Escolha de modelo
Um modelo de IA que cabe no problema
Bom o bastante para o problema. Barato o bastante para continuar rodando. A gente testa nos seus dados antes de alguém chamar isso de produção. Você vê o custo do mês seguinte antes de decidir.
Exemplos
O problema de engenharia, em alguns formatos. Uma tabela, um texto, e um resultado que alguém vai chamar de produção.
- Uma tabela com padrão previsível. Classificação, regressão, clustering, previsão e detecção de anomalias, onde um modelo grande seria mais lento, mais caro ou menos acurado do que um menor.
- Texto que não é tabela. Texto não estruturado, linguagem livre, ou uma tarefa que exige raciocínio. Aí o modelo de linguagem é a ferramenta.
- Uma avaliação antes do nome produção. Perguntas reais, nos arquivos reais, antes de alguém chamar o resultado de produção.
Tecnologias
O modelo é escolhido pela acurácia, pelo custo, pela latência, e por onde o dado fica. A avaliação é a checagem dessa escolha.
- Modelos de linguagem. OpenAI, Claude, Gemini e opções open-source como Llama, Mistral, Gemma e Qwen, escolhidos por tarefa conforme acurácia, custo, latência e requisitos de privacidade.
- ML clássico. Scikit-learn e XGBoost para problemas tabulares em que um modelo estruturado supera um modelo de linguagem em qualidade e em custo.
- Onde o dado fica. A API da OpenAI ou da Anthropic com acordo que impede treinamento nos seus dados, ou um modelo open-source na sua infraestrutura ou na nossa, sem envio para APIs externas. O plano técnico fecha essa decisão antes de construirmos.
- Avaliação. Perguntas reais, nos seus arquivos, antes de produção. O plano técnico deixa escrito o custo do mês.
Como conduzimos
Uma situação técnica
Um modelo de linguagem entra numa tabela em que um modelo menor acertaria melhor, mais barato e mais rápido. Ou o resultado é chamado de produção antes de rodar nos arquivos reais.
Como conduzimos
A gente usa ML clássico quando a tabela basta, e um modelo de linguagem quando o texto não basta. Uma avaliação roda nos seus arquivos antes. O plano técnico deixa escrito o custo do mês e onde o dado fica.
O que você recebe
Você sai com o modelo rodando nos seus arquivos, o custo do mês no plano técnico, o código, e você decide se segue.
Dúvidas sobre escolha de modelo
LLM quando a entrada é texto não estruturado, linguagem livre ou quando a tarefa exige raciocínio. ML clássico (XGBoost, scikit-learn) quando os dados são tabulares e o padrão é previsível: classificação de churn, previsão de vendas, detecção de fraude. ML clássico costuma ser mais barato, mais rápido e mais acurado nessas tarefas.
Depende da escolha. Se o caso permite, usamos a API da OpenAI ou Anthropic com acordos que impedem treinamento nos seus dados. Se a privacidade exige, rodamos modelos open-source como Llama, Mistral, Gemma ou Qwen na sua infraestrutura ou na nossa, sem envio para APIs externas. O plano técnico fecha essa decisão antes de construirmos.
O que você recebe
- Uma solução funcionando nos seus dados
- O código é seu
- 2 a 5 semanas quando o dono e os arquivos já estão disponíveis
Vamos falar do seu caso
Fale com o laboratório
Escreve em poucas linhas o que o time faz hoje, e onde quebra. Respondemos no mesmo dia útil.
O que acontece depois
- Respondemos no mesmo dia útil
- Diagnóstico em 3-5 dias
- Solução funcionando em 1-3 semanas. Plano técnico nos últimos dias, com o trabalho feito.
Comece por aqui