Artificial Intelligence: nosso processo

Diagnóstico gratuito

Dura entre dois e cinco dias úteis. Nessa fase, analisamos os dados que a empresa já tem disponíveis: tabelas de vendas, logs de sistema, planilhas de atendimento. O objetivo é entender se existe volume e qualidade suficientes para treinar um modelo útil. Se não existir, dizemos isso com clareza e sugerimos o que precisa ser coletado antes de avançar.

O resultado do diagnóstico é um documento de duas a três páginas com a descrição do problema, a viabilidade técnica e uma estimativa de prazo e investimento.

Preparação dos dados

Dados brutos raramente estão prontos para alimentar um modelo. Nessa etapa, limpamos registros duplicados, tratamos valores ausentes e normalizamos formatos. Trabalhamos com scripts em Python (pandas, polars) que ficam documentados e podem ser reutilizados pela equipe do cliente.

Se os dados estiverem em sistemas diferentes, criamos pipelines de extração automatizados. O prazo típico dessa fase é de uma a duas semanas.

Prototipagem do modelo

Testamos múltiplas abordagens: árvores de decisão, redes neurais, modelos de linguagem, dependendo do tipo de problema. Cada experimento é registrado com métricas de desempenho (acurácia, F1-score, MAE) para que a escolha do modelo final seja baseada em números, não em intuição.

Essa fase costuma levar de uma a três semanas. Ao final, apresentamos os resultados em uma reunião de 40 minutos com gráficos comparativos e exemplos de predições reais.

Validação com o time de negócio

Antes de colocar qualquer coisa em produção, sentamos com os gestores que vão usar o modelo no dia a dia. Mostramos predições em dados que o modelo nunca viu e pedimos que avaliem se os resultados fazem sentido no contexto real. Um modelo com 95% de acurácia pode ser inútil se erra justamente nos casos mais críticos para a operação.

Nessa etapa, ajustamos limiares de decisão e regras de negócio que complementam a predição estatística.

Deploy e integração

Empacotamos o modelo como uma API REST (FastAPI ou Flask) e fazemos o deploy em AWS, GCP ou no servidor do próprio cliente. Configuramos monitoramento de latência, taxa de erro e drift dos dados de entrada. A integração com o sistema existente (ERP, CRM, app) é feita em conjunto com a equipe de TI da empresa.

Entregamos documentação técnica completa: endpoints, exemplos de requisição, códigos de erro e instruções de re-treinamento.

Acompanhamento pós-entrega

Nos primeiros 60 dias após o deploy, monitoramos o desempenho do modelo semanalmente. Se a acurácia cair abaixo de um limiar combinado, re-treinamos com dados novos sem custo adicional. Depois desse período, oferecemos contratos de manutenção mensal para quem quiser suporte contínuo.