Machine learning, estatística aplicada e IA — contados a partir de projetos reais, com os números na mesa e os erros incluídos. Tudo que publico aqui também vira conversa no LinkedIn.
38.753 clientes, quatro modelos, uma restrição inegociável (nada de data leakage) e um deploy que virou decisão de verdade. O case completo do projeto de Lifetime Value — incluindo dados que mentem, distribuições bimodais, multicolinearidade e o dia em que a regressão linear venceu o Random Forest.
O Gartner projeta 40% dos projetos de IA agêntica cancelados até 2027 — e a mortalidade se concentra no mês oito, quando o piloto funciona e a conta chega. As três causas não são sobre o modelo, e o MCP está crescendo exatamente na direção delas.
Cinco agentes de IA atendendo por e-mail 24/7 — com RAG, memória por conversa e ações reais. E a lição do protótipo perfeito que não atendia ninguém: identidade antes de intenção, orquestrador mudo e custo como decisão de design.
Conciliação de notas fiscais com IA multimodal: por que o RPA clássico quebra na leitura do documento, onde o LLM entra (e onde não deve entrar) — e o ponto mais frágil de toda conciliação, que não é a IA.
O case inteiro: entendimento do negócio, EDA, preparação, modelagem, avaliação e o deploy que quase todo portfólio pula — transformar o modelo em ferramenta de decisão.
A contagem dizia 5% de nulos. A realidade era 50,2% numa única coluna — mascarada em zeros, textos e rendas de R$ 9 quintilhões. Nem todo dado ausente se apresenta como ausente.
Fisher dizia +1,02; Bowley dizia −0,05. Quando duas medidas do mesmo fenômeno discordam, a discordância É o achado — e o histograma revelou uma distribuição bimodal.
Quatro modelos, validação cruzada em 5 folds — e o mais simples venceu com folga. Por que isso é informação, não fracasso, e a matriz singular que a métrica escondeu.
150 mil solicitantes, 5 modelos, ROC AUC 0,8692 em dados nunca vistos. Do arquivo que nem abre no pandas até o ponto de corte que minimiza o custo da carteira — passando pelo conversor que apagaria 2.950 clientes em silêncio e pelo conselho de internet que teria negado 87% da carteira.
Além dos artigos: a documentação técnica completa do projeto, o explicador interativo de curva ROC & AUC e o código no GitHub ↗.
Emprestar é vender um produto cujo custo você só descobre depois. Por que 90 dias e por que dois anos — a definição de alvo que transforma um desejo em problema verificável.
Antes da primeira linha de código. E o custo assimétrico de 10:1 do qual sai, por derivação direta, o limiar de corte de 9,09% que decide o projeto na última fase.
O conversor com errors="coerce" que apagaria 2.950 clientes com 40% de inadimplência — em silêncio. Mais sentinelas 96/98, teto artificial e a ausência que é sinal de risco menor.
Histórico de atraso domina renda e idade com importância 0,713. E duas features novas que saem de uma conta simples: renda por pessoa e sobra de caixa.
A diferença entre "tomei cuidado para não vazar dado" e "não é possível vazar dado aqui". A primeira depende de lembrar; a segunda é arquitetura.
Num problema com 6,7% de inadimplência, 93,3% de acurácia é o resultado de aprovar todo mundo. Por isso o modelo burro entra como candidato oficial, não como curiosidade.
ROC AUC 0,99997 no treino, 0,6148 na validação. A poda recuperou +0,231 — e o conselho padrão de balancear classe teria negado 87% da carteira.
50 sorteios de hiperparâmetros. XGBoost e LightGBM convergiram para taxa de aprendizado baixa, muitas árvores e regularização forte — por rotas opostas.
Vitória por 0,000062 de ROC AUC. Duas mil reamostragens mostraram que essa vantagem é cara ou coroa — e que a vantagem sobre a floresta é real.
Em crédito, explicabilidade é requisito, não enfeite. As três perguntas que o comitê faz — e por que "o modelo disse" nunca é resposta aceitável.
O modelo entrega probabilidade; quem traça a linha é o negócio. Por que o 0,5 de fábrica está errado e como o limiar sai do custo do erro.
A fase que quase todo portfólio pula. O que já está pronto para o deploy, o que o monitoramento vigia — e a limitação da base que impede detectar drift.
Nove princípios que separam modelo de decisão: do que é ML de verdade até a pergunta que fecha tudo — dá para confiar nos modelos? Nove artigos, um arco completo, e o resumo visual em carrossel PDF para baixar.
"IA generativa não é machine learning"? Errado. As 4 lentes da análise, o retrovisor vs. o farol — e por que dashboard que não vira ação é custo com aparência de inovação.
Prever, categorizar, agrupar, recomendar, detectar o atípico — e os três testes que dizem se o seu caso é mesmo um problema de ML ou um problema de processo.
A arte de matar projetos na hora certa: as 3 viabilidades, o funil de 5 perguntas, a escada da complexidade — e por que um modelo é um pet, não um móvel.
"Reduzir churn" é um desejo, não um problema de ML. A anatomia do dataset, as 7 perguntas de tradução e o data leakage que mais derruba projeto júnior.
As 6 fases do ciclo de vida de um projeto de dados, a divisão honesta do esforço (~80% dados, ~20% modelo) e a armadilha de se apaixonar pelo algoritmo.
Supervisionado = estudar com gabarito. Não supervisionado = festa sem lista de convidados. Reforço = adestrar com petiscos — e o RLHF por trás dos LLMs que você usa.
Caixas vs. régua, probabilidade vs. veredito — e o limiar (threshold) que muda o comportamento do sistema inteiro sem retreinar nada.
As 5 famílias de modelos e a vocação de cada uma. Tabular → árvores e boosting; não estruturado → deep learning. E por que "mais complexo = melhor" é falso.
99% de acerto pode ser inútil. Generalização, overfitting, matriz de confusão, baseline e as três armadilhas — o fecho da série com a frase certa: o modelo prevê, o humano decide.
O mapa completo da série, com link para as 9 partes e o carrossel em PDF para baixar. Se você chegou agora, comece por aqui.
Em breve: feature engineering na prática (por que tratar mês como número quebra o modelo) e multicolinearidade — os capítulos que faltam do projeto de LTV. Me acompanhe no LinkedIn para saber quando sai artigo novo.