ML em produção, integrado e não terceirizado.
Nos integramos à organização de produto de uma empresa de software corporativo com aporte de venture capital e entregamos recursos de ML usados diariamente por equipes de operações da Fortune 500 — correspondência de entidades, classificação inteligente, recomendações preditivas. Anos dentro do código, dos sprints e do processo de release deles.
ML no roadmap, não em produção.
Uma empresa de software corporativo com aporte de venture capital tinha uma tese clara: o machine learning deveria ser parte central do produto, não um experimento à parte. A plataforma deles já era confiável para equipes de operações da Fortune 500. Mas o ML vivia em notebooks e protótipos, não no produto que os clientes usavam todos os dias.
Levar ML para uma plataforma corporativa madura é um problema diferente de construir um modelo. Ele tem que sobreviver a dados reais, encaixar em uma base de código existente, passar por um processo de release real e continuar funcionando depois do lançamento. Isso é engenharia de produto, não um projeto de pesquisa — e exigia pessoas capazes de trabalhar dentro da organização de produto, e não ao lado dela.
Recursos de ML que são entregues e continuam entregues.
Três capacidades em produção, integradas ao produto e usadas diariamente por equipes de operações corporativas — além dos pipelines e da medição de qualidade que as mantêm honestas ao longo do tempo.
Registros que se resolvem sozinhos
Um sistema de correspondência que liga registros que se referem à mesma entidade do mundo real em fontes confusas e inconsistentes — transformando duplicatas e quase-coincidências em uma única visão confiável dentro do produto.
Classificação inteligente em escala
Modelos que categorizam os dados que chegam do jeito que um especialista faria, para que as equipes de operações parem de organizar à mão e a plataforma encaminhe o trabalho certo para o lugar certo automaticamente.
Recomendações preditivas no fluxo
Recomendações que aparecem onde o trabalho realmente acontece — prevendo a próxima melhor ação e dando às equipes da Fortune 500 uma vantagem inicial em vez de uma tela em branco.
Pipelines e medição de qualidade
A parte sem glamour que torna o resto real: pipelines de treinamento e serving, métricas de qualidade e um ciclo de iteração para que o desempenho do modelo seja medido e melhorado em produção, não presumido.
Dentro da organização de produto, na cadência deles.
Integrar
Nos juntamos diretamente à organização de produto — a base de código deles, a cadência de sprints, as ferramentas e os standups. Não um fornecedor de fora; engenheiros de dentro.
Construir
Construímos os recursos de ML como produto, com escopo definido junto aos PMs e engenheiros deles, escritos para encaixar na plataforma existente em vez de serem acoplados por cima.
Entregar
Tudo saiu pelo próprio processo de release do cliente — revisado, testado e implantado em produção para clientes da Fortune 500, e depois medido e iterado.
Transferir
A equipe deles é dona dos modelos e pipelines e os opera hoje. Ao longo de um engajamento de vários anos, a capacidade ficou interna, não conosco.
ML que a empresa realmente possui.
O ML deixou de ser uma linha no roadmap e passou a fazer parte do produto. Correspondência de entidades, classificação inteligente e recomendações preditivas rodam em produção hoje e são usadas diariamente por equipes de operações da Fortune 500 — entregues pelo próprio processo de release do cliente, medidas quanto à qualidade e iteradas como qualquer outra parte da plataforma.
Como trabalhamos integrados em vez de terceirizados, nada foi embora conosco. Os engenheiros e PMs deles têm e operam os modelos e pipelines que possuem — podem estendê-los, retreiná-los e entregar os próximos sem nós na sala. Esse é o ponto da integração: a equipe fica mais capaz no fim de um engajamento de vários anos do que estava no início.
Tem ML que você quer em produção, não em slides?
Agende uma conversa de 30 minutos. Vamos mapear onde o ML realmente se encaixa no seu produto, o que é preciso para colocá-lo em produção e como a sua equipe acaba sendo dona dele.