Latest / Product Guru's : Produto | Negócios | Carreira / Como Prototipar Agentes de IA Sem Código | Cheila Portela @ Prototipe.Ai

Transcript

Como Prototipar Agentes de IA Sem Código | Cheila Portela @ Prototipe.Ai · Product Guru's : Produto | Negócios | Carreira

0:00
Então, as 2 coisas que a gente olha é muito isso, a taxa de
0:04
aprovação dos stakeholders. Ela é importante porque
0:07
normalmente você tá automatizando processos que a
0:10
galera tem na cabeça. Ele ele tem o feeling ali de que
0:14
se aquela resposta é adequada ou não.
0:16
Mas uma métrica que a gente sempre acompanha, que é a
0:19
plataforma mensura, inclusive automaticamente é o grau de de
0:24
outputs que foram avaliados por stakeholders diferentes, porque
0:27
tem muito viés. Tem muita, não temos como negar.
0:31
Temos resistência aos processos, temos medo de ser substituído,
0:35
temos muitas coisas ainda acontecendo que permeiam ali o
0:39
processo de prototipação. Então é sempre ideal você ter
0:43
muito mais do que uma pessoa só dando.
0:46
É feedback para aquele agente, para os outputs daquele agente.
0:50
E a gente mensura a taxa de, de, de avaliações que foram dadas.
0:56
Por pessoas diferentes, EE mensura até os os dissensos,
1:00
porque às vezes 11 pessoa aprova e uma pessoa reprova.
1:07
Oi, tudo bem com você? Meu nome é Paulo charge e sejam
1:09
bem vindos a prodity guru, o podcast que é a voz por trás dos
1:12
produtos, mas que também aborda tecnologia, negócio de peito
1:17
aberto e com muito bom humor, não é?
1:20
Hoje vamos falar sobre prototipação e não é qualquer
1:24
tipo de prototipação. Hoje eu vou conversar com Sheila
1:27
Portela, cofundadora da prototipe, e AI, hã?
1:31
É muito difícil esses nomes. Aí 2 é, quem facilita a criança?
1:35
Prototipe aí aí, não, ó, agora que eu entendi o nome, caramba,
1:42
gêmeas, porra, agora que eu entendi o sabe quando cai a
1:46
ficha você fala, Ah, prototipe, aí caceta bom nome.
1:54
Que Sheila? Quem foi que deu o nome, quem
1:56
foi que deu o nome? Cara, a gente se pergunta até
1:58
hoje porque foi um dia tão intenso que a gente não sabe.
2:01
Talvez eu ou o meu sócio, um dos 2, a gente não sabe direito.
2:04
Pô, vocês são gênios, tá? É?
2:07
É tanto nome ruim de produto por aí, mas não vamos entrar nesse.
2:11
Deixo quieto, deixa quieto. Ou seja, ela é cofundadora da
2:16
prototip aí que facilita a criação de agentes de a por
2:21
times de produtos EOX sem. Escrever uma linha de código?
2:28
Neste episódio, eu vou conversar com ela para entender como
2:32
prototipar um agente de IA de forma simples, rápida e eficaz.
2:37
E vamos falar sobre erros comuns, melhores práticas e
2:40
ganhos reais antes de investir na produção de agentes de IA.
2:46
Sheila, seja bem-vinda para o antigo grosso.
2:48
Tudo bem com você? Vem comigo muito obrigado.
2:50
Uma honra estar aqui, super referência na área, então estou
2:54
muito feliz de estar aqui falando com você hoje.
2:56
Não que isso é, é humilde. Podcast, você antes da gente
3:01
gravar que você viu toda o caos que é pra gravar 11 simples
3:08
episódio marfim o vamos começar com uma pergunta que é simples
3:16
que é? O que torna um protótipo de
3:20
agente de a diferente de um protótipo tradicional de tela?
3:25
Bom, eu acho que o principal ponto de diferença é a natureza
3:31
probabilística que você tem envolvido.
3:34
Quando você está falando de agentes de a, né?
3:36
Esse é o principal ponto que pega.
3:39
E essa é uma pergunta muito boa pra começar, porque quando a
3:41
gente fala de agente de a, parece que a gente está falando
3:43
de uma coisa mágica, nova, né? Assim.
3:47
Mas, na verdade, a gente de a é uma camada que nós vamos
3:51
adicionar aos softwares que a gente já prototipa e já
3:55
desenvolve para que esses softwares trabalhem com mais
3:58
autonomia. Então, eu acho que esse conceito
4:01
de autonomia está um pouco no centro, né?
4:03
De agentes de IA. Essa autonomia só existe
4:07
justamente. Por conta da natureza
4:09
probabilística das respostas que a gente consegue tirar do LLM
4:13
mas é justamente isso que torna essa prototipação diferente, né?
4:17
Porque é raramente você vai enviar uma mesma instrução para
4:23
um LLME obter a mesma resposta. Então essa resposta vai variar
4:27
mesmo quando você envia, é sequencialmente o mesmo comando.
4:31
Então é aprender a lidar, a domar com essa natureza.
4:35
É mais autônoma do LLM? Eu acho que é o principal
4:39
desafio assim, porque hoje os softwares que a gente tem, eles
4:43
são quase que páginas em branco. A gente tenta dar a melhor
4:46
experiência, a melhor usabilidade, mas é o usuário que
4:50
usa aquilo como ferramenta EE, atua e constrói ali dentro.
4:54
OA camada agente que ela vai vir para o software justamente para
4:58
dar mais. É autonomia e pro atividade.
5:01
Para esses softwares, AA gente vai pouco a pouco assumir
5:04
tarefas pelo usuário, né? Que hoje ele faz de forma
5:07
repetitiva. A gente vai introduzir.
5:09
De pouco a pouco esse essa autonomia do software, mas é
5:13
justamente essa esse limite, né? Da da questão da autonomia, que
5:18
traz pra gente o desafio que passa muito pelas questões de
5:21
redação mesmo, de instrução, exposição.
5:24
Engenharia de software é comunicação com time,
5:28
principalmente de engenharia de dados.
5:30
Back end, né? Porque você está introduzindo um
5:32
dado. Mais desestruturado no fluxo do
5:35
produto. Então eu acho que a principal
5:37
diferença é isso, né? A tela, a gente a essa primeira
5:40
tela, se clicar aqui, vai para a próxima e quando você está
5:44
falando de LLM, não é assim, né? Você precisa aprender a domar AA
5:47
as probabilidades de resposta ali que você obtém.
5:51
Com essa diferença já posta aqui No No episódio você que está
5:56
ouvindo pelo Spotify app podcast.
5:58
Clique no botão seguir e deixe suas 5 estrelas.
6:01
Isso nos ajuda bastante, bastante mesmo, vocês não você
6:04
não tem ideia do como isso ajuda é ao PG nas plataformas de
6:10
podcast. Tá assistindo pelo YouTube?
6:12
Se inscreva no nosso canal, deixa o joinha, comente,
6:15
compartilhe, porque hoje a gente vai ter uma aula, porque a
6:20
Sheila falou que tem uns uns cases pra compartilhar com a
6:24
gente, então você que tá no YouTube, Spotify.
6:27
Vai poder ver É Ela mostrando isso pra gente, tá no Apple
6:33
podcast ouvindo, então vai pro Spotify ou pro YouTube?
6:36
Desculpa Apple. Esse episódio é um oferecimento
6:39
da PM. 3 o futuro dos produtos digitais já começou e a
6:43
inteligência artificial é parte do time.
6:46
APM 3. Acaba de lançar a formação em
6:49
gestão de produtos de IA, um curso pensado para Project
6:53
managers que querem criar, delegar e inovar com mais
6:56
inteligência. Muito além dos prompts, você vai
6:59
aprender a liderar produtos baseados em IA, dominar temas
7:03
como machine learning de pilani e a generativa.
7:06
E aplicar novas formas de Discovery, experimentação e
7:09
validação. Prepare se para o mercado que
7:12
mais cresce no mundo e torna se PM que lidera a transformação.
7:16
O link está na descrição e tem cupom de desconto pro art gurus.
7:22
Vai lá e garanta o seu futuro na área de produtos.
7:26
Ô Sheila. Agora voltando pro para as
7:30
perguntas aqui. Quais são os primeiros passos
7:33
para alguém que nunca prototipou um agente de a começar a fazer
7:38
algo funcional? Eu não vou me né não vou tentar
7:44
porque eu tentei Oo zapper se eu se eu não conseguir usar ON ou 8
7:49
n porque eu sou muito burro, imagina prototipar um agente de
7:53
a. Mas quais são os primeiros
7:54
passos? Esse ponto que você tocou é
7:56
muito bom, porque eu acho que a maior parte das pessoas teve
8:00
contato com o conceito de agentes de a vendo uma postagem
8:04
de um fluxo do n 8 n em alguma rede social, né?
8:09
Então por quê? Porque esse termo aqui no Brasil
8:12
explodiu tem uns 6 meses, só mais ou menos que foi justamente
8:16
quando zapper n 8 n lançaram. As eles, que já eram líderes de
8:23
ferramentas de integração, né, entre sistemas, lançaram a
8:26
possibilidade de integração com open a ou seja, eles permitiram
8:31
ali a chamada a um LLM, né? E aí pro pessoal que trabalhava
8:36
com no code, óbvio que isso foi uma grande rutura, porque você
8:39
imagina você tinha lá um cliente seu rodando numa automação.
8:43
Só que o que que você tinha integrações, é padrão entre
8:47
ferramenta e no máximo os infiels ali que você fazia nas
8:51
automações low code, no o code que era mais rígido, né?
8:56
E de repente, agora você pode chamar uma API.
8:59
Que vai ter um LLM que tem a capacidade de interpretação
9:03
contextual. Então você imagina o tanto de
9:06
processos que tinham humano no meio da galera que usava no code
9:10
low code e que era tão simples o que o humano fazia, mas
9:14
precisava dele lá, porque um infiel, se padrão não resolvia e
9:19
de repente, da noite para o dia, abre essa nova integração lá
9:22
dentro, né? E aí a galera começou a colocar,
9:26
né? Tirar ali os humanos que
9:27
entravam naqueles pequenos loops.
9:29
Então, para a galera que vinha de de no code low code, isso foi
9:34
uma grande ruptura, fez um barulho imenso.
9:36
Então o pessoal de software entrou em contato com a ideia de
9:40
agente de a olhando para ON 8 n, por exemplo, o que não
9:44
necessariamente é um padrão, né? ON 8 n ele continua sendo uma
9:48
ferramenta. Que não é para prototipação de
9:51
agente ou nem é especificamente para a gente.
9:54
Ele continua cumprindo seu papel, né, no mercado agora, com
9:58
essa nova possibilidade de chamada?
10:01
Do LLMO, que é excelente para os processos que ele automatiza.
10:05
Mas é isso não é um sinônimo de que um agente de a passa por
10:10
integrações ou ferramentas como n 8, n zapper e tudo mais?
10:15
Não necessariamente, né? Então é, você pode fazer um
10:19
agente de a sem usar nenhuma dessas ferramentas, só com uma
10:22
camada de software, introduzindo uma funcionalidade.
10:25
Agente está no seu software core numa feat Record do seu software
10:29
ou automatizando alguma parte do BB?
10:31
Com software puro, sem sem recorrer a nenhuma dessas
10:35
ferramentas, né? Então é basicamente, se você
10:38
quer começar, a primeira coisa que você tem que identificar é
10:42
um processo que ele é muito repetido, né?
10:45
Que ele é repetitivo mesmo ali que ele é executado.
10:49
De forma repetitiva ali, seja pelo seu usuário, se você
10:52
estiver olhando para o seu produto, você quer introduzir e
10:56
a no seu produto como featur core ali, o que que o seu
10:59
usuário faz de forma repetida no seu produto que para ele é chato
11:04
né? Que para ele teria um ganho, ele
11:06
não ter que repetir aquilo ou se se não é isso que você está
11:09
olhando, você está olhando para backoffice, né?
11:12
Alguma automação de backoffice na empresa que você trabalha?
11:15
Quais são as tarefas que são, é executadas de forma repetida?
11:20
EE você seleciona uma tarefa que não exija para você começar, que
11:25
não exija muito, julgamento subjetivo, ético, moral,
11:29
decisões. Muito é que que tem, né?
11:34
Situações muito dúbias. Então você escolhe um processo
11:37
que, por mais que ele não esteja plenamente documentado, mas você
11:41
sabe que ele é um processo padrão.
11:43
Né? Então assim é.
11:44
Vou dar um exemplo aqui de uma situação o RH.
11:47
Quer automatizar? É leitura de atestado, porque
11:50
recebe 1 o volume gigante de atestado.
11:53
Então, numa numa etapa inicial de um agente que vai automatizar
11:58
AA extração da informação desse PDF ou dessa imagem de atestado
12:03
que o RH recebeu e fazer um check ali.
12:06
Se estão presentes todos os itens que eles normalmente
12:10
olham, se tem carimbo, se tem assinatura, se se tem data, se
12:13
tem isso até você entrar numa esfera de julgamento que um
12:16
médico daria, né? Assim, olha esse cid aqui não
12:20
tem coerência, sei lá. Uma coisa mais subjetiva, então
12:24
são, são estepes diferentes. Você não precisa pular direto
12:27
para tentativa. De automatizar uma decisão de um
12:30
profissional, você pode começar fazendo uma extração daquela
12:35
informação que já vai tirar um trabalho enorme de digitação do
12:38
RH e uma checagem da presença de itens básicos, por exemplo.
12:44
É que não exige nenhum tipo de julgamento.
12:46
É, tá ali ou não está ali, né? EE, você começa a trabalhar nas
12:52
primeiras versões, é do seu agente, né?
12:56
E aí? É, a ideia é que você escolha
12:59
realmente uma ferramenta. Claro, você vai ter que ter uma
13:01
ferramenta, né, se você tiver trabalhando no limite, assim,
13:04
sem recurso, né? Se você quiser ter alguma coisa
13:09
meio que improvisada, OK, você pode tentar ON 8 n, né?
13:12
Você pode tentar Oo próprio GPT customizado, que vai ter suas
13:17
limitações ali pra você é testar, né?
13:21
Porque ele não vai seguir um GPT customizado, por exemplo, não
13:25
vai seguir suas instruções. De forma tão pura quanto seria
13:29
se você tivesse chamando a API, por exemplo, né?
13:32
Mas o ideal é que você é escolha uma ferramenta de prototipação.
13:36
Não quero fazer jabá aqui, mas AA nossa ferramenta, ela é
13:40
voltada exatamente para isso, né?
13:43
Para que você não tenha que. Né?
13:45
Aprender a fazer automações, né? Muito profundas, né?
13:49
É, você já sai ali com uma v um, porque o grande trabalho da
13:53
pessoa que vai prototipar é a justa posição das instruções.
13:57
Esse é o nosso papel principal, né?
13:59
A arquitetura da das instruções que parece simples escrever um
14:03
simples prompt, mas não é. Né?
14:06
Então, assim, você tem que se preocupar muito menos em
14:08
aprender. Talvez a parte de código sabe
14:12
assim, porque vai ter um time ali pra como é em software, né?
14:15
A gente a gente prototipa muito mais o comportamento em agentes
14:19
de Ah, é a mesma coisa, né? A gente prototipa o
14:22
comportamento baseado em como a gente organiza as instruções,
14:27
posição das instruções, como redigir as instruções.
14:30
Fluxo, quebrar essas instruções em em regras menores, né?
14:34
Em em chamadas menores é. Então acho que acho que as
14:38
pessoas de produto estão muito preocupadas com essa coisa do
14:40
será que eu vou ter que aprender a codar ou será que eu vou ter
14:43
que aprender ferramentas low code, né?
14:45
Mas na verdade, não. Assim, a gente a gente só não
14:48
está ainda com as ferramentas certas na mão, mas à medida que
14:51
essas ferramentas vão chegando na mão do time de produto, vai
14:54
ter muito trabalho só Na Na gestão das instruções mesmo, né?
14:59
Agora eu vou pegar na surpresa aqui, Sheila, você tem como
15:02
compartilhar tela aí do da sua ferramenta?
15:07
É só para mostrar algum alguma coisinha, como que pro outro
15:10
tipo, eu quero aprender, porque mesmo mesmo vendo lá aqueles
15:15
workflows do enn 8, eu fui tentar replicar, é, não sei, não
15:22
é para mim, eu acho. Eu sou apenas uma pessoa de
15:26
produto que sabe escrever história de usuário no gira e
15:29
puxa card. Bom, essa aqui é a tela inicial
15:32
da nossa aplicação. Acho que muita gente de produto
15:36
tem usado Oo lovable, né? Então está um pouco
15:40
familiarizado com com a experiência do lovable de você
15:43
pedir a primeira versão com o prompt.
15:46
A gente tem a mesma lógica, né? Então você pede a primeira
15:50
versão do seu agente com o prompt e não tem o arrastar.
15:53
Caixinhas. É, é via prompt, né?
15:56
Então é, é, é uma outra abordagem.
16:00
Aqui você basicamente vai colocar o seu briefing inicial.
16:04
Então aqui a gente tem algumas ajudinhas, né?
16:06
Tem alguns vídeos aqui em cada etapa que você pode, né,
16:11
escutar. Mas basicamente a gente, em
16:14
geral, a gente tem 3 tipos de agentes, né, que a gente cria ou
16:17
conversacional, que é aquele que assume as tarefas.
16:21
De atendente, né? Ali que vai falar em tempo real
16:24
com usuários, é um tipo de agente.
16:27
Você tem o agente analítico, esse exemplo que eu dei do
16:29
atestado é um cara que vai receber uma imagem, vai
16:32
processar análises, né? E você tem é fluxo de agente um
16:36
pouco mais complexos. Por exemplo, quando você tem o
16:39
piloto que ele tem que conversar, mas ele tem que
16:42
chamar, é agentes especializados para fazerem determinados tipos
16:46
de análise. Então, se você tá começando, eu
16:48
recomendo começar pelo analítico.
16:51
A gente em fluxo, ele é o mais fácil de você é organizar que
16:55
seria esse aqui do meio, né? Então pensa o conversacional ele
17:00
tem. É uma certa complexidade a mais,
17:03
porque o diálogo ele é muito imprevisível, né?
17:07
Então o usuário pode te falar qualquer coisa, então
17:10
normalmente AA árvore de regras ali do conversacional, ela vai
17:14
te dar um pouquinho mais de trabalho até você chegar numa
17:16
boa performance. Mas os agentes analíticos, tipo
17:20
os crios, né, ou fluxos? Esses são mais simples.
17:24
É para você começar, então basicamente você vai pedir aqui
17:28
a as a criação de um agente, né? Vou.
17:31
Colocar aqui 11 nome qualquer no nosso time é a plataforma.
17:37
Vai levar uns minutinhos, porque ela vai fazer o entendimento da
17:40
sua demanda, do que que você pediu e ela vai montar sua
17:43
arquitetura inicial. Então, as caixinhas lá que você
17:46
tem que arrastar, você não precisa arrastar.
17:48
A plataforma já vai fazer essa primeira versão.
17:52
Eu vou pular aqui para ir mais rápido, porque ela vai levar uns
17:54
3 minutinhos. Então, basicamente, quando ela
17:57
terminar aqui de gerar é, ela vai passar, né?
18:01
Ela vai te mostrando é os requisitos que ela está
18:04
considerando. Você pode ir ajustando esses
18:07
requisitos na etapa de criação e quando você chegar ao fim desse
18:11
processo, você vai cair aqui na área de testes.
18:15
E aqui é onde a gente trabalha de verdade, né?
18:18
Onde a gente passa mais tempo que basicamente o que que a
18:21
gente tem que fazer? A gente tem que mandar inputs
18:24
para esse agente, seja mensagem, se ele for um conversacional,
18:28
imagem, dados, o que quer que seja.
18:31
E aí a gente vai é ter acesso a ver os outputs desse agente, né?
18:36
Aqui é um agente, é para criação de post no LinkedIn, por
18:39
exemplo, né, de de exemplo. Então o que que esse agente
18:43
recebeu? De input, ele recebeu um áudio
18:46
aqui com o brainstorm e ele é produziu aqui um determinado
18:50
conteúdo. Então qual que é o trabalho
18:52
mesmo da pessoa de produto? Ou ou mediar isso com as áreas
18:56
de negócio? Aprovar, reprovar e dar
18:59
feedbacks para esses para esses outputs do agente?
19:03
Né? Então é muito menos.
19:05
É por isso que eu tava falando. Parece que tudo é subscrever
19:08
código e montar fluxo, mas na verdade o que dá trabalho é
19:11
afiar a resposta que sai Pra Ela ser precisa o suficiente pra
19:15
você introduzir ela no seu produto ou num processo que seja
19:19
muito cor, né? Ou ou significativo da sua
19:22
empresa. Então aqui basicamente você vai
19:26
ter essa área é de ajustes, né? É onde você pode editar essas
19:33
regras, né? De forma manual.
19:37
Então você vem lembra um pouquinho o código.
19:39
Então você pode ajustar essas regras manualmente, mas você
19:43
também pode fazer ajustes na plataforma de forma automática,
19:47
então. Por exemplo, a kit ou esses
19:50
daqui já tem algum feedback? É, então eu tenho aqui um
19:54
determinado feedback. A pessoa de produto, lógico, ela
19:57
vai ler para ver se aquele feedback faz sentido, porque
19:59
normalmente ela compartilha isso daqui com o volume de pessoas
20:02
nas áreas de negócio para testar.
20:04
Então tem uma curadoria da pessoa de produto para entender
20:07
se aquele feedback faz sentido ou não faz sentido.
20:10
E aí ela vai optar por beleza, eu vou lá nos na manualmente e
20:15
vou fazer esses ajustes ou eu vou pedir aqui uma correção.
20:19
É com IA, né? De corrigir com IA que a própria
20:22
plataforma, ela vai olhar o que que entrou, o que que saiu, qual
20:25
foi o feedback e ela vai fazer os ajustes.
20:29
É de forma automática. Mas você ainda tem uma
20:32
importância aqui do trabalho de produto na curadoria, porque não
20:35
dá para simplesmente você colocar no piloto automático
20:38
tudo que vem da área de negócio. A área de negócio não tem muita
20:41
noção assim. É de como estruturar
20:44
perfeitamente esse feedback. Ela nem sabe o que que aquilo
20:48
ali vai virar, né? Então ainda tem um trabalho aqui
20:51
de produto, né? Por isso que a gente não colocou
20:54
no modo automático total, né? Mas basicamente é isso.
20:58
E aí no conversacional é é muito similar assim AAA lógica, mas
21:04
não é um prompt simples, né? Porque esse daqui você cria
21:07
vários prompts simples e encadeia eles eu vou mostrar ali
21:11
no fluxo. Aqui no conversacional ele ele
21:15
tem um pouco mais de é, digamos, de de complexidade por por conta
21:23
dessa natureza. É imprevisível, né?
21:27
Do que que o usuário te fala? Então o conversacional, ele é
21:31
estruturado no que a gente chama de máquina de estados, então
21:34
cada estado pensa nele como um pedaço de prompt.
21:38
Então você quando você tem um agente conversacional, né?
21:42
Ele, ele é normalmente gigantesco.
21:44
Você vê esse daqui, é um agente, ele é enorme.
21:46
As instruções dele, então, gigante, não dá para você cada
21:49
chamada. Você mandar tudo isso aqui pro
21:51
serviço que você tá usando, porque o custo vai ficar um
21:54
absurdo, né? Não tem como.
21:56
Então o que que você faz? Você quebra isso em estados.
22:00
E aqui também tem um papel muito importante da da galera de
22:03
produto, que é o que a gente sabe já fazer muito bem, que é
22:05
você mapear essas demandas. Então, assim, no estado inicial,
22:09
que é a primeira interação do usuário com esse agente, quais
22:13
que são as informações que não podem faltar ali pra você tratar
22:17
essa mensagem inicial? E aí é um jogo mesmo, é um mapa
22:21
mesmo. Então cada estado puxa o outro.
22:24
Então se ele veio perguntando nesse caso aqui, informações de
22:27
exames, o próximo estado vai ter as instruções específicas para
22:31
lidar com o exame. Então é é muito menos sobre a
22:36
criação de código e muito mais sobre essa organização
22:42
hierárquica e lógica dos das instruções.
22:46
Porque quando você está falando de mundo real, não é uma
22:48
caixinha de prompt que te resolve.
22:50
Você vê aquelas ferramentas assim, que tem um espaço para
22:53
você colocar um prompt só ali. É para agentes mais simples, né?
22:56
E tudo mais é quando você está falando de agentes mais
23:00
complexos, mesmo os conversacionais, eles vão ter 1
23:03
o volume grande de instruções. E aí é muito mais uma
23:06
organização lógica, né? Da da pessoa de produto, é.
23:11
Pra pra justapor isso de uma forma que você obtenha a
23:15
precisão a um custo. Bom, né?
23:18
Aqui o que você tava falando, do arrastar a caixinha depois que
23:20
você treina lá naquela área de teste, que o seu agente tá ok,
23:24
ele pode entrar no fluxo aqui, porque normalmente, por exemplo,
23:28
aqui a gente usa, esse daqui é nosso que a gente usa de
23:31
verdade, né? A gente dá nome pra eles, esse é
23:33
o jing to sempre tem o nome de um personagem do The Office,
23:36
nossos nossos agentes internos aqui que a gente gosta, então
23:40
esse daqui é o que cria. Slides então, na verdade, para
23:43
criar o slides, a gente quebrou ele em 3 agentes, né?
23:46
Um que faz uma extração inicial, outro que faz a definição, outro
23:49
que monta os slides. Mas basicamente aquele aqui é só
23:53
você trazer ele mesmo para o fluxo.
23:56
E aí você, lógico, você tem algumas configurações que você é
24:00
como pessoa de produto, você vai precisar fazer também nesse
24:03
agente, por exemplo, o modelo que ele vai usar.
24:07
É se tem alguma condicional, né? Que é a questão da orquestração
24:10
de agentes, então você pode colocar uma condição nele aqui.
24:14
Então você vem e adiciona uma condição que se esse agente aqui
24:18
gerar um atributo x, ele chama um outro lá na frente, né?
24:22
Então essa questão das condicionais de chamar agentes
24:26
ao longo do fluxo é, você vai é organizando aqui, mas sem
24:31
necessidade de código, realmente você só vai configurando.
24:35
Então aqui eu tenho esse elemento.
24:37
Type aqui. Ah, se o elemento type for sei
24:40
lá, azul, né? Então eu vou chamar um agente
24:43
específico, senão eu vou deixar, né?
24:47
Oo fluxo seguir. Então é basicamente você tem
24:51
aquela questão que você vê ali no N8 n de de puxar os fluxos,
24:55
né? Que você também precisa fazer.
24:58
Mas eu te diria que você gasta muito menos tempo arrastando as
25:00
caixinhas e muito mais tempo colocando input.
25:04
Olhando o input e fazendo os ajustes nas instruções, isso que
25:09
acaba sendo o grosso maior do nosso trabalho como produto, que
25:12
é o que dá mais trabalho mesmo no fim do dia.
25:14
Assim, não sei se deu para ter uma noção assim.
25:18
Deu, com certeza, deu e abre para algumas perguntas, é, como
25:23
que vocês estruturam fluxo? Que fluxos que envolvam, que
25:27
envolvem memória, lógica de decisão e integração com APIs?
25:32
Porque é, em muitos casos isso é necessário, né?
25:35
Exemplo de memória para você não estar sempre ali dando o input
25:41
que você já deu, como que, como que, como que vocês estruturam e
25:45
qual as dicas? Que.
25:47
Que você dá para que as pessoas que estão nos assistindo e nos
25:50
ouvindo possam estruturar fluxos?
25:54
Que envolvam esses 3 elementos, Sheila?
25:56
É memória EE as as tuss, né? Que a gente chama, por exemplo,
26:01
a chamada AAPIO, que que a gente é, costuma fazer para resolver
26:07
memória. No momento que a gente faz a
26:10
chamada OLLMA gente já tem que a gente chama de instruções
26:14
transversais, que são instruções de orientação do que salvar na
26:18
memória, e aí a grande dica é, você já salva essa memória
26:22
organizada? Com um tipo, se ela é uma
26:25
memória que deve ser recuperada em todas as interações com
26:29
aquele usuário, ou só a tela ser fechada, ou se ela só é
26:33
recuperada nessa sessão, por exemplo, se for de atendimento e
26:37
é, você já salva ela com uma tipologia, uma classificação, um
26:41
label. Então o momento de salvar a
26:44
memória é um momento que tem que ser muito organizado e aí a
26:48
instrução simples mesmo para OLM.
26:50
Aí você volta para engenharia de pronte, né?
26:53
Você, né? Posso?
26:54
Depois, mostrar ali um exemplo de como a gente dá instrução
26:57
para ele salvar. Então ele já salva tudo
26:59
organizado. Porque se você já salva a
27:01
memória organizado, recuperar essa memória vira mais um
27:05
problema de back end mesmo. Você não precisa fazer uma
27:08
grande mágica ali para saber o que que você recupera naquele
27:12
momento, que também não dá para você ficar recuperando tudo que
27:15
você já salvou para aquele usuário.
27:17
A vida inteira, né? Então assim, você vai levando
27:20
sua solução para o inviável financeiramente.
27:24
Se você não tem uma estratégia de recuperação, então o ideal é
27:29
que na hora que você salve a memória, você já salve com todas
27:32
as classificações que o seu back end vai usar para recuperar,
27:36
então vira uma regra simples. Então o back end sempre vai
27:40
naquele estado, né? Como você tem organizado por
27:42
estados naquele estados sempre se recupera memórias que estão
27:46
ativas. Que são dessa sessão e que tem
27:50
um determinado label, por exemplo.
27:53
Então assim, se você salva a memória desorganizada, é muito
27:56
difícil você conseguir fazer alguma coisa com ela depois.
27:59
Porque você vai ficar recuperando ela de um e cresce
28:02
muito rápido. Memória se você não salva,
28:04
organizado, então essa coisa de você deixar OLLM decidir não dá.
28:10
Você tem que deixar instruções ali que são transversais do
28:13
agente, né? Que ele sempre vai saber o que
28:17
que é memória relevante no contexto daquele agente, como
28:20
ele salva de forma super organizada, né?
28:23
Porque senão você fica com uma coisa meio caótica depois.
28:27
É em relação AA ferramentas. A gente trabalha muito com
28:32
cliente b to b, que não usa AMCP por conta das questões todas de
28:37
segurança e tal. É API normal, né?
28:39
Eles usam chamadas de API normal, como a gente conhece,
28:43
mas mesmo assim a gente usa uma abordagem muito similar ali a
28:47
que AMCP propõe. Então, no momento da chamada,
28:51
vamos supor que seja um agente conversacional de agendamento,
28:54
por exemplo. Então Oo usuário chegou para
28:57
você e falou assim, Ah, quero saber para quando tem
29:00
agendamento de ultrassonografia, sei lá.
29:03
Então, naquele momento que que você que que o seu agente tem
29:06
que estar preparado para fazer um óbvio, dar a resposta para o
29:09
usuário, mas 2 saber se é para ele consultar ou não uma PI.
29:13
Aquilo ali tem que estar na instrução do agente.
29:16
E aí quando ele entende, né? Você tem que deixar isso dito.
29:20
O usuário solicitou horários. Você tem que se chamar API tal.
29:25
Ela tem que estar nomeada lá no seu back end para que você chame
29:29
ela para você recuperar os resultados, ou seja, os horários
29:33
disponíveis. E aí você elaborar aquela
29:36
resposta com a chamada ou retorno da chamada da API e
29:40
mostrar para o usuário ali. Olha os horários disponíveis,
29:43
São Paulo, então. Assim, no fim das contas, tudo
29:46
você controla por engenharia de pronte.
29:48
O momento de chamar APIO que vai salvar na memória o momento de
29:53
salvar na memória é tudo prompt, né?
29:56
Se o seu prompt não tiver bem arquitetado, inclusive para
29:59
orquestrar as ferramentas, é, vai ficar caótico mesmo, né?
30:04
Então, por isso que eu falo que a gente tem se preocupado muito.
30:09
Com a questão do código, mas tem tanta coisa que depende de
30:12
engenharia de prompt bem feita, que eu acho que no fim vai ser
30:15
uma grande responsabilidade de produto, que eu acho que a gente
30:17
não deveria estar tão preocupado assim com com aspectos mais de
30:21
código e muito mais de de entender essa lógica de
30:24
orquestração, assim do comportamento, sabe?
30:27
E tem um ponto que a gente, quando a gente fala de Ah, que
30:31
não é muito abordado, a gente aborda muito sobre como
30:34
construir, como é. Como escreveu, o melhor prompt
30:41
possível, apesar que Eu Acredito que se alguém está
30:46
compartilhando na internet um template de prompt matador, é
30:52
porque esse prompt é ruim. Não vai funcionar.
30:55
É porque. Não é assim, né?
30:58
Você não copia e cola um prompt e vai ter o mesmo output que a
31:02
pessoa tá falando que vai ter. Dependendo da ferramenta de AO
31:06
mesmo prompt, você precisa refinar, você precisa é mexer
31:10
ali. É então o prompt que você usa no
31:12
ChatGPT não vai ter o mesmo output que você pegar e jogar no
31:17
geminai, no coach, enfim, essas aí.
31:20
Mas tem um assunto que a gente pouco aborda.
31:24
Que a gente vai abordar aqui, eu principalmente, vou começar a
31:26
abordar bastante, que é legal. A gente tá construindo muita
31:30
coisa de IA, muita coisa com IAE, muita coisa de IA, coisas
31:39
diferentes, né? Conceitos diferentes.
31:41
Mas a gente ainda não tá falando.
31:43
Como mensurar o sucesso? É como que são as métricas de um
31:49
produto de IA. É em algum texto meu, eu já
31:53
abordei alguma coisa sobre, mas bem por cima é em algum episódio
31:58
também. Acho que com César taurion, é, a
32:01
gente falou sobre isso. Mas no caso de um protótipo de
32:05
agente de AO Sheila, como que você mensura o sucesso?
32:10
O que que você olha primeiro? O que que você acompanha no dia
32:13
a dia? Assim é No No nível mais
32:17
operacional, a gente começa já olhando o custo.
32:20
Não sei se você viu ali quando eu estava compartilhando a tela,
32:23
mas o custo ele fica gritando ali o tempo inteiro, que é o
32:26
custo por execução é. E a gente olha a taxa de
32:30
aprovação dos stakeholders em cima dos outputs.
32:34
Né? É lógico que você tem as
32:36
discussões de Roy, mas que eu estou pressupondo aqui que ela
32:38
já aconteceu antes de você iniciar a prototipação, né?
32:42
Então, claro que Roy é é aquilo que a gente estava falando.
32:46
Você escolher um processo que ele é muito repetido e demanda
32:50
muito de um humano é o melhor caminho possível pra você obter
32:53
Roy, porque você vai tirar um humano daquilo ali quando você.
32:57
Finalizar o treinamento do agente e o Roy vai ser mais
33:00
fácil de demonstrar, porque você vai tirar a pessoa daquela
33:03
tarefa, mas exceto o Roy, né? Que é que é algo que eu tô, né?
33:08
Pensando aqui pré protótipo, mas no pós protótipo o custo ele é
33:14
essencial de você olhar assim. A gente já viu muitos casos que
33:18
o time foi remendando prompt para lidar com o feedback, mas
33:23
esse remendar prompt sem um planejamento.
33:27
Tem um problema que é aumentar muito o custo dele por execução
33:30
ou por mensagem, por exemplo, ao ponto de ficar inviável, então
33:35
você vai enxertando tanta. É tanto remendo de prompt para
33:40
lidar com situação específica, porque o seu sua engenharia de
33:43
prompt não está te permitindo lidar com os casos de uma forma
33:46
mais sistêmica, então você vai chumbando exemplo, exemplo,
33:50
exemplo para tentar lidar com os feedbacks negativos e você joga
33:54
esse custo lá em cima e você termina.
33:56
Ele aprovado pelos stakeholders, mas não viável para ir para
34:01
produção financeiramente. Então, as 2 coisas que a gente
34:05
olha é é muito isso, a taxa de aprovação dos stakeholders.
34:09
Ela é importante porque normalmente você tá
34:11
automatizando processos que a galera tem na cabeça.
34:14
Ele, ele tem o feeling ali de que se aquela resposta é
34:18
adequada ou não. Mas uma métrica que a gente
34:21
sempre acompanha, que é a plataforma mensura, inclusive
34:24
automaticamente, é o grau de de outputs que foram avaliados por
34:28
stakeholders diferentes. Porque tem muito viés, tem
34:33
muita, não temos como negar. Temos resistência aos processos,
34:36
temos medo de ser substituído, temos muitas coisas ainda
34:40
acontecendo que permeiam ali o processo de prototipação.
34:44
Então é sempre ideal você ter muito mais do que uma pessoa só
34:48
dando feedback para aquele agente, para os outputs daquele
34:53
agente. E a gente mensura a taxa de, de,
34:57
de avaliações que foram dadas. Por pessoas diferentes, EE
35:01
mensura até os os dissensos, porque às vezes 11 pessoa aprova
35:05
e uma pessoa reprova a mesma resposta do mesmo agente, né?
35:10
Então, pra quem está tocando dia a dia de prototipação, é
35:14
basicamente o que a gente olha, custo, aprovação.
35:17
Mas dentro da aprovação é dissensos.
35:21
E o quanto tem diversidade ali? Divisões sobre aquela resposta,
35:27
porque senão você fica muitos meses também com um protótipo de
35:31
sem ser aprovado ali pela área de negócios, por outros
35:33
processos que são mais subjetivos, sabe?
35:35
O qual quanto eu ganho real na prototipação de um agente de a
35:41
versus Oo modelo sem prototipação?
35:46
Porque eu pergunto isso porque a galera que faz as coisas de ar
35:52
me parece pelo menos a forma que eles vendem.
35:55
O processo deles é meio maior da caralho, né?
35:59
Meio que eles vão jogando prompt, aí saiu bonitinho já só
36:04
que em produção já compartilha um linkedinho, vai, vamos tal aí
36:08
de repente quebrou a quebrou, nossa, mas qual que é o ganho
36:14
real aqui? Scherer em prototipar agentes de
36:17
a antes é de da de fazer, né? Em produção mesmo.
36:23
E qual que é a diferença? E aí vai ser uma pergunta meio
36:27
é, vai parecer estranha, mas é porque a gente precisa é trazer
36:33
para quem está nos ouvindo e assistindo uma base, né?
36:37
Então, qual que é a diferença da prototipagem na prototip aí,
36:43
versus criar um agente de a numa outra ferramenta, como então eu?
36:48
Acho que o primeiro ponto é que muitos do conteúdo que a gente
36:51
está consumindo esses. Prints que a gente vê, eles não
36:55
vão para a produção, eles não automatizam de verdade.
36:58
A gente está construindo, a gente está consumindo muita
37:00
coisa que a galera posta, mas que não são.
37:04
É que são é. Muitas vezes a pessoa ela está
37:07
monetizando o curso, ela está monetizando a venda do template
37:11
ou ela está monetizando. É engajamento, né?
37:16
Na distribuição daquele template.
37:18
Então a gente tem que ter muito cuidado em comprar esse discurso
37:21
muito fácil de que as pessoas estão fazendo a gente de a em 5
37:24
minutos do n 8 n, porque assim eu poderia fazer vários.
37:28
Agora eu dizer que eu vou colocar um cliente meu pra
37:30
conversar com uma automação que eu fiz em 5 minutos, eu não vou,
37:34
porque eu preciso garantir precisão, né?
37:38
Então você vê muito essa discursa de que OSDR acabou, né?
37:41
Com a galera de vendas. Toma aqui esse template e demita
37:45
seus 10 SDRS. É, às vezes eu vou até atrás
37:49
olhar e vejo que a pessoa tem SDR humano, sabe?
37:51
Às vezes eu faço questão de ir atrás, olhar assim não para
37:55
fazer esposit, mas assim, só para ter certeza de que não é
37:59
por aí. Entre o que as pessoas falam,
38:01
né? Muita gente está te vendo SDRE.
38:03
Ele tem 1 ano lá, prospectando para ele, né?
38:06
Porque ele não tem confiança. Ainda nessa automação que que é
38:10
feita em 5 minutos, porque, como eu falei, botar automação de pé
38:14
no N8 n é super fácil, assim como é na prototip.
38:17
Aí é tranquilo, é rápido. Os 2 vão ser a mesma velocidade.
38:21
O problema é que ON 8 n vai te dar poucas ferramentas de teste,
38:25
interação e feedback, né? Você vai ter que trabalhar o log
38:29
na mão olhando no código ali ela não é uma ferramenta pensada.
38:34
Para você ver o que que tá acontecendo na execução do
38:37
fluxo, né? Quando você tá numa ferramenta
38:40
de prototipação, por exemplo, né, a nossa, você entra lá no
38:44
ver execução, você consegue ver exatamente o que que entrou, o
38:47
que que saiu, o que que foi extraído do Jason é onde que,
38:51
quais foram os os passos que foram pulados.
38:54
Por que que foi pulado, né? Por que?
38:56
Que condição que definiu que aquele agente foi pulado?
39:00
Você tem área para dar o feedback integrado?
39:03
É, você tem métricas, né? Pra você não precisar ficar
39:07
catando na mão, você tem métricas por versão que você
39:11
libera, então é pra te falar a verdade.
39:14
Assim, colocar de pé a primeira versão vai ser tão rápido em uma
39:18
quanto na outra, só que a primeira versão que você coloca
39:22
ela não é uma versão pronta pra ir pra produção.
39:24
Isso é uma ilusão que as pessoas estão vendendo, né?
39:27
Você precisa trabalhar o output, principalmente quando você está
39:30
falando de processos complexos, se for uma coisa muito
39:33
simplesinha. Ah, vou brincar aqui com alguma
39:36
coisa pessoal, tudo bem, né? Mas tô falando assim de
39:38
processos reais de empresas. Você tem que ter uma pessoa
39:42
trabalhando ali na no ciclo de interação.
39:45
E aí é onde é, fica mais fácil para quem tá prototipando.
39:49
Tem uma ferramenta que já organiza métrica, é logs, né?
39:54
Toda questão de observaridade ou você ter que meio que Catar
39:57
aquilo ali na mão. Né?
39:59
Quando você está trabalhando com uma ferramenta que não é pronta
40:01
para isso. Então eu acho que a principal
40:04
hoje para te falar um número, né, eu já até estava, a gente
40:07
estava conversando, discutindo isso semana passada é segundo
40:11
Gartner, são 8 meses do protótipo para produção.
40:13
Os projetos de a fora esse barulho que você está ouvindo na
40:16
internet, pesquisa séria. Gartner, 8 meses do protótipo
40:21
para produção. Né?
40:23
É porque os times estão aprendendo.
40:25
Não tem ferramenta ainda, não tem ferramenta de prototipação
40:29
ainda bem posicionada, né? Globalmente que todo mundo
40:32
nascendo agora é e basicamente o tempo é muito longo, então essa
40:38
ilusão aí de 5 minutos rapidinho é o que você falou pra caralho
40:41
assim não é o que vai pra produção é a gente tem uma
40:45
experiência hoje na prototip aí de 1 mês de tá pronto pra pra
40:50
desenvolvimento assim. É a primeira versão.
40:53
A gente não gasta tempo nela, né?
40:55
Ela sai em 15 minutos, que a plataforma sai depois.
40:57
É teste, interação, que é onde está o trabalho humano
41:00
necessário mesmo. Tipo de de de um 1000 perfil de
41:03
pessoas, mas se beneficia desse processo de prototipação com a
41:09
prototip aí. Olha, hoje, na prática, o que eu
41:12
estou vendo? Os times de tech, porque eles
41:15
estão muito sobrecarregados, inclusive a quem mais procura a
41:18
gente comercialmente assim é sempre City Oo líder técnico
41:22
ainda não tem muito líder de produto.
41:25
É sempre uma iniciativa do City. O porque é que que eu acho que
41:31
está acontecendo com eles. Eles estão super
41:34
sobrecarregados, recebendo o briefing direto da área de
41:37
negócio. Aí eu acho que não está bem
41:39
estabelecido ainda na área de produto como fazer isso, como
41:43
prototipar isso? Como é o randolver disso, as
41:46
ferramentas disso? Então meio que produto está
41:49
sendo pulado, eu vejo isso. E aí cai direto no colo de
41:54
tecnologia que está se virando como pode?
41:56
Eles não usam low code no code, eles tentam prototipar direto no
42:00
código, já já vão fazendo decisões arquiteturais.
42:04
E aí a coisa vai ficando muito lenta, né?
42:06
É antes da gente ter a prototip. Aí nasceu porque eu e meu sócio,
42:11
a gente pegava projeto de agentes de ar junto pra fora e a
42:15
gente tava tendo uns problemas de lentidão que a gente falava,
42:18
cara, essa nossa relação é boa. Por que que a gente tá tão
42:20
lento, né? Assim a gente tava tão devagar
42:23
assim? A gente olha que a gente se
42:24
entende bem, mas era a falta da ferramenta, porque tudo que
42:27
tinha que mudar tinha que martelar no código, né?
42:30
Então, assim, tornava muito lento o processo.
42:33
Então, hoje eu vejo que quem mais está se beneficiando é o
42:36
time de tech, que consegue colocar na mão de produto e
42:40
negócios uma ferramenta que vai tirar um peso muito grande
42:44
deles, que está neles hoje. Mas no longo prazo, eu acho que
42:48
vai ser as áreas de produto, porque eu acho que a gente vai
42:50
conseguir consolidar nosso papel.
42:53
É por ter a ferramenta. Eu acho que é uma profissão que
42:56
naturalmente vai pilotar isso muito bem assim.
42:59
Eu acho que está No No no core da profissão assim.
43:03
É pilotar. É esse processo de prototipação.
43:07
Então eu acho que é uma ferramenta que vai contribuir
43:09
para fortalecer o papel de produto.
43:11
Mas como o produto tá meio out hoje ainda do processo, eu acho
43:15
que hoje, na prática, beneficia mais tirar a sobrecarga de tech.
43:22
Aqui você falou o gartiner, né? O gartiner é maravilhoso. 8
43:28
meses é dado esse dado. Dado esse dado, dado esse número
43:34
aí da da garte, né? Que é 8 meses da produção para
43:38
produção. Como que você equilibra a
43:43
rapidez e a fidelidade no protótipo antes de de ir para
43:47
produção? Porque 8 meses tem stakeholder
43:50
que não consegue esperar 2 semanas.
43:54
É imagina eu ter que esperar 8 meses?
43:56
Sim, o grande problema é que. Agentes de a é muito amplo, tem
44:02
múltiplos casos de uso que requerem é múltiplas
44:06
arquiteturas, né? Isso que faz o protótipo demorar
44:09
também, porque às vezes o cara já fez uma arquitetura é pra,
44:14
sei lá, análise de imagem. Só que o próximo caso de uso que
44:17
chegou no road map dele é conversacional, que é uma
44:20
arquitetura completamente diferente Pra Ele.
44:23
É como se ele tivesse começando do zero, né?
44:26
Então, o que que é a vantagem do nosso caso?
44:29
A gente fez, né? Aí muito um ano e meio, mais ou
44:33
menos de Discovery, de arquiteturas para comportar
44:37
arquiteturalmente múltiplos casos de uso, para dar conta
44:41
dessa questão da fidelidade que você perguntou.
44:44
Então assim, o protótipo que a gente faz, ele é fiel ao nível.
44:48
Ele chama PI do mesmo jeito que o código chamaria, ele faz
44:52
reggae do mesmo jeito, ele faz gestão de memória do mesmo jeito
44:56
toda. Sei lá se você tem Python puro
44:59
ou Lang Shane, toda a Liberdade que você teria.
45:03
De fazer configuração no nível do fluxo você também tem na
45:07
plataforma. Então eu acho que no sentido de
45:11
agilidade. E aí como a plataforma, a gente
45:13
tem um modelo proprietário que a gente é, usa mais e agenerativa,
45:18
mas usa algumas coisas de machine learning um pouco mais
45:20
tradicional, só pra decompor aquele pedido inicial ali que eu
45:24
te mostrei pra gente ver qual é a arquitetura adequada pra
45:29
aquele pedido inicial, então. O que que a gente mata de tempo?
45:34
Essa parte de colocar de pé a primeira arquitetura e ao mesmo
45:38
tempo a gente não tira a Liberdade de fazer o que quiser
45:41
nessa arquitetura. O que que sobra de verdade de
45:45
trabalho duro? Essa parte cognitiva, de teste,
45:49
ajuste, teste, ajuste, né? Do do prompt para o caso de uso.
45:53
Então por isso que a gente reduz muito tempo, porque a gente
45:56
reduz o trabalho de código. O que a gente reduz é o trabalho
45:59
de código. A gente pavimenta o terreno,
46:02
porque eu já a gente já via. A gente viu muitos casos de
46:05
código que foi pro lixo total, porque, tipo, chumbou uma coisa
46:09
na prototipação, não passou pelo stakeholder, depois não deu pra
46:12
aproveitar time, começava tudo de novo e aí a coisa vai ficando
46:16
lenta mesmo assim. Então o que a gente, a forma que
46:21
a gente achou de equilibrar foi isso.
46:23
Fazer uma entendimento é certeiro, do que que você está
46:27
pedindo, para qual é a arquitetura que você precisa e
46:31
te colocar nessa arquitetura sem que você tem esforço, com
46:34
Liberdade. Aí dali, daquela arquitetura
46:37
para frente é com você, né? É um pouco da gestão de produto.
46:41
De de fazer o que você falou. O prompt do outro não serve para
46:44
sua empresa, então ali você tem que ter um trabalho realmente
46:47
humano ainda, né? Ô Sheila, um ótimo papo é?
46:52
A gente teve aqui eu aprendi bastante sobre prototipação de
46:55
de agentes de Ah, eu achava que era só as caixinhas do n 8 n,
46:58
mas não. É, tem todo mundo trabalho
47:01
grande aqui é, tem link, como que AA galera é encontra, você
47:08
encontra prototip aí. A gente tem o link é prototip
47:13
ponto aí é em português mesmo, não é com y não é com i
47:17
prototip. Aí é a gente tem LinkedIn
47:21
também, né? E que é prototip aí também
47:24
estamos lá, sempre ativos, né? Conversando sobre agentes de a.
47:30
É. E basicamente é isso.
47:32
A gente faz muitas conversas com pessoas que que estão ainda.
47:36
O mercado está muito se entendendo ainda, tipo, as
47:39
pessoas não estão num ponto assim.
47:42
Totalmente definidos para os casos de uso que vão fazer
47:46
dentro das empresas, a coisa ainda está se construindo, então
47:50
a gente tem relações assim. Nosso ciclo de venda é muito
47:53
consultivo, a gente vai ajudando ali a pessoa a navegar pelos
47:57
casos de uso, né? Então, se alguém quiser bater
48:00
papo, independente de questões comerciais, a gente sempre faz
48:04
bastante isso, porque é muito novo.
48:06
Os times de produto ainda estão tentando aprender como navegar,
48:09
né? Então.
48:11
É, tem lá meu LinkedIn, Sheila Portela, Sheila com c qualquer
48:15
necessidade de bater papo, estamos super disponíveis.
48:19
Então é isso você que viu até aqui, essa aqui os links estão
48:24
na descrição. Vai lá, adiciona Ana Sheila
48:27
fala, oi Sheila. Quero saber mais sobre
48:29
prototipação de agentes de a vamos conversar?
48:32
É. Leva a Sheila para ir conversar
48:35
no na sua empresa para que ela possa mostrar os ganhos reais.
48:40
Que é a prototipação de agentes de a.
48:43
Então o link os links estão na descrição, compartilha esse
48:47
episódio. Sheila, muito obrigado por ter
48:48
participado aqui nesse humilde podcast.
48:51
Penso imensamente em cheio de fãs, você se eu for tirar todos
48:54
os recados dos fãs quando eu falei que IA vir aqui, ó, eu vou
48:57
ficar aqui falando uma lista? Claramente são agentes de criada
49:02
pela Sheila para criar de forma aleatória.
49:06
É elogios, né, Sheila? Porque.
49:09
Eu só tenho 10 ouvintes. Será?
49:15
Então é isso, muito obrigado, Sheila.
49:18
Muito obrigado por você. Beijos, tchau, fui.