O caso
A loja quer saber quem vai cancelar. Ninguém escreveu essa regra.
A loja do Isaac tem quarenta mil clientes e quer avisar, antes de acontecer, quem está prestes a deixar de comprar. A equipe tenta regras à mão: "cliente que não compra há 60 dias". A regra pega uns casos e perde muitos outros. Um modelo, treinado com o histórico de compras, encontra padrões que ninguém listou.
Este post parte de Dados e Analytics no Google Cloud. Para treinar um modelo, é preciso ter dados organizados, e o post anterior mostra onde eles ficam e como são consultados.
O problema
Regras escritas à mão não acompanham o cliente
Uma regra fixa só cobre o que alguém pensou em escrever. Cada cliente que compra de um jeito diferente pede uma nova exceção, e a lista cresce sem parar.
Os termos
IA, ML e IA generativa
Esses termos aparecem juntos, mas não são sinônimos. Cada um está dentro do anterior.
| Termo | O que é | Exemplo na loja |
|---|---|---|
| IA (artificial intelligence) | Qualquer sistema que executa tarefas que pediriam inteligência humana | Um assistente que responde dúvidas sobre o pedido |
| Machine learning | IA que aprende padrões a partir de dados, sem regras escritas à mão | Prever quem vai cancelar a assinatura |
| Deep learning | Machine learning com redes neurais em muitas camadas, para imagens, voz e texto | Reconhecer o produto numa foto que o cliente enviou |
| IA generativa (generative AI) | Modelos que criam conteúdo novo (texto, imagem, código) a partir de um pedido | Escrever a descrição de um produto a partir das características |
Como o modelo aprende
Três jeitos de aprender
Supervisionado (supervised)
Os exemplos vêm com a resposta certa, como um histórico de clientes marcados como "cancelou" ou "não cancelou". Serve para classificar e prever.
Não supervisionado (unsupervised)
Não há resposta pronta. O modelo procura grupos parecidos sozinho, como clientes que compram nos mesmos dias e categorias.
Por reforço (reinforcement)
O modelo age, recebe uma recompensa ou uma punição e ajusta o comportamento. Por exemplo, testar faixas de preço e ficar com a que dá mais lucro.
Do dado à previsão
O ciclo de um modelo
- Coletar e limpar os dados. Dados errados ou incompletos geram previsões erradas, por mais sofisticado que seja o modelo.
- Separar treino e teste. Parte dos dados ensina o modelo; a outra parte, guardada, mostra se ele funciona com casos que nunca viu.
- Treinar. O modelo ajusta seus parâmetros para errar menos nos dados de treino.
- Avaliar e publicar. Se o resultado no teste for bom, o modelo entra em uso.
- Monitorar. O comportamento dos clientes muda, e um modelo que funcionava pode começar a errar. Ele precisa de dados novos e de novo treino.
Na nuvem
Usar pronto ou treinar o seu
Modelo pronto, por API
Você chama um serviço de IA pela internet, sem treinar nada. É o caminho mais rápido, e a conta vem pelo uso.
Modelo próprio
Você leva os seus dados e treina um modelo para o seu problema. Exige dados de qualidade e tempo para treinar e avaliar.
Infraestrutura de treino
Treinar modelos pede processadores especializados (GPUs e TPUs), alugados por tempo de uso e caros por hora.
Termos-chave
Cinco termos para fixar
Toque no cartão para ver a definição.
Teste rápido
Três perguntas, estilo prova
01
A loja tem o histórico de clientes marcados como 'cancelou' ou 'não cancelou' e quer prever o próximo caso. Qual tipo de aprendizado?
02
A loja quer agrupar clientes parecidos, sem saber antes quais grupos existem. Qual tipo de aprendizado?
03
Um modelo de previsão de demanda funcionava bem em 2025, mas erra mais em 2026 porque o comportamento dos clientes mudou. O que fazer?
IA e machine learning aparecem em qualquer prova de nuvem. O nome do serviço muda de um provedor para outro; a ideia de treinar com dados, avaliar em casos novos e monitorar o resultado é a mesma.