Latest / Product Guru's : Produto | Negócios | Carreira / A inteligência artificial na gestão de produto - Victor Costa

Transcript

A inteligência artificial na gestão de produto - Victor Costa · Product Guru's : Produto | Negócios | Carreira

0:10
Oi, tudo bem com você? Meu nome é paulus.
0:12
Hoje você acaba de dar play do proxy, gurus, o podcast que a
0:15
voz por trás dos produtos. Se você está ouvindo, esse
0:18
episódio é porque a gente passou pela episódios.
0:20
Então agora ninguém nos segura, eu acho só se algum jurídico aí,
0:26
né? Nunca se sabe.
0:28
É comigo nessa jornada, tá ele, o streamer profissional do prot
0:34
gurus, aquele que joga valor range code com gaulês, fale
0:39
essas pessoas que ninguém conhece.
0:41
Gui Peluso tudo bem com você? Fala, meu querido, tudo bem,
0:45
velho, e você bem também. Muito obrigado, viu?
0:47
Porque tá aqui, feliz por estar aqui mais uma vez é e por falar
0:52
sobre um assunto tão legal quanto que a gente vai falar
0:54
hoje, o recentemente você fez uma live em que você bateu o
1:00
recorde, né? Você fez um MVP em 37 minutos,
1:03
né? Você é frio, é isso aí, a gente
1:06
bateu o recorde mundial, a gente mandou o material pro Guiness
1:09
book, sim, estamos esperando só pegar OOA confirmação do recorde
1:13
mundial batido em sim é, e-mails foram enviados com prints e
1:17
links dos vídeos. É pedindo essa essa menção no
1:23
Guinness e o cheque também que o dinheiro também é bem-vindo
1:27
também sempre, claro, sempre sempre é, vamos para a pauta
1:31
aqui, Bora lá, se você é uma daquelas pessoas que gostam de
1:36
aprender trocando ideias com experts, colocando a mão na
1:39
massa em projetos práticos e recebendo o mentoring de grandes
1:42
nomes do mercado, e muitos desses, né?
1:44
Gomes já passaram por aqui a dica do PG para você dar o
1:48
próximo passo na sua carreira são os custos da Terra.
1:52
Eles são uma escola 100% online. Como a comunidade engajada de
1:56
mais de 5000 estudantes. Voltar a desenvolver as
1:59
competências mais demandadas no mercado digital, no Brasil e no
2:04
mundo das áreas de produtos wxyz, marketing digital,
2:07
essência de dados aumentando. Nasci muito suas oportunidades
2:12
de trabalho em network, o método de aprendizagem da Terra foi
2:16
reconhecido pelo World Economic Forum E pelo Google for
2:20
startups. O certificado que você ganha um
2:22
diferencial em processos seletivos de várias empresas
2:25
digitais do país. As aulas são ao vivo e você pode
2:30
estudar de onde estiver interagindo em sala de aula e
2:33
tirando suas dúvidas na hora. Ao longo do curso você tem
2:36
contato com profissionais das maiores empresas digitais do
2:39
país, como Nubank paid, pesa e fugi.
2:43
Muitas outras. Dá uma olhada no site deles para
2:46
saber mais sobre os cursos. O link está na descrição aqui do
2:49
episódio, com a parceria do prot gurus, claro, você tem um
2:53
incentivo de 600 BRL usando o cupom product underline guru.
2:59
Sem OS no final e preste muita atenção.
3:03
Ocupou também estará na descrição desse episódio.
3:07
Certo, Combinado, corre lá no site da tela e aproveite.
3:12
Agora vamos pro papo. Aí a inteligência artificial
3:17
está entre nós há algum tempo e não para de se espalhar enquanto
3:21
você ouve esse episódio, um chip e acaba de ganhar mais
3:25
capacidade de processamento e em algum lugar do mundo, um novo
3:28
software foi inventado ou instalado para realizar a função
3:32
que antes era de uma, 10 ou 100 pessoas.
3:35
As demais ondas de inovação, quando arrebentarem na praia,
3:39
mudarão a paisagem para sempre. Por isso, chamamos hoje para
3:44
entender mais sobre esses produtos com inteligência
3:46
artificial e também big data, Victor Costa, da córtex, empresa
3:51
especialista e ele é especial. Ele vai ensinar a gente tudo.
3:54
Hoje eu e o Gui vamos sair daqui sabendo como lidar com a Alexa e
3:59
a Siri, certo? Gui, é isso, eu tô pensando em
4:01
sair daqui com alguma inteligência artificial para
4:04
aumentar a minha inteligência, isso, esse.
4:06
Esse é o objetivo. Eu quero uma inteligência
4:09
artificial que realmente é verdade, gente, é isso e, de
4:11
preferência, faça reuniões com estique holders por mim.
4:15
Por isso a gente vai falar com Vítor Costa.
4:19
Seja bem-vindo ao parte, gurus Vítor Costa, tudo bem com você?
4:23
OPA, tudo ótimo, tudo bem, como um bom projeto.
4:27
Design, né? É legal a gente já começar de
4:29
gerenciando as expectativas, né, que eu tenho pra compartilhar
4:32
com vocês a minha experiência de 10 anos de casa, num produto que
4:36
evoluiu para se transformar num produto que trabalha com
4:38
inteligência artificial, né? E fazer essa troca com vocês
4:41
aqui, que eu acho que vai ser bem rica, bem legal, vai ser
4:44
muito bom esse papo porque se as próximas ondas, os produtos vão
4:48
usar a inteligência artificial, a gente já vai saber Oo rolê,
4:51
entendeu Gui? Qual que é o caminho das pedras?
4:53
A gente já tem como fazer um novo codi de inteligência
4:57
artificial? Né?
4:59
Calma. Eu, Vitor vai responder essas
5:01
perguntas porque se não, já vou colocar a Bahia e inteligência
5:04
artificial do formulário. Já vou sair e aí se empolgando
5:07
tudo. Calma, ô Vítor, antes da da
5:10
gente entrar em big data, é inteligência artificial.
5:12
Qual é a sua história? Tá OK?
5:15
É é falando um pouquinho sobre a questão da da história, né?
5:18
Eu como designer, eu sempre gostei de matemática, né?
5:21
Isso é uma coisa bem diferente, né?
5:23
Do que está acostumado a ver no mercado.
5:24
Geralmente, quando eu comecei a faculdade, essas coisas, era uma
5:28
coisa que todos usarem fugir, né?
5:30
Matemática exatas, né, você consta de uma metria EE
5:33
matemática por aí e nunca gostei muito daquela parte.
5:38
Subjetiva de validação das coisas, sabe, tipo aquela,
5:41
aquela conversa mais artística, né?
5:43
Entre aspas, é da profissão. E aí, por causa disso, eu
5:46
comecei a caminhar para me especializar em formas de
5:50
conseguir validar. É interface.
5:53
Projetos com dados, né? Então eu fiz uma pós e meu
5:57
projeto final, após, na época, o Google Analytics estava
5:59
começando, né? Ter AA transformar numa
6:02
ferramenta relevante foi é toda a transformação de um site de
6:06
notícias em um site colaborativo onde os dados eram reis é onde o
6:11
dado era rei ali, né? E servia como ferramenta para a
6:14
gente motivar os jornalistas, apostarem mais.
6:17
Não é isso há mais ou menos uns 10 anos atrás, né?
6:20
E aí, com esse bacurau, já fui chamado para trabalhar na
6:22
córtex, né? Que é uma empresa que ela já vem
6:25
com esse, essa pegada de de trabalhar com o dado desde
6:28
quando ela, quando ela era uma consultoria, é a mais ou menos
6:32
uns 3 anos atrás. Fez sentido.
6:35
Fez sentido, sim. Não, não fez sentido.
6:37
A parte de designer que gosta de matemática, isso não fez sentido
6:41
nenhum. Acho que você explicou um
6:43
pouquinho do da da córtex, mas é, tem como é explicar mais
6:48
sobre a córtex. Qual é, tem tem a gente que tem,
6:52
tem produtos e serviços que a gente usa no dia a dia, que tem
6:57
influência da córtex anão diretamente, né?
7:00
Porque a córtex será uma empresa é especializada em gerar
7:03
insights para marketing de inverno, né?
7:05
Então a gente geralmente alavanca as vendas de outras
7:09
empresas, né? A gente é um site petshop, né?
7:12
Então é esse é o nosso o nosso foco, então provavelmente.
7:15
Ele produz que vocês têm na casa de vocês que a gente ajudou a
7:18
empresa a vender para vocês, fazer que esse processo, né?
7:23
De te ajuda a pavimentar essa estrada, né?
7:26
Da empresa que tem ali um problema de negócio, ela quer
7:28
resolver e ela usou o córtex, conseguir resolver esse
7:31
problema. Aí ela bancar as suas vendas ou
7:33
a sua estratégia de marketing, né?
7:35
Começar a trabalhar com isso, com mais segurança.
7:37
Oo gay, então, com certeza você tem coisas aí na sua casa,
7:41
porque quando que você comprou nem precisava, mas você comprou
7:45
porque a inteligência artificial te influenciou a comprar?
7:49
A dúvida é, eu sou influenciável ao extremo?
7:53
Principalmente por coisas inúteis, né?
7:56
É aí que eu faço minhas compras. Não precisa, vem aqui que eu
8:00
quero. E antes do do Gui, que é um gay,
8:06
tem uma lista de perguntas de um entusiasta do assunto pro
8:09
Victor. Antes disso, é a gente já
8:13
descobriu algumas coisas, né? E do Victor?
8:15
Ele é um design que gosta de matemática.
8:19
Um, e ele é um design, falando de inteligência artificial e big
8:23
data. Olha só, 2 coisas em comum de se
8:27
ver por aí No No mundo de produtos, e aí eu pergunto para
8:32
você, Oo, Vítor, qual que é Oo papel de design em um produto de
8:37
de big data e inteligência artificial, sendo a inteligência
8:41
artificial não poderia fazer o papel do design?
8:44
É só treinar ela, não. Sim, é no futuro, né?
8:49
E com uma base de dados gigantesca, mas mesmo assim,
8:52
sempre que a gente tiver falando de um universo de dados limitado
8:55
ou de pouca informação, né? Inteligência artificial não vai
8:58
se constituir, usar, né? Assim, a gente consegue ter essa
9:00
segurança. A gente sempre vai quando, né
9:04
isso acontecer é porque a gente já tem uma base de dados mundial
9:07
tão grande, tão pesado, tão, tão robusta, que permite que ele
9:11
consiga entender. É o comportamento, né?
9:14
As atitudes do ser humano a partir dos dados que já existem,
9:17
né? É em um designer atualmente, né?
9:20
Hoje em dia ele ajuda na é na criação do contexto, quando a
9:24
gente está falando de um projeto de inteligência artificial.
9:26
Né? Geralmente, ele trabalha muito
9:27
próximo dos cientistas de dados. Cientistas de dados.
9:30
Fica ele entrega, né? Ele entrega, entrega.
9:32
É uma planilha enriquecida, onde ele consegue entender AA as
9:37
relações entre aqueles dados que estão prendados ali.
9:40
Estou tentando ser o mais, né? Sim, ao máximo possível, né?
9:44
Sim, ele consegue criar relações entre aqueles dados que estão
9:47
ali para gerar novos dados, né? E a gente chama isso de de
9:50
inteligência, né? Mas na verdade é matemática
9:53
pura. Na verdade, é criação de
9:54
algoritmo, né? O que que tem de novidade hoje,
9:56
né? Porque esses dados podem servir
9:59
para gerar outros dados sem interferência humana, né?
10:03
E aí, que é o lanche do lanche? Et cetera e tal.
10:06
Mas a base ainda é os dados que são que já existem e que são
10:11
captados por né por outras máquinas, né?
10:14
A gente, por mais que tenha dado no mercado atualmente, por mais
10:18
que a gente tenha várias bases de dados e várias coisas, agora
10:21
só vai substituir o trabalho criativo quando a massa de dados
10:25
por tão grande que a gente conseguir a máquina possa
10:28
entender o comportamento humano, né?
10:30
E aí eu acho que vai ser bem mais pra frente.
10:32
Assim vocês fez sentido a minha explicação.
10:35
Fez-se sempre que a gente fala de inteligência artificial.
10:38
Sempre tem a pergunta de inteligência artificial vai
10:42
substituir o Manu? BBB?
10:44
OPA. Mas não é tão simples assim, né?
10:46
Vitor, como você falou, precisa ter 11.
10:49
Número grande de de de dados, informações e comportamentos e
10:53
tal, para que um dia seja possível, não é algo do tipo.
10:57
Ano que vem já vai ter isso exatamente, principalmente
11:00
quando a gente fala do nosso projeto.
11:01
Foi em branco, ali naquele não existe assim, não existe um
11:04
produto, eu vou começar a fazer nesse tipo de projeto, vai
11:06
demorar muito. Quando a gente fala de
11:07
manutenção, introduzi stent de evolução, aí já é outra
11:11
história, né, porque aí você já tem uma massa crítica muito
11:15
pesada ali, que vai, que que a gente pode criar algoritmos ali
11:18
para já determinar qual é o melhor comportamento, né?
11:21
Várias empresas fazem isso. Né?
11:22
Principalmente é quando está falando de bichos EE aí a gente
11:25
tem muito volume de carro ali. Então você, putz o usuário, né?
11:29
Ele sempre clica nesse lugar, faz um teste.
11:32
Abe determina o resultado. Isso feito numa escala maior, é
11:37
na verdade, criança especial. Sim, preciso de animais, né?
11:40
Ele automaticamente vai estruturando ali ele pode
11:43
automaticamente estruturando a interface para conseguir um
11:45
resultado otimizado, né? Então, assim, quando a gente
11:48
fala de evolução de produto que já existe, aí a conversa já muda
11:51
um pouco de de figura, mas quando está falando de criação
11:55
de um produto zero, aí onde os dados ajudam mais, né?
11:58
E essa transformação, esse aquecimento dos dados, essa
12:00
inteligência? Para a definição do mercado, né?
12:03
Assim, na definição do marketing fit, né?
12:05
Onde a gente vai trabalhar? E aí é até onde está a córtex,
12:08
nela se encaixa bastante nesse nesse pedaço, né?
12:12
De você entender para quem você vai vender, por que que você vai
12:15
vender aquilo, né? Boa, eu acho que é, acho.
12:20
Não sei se todo mundo que está ouvindo a gente aqui, né?
12:24
Entendi. Mesmo assim, eu sabe o que que é
12:26
inteligência artificial? Então eu queria dar um passinho
12:28
para trás só para a gente. É consolidar o conceito aqui,
12:33
né? Então, assim, pelo que o Vítor
12:35
estava falando para a gente, a inteligência artificial, ela só
12:38
acontece quando o computador consegue predizer ou dizer de
12:43
antemão o comportamento, um comportamento que é é, pode ser
12:49
interpretado através de dados, né?
12:52
Então pra que a gente tenha inteligência artificial, a gente
12:56
precisa ter um banco de dados enorme com muito, muito, muito,
12:59
muito dados, e esses dados eles. Decisão é, eles podem dar em
13:05
sites de comportamentos de pessoas, né?
13:08
De pessoas ou é de negócios? Enfim, é isso, Vítor, sim, é
13:13
isso. E é importante separar também
13:15
inteligência de consciência, né? É, na verdade, quando a gente
13:19
fala de inteligência artificial, a gente tá falando de uma
13:21
matemática tão avançada aí tão tão bem estruturada, que parece
13:25
que é uma tomada de decisão como um ser humano faria, mas na
13:28
verdade não tem nada a ver uma coisa com a outra, né?
13:30
Agora, de um algoritmo, é uma equação gigantesca, né, que ela
13:33
vai levando em consideração várias variáveis e entrega é uma
13:36
resposta na ponta, né? É, se você pegar antigamente,
13:40
entregasse uma calculadora por um matemático. 600, 700 anos
13:44
atrás, ele acha que aquilo é inteligente, né?
13:46
Porque está entregando uma resposta para ele de um
13:47
problema. Agora a gente está vivendo esse
13:49
mesmo momento, né? Na verdade, o que a gente tem
13:51
são respostas super complexas, né?
13:54
De problemas também super complexos, né?
13:56
Então a gente a gente até evita um pouco usar esse termo
13:59
inteligência, sabe? Dentro de casa não está
14:01
trabalhando, né, porque na verdade a gente tá falando de um
14:03
modelo de predição, né? Ou de é classificação de coisas,
14:07
né? Porque você simplifica um pouco,
14:09
é e desmistifica um pouco essa questão da inteligência
14:11
artificial, né? O computador, ele está ali, é
14:14
prevendo o comportamento ou classificando coisas, né?
14:17
Isso pode ser muito complexo, tipo classificar a tendência.
14:21
De algo, né? De de uma fraude no banco, a
14:25
inteligência artificial não é uma equação muito pesada, muito
14:29
bem construído. Um algoritmo muito forte que
14:31
consegue classificar, é determinado CPF, determinada,
14:35
coisa com uma pontuação. Qual escolhe esse cara?
14:38
Aqui é alto e pode cometer uma infração, sabe?
14:40
Parece que é a inteligência, né? Teve uma consciência que
14:43
analisou aquilo ali, não, na verdade ele falou, né é
14:45
transformação, enriquecimento de dados no fim das contas,
14:48
sensacional, sensacional, e aí você falou um negócio que me
14:53
deixou curioso, né? Então você falou que é córtex, É
14:56
Ela, dá em sites, né, então pra pra empresas poderem vender seus
15:01
é é seus produtos. Para nós, meros mortais.
15:04
É, e serviços, produtos, e aí, assim, quando você está falando
15:09
da área de vendas, né? Você geralmente fala que existe
15:12
um vendedor que ele é muito, ele tem muita habilidade, ele sabe
15:16
vender muito bem, né? Tem uma lábia boa, né?
15:19
Então como que você consiga, sim.
15:22
Como que você consegue vender o valor da inteligência artificial
15:26
da córtex, né? Pra de uma inteligência
15:30
artificial para pessoas, para vendedores, né?
15:32
Que geralmente essas são pessoas que têm muita habilidade em
15:37
vender, EE acham que AA sua forma de vender é uma forma
15:41
especial. E como, como que fica isso, né?
15:45
Isso a pergunta é sensacional, porque a gente passou por isso
15:47
quando estava fazendo o teste de conceito de algumas soluções que
15:49
estava trabalhando, né? E qual foi o site que a gente
15:52
teve? É o seguinte, olha o vendedor, a
15:55
gente não vai substituir o seu, a sua conversa com com a pessoa
15:59
que vai comprar. A gente vai te ajudar a achar a
16:01
pessoa certa que tem probabilidade de comprar aquilo,
16:04
então você vai poder convencer a pessoa mais rápido e convencer
16:09
mais pessoas. É no intervalo de tempo que você
16:12
vende hoje em dia, sabe? A gente.
16:14
Esse é o caminho, sabe? Esse é o caminho que descobriu,
16:17
né? Então, na verdade, o vendedor,
16:18
ele vai usar lá da dele, vai com ele, vai trabalhar do mesmo
16:21
jeito. A diferença é que ele vai na
16:22
pessoa certa, né? Então, por exemplo, se ele
16:25
visita 40 pessoas num dia e faz 12 vendas, ele vai vender, ele
16:30
vai passar a visitar 30 pessoas e fazer 20 vendas.
16:34
A gente a gente otimiza, né, e é muito isso, é a questão da
16:36
entrevista artificial, né? Otimiza ela ajuda você.
16:39
Achar o caminho mais fácil, que tem um pouco a ver com a
16:42
proposta, a um jeito que a gente vê a porta aqui, sabe?
16:45
A gente ajuda a simplificar caminho, sabe?
16:47
Então, na verdade, a gente tá simplificando o caminho do
16:49
vendedor, né? Então é, é por exemplo, quando o
16:51
Google é te dá um fala para você pegar uma rota de carro
16:55
diferente, né? Ele não está tomando a decisão
16:58
por você, falou ele vai por aqui porque por aqui é mais fácil,
17:01
né? Isso vale para venda, vale pra
17:03
tudo, né? Quando você vê 111 livro, ele é
17:05
uma sugestão de livro para você é a mesma questão, tipo, olha
17:08
esse livro aqui, parece que você vai gostar mais, sabe?
17:10
Então, sempre uma dinâmica de sugestão, né?
17:13
E de otimização de tempo, né ou de esforço pra você conseguir
17:17
algo que você quer. Sabe, fez sentido.
17:20
A resposta fez demais, então AA ideia é trabalhar com um
17:25
assistente, né, né? Não substituir a pessoa mais,
17:29
assistir ela para que ela seja mais efetiva.
17:32
Sim, legal, legal, acho bem construtivo dentro desse
17:36
contexto assim. O papel do designer, né?
17:40
Porque assim a gente pensa em designer logo na nossa cabeça,
17:44
vem tela a é tela é é jornada de usuário, é?
17:50
Tinha um amigo meu que ele é designer, que ele brincava
17:53
bastante a pintar Pixel, né? Adoro pintar Pixel, né?
17:57
Então, assim qual como? Como que fica, né?
18:01
O designer, no meio desse produto, que é um produto que
18:06
tem uma tendência a ser mega técnico, é Salvador.
18:09
Depois a gente pode falar um pouquinho também sobre o
18:11
processo, né? De de concepção de Saul, falar
18:13
um pouquinho sobre o papel do bizarro, né, que acontece com
18:15
design? É quando a gente está
18:16
trabalhando com o produto, né, que, que trabalha com
18:19
inteligência oficial, né? Como assimilando essas coisas, é
18:22
imagina o seguinte, é, eu estou eu, projeto é uma interface, né?
18:28
Vamos falar de tela para ficar tangível, mas todos os dados
18:31
naquela tela não fazem sentido, né?
18:34
É, você não vai conseguir usar aquela interface.
18:37
E ela não vai ter valor, né? É de forma muito sutil.
18:40
É isso que acontece, é quando a gente está falando do papel do
18:43
designer, trabalhando com cientistas de dados para achar,
18:46
para criar uma solução, né? É com base imaginando, é, na
18:50
verdade, o de lá, né? Tá cuidando ali de tange bizarra
18:53
aquela aquela informação, né? Pro pro, pra pessoa na ponta,
18:57
pro persona que está trabalhando ali.
18:59
Enquanto o sentido dado está cuidando de de descobrir qual é
19:04
aquela informação que é relevante, e aí é onde eu Gero a
19:07
intercessão, porque geralmente eles começam a trabalhar quando
19:10
é, né? Um PM muito bom ele vai
19:12
conseguir estruturar o problema de forma que o design e os sites
19:16
de dados. Trabalha em paralelo, e aí um
19:19
site de dados começa a chegar com uma planilha, uma planilha
19:21
de dados ali, uma planilha enriquecida, né?
19:23
Que tem colunas novas. Ali fala, olha.
19:26
Exemplo da propensão de venda a gente tá conseguindo acertar
19:28
aqui é descobrir quais empresas querem comprar o seu produto,
19:32
por exemplo. E aí o design vale transformar
19:34
isso numa uma interface, né? Vai pegar aquilo ali, vai fazer
19:37
um rap, vai, vai descobrir o contexto, né?
19:39
Há isso aqui, ele vai estar na rua vendendo, então vai ser uma
19:42
época, não vai ser em frente. Computador, o que que acontece
19:44
nesse momento as coisas começam, é o design aliciante.
19:47
Dados começam a conversar porque o contexto que o design está
19:50
descobrindo alimenta o sentido de dados, para ele conseguir é
19:53
enriquecer melhor e criar um modelo melhor de trabalho, né?
19:57
Então o design vira Pra Ele fala assim, olha, é fazendo aqui
20:00
teste de conceito, o teste de uso, a gente descobriu que
20:03
quando o vendedor está na ponta. Nos anos 60, o devedor tá só
20:06
para agilizar. Quando me deu, está na ponta.
20:08
Ele conversa com cara. Eles falam sempre sobre os
20:12
produtos que estão mais propaganda na televisão, ao
20:14
sentido. Acho que epa.
20:15
Eu vou usar isso como uma variável no meu modelo pra botar
20:19
esse produto com uma probabilidade maior de compra,
20:21
sabe? E aí começa a ficar muito
20:23
interessante a conversa, né? Porque e aí com isso, o modelo
20:26
vai sendo refinado na medida que a interface, né?
20:29
É que o contexto, né, também vai sendo melhor trabalhado, sabe?
20:33
Então, na medida que o designer vai entendendo melhor o contexto
20:35
de uso, aonde aquela resposta vai, vai, vai, vai ser
20:39
necessária, ele começa também a influenciar nessa resposta, na
20:42
qualidade dessa resposta. Sabe que aí chega um momento que
20:46
o projeto sai, né? E aí, para isso assim, aquela
20:48
boa prática, né? De trabalhar com.
20:51
Teste de conceito, teste de uso com os dados reais.
20:54
Isso é absurdo, assim tem que ser com dado real.
20:57
Assim a gente não consegue fazer um projeto é que trabalha com
21:01
machine learning com. Né?
21:03
Com interesse oficial, com essas coisas.
21:05
Se o dado que tiver ali na, no que a gente está testando, não
21:08
for real, porque ele é que conduz, né?
21:11
É a gente. Além de avaliar o contexto, a
21:14
gente precisa avaliar a coerência daquele dado, sabe?
21:17
Então a gente trabalham sempre juntos.
21:19
Muitos pontos abertos aqui pra gente explorar testes de
21:23
hipótese e validações de de, né? Teste de de conceito, validações
21:27
de hipóteses é meio que chover no molhado, que é tudo baseado
21:31
em dados. Isso é sacanagem, né?
21:34
Só faltava você voltar de brincadeira comigo, pô, é k.
21:39
E é mais ou menos. É, explica, explica.
21:44
Aí sim a gente. É a parte qualitativa, ela é
21:50
muito importante e, ao menos na corte que a gente acredita que.
21:54
Ela traz 11 visão humana que o dado sozinho não consegue
22:00
trazer. A gente leva aquele conceito,
22:01
né? De cara, OA informação
22:03
quantitativa mostra ajuda a definir o problema e a parte
22:07
qualitativa junto com a quantitativa ajuda a gente
22:09
definir a solução. Sabe?
22:11
Então a gente faz teste de conceito.
22:13
O artigo mesmo, sabe, às vezes a gente já tem aquela resposta, se
22:16
você pegar e analisar os dados aqui, ciclos esse aqui é o
22:18
melhor caminho, mas a gente espera aí, não vamos fazer uma
22:21
avaliação aqui, a gente usa os dados para definir as pessoas
22:24
que a gente quer testar a esquina.
22:26
Mas depois a última milha é realmente assim.
22:29
A gente gosta de fazer essa parte qualitativa, sentir é a
22:32
experiência mesmo. Como é que ela está se
22:34
refletindo no semblante da pessoa?
22:36
Sabe? Não olhar, né?
22:37
E aí a gente volta pro quantitativo para confirmar,
22:40
sabe? Então assim é um, sempre precisa
22:44
trabalhar com outro, a gente nunca deixa muito solto, sabe?
22:47
É nunca chute, mas a gente sempre conjuga, é cara
22:51
qualitativo, né? Sem dado aquela coisa, olha no
22:54
olho, teste com a parte quantitativa por mais que a
22:57
gente às vezes tenha a resposta só com um quantitativo, sabe
23:00
assim só com um algoritmo só com essas coisas isso ajuda muita
23:03
gente a definir o mercado a definir marketing.
23:06
É marketing fit, por exemplo, mas quando a gente projeta a
23:09
solução é, é legal. A gente sempre tenta fazer essa,
23:13
essa, essa pegada bem qualitativa também pra gente
23:16
conseguir um. Conseguiu uma solução elegante,
23:18
sabe que que realmente mexa, sabe é que voltando essa questão
23:22
dos dados, né? Assim, dado é matemática.
23:25
A inteligência artificial não é consciente, né?
23:27
Ela, ela na verdade, te dar uma resposta, se todo mundo usar os
23:30
mesmos algoritmos, eles vão dar as mesmas respostas.
23:33
Então você vai ter as mesmas interfaces de outro lado, sabe?
23:36
Então é isso, tem que ter esse cuidado, né?
23:38
Porque a gente entra ali pra jogar.
23:40
O fator humano de evolução, sabe para as coisas às vezes.
23:44
Tá? OA córtex.
23:46
Ela é especialista em ajudar empresas, é alavancar, é um
23:51
marketing à venda, certo rum. Sei todo mundo.
23:54
Você que deu play já entendeu o isso, certo?
23:57
Certo. Então, as métricas de sucesso,
24:01
olha lá, seria quantas pessoas foram abordadas, quantas pessoas
24:07
compraram efetivamente algo mediante de alguma solução da CA
24:12
córtex fez para ajudar a tal marca, tal tal produto, tô tô
24:16
errado? O.
24:18
OK, aí vem a. Olha só, eu sou um baita
24:22
comunicador. Aí vem a pergunta, casca de
24:25
banana, OK, isso são. É métricas de sucesso do
24:30
negócio. Mas quando a gente está falando,
24:32
métricas do produto, inteligência artificial e big
24:36
data. Existe?
24:39
É. E quais são?
24:40
Tipo, é não errar o cálculo? Uma, né?
24:43
Acho que é isso. Olha, isso é.
24:46
É uma conversa gigante mesmo, porque é uma das partes mais
24:49
difíceis no projeto. No No processo de concepção, né?
24:53
É, por exemplo, a gente está usando como exemplo sempre essa
24:56
questão do vendedor, né? Porque aí tá, eu faço o meu
25:00
modelo, fiz ali, peguei uma ONS trajem pequena, peguei sem
25:04
vendedores ali, sabe tipo, e olha, eu garanto que uma modelo
25:08
vai aumentar as suas vendas em 30%, só que eu tinha um vendedor
25:12
nessa empresa. Que era muito bom, que vendia
25:14
muito mais que os outros e jogava a média lá em cima.
25:16
Esse cara saiu de férias assim que eu não sei o produto, não
25:18
sabe entender oi, Paulo, aí você cara, né?
25:22
As vendas não subiram tanto, não chegaram a abater aquilo que que
25:27
foi esperado, sabe? Então é super complicado, né?
25:31
Aí a gente pega sempre. Quando a gente vai vender um
25:33
projeto de ciência de dados, né? Ou vai fazer um produto que tem
25:36
a ver com isso? A gente sempre consegue umas
25:38
métricas de controle, como se fosse um projeto científico, né?
25:41
Eu tenho aquelas variáveis ali, eu pude, se eu, se eu mexer
25:43
nessa variável aqui, isso aqui sobe, se eu mexer nessa daqui,
25:47
isso aqui desse geralmente, isso também é é em função do tempo.
25:51
Né? É um algoritmo, né?
25:54
Ele evolui, então, o que também a gente faz é, além de definir
25:58
essas métricas de controle, que é super difícil, né?
26:01
Quanto mais complexa é a solução que eu estou entregando, mais
26:04
difícil conseguir definir métricas de controle para
26:06
avaliar o resultado da arte, né? A gente também tem uma Questão
26:09
de Tempo, né? Olha esse modelo, ele vai
26:11
aprender ao longo de 2 meses, né?
26:14
Aí vai ter mais massa crítica, porque ele vai aprender com o
26:16
erro, né, com acerto, né? E aí, depois de 2 meses, a gente
26:20
testa de novo e depois de novo até a gente conseguir.
26:24
E ter a certeza de que esse modelo está rodando dentro do
26:27
percentual Combinado no começo do projeto, sabe, tipo quando a
26:30
gente tá fazendo um produto, né? Que é que a gente vai vender um
26:32
pouco fechado quanto com um projeto de consultoria, por
26:35
exemplo, sabe? Então, isso é isso é super, é
26:38
super importante, sabe ter essa essa, essa pegada e entra muito
26:42
o papel do design também, porque nesse momento a dinâmica de
26:46
feedback ela precisa ser muito forte e a gente precisa
26:49
conseguir projetar uma dinâmica de feedback que às vezes o
26:51
usuário ele ensina. Ele tá no feedback, sabe?
26:54
Por exemplo, eu fui vender a vende, esse eu empurro pro lado
26:57
não sabe, o produto não vende, aquele empurra aquele e aí
27:00
quando ele empurra aquele o sentido de dados pega, vê ali.
27:03
As características daquele produto e vê se aquilo, se todos
27:06
os vendedores vão, venderam aquele mesmo produto.
27:09
Ele já sabe que precisa ajustar um modelo, né?
27:11
Ou se tornam produtos separados. É cara, não batemos a meta, né?
27:15
Um exemplo aqui hipotético, mas cara, esse aqui não vendeu o tal
27:18
produto ou não vendeu ou não vendeu outro cara a gente tem
27:21
que descobrir aqui onde que tá o fator de né, de coesão aqui,
27:25
como é que a gente posterização isso num né, numa numa solução
27:29
aí tem que pegar e desenhar, entendeu?
27:31
Tenho passa muito por esse processo, sabe?
27:34
É fez sentido a resposta, eu não sei se se fez tanto, mas sempre
27:37
que está projetando, a gente projeta junto as métricas de
27:40
controle, sabe, pra poder garantir que aquilo vai.
27:43
E aí aquilo? Ao longo do tempo, a gente
27:45
consegue ir verificando se aquilo está fazendo sentido.
27:49
Vamos nessa boa prática, né? Pra gente, a gente tem o PT, Oo
27:53
Gui, você que é. Hoje você está Na Na armas, né?
27:59
É Alexa. Certo, eu adoro falar, Alexa
28:03
imita o William Bonner, ela. Ela não faz igual, mas ela fala
28:08
boa noite. Você.
28:10
Você conseguiu entender as métricas de controle?
28:13
Entendi, cara, eu consegui. É é o na minha cabeça, ficou
28:16
bastante que é. É uma coisa que varia de projeto
28:21
para projeto, né? E que dependendo de cada cálculo
28:24
de cada solução, você tem uma métrica de controle, né?
28:29
E depende muito do objetivo, então é, ficou bem, ficou bem
28:33
claro. E é.
28:35
É um negócio bem interessante, né?
28:37
Porque a gente tende, né? AA querer encontrar modelos
28:41
fixos para tudo, né? Então tem OOA número de número
28:46
de vendas é número de ativações, número de diz número daquilo a
28:51
gente sempre tenta olhar para os nossos produtos e ter métricas
28:54
pré-definidas para tudo, né? E é muito interessante ver que
28:57
num projeto desse tipo você tem. Métricas que são custom made
29:01
elas são customizadas para cada tipo de projeto que é entregue.
29:05
Eu achei isso bem bem interessante, é isso?
29:08
É uma crítica muito de trabalhar com ciência de dados.
29:11
Por exemplo, se eu tô fazendo um projeto que eu tô querendo
29:13
identificar fraude. A minha médica não pode ser o
29:17
número de fraudes é em relação à quantidade de de de de, de
29:21
testes, né? Porque a identifiquei. 2 fraudes
29:24
aqui é em 20000 testes. Putz, faz sentido, né?
29:29
Agora tem que ser o número de fraudes confirmadas, sabe?
29:34
Olha, eu identifiquei que isso é fraude e depois que teve aqui
29:37
AAO processo humano de pegar aquilo ali e verificar é fraude
29:41
mesmo, né? O Matt entendeu, então é por
29:44
isso que é que geralmente você define o sucesso, né?
29:47
As métricas de sucesso junto com o projeto, porque é, pode variar
29:51
muito, né? Como nesse caso, fraude é assim.
29:53
Agora, falando de venda de é totalmente diferente, né?
29:56
A venda vende, é, é depois que eu passei a usar.
30:00
Minhas vendas aumentaram em 30%. Ou então o tempo, o número de
30:04
pessoas que o vendedor é teve que conversar, diminuir.
30:08
O entanto, e era o número de vendas continua igual, né?
30:11
Com a copa é um produto, está funcionando, sabe?
30:14
Então realmente varia muito de acordo com da com.
30:19
A solução está sendo pensada, sabe?
30:21
É antes de você fazer a pergunta que é, é muito interessante
30:24
isso. Porque é como você falou, é
30:26
customizado para cada projeto. Porém, ele usa OA mentalidade
30:32
que deveria ser usado quando a gente a gente faz produto que
30:36
não seja a inteligência artificial.
30:37
Big data, né? É sempre ter Clara o que quer
30:40
medir, porque quer medir, ter claro ao ao racional ali o
30:44
cálculo que nem ele falou a fraude, pô. 2 fraudes em 20000.
30:49
Porra, se a senhora se fala animal pode só 2 e 20000, porra,
30:54
compra é isso, é esse. Esse serviço quer, mas, pô,
30:57
dessas 2 quantos foram fraudes mesmo as 2 por aí?
31:00
Sempre sim, é isso, então é bem bacana saber que.
31:04
É nesses projetos as métricas são customizadas, mas a
31:07
mentalidade de é ter essas métricas.
31:12
É meio que é, a gente usa em qualquer produto, né?
31:15
Sensacional, que é sensacional e faz todo o sentido.
31:18
Aí eu queria assim, né? É como a gente tá falando de
31:21
decisões, né? Ou de cálculos que dão
31:25
resultados que se assemelham a decisões que são tomadas por
31:30
humanos, né? A gente, enquanto é enquanto ser
31:32
humano, a gente tem o os viés, né?
31:35
Então a gente tem muita coisa que é, é, às vezes são
31:38
inconscientes, né? Então a gente acaba tomando
31:41
decisões, é é de acordo com esses nossos viés, né?
31:44
Na tua experiência? É, você já viu AA algum projeto
31:50
ou alguma coisa de é? É inteligência artificial ou
31:53
algum sistema de inteligência artificial é é demonstrar
31:56
claramente viés assim. Isso é uma preocupação do dia a
32:00
dia. Vocês fazem alguma coisa em
32:02
relação a isso, como uma na qual tem o nosso foco.
32:05
É muito negócio de venda, é? Eu nunca vi isso acontecer
32:09
assim, de forma muito agressiva, sabe o que rola aqui?
32:13
Por exemplo, quando você tira de dados, está modelando a solução,
32:16
né? Você, você modela com base na
32:20
sua experiência, né? Com base nas suas pesquisas e
32:23
essas pesquisas podem estar carregadas de informações
32:25
erradas. Né?
32:26
E aí, o modelo que está fazendo ele já tem um viés esquisito,
32:31
sabe? É então esse processo.
32:33
Por isso que ele ajuda muito nessa descoberta do do do
32:36
contexto, né? Porque, por exemplo, se eu estou
32:38
fazendo um modelo de fraude, né? E aí eu vou dar um exemplo,
32:41
super abstrato assim, e aí eu eu falo assim, na hora de fazer a
32:45
variável do mundo eu falo assim, localização é super importante é
32:49
pra eu boto o peso da localização onde a pessoa mora,
32:52
como lá em cima, para para detecção de fraude, às vezes não
32:55
é, aí está sendo um preconceito do ser humano que está montando
32:59
aquela, aquele modelo que está influenciando o resultado, né?
33:03
As pessoas tem essa questão de achar que.
33:05
Né? Sky net, né?
33:06
Eles? Artificial, vai, na verdade, o
33:09
perigo nele, né? Da da inteligência artificial é
33:11
perpetuar preconceito, porque a partir do momento que você joga
33:14
aquilo pra um, pra um, pra um algoritmo e aquele algoritmo
33:17
começa a ficar sofisticado demais e as pessoas não entendem
33:20
mais como é que ele funciona, é você não consegue mais
33:23
questionar, ele, sabe? E aí você ter todo um
33:25
preconceito ali, até você conseguir te fazer aqui a toda
33:28
aquela lógica que gerou aquele resultado, entender ela quantas
33:31
pessoas foram prejudicadas nessa brincadeira, sabe?
33:33
Entendeu? Então é, eu acho que é por aí,
33:35
é, é o problema, sabe? Isso acontece em qualquer
33:38
projeto, menor que seja, né? Como você faz a primeira
33:41
estrutura ali, a modelagem inicial.
33:43
Ele é feito com uma pesquisa humana com dados ali, que seres
33:46
humanos estão juntando EE para gerar alguma outra coisa.
33:50
Então está carregado de todas as Ideas e preconceitos humanos ali
33:54
que é durante esse processo, sabe?
33:57
Então eu acho que eu assim, há muita opinião, tá?
34:00
Eu acho que é por aí que está o perigo, sabe?
34:02
EE faz todo o sentido, não é dado que.
34:06
AA inteligência artificial aprende com os dados se eles são
34:10
coletados por pessoas, né? É, é, as chances são de que
34:14
esses vieses das pessoas vão propagar.
34:18
Eu não não tinha pensado por esse lado, mas, mas faz todo o
34:22
sentido. Oo Victor, OA carta que você lá
34:26
ajuda bastante No No lance de de de venda e marketing, né?
34:30
Um é a gente já entendeu como que ela faz isso e como que é as
34:35
empresas EEE as marcas podem usar córtex para potencializar
34:40
seus negócios, mas ainda abordando o lance de de.
34:45
Inteligência artificial e big data, né?
34:47
Na criação do produto em si, na concepção, né não?
34:51
Na criação de um produto, ia ou ia?
34:54
Inteligência artificial para uma marca, para uma empresa na
34:57
durante a concepção, a inteligência artificial e o é
35:01
ajuda em nesse processo, porque você, durante o nosso papo, a
35:08
gente eu aprendi pelo menos que. Cada cada projeto tem seu
35:13
processo de construção. Cada projeto tem só métrica de
35:17
sucesso a córtex. Ela é especialista e tem ajudado
35:23
bastante as empresas. É em projetos de de marketing e
35:27
vendas para alavancar os seus negócios e assim, chegar é nos
35:32
objetivos dessas dessas empresas.
35:34
Mas nesse processo de criar esses projetos, você, Viktor,
35:40
usa alguma inteligência artificial?
35:42
Olha aí, tentando, tentando descobrir o segredo do Vítor
35:46
aqui. Ou você usa alguma alguma
35:48
inteligência artificial? Você fala assim.
35:50
É Alexa, é me ajuda aqui, sabe ou ou não é o inception, né?
35:56
É a inteligência artificial dentro da inteligência
35:59
artificial, dentro da inteligência artificial.
36:02
Matrix vou tentar quebrar a resposta em 2 partes, tá bom?
36:05
Nossa do processo de concepção e outra sobre isso, sobre usar,
36:09
né? O nosso esquilo, né?
36:11
Ciência de dados, machine learning, para melhorar esse
36:14
processo de concepção e conseguir resultados mais
36:17
jogando, né? O processo de concepção que a
36:18
gente usa para desenvolver o produto ele é o mesmo, todos
36:22
pede, funciona mais ou menos da mesma forma, existem vários
36:24
Squad, né? E aí, o que acontece na prática?
36:27
O que é define ali um problema? E aí, logo na definição do
36:30
problema, a gente entende se olha, é um cientista de dados
36:34
que você tá Fu aqui nesses quais ou não é?
36:37
Olha, a gente precisa ter um desenvolvedor aqui, um cara
36:40
técnico, para fazer, para pra olhar, dado para puxar, dado,
36:43
porque vai pensar de sentir de dados e aí eles começam o
36:46
designer de dados começam a trabalhar separados, é uma coisa
36:48
até que a gente está acertando os ponteiros, né?
36:51
Porque às vezes o design fica desconfortável, fala, putz, mas
36:53
eu não sei quais os dados vão aparecer, né?
36:55
Às vezes o sentido dado fala, putz, nossos anos está dizendo a
36:57
tela não sei o quê, mas até que a gente gosta desse processo
37:00
mais aberto, né? E aí chega um momento que essas
37:03
2 coisas se cruzam, né? E aí começa o trabalho de
37:05
refinamento que está melhorando, melhorando tanto o modelo.
37:08
Enquanto a interface contraparte tanta experiência que às vezes
37:11
nem tem interface, e aí sai do outro lado, então o processo de
37:14
concepção, estou resumindo muito.
37:16
Ele funciona mais ou menos parecido e nesse momento que a
37:19
gente está definindo o problema, a gente define mais ou menos
37:21
quais são as métricas de sucesso.
37:22
E aí, às vezes essas métricas são modificadas ao longo do
37:25
caminho. Quando a gente, né, quando a
37:26
gente vota alguma coisa assim, aí o processo de concepção do
37:30
produto é mais ou menos esse, né?
37:31
Porque o cientista de dados, ele tem um, ele não é um técnico
37:34
igual, um engenheiro, ele é um meio termo, né?
37:37
Ele tá um pouco um designer ali, num processo criativo, sabe de
37:41
de pensar, variável, de estruturar a solução e depois
37:45
ele começa a ficar num processo muito próximo do time de
37:47
engenharia, sabe? Então, olhando pelo tono.
37:49
Então, em relação ao processo de de.
37:51
Concepção é mais ou menos isso. E aí, como é que ajuda a gente,
37:54
né? Hoje em dia, falando de córtex,
37:56
né? A gente está desenhando um
37:58
produto. A gente pretende usar o nosso
38:00
produto para ajudar a gente na a definir.
38:03
CP, por exemplo, sabe? Marketing fit, mas não no
38:08
processo de concepção, na ponta, porque porque a gente não tem
38:11
massa crítica de uma empresa, é bichos, né, bicho, bip, sabe, a
38:15
gente é sais Enterprise, a gente tem a quantidade de clientes que
38:18
a gente tem, eles são muito grandes, mas numa quantidade
38:20
pequena, né? E pra gente conseguir usar
38:22
inteligência artificial a ponto de ajudar a gente na tomada de
38:24
decisão, né? No processo de concepção, não de
38:28
definição do problema, onde a gente tem que olhar o mercado,
38:30
né? Então tem informação pra
38:31
caramba. A gente já com a com, com volume
38:33
de clientes, né? E o volume de dado que a gente
38:35
tem não tem muito, não tem tanta necessidade, sabe?
38:39
Então acaba que esses que o nosso serve muito mais para o
38:42
começo, para definição do problema, avaliação do mercado
38:45
agora, quando cai na no processo de concepção de produto normal,
38:49
né? Que a gente é a PM, diz.
38:51
Área daquele dia, et cetera e tal é, a gente não usa tanto
38:54
porque a gente não tem volume ainda, né, pra pra poder usar,
38:58
sabe, ter sentido. Na resposta, fez e ainda bem que
39:02
não tem tanto dado em a LG. Já pensou?
39:06
Então, mas isso é legal, né? Por exemplo, a gente usa várias
39:08
ferramentas aí, né, principalmente ferramenta.
39:10
Online para fazer mockup, né? Hã, vou fazer aqui.
39:14
As ferramentas estão coletando dados da gente numa quantidade
39:16
absurda para começar no e aí, para começar, no futuro, é poder
39:20
fazer isso, poder gerar a gerar interface, né?
39:23
Gerar experiência já validada sem necessidade do né do ser
39:28
humano ali, fazendo uma coisa ou outra, sabe a aquilo que eu
39:31
estava trazendo, da da manutenção, né?
39:34
Da evolução de uma coisa que já existe, isso daqui a pouco vai
39:37
ser, vai ser fato que vai acontecer, sabe?
39:39
Entendeu porque a gente está dando esses dados contra essas
39:41
ferramentas que a gente trabalha, sabe?
39:45
Alguém é meio preocupante, é meu Alívio e preocupante em ao mesmo
39:51
tempo, hã? É, é Alívio por agora e
39:53
preocupação para o futuro, né? É esse porque é facilmente.
39:57
Eu sou substituível por uma e por uma inteligência artificial.
40:01
Pô, tá maluco? Não logo, logo, logo eu tô nesse
40:04
tom nesse caminho aí logo logo vou eu também.
40:09
Ô Gui, você já você já já imaginou?
40:13
É trabalhar numa num produto de porque é muito essa esse lance
40:17
de desse processo de de, de, de, de concepção, né?
40:21
É que é aberto em que o PME define OOO problema e aí sim ele
40:27
identifica se necessita de um data Science, disse.
40:31
D. Necessita de alguém mais
40:33
técnico, de de vender até a inteligência artificial ali para
40:36
ajudar. E aí junto em um lá aberto, né?
40:41
Lá, o designer já está fazendo para depois ter essa conversão.
40:45
É bem interessante em na e assim, na prática, é muito
40:50
louco, né? A gente fala aqui, parece que é
40:51
super organizado, funcionou bonitinho, mas é.
40:54
Tem uns momentos caóticos assim, de há por a gente ser desse dado
40:57
à. Mas esse dado não tem, então ele
40:59
tem que tem que coletar esse dado em algum lugar.
41:01
Putz, aí o né é, vai ficar melhor AA resposta, não, mas a
41:06
gente não tem ninguém para colocar a cidade agora vamos
41:08
lançar senha, então a melhor depois aí cara, é aquela
41:11
confusão, né? Convergência e divergência
41:13
padrão, sabe, só que uma variável a mais, que é o
41:16
cientista de dados ali e o designer tipo trocando com ele,
41:19
tipo, você pode melhorar esse algoritmo desse jeito, sabe,
41:22
tipo esse modelo, né desse jeito?
41:24
Aí eu senti, senti dados, putz, mas aí eu preciso dar uma
41:26
informação a, mas essa pessoa não está nos pede, a gente vai
41:29
conversar com com outro time ali que faz a captura do dado, não
41:32
sabe, entendeu? Porque você tem que trabalhar
41:34
com uma base de dados que já existe, né?
41:36
Sentido dados. Ele pega uma base pronta, cria
41:38
um modelo, entrega aquele modelo político de engenharia, tinha
41:41
engenharia, fazer o dado de entrar naquele modelo, entregar
41:45
a resposta e aquilo apareceu na interface do lado, sabe?
41:48
Então assim, as conversas são são, são boas, são, são bem
41:51
legais, sabe? E essas interações sendo vistas
41:55
pela Sky net Gui para todas a todas aham faz aí faz a próxima
42:02
aqui. Cara, é da tua fala que eu acho
42:06
que eu vou tirar uma polêmica porque ish.
42:11
Meu Deus, não é que assim você falou assim, Na Na hora de
42:14
definir o problema, né? Você já tem dados de mercado,
42:19
muitos dados de mercado e quem tem a gente tem o pode te
42:23
ajudar. AA definir esse problema.
42:26
Então isso quer dizer que o processo de Discovery é
42:29
automático, não interrogação. Né?
42:35
Na verdade, o que acontece é para gente validar se aquele
42:38
problema é, é realmente um problema de fato, sabe?
42:41
É ajuda muito, né? É, mas assim a definição do
42:45
problema passa por um processo de Discovery absurdo, né?
42:49
Se for a árvore de decisão, todo o processo normal, né?
42:52
Na verdade, o que a gente tem é mais apoio, é para conseguir
42:56
tomar decisões melhores, mas o processo todo de concepção,
42:59
segue normal, sabe? Entendeu, a gente não é isso.
43:03
Até uma coisa assim, que acho que é quando se fala de
43:07
inteligência artificial essas coisas, né?
43:09
A gente acha que vai substituir ali o ser humano, né?
43:13
Cara, vai sempre precisar de um ser humano responsável, sabe?
43:15
Para dar para essa que lugar errado, né?
43:18
Você falar se foi, mas eu. Eu Acredito que isso por um bom
43:20
tempo, né? E sempre tem uma questão crítica
43:23
ali, é uma decisão que passa por um processo de negociação da
43:26
minha empresa, é, sabe de de de conversas ali que eu acho
43:31
difícil, né? Ele pegar aí direto, sabe, tipo
43:35
à esse é que é o problema, né, tipo Star Trek, né?
43:38
Olha computador, me fale qual o problema que não é isso?
43:41
Assim eu acho que isso que isso um difícil acontecer, sabe
43:45
porque né é assim, tem a priorização do problema, tem o
43:49
olhar sobre o problema, né, que pode variar, sabe, é aí, é
43:52
questão que a gente tava falando lá no começo da conversa, na
43:54
quantidade de variável, para entender os erros.
43:56
É tão grande que um problema que tem a ver com a sociedade, com
43:59
pessoas, né? Com negócios.
44:02
Ele é muito complexo, né? Pelo menos por enquanto, não
44:04
acho que. Eu acho que que automatizar essa
44:08
conta, esse processo Discovery, eu acho que.
44:11
Acho muito difícil. O processo de desenho entre
44:14
faces. Sim, agora o processo Discovery
44:16
já. Acho que mais distante.
44:19
Fiquei meio que meio assustado. Agora.
44:23
O desenho da interface é, ou seja, usuais que se cuidem, mas
44:28
é se você pára de pensar, isso já vem acontecendo, né?
44:30
Quando eu, quando eu entro na profissão, era uma folha em
44:33
branco ali para ser projetado, aí depois começou a ter os h
44:37
telest com os componentes já prontos antes.
44:39
Nenhum drop down era atualizado, né?
44:40
Tudo solto. Depois começou a paralisar um
44:42
pouco mais, aí depois começou a ter framework já com soluções
44:45
prontas, um Carrossel pronto, com um botão já no formato
44:48
pronto, com toda a interação pronta, né?
44:50
E agora está ficando mais linda, né?
44:52
Tipo assim, então esse processo de automatização na interface,
44:56
né, da geração da interface. É, ele já vem acontecendo, né?
44:59
Até assim, como diz a área, eu acho importante eles posicionar
45:02
como uma pessoa que projeta experiência, né?
45:04
Porque a interface na conta ela vai ficando, está ficando cada
45:08
vez mais comoditizados, sabe? Se ta deixando de ser uma coisa
45:12
com um valor agregado absurdo, sabe?
45:14
Porque, por exemplo, essas ferramentas grandes, né?
45:16
O Google é armas not? Set e tal, quem define ali 90%
45:20
das coisas. Algoritmo cara, o botão fica
45:22
aqui, fica ali, vamos testar aqui, aumentou a venda, deixa
45:25
ele aqui, aqui, vai mudando de lugar até achar um lugar que
45:28
aquilo que aquilo performa melhor, não mexe mais, né?
45:30
A sombra, o sombreado da janela, vai testando 1000000 de
45:34
sombreados achou outra performa melhor?
45:36
Não mexe mais, então a gente tá, né?
45:38
Assim, então, um processo bem lento de commodities usar, né?
45:42
É a interface no desenho da interface.
45:45
Experiência, não, mas o desenho é fácil, não vejo isso
45:48
acontecendo. Já vejo quando defendo a
45:49
profissão bem devagarinho, sabe assim, eu acho que dá pra
45:53
conectar isso que você falou com uma parte, com uma pergunta que
45:58
fizeram na live minha com f então fica aqui, jabá, se você
46:03
não assistiu a minha live com é frim entregando o MVP armado em
46:07
37 minutos, por favor vá para o LinkedIn, está lá publicado, mas
46:12
se uma pessoa que fez uma pergunta.
46:15
Durante a live que falou, putz, é com low code no code.
46:21
Você acha que o deve vai desaparecer?
46:23
É um pouco parecido com isso que a gente está conversando aqui,
46:26
né? Não necessariamente, porque é
46:29
essas. Você começa a olhar para a
46:32
experiência do lado do Rio aí, né?
46:34
E pro débito você começa a olhar para coisas mais complexas,
46:37
então você é o que é, o que é básico, né?
46:40
Então que nem a gente falou, né? Tudo o que é tela para criar
46:43
usuário exemplo, né? Criar usuário ele está usuário,
46:47
deletar usuário, isso já vai, já é commodity hoje, né?
46:51
Então a gente começa a. Pensar em coisas mais complexas,
46:56
né? Em soluções mais complexas e que
46:58
vão é. É atender, né?
47:01
É resolver problemas nossos clientes de uma forma mais
47:05
elegante, né? Mais interessante, mais rápida
47:08
ou com mais efetividade? Então, enfim, eu acho que
47:11
concordo demais demais comigo ou eu acho que a gente deveria, eu
47:16
vou falar uma besteira aqui, com certeza eu vou falar uma
47:19
besteira, aí você me corrige, por favor, porque a gente
47:22
deveria então nós 3 aqui? Mas a Natália e o Henrique estão
47:27
no. Na Sala Verde, ouvindo a gente,
47:31
aí vai minha missão, um abraço para o Henrique e um beijo pra
47:34
Natália. É a gente aqui criar uma empresa
47:39
de inteligência artificial no co.
47:42
Han. Olha lá.
47:45
A irmã dele é, vamos falar. Depois do episódio.
47:49
O episódio já está indo para o final.
47:50
Vamos falar sobre porque aí a pessoa digita uma linha e a
47:53
inteligência artificial já dá o produto.
47:56
Você acha? Estou perdendo muito em.
47:59
Não ia ficar maravilhoso, né? Porque assim, OA gente já voltar
48:03
para a interface lá de linha de comando, né?
48:05
Sabe lá do do começo da do computador, da computação, né?
48:08
Você vai ali, escreve ali, né? Bota ali, entre colchetes,
48:11
escreve alguma coisa, ele já te dá uma resposta assim, isso não
48:14
é ser genial. Olha, eu as pessoas iam falar,
48:18
quero cavalos mais rápidos, inteligência artificial, ia dar
48:22
cavalos Maromba 12. Aí, ó, com Red Bull Power
48:27
ranger, cavalo horse Power, mas você chegou no exatamente no
48:31
pulo do gato da inteligência artificial.
48:33
Assim, sabe? Ela ia dar essa resposta porque
48:36
é na verdade. Ela é a soma do conhecimento
48:38
existente naquele momento. Se sabe se ela ia dar essa
48:43
resposta, eu não tinha, não ia falar cá porque tem um processo
48:45
criativo aí pra chegar no carro. Um processo de análise de risco,
48:48
entendeu que não existia ali, entendeu?
48:50
Então, se você existisse uma ferramenta de inteligência
48:52
artificial lá atrás e a pessoa falácia é nessa questão do
48:57
cavalo, a resposta dela provavelmente seria um cavalo
48:59
bomba do sabe, entendeu? Sim, senhor, se faz total
49:02
sentido, sabe assim, porque ela é a soma de todo o conhecimento
49:05
que existia naquela época, né? Hoje em dia ela é a soma de todo
49:08
o conhecimento que existe hoje, quer dizer, a soma não, né?
49:10
Isso em teoria, né? Ela é o.
49:12
O grupo de conhecimento, né? Ela não está além do que a gente
49:16
pensa da só uma da da, da, de todas as mentes humanas, né?
49:18
Nunca vai estar, né? Porque ela tem a gente como
49:20
limitante, né? Então, ela, ela responderia isso
49:23
sabe que o objetivo da Sky net é ir além desse limite, que é o
49:28
ser humano. E se eu aprendi nos filmes,
49:31
certo? É isso é exatamente maravilhoso.
49:34
É que ela cria um robô com babo. Não é claro que não parecem ser
49:37
humano. Sim, entradas.
49:40
E nos Simpsons? A Sky net faz os seres humanos
49:44
de escravos. Quem nunca assistiu esse
49:46
episódio, ficou e olhou para Alex?
49:48
Assim, meio de de canto, de de olho.
49:51
Eu já. A gente tá se caminhando para o
49:54
final do do episódio ou? Ou Victor, muito obrigado por
49:58
pelo seu tempo. É.
50:01
Foi um papo. Muito bom isso eu acho que o
50:05
Gui. Também concorda?
50:08
É um papo que a gente saiu um pouco do do nosso, nosso nosso
50:12
padrão aqui, né? Porque sempre aplicativo epi,
50:16
sabe o bicho bicho. Assim a gente foi pra
50:19
inteligência artificial, big data, então a gente viajou aqui.
50:23
É então muito obrigada, Victor, por por pelo seu tempo e por ter
50:28
me ensinado, não. Gui já sabia muitas coisas por
50:32
meio ensinado sobre a inteligência artificial e
50:34
birita. Nos ensinado, nos ensinado,
50:37
porque eu sou só ali algumas coisas na WWE que já está bom.
50:46
É isso aí, gente. Assim, uma coisa até todo
50:49
fragmentado, né? Que isso vem de conversa com o
50:51
cientista de dados, com o desenvolvedor, sabe?
50:53
Ao longo de 10 anos, né? De trabalho começando não com
50:57
isso, né? Mas terminando, né?
50:59
Com isso agora, né? Nesse momento, né?
51:01
E que bom que que foi ir pro papo, né?
51:04
Sempre bom, né? Quando a gente sente que a
51:05
conversa é funciona bem assim, Oo tem tem vagas na corte aqui,
51:12
como que as pessoas. Sabe, acessam a córtex e
51:17
falasse, ou assim, empresa, a empresa quer a córtex para usar
51:21
a inteligência artificial para elevar suas vendas, né?
51:25
É então no site, certo? Que está no link missão entrar
51:29
no site total, né? E no LinkedIn, né?
51:32
Com relação a trabalhar com a gente, né?
51:35
A gente está aumentando de design pra caramba, sabe?
51:39
É e a gente está contratando. Ele está procurando um vídeo
51:41
muito boa, é a nosso processo de trabalho.
51:43
Eu acho que eu já falei bastante dele aqui pelo design aqui o
51:46
Motorola na porta aqui sabe que a trabalhar lá vai ser um cara
51:49
que vai ficar muito é, é junto com as entidades, com
51:53
engenheiro, sabe, trabalhando no próximo de mim ali, né?
51:56
Com a equipe é com o escopo mais aberto, a gente gosta de
51:59
trabalhar com os copos de quem mais aberta que o design é,
52:01
sabe, para ele poder ficar mais solto e a gente está montando o
52:04
nosso time, então. É todo mundo tiver escutando
52:07
quem tiver interesse ou souber de alguém que tenha interesse,
52:09
entra no LinkedIn e procura a gente, porque a gente está
52:12
contratando nesse momento, sabe? Está querendo matar um timaço
52:14
lá. Links na descrição desse
52:17
episódio link do perfil do Vitor também vai, tá, vai ser.
52:23
Mas não vai estar um oi. É bem capaz que quem responda as
52:28
mensagens no LinkedIn do do Vítor é uma inteligência
52:30
artificial, mas tenta a sorte lá.
52:34
É manda oi. Igui, muito obrigado por você
52:37
ter. Vindo junto nessa jornada aqui
52:40
que foi SEP, ódio e por favor, pede para Alexa dar uma
52:43
maneirada. Muito obrigado, cara.
52:45
Assim, muito feliz de novo, de estar aqui, de poder
52:49
compartilhar esse bate-papo tão legal assim com Victor aprender
52:53
bastante e mais uma vez compartilhar com você aí AA sua
52:57
presença e obrigado, estamos juntos agora, então você que
53:02
ouviu até aqui, já sabe, links estão na descrição, segue, a
53:05
gente segue, não segue eu que não tem nada de interessante?
53:10
Segue, segue Vitor, por favor, entre acesse o site da córtex,
53:15
vai lá no linked da córtex e se candidata no numas vagas a gente
53:18
também vai compartilhar. É as vagas também no nosso, na
53:23
nossa página. I.
53:26
Agora a gente vai sair daqui desse episódio e jogar um x um
53:31
com tal de gaulês e falem ali. Assistindo a fazenda?
53:36
E eu vejo vocês no próximo episódio, tchau e nota pegar o
53:40
leis minota, falem. Tchau, fui.