O caso
Mil avaliações por semana, e ninguém lê todas. A loja precisa saber o que o cliente sente.
A loja do Isaac recebe avaliações em português e, agora, pedidos de clientes da Argentina. A equipe quer separar o que é reclamação, descobrir o que o cliente elogia e traduzir as descrições dos produtos sem contratar mais uma pessoa. Nenhuma dessas tarefas exige um modelo treinado do zero.
Este post parte de IA e Machine Learning, que explica os tipos de aprendizado e o ciclo de um modelo. Para os dados que alimentam esses serviços, o post de Dados e Analytics mostra onde eles ficam.
O problema
Começar do zero custa caro
Treinar um modelo próprio para cada tarefa exige dados rotulados, tempo e uma equipe que saiba avaliar o resultado. Para a maioria das tarefas comuns, o Google Cloud já tem um modelo pronto que resolve o problema.
Três caminhos
Do mais pronto ao mais personalizado
O Google Cloud oferece três caminhos para usar IA, do que exige menos trabalho ao que dá mais controle.
| Caminho | Quem usa | O que você faz |
|---|---|---|
| APIs prontas (pre-trained APIs) | Quem quer uma tarefa comum resolvida | Chama o serviço pela internet, sem treinar nada |
| BigQuery ML | Quem já tem os dados no BigQuery e conhece SQL | Treina e usa modelos com comandos SQL, onde os dados estão |
| Vertex AI | Quem precisa de modelo próprio ou de IA generativa com controle | Treina, avalia, publica e monitora modelos, com acesso aos modelos Gemini |
APIs prontas
Uma tarefa comum, uma chamada
As APIs prontas cobrem tarefas como entender o sentido de um texto, traduzir, transcrever áudio e ler documentos. Você envia o conteúdo e recebe a resposta, sem se preocupar com o modelo por trás.
Análise de texto (Natural Language)
Descobre se uma avaliação é positiva ou negativa e quais entidades aparecem nela, como marcas e produtos.
Tradução (Translation)
Traduz a descrição de um produto para o espanhol antes de abrir a loja na Argentina.
Leitura de documentos (Document AI)
Lê notas fiscais e extrai campos como o valor total, a data e o fornecedor, sem digitar nada.
BigQuery ML
Modelo com SQL, onde os dados estão
O BigQuery ML permite treinar, avaliar e usar modelos com comandos SQL, direto no data warehouse. Quem já consulta o BigQuery não precisa mover os dados para outro lugar.
Na loja, a equipe de vendas pode prever a demanda da próxima semana por categoria usando as vendas que já estão no BigQuery. O resultado volta como uma tabela, pronta para o relatório.
Vertex AI
A plataforma para modelos próprios
A Vertex AI reúne, num só lugar, o que é preciso para treinar, avaliar, publicar e monitorar modelos. Ela dá acesso aos modelos Gemini e a um catálogo de modelos prontos, o Model Garden, com modelos do Google, abertos e de terceiros.
Treino próprio
Você leva os seus dados e treina um modelo para o seu problema, com controle sobre cada etapa.
IA generativa
Os modelos Gemini geram texto, resumem documentos e respondem perguntas. Você pode ajustá-los (fine-tuning) com os seus dados quando a resposta padrão não serve.
Monitoramento
Acompanha se o modelo continua acertando e pode avisar quando os dados mudam de padrão, se o monitoramento estiver configurado, como no ciclo de um modelo.
Na prática
Escolher o caminho
Comece pelo mais simples que resolve o problema. Só suba para o próximo nível quando o anterior não der conta.
Tarefa comum
Use uma API pronta. Se ela resolve, não há o que treinar.
Previsão com dados no BigQuery
Use BigQuery ML, se a equipe conhece SQL e o modelo é simples.
Modelo sob medida
Use a Vertex AI, quando o problema exige um modelo próprio ou uma IA generativa ajustada.
Termos-chave
Cinco termos para fixar
Toque no cartão para ver a definição.
Teste rápido
Três perguntas, estilo prova
01
A loja quer traduzir as descrições dos produtos para o espanhol, sem treinar nenhum modelo. Qual caminho usar?
02
Os analistas querem prever a demanda usando as vendas que já estão no BigQuery, escrevendo consultas SQL. Qual caminho usar?
03
A loja precisa de um modelo sob medida, com monitoramento e um assistente generativo ajustado aos seus dados. Qual caminho usar?
Em qualquer prova de nuvem, a pergunta costuma ser qual caminho resolve o problema com menos trabalho. A ordem é sempre a mesma: primeiro a API pronta, depois o SQL onde o dado já está, e só então o modelo próprio.