Construindo inteligência, não ruído – Uma abordagem centrífuga de dados para IA

Por Yuri Domingues

Há uma crença muito comum sobre inteligência artificial que vai contra tudo o que aprendi nos últimos meses trabalhando com dados: que o que importa é o modelo.

Que o segredo é escolher o LLM certo, a arquitetura mais nova, o ajuste mais sofisticado.

Não é.

Que pesquisa já mostrou

Andrew Ng, co-fundador do Google Brain, ex-cientista chefe em Baidu e professor em Stanford, vem dizendo isso publicamente há alguns anos. Em suas palavras: “Se 80% do nosso trabalho é preparação de dados, então garantir a qualidade dos dados é o trabalho mais importante de uma equipe de aprendizado de máquina.”

Isso não é uma opinião. É uma conclusão de alguém que construiu alguns dos maiores sistemas de IA do mundo.

Uma experiência de IA de pouso torna isso ainda mais claro. Uma empresa queria usar visão computacional para detectar defeitos em placas de aço. A precisão basal foi de 76,2%. Uma equipe de IA passou dois meses tentando melhorar o modelo. O resultado: melhora zero. A equipe de Ng então tentou uma abordagem diferente, focada inteiramente na qualidade dos dados de treinamento. Em duas semanas, a precisão subiu para 93,1%. Quase 17 pontos percentuais. Sem mudar uma única linha do modelo.

O MIT formalizou esta abordagem em um curso completo: Introdução à AI Data-CentricO argumento principal é simples: no mundo real, os dados não são corrigidos. Você pode e deve projetar seus dados tanto quanto você projeta seu modelo.

O que eu vi aconteceu na prática

Trabalhando no desenvolvimento da WSB.one, uma plataforma de inteligência de mercado para o setor offshore, a teoria tornou-se realidade muito rapidamente.

O mercado marítimo brasileiro tem muitos dados públicos: fretamento de registros na ANTAQ, decisões regulatórias, movimentos de navios, estruturas corporativas. Tudo publicado. Quase nada conectado.

Construir oleodutos com Python e Django para coletar essa informação foi um desafio. Muitas fontes eram difíceis de acessar, cada portal com seu próprio comportamento, sua própria estrutura, seus próprios obstáculos. Mas o trabalho de verdade não era colecionar.

Foi transformando dados brutos em algo com qualidade real.

Padronizando nomes de naves que aparecem em diferentes formas em diferentes bases de dados. Reconciliando entidades corporativas que são divididas em registros. Identificar quando as mesmas informações, de diferentes fontes, contam histórias contraditórias. Esse é o trabalho que nenhum modelo resolve sozinho, e determina se o resultado final é inteligência ou apenas ruído bem formatado.

O que isso significa para aqueles que usam IA hoje

Se você está implementando IA em sua empresa e os resultados não estão chegando, a resposta provavelmente não está em mudar o modelo. Está nos dados que você está alimentando.

Algumas perguntas valem a pena antes de qualquer mudança na arquitetura:

Os dados são formatados consistentemente, ou cada fonte segue sua própria lógica? Há inconsistências entre fontes que o modelo está tentando e falhando em se reconciliar? Os dados que você tem são representativos do problema real, ou são os dados mais fáceis de coletar?

A abordagem de inteligência artificial não te pede para ignorar o modelo. Pede que pare de tratar os dados como um detalhe a ser corrigido mais tarde.

O modelo é uma ferramenta. Dados são a matéria-prima. E nenhuma ferramenta, não importa o quão sofisticada, transforma matéria-prima ruim em um bom resultado.