Uma seleção de sistemas de IA em produção que projetamos, entregamos e continuamos a operar. Nomes omitidos onde os contratos o exigem, números verificados onde não.
Substituímos o controlo de qualidade manual numa linha automotiva por uma pipeline neuronal edge a funcionar em GPUs comerciais. Aumento de 3x na produção, redução de 41% na taxa de desperdício.
1.800 SKUs em 220 lojas. Um modelo hierárquico reconciliado com modelagem de aumento promocional, implementado em 14 semanas.
Monitorização em tempo real da voz da marca em redes sociais, canais de avaliação e suporte. Alerta precoce de crise encaminhado diretamente para operações de RP.
Ontologia curada de 180 mil conceitos clínicos que alimenta um assistente de triagem explicável. Redução do tempo médio de admissão em 38%.
Cada número nesta página é um que defenderíamos perante um comité de direção. Parece óbvio; não é. O estudo de caso padrão do setor reporta o ganho de manchete contra uma baseline cuidadosamente escolhida para fazer parecer o ganho máximo — o pior mês do ano passado, o rival baseado em regras mais fraco, uma métrica que só o modelo melhora. Não escrevemos esses. Cada métrica aqui foi acordada com a equipa de analítica do cliente antes do projeto começar, recalculada sobre dados de holdout que o modelo nunca tinha visto, e acompanhada ao longo do go-live e do primeiro trimestre completo de operação. Onde um número desiludiu, ou corrigimos o modelo ou o estudo de caso não foi escrito.
Esta postura tem consequências. Significa que projetos por vezes são entregues sem um estudo de caso publicável porque o ganho, embora real, não estava à altura do portefólio. Significa que os nossos estudos de caso são uma fração do que entregámos, e não um catálogo exaustivo. E significa que os estudos que aparecem são invulgarmente conservadores — muitos clientes pediram-nos para rever o número de manchete para o valor de produção real, uma vez assente o pó. Recusamos. O número que importava era o estimado antes da implementação; o número maior que surgiu depois é um bónus, não a afirmação.
Um estudo de caso só é útil se os seus números forem fiáveis. Cada número desta página segue o mesmo protocolo de evidência em quatro passos, acordado com a equipa analítica do cliente antes de treinar qualquer modelo.
Registamos o desempenho atual do processo — defeitos não detetados, erro de previsão, horas de analista — num período representativo, para medir a melhoria face à realidade.
A precisão é medida num conjunto de teste separado no tempo e bloqueado antes do treino. Nenhum ajuste ou seleção de variáveis lhe toca.
Os modelos correm em silêncio ao lado do processo existente durante semanas. A mudança só acontece após aprovação dos responsáveis do cliente.
Os números publicados são reconfirmados após um trimestre completo em produção: um modelo que se degrada após o lançamento não é um sucesso.
Traga a realidade complexa. Prototiparemos um modelo em semanas, não em trimestres.
