GO evoluiu, adaptando-se a mudança no cenário empresarial tecnológico e de inovação. Sua trajetória é marcada por parcerias estratégicas, programas de qualificação inovadores e o compromisso contínuo com a excelência.

O Desafio

O IEL GO tem o objetivo de apoiar o desenvolvimento de competências professionais de seus alunos. Um pilar fundamental desse processo é a preparação dos candidatos para o primeiro estágio. Nesse contexto, enfrentar uma entrevista de emprego pode ser um desafio significativo para muitos estudantes.

Para que o candidato tenha êxito em sua entrevista, é necessário que, além das habilidades técnicas associadas à sua área de atuação, o entrevistado desenvolva a capacidade de se apresentar com confiança e destacar suas qualidades de forma eficaz. Essa desenvoltura pode ser aprimorada através de prática constante, aumentando significativamente as chances de sucesso durante o processo seletivo.

O processo de entrevistas, mentorias individualizadas, juntamente com feedbacks para cada um dos candidatos, acaba sendo uma tarefa que onera tempo considerável dos entrevistadores, que poderia ser melhor investido em desenvolvimento e aprimoramento de metodologias para capacitação dos candidatos.

A Solução

Para otimizar esse cenário, o IEL desenvolveu uma solução de Inteligência Artificial Generativa para automatizar o processo de mentoria de entrevistas, utilizando combinações dos seguintes serviços da AWS:

Amazon API Gateway, serviço gerenciado que facilita para os desenvolvedores a publicação, a manutenção, o monitoramento e a proteção das APIs em qualquer escala.

Amazon Bedrock, serviço de IA generativa totalmente gerenciado que oferece várias opções de modelos de fundação (FM) líderes do setor.

Amazon Cloudfront, rede de entrega de conteúdo (CDN) que acelera o fornecimento de conteúdos estáticos e dinâmicos da Web para usuários finais.

Amazon DynamoDB, serviço de banco de dados não relacional NoSQL) rápido e flexível para qualquer escala.

Amazon Rekognition, serviço de detecção e análise de vídeos e imagens.

Amazon Simple Storage Service (Amazon S3), serviço de armazenamento de objetos que oferece escalabilidade, disponibilidade de dados, segurança e performance líder do setor.

Amazon Transcribe, serviço de reconhecimento automático de fala (ASR), que faz a conversão de fala para texto.

AWS Lambda, serviço de computação sem servidor, que executa código em resposta a eventos.

AWS Step Functions, serviço que fornece orquestração sem servidor para aplicações modernas.

Imagem 1: Arquitetura de solução

Para essa solução, a arquitetura foi dividida em 2 blocos:

1. Frontend – É a interface gráfica da aplicação na qual o usuário acessa e interage com a solução. Nesse caso, temos uma interface Web, utilizada pelo usuário para gravar e submeter o arquivo da entrevista.
2. Backend – É a estrutura que possibilita a operação da aplicação, com a integração e gestão dos serviços que fazem parte da solução.

Frontend

1. Acesso do usuário à plataforma de entrevistas: Nesta solução, o candidato acessa a página web da plataforma de entrevista, que está hospedada no Amazon S3 como uma página estática e está disponibilizada publicamente através do Amazon Cloudfront para disponibilizar o site da aplicação de mentoria de entrevistas.
2. Usuário grava e submete o vídeo: O processo começa com o candidato gravando seu vídeo de entrevista.

Backend

3. Upload do vídeo para o Amazon S3: O vídeo é carregado para dentro do Amazon S3
4. Notificação de Evento do Amazon S3: Quando o vídeo é carregado para dentro do Amazon S3, é gerada uma notificação de evento do Amazon S3
5. Armazenamento do metadados do vídeo: A notificação de evento do S3 aciona uma função AWS Lambda para atualizar a tabela do Amazon DynamoDB com os metadados do vídeo. O DynamoDB é um serviço de banco de dados NoSQL rápido e flexível.
6. Inicialização do Workflow de Step Functions: A função Lambda também inicia um fluxo de trabalho do AWS Step Functions.
7. Processamento Paralelo: O fluxo de trabalho do Step Functions inicia dois processos paralelos:
   1. Geração de insights de vídeo
      1. Amazon Rekognition: são realizados cortes dos vídeos em frames de imagens, passados para o Amazon Rekognition analisar as imagens e realizar o cálculo de atenção do entrevistado e detecção de objetos, que podem afetar no processo de entrevista como um todo.
   2. Geração de insights de áudio
      1. Amazon Transcribe: É realizada a transcrição do áudio da entrevista através do Amazon Transcribe
      2. Amazon Bedrock: Usando o serviço Amazon Bedrock, a transcrição é enviada para o modelo de LLM Claude V3 Haiku da Anthropic, que analisa a entrevista e gera insights sobre a performance do aluno.
   3. Armazenamento de Resultados no DynamoDB: Os resultados processados são consolidados por uma função Lambda e armazenados no DynamoDB para recuperação rápida através de uma chamada API (Lambda list-records)

Esta arquitetura utiliza serviços AWS para criar uma solução serverless e escalável para análise automatizada de entrevistas. Ela combina análise de imagens, conversão de fala em texto, processamento de linguagem natural e aprendizado de máquina personalizado para fornecer feedback sobre habilidades técnicas e aspectos comportamentais da entrevista.

Você pode acessar o código-fonte dessa solução que inspirou este caso de uso da IEL GO e rodar a sua versão de solução de mentoria de entrevistas, acessando o exemplo publicado no repositório de exemplos oficial da AWS aqui.

Resultados

Além de consultar os dados das análises das gravações, o IEL GO aproveitou a solução para construir um relatório individual para cada simulação de entrevista.

Nas imagens abaixo, é demonstrado um relatório do resultado de uma simulação de entrevista de um candidato para uma vaga de Tecnologia de Informação, para exemplificar como os resultados são apresentados para os entrevistados.

Imagem 2: Relatório de análise – Dados do usuário e feedback inicial

Na primeira seção do relatório, são apresentados os dados do usuário, duração da entrevista e a área de interesse do entrevistado, em seguida é apresentado um breve feedback da apresentação como todo, mostrando para o entrevistado palavras a evitar nas próximas simulações que podem afetar na avaliação, e também as fortalezas de conhecimento que o candidato apresentou durante a transcrição.

Imagem 3: Relatório de análise – Pontos Fortes e Fracos

A segunda parte do relatório traz um resumo dos pontos positivos e pontos a melhorar do candidato, coletados durante a sessão, descritos em tópicos para facilitar a leitura.

Imagem 4: Relatório de análise – Análise de vídeo

Durante o processamento paralelo, é feita a análise de vídeo, utilizando o Amazon Rekognition limage, que calcula a atenção geral do candidato e identifica objetos não recomendados presentes na imagem, que possam distrair ou afetar o processo de entrevista.

Imagem 5: Relatório de análise – Sugestões e Melhorias

No final do relatório, utilizando a transcrição do candidato como base, é gerado um roteiro em “ORGANIZAÇÃO DAS SUAS IDEIAS”, que traz uma versão otimizada do discurso atual do candidato. Além disso, no campo “ALTERAÇÕES APLICADAS” há uma explicação detalhada das melhorias executadas pelo LLM.

Além de desenvolver uma solução de simulador de entrevista robusta, auxiliando o processo de entrevista para alunos, o IEL GO aproveitou o produto e o expandiu para o treinamento de discurso para suas áreas internas.

Para isso, foi feito o ajuste do prompt do Amazon Bedrock, para também permitir o treinamento de discursos para suas áreas de vendas, tecnologia, mercado financeiro ou marketing.

Custos

Amazon Transcribe

A API do Amazon Transcribe para transmissão e transcrições em lote é cobrada mensalmente com base em preços por faixa de utilização e região. Em uma estimativa, utilizando os valores da data de publicação deste blogpost, o custo de gravação de USD 0,024 por minuto, totaliza USD 1,44 para cada hora de gravação.

Amazon Bedrock

O Amazon Bedrock oferece dois modelos de preços, sob demanda e provisionado. Nesta solução foi utilizada a cobrança sob demanda, que permite o uso de FMs sem a necessidade de compromissos baseados em tempo. Os modelos de geração de texto são cobrados por tokens de entrada processados e por tokens de saída gerados.

Um token compreende alguns caracteres e se refere à unidade básica de texto que um modelo aprende para entender o prompt. Para o Claude, um token representa aproximadamente 3,5 caracteres em inglês, embora o número exato possa variar dependendo do idioma utilizado.

Em uma estimativa de uma hora de gravação foram considerados 90 mil caracteres, aproximando 26 mil tokens de entrada e 2 mil tokens de saída, utilizando o modelo do Claude 3 Sonnet com a precificação atual do custo de entrada e saída será de aproximadamente $ 0,11 para cada hora de gravação.

Amazon Rekognition Image

O Amazon Rekognition Image cobra cada vez que você analisa uma imagem usando as APIs. A execução de várias APIs em uma única imagem equivale ao processamento de várias imagens. O uso é cobrado com base em um modelo de preços hierárquico vinculado ao volume de imagens processadas por mês. A solução otimiza a analise recortando os vídeos em frames a cada 5 segundos, em uma gravação de 60 minutos, 720 imagens são geradas.

A solução realiza duas chamadas de API no Amazon Rekognition, uma para a detecção de objetos e outra para o cálculo de atenção do entrevistado. Utilizando os valores na data de publicação deste blogpost, a estimativa é de $ 0,001 para cada imagem, totalizando $ 1,44 para as duas chamadas das 720 imagens na gravação de 60 minutos.

Desconsiderando os outros valores da solução, somando os valores do processamento do Amazon Rekognition Image e Amazon Bedrock com o modelo Claude 3 Sonnet, a solução é estimada para $ 2,99 para hora de gravação, considerando os valores atuais da data de publicação do blogpost.

Para informações detalhadas sobre preços, consulte a página de Preços do Amazon Bedrock e página de Preços do Amazon Rekognition

Conclusão

Neste blogpost abordamos uma solução de mentoria que utiliza uma arquitetura totalmente sem servidor combinando serviços de Inteligência Artificial na AWS para fornecer uma análise de desempenho e comportamento durante entrevistas. Com um custo estimado de menos de $3 por hora de gravação, a solução oferece análises detalhadas e personalizadas para cada candidato, otimizando o tempo dos mentores e proporcionando feedback consistente e abrangente.

A implementação dessa solução no IEL GO inovou o seu processo de mentoria e preparação para entrevistas. Além da automatização do processo de feedback, a versatilidade da solução permitiu sua expansão para treinamento de discursos em diferentes áreas internas da organização. Este caso demonstra como a tecnologia pode democratizar o acesso a ferramentas de desenvolvimento profissional, mantendo a qualidade do processo e ampliando o alcance da preparação adequada para o mercado de trabalho.

Sobre os autores

	Alex Borges Braga é Analista de IA no IEL Goiás, com foco no setor educacional, principalmente no Sistema S. Alex já atuou em projetos deInteligência Artificial, como Previsão de Indicadores Econômicos, Visão Computacional, Monitoramento de Falas com NLP, e Chatbots com IA Generativa. Formando em Economia e Ciências de dados, possui interesse em MLOPS, NLP, RAG, IA Generativa e automação de processos.
	Gabriel Couto de Almeida – é Arquiteto de Soluções da AWS no time de setor público com foco em empresas de Educação. Gabriel já atuou em projetos de desenvolvimento nas áreas de Defesa, Trafego Aéreo, Educação e Instituições Financeiras. Formado em Engenharia da Computação pelo IMT, tem interesse por DevOps, IaC e Inteligência Artificial.
	Gabriel Martini — Com experiência em engenharia de software, arquitetura de solução e ciência de dados trabalha com TI desde 2014 e ingressou na AWS em 2017. Na AWS atuou como Arquiteto de Soluções para grandes clientes, também trabalhou em iniciativas de pesquisa de dados abertos e atualmente atua como Arquiteto Especialista em Inteligência Artificial para o Setor Público, com foco em áreas como IA Generativa, MLOps e Visão Computacional.
	Márcia Mayumi Kawagoe é Arquiteta de Soluções da AWS no time de setor público com foco em Governo Federal. Márcia já atuou anteriormente emprojetos em segmentos diversos como: Telecomunicações, Instituições financeiras, Logística e Utilities. Formada em Ciências da Computação e com MBA em Gestão e Arquitetura em Infraestrutura pela FIAP, tem interesse por Storage, Analytics, Inteligência Artificial e viagens.