Muitas pessoas acreditam que basta conhecer Machine Learning e Python para criar um modelo de IA para qualquer problema. Mas a realidade não é bem assim. Se não houver uma análise prévia dos dados, considerando seu contexto e relevância, todo o esforço na construção e treinamento do modelo pode ser inútil, ou o resultado pode ficar aquém do esperado.

Vamos supor que uma empresa de moda queira desenvolver um modelo de IA para auxiliar no planejamento da produção de roupas. Ela possui dados dos compradores dos últimos cinco anos, incluindo modelos mais vendidos, cores preferidas, datas dos pedidos, quantidades adquiridas, entre outros. À primeira vista, esse conjunto de dados parece rico e promissor. No entanto, mesmo após construir, treinar e testar um modelo com boa taxa de convergência e alta acurácia, ao colocá-lo em produção, os erros são tantos que ele se torna ineficiente para a tarefa proposta.

O que deu errado?

Vários fatores podem levar a esse problema, incluindo overfitting, bias e outras falhas no treinamento. Mas, se esses aspectos técnicos foram bem tratados, o problema pode estar justamente nos dados e seu contexto. Por exemplo, esse conjunto de dados não considera:

• A data de nascimento dos compradores, que pode impactar preferências com a idade.

• Uma variável para o IMC médio da população, que aumentou nos últimos anos e pode influenciar os tamanhos mais vendidos.

• O fato de que mulheres de determinada faixa etária podem ter tido filhos, afetando suas preferências de vestuário.

• A tendência da moda para o próximo período de vendas, um fator determinante para a demanda.

Se esses fatores não forem levados em conta, o modelo pode aprender padrões obsoletos e ineficientes.

Portanto, espero ter demonstrado de forma simples a importância da participação de especialistas no setor onde a IA será aplicada e enfatizado que a qualidade dos dados, dentro do contexto correto, é fundamental para o sucesso do modelo. Mais do que apenas coletar e treinar dados, é essencial avaliar se eles realmente contêm as informações necessárias ou se precisam de um Data Enrichment (Enriquecimento de Dados) para que o modelo possa gerar previsões úteis e precisas.