Latest / Os Agilistas / #342 - DSM-Firmenich: Fazenda de Dados alinhada com a visão de negócio

Transcript

#342 - DSM-Firmenich: Fazenda de Dados alinhada com a visão de negócio · Os Agilistas

0:00
A gente já tem vários modelos, acho que um spoiler que eu posso
0:03
dar, né? Que a gente já tem, se eu não me
0:05
engano, 6 modelos que já estão no ambiente de ACC, né?
0:08
Nosso. Então isso acho que é outra
0:11
vantagem, né, de todo esse fluxo de ml opis que foi criado.
0:15
Então você tem um ambiente que você desenvolve, um ambiente que
0:18
você valida e um ambiente que você coloca em produção.
0:25
Bom dia, boa tarde, boa noite, bem vindos a mais um episódio
0:27
das agilistas, o podcast que é o seu radar de inovação,
0:30
tecnologia e negócios. Hoje o nosso papo é sobre como
0:34
dados e inteligência artificial estão ajudando a resolver os
0:37
desafios mais críticos da humanidade, alimentar uma
0:40
população que deve chegar a quase 10 bilhões de pessoas até
0:43
2050 e fazer isso de forma sustentável.
0:47
Eu sou o Pedro Rangel. Hoje é o Divino da bancada, com
0:49
vinição mais uma vez. Tudo bem, vinição.
0:51
Tudo bem, pessoal? Vamos lá e.
0:53
Pra nos iluminar nesse assunto, a gente tem o prazer de receber
0:56
hoje uma convidada que é líder nessa frente, que é a Ana Gomes.
0:59
Gerente de analytics da DSM, firminich Ana, muito bem-vinda
1:03
aos agelistas, tudo bem, como é que você está hoje?
1:05
Tudo ótimo. Muito obrigada pelo convite.
1:08
É um prazer estar aqui hoje falando desse assunto que sou
1:11
apaixonada por ele. Que ótimo. bem-vinda, viu?
1:14
ADSM Ana, ela tem uma. Ela tem um propósito muito
1:17
audacioso, né? Que a gente lê aí a missão que é
1:20
alimentar o planeta sem custar a Terra.
1:22
Uma missão muito nobre. Então, para começar, conta para
1:25
gente um pouco da sua jornada, se apresenta aí para os nossos
1:27
ouvintes. E o que que te move a aplicar a
1:30
tecnologia num setor tão vital? Trabalho como data analytics
1:34
manager na TSM feminiche é na área principalmente focada, né?
1:38
Em saúde, nutrição animal e com serviços de precisão, olhando
1:43
para nutrição de precisão. É dos animais, para que a gente
1:47
possa produzir realmente a proteína de forma sustentável,
1:50
para alimentar todas essas pessoas, né?
1:53
Que você comentou? Eu sou formada em engenharia,
1:55
então a minha formação é engenharia, tanto a graduação
1:59
quanto meu doutorado. Fiz o doutorado aí com foco
2:02
inclusive em sistemas computacionais.
2:04
É olhando muito para algoritmos de otimização que está dentro um
2:08
pouco ali do chapéu da inteligência artificial, tendo
2:10
também a é especialização em negócios para a sociedade.
2:16
Pela Harvard. Porque eu tenho um propósito
2:19
pessoal, né? E sou um entusiasta do uso da
2:22
inteligência artificial para resolver problemas de bem
2:24
público, né? Então eu estou aí há 3 anos na
2:28
da SM firminichi olhando para essas questões na saúde,
2:31
nutrição animal, e a gente está falando aí de olhar para
2:34
questões ligadas a fome zero. Né?
2:36
Olhar para condições climáticas que a gente quer melhorar, como
2:40
a produção mais sustentável. Falar um pouco também sobre a
2:43
questão do consumo e da produção é sustentável?
2:46
Então é. É bem bacana e a gente está
2:48
fazendo muita coisa legal nesse sentido.
2:50
Ah, que legal. A sua missão e a missão da DSM
2:52
estão super bem conectados aí, né, Ana?
2:55
Super alinhadas. Você citou um termo aí, nutrição
2:58
de de precisão. Eu eu já tinha escutado falar
3:01
pecuária de precisão. É a mesma coisa.
3:03
Um é, um está dentro do outro só para o pessoal.
3:06
Você se. Vou atuar um pouco aí nesse,
3:07
nessa frente. SIM, 1 está dentro do outro, né?
3:10
O nosso grande guarda chuva, nossa área de negócio é serviços
3:14
de precisão. E aí dentro dessa área a gente
3:17
está atuando, né? A gente é o braço digital e
3:20
consultivo que complementa o nosso portfólio nutricional.
3:24
Olhando para tanto, a produção de aves, a produção é de gado de
3:29
corte, placa de leite, suínos, aquacultura e a forma que esse
3:35
serviço. E essa nutrição de precisão
3:38
funciona, né? Junto com nosso cliente é que é
3:41
uma oferta, é para olhar integralmente para aqueles
3:45
animais, para aquela produção. Então a gente entra com o
3:48
produto digital, que vai é nos dar dados, né?
3:51
Nos fornecer dados do que que tá acontecendo ali naquela fazenda,
3:55
naquela Granja, junto com o nosso serviço consultivo.
3:59
Né? A gente vai enxergar através dos
4:01
dados se tem algum tipo de deficiência, se tem algum tipo
4:03
de manejo dos animais que precisa ser corrigido.
4:06
E a gente vai trabalhar junto com os nossos clientes nessas
4:09
correções, seja de manejo, seja nutricional.
4:12
E aí a gente pode entrar com os nossos produtos, né?
4:14
Vitaminas, minerais, eubióticos e enzimas, aí que a gente
4:18
produz. Só uma curiosidade é quando o
4:20
termo precisão, aí ele vem, imagino que ele vem, tipo assim
4:23
de de acertar determinadas variáveis ali, sei lá, de forma
4:27
que economicamente seja bom, mas também.
4:29
Seja bom outras questões, você podia explicar um pouquinho
4:32
melhor? Claro, a gente inclusive tem um
4:34
lema, né? Que a gente gosta, que a gente
4:36
quer tornar o que é invisível, visível.
4:39
Então, a precisão. Ela entra muito nesse contexto
4:43
de você ter os dados que estão ligados àquela produção.
4:47
E você conseguir ser mais assertivo, né?
4:50
Entanto, direcionar qual é o problema com essa visão
4:53
holística de todos os dados quanto também tomar a melhor
4:56
decisão baseada nos cenários, simulações, né?
4:59
Que hoje em dia, com inteligência artificial, a gente
5:02
também consegue levantar de forma bem mais rápida, né, pros
5:05
nossos clientes e aí com isso eles são bem mais precisos nas
5:09
intervenções que eles vão fazer com essa combinação, né?
5:12
Do dado da consultoria. E a nutrição?
5:16
Ah, legal, que são o os 3 pilares, né, da da DSM, aí que a
5:20
gente fala, né, isso ADSM, ela é uma gigante global, né, nesse
5:25
setor. Então eu imagino que a
5:27
complexidade dos dados seja coerente com essa escala, né,
5:31
amigo? E a situação que você deve ter
5:33
encontrado aí 3 anos atrás, logo antes do case que a gente vai
5:36
discutir já em instantes, deve ter sido realmente muito
5:40
complexa. Eu queria que você contasse pra
5:41
gente um pouco assim, o cenário que você encontrou, qual era o
5:44
principal desafio? E o que que o fazenda de dados
5:47
veio pra resolver, né, que é Oo assunto que a gente vai falar
5:50
aqui hoje. Sim, é.
5:51
A gente começou com esse projeto, né?
5:53
Da fazenda de dados, há há 2 anos.
5:56
E o cenário que a gente via antes é, era um cenário em que,
6:01
dada a nossa oferta, né, de produtos digitais pros clientes,
6:04
a gente tava, né? Recebendo muito dado e de
6:08
diferentes frentes. Então a gente tem, por exemplo,
6:11
um produto. Que é o farmitel, que está
6:14
voltado para a gestão das fazendas.
6:15
Então a gente consegue informações e dados da
6:18
performance dos animais, do manejo.
6:20
A gente tem o verax, que é um serviço para fazer a predição de
6:24
saúde dos animais. Então ali a gente vai ter
6:26
condições de Granja, marcadores biológicos dos animais, outros
6:30
tipos de dados. E aí a gente ainda tem mais
6:32
outros 2 serviços, né? O sustel, em que a gente também
6:36
coleta dados dos recursos, a gente vai calcular qual que é a
6:39
pegada ambiental daquela produção.
6:42
E o cytel onde a gente oferta é análises laboratoriais, então a
6:46
gente vai fazer análise das rações dos ossos e tudo que for
6:50
necessário ali para fazer esse diagnóstico da produção.
6:53
E todo cada um desses dados estava dentro de um silo, dentro
6:57
do seu próprio produto. Então, esse foi o grande desafio
7:00
que a gente enxergou 3 anos mais ou menos atrás e com a visão de
7:06
atender o nosso cliente de uma forma mais integrada, a gente
7:09
viu essa necessidade de começar a conectar esses dados que
7:12
estavam em cada um dos produtos, porque dessa forma a gente
7:15
consegue realmente olhar para isso de uma forma mais completa.
7:19
E a gente está quando a gente está falando dessas diferentes
7:22
Fontes de dados, né? São dados mais estruturados,
7:25
desestruturados ou os 2? Como é que é isso aí que o
7:28
sistema de dados aí do. A maioria dos nossos dados são
7:31
estruturados, mas a gente passou a receber nos últimos anos
7:34
alguns dados não estruturados. E a tendência que a gente vê do
7:38
mercado é também de receber mais dados não estruturados.
7:42
Então imagens, né? De drone, que a gente já vê que
7:45
está sendo. É uma tecnologia aplicada na
7:48
produção animal. É muito, muitas io tis, né?
7:53
Dispositivos e io tis, que também estão sendo levados agora
7:56
para a parte de produção animal, que já era muito forte na
7:58
agricultura, né? Já há uns 10 anos.
8:00
A gente está vendo isso também chegar forte.
8:03
E então a gente está com a expectativa de ter cada vez mais
8:06
dados não estruturados também. E como é que foi esse esse ponto
8:10
de decisão, né? Da da SM, vamos investir de uma
8:13
fundação mais Moderna, mais robusta.
8:16
Qual que era a grande expectativa por trás de fazer de
8:19
dados? A nossa grande expectativa.
8:21
EE, eu gosto até de fazer uma analogia nesse caso, né, com a
8:26
parte humana. Então a gente costuma falar, tem
8:29
um grande colega, né? Que ele fala que os animais, né?
8:32
Eles precisam. Ser como atletas profissionais
8:35
para que a gente consiga realmente produzir a proteína
8:38
que a gente precisa para alimentar, né?
8:40
A população mundial. E o que a gente vê com atletas
8:43
profissionais é que eles são pautados por vários
8:46
especialistas, né? E aí eles têm todo um suporte de
8:50
nutricionista, de médicos, né? De trem, treinos específicos,
8:55
tudo ali para garantir que eles consigam performar da forma
8:59
necessária. E a gente gosta muito dessa
9:02
analogia, porque. Para a produção animal mesmo se
9:04
aplica, né? Então a gente precisa de olhar
9:07
para todas essas questões, seja de saúde, seja de manejo,
9:11
recursos que estão sendo utilizados para que a gente
9:13
possa realmente ajudar os clientes e ajudar nesse
9:17
propósito, né? De alimentar o mundo sem custar
9:20
o planeta. Então isso foi um dos grandes
9:23
motivos. Pelos quais a gente começou essa
9:26
iniciativa. E o outro grande motivo é que
9:29
dado o volume de dados, né, que é incremental e vai ser
9:33
exponencial nos próximos anos, que a gente acredita, né?
9:36
Na Na agropecuária, crescendo, a tomada de decisão fica muito
9:40
mais difícil. Então, se você não tem né, uma
9:42
inteligência artificial, um algoritmo, se você não aplica,
9:45
né, as técnicas de ciência de dados ali para você conseguir
9:48
analisar todos esses esse volume, né, de uma forma rápida
9:52
e precisa, né EEA? Aí volta o termo da da precisão.
9:56
Se a gente não tem essa fundação de dados bem construída, a gente
10:00
não consegue dar esse passo. E hoje a gente tem a Lori, que é
10:03
o nosso sistema de inteligência artificial.
10:05
Né? Que a gente já suporta os nossos
10:07
clientes aí de produção de de gado de corte, vacas de leite
10:12
com essa tecnologia. E a gente quer expandir ela para
10:15
outras espécies, para várias regiões, né?
10:18
Globalmente. E a gente sabia também da
10:21
necessidade de ter essa fundação para que isso fosse possível,
10:24
né? Para que a gente pudesse
10:26
realmente ter um time ali olhando para esses dados,
10:29
produzindo esses insights de uma forma rápida, eficiente e usando
10:33
a tecnologia de ponta que a gente tem hoje, né?
10:34
Só fazer uma? Perguntas de curiosidade também
10:37
para vincular. É um passo um pouquinho atrás,
10:39
mas eu acho que me ajuda a entender.
10:41
Eu acho que ajuda do ouvinte também.
10:43
Quando você descreve todos esses produtos que que existem para
10:46
acompanhamento, igual você falou da saúde do animal e tal.
10:48
Como que isso vincula com o negócio?
10:50
O negócio é, é só de venda de de insumo, ou ele ele vende, tipo
10:55
assim, serviços, ou ele vende até o resultado final do tipo
10:58
assim, Ah, eu tô vendendo quase que um animal saudável, vamos
11:00
falar assim. É um serviço que vai
11:03
complementar a nutrição. Né?
11:05
Mas o nosso modelo de negócio, ele foca muito também na
11:09
nutrição, que a gente também vai estar ali oferecendo para os
11:13
nossos clientes para fazer qualquer ajuste.
11:15
Então é o serviço atrelado, né? A venda de nutrição, realmente
11:20
para complementar o portfólio. E você tem uma entrega mais
11:23
completa, né? Então esse é o modelo de de
11:25
negócio. Uma outra pergunta sobre essa
11:28
questão do dessa base de dados que vocês estão montando, as
11:31
vezes a gente vê aqui projetos desse tipo que às vezes.
11:35
Tem problemas assim, fica trabalhando demais assim na
11:37
fundação, mas demora muito a ter um resultado concreto e gerar
11:41
valor, como com imagino que seja um desafio lá também.
11:44
Isso foi foi um desafio quando a gente começou ali, há há 2 anos,
11:49
né, nesse projeto e. Acho que foi uma decisão muito
11:52
assertiva, que a gente teve de focar em casos de uso
11:56
específicos para aquela fundação de dados, porque eu já vi, né,
11:59
acontecer muito isso que você comentou Vinícius, de às vezes
12:02
você focar muito na parte técnica e quando você vai
12:06
realmente aplicar aqui em algum contexto, faltou, né?
12:10
Faltou um requerimento, faltou algum tipo de conexão, algum
12:13
tipo de padronização. Então, é acho que isso foi uma
12:16
das decisões muito assertivas que a gente teve e que eu acho
12:20
que nos ajudou a chegar. No sucesso dessa iniciativa, que
12:23
foi escolher bem os casos de uso, para a gente poder, é
12:26
realmente até justificar, né? O investimento é a gente
12:31
entender que a arquitetura que estava sendo proposta e a
12:33
governança que está sendo trabalhada faziam de fato
12:36
sentido para aquilo que a gente queria entregar, né?
12:39
Tanto para o nosso negócio quanto para os nossos clientes.
12:41
É, acho que isso é um bom momento para citar a famosa
12:44
regra 8020, né Ana? Que?
12:47
Tem várias pesquisas e relatórios de mercado que
12:49
mostram que os times de dados, né?
12:51
Engenheiros cientistas costumam gastar a esmagadora maior parte
12:56
do tempo organizando e limpando a casa, né?
13:00
Em termos de qualidade dos dados.
13:02
Do que de fato focar na análise e criação de valor, né?
13:05
Então acho que sim, estrategicamente uma decisão
13:08
muito boa começar pela o qual problema eu quero resolver, né,
13:11
pensar em casos de uso aí quick wins, eu imagino, mas eu acho
13:14
que também teve uma decisão técnica muito acertada aí que
13:17
foi a escolha da data brics, né? Aí eu queria que você elaborasse
13:21
pra gente um pouco o que que envolveu essa escolha, né?
13:23
Assim é, você já falou várias coisas aí que dão spoiler, acho
13:26
que a tecnologia data Lake House da data brics, né?
13:30
Ela une o melhor dos mundos, né? Data Lake pra.
13:32
Para dados não estruturados, data warehouse para
13:35
estruturados. Colocando de uma forma bem
13:36
resumida, né? Imagino que isso faça parte, mas
13:39
eu queria que você elaborasse um pouco para nós assim.
13:41
E como que você acredita que essa escolha está ajudando a
13:44
resolver até essa essa questão que o vinilson falou, né?
13:46
Que eu acho que a data blitz traz uma celeridade nesse
13:49
processo também. Sim, é, eu concordo.
13:51
Acho que essa foi uma escolha que a gente fez, que que também
13:54
foi muito acertada. É a decisão.
13:57
Ela primeiro veio da ideia, né? Do.
14:00
Da arquitetura que iria ser trabalhada, né?
14:02
Então a gente apostou muito numa arquitetura de data lakehouse
14:06
para que a gente pudesse ter escala para tratar.
14:09
É todos esses dados com todas as espécies para todas as regiões.
14:13
A gente também estava procurando, né?
14:15
Uma governança que garantisse que a gente tinha segurança de
14:19
todos esses dados, que cada produto também pudesse trabalhar
14:23
com os seus dados ali dentro do seu próprio domínio, de uma
14:26
forma autônoma, sabendo exatamente qual que é a
14:29
qualidade. Daquele dado, como que eu vou
14:31
compartilhar esse dado com outro produto, fazer essa integração
14:34
de uma forma correta? Então eu acho que que isso tudo
14:38
nos levou para essa arquitetura, né?
14:40
O date lakehouse com o método do data mech também que a gente
14:44
aplicou os domínios, né? Toda essa governança que também
14:47
foi, fez muito sentido, e com a data brics a gente encontrou
14:50
todas as ferramentas necessárias para implementar isso, então a
14:54
gente teve uma experiência realmente.
14:57
É muito positiva e que a escolha tanto da arquitetura e da
15:01
ferramenta nos é permitiu com 6 meses, né?
15:05
Já tá entregando os primeiros cases e já tá conseguindo ter é
15:10
a ingestão de dados, as primeiras pipelines, né?
15:13
Na Na arquitetura, medalhão e também criando os produtos de
15:17
dados, porque no final das contas é um dos nossos grandes
15:21
objetivos também. É ter uma plataforma que permita
15:24
que a gente crie esses produtos de dados, que acho que é esse é
15:28
um termo que está cada vez mais em alta, né?
15:30
Pra gente na área de de tecnologia.
15:33
E são os produtos que vão justificar de fato aquele
15:36
investimento, né? É, é a saída ali é, é o.
15:39
É como o Youse case, vai aparecer ali pra empresa, pros
15:43
clientes. Né, é perfeito assim, não é
15:45
fácil justificar um investimento que não gera um produto final
15:49
visível imediato, né? Até que você comentou, 6 meses
15:53
aí eu acho que é um é um Horizonte muito bom, né?
15:56
Acho que muita gente que começa um projeto como esse, que mexe
15:59
na fundação mesmo, né, criar uma fundação tão robusto talvez não
16:02
espera um retorno tão rápido, né?
16:04
Aí acho que até mais pro vinição aí que já viveu vários clientes,
16:08
várias indústrias. Como é que você enxerga esse
16:11
desafio para as lideranças, né, nos vários segmentos aí de
16:15
priorizar esse tipo de esse tipo de investimento?
16:17
Esse dilema, até que eu mesmo falei antes aqui, né?
16:20
Ele é interessante porque assim você não pode também pegar assim
16:23
11 musicase e moldar OA solução do problema só para ele, né?
16:28
Você tem que ter um pensamento contextual, né?
16:30
Isso você tem que ter ali 111 visão do todo ali, do que você
16:34
quer, mas ao mesmo tempo você tem que ir, ir, gerar alguma
16:37
coisa concreta, né? Porque é igual.
16:39
Já falou antes ali, senão às às vezes, na hora que você vai
16:42
aplicar, você fala assim, o dado não está do jeito, realmente é
16:46
necessário para rodar um determinado algoritmo, a
16:48
realidade, ela sempre se impõe, né?
16:50
A gente sempre sabe as coisas na hora que a gente vai realmente
16:52
aplicar, né? Então Eu Acredito que que seja
16:55
bom ter 11 estratégia meio mesclada, né?
16:58
Você pega alguns candidatos ali, você vai construindo a visão com
17:02
uma característica mais abrangente.
17:06
Mas, ao mesmo tempo, você vai gerando resultado.
17:07
Eu acho que tem até um pouco a ver com com a com o episódio no
17:11
antigão que a gente gravou com o Breno lá da da descendo também.
17:14
Alimentos. Aí não é com esse espírito, né?
17:17
Simplesmente só para para dar uma resposta para alguém.
17:20
O sentido é mais de realimentar com a realidade.
17:23
Então acho que que isso aí, que é o mais importante.
17:26
Assim, tem uma coisa que você coloca a coisa para funcionar de
17:30
fato, mas ao mesmo tempo você vai construindo uma coisa bem
17:33
abrangente. Sim, legal.
17:34
E a data? Brics?
17:35
Ela permite. Bastante disso, né?
17:36
Ana, inclusive, tem versões mais embrionárias, né?
17:39
Eu acho que eu não vou me aventurar explicar muito aqui
17:41
não. Quem quiser aprofundar mais
17:43
tecnicamente pode ir no podcast vizinho, que é o entre chaves.
17:46
Eu também nem vou conseguir aprofundar.
17:49
Mas eu sei que já existem ferramentas na data, na data
17:52
brics, que são versões embrionárias do da estrutura
17:55
completa, né, que são os data poodle, os data points, né, que
17:59
são versões menores e tal, permitem você criar a tecnologia
18:03
para aquele uso case ali, num determinado contexto.
18:05
Mas já acena um. Para uma estrutura mais completa
18:07
no futuro, permitindo preparar, né?
18:09
Vocês chegaram a passar por uma ideia mais embrionária primeiro
18:12
ou já foram direto com uma arquitetura mais definitiva?
18:15
No nosso caso, a gente já foi para uma arquitetura um pouco
18:18
mais definitiva com esse olhar já para o longo prazo, né?
18:23
Mas ficou muito com o time ali. A escolha realmente, né, das
18:26
ferramentas técnicas dentro do data brics, mas sempre com esse
18:30
olhar de algo que vai responder, né, pro?
18:34
Pro que a gente precisava no momento, mas que também vai
18:37
atender o futuro. Acho que o Vinícius colocou isso
18:39
de uma forma muito, muito bem, né?
18:41
Colocada de que é preciso ter esse essa visão híbrida e até
18:45
para complementar, né? Acho que a nossa experiência com
18:48
esse projeto, para mim assim, foi uma das experiências em que
18:51
eu vi a agilidade dentro do contexto de dados sendo muito
18:56
bem aplicada, né? Então você pensar naquele caso,
18:59
a gente teve também, né não? Falhas, né, mas casos que não
19:03
foram. Acesso que a gente viu que ainda
19:05
precisava é a gente viu que ainda precisava ali de ter 1 o
19:09
volume maior de dados para talvez você fazer uma entrega
19:11
final. Mas tudo isso gerou valor para
19:14
que a gente entendesse qual que era o próximo passo, qual que
19:16
era o próximo ajuste que tinha que ser feito, se a escolha dos
19:20
cases precisava ser ajustada para o próximo caso.
19:23
Então eu eu vi muita agilidade, né, nesse nesse contexto EE,
19:28
acho que foi uma coisa muito interessante assim que eu
19:30
experimentei, né, nesse projeto. Até acho que depois a gente pode
19:33
falar um pouquinho. E mais aí do dos insucessos
19:36
também, que é Superinteressante, os ouvintes gostam de entender
19:38
também o que deu errado né, que é claro que nem tudo dá certo o
19:41
tempo todo, mas já você já materializou pra gente bastante
19:45
aí algumas aplicações né? Da pecuária de precisão,
19:48
nutrição de precisão, em geral, várias situações em que a
19:51
análise preditiva né entra realmente como algo que pode
19:54
ajudar aumentar a eficiência operacional no setor, né?
19:56
De criação animal em geral, mas existe 11 grande resultado
20:00
recente que a gente quer comentar.
20:02
É um caso, é um caso de uso, né, entendo assim.
20:04
Que é muito interessante, que é um modelo de machine learning
20:07
com um nome bem curioso, fairy liver model, né?
20:10
É o modelo de gordura, gordura no fígado, gordura no fígado das
20:15
aves, do das aves, para ser mais específico, aí conta pra gente
20:18
um pouco desse desse modelo, qual que é o problema que ele
20:21
nasceu para resolver? Como é que foi a jornada de
20:23
criação dele? Ele foi um dos primeiros que foi
20:25
implementado na dentro da plataforma da data brics, né?
20:28
Vocês já tinham vários outros, né, vários outros tipos de
20:31
análise correndo, mas esse foi um dos primeiros já nessa
20:33
versão. Mais Moderna do processo, né?
20:36
Exatamente. Queria contar um pouco para
20:38
gente. Esse foi um caso de uso em que o
20:40
nosso foco ele era é criar a nossa pipeline de machine
20:44
learning. Então a gente queria realmente
20:47
mostrar o valor de se ter uma fundação bem construída para
20:50
acelerar a criação e a produtização de modelos de
20:54
machine learning. Então o modelo, né?
20:57
De previsão de gordura no fígado das aves.
20:59
Ele, hoje ele está já em produção acessível para os
21:02
nossos clientes através do verox.
21:04
Que é o nosso produto de petição de saúde animal.
21:07
A gente já tinha ali 10, né? A gente já tinha mais de 10
21:10
modelos disponíveis para aves de corte e postura.
21:14
E o fairy livre foi o primeiro que a gente colocou nessa
21:17
estrutura e que a partir dele, a gente passou a entregar os
21:22
modelos para essa aplicação de forma muito mais rápida.
21:26
E só pra. Ficar um pouco mais claro o que
21:28
que é o modelo em si. A gente tem os marcadores
21:32
biológicos das aves e algumas observações veterinárias, então
21:36
a gente tem um banco de dados muito rico de vários locais, né?
21:41
Produção de vários é países. E a gente consegue, através do
21:44
machine learning, identificar esses padrões, né?
21:46
E prever de antemão, antes do caso ser clínico, né?
21:50
De você conseguir o veterinário ir lá na Granja e ver aquilo
21:53
acontecendo, porque as aves estão perdendo peso, né?
21:56
Não estão se alimentando adequadamente.
21:57
A gente já consegue ver traços ali no exame de sangue que
22:00
identificam que tem um problema para você atuar proativamente.
22:04
Então é como se fosse o nosso caso, né?
22:06
Quando a gente faz também todo ano o exame de sangue.
22:08
E aí tem hoje em dia, né, hemoglobina glicada, né?
22:12
Se está alto livro, você está talvez pré diabético, e aí o seu
22:16
médico vai pedir para você ajustar sua alimentação, olhar
22:19
para isso e voltar lá e fazer um exame de novo depois de um de um
22:23
tempo, então é a mesma. A gente pode aplicar, né?
22:26
Essa essa visão para os animais também.
22:29
E a gente tem esse modelo e vamos, né, olhar aí para vários
22:33
outros para poder ajudar a tratar esses casos subclínicos.
22:38
Legal, é muito interessante isso por causa desse é desse case do
22:42
fazenda de dados foi que eu comecei a explorar mais o termo,
22:45
que até então era um pouco mais novo para mim.
22:47
Assim, sempre que a gente coloca o Office na frente de alguma
22:50
coisa, a gente está falando de orquestrar o ciclo de vida, né,
22:52
de alguma coisa, design off product, Office, et cetera, né?
22:55
Então surgiram vários Office nos últimos.
22:58
Anos. Hoje em dia é Office?
22:59
Exatamente. E aí esse bastante conhecido
23:02
como m melops, né? Que é orquestral, o ciclo de
23:04
vida dos modelos de machine learning.
23:06
E aí tem um dado muito interessante do Gartner
23:08
inclusive, né, que sugere que 8 a cada 8 ou 9 a cada 10 modelos
23:14
de machine learning nunca chegam.
23:16
A produção? Aí se você puder elaborar um
23:18
pouquinho pra gente assim, por que que você acredita que que
23:21
essa é a realidade e como você acha que esse novo fluxo que
23:25
vocês desenharam de Emma Lopes ajudou a resolver esse problema,
23:29
no caso da DSM. Eu tenho até uma história, né?
23:32
De uma experiência passada minha.
23:34
Eu passei antes de vim, né? Para a parte de nutrição animal.
23:37
Fiquei 11 anos na indústria siderúrgica.
23:39
E o primeiro modelo? Né?
23:41
Que eu coloquei de inteligência artificial, que eu coloquei em
23:44
produção foi em 2013. Na época a gente nem falava, né?
23:48
Data Science não era nem inteligência artificial, não se
23:51
comentava muito disso. Mas a transformação digital já
23:54
estava acontecendo ali na indústria de base.
23:56
Naquela época, eu criava o modelo.
23:59
Em c Sharp criava um serviço que era instalado no servidor que
24:04
estava conectado à máquina na planta industrial.
24:07
E aí qualquer ajuste que eu precisava fazer no modelo, eu IA
24:10
lá junto com os operadores, acompanhar como é que o modelo
24:14
estava funcionando. Qualquer ajuste que eu precisava
24:16
fazer, eu tinha que voltar lá. Você IA de EPI, né, pra fazer
24:19
de? EPI, sala de controle, voltava
24:22
lá, mexia no código, criava um novo serviço.
24:26
Se tivesse qualquer alteração, Ah, estou usando uma variável
24:28
nova e você IA no sistema de produção, você tinha que alterar
24:32
o sistema de produção para você colocar a nova versão do modelo.
24:36
Então assim, era muito complicado.
24:38
Sem contar o risco, né? Muitas das vezes eu tinha que
24:41
esperar uma parada de produção para eu levantar um novo modelo,
24:44
para ajustar o modelo que estava ali funcionando.
24:47
E quando eu vejo a forma que a gente trabalha hoje em dia, né,
24:51
com com a produtização dos modelos de inteligência
24:54
artificial, para mim, assim isso.
24:56
É um benefício imensurável. Eu chego a ter dificuldade até
25:00
de falar tudo que eu vejo de bom, né?
25:02
Nesse nesse processo. Mas pra gente realmente
25:06
conseguir ganhar escala, né? EE conseguir estar ali realmente
25:11
com os modelos, com o ciclo de vida ajustado, né?
25:14
Que você consegue treinar retreinar.
25:16
Atualizar, ter controle das versões.
25:19
A gente realmente precisa dessas tecnologias e dessas plataformas
25:22
que a gente tem hoje. Eu lembro que até nessa própria
25:25
empresa, meados ali de 2018, a gente começou a criar um time
25:30
para criar a nossa própria pipeline, sem essas ferramentas
25:34
de mercado, né? Porque ainda era muito
25:35
incipiente, então. É, é super importante para você
25:39
conseguir aplicar no dia a dia essas tecnologias, você ter essa
25:43
facilidade e você ter esses fluxos padronizados, né?
25:47
Isso garante a segurança de todo o processo, garante
25:50
auditabilidade, né? Daquilo que você está fazendo,
25:54
nossa, eu conseguiria falar horas sobre isso, porque
25:56
realmente eu já vivi aplicação de modelo raiz, né?
26:00
Até AA. Agora essa facilidade que a
26:03
gente tem que é muito positiva. Legal de novo data brics No No.
26:07
Core aí da solução, né? Com OML, flow e tudo mais.
26:10
E depois do modelo de gordura no fígado, da no fígado das aves,
26:15
imagino que já tem vários outros no forno aí, né?
26:17
Então, agora com mais celeridade para poder entregar os modelos
26:20
em produção, por que que vem pela frente aí?
26:22
Tem algum que você pode dar um spoiler?
26:25
A gente já tem vários modelos, acho que um spoiler que eu posso
26:28
dar, né? Que a gente já tem, se eu não me
26:30
engano, 6 modelos que já estão num ambiente de ACC, né?
26:33
Nosso. Então isso eu acho que é outra
26:36
vantagem, né? De todo esse fluxo de ml Opus
26:39
que foi criado. Então você tem um ambiente que
26:41
você desenvolve, um ambiente que você valida e o ambiente que
26:44
você coloca em produção, então já tem 6 lá, inclusive para
26:48
outras espécies. Então a gente está bem animado e
26:51
a velocidade com que a gente consegue fazer isso agora é
26:55
muito maior, né? Então, uma vez que a gente tinha
26:57
um modelo desenvolvido antes da fazenda de dados, era de 2 a 4
27:02
meses, dependendo da complexidade do modelo para.
27:05
Criar API, colocar ele em produção, monitorar os
27:08
resultados, fazer toda essa, cumprir todo o ciclo de vida.
27:12
Hoje a gente faz em uma sprint de 15 dias.
27:15
É, realmente é bem mais empolgante, né?
27:17
2 a 4 meses para 2 semanas, é? Imagina e quando?
27:21
Você tem que retreinar, né? Aham?
27:22
Hoje a gente já consegue por retreinamento automático.
27:25
A gente consegue responder questionamentos, né?
27:28
Da dos clientes da área de negócio com relação à
27:31
assertividade, acurácia dos modelos, recebemos mais dados,
27:34
fizemos mais. Amostras, né?
27:36
Em animais a gente consegue retreinar EE garantir que o
27:40
nosso cliente está sempre ali com a tecnologia, né?
27:44
O dado ali todo atualizado, tudo da melhor forma possível.
27:47
As expectativas devem estar altas já também, né Ana?
27:49
Alta gestão da da DSMO pessoal. Já consegui colocar as ideias em
27:54
prática já mais rápido assim. Né, e isso para mim é algo que
27:57
está sendo muito interessante de vivenciar, que é esse interesse.
28:01
Né? Da alta liderança num assunto
28:03
fundacional, né, que geralmente a gente considera até um assunto
28:07
ali de bastidor, né? E a gente trazer o que o time de
28:09
engenharia nosso faz, né, ali pra pra frente da liderança, é
28:14
muito bacana. Segundo agora a gente teve até
28:17
Oo estado suporte, né? Desse projeto a gente faz ele
28:20
bimensalmente. A nossa alta liderança entende
28:23
muito o valor, né? Da inteligência artificial e
28:26
quer muito que a gente dê esse passo, né?
28:29
Como um serviço ali para os nossos clientes.
28:31
É mais ter eles ali ouvindo, escutando o que que a gente está
28:35
fazendo com interesse, fazendo perguntas.
28:38
Isso para mim é é de um orgulho enorme.
28:40
Assim a gente conseguiu mostrar o valor e contar bem essa
28:43
história, né, que é super importante.
28:45
Legal até acho que 11 bom ponto que você entrou, aí a gente
28:49
falou, né tipo de resultados de negócio.
28:52
Já, mas tem também aquele resultado que é AA melhoria
28:56
cultural, né? Que aconteceu, eu acho que você
28:59
viu aí ao longo desses 3 anos, seu time mais que dobrou, né?
29:02
Ana, que a gente viu aí é, começou como um engenheiro, um
29:05
cientista, um arquiteto, alguma coisa assim.
29:07
Hoje já está com um time completo aí em todas as frentes,
29:09
né, de e cobrindo engenharia, ciência, análise, né?
29:13
Tem data manager já. Então assim, como é que você
29:16
avalia que foi também essa Escalada não só da tecnologia da
29:20
plataforma, mas também da? Cultura de dados, né?
29:23
Na DSM. Esse projeto em específico, eu
29:25
acho que nos ajudou muito a trazer tanto a visibilidade que
29:28
eu acho que é muito importante. Enquanto a gente fala, né, de
29:31
cultura, de dados, quanto à prática, né?
29:34
Também. Então é olhando um pouco assim
29:37
no âmbito interno do nosso time. Nossa, é é orgulho demais mesmo
29:42
da maturidade que a gente atingiu.
29:44
Quando a gente pensa nessa arquitetura de data lakehouse
29:47
com datamash, isso exige. Né, uma governança,
29:50
documentação, e a gente está vendo a gente fazer isso de uma
29:54
forma muito estruturada e isso realmente vira um case de
29:56
sucesso. Faz questão de citar aqui o
29:59
Bruno Oliveira, né, o nosso coordenador de engenharia de
30:01
dados, que lidera tecnicamente de uma forma brilhante e
30:05
realmente ajudou, né, a gente a mostrar esse esse valor e o time
30:09
vai crescendo junto, né, porque a régua vai aumentando, o time
30:12
vai crescendo junto, a gente vai criando novas oportunidades para
30:15
as pessoas no time. O time de ciência também, né,
30:18
vai crescendo porque vai conseguir.
30:19
Entregar mais rápido o time de análise igualmente, então
30:22
internamente teve um impacto super positivo.
30:25
É, e dentro da corporação também, né?
30:27
A gente fez esse projeto muito em parceria com o time global
30:30
nosso de tecnologia, e um dos nossos desejos lá atrás, 2 anos
30:35
atrás, era também usar esse caso, usar a nossa, essa nosso
30:40
projeto, né? A fazenda de dados como um
30:43
piloto para 11, arquitetura que vai ser agora aplicada
30:46
globalmente para toda a empresa, né?
30:48
Para todas a. As áreas área de vendas, área de
30:51
pesquisa e desenvolvimento. E isso está acontecendo, né?
30:53
Então a gente conseguiu provar o valor da da arquitetura.
30:57
A gente conseguiu mostrar, né? Qual a melhor forma de
31:01
trabalhar? É melhor forma dos processos
31:04
rodarem, né? Trouxemos a pessoa de o data
31:07
product manager, que fez também uma grande diferença.
31:10
E aí a gente está vendo a empresa toda junto, abraçando
31:12
essa ideia e caminhando e a gente ajudando nessa construção.
31:16
Então, globalmente, né? Eu vejo essa transformação e a
31:19
gente conseguindo alavancar a maturidade de dados da empresa
31:23
como um todo. Curioso isso, né?
31:24
Vinição assim a gente falou agora há pouco sobre Oo fazenda
31:27
de dados como algo já grandioso de uma certa complexidade.
31:31
Ele em si. É o embrião para algo maior
31:33
ainda. Então assim vem, vem novos
31:35
desafios aí, né, Ana? Que que você vê aí que ainda
31:38
existem, né? De desafios para para essa
31:40
fundação especificamente ou até para a organização como um todo
31:43
para adotar agora essa plataforma que vocês criaram?
31:46
Um dos desafios que eu vejo hoje é a parte de catalogação dos
31:50
dados, então hoje a gente está nesse momento de olhar
31:54
realmente. Para esse catálogo, para como
31:57
esses dados estão anotados? Para que a gente possa também
31:59
democratizar o acesso a ele. Então, como a gente está falando
32:02
de expandir essa arquitetura datamesh de uma forma
32:05
organizacional? A gente passa a entregar dados
32:10
para o time de pesquisa e desenvolvimento, né?
32:12
Para que eles possam acelerar com a inteligência artificial, a
32:15
criação de novos produtos, toda a parte de ciência que é muito
32:18
forte, né, na nossa empresa. E com isso a gente tem esse
32:21
desafio agora. E o outro desafio que eu vejo
32:24
também, né? No curto prazo é a
32:27
interconectividade, que vai no nível do produto.
32:31
Então, como que a gente padroniza, né?
32:33
Alguns dados e alguns identificadores entre os
32:37
produtos, né? E isso também é um desafio muito
32:41
bacana, porque ele não é puramente técnico, né?
32:43
Então é um desafio em que a gente tem que realmente é
32:46
mostrar o porquê que a gente tá fazendo aquilo.
32:49
Isso pode gerar backlog para os produtos digitais.
32:52
E aí você começa a ver, né? A empresa como um todo
32:56
caminhando para ser completamente data drive, né?
33:00
Então é um desafio bem legal aí que a gente está vendo, já está
33:04
trabalhando aí no curtíssimo prazo.
33:05
Você enxerga também é como sendo 11.
33:08
Desafio cultural também do pessoal ter costume de buscar
33:11
esses dados EE de confiar que eles existem, que eles estão lá.
33:15
Você você enxerga um desafio cultural também nessa
33:17
democratização ou é é mais o desafio técnico?
33:20
Hoje eu vejo o técnico como o nosso direcionador, né?
33:25
Garantir que a gente está com com essa catalogação de uma
33:28
forma que quando as pessoas precisarem, elas vão ter, né?
33:32
Oo acesso correto? Mas esse ponto que você trouxe,
33:35
Vinícius, me lembra um pouco até de um de um conceito que a eu eu
33:39
peguei da Gartner, né? Esse ano tive ali 11 trabalho
33:43
deles. Sobre o gap de adoção da ya, que
33:45
é a tecnologia que a gente tem disponível, e a maturidade das
33:49
pessoas em consumi la esse é um gap que ele é normal, né?
33:53
Ele existe, ele precisa existir. Até para a gente é não estar ali
33:58
sempre trazendo né mais. Alto ali da tecnologia, mas as
34:03
pessoas não estão usando e aí você está perdendo o
34:05
investimento que você está fazendo.
34:06
Então achei Superinteressante essa visão deles, né, de que
34:09
existe esse gap da adoção da IA. Ele é normal, ele faz parte das
34:14
empresas, mas você tem que gerenciar esse risco.
34:17
Então existe um débito técnico agora de IA que eles falam, né?
34:20
A gente sempre ouviu falar de débito técnico Na Na
34:23
desenvolvimento de software e agora eles falam, trazem isso
34:26
para IA, que é você conseguir fazer essa gestão, né?
34:28
De até onde eu vou garantindo é a.
34:31
Atividade técnica li o nível técnico daquilo que eu tenho com
34:35
base na adoção que as pessoas estão tendo, né?
34:38
Então é realmente 11 equilíbrio que a gente tem que ter.
34:41
Então a gente está olhando agora para essa questão técnica para
34:44
depois avaliar, né, como é que tá a adoção?
34:46
Como é que tá esse risco? Como é que tá esse gap?
34:48
Como é que a gente vai endereçar e dar um próximo passo?
34:51
E às vezes também tem um risco de de segurança, né, que tem
34:53
sido muito comum. Né?
34:54
Sim, sim. E esse risco de segurança,
34:56
inclusive quando a gente olha, né?
34:58
Para as empresas com baixa maturidade em dados, empresa com
35:02
alta maturidade em dados, a de alta maturidade em dados é a que
35:06
mais olha para a questão de segurança, né?
35:09
Então isso é muito interessante também, né?
35:11
As. Empresas de baixa maturidade
35:13
geralmente elas estão olhando para OA escolha do case certo
35:16
para conseguir tomar essas decisões, alavancar essas
35:19
fundações de dados e tudo ligado.
35:21
AAEI reiness, né? Já as empresas com alta
35:24
maturidade, elas vão estar olhando primeiro para a
35:25
segurança, né? Garantindo ali que que você está
35:28
cobrindo todas as áreas. Faz todo o sentido vindo, são
35:32
você que tem uma visão aí de de vários mercados também.
35:35
Você vê alguma lição mais evidente que dá para tirar desse
35:38
caso para outras empresas que mais te chamou atenção assim?
35:41
Eu acho que mais chamou atenção essa questão de gerar retorno
35:44
mais rápido, né? Que eu já vi acontecer muito eu
35:47
já vi. Eu não vou ficar citando aqui,
35:49
né? Porque não pode.
35:50
Mas eu já vi casos assim da empresa ficar tipo assim, um
35:53
ano, um ano e meio. E aí na hora que realmente vai
35:56
aplicar, vê que tem um problema de processo, tipo assim, Ah, o
35:59
processo. Lá no processo você não coleta o
36:02
dado do jeito que precisa de ser coletado e nem é viável.
36:05
Mudar porque é uma, às vezes é um processo bem físico, né,
36:09
somente em indústria, então assim, não é um negócio assim,
36:11
Ah, um processo que eu vou mudar, sei lá, Oo formulário que
36:14
de coleta, não, não é bem isso, né?
36:16
Você tem que mudar o processo mesmo, né?
36:18
Fisicamente, às vezes tem que trocar equipamento, já vi, vi
36:21
isso aí, caso desse tipo, até para citar mais um caso também,
36:24
né? Chamou atenção também bastante
36:27
pragmatismo. É essa área de dados.
36:29
Tem uma característica às vezes, porque muitas vezes no software
36:31
a gente lida o problema ali. É um problema muito assim de
36:34
execução. Até tem alguns que é desafios
36:36
técnicos, mas são desafios técnicos que não são tipo um
36:40
Rocket. Science, né, não são
36:41
intransponíveis. Né?
36:42
Agora, na parte de dados, às vezes tem desafios que às vezes
36:46
são um pouco mais, tem características mais
36:48
científicas. Ele vamos falar assim.
36:49
E aí o perfil das pessoas é um pouco assim, às vezes assim,
36:52
pouco pragmático e às vezes fica trabalhando.
36:55
Muito na questão de modelos e tal.
36:57
E não tem aquele pragmatismo de de colocar coisa rodando.
37:01
Tem uma certa dificuldade às vezes de fazer até um
37:04
acompanhamento do do que está acontecendo.
37:06
E a outra questão que eu já vi é essa questão de tipo assim, da
37:10
do pessoal se apaixonar um pouco por aquela arquitetura, porque o
37:13
negócio vai ficando legal, vai ficando bonito, vai ficar com
37:16
várias novidades, EEA, coisa toda rodando, funcionando, só
37:19
que é você não consegue estar em muito valor ali.
37:23
Às vezes até tem um potencial. Gigantesco.
37:25
Só que normalmente o sistema que que a gente tem, né,
37:30
corporativo, é um sistema que precisa de resultados, de de
37:34
normalmente, de alguma coisa ali de curto prazo pra pessoal topar
37:38
uma nova rodada de investimento interno.
37:40
Vamos falar assim, né? Então achei legal essas questões
37:42
que me pareceu que vocês conseguiram lidar bem com essas
37:46
3 questões que eu citei aqui que eu lembrei, né?
37:49
Foram várias. Esse ponto da diferença, né?
37:51
De dados com software, eu acho que pra mim é.
37:55
Muito interessante, né? Também porque é um desafio nosso
37:58
também, de começar a entender como que a gente trabalha, né,
38:03
com essa experimentação que faz parte.
38:05
Então, muitas vezes você vai pegar os dados e vai, você tem
38:09
uma hipótese de que aquilo pode gerar uma predição de saúde
38:12
animal, pode gerar uma predição de ganho de peso.
38:15
Mas você não tem a certeza. Então a gente também está
38:19
trabalhando muito com essa, em deixar claro para as pessoas
38:23
esse processo, né? Contar essa história de que você
38:26
vai primeiro, experimentar, de que você tem uma hipótese.
38:29
Então, até no âmbito ali, né, da do data product manager, né?
38:33
A gente faz realmente um backlog de hipóteses.
38:37
A gente coloca isso dentro desses prints como se fosse
38:40
realmente uma entrega, né? Mas entendendo que aquilo pode
38:43
vingar ou não às. Vezes A Entrega é um
38:45
aprendizado, não é necessariamente um resultado.
38:47
Exatamente. E isso tem sido muito positivo
38:49
na forma nossa de de trabalhar também é.
38:52
Acho que é um aprendizado que vale compartilhar.
38:54
Isso vincula muito com esse exemplo que eu dei do pessoal
38:57
ser meio científico. Às vezes vai falar assim, cara,
38:59
mas você tem que gerar igual. Eu falei aqui, às vezes você não
39:02
vai ter o resultado porque é uma, é uma hipótese, mas você
39:04
tem que dar clareza de qual aprendizado você teve.
39:07
Assim, o aprendizado pode ser simplesmente o que é impossível
39:09
até executar aquela hipótese que você não tem as informações, não
39:13
vai ter as informações. Mas aí se você vai dando
39:16
transparência sobre isso e esse processo é rápido, ou seja, tipo
39:19
assim, você não gasta tanto assim pra ter esse aprendizado.
39:22
Aí o pessoal começa a aceitar. Entendeu?
39:24
E, no nosso caso, a validação da hipótese ela passa, né?
39:28
Tanto pela. Acurasse daquele modelo olhando
39:31
estatisticamente claro, né? O que que aquilo representa?
39:34
Se não é algo aleatório, mas principalmente a validação de
39:38
negócio, porque se você também ou só olha para a questão
39:41
estatística, às vezes você está perdendo uma oportunidade, né?
39:46
De colocar um modelo. Que já vai direcionar uma
39:49
decisão, mesmo não sendo ainda a versão final, né?
39:53
Daquele modelo, porque eu acho que é esse ciclo, né, de você
39:55
estar sempre querendo melhorar. Você pode ter mais dados, ter
39:58
resultados melhores, modelos mais assertivos, mas isso tem
40:01
que ser fazer parte do ciclo de vida, não precisa ser uma, né?
40:06
Uma diretriz ali para entrega. Então vai lidar com o negócio
40:10
também, né? Até que.se eu acertar esse tanto
40:13
se eu garantir que eu não tenho falsos negativos.
40:17
É, isso é suficiente para aquele produtor, né, para aquele
40:20
cliente tomar uma decisão que vai de fato impactar o negócio
40:23
nele. E eu vejo já o nosso time,
40:25
principalmente de cientistas de dados, muito com essa visão, né?
40:29
Muito com esse olhar, inclusive quando eles apresentam, né, os
40:33
resultados internamente da empresa para a gente decidir se
40:36
vai colocar em produção ou não. E isso eu acho que também é algo
40:39
muito positivo, sabe? Que nos ajuda também a ganhar a
40:43
confiança das pessoas de que aquilo de fato.
40:47
Pode mudar essa indústria, né? EE está mudando, é.
40:49
Aquele negócio, né? Se a máquina não aprender, pelo
40:52
menos a gente aprenda alguma coisa, né?
40:54
Tirar o aprendizado daquilo. Assim, eu achei extremamente
40:57
refrescante. A gente conseguiu um episódio
41:00
inteiro, eu vou cometer o ato agora, mas.
41:03
Que a gente quase conseguiu não falar de LLM, né?
41:05
Hora nenhuma a gente falou de a no seu conceito mais clássico,
41:09
né? Então assim, achei o papo super
41:10
refrescante nesse sentido, Ana, conectando já com o seu
41:14
propósito, né? De usar a tecnologia para o bem
41:17
comum. E olhando para o futuro da
41:18
indústria de nutrição animal, onde você enxerga aí o maior
41:21
potencial transformador da IA nesse contexto?
41:24
Que que mais está te empolgando aí no momento?
41:26
Olha o que me empolga e me move muito, né?
41:29
Atualmente é essa democratização para essa indústria.
41:33
Então, quando a gente comenta, né, de que a agropecuária, a
41:36
produção animal, ela tá ali 10 anos para trás da agricultura,
41:41
vamos colocar né numa nessa perspectiva, mas que a gente já
41:44
tem vários dados, várias tecnologias disponíveis, me
41:47
motiva muito que a gente já consegue pegar esses dados e
41:52
levar algo de Extrema inteligência para os nossos
41:55
clientes, né? Então, o que a gente tá
41:56
caminhando junto de forma que. Está nascendo todas essas
42:01
tecnologias para pegar os dados, né?
42:03
Para coletar. E junto com isso a gente está
42:05
conseguindo caminhar com a inteligência artificial e nas
42:09
suas várias formas, né? Então eu tenho feito um
42:12
trabalho, né, de de de conscientização e até de
42:16
alfabetização, não só interno, mas é do mercado de que a
42:21
inteligência artificial, elas são várias coisas, né?
42:24
Como você citou, não é só a inteligência artificial
42:27
generativa, a gente usa ela diariamente para.
42:29
Tomar a decisão de qual que é o caminho que a gente vai pegar
42:32
para o trabalho, qual que é o filme que a gente vai ver à
42:33
noite e poder levar esse tipo de tecnologia que a gente usa
42:38
tanto, né, para qualquer tipo de produtor, né?
42:41
Independente do tamanho, os grandes, os pequenos, para que
42:45
eles consigam realmente prosperar nessa missão de
42:49
alimentar o mundo. Isso para mim é é extremamente
42:52
motivador ver também o nosso time crescendo, né?
42:56
E as pessoas se desenvolvendo igual.
42:59
Comentei, né, o time de engenharia de dados ganhando um
43:01
destaque, indo para frente ali, o time de ciência de dados,
43:05
olhando para o valor de negócio que que eles estão fazendo, o
43:08
time de análise trazendo em sites para como que a gente vai
43:11
conectar melhor as as informações, como que a gente
43:14
vai mapear todos os dados, catalogar.
43:16
É muito bacana de ver isso acontecendo, sabe?
43:19
É, é bem legal. E de estar fazendo parte dessa
43:22
transformação junto com os nossos clientes.
43:25
Incrível. Deve ser muito gratificante
43:27
mesmo. E você, tem algum conselho?
43:30
Dica, algum highlight em site final aí que você queira dar
43:33
para quem esteja ouvindo a gente aí que dá para embarcar nesse
43:36
tipo de desafio. Nossa, difícil.
43:38
Vários. Vários, vários.
43:41
Mas assim, acho que o principal, né?
43:43
É entender o que que qual que é a necessidade que você tem?
43:48
Né? Seja para atender seu cliente,
43:49
seu negócio, hoje em dia, inteligência artificial, ela é
43:52
um hype muito grande, então eu acho que para as pessoas que
43:55
estão em posições como a minha, né, de liderança, de ajudar na
43:59
definição dessa estratégia de dados, acho que é super
44:02
importante você entender para que que você está fazendo isso,
44:04
né? Você ter essa clareza de para
44:06
onde que o negócio está indo. Não vai ser toda a inteligência
44:09
artificial que vai resolver seu problema, né?
44:11
Às vezes vai ser uma mais clássica, às vezes vai ser uma
44:13
mais avançada. Com base nisso, escolher bem uma
44:16
arquitetura, escolher bem as. Ferramentas que você vai usar,
44:19
adotar o conceito da agilidade no contexto de dados, que eu
44:23
acho que é super importante, né, criar essa cultura de agilidade
44:27
com todo o time para, se você olhar para as hipóteses, né,
44:31
você aprender rápido, Xavier de caso de uso, se necessário.
44:34
Então acho que esses seriam meus principais recados assim, coisas
44:38
que eu vi que deram muito certo e contar essa história, né?
44:41
Acho que hoje está podendo contar essa história muito
44:43
bacana. Contar essa história
44:45
internamente também na empresa é é muito legal e.
44:48
A gente vai aumentando essa maturidade de todos aí, né, na
44:52
parte de dados? Parabéns Ana, parabéns pelo case
44:55
ADSM também por todo o investimento aí.
44:57
Acho que é uma história incrível que vocês estão construindo.
45:01
Espero que você volte aqui no podcast daqui 1 ano, quem sabe,
45:05
para contar novas histórias ainda novos sucessos.
45:08
Obrigado mesmo por compartilhar, acho que foi muito inspirador e
45:12
é isso. Vamos encerrar o episódio por
45:13
aqui, pessoal. Obrigado Ana, pela participação.
45:15
Muito obrigada, gente, foi um prazer.
45:17
Obrigado eleição pela companhia. E pra você que nos acompanhou,
45:20
espero que tenha gostado do episódio de hoje.
45:22
Não deixe de nos acompanhar também no LinkedIn e no
45:25
Instagram e a gente está sempre fazendo as nossas publicações
45:28
por lá. E todas as novidades dos
45:29
agilistas vocês podem acompanhar também nas nossas newsletters.
45:32
Muito obrigado e até a próxima.