Um executivo solicita uma previsão de churn (rotatividade de clientes) para definir o orçamento de retenção do próximo trimestre. Você tem 48 horas, acesso a um data warehouse familiar e a pressão para apresentar um número único. A IA pode ajudar a acelerar o processo, mas não pode assumir a responsabilidade pelos resultados. Se o modelo levar a um gasto inadequado, a falha subsequente recairá sobre o analista e a organização que o implementou.
No trabalho preditivo, a obrigação fundamental permanece a mesma. Você deve definir o alvo, evitar o vazamento de informações (leakage), realizar a avaliação fora da amostra e explicar o que o modelo está utilizando. A IA pode elaborar códigos, sugerir variáveis (features) e resumir diagnósticos. Cabe a você verificar se as definições estão alinhadas ao negócio e se a avaliação é adequada para a decisão a ser tomada.
A abordagem prática deste curso é simples: utilize a IA para gerar produtos de trabalho preliminares e, em seguida, aplique a validação por analistas nos pontos onde erros possam gerar riscos à tomada de decisão.
Uma entrega preditiva funciona como uma cadeia. Cada elo pode gerar um tipo diferente de erro, e a IA tende a produzir resultados que parecem plausíveis, mesmo quando um dos elos da cadeia está incorreto.
Veja como as principais etapas se conectam e onde a IA pode auxiliar.
Suas aprovações não são apenas “etapas”; são pontos de responsabilidade.
Na fase de definição do problema, você detém o controle sobre o contexto da decisão. A IA pode propor métricas-alvo, mas cabe a você escolher aquela que se alinha à forma como o negócio atuará. Na fase de dados, você é responsável pela definição dos rótulos (labels) e pelo recorte temporal. A IA pode elaborar consultas SQL, mas você deve verificar as junções (joins), a granularidade e a presença de dados ausentes, pois uma explosão silenciosa de junções altera a natureza do problema de aprendizado.
Na fase de validação, você é responsável pela estratégia de divisão entre treino e teste. A IA pode sugerir uma divisão (train_test_split), mas você deve confirmar se ela respeita a estrutura temporal dos dados. Se o objetivo é prever o churn para o próximo mês, uma divisão aleatória pode causar vazamento de informações futuras e invalidar a métrica.
Neste curso, o termo IA refere-se a um LLM (Large Language Model ou Grande Modelo de Linguagem). Trata-se de um modelo que gera texto, código e saídas estruturadas com base em padrões encontrados nos dados de treinamento. Um LLM não inspeciona seu banco de dados, a menos que você forneça os dados a ele, e não tem como saber se uma métrica é adequada para a sua decisão de negócios.
Um prompt é a instrução e o contexto que você fornece ao LLM. Um token é uma unidade de texto lida e escrita pelo LLM; isso é importante porque tabelas extensas e logs costumam ser truncados. Alucinação ocorre quando o LLM gera uma afirmação categórica ou um detalhe de código que não se baseia nas informações fornecidas por você.
Explore os pontos fortes e as limitações da IA no trabalho de modelagem preditiva.