Perguntas frequentes sobre Artificial Intelligence

Depende do tipo de projeto. Para modelos preditivos (previsão de demanda, churn, manutenção), recomendamos pelo menos seis meses de histórico com no mínimo 1.000 registros. Quanto mais dados, melhor o modelo consegue capturar padrões sazonais e exceções.

Para automação de documentos, 200 exemplos de cada tipo de documento costumam ser suficientes para o primeiro ajuste do modelo de extração. Conforme o sistema processa mais documentos, ele melhora com feedback humano.

Se você não tem certeza se os seus dados são suficientes, o nosso diagnóstico inicial de cinco dias responde exatamente a essa pergunta.

É a situação mais comum. Quase nenhum cliente chega com dados perfeitamente organizados. Parte do nosso trabalho é construir pipelines de limpeza e transformação que tratam valores faltantes, formatos inconsistentes e duplicatas.

O que importa é que os dados existam e estejam acessíveis. Se as vendas estão em planilhas Excel, os dados de frota num sistema legado e os chamados de suporte no Zendesk, nós conectamos tudo. Já fizemos isso dezenas de vezes.

Preferimos trabalhar com cópias anonimizadas dos dados, hospedadas em ambiente controlado. Se o cliente exigir que o processamento aconteça dentro da infraestrutura dele, fazemos isso também. Temos experiência com AWS, GCP e Azure, além de servidores on-premise.

Assinamos NDA (acordo de confidencialidade) antes de receber qualquer dado. E todos os membros da equipe que acessam dados sensíveis passam por treinamento de LGPD.

Não. IA funciona bem para problemas onde existe um padrão nos dados que pode ser aprendido. Se o problema é puramente político, organizacional ou depende de variáveis que ninguém coleta, um modelo de machine learning não vai ajudar.

Já recusamos projetos onde concluímos que uma regra de negócio simples resolveria o problema com menos custo e mais transparência. Quando isso acontece, explicamos o porquê e sugerimos alternativas.

A linguagem principal é Python, com bibliotecas como scikit-learn, XGBoost, LightGBM, PyTorch e Hugging Face Transformers. Para pipelines de dados, usamos Apache Airflow ou Prefect. O deploy acontece em containers Docker, orquestrados com Kubernetes quando o volume justifica.

Para dashboards, trabalhamos com Metabase, Grafana, Streamlit ou Plotly Dash. A escolha depende do que já existe na infraestrutura do cliente e do perfil dos usuários finais.

Sim. Modelos de machine learning perdem precisão ao longo do tempo porque o mundo muda. Clientes mudam de comportamento, produtos novos entram no catálogo, a economia oscila. Isso se chama "model drift".

Configuramos monitoramento automático que detecta quando a acurácia do modelo cai abaixo de um limiar definido. Quando isso acontece, retreinamos o modelo com dados mais recentes. Nos primeiros 90 dias, fazemos isso como parte do projeto. Depois, o cliente pode assumir (deixamos tudo documentado) ou contratar manutenção mensal.

Se a equipe tem desenvolvedores que conhecem Python e conceitos básicos de ML, sim. Entregamos documentação técnica detalhada, notebooks comentados e pelo menos uma sessão de treinamento presencial ou remota.

Para equipes sem experiência em ML, recomendamos o nosso workshop de dois dias antes ou durante o projeto. Ele dá a base necessária para entender o que o modelo faz e como intervir quando algo sai do esperado.

Atendemos. Temos clientes em São Paulo, Rio de Janeiro e Curitiba. A maior parte do trabalho acontece remotamente: reuniões por vídeo, acesso a dados via VPN ou nuvem, e entregas por repositório Git.

Para workshops presenciais fora de BH, cobramos deslocamento e hospedagem à parte. Workshops remotos funcionam bem para equipes que já estão acostumadas com trabalho distribuído.