Latest / Entre Chaves / #243 Grupo Fleury: Data-Driven Product e desenvolvimento AI-First

Transcript

#243 Grupo Fleury: Data-Driven Product e desenvolvimento AI-First · Entre Chaves

0:03
Está começando mais um entre chaves, o seu podcast de
0:06
desenvolvimento de software. Eu sou a Fernanda Vieira e hoje
0:10
a gente vai falar sobre data, Dream products, né?
0:13
Produtos orientados a dados e o que muda, né?
0:16
Quando a gente entrega produtos que tem AIA no centro, claro,
0:20
né? A gente fala muito de IA aqui no
0:22
entre chaves e é óbvio que quando a gente tem produtos que
0:26
a gente coloca AIA no centro, esses produtos acabam tendo se
0:29
é. Certas capacidades, certas
0:31
coisas que a gente precisa repensar em relação à
0:33
metodologia, em relação à entrega, né?
0:36
Em relação a todo seu ciclo de desenvolvimento, né?
0:38
Do seu, do produto digital. Mas para falar disso, estou aqui
0:42
com o Dudu novamente, nosso host convidado.
0:45
E aí, Dudu? Tudo bom, Fernandinha?
0:46
Beleza. É bom estar aqui de novo como
0:48
host convidado aqui do entre chaves, para a gente poder falar
0:51
um pouquinho dessa questão da da IA no centro, né?
0:53
De colocar ela como o principal direcionador do do produto desde
0:58
desde o primeiro momento. Exatamente.
1:00
Mente. Vai ser bacana esse papo aqui
1:01
da. Também estou empolgado.
1:02
Ô, Dudu, e pra falar sobre isso a gente trouxe aqui, né?
1:05
O Lucas Freitas, que é coordenador de ciência de dados
1:09
do grupo Fleury. Estamos muito animados por esse
1:11
papo. E aí, Lucas, como que você tá se
1:13
apresenta pra nós. Boa, muito.
1:15
Obrigado aí pessoal pela pela intro, prazer estar falando
1:18
aqui, bom, meu nome Lucas Freitas.
1:20
Atualmente eu estou aqui liderando essa frente de a
1:23
dentro do grupo Fleury, entre outras coisas que eu faço, né?
1:27
Eu dou aula também, eu estou. Atualmente eu estou dando aula.
1:30
Começa a dar aula no MBA e da fap com que é um curso mais
1:33
focado dali, misturando toda a parte de análise, consumo do
1:37
consumidor direto e também MBA na parte de Vera Science, dentro
1:41
da Ibmec. E aí uma curiosidade, eu estou
1:43
montando uma startup, já tem quase 2 anos aí com mais um
1:47
amigo, uma startup muito focada na parte de pets.
1:50
E eu trago um pouco ali da minha vivência nessa bagagem aí de
1:53
quase 9 anos, né? Trabalhando com time de senso de
1:56
dados, análise, engenharia, eu tento trazer um pouco ali.
2:00
E para essa construção dessa desse app que a gente está
2:02
fazendo. Boa então pra gente entrar já
2:05
diretamente no tema. O fato é que né, muitas empresas
2:08
atualmente com todo o hype, né? E nem vou falar mais hype porque
2:12
realmente AIA já está consolidada, né?
2:15
Principalmente a as, as e as nerativas, enfim, mas com todo o
2:19
boom que aconteceu nos últimos anos, aí relacionado, né?
2:22
Desde do do lançamento do ChatGPT.
2:25
As empresas estão querendo, né, olhar para os seus produtos e
2:28
adicionar funcionalidades de ar neles.
2:31
Só que às vezes isso é feito de uma forma mais assim, é bom,
2:34
vamos lá e vamos adicionar aqui, vamos ver o que que acontece e
2:38
nem sempre, né? Isso dá bons frutos, né?
2:41
Assim, tem várias pesquisas que nos mostram aí que inclusive
2:45
esses produtos de ar, muitos nem chegam à produção de fato, né,
2:50
porque eles morrem no meio do caminho, como pox, como né?
2:53
Enfim, provas de concesso. Feito aí que não conseguem
2:56
chegar à produção. Então o que a gente vai
2:59
conversar aqui no episódio hoje é muito sobre isso, sobre como
3:02
tratar produtos de ar de forma até diferente, né, do que a
3:06
gente trata, por exemplo, o software.
3:08
Mas para falar um pouco, né, um pouco mais sobre isso, eu queria
3:11
que a gente conceituasse primeiro o que que é um produto
3:14
orientado a dados, que eu acho que esse é o primeiro passo para
3:18
quando a gente fala de capacidades de produtos de ar,
3:21
né? Então, Lucas, queria que você
3:22
falasse para gente um pouquinho o que que é, né?
3:24
O. Data driven producs.
3:27
Acho que assim, uma analogia muito simples que no começo do
3:30
Discovery a gente está sempre muito preocupado ali, mas com o
3:34
problema que a gente quer resolver do que de fato, o que
3:37
que os dados já estão contando ali pra gente.
3:39
Então, e é, muitas das vezes a gente quer criar um novo
3:42
problema, que às vezes esse problema nem existe.
3:44
Quem nunca, né? Então, você orientar, orientar
3:47
um produto em relação ao dado, é nada mais.
3:50
Você olhar para o dado e fazer as perguntas para ele, qual que
3:53
é a dor do meu cliente? O que que meu meu cliente está
3:55
reclamando? Tenho certeza se você faz, vamos
3:57
falar um pouquinho aqui de data Lake, se você está armazenando
4:00
os dados da forma correta, se você está tratando o dado não
4:03
apenas como uma informação ali mais operacional, né?
4:06
Que Ah, é apenas um KPI ali que o consulta a cada uma vez no
4:09
mês. ESIM 1 ativo.
4:11
Isso com certeza muda muito a filosofia do time de produto no
4:15
dia a Dia do Trabalho. Então é trazer o dado já para o
4:18
começo da conversa e não para o final.
4:20
Isso é importante também. Legal isso, né?
4:23
Porque nas fases aí do dessa, dessa metodologia, né, de data
4:27
drive and products, a primeira coisa que foi até 11, que você
4:30
falou aí é de quantificar a demanda, né?
4:32
Assim, é de você entender que eu acho, achei, achei curioso do
4:35
jeito que você falou, né? Que em vez de eu olhar porque o
4:38
dado está me contando, né? De qual é a minha demanda real?
4:42
Eu fico tentando ficar as vezes apaixonado mais com a solução.
4:45
E tentando, né? É inventar, talvez, problemas
4:48
que nem existem, né? Ao invés de, de fato quantificar
4:51
uma demanda dentro de um Discovery, por exemplo, né?
4:54
Exatamente. E aí quando você fala de de de
4:57
fazer a pergunta para o dado, né?
4:59
E tudo é você conseguir consolidar esses dados aí do
5:01
produto desde cedo. E o que que seria essa questão
5:03
de fazer? A pergunta para o dado é de para
5:05
que ele traga Oo problema. Já é o trazer alguma coisa de
5:08
Ah, de de de, de de usar. Dar inteligência artificial
5:11
sobre esses dados para te dar esse Panorama do que que está
5:14
acontecendo com o seu produto. Legal, acho 11.
5:16
Grande característica que eu vejo ali, quando a gente tem um
5:19
time de produto trabalhando nesse começo ali de nessa
5:23
primeira etapa, né, que é a etapa que a gente chama de
5:25
Discovery, é que muitos desses times, principalmente ali, o
5:28
produp manager, ele acaba não tendo uma certa familiaridade
5:33
com essas ferramentas de dados, né?
5:35
Então vou dar um exemplo, Ah, OSQL.
5:37
Às vezes você tem ali uma pessoa de um PM que.
5:40
Ele nunca nem usou um SQL ou fez uma extração simples.
5:43
E aí, naturalmente você acaba afastando ele de ele conseguir
5:47
fazer essas perguntas, né? Naturalmente você acaba
5:50
afastando ele de ter esse acesso de forma mais rápida.
5:53
E não só o SQL como uma linguagem ali pra pra consulta
5:57
de banco de dados, mas outras ferramentas próprio.
6:00
Power BI tablô. Qualquer uma dessas ferramentas,
6:03
e uma vez que você consegue fazer essa extração, que é esse
6:06
exercício prático, é meio que natural que você entra quase
6:10
naquela ideia dos 5 WS, né? EE 2 h, né?
6:13
Que você começa a se perguntar por que que eu preciso desse
6:16
dado? Para que que ele serve, né?
6:18
Você começa a olhar um pouco mais para o metadado e aí fazer
6:21
essas perguntas é também olhar para o metadado e o metadado.
6:24
Nada mais é do que o dado do dado, né?
6:26
O descritivo dele, pela minha experiência, assim, trabalhando
6:29
e até às vezes, muitas vezes fazendo esse papel de.
6:32
Produteiro aqui de ajudar a colocar essas soluções de pé.
6:35
Eu mesmo já caí nesse viés de Ah, beleza, essa é a dor, isso
6:38
aqui é o que o negócio trouxe, isso aqui é o que o negócio
6:40
preencheu lá no meu material, no meu cambas.
6:42
Só que eu pulo essa etapa eu nem vou para entender as métricas
6:46
que ele está trazendo ali, que é um ponto que também que você
6:49
pode começar. É quase você fazer um reverso,
6:51
você olhar para as métricas que ele já tem e entender se aquelas
6:54
métricas condizem com o que você está trabalhando dentro do seu
6:57
conjunto de dados. Então, 11 primeiro ponto é para
6:59
você fazer as perguntas. Se você utilizar as ferramentas
7:02
certas, você consegue extrair mais valor ali, consegue gerar
7:06
perguntas em cima de perguntas pra formular ali essa questão de
7:10
é como construir um produto baseado em dados?
7:12
Boa. E é isso, né?
7:14
Até então a gente está descrevendo, pelo que eu estou
7:16
entendendo, a fase de fato do do Discovery, né?
7:19
Que a gente está descobrindo a necessidade, né, que a gente
7:22
está identificando essas demandas e tudo mais.
7:25
Depois disso, é o momento da gente desenvolver de fato, né?
7:28
E terá sobre aquilo também, né? Olhando para os dados e depois
7:32
ter alguma estratégia de lançamento de rolote estruturado
7:35
e tudo mais. Certo?
7:36
Exato. E no final das contas, analisar
7:39
e melhorar assim, né? Olhar o impacto real, entender
7:42
se os dados estão confirmando as hipóteses, né?
7:45
Coisas nesse sentido. Mas acredito que tudo isso que a
7:48
gente está falando aqui de data reven products é o que na
7:51
idealmente, né, deveria acontecer com todos os produtos.
7:55
Né, de software atualmente, né? Assim, todo mundo deveria, na
7:59
minha, na minha percepção, todos os produtos deveriam estar
8:02
orientados a dados realmente sair do achismo, né?
8:05
Eles não deveriam estar nesse lugar do Ah, eu acho que essa
8:08
feature aqui é legal, então eu vou fazer não, pô.
8:10
O dado me mostrou aqui que os clientes precisam disso aqui por
8:14
causa disso, disso, disso. Então acredito que falar sobre
8:17
data drive and products hoje deveria ser algo mais comum, né,
8:21
que todo produto deveria ser, mas no final das contas.
8:25
A gente o que eu trouxe lá no início do episódio foi que
8:28
quando a gente está falando de produtos de IA, né, que a
8:31
inteligência artificial, algoritmos de machine learning e
8:34
as generativas estão no centro, essas coisas mudam um pouquinho,
8:38
né? Então eu queria que a gente
8:39
falasse agora um pouco mais sobre isso, o que que é um
8:42
produto AI first, né? Ou que coloca de fato esses
8:46
essas capacidades, né? De IAE de machine learning no
8:49
centro. Bacana, acho que.
8:51
De novo, a gente sempre é meio doido a gente falar isso, mas
8:53
parece que sempre estamos voltando para o primeiro step,
8:55
né? Que é o step de fato de você
8:57
construir Oo projeto. Quando a gente pensa ali em
9:00
produtos que são i first, a gente não pensa na IA no final
9:04
do do desenvolvimento do projeto.
9:06
Ou seja, eu não penso na IA como apenas uma feature para o meu
9:09
produto, apenas um Band aid ali, que eu acho que é talvez curvo é
9:14
sexo falar que o meu produto. Ele tem a integrada, mas no
9:17
final ele só está gerando um custo, um custo a mais que às
9:20
vezes principal, principalmente para o usuário.
9:23
Para quem está na ponta não faz diferença nenhuma.
9:25
E eu gosto de olhar um pouco para o gosto de fazer analogia
9:29
do air first como uma espinha dorsal, né?
9:31
Do nosso corpo ali. Então você tem AIA no meio e a
9:34
partir dali você começa a entender como você encaixa novas
9:38
melhorias do produto em relação a esse, a esse nível de
9:41
automação. Então vou dar um exemplo aqui de
9:44
uma empresa até que saiu agora recém.
9:45
Recentemente, que é uma empresa que é ER first, né?
9:48
Que é AA Inter, que é uma empresa focada na parte de
9:51
análise de processos jurídicos. Eles não criaram uma plataforma
9:54
onde você faz Oo cadastro do do processo jurídico ou você faz o
9:59
relacionamento ali direto e depois ele faz uma análise do
10:03
processo. Não.
10:04
Quando você submete qualquer informação ali direto, você já
10:07
tem um modelo rodando por trás, você já tem uma plataforma
10:10
preparada para atender essa esse tipo de solução?
10:13
O core da empresa é. Oferecer e a na ponta para o
10:16
cliente é oferecer um processo de forma não só automatizado,
10:21
mas escalável também, onde a pessoa consegue ter mais
10:24
previsibilidade. E eu vou dar um exemplo assim,
10:26
que eu acho que talvez pra ficar um pouco mais tangível, é, toda
10:29
empresa já passou por algum projeto de churning, né?
10:31
Toda empresa já fez algum projeto ali de churning.
10:34
É basicamente AA ideia de você entender se o cliente vai
10:38
abandonar a marca, porque a gente só adiciona um projeto de
10:41
churning quando eu já tenho meu produto desenvolvido.
10:44
Porque não entender? Comportamento já no start ali do
10:47
produto. Ou seja, eu estou fazendo OE
10:49
Commerce dentro esse e Commerce. Se um cliente começa a deixar
10:53
alguma tela ali ou passa, só olha a página inicial do meu
10:57
site, não fecha a compra no carrinho, ele está te olhando
11:00
também. O que que eu estou fazendo com
11:01
isso? Eu pego essa informação, salvo
11:03
lá no meu data Lake, no meu data House que seja, e essa
11:06
informação fica lá até alguém. Se alguém pensar, OPA, por que
11:09
não criar um projeto de churn? Por que não construir uma algo
11:12
em cima disso? E se essa ideia já nascesse
11:14
junto com o projeto? Eu sei que é redundante, mas e
11:17
se essa ideia já não tivesse no Discover?
11:19
E se já não tivesse ali uma pessoa, um influenciador, para
11:22
trazer o próprio engenheiro mesmo de machine learning que é,
11:26
vai ter essa essa ideia de OK, esse produto precisa responder
11:29
essas, essas. Perguntas, né?
11:31
Essas dores de negócio. Mas como que eu consigo
11:33
maximizar usando o dado? Então é um pouco dessa analogia
11:36
que eu gosto de fazer, que é, a gente consegue fazer o mesmo
11:38
projeto, só que momentos diferentes.
11:40
Talvez o momento de você iniciar ali com ele gere mais resultado
11:44
para a empresa do que você colocar na ponta.
11:46
Não é legal? Não.
11:47
Assim é totalmente, né? No eu eu fiquei pensando
11:50
enquanto você estava falando que isso faz muito, muito, muito
11:53
sentido, principalmente porque parece que tem essas coisas
11:56
igual você falou. Você deu o exemplo do tianne.
11:58
Que são coisas que são meio que padrões incapsuláveis, que são
12:01
coisas assim, que toda empresa de alguma forma vai precisar
12:05
lidar em algum momento, né? Então porque não trazer isso
12:08
para antes e já já ter os dados? Já pensar, né, lá no Discovery
12:12
talvez, né? Quais são os dados que eu vou
12:14
precisar analisar, armazenar, ter qualidade, como que eu vou
12:18
armazenar para que esse tipo de análise seja possível quando meu
12:21
produto tiver no ar? Eu acho que isso é é uma
12:24
mentalidade, como você falou, né, que é diferente do que é
12:27
feito. Hoje assim, né?
12:29
Mas aí eu fiquei numa dúvida, Lucas, relacionado assim,
12:32
beleza, para produtos novos faz muito sentido.
12:35
Eu concordei assim, acho que todo mundo deveria começar a
12:38
pensar isso mesmo. Mas e os produtos que já
12:40
existem, já estão no ar. E aí eles nunca mais conseguem.
12:43
Vão conseguir ser ei, first ou é possível também?
12:46
Tá legal? Olha, é.
12:48
Não tem uma resposta do certo ou errado, tá?
12:51
Porque? Se a empresa já consegue
12:53
maximizar, e aí pensando sempre nesse trade off que é, putz,
12:57
você vê que já gera uma experiência para o cliente e
12:59
existe um teto, uma limitação, e você colocar AEA, que nem eu
13:03
comentei anteriormente, vai só te gerar custo e vai ser
13:06
impercetível para o cliente. Para quem está na ponta, talvez
13:09
não faça nem sentido você transformar esse esse produto em
13:13
um em ar first. Mas se você vê que conjunto com
13:15
AEA você consegue maximizar a experiência, o Roy.
13:19
Né? Da empresa você consegue gerar
13:22
uma otimização do trabalho, uma produtividade, né, que a
13:25
maioria, como você está adicionando aí a naponta, a
13:27
maioria dos cases que a gente vê tanto lugar que nem reportou
13:30
esses tempo atrás que maior maioria dos projetos são
13:33
focadas, né? Principalmente em call center, a
13:36
parte mais de atendimento, onde o time ali não precisa responder
13:39
perguntas padrões, que diariamente todo dia tem um
13:42
cliente fazendo a mesma pergunta, aí tudo bem, aí você
13:45
consegue fazer essa transformação de uma forma.
13:47
E ainda eu olharia de uma forma escalonada.
13:49
Não de uma vez só, porque às vezes a gente acha que só
13:52
adicionar vai aumentar a produtividade e na verdade você
13:54
está gerando um retrabalho. Então eu faria esse trade off
13:57
que é, se já funciona muito bem, se atende muito bem, meu
14:00
cliente, eu não tenho um teto para onde ir mais, eu manteria
14:03
do jeito que está agora, se eu consigo maximizar a experiência,
14:06
Roy, que é importante, né? Toda empresa está olhando para
14:09
lucro, beleza, eu acho que vale a pena, porque no final a conta
14:12
vai se pagar, que é um ponto de quase um finops ali, né?
14:14
Você olhar quando ela está implementada, você vê se ela
14:17
está gerando um resultado, porque o custo também.
14:19
Conforme você vai usando esse custo exponencial, ele vai
14:22
aumentar também. E é normal, né?
14:24
Qualquer cileve ou vai olhar e vai falar, tá bom, mas e agora?
14:26
A gente tá gastando 10000 BRL aqui.
14:28
Agora, com essa solução de GNAI, essa solução se paga no tempo.
14:32
Eu consegui aumentar a produtividade do time.
14:35
Então é importante também resolver isso e responder essas
14:38
perguntas que são feitas no dia a dia e.
14:40
Isso, né? São essas mudanças que acabam
14:42
tendo que ser feitas, que tendo que ser absorvidas, né?
14:45
Na, na, na empresa, pra que? Supondo que tem um produto, já
14:48
que eu quero transformar em. Force eu acho que tem 11 Roy ali
14:52
que eu posso melhorar, que eu posso chegar.
14:54
Essas mudanças de produtividade, elas vão envolver alterações não
14:57
só na, no não é só desenvolver o software, né?
15:00
De forma diferente, né? Acho que é muita coisa que tem
15:03
que mudar no processo como um todo, né?
15:05
Na metodologia, na cultura da empresa, que tem que passar a
15:08
olhar de forma diferente para essa, para essa questão, né?
15:11
Tipo assim de de de tentar encontrar essas oportunidades
15:14
onde AIA vai poder melhorar o meu produto como um todo, né?
15:17
Sim, cara, eu acho que você tocou num ponto muito.
15:19
Interessante assim, ó aí 11 pouco aqui, do meu ponto de
15:22
vista, você implementar a solução, a tecnologia, contratar
15:27
qualquer uma dessas ferramentas hoje não é o maior desafio, o
15:30
maior desafio é a questão cultural da empresa.
15:33
É muito fácil você entrar, você entrar numa empresa que várias
15:37
empresas aí que a gente vê, né, 11, aí o roxinho, né, que vocês
15:40
estão com o fundo do roxo aí também é uma empresa que já é
15:43
tecnológica, já faz parte da do Pilar cultural da empresa.
15:47
Isso é muito legal, né? Cultura, pessoas.
15:49
O cliente no centro, mas eu trabalho hoje no mercado um
15:52
pouco mais tradicional, o mercado que a gente tem 111 zelo
15:55
pelo cliente muito forte, o cliente, o paciente.
15:58
Então não é tão simples assim você chegar e sair implementando
16:01
um Monte de tecnologia que já que tem isso, a sua margem de
16:04
erro é nenhum modelo de de machine learning bate 100% de
16:08
acuraça. Então a gente a gente precisa
16:10
para desenvolver essa cultura. Eu vejo que tem alguns trabalhos
16:13
assim, então você tem um Evangelista, uma pessoa falando
16:16
ali da importância, né, do uso do dado, de como que esse pra?
16:19
Projeto pode ajudar que nem eu comentei você não sair fazendo
16:23
já pular, né? Da da poc já ir para o produto,
16:26
talvez você testar ali porque testar barato e testar rápido
16:30
aquela ideia de fazer uma poc com o time, trazer o time para a
16:33
próxima ali para mostrar para eles que olha, isso aqui não é
16:36
um bicho de 7 cabeças. Vamos ver o quanto que isso vai
16:38
gerar de resultado. E tem uma coisa que eu acho bem
16:40
legal também assim e que Eu Acredito é a capacitação assim,
16:44
enquanto as empresas que param, principalmente empresas em
16:46
mercados mais tradicionais que param para capacitar o time.
16:49
Dá um curso, um treinamento, o cara que não conhece muito ali,
16:53
de de produto com dados em si, mas conhece os frames de
16:57
trabalho, ele entende ali como que é um Discovery, ele entende
17:00
como era etapa de delivery. Você capacitou ele para saber
17:02
usar OSQL, para saber usar um Python, que são as linguagens
17:06
mais usuais. Você sentou e mostrou para ele
17:08
que dali ele consegue ser mais analítico, para ele olhar para o
17:10
produto de novo como um dado. Então, essa capacitação também é
17:13
algo que eu é uma linha que Eu Acredito bastante assim.
17:16
Mas de novo, mexer na cultura não é fácil, é algo meio quase
17:19
um. Top down, but up a si mais
17:22
complexo. É bem complexo, né?
17:24
Mexer na cultura é um negócio. Talvez um das coisas mais
17:26
complexas de ambientes corporativos, né?
17:29
É? Muito descobritivo, não?
17:30
E tem uma. A gente fez um episódio aqui há
17:33
algum tempo. Acho que foi até recentemente,
17:35
assim que ele foi lançado, que a gente falou muito sobre a
17:37
experiência do agente, porque hoje assim, né?
17:40
A gente fala muito sobre pelo menos, né?
17:42
No nível corporativo, a gente começou a falar sobre essa
17:44
mudança do paradigma de como resolver problemas.
17:48
Agora, ao invés de eu pensar. Em aplicações, eu começar a
17:51
pensar em agentes, né, que é tipo assim, em vez eu ficar
17:54
pensando em tela, agora eu penso em agentes de artes, sejam eles,
17:58
né, de qualquer forma, e a gente conversou sobre esse isso lá
18:02
nesse episódio, que é essa dificuldade também, até de como
18:05
levar isso para para esse tipo de Discovery, né?
18:08
Como que eu levo essa capacidade de abstrair, porque assim,
18:12
quantos anos que a gente está pensando em resolver problemas
18:14
com aplicações, né? E agora, será que sempre traduz
18:18
na telinha, no fronten de. Não é quem no botão?
18:21
Na lista não sei o que, Na Na como agora mudar a mentalidade
18:24
das pessoas para assim não, eu agora vou resolver esse
18:26
problema, não é mais com uma telinha, talvez vai ser com 11
18:30
agenerativa, talvez vai ser com algoritmo de machine Lane,
18:33
talvez vai ser de outro jeito mesmo.
18:35
E isso parte também de uma mudança de cultura e uma mudança
18:39
de mentalidade de como resolver problemas, né?
18:42
Uhum, então, enfim, eu fiquei só fazendo esse esse paralelo com
18:46
um episódio ou outro que a gente lançou, porque é isso, eu acho
18:49
que isso vai. E ficar cada vez é está cada vez
18:51
mais comum a gente tentar resolver problemas sobre um novo
18:55
prisma, que é um prisma de agentes de a que, enfim, vamos
18:58
precisar de todas essas mudanças que a gente vai falar aqui de
19:01
forma prática, né? É, eu acho que isso aí até se
19:03
encaixa No No que você falou, né, Lucas?
19:04
É do que a gente está conversando aqui desde o início,
19:06
que é a parte de seu se a gente vai usar agentes, se a gente vai
19:09
ter agentes para poder responder em em relação aos nossos
19:12
problemas, ao que a gente está levantando.
19:14
Aqueles agentes precisam agir em cima de alguma informação, então
19:17
tem que ter treinamento, às vezes um fine tuning de modelo,
19:19
algumas coisas assim. Tem que ter dados bem
19:21
disponíveis, com qualidade, né? Enfim, bem pensados e bem
19:25
ajustados para que a gente consiga efetivamente criar esse
19:29
agente que traga retorno e não seja só igual você falou, traga
19:32
só um custo a mais para a empresa e não vai ter ter que.
19:34
Está ali às vezes só querendo aproveitar do do grande hype,
19:38
né, e só colocar o chat. Got lá, tá?
19:41
Pegando esse gancho que a Fernanda trouxe assim, é legal
19:44
que a. Fernando, Ela Foi construindo os
19:46
os passos ali de como que ela faria o desenvolvimento, né?
19:49
É muito doido porque a gente já tem esse firme instalado ali,
19:51
porque é a forma como a gente trabalha há muito tempo, né?
19:54
Mas aí eu vou fazer uma jogar, uma provocação que é, a gente
19:57
está cada vez mais com o usuário, o usuário ele está
20:00
tendo um super poder agora, porque ele consegue, né?
20:03
Com a toda a ideia de Vibe coder ali direto dele, construir um
20:06
protótipo e jogar nessa mesa e falar assim, olha, eu montei
20:09
essa ideia aqui, o que que você acha, né?
20:11
E em menos de 12 horas, às vezes ele pegou uma referência na
20:14
internet. A gente montou um bom prompt e,
20:16
de fato, a ferramenta entregou. Então assim tem essa.
20:19
Essa é uma palavra que ficou meio clichê assim, que todo
20:22
mundo usa, mas é essa ideia de mudança, de mindset, pra poder
20:26
ajustar um pouco ali de como que as coisas funcionam.
20:29
E eu vi, eu até vi recentemente lá o Red do WhatsApp.
20:33
Ele trouxe 11 ideia de cara, a forma como a gente interage.
20:37
Nas interfaces vão mudar cada vez mais.
20:39
A gente vai utilizar canais como multimodais, comunicação direta,
20:43
áudio, texto, imagem e faz muito sentido.
20:46
É só a gente ver as novas startups que nascem 100% em cima
20:50
de é de plataformas como o WhatsApp ali e entregando alto
20:54
valor para o usuário, né? Então.
20:56
É interessante. Já tem Pix sendo feito pelo
20:58
WhatsApp. O ChatGPT essa semana lançou aí
21:01
AA possibilidade de você fazer pagamentos, pedir coisas através
21:05
do próprio ChatGPT? Então assim, essas coisas tendo.
21:07
É cada vez mais se tornarem conversas mesmo, né?
21:11
E a gente cada vez mais sair das telas e tal, e as coisas
21:14
passarem a ser mais centradas mesmo na.
21:16
Real, né? Exatamente.
21:18
Bom, mas vamos então entrar um pouquinho mais Lucas, agora no
21:20
prático, é assim em como fazer isso, né?
21:23
O que que então no Discovery é, o que que você nos diz aí que
21:27
muda de forma prática mesmo no Discovery?
21:30
E quando a gente tem produtos Hey first.
21:32
Acho que Oo primeiro ponto assim de qualquer qualquer empresa que
21:36
quer construir e quer. Escalar qualquer projeto, seja
21:39
de machine learning, seja de agenerativa, é ter a base, né?
21:42
Então a gente começa a casa sempre do que né, da da base ali
21:45
da estrutura, e a estrutura é você ter 11, bom dado ali,
21:49
organizado. Então quase isso não acontece,
21:52
né? A empresa está lá aguardando o
21:53
dado, mas ninguém nunca parou para olhar aquele dado, não sabe
21:56
nem para que que serve. Então o primeiro ponto é, quais
21:58
são os dados que eu tenho já dentro de casa, que me ajuda
22:01
principalmente a aumentar ali anão só minha receita, mas
22:06
melhorar meu meu produto, como. Todo eu tenho esse dado, hoje eu
22:09
estou armazenando esse dado. Vou dar um exemplo bem simples
22:11
no dado de cadastro, que é, o cadastro também muda, né?
22:14
As empresas mudam o cadastro a todo momento.
22:16
Eu estou guardando ali o telefone daquele cliente para eu
22:19
poder talvez integrar uma solução.
22:21
Cunha, a generativa no WhatsApp essa é a primeira pergunta, tem
22:24
sendo se eu fosse desenvolver um produto.
22:26
Ah, não estou só peço OE mail, então calma lá, eu talvez eu
22:29
começaria a trazer esse dado para dentro de casa e aí passar
22:32
por todo o processo ali de LT, né, de extrair o dado,
22:35
transformar e guardar ele. Então a primeira coisa é a
22:38
estruturação desse dado, né? Como que eu vou salvar, como que
22:41
eu vou consumir ele na ponta? O segundo ponto ali que eu
22:43
olharia é no momento ali de desenvolvimento, é trazer o
22:47
engenheiro, trazer o arquiteto. Essas 2 peças são fundamentais
22:51
para quando a gente está desenvolvendo um projeto de
22:54
principalmente um projeto de a por quê o engenheiro?
22:56
Ele tem uma visão, o arquiteto, ele tem a visão do todo ali, né?
22:59
Toda a visão sistêmica de como que ele pode conectar.
23:02
Eu brinco que o arquiteto, ele está quase fazendo um uso de
23:05
lego ali, que ele tem todas as peças na mesa, mas ele tem que
23:07
saber o que que ele vai conectar.
23:09
Poxa, essa solução que a gente tem hoje dentro de casa, Hum, eu
23:11
acho que a data brics talvez ofereça pra gente de forma mais
23:14
rápida, talvez a gente pode fazer uma poc com eles lá ou não
23:18
vamos usar aqui a éjor diretamente, é isso que eu vejo
23:21
assim, o arquiteto conectando isso e o engenheiro, ele tem uma
23:24
visão sistêmica que você chega. Liga com todos os requisitos de
23:28
como que vai ser o produto e o engenheiro.
23:29
Ele só vai saber disso só na ponta.
23:31
Só que você não está falando de como que o dado vai ser
23:34
trabalhado, se ele vai ser em streaming ou em be.
23:36
Você não sabe se esse dado vai ser carregado diariamente ou a
23:39
cada 15 dias, mensalmente, dependendo da solução.
23:42
Então, envolver essas peças no momento ali é da construção dos
23:46
da formulação de proposta técnica para área de negócios, é
23:49
você garantir que você vai ter mais resultado ali.
23:53
Sucesso na entrega do projeto aqui a gente fala muito de a
23:56
gente fala muito. De criar times multifuncionais.
23:58
Então se você consegue trazer as peças que é, seja um arquiteto,
24:02
um analista, um engenheiro, que são pessoas que estão vivendo
24:05
esse processo de desenvolvimento junto ali, com o produteiro,
24:08
junto com OPO, eles vão conseguir trazer essa visão que
24:11
é como a gente. Da onde que a gente puxa essa
24:14
informação? Quase o processo de linhagem,
24:16
né? De como que a gente tem essas
24:18
informações ali de forma mais sólida.
24:19
Esses são os principais, os principais steps que eu eu lhe
24:23
daria assim no começo do projeto.
24:24
E uma coisa que eu vejo assim muito.
24:27
A própria Fernanda comentou aqui no começo do do podcast putz, eu
24:30
tenho muitos projetos de a que não evoluem, que não sai da poc.
24:34
Maioria dos projetos acabam morrendo de meio caminho e uma
24:37
das coisas que eu mais vejo é que. 2 pontos, primeiro a
24:41
comunicação e segundo é que a área de negócio.
24:43
Ela vai mudar ali. O desejo dela é, é normal, é
24:46
natural, ela vai pedir mais coisa, ela vai querer algo novo.
24:48
Às vezes o que ela tipo trouxe na primeira, no primeiro momento
24:51
já mudou daqui 23 meses, porque as a empresa, como do como um
24:55
todo muda, as estratégias mudam. Então se você consegue ali criar
24:59
ritos, ou seja, deles Retro. Lene, o pessoal tende a achar
25:03
que esses ritos que a gente tem trabalhando com o Scream é
25:06
apenas para o desenvolvedor, Ah não, eu tenho que estar lá todo
25:09
dia nas deles com meu time batendo atividade e atividade
25:11
faz. Quantas vezes que você para num
25:13
mês para mostrar ou dar um status reporte para a área de
25:15
como está ficando o projeto, a maioria só chega lá e apresenta
25:19
o projeto já meio que pronto, ó, está aqui o que você me pediu.
25:21
Ah, mas não é isso que você não era isso que eu estava
25:23
esperando. Então esse é um primeiro
25:24
problema e o segundo que na minha visão, assim com esses
25:28
projetos que a gente lida aqui, principalmente no fleuryer
25:30
travar 1611. Boa proposta.
25:32
E essa proposta é cara, eu vou te entregar uma poc.
25:35
Se precisar melhorar mais coisas, eu vou te entregar
25:37
OMVTE. Se a gente precisar integrar num
25:39
sistema, a gente já vai estar falando de algum tipo de API pra
25:42
gente trabalhar junto um time de sistemas pra gente entregar esse
25:45
projeto. Acho que trazer essa
25:46
transparência ajuda a trazer a estado melhor.
25:50
E até nisso que você falou, né? Tipo, parte de de montagem dos
25:53
times, né? Igual você falou, tem que trazer
25:54
engenheiros e arquitetos às vezes para mais cedo e tudo para
25:58
que a gente consiga rodar isso. Então, tipo assim, tem tem
26:00
alguma capacidade que tem que. E que se torna essencial ou
26:04
algum papel que que às vezes precisa trazer para o time que
26:07
antes a gente não tinha, que agora tem.
26:09
Você falou em capacitação também do do, do, do do time.
26:12
O que muda é mais essa questão da capacitação ou a própria
26:14
montagem dos times? Ela tem que ser feita, mas de
26:16
forma diferente. Legal uma coisa que eu vejo
26:18
assim, principalmente com hoje a gente.
26:20
Esse podcast daqui a pouco vai pro ar.
26:22
É o que eu falei, talvez. Já está desatualizada assim.
26:24
Ah. A gente a gente fala isso muito
26:26
aqui no entrechás, viu? Lucas, acontece, estamos
26:29
gravando gente no dia 30 de setembro.
26:32
Terça-feira. É deixa claro porque amanhã.
26:34
Vamos dar a tarde, é? Amanhã já vem outra notícia de
26:37
que dá pra fazer com OIA, né? Então assim, uma coisa que eu
26:40
vejo puxando um pouco mais aqui para o time de ciência de dados
26:43
é que está muito mais fácil com essa parte de fundation model,
26:46
de você acelerar projetos que antes eram simples ali, né?
26:49
Até para o cientista, com uso de auto ml, auto OML direto, você
26:53
consegue desenvolver um modelo ali de forma muito rápida.
26:56
Quando eu comento ali de trazer o engenheiro, é que tem uma
26:59
habilidade ainda que é crucial. Principalmente para empresas que
27:03
querem escalar, principalmente empresas que querem ser i first,
27:06
empresas que vão estar rodando 1030, 4050 modelos ao mesmo
27:09
tempo. É você ter pessoas de engenharia
27:12
de dados com um viés muito, mas muito forte, focado em amiel
27:16
Lopes, conecta de novo com a parte de estruturação de
27:18
plataforma, porque essa essa galera vai falar assim, olha, a
27:21
gente não tem mais um projeto rodando com o cliente do
27:24
comercial, a gente já tem 10 projetos rodando.
27:27
E como que a gente garante que esses projetos vão se manter
27:30
vivo? É quase.
27:31
Eu gosto muito do. Do do livro do iFood, que é do
27:33
executivo, e o cientista que tem um pedaço do livro que fala
27:36
assim é o skinder game, sabe de não é o cientista só criar o
27:40
projeto por criar, toma aí Fernanda se vira agora, com esse
27:43
projeto em produção, ter esse monitoramento após a entrada do
27:46
projeto, eu vejo que é uma, é algo que poucas empresas se
27:49
importam, porque é a fundação, ninguém quer olhar para isso, é
27:52
a mesma coisa a partir da engenharia de dados, não é?
27:55
Não é algo que brilha os olhos, né?
27:56
Não é muito. Não é sexy, né?
27:58
Não é sexy? Exato, porque não é o Painel, a
28:00
área de negócio. Não está vendo?
28:02
Do Lau BI, mas ela se você de novo faz um trabalho de
28:05
evangelizar, de eu falar, olha, sabe por que que eu estou
28:07
separando o seu dado aqui na camada bronze, na camada prata,
28:10
até chegar na Gold, é para que eu vou facilitar para para você
28:14
poder um dia acessar esse dado também, né?
28:16
Pensando numa cultura mais self service ali.
28:18
Então responder a sua pergunta cara, eu acho que a principal
28:21
habilidade é como colocar esses projetos no ar e manter eles
28:25
livre. O emel Lopes é a chave do
28:26
sucesso. É, no final das contas, assim,
28:28
né? Como evitar que existam 500, né?
28:32
Cientistas de dados com seus próprios notebooks, né?
28:34
Com coisas que eles fazem, tomam decisões, mas que isso não se
28:38
retroalimenta com as coisas que estão acontecendo de fato em
28:42
produção, né? Mas teve uma coisa que você
28:44
falou, Lucas, assim sobre os dados, né, que acho que é uma
28:47
das primeiras coisas que você falou, né?
28:48
Ah, acho que é importante primeiro entender se os dados
28:52
estão aqui, né, estão disponíveis, tem qualidade,
28:55
enfim, coisas assim. E eu li um negócio no seu
28:57
material que eu fiquei achei muito interessante, que é a
29:00
ideia de criar. Milines Lights assim para
29:03
avaliar se existe volume de dados para treinar modelos de
29:06
machine line. E isso eu acho que é um negócio
29:09
que muda mesmo o jeito, porque lá no Discovery, se a gente já
29:13
conseguir falar assim, cara, não existe volume de dados
29:16
suficiente para treinar esse modelo de machine Lane não vai
29:19
dar. Infelizmente, isso aqui é
29:22
inviável, isso já você já metade desses projetos que que falham,
29:26
né? Porque muitos deles propriamente
29:28
falham, porque não tem volume de dados.
29:31
Suficiente para treinar os modelos, e os modelos acabam não
29:33
ficando assertivos o suficiente. Então assim, né, acontece isso.
29:38
Então se a gente fizesse isso desde o início, desde lá do
29:40
Discovery, nossa, eu acho que já seria bom demais, sabe?
29:44
Exato, é. Eu acho que tem 111 grande
29:47
ponto. Assim, que é o dado de entrada
29:49
ali. Eu vejo que é um trabalho um
29:50
pouquinho, às vezes até um começo meio ingrato ali, porque
29:53
você precisa esperar ter essa volumetria de fato para começar
29:57
a pensar em desenvolver um projeto ali, né?
29:59
Projeto de maschleurn que seja um projeto mais diário,
30:02
tradicional, acho que o grande ponto e aí fazendo Oo
30:05
contraponto, que eu falei, olha, traga um engenheiro, arquiteto
30:08
para o começo. Às vezes de novo o engenheiro,
30:11
ele também só está extraindo o dado da fonte e ele acha que
30:14
extrair esse dado, toda essa massa de dado bruto, é o
30:16
suficiente, ele jogar lá na camada raw.
30:18
Mas se ele faz o inverso também, de sentar com a área de negócio
30:21
e mostrar, olha, esse aqui é o que está vindo do sistema.
30:23
Faz sentido, porque às vezes a solução que você contratou, seja
30:26
ORP ou CRM, às vezes o problema está lá e aquela coisa do.
30:29
O jerbing é girl balut, né? Se entra dado lixo, vai vai sair
30:33
da do. Lixo vai sair, é exato.
30:35
É, ele vai aprender com aquilo. E eu já peguei exemplos de
30:38
alguns softwares conectado ali, algumas empresas trabalhando com
30:41
aquele dado. Só que o problema não estava nem
30:43
nessa construção de pipeline, que é um pouco do que eu
30:45
compartilho nesse material. O problema estava lá no sistema,
30:48
estava na primeira etapa. É você sentar com o fornecedor,
30:51
falar, olha o dado que você está captando aí.
30:54
Está duplicando, não está chegando certo aqui para mim.
30:56
Eu estou tendo, na verdade mais retrabalho aqui para fazer o
30:59
meu, meu LTO, meu ETL. Então olhar um pouco para isso.
31:02
E quem faz essa ponte com fornecedor geralmente é o
31:05
negócio, né? A área de negócios que está
31:07
conectado ali. Então eu penso assim, se destrói
31:09
uma base e faz uma validação cara, é esse aqui que você está
31:12
vendo aí nos seus painéis, no seu RP, no seu CM cara, tem um
31:15
número aqui que está errado, não está fazendo sentido, e aí
31:18
conectar essas pontas é bem importante assim.
31:20
Legal e até para poder tentar ver é tentar descobrir essa.
31:24
Exatamente onde que estão essas falhas, onde que estão essas
31:26
coisas, cara? O que que a gente consegue
31:27
trazer de metodologias para poder aplicar nessa nessa
31:30
questão? Você até falou muito de de de
31:32
meliópolis da gente ter algumas coisas relacionadas à
31:34
meliópolis. Como é que a gente consegue
31:36
verificar e validar essas hipóteses, se o se esses dados
31:39
que a gente está está trazendo estão sendo suficientes ou não
31:42
para treinar as nossas, os nossos modelos, né?
31:44
Tipo assim, como que a gente consegue fazer essa?
31:46
Essa questão é só usar as mesmas coisas que a gente já faz com o
31:48
software tradicional. Ah, cara, botei uma versão nova,
31:51
Ah, não deu certo, faço how back.
31:52
É tipo, tem, tem alguma? Coisa é interessante nesse
31:56
sentido. Tem uma esteira aqui que eu eu
31:58
acho que é essa é a mesma tecnologia para quem está
32:00
utilizando ali o desenvolvimento de software, que é utilizar um
32:03
Git lab da vida, né? Então Eu Acredito você comentou
32:06
de versionamento assim, antes de você versionar ali, antes de
32:10
você subir uma nova versão de um modelo de fato, como que está as
32:13
métricas desse modelo? Então você usar um ml flow para
32:17
monitorar ali os experimentos é uma boa solução?
32:19
Sim, é uma forma de você entender esse OF um score do seu
32:23
modelo está fazendo sentido. Dedo, se a curácia está boa, se
32:26
a curácia caiu e se a curácia caiu, por que que ela caiu?
32:29
Essa é a parte mais de novo, é a parte mais trabalhosa ali que
32:33
poucas empresas fazem, porque custa tempo e eu quero olhar já
32:36
o próximo projeto da fila. Eu não quero dar continuidade.
32:39
Então, pô, minha curácia caiu, meu modelo está danificando, por
32:42
que que está danificando, cara? Aquela base que vinha daquele
32:44
sistema, a gente descontinuou, você acredita?
32:47
Poxa. Isso não acontece, né?
32:49
A ou o sistema mudou a coluna lá, só que a minha coluna era
32:53
uma data. Aí você começa a passar como int
32:56
ou como você sumiu a coluna, mudou o nome.
32:58
Então, de novo, ter essas ferramentas ali na ponta, eu
33:01
tenho um costume. E aí é uma questão aí, cada um
33:03
pode implementar da melhor forma que é.
33:05
A gente cria alertas hoje dentro do dos nossos canais, seja slack
33:09
ou Teams, e os 2 e os alertas servem.
33:12
Para 2 motivos, primeiro é para construir uma escala que a gente
33:15
chama de bombeiro, que é ô, deu ruim lá, alguém pode olhar, e aí
33:18
tem a pessoa já determinada ali para ajudar de forma proativa,
33:21
né, que às vezes isso acontece, mas assim, 2 métricas muito
33:25
básica, que é o modelo rodou, rodou, qual que é a performance
33:28
que o modelo rodou naquele momento?
33:29
Ó, subiu, desceu, isso já está automatizado, bacana, então a
33:33
gente não é isso que a gente tem que se preocupar, né?
33:34
Nossa preocupação do dia, então eu vejo que está na ponta
33:38
trazendo essas informações, esses alertas, é o que vai te
33:40
dar mais qualidade. De vida?
33:42
É lendo seu material também, né? Vi outras práticas aqui que
33:45
também são bem comuns, assim em software, né, como por exemplo o
33:49
deploy Canário, né? De ir disponibilizando as
33:52
coisas, o novo modelo aí aos poucos para poucos usuários e
33:56
vendo né, coletando dados, métricas, entendendo isso aí, os
34:00
testes AB exatamente, né? Enfim, que são também boas
34:03
práticas em software, quando a gente fala né, de
34:06
funcionalidades novas sendo liberadas, então assim, no final
34:09
das contas, uma coisa que eu achei muito interessante.
34:12
Nessa forma de ver os produtos em i first é que parece que
34:16
assim, quando a gente fala de software, o que que é o core,
34:19
né? É a gente falar de arquitetura,
34:21
de experiência do usuário, de lógica, do de negócio, né?
34:25
Assim, isso é o core. E quando a gente fala de
34:27
produtos em i first, Oo core é o modelo, né?
34:30
De fato, então, são as metodologias que precisam ser
34:33
feitas, as coisas, as práticas, os processos, as mudanças de
34:37
cultura que precisam ser feitas para colocar o modelo no centro,
34:40
né? E ele passar a ser.
34:42
Tão importante quanto qualquer outra coisa, né?
34:44
Assim, ele passar a ter uma relevância maior mesmo, enfim, e
34:48
a gente mudar as coisas para que isso aconteça, né?
34:50
Exato, pegar um termo assim que a gente acaba fazendo também,
34:54
depois pegando a mesma ideia do churning e que a gente pode
34:57
fazer de uma forma meio que prévia.
34:59
Quando a gente fala de fazer um encembol de modelos.
35:01
Não sei se eu trabalhava na área de prevenção à fraude, assim eu
35:04
trabalhei 8 anos EEA. Gente construía muito modelo de
35:07
fraude. E aquela feature, aquela
35:09
informação que eu gerava no meu modelo, ele poderia ser
35:11
utilizado? De forma cross pra uma área de
35:13
crédito. Então e se eu utilizasse aqui o
35:16
mesmo modelo que eu uso para fraude, o mesmo modelo que eu
35:18
uso para crédito? Eu faço o incêndio e na minha
35:21
entrada eu consigo ter mais informação, porque às vezes a
35:24
área de crédito ela tá ali preocupada, né, na sua carteira,
35:27
vê a safra, né, o mob, um mob 2 que eu aprendi ali No No, na
35:31
utiga casinha, que é o quanto que aquela safra está me
35:34
trazendo de resultado bom ou não, quanto que essa área está
35:36
conversando com cara de fraude, sendo que as 2 têm o mesmo
35:38
objetivo, né? Não perder dinheiro, seja com
35:40
fraudador, ou seja com. Uma carteira ali que está de
35:44
inadimplência. Quanto que essas áreas cruzam
35:46
novas features ou features que elas estão construindo a todo o
35:49
tempo e fazendo esse incembo de projeto ou projeto de chern?
35:52
Porque o cliente que já é chern já é um cliente que eu nem
35:55
preciso classificar ali diretamente, nem preciso passar
35:57
pelo meu modelo. Então ter essa junção também é
36:00
algo legal. E você comentou do teste AB, eu
36:03
vejo o teste AB da seguinte forma ali, em vez de você abrir
36:06
para uma massa, ou seja, você não, em vez de você abrir para
36:09
todos os seus clientes de uma forma direta, porque você.
36:12
Você não escolhe uma unidade ou uma região e faz um teste, que é
36:15
com o grupo controle, traz a área de negócios para perto.
36:18
Pessoal põe a área ali e fala assim, ó, a gente está testando
36:20
nessa unidade, vamos ver como que vai ser os resultados dela.
36:23
É muito mais fácil de você isolar as variáveis do que você
36:26
virar para tudo. E aí você tem um problema que
36:28
vai só escalar ali. Então eu vejo um pouco dessa
36:31
nessa linha também, que ajuda bastante, que é uma boa prática
36:34
de software, né? Você não abre para todo mundo,
36:35
eu? Acho que até nisso tudo que a
36:37
gente trouxe agora, né? Lucas cara testa b coisas que a
36:40
gente consegue aplicar e trazer alguns.
36:42
Conceitos do do da base do desenvolvimento para esse modelo
36:45
de ER first, existem também algumas outras coisas como Oo,
36:49
deita, Canvas, né, de, de, de de mostrar esses esses dados em
36:52
trazer outros tipos de formas de conectar essas essas hipóteses
36:55
de valor para o conjunto de de features e métricas de de ml,
36:58
né? Que eu acho que é interessante a
36:59
gente trazer aqui também. Bacana, cara, o que eu estou
37:02
vendo assim muito no mercado é o pessoal pegando o Business
37:04
scanners, né, que basicamente ele já tem algumas perguntinhas
37:08
ali. Qual que é o objetivo do
37:09
projeto, quem são as áreas envolvidas e a.
37:12
Dando pra esse aí Business camas, né?
37:14
Fizeram uma readaptação e essa adaptação é super justa, sim,
37:17
porque ela compartilha dos 2 mundos, né?
37:20
Tanto você trazer os kipias da área, que é a área fala, olha o
37:24
projeto que a gente vai fazer aqui de churning, a gente vai
37:26
estar mexendo nessa taxa aqui, que é a taxa de retenção de
37:29
clientes, então. Beleza, e do seu lado aí, o que
37:32
que você está mexendo, cara? Essas são as métricas para esse
37:34
tipo de projeto que a gente vai ter que estar olhando e são
37:37
algumas métricas estatísticas. É quase você fazer um híbrido
37:40
dos 2 mundos. Beleza?
37:42
Mas assim, eu já eu já tenho uma ideia, já respondi a pergunta de
37:45
negócio, qual que é a dor? Quem são as áreas que vão
37:48
participar? Tá, mas pra onde que eu vou, né?
37:50
Qual que é o meu próximo passo? Lembra do arquiteto que eu
37:52
comentei, arquiteto, vamos fazer 11 pequena poc aqui, uma solução
37:56
de como que isso conversa com, seja com WhatsApp, com CRM,
38:00
qualquer uma dessas soluções que a área tem interesse é quase um
38:03
desenho no alto nível, sem entrar naquele desenho muito
38:06
técnico de por que que a por que que o usuário está saindo daqui,
38:09
indo para outro lado, mas olha a solução, aí ela vai estar aqui,
38:12
ela vai se conectar com esse sistema e esse é Oo resultado
38:15
que você tem que esperar aí na ponta, beleza?
38:17
Beleza, beleza e uma coisa que eu vejo assim, poucas empresas
38:20
falando EE é uma preocupação também, até deu uma palestra
38:23
sobre isso. Existe um framework muito legal
38:26
da PwC que é OEI etics que a gente precisa de todos esses
38:30
dados para treinar esse modelo. O dado que está ali, seja um
38:33
dado pessoal ou um dado sensível, eu não posso
38:35
generalizar esse dado para que o meu modelo não gere vies.
38:39
Dependendo do dado que eu estou imputando, ele vai gerar ali um
38:42
viés, então você criar só para talvez tangibilizar um pouco
38:45
mais, em vez de eu passar só e. Idade da pessoa como featur por
38:48
modelo. E se tal eu criasse uma faixa
38:51
etária a fim de eu não, não, não gerar um viés ali ou até mesmo
38:54
uma discriminação sem querer que é natural, né?
38:57
Então existe algumas técnicas dentro ali.
39:00
Quando a gente tá olhando para esse framework, não só da gente
39:02
anonimizar o dado, não só pra gente generalizar, mas a gente
39:05
tomar esse cuidado ali, porque no meu caso, quando trabalhava
39:09
com a parte de prevenção, a fraude era se eu negasse uma
39:12
transação. Eu precisava explicar o porquê
39:14
que aquela transação foi negada e você ter isso muito bem claro
39:17
ali. Quais foram as features que os o
39:19
seu processo de fit em portes que resultou naquela tomada de
39:22
decisão, traz principalmente um dos principais pilares da desse
39:26
framework que é transparência. Achei bem interessante, Lucas,
39:29
esse último exemplo que você deu aí justamente porque.
39:33
Faz a gente pensar, né, que lidar na verdade assim, né,
39:36
reforça, né, o todo o nosso discurso, que a gente está
39:40
conversando desde o início do episódio, que lidar com produtos
39:43
de machine learning, de as generativas de ar no geral, é
39:46
diferente e adiciona coisas, né, pra gente pensar, são realmente
39:51
diferentes de software, né? Como você falou isso muito bem
39:54
nesse exemplo, poxa, talvez lá no software eu não preciso me
39:57
preocupar lá se eu estou, eu tenho a cidade, eu tenho a, eu
40:00
tenho a idade da pessoa, eu tenho a cidade, mas por.
40:03
Que eu tô fazendo aqueles dados ali muito mais, porque eu sei
40:05
lá, eu quero ter um controle ali, pessoal, enfim, qualquer
40:08
coisa nesse sentido. Mas quando eu tô falando de
40:10
treinar modelos, eu tenho que pensar em outras coisas, poxa,
40:13
que que esse modelo vai ter de viés?
40:16
O que que esses dados vão confirmar ou né, o que que esses
40:19
dados vão refutar? E no final das contas, eu acho
40:22
que confirmou 100% de tudo que a gente tava falando, que fazer
40:25
produtos, ei, first, é muito diferente de fazer produtos.
40:29
É de software tradicional e que assim e que a gente tem um tanto
40:32
de capacidade mesmo, que a gente tem que pensar desde lá do
40:35
Discovery, né, como vocês, a gente bem conversou aqui, até a
40:39
hora que a gente tá colocando isso em produção de métricas, de
40:42
de pessoas envolvidas, de cultura, que realmente, né, a
40:46
gente precisa rever, pensar e mudar, né?
40:50
Quando a gente tá falando de produtos de ar, bom, gente,
40:52
gostei muito do papa, achei que foi massa pra caramba.
40:55
Fiquei muito feliz, Lucas, com tudo que você compartilhou
40:58
conosco aí, com a sua experiência.
40:59
Dentro do grupo E, enfim, na sua carreira como um todo.
41:02
E é isso, pessoal, muito obrigada e até a próxima.
41:04
Tchau, tchau.