Tema
Machine learning para decisões
Quando usar machine learning em decisões de negócio, como validar e por que projetos morrem depois do piloto.
9 conteúdos · séries: The Agentic Era, Análises de IA, Machine Learning para Gestores
- Por que o preço do Uber sobe quando chove?O preço do Uber sobe quando chove porque um algoritmo ajusta o valor em tempo real ao perceber muita demanda e poucos motoristas. Em vez de esperar meses por um teste A/B, ele aprende e age a cada corrida, com raciocínio bayesiano. Limites de segurança, o chamado safe reinforcement learning, impedem que esse ajuste vire preço abusivo em emergências.
- Como validar um modelo de NLP além da acurácia?Validar um modelo de NLP exige mais que acurácia, que esconde erros quando as classes são desbalanceadas. A aula recomenda pedir F1, precision e recall por classe, testar generalização com five-fold cross validation, checar robustez em outros períodos, regiões e canais e fazer auditoria humana. Em análises causais, é preciso aplicar defasagem temporal.
- Quando usar machine learning ou LLM para análise de texto?Use LLM quando o texto precisa ser compreendido, com ironia, nuance e contexto, ou para resumos e análises qualitativas. Use machine learning clássico quando o texto precisa ser classificado em categorias conhecidas, com alto volume, custo previsível, explicabilidade e saídas estáveis. A pergunta central é se o texto precisa ser compreendido ou classificado.
- Por que a IA de inspeção da Ford falhou?A IA de inspeção da Ford falhou por três razões simultâneas. Foi treinada com requisitos de design, o mundo ideal, e não com a variação real da fábrica. Perdeu o conhecimento tácito dos engenheiros veteranos que saíram. E o problema exigia percepção física além da visão. A empresa tratou como detecção de padrão um problema de diagnóstico.
- Como transformar notícias em dados com LLM?Para transformar notícias em dados com um LLM, é preciso uma instrução operacional com papel específico, tarefa única, definição de cada categoria com exemplos verdadeiros e falsos e saída em formato fixo com nível de confiança. Depois vêm auditoria humana, comparação entre modelos, registro da versão usada e, na análise causal, defasagem temporal adequada.
- O que é overfitting causal e como o algoritmo aprende o viés?Overfitting causal é quando um modelo de machine learning aprende tão bem os padrões do passado, incluindo seus vieses e injustiças, que qualquer política baseada nele reproduz esses vieses em escala. O modelo parece funcionar bem porque acerta os dados históricos. O problema está na pergunta feita a ele, que mistura previsão com efeito de intervenção.
- Por que um modelo de churn que acerta pode piorar o resultado?Um modelo de churn pode prever bem quem cancela e ainda piorar o resultado, porque previsão e intervenção são perguntas diferentes. O modelo responde quem tem mais chance de cancelar. A empresa precisa saber se ligar ou dar desconto reduz essa chance. Para alguns clientes, o contato acelera o cancelamento, e o modelo de previsão não enxerga esse efeito.
- O que é Matrix Completion e como a Netflix prevê o que você quer?Matrix Completion é a técnica que preenche os valores que faltam numa tabela enorme e quase vazia, como a de usuários e filmes de um streaming. Ela parte da premissa de que o gosto humano não é aleatório. Por isso, milhões de pessoas cabem em poucos perfis, descritos por fatores latentes que permitem prever as notas que faltam.
- Do LLMs think or just predict the next word?LLMs are trained to predict the next token, but at scale this forces them to internalize the structure of human logic, physics and emotion. They are not thinking with a conscious agenda. They mathematically adopt personas from human data. Some models mirror human biases and others mask them, which matters when choosing a model for a task.