Artificial Intelligence: como trabalhamos

Todo projeto de IA segue um caminho claro, com entregas definidas em cada etapa. Aqui explicamos o que acontece desde a primeira conversa até o sistema funcionando na sua empresa.

As seis etapas do nosso processo

Não começamos a programar no primeiro dia. Antes de escrever uma linha de código, precisamos entender o problema, os dados disponíveis e o resultado esperado. Esse cuidado inicial evita retrabalho e projetos que não entregam valor.

1

Diagnóstico inicial

Na primeira reunião, ouvimos o que você quer resolver. Não pedimos apresentações bonitas nem relatórios extensos. Uma conversa honesta de 30 minutos já é suficiente para entendermos se o problema tem solução com IA ou se existe um caminho mais simples. Fazemos perguntas diretas: quais dados você tem? Onde estão armazenados? Qual o volume? Quanto tempo a equipe gasta hoje com essa tarefa? Ao final, produzimos um documento de uma página com o diagnóstico e uma recomendação clara: seguir em frente, ajustar o escopo ou buscar outra abordagem.

2

Mapeamento de dados

Se o projeto faz sentido, a etapa seguinte é explorar os dados de verdade. Um dos nossos engenheiros acessa (sob acordo de confidencialidade) as bases de dados, planilhas, APIs e sistemas que alimentarão o modelo. Avaliamos a qualidade dos registros: há campos vazios? Duplicatas? Inconsistências entre sistemas? Essa análise leva de 3 a 7 dias úteis, dependendo da complexidade. O resultado é um relatório técnico que descreve o que existe, o que falta e o que precisa ser corrigido antes de treinar qualquer modelo.

3

Proposta técnica e comercial

Com o diagnóstico e o mapeamento em mãos, montamos uma proposta detalhada. Ela inclui: o problema que vamos resolver, a abordagem técnica escolhida (tipo de modelo, arquitetura, ferramentas), o cronograma semana a semana, os entregáveis de cada fase e o investimento total. Não trabalhamos com escopo aberto. Cada proposta tem um valor fixo para o escopo definido. Se o escopo mudar durante o projeto, renegociamos antes de continuar.

4

Desenvolvimento e testes

Essa é a fase mais longa. Nossos engenheiros limpam os dados, criam features, treinam modelos e testam diferentes abordagens. Fazemos reuniões semanais de 30 minutos com o cliente para mostrar o progresso, discutir resultados parciais e ajustar prioridades. Não desaparecemos por semanas para reaparecer com um produto pronto. Você acompanha cada iteração. Os testes incluem validação cruzada, análise de viés e simulação com dados reais. Só avançamos para a próxima etapa quando a acurácia e a confiabilidade atingem os critérios combinados na proposta.

5

Integração e implantação

O modelo pronto precisa funcionar dentro do fluxo de trabalho da empresa. Integramos com o ERP, CRM, site ou sistema interno do cliente via API. Configuramos monitoramento automático para detectar quedas de desempenho. Treinamos a equipe que vai usar o sistema no dia a dia, com sessões práticas de 2 horas e documentação escrita em linguagem acessível. A implantação costuma levar de 1 a 3 semanas, dependendo da complexidade da integração.

6

Acompanhamento e manutenção

Depois da implantação, acompanhamos o sistema por 60 dias sem custo adicional. Nesse período, corrigimos bugs, ajustamos parâmetros e retreinamos o modelo se necessário. Após os 60 dias, oferecemos contratos de manutenção mensal a partir de R$ 2.500, que incluem monitoramento contínuo, retreinamento trimestral e suporte técnico com tempo de resposta de até 4 horas em dias úteis.

Por que seguimos esse processo

Nos primeiros projetos que fizemos, em 2021, pulávamos direto para o desenvolvimento. O resultado? Dois projetos tiveram que ser refeitos porque o problema real era diferente do que o cliente descreveu inicialmente. Outro foi entregue com acurácia de 92% em laboratório, mas caiu para 71% em produção porque os dados reais tinham padrões que não apareciam no dataset de treino.

Esses erros nos custaram tempo e dinheiro. Aprendemos que as duas primeiras etapas (diagnóstico e mapeamento) são as mais importantes. Elas representam menos de 15% do orçamento total, mas evitam 80% dos problemas que vemos em projetos de IA mal planejados.

Desde que adotamos esse processo estruturado, nenhum projeto precisou ser refeito do zero. A taxa de satisfação dos clientes nos últimos 18 meses ficou em 94%, medida por pesquisa anônima enviada 30 dias após a entrega.

Engenheiro de dados trabalhando em código de modelo de inteligência artificial

Princípios que guiam o nosso trabalho

Não são slogans de parede. São regras que aplicamos em todas as decisões do projeto.

Transparência total

Você tem acesso ao repositório de código, aos notebooks de análise e aos resultados de cada experimento. Se um modelo não funcionar como esperado, dizemos na mesma semana. Não escondemos resultados ruins atrás de métricas maquiadas. Se a melhor decisão for parar o projeto, recomendamos isso.

Segurança dos dados

Assinamos acordo de confidencialidade antes de acessar qualquer dado. Trabalhamos em ambientes isolados, com criptografia em repouso e em trânsito. Ao final do projeto, apagamos todas as cópias locais dos dados do cliente e fornecemos um certificado de exclusão. Nunca usamos dados de um cliente para treinar modelos de outro.

Resultados mensuráveis

Todo projeto tem métricas de sucesso definidas na proposta. Pode ser redução de tempo em uma tarefa, aumento de acurácia em uma previsão ou diminuição de custo operacional. Medimos antes e depois. Se o resultado ficar abaixo do combinado, ajustamos o modelo sem custo adicional durante o período de acompanhamento.

Transferência de conhecimento

Não queremos que você dependa de nós para sempre. Por isso, documentamos tudo: como o modelo funciona, como retreiná-lo, como interpretar os resultados. Se a sua equipe tiver capacidade técnica, pode assumir a manutenção após o projeto. Oferecemos treinamentos de 8 a 16 horas para equipes internas que queiram internalizar a operação do sistema.

Ferramentas e tecnologias que usamos

Escolhemos a ferramenta certa para cada problema, não a mais popular do momento. Dito isso, as tecnologias que aparecem com mais frequência nos nossos projetos são:

Linguagens e frameworks

Python é a linguagem principal. Usamos PyTorch para modelos de deep learning e scikit-learn para modelos clássicos de machine learning. Para processamento de linguagem natural, trabalhamos com a biblioteca Hugging Face Transformers. Pipelines de dados são construídos com Apache Airflow ou Prefect, dependendo da escala.

Infraestrutura

A maioria dos projetos roda em Google Cloud Platform ou AWS. Para clientes que exigem dados no Brasil, usamos servidores em São Paulo. Modelos menores podem rodar no próprio servidor do cliente, reduzindo custos de nuvem. Containerizamos tudo com Docker para facilitar a implantação e garantir que o ambiente de produção seja idêntico ao de desenvolvimento.

Sala de servidores moderna usada para processamento de modelos de inteligência artificial

Quer saber como esse processo se aplica ao seu caso?

Cada empresa tem desafios diferentes. Conte para nós o que você precisa resolver e explicamos como cada etapa funcionaria no seu contexto.

Falar com a equipe