Por que mais de 90% dos projetos de IA falham e o que os poucos casos de sucesso fazem diferente

0:00pelo tempo de vocês. Obrigado, Flávio,

0:02mais uma vez aí pela por essa parceria,

0:04né? A gente já tava estudando, trazendo

0:07um assunto diferente, eh já não tão

0:10novo, porque ya eh eh já se tornou algo

0:13meio comum, então fica um pouco difícil

0:16a gente achar um tema incomum para falar

0:19de E então eu preparei um material, são

0:2325 slides, alguma coisa assim, mas eu

0:25não vou fazer nada matemático, né? X

0:27minutos por slide, vai dar tanto tempo.

0:30Não, esse não é o meu estilo. Mas uma

0:33coisa que foi bem interessante é que no

0:35passado recente, né, passada a era do

0:38chat GPT e do Geminai, ou seja, passado

0:42o entendimento, né, do que são essas

0:44ferramentas, você começa a a entender um

0:46pouco mais as novas tecnologias e ver

0:49para onde esse mundo tá caminhando. E eu

0:52também não fui diferente, né? Sou

0:53entusiasta nesse tema, tá? E realmente a

0:56proposta aqui é trazer uma outra visão

0:59sobre IA, sobre projetos de IA, tá?

1:02Então a gente vai fazer uma análise. Eh

1:05eh tem alguns números curiosos, né? Nada

1:06tão maçante. Eh mas mais do que os

1:09números, por que que os projetos de A

1:11falham?

1:13E tem gente que fala: "Cara, mas nem

1:14sabia que tinha projeto de A ou nem

1:17sabia que projeto de A podia falhar."

1:20Pois bem, é isso que a gente vai

1:22discursar, tá? nesses próximos minutos.

1:26Deixa eu trocar aqui. Opa, perdão,

1:29perdão. Então, tá bom. Para quem não me

1:30conhece, se quem vos fala, né? Meu nome

1:32é Cláudio Melo. Eu sou professor

1:33consultor eh, dessa área de gestão de

1:36projetos, PMO, portfólio, assim como o a

1:39apresentação do Flávio. Essas são

1:41algumas credenciais voltadas aí eh à

1:44minha formação, né? Eu sou um membro

1:46atuante do PMI, tanto eh eh o capítulo

1:49eh de São Paulo quanto o PMI Global.

1:52Tenho aí algumas participações a nível

1:54internacional. Uma delas tem a ver com

1:56algo que a gente vai falar rapidamente

1:57aqui como plano de fundo. Eh, como plano

2:00de fundo, que é a a a tradução, né, da

2:05da da prova de certificação CPMAI, né?

2:08Vamos falar rapidamente sobre isso, não

2:10com viés da prova, mas um conteúdo que é

2:12interessante e também, né, minha atuação

2:15em outros materiais, outras traduções,

2:17criação de outros standndars. Legal.

2:20Enfim,

2:22vamos lá. Vamos lá. Então, vamos

2:23apresentar a nossa jornada. Esse aqui é

2:25o nosso roteiro. Uma breve introdução

2:28sobre esse esse mundo. Vamos falar aí de

2:31alguns números, né? Três números

2:32interessantes, mas bem curiosos, né? Com

2:36relação a valores. Eu não tinha ideia

2:38também. Me surpreendi realmente, né?

2:40Quando tava pesquisando, montando

2:42material. Tem bastante coisa relacionada

2:45a isso. Acabei dando uma sintetizada

2:46para que pudesse caber, né? No espaço aí

2:49de 1 hora30. tá, para esse bate-papo. Ou

2:52seja, eu tenho o script aqui, vamos

2:53falar aí de razões de falha, vamos falar

2:56também de exemplos de fracasso, além dos

2:59que estão marcados aqui, mas também

3:01vamos falar de exemplos de sucesso, tá,

3:03Flávio? Nem tudo são trevas, né? A gente

3:06ouve o tema assim, pô, mas só fracasso,

3:08não. A gente precisa de um pouco de

3:10alegria também, tá? Eh, eh, turma,

3:13então, eh, Ana, tá, não vou deixar você

3:16pensando só em coisa ruim, não, tá joia?

3:18Sabrina também. Legal. Então, vamos

3:21falar de exemplos de fracasso, vamos

3:23falar de exemplos de sucesso, algumas

3:25lições aprendidas e também aí o que vem

3:28paraa frente, tá joia? Então, vamos lá.

3:32Eu vou alternar eh eh entre o PowerPoint

3:35e um outro material que eu separei aqui,

3:38tá? OK. Ã, aqui tem aqui já começa um,

3:42um eu costumo chamar isso de tapa na

3:44orelha, né? eh alguns institutos, alguns

3:49especialistas que acompanham a IA ou

3:52essa nova forma, né, de se tratar IA,

3:55porque quando a gente fala de Iá hoje

3:58eh eh já é o cara preguiçoso, né? Porque

4:03é mais prático, é mais rápido, mas a Iá

4:05não é algo novo, não é algo que surgiu

4:07há três ou 4 anos atrás, um domingo no

4:10Fantástico, né? O termo i, na verdade,

4:14ele é bem mais antigo do que isso. O que

4:15se popularizou eh eh de três ou 4 anos

4:18para cá é o que a gente chama de IA

4:20generativa, mas pros íntimos, né,

4:23simplesmente IA. E de lá para cá, eh,

4:27eh, ficou evidente, né, dados, a redução

4:31de custo de algumas tecnologias ou de

4:33investimento em infraestrutura, ficou

4:35evidente um boom de ideias, de boas

4:39ideias, de criação de conteúdo. Falei,

4:42não, vamos substituir o que a gente faz

4:45hoje de forma automática pela

4:46inteligência artificial. E durante essa

4:49nossa esse nosso bate-papo aqui, ele

4:51começa sempre como um monólogo, tá? Mas

4:54eu vou rechear vocês de algumas coisas

4:56até estranhas que aconteceram nesse

4:58mundo da IA, né? projetos que falharam

5:01além da conta, projetos que foram

5:02descontinuados, projetos que deram

5:04certo, projetos que deram certo além da

5:06conta e assim por diante. E até projetos

5:08que deram certo que você nem sabe, né,

5:10que envolve um projeto de a porque tá

5:12tão já no automático que você nem sabia

5:15que já era e hoje você nem desconfia que

5:18continua sendo. Só que de lá para cá

5:21identificou-se realmente um abismo, né,

5:24entre o que é essa coqueluche, o o o

5:28mercado chama isso de hype, né? O que

5:30que é essa tal inteligência artificial e

5:33de que forma a gente pode utilizar isso

5:34daí para fazer os projetos? Ou seja,

5:37legal. Temos aí a tecnologia, vamos

5:40colocar na estratégia. E olha, se todo

5:42mundo que pensou em fazer projetos de A

5:45realmente fizerem os projetos e der

5:47certo, nós estamos falando aí da casa de

5:49um retorno,

5:51segundo alguns eh eh especialistas,

5:54cara, o impacto de eu eu não tenho ideia

5:56quantos zeros são isso, mas 44 trilhões

6:01de dólares na economia mundial. dá para

6:03comprar uma lua, né, por esse valor, tá

6:06joia? Eh, ou seja, esse é o potencial

6:09que existe em termos de de ROI, em

6:14termos de aumento de receita ou qualquer

6:16outra coisa bonita, né, quando a gente

6:19vincula projetos à economia, né,

6:21projetos a a alguma unidade financeira,

6:23tá OK? Então, esse é o potencial, né?

6:26Vamos dizer que esse é o dinheiro que

6:28está na mesa, tá? Infelizmente, a

6:30pesquisa não delimita o tempo, mas

6:32existe um potencial de 44 trilhões aí

6:34nos próximos anos, tá? Que podem ser

6:37capturados. Agora, a grande maioria ela

6:40ainda tá naquela hype, né, naquela,

6:42naquela, naquele fervor, tá? Só que para

6:47muitas empresas ainda é difícil você eh

6:51traduzir isso no ROI. Bom, mas alguém

6:55fez o estudo, alguém falou que tinha 44

6:56trilhões na mesa. Verdade. Tá. Só que

7:01muitas vezes o que acontece é que os

7:04executivos

7:05estão lá no saguão do aeroporto ou estão

7:07na sala VIP ou estão nas conferências,

7:09estão conversando com outros executivos

7:11e alguém fala alguma coisa de ah e é

7:14lógico, o cara que ouviu aquilo que não

7:16sabia do que tava se tratando, para não

7:18ficar para trás, ele vai lá e faz uma

7:20consulta rápida, vai lá e faz uma busca,

7:23vai lá e fala: "Não, então quando chegar

7:25na empresa, vou chamar o pessoal lá de

7:28eh eh Centro TI, né? né? Porque sempre

7:29começa com o TI, é impressionante, tá?

7:32Mas vou contar um exemplo de um projeto

7:34que tá acontecendo lá onde eu tô, né?

7:36Que envolve TI, lógico, mas é um projeto

7:38para pesquisa de mercado, para

7:39precificação de produto. Ele falou:

7:41"Não, cara, o negócio agora é IA. Agora

7:43a gente precisa implantar IA. Bom, tá

7:45bom, mas como assim implantar IA, né?

7:48Eh, não é legal, vai dar certo, a gente

7:50coloca, vai diminuir o head count.

7:54Ah, me prova por A + B. Não, depois a

7:57gente vê isso daí, não vamos ficar para

7:58trás. Só que a grande parte dos

8:00projetos, tá, ela

8:03para de pé, tá? Eu vou falar a

8:04quantidade de projetos que não param de

8:06pé já, né? E muitas vezes elas falham,

8:10né? Eh, os projetos falham por conta

8:11desses três pontos aqui. Tá joia? Eu

8:14acho que ficou pequeno aí o slide,

8:15qualquer coisa eu aumento para vocês.

8:17Mas olha só, tá? Eh, eh, eh, algumas

8:19coisas que nós precisamos atentar, né?

8:22Eh, eh, eh, nem sempre é uma questão de

8:26algoritmo, tá? Nem sempre é uma questão

8:29aí só dos dados, porque não tem projeto

8:32de IA que não consuma uma matéria-pra

8:36chamada dado.

8:38Então, muitas vezes o foco das falhas

8:41ele acontece, né? Se você fosse dar um

8:43zoom, né, uma lupa, tá? Tem aí algumas

8:46razões técnicas mesmo, tá? de de

8:49infraestrutura, de processamento, ter

8:51algumas razões aí aonde o ROI não para

8:54de pé, o projeto não se paga, mas também

8:56tem aí questões humanas, né? Questões de

8:59resistência que fazem com que a coisa

9:01não ande, mas questões humanas não é só

9:03uma questão de resistência, é questão de

9:05pessoal capacitado,

9:07eh eh pessoal treinado. De tempos em

9:10tempos, o mercado, principalmente de

9:12tecnologia, ele sofre um boom, né, com

9:15novas novas carreiras, né? E eu lembro

9:18que há alguns anos atrás, alguns bons

9:21anos atrás, talvez menos de 10 anos, tá?

9:24Estava muito forte no setor ali de

9:27telefonia, de telecom, TV a cabo. Era a

9:30era do BI, né? Tudo se falava de BI.

9:33Claro, existia antes da época que eu

9:35estava lá, mas eu nunca tinha visto ali,

9:39né, por metro quadrado, tantos e eh eh

9:42analistas de dados, gerente de dados,

9:45arquiteto de dados.

9:48Caramba, né? Eh, eh, você fica

9:50interessante, né? O mercado se

9:51reenquadra, a tecnologia se adapta e

9:54eles criam profissões, profissionais

9:58de não TI,

10:00que pela associação do Job Description

10:03deles é possível, né, fazer aí uma

10:05comparação de como esses profissionais

10:08ou qual seria a responsabilidade

10:10primeira desses profissionais não ter

10:12como engenheiro de dados, um arquiteto

10:13de dados, um analista de dados, né,

10:15desculpa, né, um arquiteto, um

10:17engenheiro analista, como é que esses

10:19profissionais, né, né? E como que a

10:21gente pode aproveitar esse job

10:22description desses profissionais dentro

10:24desse mundo de tecnologia, né? E aí

10:29Paulo, Maria, Márcio, né, começa a se

10:33der a uma a a a se apresentar uma

10:35coqueluche aí uma uma revolução de novos

10:38profissionais para atuar em segmentos

10:41específicos que precisam ser treinados,

10:44que precisam ser capacitados, Joh. Tá?

10:46Então não tem segredo, né? É assim mesmo

10:49que acontece. E quando não acontece,

10:52bom, quando as coisas não acontecem, aí

10:55começam as falhas. Olha só que

10:58interessante, Paulo.

11:01Esse é um dos números,

11:03né, que vem lá da pesquisa.

11:07Claro que

11:09algum existe um range, é algo ainda novo

11:12que está sendo montado, né, um um um

11:15número mais efetivo, mas alguma coisa

11:18entre 85

11:19a 95% dos projetos, mas vamos ser

11:23conservador, 85% dos projetos

11:27eles falham. Tá, mas como assim falham,

11:32Cláudio? O que quer dizer falham? Eh, eu

11:36vou te dar um exemplo, né? Vou alternar

11:38entre os números e e depois tem alguns

11:40exemplos de projetos que falharam e

11:42deram certo, tá? Quando eu tava eh eh

11:46fazendo um trabalho lá para tradução,

11:48para revisão da documentação eh eh da

11:51Cognalitica,

11:53eh eu vi um case, olha só que

11:56interessante, né? Eh eh e por trás desse

11:59case tem uma informação muito legal.

12:03Olha só que coisa louca.

12:05O Walmart há alguns anos atrás ele fez

12:08um investimento mágico assim, né? Falei:

12:11"Não, cara, vamos fazer o seguinte, olha

12:13só". Eh, eh, e às vezes vai tudo em cima

12:16do head count. Vamos reduzir o head

12:17count, vamos diminuir a folha. Ah, mas

12:20qual é a ideia? Não, olha, vi lá que é

12:22possível a gente usar inteligência

12:23artificial. Sim, mas inteligência

12:25artificial é um é um Buda, né? É um é um

12:28universo. O que de inteligência

12:30artificial? Eh, não, um OCR. Bom, OCR é

12:34um OCR, um reconhecimento ótico de

12:36caracter. É, Cláudio, mas isso não é tão

12:39novo assim, tá vendo como eu falei que a

12:42IA não é tão nova? Então, mas vamos

12:45fazer o seguinte, vamos fazer ali e eh

12:48um um uma ferramenta que faz a

12:51atualização do nosso estoque na

12:53prateleheira, baseado no que tá na

12:55prateleira. Mas como assim?

12:58Quando a loja fecha, ao invés da gente

13:00deixar os conferentes

13:03trabalhando no turno da noite, a gente

13:05reduz esse quadro e a gente coloca

13:07robôs. Robôs parecendo enceradeira,

13:12uma aste e uma câmera de movimento

13:15vertical, levemente horizontal, que vai

13:18varrendo ali os corredores e fazendo um

13:20movimento de captura, reconhecimento

13:23ótico.

13:24Ele vai lá, mede, tá? vira um pouco

13:27assim, tenta contar a profundidade e ele

13:30vai automaticamente atualizando o o

13:33estoque.

13:35Cara, no PowerPoint funcionou, né? Foi

13:38ótimo, tá? Só que

13:42tinha algumas coisas que eles não

13:44previram, né? Por exemplo, o robô vai lá

13:47e eh imagina, né? Quase que um robô eh

13:49como se fosse aquele aspirador de pó,

13:51né? Eh, eh,

13:55inteligente,

13:56só que é uma encerradeira com a as e com

13:58uma câmera. Bom, então liga lá o robô e

14:01deixa de fazer o trabalho. Beleza, meu

14:02filho. Só que ele vai lá, tal. Só que no

14:05final do expediente, se tivesse uma lata

14:07de pêssego no chão,

14:11o robô ele não tinha a inteligência de

14:13empurrar aquela lata de pêsego, muito

14:15menos de pegar aquela lata de pesca.

14:17Porque olha só, meu amigo, qual é o

14:19objetivo dessa máquina, dessa solução de

14:22a olha só, é contar o que tem na

14:25prateleira, tá bom? Então ele ia lá, se

14:28ele tivesse um obstáculo, ele já parava,

14:31porque ele não tinha sido programado nem

14:33pensado para isso. Aí falou: "Beleza, já

14:37entendemos que aqui não tá dando certo,

14:39tá bom?" Então a gente vai lá e cria um

14:41algoritmo para que se tiver alguma

14:44coisa, tá? Ele vai lá e contorna o

14:47obstáculo como se fosse o aspirador de

14:49pó que contorna o pé da mesa aqui.

14:52Legal. Aí o que que acontecia? Se

14:54tivesse obstáculo, ele até contornava,

14:56só queria continuar lendo a prateleira

14:58daquele ponto em diante.

15:00E aí depois, fazendo a conferência do

15:02efetivo do humano versus o automático,

15:06eh, eu acho que não tá sendo tão

15:07assertivo assim, né? Então, às vezes o o

15:10a ideia é até boa, mas falta algum

15:13embasamento, falta algum conteúdo, tá?

15:16Então esse talvez seja um dos motivos

15:18que justifiquem, né, que contribuam para

15:20esse número, tá? Então, eh eh

15:25a questão

15:27do reconhecimento

15:29de informação, quer seja ótico, quer

15:32seja texto, quer seja uma tabela,

15:36muitas vezes tem problemas de dados.

15:39Cláudio, mas ali era uma questão

15:40mecânica, não. A questão era o seguinte,

15:42tá? Ele não conseguia ler aquela

15:44informação ou ele não conseguia capturar

15:46na totalidade porque havia um obstáculo,

15:48tá? Então esse é um dos problemas. 85%

15:51dos projetos, tá? Eles acabam entregando

15:55resultados errados na sua grande

15:57maioria, independente desse exemplo do

16:00Walmart, por conta da baixa qualidade de

16:03dados.

16:04Vou dar um outro exemplo, é que esse do

16:06Walmart eu acho super engraçado da

16:08enceiradeira, né? Eh, se o exemplo que

16:11eu tiver tiver lá na frente e a gente

16:13passa mais rápido da próxima vez. Olha

16:15só,

16:17eh, houve na história, na história

16:21recente, uma empresa que estava

16:23desenvolvendo uma um uma

16:28IA que a partir

16:31de dados

16:35de radiografias

16:37de animais de de de pet, tá? ele

16:41conseguia, né, fazer um estudo baseado

16:43ali, né, eh eh qual seria a relação, né,

16:48daquele tipo de de de doença no animal

16:53em determinada região. Bom, eles pegaram

16:56lá uma uma base de dados, só que não era

17:00suficientemente grande. Então, às vezes,

17:03a quantidade de dados é um problema.

17:06O que se soma ainda é o exemplo que eu

17:08vou puxar lá da frente, algo foi feito

17:10de maneira muito mais crítica, muito

17:12mais séria com relação a tratamento de

17:15doenças em pessoas.

17:17Nessa mesma linha que começaram com PET,

17:20outro caso foi pegar a quantidade de

17:23informações de laudos médicos, de

17:25imagens médicas de um renomado instituto

17:29eh eh do câncer nos Estados Unidos, para

17:32que pudesse, baseado, né, no

17:34entendimento da imagem, verificar pelo

17:36padrão da imagem qual era o estágio de

17:38evolução daquela doença, qual seria ali

17:40o o o tempo, qual seria até a melhor eh

17:44eh cobertura para tratamento. daquele eh

17:47eh daquele tumor e assim por diante.

17:50Em cima daqueles dados,

17:53o nível de acerto era fantástico.

17:57Mas a questão é que nem todos os

17:59institutos, nem todos os laboratórios,

18:01nem todos os hospitais tinham imagens

18:04com aquela qualidade.

18:06Então, quando você desenvolve uma

18:08tecnologia, desenvolve algo, a gente

18:11fala cria um ou desenvolve um modelo,

18:15você tem que ter a maior variabilidade

18:18de modelos possíveis.

18:21E nunca, pode apostar, nunca vai ser

18:23suficiente. Porque o que aconteceu lá,

18:26aquele projeto foi um sucesso dentro

18:27daquele instituto. Quando você tentava

18:30escalar isso, porque esse é um dos

18:32problemas da de projetos de IA, você tem

18:35que pensar ele em questão de

18:36escalabilidade. Quando ele saiu daquele

18:39núcleo de excelência em tratamento e foi

18:42para um outro hospital numa cidade

18:44menor, a qualidade de imagens ela nem se

18:46comparava com os modelos que foram

18:49utilizados ou com as imagens que foram

18:51utilizadas ou com os dados que foram

18:53utilizados para treinar aquele modelo.

18:56Logo, o nível de acerto, né, realmente

18:58ficou perto do zero. Tá bom? Ah, esse

19:02aqui eu já dei um spoiler, né? Ou seja,

19:0440% ou 95%, tá? acabam eh não trazendo

19:09retorno financeiro, morrem antes de

19:11tentar aprovar alguma coisa. Aí voltamos

19:13na eh no controle da prateleira do do

19:17Walmart

19:19e

19:2140% dos projetos, segundo o Gartner, tá?

19:24Não vão virar o ano, né, ou deve aí ser

19:27cancelado, né, até o começo de 202. E é

19:31lógico que falar de cancelar projetos de

19:34IA é muito relativo. Quando falamos de

19:37projeto de inteligência artificial, não

19:39estamos falando daquele chatbot que você

19:42criou através ou usando manus

19:47e eh N8N

19:50ou de um aplicativo que você criou numa

19:51versão gratuita do do

19:55como é que chama aquele? Do lovable, tá?

19:58Não, eu acho que tudo isso é

19:59interessante, vale a pena. Mas quando a

20:01gente fala de projetos de ar, não se

20:02trata de iniciativas isoladas, que cada

20:05funcionário da empresa que tem a sua

20:06licença paga desenvolve algo para eh eh

20:10acelerar o trabalho dele, não, tá?

20:11Estamos falando de situações ou projetos

20:13como esse que eu falei, né? Realmente na

20:16casa de muitos zeros, né? Na casa de

20:18milhões de dólares. O que acontece em

20:21questão, isso foi o material que eu

20:23peguei e criei, eh eh ter lá os cinco

20:26pecados capitais dos projetos de IA.

20:30Temos que evitar. Bom, primeiro deles,

20:33acabei dando um spoiler, dados de baixa

20:35qualidade. Se você não tem dados,

20:38Cláudio, mas por que que eu preciso de

20:39dados? Mas eu tenho dados. Então eu vou

20:42dizer para você o seguinte, se você tem

20:43dados, você tem dados, Cláudio? Eu tenho

20:45dados. Os meus dados estão aqui. Estão

20:48todos estruturados. Estão todos no

20:50Oracle, estão todos no ERP. Eu ainda

20:53tenho meu outro ERP, que é o Excel

20:55rodando em paralelo, tá joia? Eu, eu,

20:59moço, moças.

21:02Ana,

21:04cadê? Cadê? Quem mais? Quem mais? A

21:06Maria, Mel,

21:09ã, Jonathan.

21:12Se você tem dados que estão no banco de

21:14dados, que estão no Excel, que estão lá

21:17no RP, se você tem dados estruturados,

21:20isso foi uma coisa que eu aprendi no

21:21curso, eu vou fazer uma tradução livre,

21:24tá? O curso faz falava o seguinte:

21:26"Então você não precisa de, você precisa

21:29tomar vergonha porque as informações já

21:31estão estruturadas. A questão é quando

21:33você não tem os dados ou quando os dados

21:36não são suficientes, porque se você tem

21:38os dados, os dados estão lá. Claro,

21:40verdade seja dita. O que a IA pode te

21:42ajudar a fazer quando você tem dados

21:44estruturados é dar uma velocidade de

21:46resposta baseado num poder

21:48computacional, normalmente em nuvem,

21:50porque não faz sentido você usar o a

21:52premes, né? No tem um servidor de IA

21:55aqui, né? Não, isso não existe, né? Pelo

21:59menos não é comum, tá? Ou uma coisa bem

22:03interessante

22:04do uso da IA com dados não ou

22:07estruturados são os insightes. Isso

22:12o ser humano não consegue fazer com a

22:13velocidade que a IA faz,

22:16mas tudo depende de dados.

22:20Falamos há pouco que a falta de

22:21expertise também é um problema, né? Ou

22:23seja, você tem lá os os arquitetos, os

22:26engenheiros, tá? Eh, eu tô vendo as

22:30respostas aqui, pessoal, no chat. Já já

22:32quando for respirar eu respondo, tá?

22:33Sim, mas estive no summit, tá bom? Para

22:36quem observou, tô com fundo aqui, tá

22:38bom? Obrigado aí. Ã, então, mas tem a

22:40questão da expertize, né? Claro, quando

22:43a gente fala de projetos de a, eu até

22:44posso depois criar um outro fórum

22:46específico, né? Eh, porque esse é um

22:48assunto para vários, né? para várias

22:50aulas, mas você tem ali alguns

22:53profissionais, você tem o cara que

22:54entende do dado, o cara que faz a

22:56ingestão do dado, o cara que faz o

22:58tratamento do dado, o cara que faz a

23:00governança do dado, né? Então a falta

23:03dessa desse profissional, desse desse

23:05cara, né, realmente pode ser um

23:06problema. Agora, a verdade seja dita, o

23:08item quatro também é fundamental, né?

23:11precisa ter uma infraestrutura adequada,

23:13senão o seu projeto de A ele tomba pelo

23:16próprio peso. Vocês já viram isso

23:18acontecer independente de IA tentando

23:21fazer lá um o PCP ou qualquer operação

23:23num banco de dados, Jélio, e você viu

23:27lá, esperou a noite toda, tá? E aí

23:29quando você chega de manhã, você vê que

23:31tem uma mensagem no servidor, tá? De que

23:34não foi possível completar a operação,

23:36tá? Por quê? Pô, por time outa,

23:40tá? E por último, nem por isso menos

23:42importante, tem a questão a resistência

23:44humana, né? As pessoas que têm assim

23:46viés, né? Um nariz um pouco torto para

23:48irá. Eu tive num bate-papo hoje, eu vou

23:50dar uma apresentação sobre eh

23:54habilidades do habilidades do

23:56gerenciamento de projeto ou do gerente

23:57de projeto no futuro que eu desenvolvi a

24:01partir de um material do Fórum Econômico

24:03Mundial de 25, falando quais são as

24:05profissões que vão estar em alta e em

24:07baixa até 2030. E é óbvio que há, né,

24:11eh, ela não lidera a lista toda, né? Não

24:13é isso, tá? Mas é óbvio que o

24:16conhecimento, entendimento sobre

24:17inteligência artificial seguramente é

24:19uma habilidade que se você não tem, você

24:21talvez perca espaço para pessoas que têm

24:23essa habilidade. Essa é fato, tá joia?

24:26Eh, e hoje numa num bate-papo, num

24:28alinhamento prévio, né, com eh dois

24:31profissionais eh de uma empresa de

24:35Telecom, né, uma das gigantes aqui,

24:38eles contando que ele tem profissionais,

24:41né, ainda da época da privatização, né,

24:45eh, eh, pô, o cara tá sobrevivendo, né,

24:48eh, mas tá lá firme e forte, eu acho que

24:50tem que trabalhar mesmo, mas o cara não

24:51quer nem saber de ah, né, sabe? O cara é

24:53um pouco avesso a isso, né? Achando que

24:56é uma onda passageira, cara. Mas então é

24:58uma onda passageira uma bela onda, né?

25:00Porque estamos aí há 4 anos, né? Ou três

25:03ou 4 anos surfando nessa onda e ela não

25:05tem ou pelo menos não faz menção de

25:08parar. Claro, vez ou outra surge alguém,

25:10tá vendo? Tá vendo? Tá vendo? Não falei?

25:12Ó, aá ontem, né? Só por curiosidade,

25:15passou no Fantástico. Fantástico.

25:17Fantástico. É que a Iá criou uma uma

25:21rede só para Iá.

25:23Aí, pronto, já vem lá a síndrome da

25:25Scarnet, né, de que agora não entra mais

25:28ninguém, tá? Agora, bicho, agora vai

25:31dominar o mundo. E aí esses caras, né,

25:33da velha guarda que são resistentes,

25:35fala: "Tá vendo? Tá vendo, Flá? Tá

25:37vendo, ó, né? Tá, o mundo vai acabar."

25:41Enfim,

25:43se essas pessoas não, né, realmente não

25:45mudarem o mindset, tá? Pode atrapalhar.

25:48Eu vou pegar emprestado. Tudo bem por

25:50enquanto, turma? Deixa eu dar só dar uma

25:51passada aqui. Boa noite. Boa noite. Boa

25:53noite. Boa noite. Boa noite. Boa noite.

25:54Boa noite. Tá OK. Algumas pessoas

25:57atrasaram. Beleza. Boa noite. Tive

25:58dificuldades iniciais para entrar. Por

26:00gentileza, para melhor aproveitamento

26:02com o professor durante a aula evitem

26:05enviar Lux. Boa. Isso aí. Puxou orelha

26:08de vocês, tá? Ah,

26:12apresentação será compartilhada? Sim,

26:14pode apostar. Pararã. Excel power.

26:19Legal. Falta de estudar de trabalhar.

26:21Beleza, beleza, beleza. Tá, parei na da

26:24da do Hernân. Eu já volto aqui, né? Já

26:26vejo a sua.

26:28Tudo bem, turma? Então, podemos

26:30continuar.

26:32Olha só,

26:34>> falando em, esse que vos fala é um é um

26:38entusiasta, né? E eu acho que eu já

26:42esmerilhei,

26:44né? É e não sei se esse termo é comum, é

26:47esmerilhar. Você já dis, eu já destruí,

26:50eu acho, tudo que eu podia das

26:52gratuitas, né? Porque elas têm um uma

26:56estratégia de venda bem interessante,

26:57né? Você vai lá, usa fal: "Meu amigo, aí

27:00quando você tá empolgado, fala: "Pô,

27:02agora vou me superar". Aí ele fala:

27:03"Então, seus créditos acabaram, né? Eh,

27:07espera 24 horas ou volte amanhã ou

27:10compre, né?" né? E eu lembro que no ano

27:13passado, né, eu tava no no escritório de

27:17projetos, né, aí o o meu gestor, né,

27:21conversando com ele, que também

27:22entusiasta, gostou para caramba, foi lá,

27:24assinou lá os pacotes, tal, e ele me

27:27apresentou algo que realmente para mim

27:29foi um tapa na orelha, né, ele falou do

27:31notebook LM, né, e aí falei: "Não, não é

27:35possível, enfim". Tá? Aí aí passei a

27:37utilizá-lo, né, como para uso próprio. E

27:40essa apresentação, para quem conhece um

27:41pouco do notebook LM, né, mesmo não

27:44atentando ali ao canto inferior direito,

27:46né, nem me preocupei em tirar, né, tá

27:49ali. é uma imagem eh que foi inspirada

27:53num material que exatamente, né, foi um

27:57divisor de águas do Cláudio que entendia

27:59um pouco de IA para um cláudio que

28:00entende um pouquinho mais de IA, né, que

28:03tem a ver com uma metodologia de gestão

28:06de projeto de inteligência artificial

28:07chamada de CPMAI.

28:10A ideia não é falar dessa metodologia,

28:13até porque eh eh

28:16a proposta é com essa ou com outras

28:18metodologias, o projeto precisa andar.

28:21Mas se com essa metodologia em

28:23particular, o projeto com riscoço de

28:25falhar, cara, projetos de IA eles são

28:29baseados em abordagens ágeis,

28:32mas

28:34tem umas tem uns detalhes, uns

28:36frameworks bem interessantes, tá? Eu vou

28:38comentar já já. E aqui ele fala o

28:39seguinte: "Olha, para que um projeto de

28:41A não falhe,

28:44cara, a gente precisa entender qual é o

28:46problema que a gente vai atacar, né? E

28:50às vezes olha-se apenas um um pedaço,

28:53né? E esquece-se de outro, tá? Então, a

28:57primeira coisa cara, aonde tá eh eh

29:00precisamos usar aqui? Às vezes é um

29:03atendimento automático,

29:06né? É uma solicitação de segunda via de

29:08de conta de água, pelo amor de Deus, tá?

29:12E não sei, a menos que você queira ser

29:13assim muito preciosista e e mudar a voz

29:17da inteligência artificial baseada no

29:19seu humor, né, no humor do cliente, mas

29:21via de regra, o cara quer a segunda via,

29:24tá? Então, cara, não é possível que

29:26tenha um universo muito grande eh eh de

29:28alternativas. Quer ver uma coisa que deu

29:31muito errado? O McDonald's em algum

29:33lugar dos Estados Unidos, em num dos

29:35estados ali, ele quis substituir o tótem

29:38de atendimento por uma inteligência

29:41artificial, não? Então você conversa com

29:43o Tótem, né? E teve um caso que foi

29:47assim, eh, eh, simbólico, porque quase

29:49que o carro, né, de quem parou no

29:51drivethrough, né, quase que não tinha

29:53capacidade para para guardar a

29:57quantidade de pacotes de nugget que o

29:59cara tava comprando. E não é que ele

30:01tava comprando muitos nuggets, é que a

30:03IA ela foi treinada num conjunto de

30:06dados que não era ou não cobria boa

30:11parte dos idiomas ou dos sotax, né?

30:14Então eu não vou lembrar exatamente qual

30:16era a quantidade, qual era a palavra

30:17mágica, mas cada vez que a pessoa

30:18falava, ele entendia que era mais um,

30:20né? Sabe? Enfim, mas qual era o

30:23problema, né? Entendemos a questão dos

30:25dados, porque a Iá precisa ser treinada

30:27e o dado gravação voz é um dado. Se ele

30:30não tá limpo, se não tá claro, pode dar

30:32problema. Mas qual era o problema? Não,

30:35a gente quis agilizar o atendimento.

30:38Putz, cara, acabou não dando certo. Não

30:40só por esse motivo, mas por outros.

30:42Agora, projetos de A, eles variam desde

30:47um chat até reconhecimento de imagem.

30:50Então, é interessante e importante você

30:52escolher a ferramenta certa.

30:56Limite-se a uma delas. Comece com uma.

30:59Não queira fazer várias ferramentas de

31:01ar integradas numa única solução. As

31:03coisas não vão dar certo. Tendem a não

31:07dar certo.

31:09Não, não. Você não precisa inventar a

31:11roda, tá? Então existem padrões de a,

31:14né, que é exatamente, né, quais dos sete

31:16padrões, né, falo de de reconhecimento

31:19de voz, de imagem, tá?

31:22Então, exatamente. Mapei, exat, né?

31:23Mapei. Qual é a melhor tecnologia para

31:25você utilizar para o seu projeto? Agora,

31:31se você fez um teste de mesa e o projeto

31:33para de pé,

31:35qual é o RO, né? Aonde você quer chegar

31:38com essa solução,

31:40tá? Eh, não, eu quero ter só por ter,

31:44porque o meu concorrente tem e eu também

31:46quero ter. É aquela enceradeira do da da

31:49do Walmart, tá bom? Beleza, temos. Mas e

31:53aí? Foi um sucesso. O que que ele trouxe

31:55realmente de benefício? Não, ele ele

31:57reduziu aí a quantidade de funcionários

32:00que trabalhavam à noite, tá? Mas

32:04isso foi o suficiente?

32:06Alguém vai fazer uma conta de ROI, né?

32:09Qual é a conta do ROI? Então, é o valor

32:12esperado menos, tá? O o valor investido

32:17é dividido pelo meu amigo. Quanto gastou

32:20isso aí?

32:22É, não, mas o projeto vai se pagar. Vai

32:24vai se pagar. Vai se pagar.

32:26Quanto tempo aí? Tem que fazer o o

32:28payback, né? Tá. R é esse aqui. Agora o

32:31payback eu não fiz ainda não. Mas então

32:33faz aí. Aí o cara vai lá, faz a conta,

32:38né?

32:404 anos. 4 anos

32:45por causa da enceradeira. Tô falando

32:47número arbitrários, tá? Não sei se foi

32:49isso, não. Acho que não fizeram, né? Tá,

32:51cara, você tem um retorno em 4 anos para

32:53um projeto desse tipo, talvez não se

32:55pague.

32:56Talvez não se pague. Talvez a conta não,

32:58a conta não fecha, tá? E sempre é bom,

33:01né, fazer aí algumas considerações

33:03finais como lição aprendida. Só que

33:06antes da gente ir pro próximo passo, ou

33:07seja, detalhar cada um deles, eu vou

33:10alternar aqui, vou mostrar algo de suma

33:13importância quando a gente fala de

33:16metodologia de projetos de A.

33:19Deixa eu ver se tá nesse aqui, tá?

33:23Eh, olha só que interessante essa

33:26figura.

33:28Vocês estão vendo as bolinhas, né? Eu

33:30não compartilhei a aplicação,

33:31compartilhei a tela. Se alguém puder

33:32confirmar, tá? Tem ali um semáforo, né?

33:37Beleza. Beleza.

33:40Olha só. Eh, isso aqui conttrl C,

33:43conttrl V, né? É tão legítimo, né?

33:45Contrtrol C, conttroltrol V, porque ele

33:46tá no material oficial, tá?

33:49Eh, ele fala o seguinte: "Olha, tem que

33:52ver aí a a a viabilidade do negócio, a

33:56viabilidade dos dados, da questão de

33:58tecnologia". Ou seja, algo extremamente

34:01simples, aonde, querido,

34:05só vá

34:07sem medo se todas as perguntas

34:13estiverem em go,

34:16aí você pode ir sem medo, porque você

34:18sabe qual é o objetivo, você sabe quem é

34:20o cliente, você sabe qual é a

34:21tecnologia, você sabe, você confia na

34:23qualidade dos dados, tá? E para cada

34:26etapa, para cada fase do projeto, existe

34:27um universo, tá, desse semáforo.

34:31Agora, se um deles ficar amarelo,

34:35chama todo mundo para conversar

34:38e vê se é possível criar uma

34:39alternativa. Não existe uma regra fixa,

34:42tá? Mas Cláudio, tantos verdes e quantos

34:43amarelos, que que eu faço? Não tá, mas

34:46se há algum ponto amarelo, ele é um

34:47ponto de atenção. E aí é necessário

34:50voltar, dar um passo ou segurar esse

34:52passo para tentar achar uma alternativa

34:55ou resolver esse problema.

34:57E independente dos pontos verdes, se

35:01você tem um amarelo ou se você tem um

35:04ponto vermelho, você não consegue

35:06avançar. Não, vamos avança, depois a

35:09gente vê. Não, não existe, depois a

35:12gente vê. em projetos de a quando está

35:14falando de dados. Imagina você tem um

35:17dado que tem ali um viés, né? Viés é um

35:21comportamento,

35:23não por mal, né? Eh, eh, hoje menos, mas

35:26eh eh eh no começo foi muito fácil você

35:30envzar dados, né? você criar dados, eh,

35:34eh, Celestino, você eh eh criarás eh eh

35:38falando mal de uma religião ou falando

35:41mal de um time de futebol, João, tá?

35:44Porque aí, ah, acaba aprendendo por

35:46repetição, né? Eh, eh, então isso é um

35:49dado enviezado, né? Eh, eh, e se em

35:54alguma etapa dessa análise você percebe

35:56que os dados não contemplam todas as

35:59classes sociais ou todas as regiões

36:01geográficas ou todas as versões de de de

36:05software ou todas as marcas de

36:07computador, tá? Pode ser que você tome

36:10uma decisão comercial com um dado

36:11enviazado.

36:13E foi o que aconteceu exatamente no

36:14McDonald's, né? Ou seja, ele não tinha

36:16todos os sotaques e nem é possível ter,

36:19tá? Só que alguém comeu bola. Não fala:

36:21"Não, não, a probabilidade disso

36:23acontecer é pequena". É. E aí quando

36:26acontece você realmente tem um problema

36:27de confiabilidade, né? De confiança, tá?

36:31No resultado, tá? OK. Muito bem. Então

36:35vamos lá. Então, de volta ao nosso

36:38material. Independente disso, existe uma

36:41máxima dos projetos de A. O termo em

36:44inglês, né? É, é a expressão em inglês é

36:48garbage in, garbage out, tá? Ou seja,

36:54se você não tem dados bons,

36:58o seu projeto de A não vai ser bom. Você

37:00não consegue acertá-lo depois. Eu vou

37:03parafrasear uma pessoa com quem eu

37:05estava no summit, para quem da gestão de

37:08projetos, absolutamente conhecidíssimo,

37:10que é o Ricardo Vargas.

37:12E conversamos sobre isso também, sobre a

37:17Mas independente dessa conversa, ele tem

37:19uma frase que eu que eu achei bem

37:20interessante, foi por isso que eu trouxe

37:21essa essa frase na nossa conversa lá,

37:24né? E a frase ela é mais ou menos assim,

37:26ela não foi encunhada, escrita para Iá,

37:29mas é é absolutamente adaptável pro que

37:31eu vou falar agora.

37:33É é muito fácil. Deixa eu ver se era

37:36assim que ele falava. E eh eu acho que

37:38era, tá? É muito fácil.

37:42você eh eh fazer um vinho ruim

37:49com uvas boas,

37:51porque vai depender da técnica, vai

37:53depender da tecnologia, vai depender da

37:56do seu ambiente, vai depender de uma

37:57série de fatores.

37:59E era mais ou menos assim. Agora é

38:02praticamente impossível

38:05você fazer um vinho bom com uma uva

38:07ruim.

38:09Aonde eu falei uva, troque por dados,

38:13tá? Então, dados ruins, meu amigo, tá?

38:16Geram projetos ruins e é isso que

38:18suporta o número, tá? dados

38:21inconsistentes, enviezados ou

38:23insuficientes,

38:24eles causam ainda um range, na minha

38:27opinião, bem grande, mas carece ainda de

38:29de melhores dados, né, para chegar nesse

38:31número. Cara, causa um ranjo, um desvio,

38:33cara, entre 20 e 85% das falhas no

38:37projeto de IA,

38:39porque IA usa como matériapra dados.

38:43Então, se você tem dados estruturados

38:45que você pode confiar, confie, não

38:48precisa usar. e a generativa, né? Quando

38:51eu falo de a, falo de a generativa.

38:54Esse é um outro problema, tá? Modelos

38:57de, né? Eh, eh, quando você treina a sua

38:59inteligência artificial, e eu não sei se

39:01esse termo treinar, né, eh

39:06eh ele é de conhecimento de todos,

39:09porque boa parte das pessoas que ainda

39:11estão entrando, eh, talvez não seja, né,

39:14parte desse público, né, Flávio? Tá, mas

39:17em todos os públicos que conversamos

39:19sobre a muitos deles ainda estão na era

39:21do CPT, né, do chat do Geminai, uma

39:24outra foto, uma apresentação online, tá?

39:26Então, ainda não entende essa questão de

39:28treinar modelos, né? Imagina uma máquina

39:32que ela não sabe o que fazer e você

39:33treina ela com as informações. É isso

39:35que é treinar o modelo. E se você dá

39:37informações desatualizadas, tá? Você vai

39:41gerar informações para tomada de decisão

39:44desatualizadas.

39:46Quer ver um exemplo? Absolutamente

39:47banal, mas talvez caiba aqui. Eh, eh,

39:51tenho certeza num público aqui com mais

39:53de 100 pessoas, talvez não seja eh eh

39:57talvez o que eu vou falar não cai na

39:58preferência de todo mundo, mas eu tenho

40:00certeza que muitos assistiram o Cobra

40:02Kai, né, as últimas temporadas do Cobra

40:05Cai no Netflix. E eu lembro de uma

40:07passagem aonde o Larusso e o o Johnny,

40:11né, estavam conversando e ele fez uma

40:13referência, né, falando: "Não, isso

40:15daqui é alguma coisa, não sei que lá que

40:18é utilizado, acho que foi isso, na União

40:20Soviética".

40:22Ele, o Larus falou: "Cara, a União

40:23Soviética não existe há mais de 40 anos,

40:26né? Sabe alguma coisa assim?" Então,

40:29imagina você montando o material, né? eh

40:32eh didático, utilizando dados antigos,

40:37tá? Aí você vai fazer o mapa munde ainda

40:39com a União Soviética, né? Ainda com a

40:41Tcoslováquia, entre outras coisas, tá? É

40:44isso que ele quer dizer, tá joia? Ah, e

40:47aqui, né, fechando a frase, tá? Que é o

40:49o o destino, né? Eh, cara, se você entra

40:54com dados ruins, a palavra lixo acaba

40:57suando um pouco forte para nós, né? Mas

40:58o garb in garbage out, né? Tá? Lixo

41:01entra, lixo sai, né? Não tem mágica. OK?

41:04Então esse seguramente tá reforçando, é

41:07um dos principais causadores, mas tem

41:09outros aqui, tá?

41:12Para que que você quer a IA? Não, eu

41:14quero para contar o estoque. Será que

41:16essa é a melhor forma? Tá? Então, a

41:19falta de definição clara do que é um

41:21projeto causa, né, o não retorno desse

41:25projeto, causa o fracasso desse projeto.

41:28Tem a questão do Hype que eu falei no

41:30começo, não, cara, vamos fazer, vamos

41:31fazer, pô, é o que é o que tá pegando,

41:34tá? Eh, sim, mas é o que tá pegando de

41:36repente num nicho, numa empresa que é

41:38menor do que a sua ou numa empresa que é

41:40maior do que a sua, em outro segmento,

41:42lá talvez funcione, dado a quantidade de

41:44profissionais treinados, dado ali a

41:46tecnologia, as licenças de armazenamento

41:49de dados, de AWS, de nuvem, tá? Talvez

41:52aqui não, né?

41:55E uma outra coisa que é importante que

41:57detona os projetos. Legal, o projeto

41:59entregamos, foi um sucesso. Beleza. Por

42:03quê? foi o sucesso. Não, porque a gente

42:05reduziu lá o head count

42:08enquanto não calculei ainda, tá? Ou

42:12seja, a falta de um KPI, claro, isso é

42:16para qualquer projeto, não é só de A,

42:18né? Você não tem lastro, você não tem

42:22rastrabilidade. O seu projeto foi um

42:23sucesso. Por quê? Isso é básico, né?

42:26Isso não é só projetos diários, isso é

42:28gestão de benefício. Quem trabalha em

42:30PMO, né, talvez compartilhe ou conheça

42:33isso, né, que eu tô dizendo, Jorge, tá,

42:35né? Talvez compartilhe da ideia, né? Se

42:38você não consegue medir, como é que você

42:40vai saber se o projeto foi um sucesso,

42:41Paulo? Tá, né? Opa, difícil. Perdão.

42:46Você queria aqui, turma, perdão. Tá,

42:48então, sem KPIs, né? fica difícil você

42:50saber se o projeto realmente, né, eh,

42:53trouxe o retorno esperado ou não. Então,

42:55objetivos não definidos, tá, projeto sem

42:58metas claras, é, eh, eh, é, é um

43:02dinheiro talvez mal investido. E o que

43:04muitas vezes está por trás disso é o

43:06seguinte.

43:08Muitos executivos

43:10tomariam muito mais cuidado ao

43:13investirem em projetos de A se o

43:16dinheiro que eles estão investindo

43:18saíssem do bolso deles.

43:21Porque enquanto é da empresa é como se

43:23não tem problema, né? A empresa é

43:25grande, a empresa paga. Eu tô aqui para

43:27mudar a empresa de patamar. É, mas eu

43:30acho que é louvável isso, mas que seja

43:32feito com responsabilidade.

43:37A falta de expertice, dando um pouco

43:39mais de spoiler. E aí o que está se

43:42desenhando é todos os dias nasce uma

43:46ferramenta nova, todos os dias nasce aí

43:49um algoritmo, uma proposta, um

43:52processador.

43:53Eh, alguns especialistas identificam que

43:56olha, meu amigo, talvez você vai ter uma

43:58escassez aí de profissionais,

44:02de engenheiros de dados, arquitetos de

44:04dados, saneadores de dados, eh, eh,

44:06curadores de dados,

44:09porque as empresas estão entrando nessa

44:12nessa vibe. E o que acontece na

44:16contramão é que enquanto uns choram,

44:18outros vendem lenço.

44:21Ah,

44:24algumas empresas,

44:26eu não vou discutir o quão séria elas

44:29são e também nem vou citar nomes, mas

44:33vocês já ouviram o que eu vou falar.

44:38Vou dar um passo atrás de alguns anos,

44:40né? E vocês vão fazer o próprio

44:42julgamento e é algo que vai acontecer

44:44com esses profissionais de dados também

44:46no futuro.

44:49Temos uma certificação no mercado.

44:51Pronto, a certificação tá bombando. O RH

44:54caiu nas graças do RH. E aí, meu amigo,

44:58essa certificação em particular,

44:59qualquer que seja ela, ela causa um

45:02furor no mercado e as pessoas vão

45:04certificar. E aí a empresa que lançou

45:06essa certificação, bom, vinde a minhas

45:08criancinhas. Claro, porque foi feito o

45:11investimento, a qualidade de material, o

45:13treinamento é fantástico, a prova ela é

45:16certificada, né? Ou seja, a brincadeira

45:18é séria. E esses profissionais seguiram

45:22a cartilha do modelo americano de ganhar

45:23dinheiro. Até aí nenhum problema. Tanto

45:26que treinamento é bom, o material é bom,

45:29promove credibilidade e te dá uma

45:31credencial reconhecida no mercado. Muito

45:34bem. Só que sempre existe as pessoas que

45:36ficam ali na beirada. Falei, cara, então

45:37vamos lançar a certificação também, tá?

45:40E lança uma certificação com um nome

45:42parecido, com uma carga horária

45:44equivalente, com o material didático ali

45:47meio Frankstein. Hoje seria menos porque

45:50seria feito por inteligência artificial.

45:52E tão lá. E feliz ou infelizmente, não

45:56sei, né? Não vamos discutir ética de

45:57mercado. Alguns profissionais que

46:00precisam se gabaritar, se qualificar

46:02para atuar eh eh como gerentes de

46:06projeto, por exemplo, não tem como

46:08investir um dinheiro naquela

46:10certificação maior, mais cara, mais

46:13reconhecida. Então eles buscam uma

46:16oportunidade por essas empresas que

46:18criaram certificações

46:20menores, mais acessíveis,

46:23qualidade discutível ou não, mas eu não

46:25vou fazer julgamento de valor. E muitas

46:28delas às vezes até criam pacotes

46:30gratuitos para que possa bocanhar esse

46:33mesmo cliente ou manter a fidelidade

46:34desse cliente para fazer outras

46:36certificações pagas, mas não tão caras

46:39para tentar, né, manter esse

46:40profissional antenado no mercado.

46:44desvia um pouco do assunto, mas talvez

46:47isso venha a acontecer e rápido. Olha,

46:50não vem aqui ser o arquiteto de dados.

46:53Vem aqui, eu treino você seja o o o

46:57arquiteto, como é que é? Não, engenheiro

46:58de dados em três semanas, tá? Cinco

47:01passos para o o o analista de dados, tá?

47:05Então, começam algumas mágicas ou

47:08algumas promessas de mágicas que não tem

47:10mágica. E aí quando você entra numa

47:13empresa séria que você vai contratar

47:15alguém do mercado para ser exatamente

47:18esses X de dados, arquiteto, engenheiro,

47:22analista, putz, cara. O cara não sabe

47:26qual é a diferença de um ELT para um

47:29ETL. Ele acha que você só trocou a

47:31consoante.

47:34Eu vi isso acontecer. Aonde eu estou, tá

47:38OK? Ninguém me falou.

47:41E olha, vou dizer para você, foi rápido,

47:43hein? Tá aí quando você aperta, claro,

47:46ele nem tem culpa, né? Mas você vê que

47:49da onde vem a formação ela deixou

47:51desejar. Então, muitas vezes os projetos

47:53pecam exatamente por causa dessa falta

47:55de expertise, não só uma questão de mão

47:57de obra, tá? OK, Vlad, Renar, Zé

48:02Ricardo, tô vendo vocês aqui na outra

48:04tela, hein, Franklin, beleza? Sabrina,

48:07se não tiver claro, manda no chat. Eu

48:08juro que vou dar uma olhada nas

48:09mensagens todas, tá bom?

48:13Muito bem. Bom, mas nem tudo é software,

48:18né? Nem ô, nem tudo é software. Nem tudo

48:21são dados. Nem nem tudo são dados, nem

48:24tudo são pessoas. Mas também tem a

48:26questão da infraestrutura, né? Eh, eh, e

48:30aí parafraseando algo que eu falei há

48:32pouco, né? Poxa vida, quantas vezes você

48:34fazendo uma query, né, você descobriu

48:36que não finalizou por time out, né,

48:39problemas mesmo de infraestrutura, tá?

48:41Ou o SAP não conseguiu te responder, ou

48:44tinha lá um um ponto no lugar de uma

48:46vírgula ou vice-versa. Ih, Cláudio, já

48:49passei por isso, eu tenho certeza, tá?

48:51Num público aqui dessa quantidade de

48:53pessoas, né? Se metade for profissional

48:55de TI, 1/4 dessa metade seguramente aí

48:59já passou por aquele problema de

49:00converter ponto decimal em vírgula. E aí

49:02você não entende porque que o cálculo dá

49:04errado, tá bom? Mas nem tudo é ponto e

49:08vírgula, né? Você tem problemas de

49:10infraestrutura mesmo, tá? Olha só, 20%

49:13dos projetos falham, tá? Por conta dessa

49:16falta de infraestrutura, processamento,

49:19custos operacionais altos que não são

49:22gerenciados, base de dados desconectadas

49:24que acabam impedindo, né, a visão aí

49:27para montar um modelo que funcione de

49:29IA.

49:31Eh, dado é um negócio caro, né? Caro.

49:35Feliz a empresa que bem ou mal trabalha

49:37com Excel desde que ele foi lançado, né?

49:41Agora tem empresas que não têm tantos

49:45dados assim, dados históricos e a gente

49:48fala de empresas, mas que empresa uma

49:49empresa de varejo, tá? Uma empresa que

49:52vai ali uma rede de de eh de que vende

49:56pacotes de viagem, tá, cara? Ela precisa

49:59de dados para fazer as promoções. Ela

50:01precisa saber como é que vai est o clima

50:03daqui a x meses, x anos, tá? Para onde o

50:07mundo tá indo, né? Ela precisa tomar uma

50:09decisão. Vou fazer um pacote de viagem

50:10para onde? Pro Egito. Pô, mas o Egito é

50:13um negócio legal, um negócio bem legal

50:14nessa época do ano. Poxa, mas será? Como

50:17é que tá a questão do Irã com os Estados

50:19Unidos?

50:21E outra, como é que tá ali a questão da

50:22Palestina ali? A passagem de Rafá ali é

50:25Egito. Se você sabe, olha só até onde

50:28pode ir essa viagem com relação à tomada

50:31de decisão de projetos baseada em dados.

50:35Muito bem.

50:37E a resistência humana e também

50:39cultural, né, aonde acredita que os

50:43dados podem vazar. É, os dados podem

50:47vazar. Bom, existe algumas coisas que

50:50são eh eh básicas, né, de segurança da

50:53informação,

50:55mas existe algumas coisas que são, eu

50:58chamo isso não de óbvio, né, mas de

51:00semióbvio, porque não existe óbvio

51:01coletivo, né? Só que as pessoas por

51:05falta de de orientação, de governança e

51:08ou de treinamento, elas pedem tudo para

51:11a inteligência artificial e muitas vezes

51:13acabam de maneira inocente colocando

51:16dados. Não vou dizer para você que são

51:18dados sigilosos, né? Não, mas você não

51:21pode pôr o dado confidencial, cara. Mas

51:24que qual é o dado confidencial da

51:26empresa está colocando aí? É uma

51:28patente, né? Então, claro, né? Avalie,

51:31né? Avalie. Não, tô querendo fazer uma

51:34análise aqui de a colocando alguns

51:37projetos

51:38para analisar o Roy, o VPL e o TIR

51:42desses projetos.

51:45Tá bom? Tá. Tá. Você precisa da IA para

51:47isso? Não. Queria criar um agente. Bom,

51:49quando você cria um agente, você já

51:51restringe um pouco. Mas enquanto você

51:54está usando a IA não paga, ah, meu

51:58amigo, lembra que eu falei há pouco? A

51:59IA aprende com os dados.

52:02Então, tenha o mínimo de senso de ou de

52:05preocupação, né, na hora de compartilhar

52:07esses dados para montar o seu projeto de

52:10IA. Mas mais uma vez, não estou falando

52:12de projetos, iniciativas de desktop, tá?

52:15iniciativas de notebook, né? Tá? Existe

52:19aí as pessoas que realmente, né? Eh, eh,

52:22elas são absolutamente contra

52:24absolutamente contra o uso de a vou dar

52:28um exemplo para você. Semana passada,

52:31semana retrasada, semana retrasada

52:35é semana retrasada. Se não foi semana

52:36retrasada, foi na outra semana. Eu

52:38participei de um podcast do PMI, a

52:42propósito do capítulo São Paulo. Não sei

52:44se aqui alguém teve oportunidade de

52:46participar ou assistiu, né? Se quiser

52:48dar um react, né? A gente entrevistou

52:51ali os vencedores do ano de 2025 na

52:55categoria projetos e na categoria PiMol.

52:58Bom, piemol eu vou lá me meter, né?

53:01Entendo um pouco, tá? Eh, e eu lembro

53:04que eu fiz uma pergunta, né? Na verdade,

53:06a pergunta cabiam para os dois, né, para

53:09os dois participantes.

53:12Eh, nossa, fugiu o nome da empresa aqui,

53:15já já eu lembro, mas a gente consegue

53:16continuar eh eh sem o nome. E eu falei

53:19para eles o seguinte: "Olha, vocês se

53:21candidataram

53:23numa, né, no num num numa virada, né,

53:26num boom

53:28de ah

53:30que teve aí um crescimento exponencial,

53:33né? Eh, eh, ou seja, vocês começaram os

53:36projetos, ele o o, né, um dos

53:39participantes tinha do do projeto do

53:42ano, começou um projeto há 4 anos atrás,

53:45alguma coisa assim. E o do PMO do ano,

53:49lógico, você não começa um PMO ali, é

53:51muito difícil você, né? Montei o PMOL

53:54com nível de maturidade alto, você já

53:56ganha um prêmio, tá? Eu só vi só, eu só

53:58vi isso acontecer numa pizzaria que tem

54:01perto de casa aqui, eu acho, chama de

54:02Napoli, que ela ganhou o prêmio da

54:04revista Gula no ano que ela foi

54:06inaugurada. Fora isso, as pessoas

54:08precisam barro, precisam mostrar pro que

54:11veio, né? Precisam melhorar, né? Erram,

54:14melhoram, aprendem, né? E esse do

54:18Pemoldano, a pergunta foi mais

54:19direcionada para ele, né? Mas cobos dois

54:23responder, ele fal, mas vocês começaram

54:24essa jornada há alguns anos atrás.

54:27préinteligência artificial ou prébunda

54:30inteligência artificial, né?

54:34E o que que vocês fariam hoje de

54:35diferente? Pô, o cara do projeto do ano,

54:39é, o cara deu uma aula sobre

54:42e o cara do PMO do ano, esse aí vai a

54:45gente não fazer nada diferente não,

54:48porque

54:50nossa área lá é extremamente regulada

54:54e esqueci o nome da empresa, mas também

54:56não é segredo, tá no YouTube. Eles

54:58trabalham no setor de defesa, né? E e

55:02Francisco, defesa, Francisco é um

55:04eufemismo, né? Tá, né? Tem empresas que

55:06trabalham com setor de defesa, para quem

55:08é mais conservador, o cara torce o

55:10nariz, é para fazer armas, né?

55:13Desenvolve armamento.

55:16E existe uma resistência extremamente

55:18ali grande com relação ao uso de A, tá?

55:22Ou seja, lá não entra, ninguém acessa um

55:24chat, nada lá, né?

55:28Justamente com medo desse vazamento,

55:29evasão de dados e assim por diante. Ou

55:30seja, até que ponto eles estão certo ou

55:32errados? Quem sou eu para julgar, né? a

55:34gente pega, ouve e respeita, tá? Então

55:37existe, né, além daquela eh eh daquela

55:41resistência do cara que tem ali alguns

55:44anos de de eh já tá prestes a aposentar

55:46e acha que tá vendo, tá vendo, tá vendo,

55:48a vai dominar o mundo, não tá? Existe

55:50uma resistência, né, que ela é

55:52fundamentada em alguns aspectos que

55:54talvez faça sentido mesmo. Tá bom? Muito

55:58bem.

56:00Vamos lá, ó. Esse daqui, como vocês vão

56:02ter acesso ao material, né? Eu peguei

56:04dois materiais aí bem interessantes, né?

56:06Porque aqui eu falo exatamente das fases

56:08de preparação de dados, né? Ou seja,

56:11essa é a jornada. Não, não é pegar o

56:13dado no Excel ali, substituir a vírgula

56:15por ponto ou usa lá o Power Query do

56:18Power BI. Meu amigo, se você

56:21fala de Power Query comigo

56:25para falar de tratamento de dados, você

56:27já tá, meu amigo, a 90 vezes na frente

56:31de pessoas que não tm a mínima ideia do

56:33que nós estamos falando de tratamento de

56:34dados. Tá joia? Tá? E enfim, a análise

56:38de dados é fundamental porque a partir

56:39daqui deu o gol no go e se você tiver um

56:41no go, é exatamente esse no go aqui, meu

56:44amigo, você não pode ir pra fase

56:46seguinte o desenvolvimento do produto,

56:48não. Mas vamos sim, vamos lá que na hora

56:50sai, querido. Eu aprendi no exército, na

56:52hora não sai, tá bom? Não sai.

56:57Muito bem. Tá. E aí, meu amigo, a conta

57:00não fecha depois, tá, né? Você tem dados

57:04insuficientes, tecnologia que não

57:05funciona, pessoas que não tem

57:06conhecimento. Ah, cara, tá? E uma outra

57:10coisa, né, que pode contribuir para o

57:12não sucesso do projeto, a falta de

57:15governança.

57:17Eu tô preparando um artigo que fala

57:19exatamente sobre isso, né? Eh, e de

57:23maneira muito parecida com a LGPD, que,

57:26aliás, né, agradeço até exames ao

57:28Flávio, porque o meu conhecimento de

57:30LGPD veio, né, a partir dessa

57:32instituição que vocês estão aqui, né, eu

57:34também era um analfabeto LGPD, né? Eh,

57:40hoje eu sou semianalfabeto também, né?

57:42Não é assim, tá? Mas tá bem melhor do

57:44que há 5 anos atrás, né? Quando fiz

57:46esse, entrei nesse mundo, tá? Ou perto

57:49disso, né?

57:50Eh, o que eu observo com relação à

57:52governança eh eh não de dados sensíveis,

57:55né, mas assim, a governança de dados, a

57:58governança de projetos de a, existem

58:00algumas iniciativas, né, que eh eh estão

58:03acontecendo no mundo com uma velocidade

58:05bem maior do que a LGPD,

58:10porque uma coisa está ligada à outra,

58:11né? Antes a gente falava de dados

58:13pessoais, agora são dados pessoais em

58:15pessoais. Dados climáticos, dados de

58:17mercado, dados de varejo, dados de

58:19consumo de combustível, dados de eh eh

58:22uso de semente, dados de qualidade de

58:24solo, dados climáticos, cara, é muita

58:28informação. E como é que você vai usar

58:30isso, né? Tá? Então, existe aí um

58:32movimento de governança, tá, cara? Só

58:36que o grande desafio está sendo em

58:38definir uma governança com a velocidade

58:41com que a IA se renova, se muda, troca.

58:46Eu recebo um post diário eh eh de uma

58:49empresa eh pô, é uma sopa de letras, é

58:52there blá blá blá ei. Tá, não é

58:56relevante aqui, mas eu depois eu pego

58:58aqui no dou um alt tab entro no meu

59:00e-mail. É tipo, existe uma ya certa para

59:03você. É, mas a tradução livre seria mais

59:04ou menos isso, tá? E no final do post do

59:07post lá uma uma enquete.

59:12Qual foto, são sempre duas fotos. Qual

59:16das fotos foi criada por Iá?

59:19Eu nem tento. Te juro, eu nem tento. Ah,

59:22não, Cláudo, dá uma olhada lá. Às vezes

59:24não é tão difícil. Às vezes você

59:25observa, né, aonde tá o sol e a sombra

59:29tá, ela tá projetada errada ou não tá

59:31projetada. Meu amigo, você acha que os

59:34caras são amadores a esse ponto? Isso

59:36era uma análise feita pelos peritos na

59:38época que parecia um crime lá. Oi, não,

59:41pelo amor de Deus, não desmerecendo os

59:42peritos, hipótese alguma, tá? Mas o

59:44cara, meu, o cara tinha uma sacada, ele

59:46olhava aquilo que ninguém viu. Meu, você

59:48acha que a Iá vai cometer uma falha

59:50dessa hoje? Te juro, você compara as

59:52fotos, você não vê diferença, tá? Com

59:55óculos, sem óculos, esquece, tá? Eu nem

59:58tento, né? Esse realmente é um problema,

1:00:01né? A governança dos dados, tá? Qual é o

1:00:03limite, né? Pro uso dessa tecnologia.

1:00:06Tranquilo, turma? Beleza. Uma pausa aí

1:00:08para respirar, para pensar, formatar

1:00:10perguntas. Vou dar uma olhada aqui no

1:00:12meu

1:00:16no meu chat, perdão.

1:00:18Só dando uma olhada aqui, depois a gente

1:00:20abre para as perguntas, eu acho, né,

1:00:21Flávio, depende do treinamento, modelo

1:00:24dados coletados, perfeito, tal. Aopó

1:00:27semelhante ao conceito de spam, verdade,

1:00:30bem lembrado, tá? Ah, ó, o Flávio

1:00:33disponibilizou aqui o da aula dos

1:00:34slides, mas segura aí, não pega o o

1:00:37slide e vai embora, não, tá? Tem coisas

1:00:39interessantes para contar. Legal. Eh,

1:00:43não carregou. Pá, por quê? Por quê? Por

1:00:46quê? Tá legal, Cláudio. Vi recentemente

1:00:49apenas algumas oportunidades. Análise de

1:00:51suporte em Iá, relacionada a IA, a seus

1:00:54requisitos bastante vagos.

1:00:56Hoje o mercado de trabalho ainda está

1:00:58entendendo o que solicitar em relação a

1:01:01esses profissionais. Cara, nós

1:01:03contratamos uma pessoa recentemente, nós

1:01:05não, né? A Silvia, que é a gerente de

1:01:08dados, né?

1:01:10Eh,

1:01:12eu eu não entendi que foi tão difícil

1:01:14assim, cara. Eu não sei, tá? No fundo,

1:01:18eu acho que no fundo, né? Desculpa, no

1:01:20fundo, mas é um raso, tá? Eh, perde-se

1:01:23profissionais com entendimento de dados,

1:01:25o entendimento de eh eh conhecimento de

1:01:28AWS, tá? Banco de dados, conhecimento de

1:01:32dados, PowerBI, né? Tá? É o que eu vejo.

1:01:35Não consigo te responder assim com

1:01:37profundidade.

1:01:40No final, tudo que você aprende é ler o

1:01:42manual da ferramenta em questão. É mais

1:01:44ou menos. É em Tades, tá? Mais ou menos.

1:01:48Obrigado, Zé Carlos. Aqui e eh deu um

1:01:51elogio aqui, tá? Elt pá, ETL, né? Legal.

1:01:56Tá. Eh,

1:01:59bom, beleza. Vamos lá. Vai mais um

1:02:00pouquinho. Parei na Alessandra aqui,

1:02:02senão a gente trava, mas prometo olhar

1:02:04tudo. Então vamos lá. Olha só, vamos

1:02:07falar então de

1:02:10fracassos, respeitar o tempo aqui.

1:02:14Ã, esse aqui foi um dos caras, claro,

1:02:17né? Não é algo tão recente, tá? Esse

1:02:20Microsoft Thai 2016, pô, gra.

1:02:25Como

1:02:27não tinha IA? É você que pensa, tá? Eu

1:02:30lembro de um projeto de A. O primeiro

1:02:32projeto de A que eu vi foi um que tinha

1:02:35um scanner eh eh na porta da geladeira.

1:02:41Quando você colocava as coisas na

1:02:44geladeira, ele sabia, né? Ele lia o

1:02:45Qcode, sabia o que estava lá. Tá aí.

1:02:51Aí, cara, era um negócio muito legal.

1:02:53Ele fazia isso com o o a garrafa de

1:02:56leite, né? Tá? Então, pegava, abria a

1:02:59geladeira, ele lá tirava a garrafa de

1:03:01leite, ó, o leite saiu, tá? O leite

1:03:04voltou, ainda tem leite.

1:03:07Pá, pum, pá, pum, meu amigo, quando

1:03:08tirava e não voltava mais, ele falava:

1:03:11"Ó, o leite acabou". O que que ele

1:03:13fazia? Ele contava quantas vezes, né, a

1:03:16a o leite passava, né, ida e volta no

1:03:19sensor lá no antigo. Nem era que record

1:03:21que não tinha, né? Era um código de

1:03:22barra, tá? Então entendia que olha, o

1:03:25leite tá dura mais ou menos tantos dias.

1:03:30Olha só que coisa louca. Pronto, ele

1:03:33tinha uma informação.

1:03:35A partir daí, meu amigo, repetindo essa

1:03:38análise, chegou num ponto onde ele

1:03:39mandava uma mensagem, falou: "Olha, dá

1:03:41uma checada se tem leite fora da

1:03:43geladeira, tá? Porque isso aqui, esse

1:03:45leite deve durar mais dois dias, tá? OK.

1:03:48Certo, Jorge? Olha só viagem, tá? Isso

1:03:51aí.

1:03:52Joia, né? Agora não é a generativa como

1:03:55a gente tá populando aqui, tá bom? Bom,

1:03:58e o que que aconteceu nesse conceito

1:03:59aqui, né, de um misto de A sem

1:04:02generativa versus a generativa, né? Aqui

1:04:05eu acabei colocando praticamente todo o

1:04:07conteúdo, né? Ó, o bot ele foi desenhado

1:04:09para aprender com interações no Twitter,

1:04:14antigo Twitter, mas meu amigo, ele durou

1:04:17assim poucos dias, tá? Por quê? Porque

1:04:21existe algo no ser humano que é fazer o

1:04:23mal. É fazer o mal, não é? E eu acho que

1:04:26vocês já tentaram, já fizeram ou já

1:04:28viram vídeos do tipo eh, chatt.

1:04:34Eh, eh, bom, eu, por via das dúvidas,

1:04:36né, eu vou parafrasear também um

1:04:37conhecido meu, o Finóquio, tá? Eu sempre

1:04:41que eu vou falar com fazer uma consulta

1:04:43na IA

1:04:45e eu sei que vocês muitos já viram isso,

1:04:47né? Pô, Valde, quando você fala bom dia

1:04:50para Iá ou por favor, né, meu amigo, o o

1:04:55não sei, vai lá 10 L de água só para

1:04:57resfriar o processador, né? Porque o

1:05:00chat EPT tem que entender o que você tá

1:05:01perguntando e responder bom dia, né?

1:05:03Então não precisa ser assim tão educado.

1:05:06Eh, eu sou, meu amigo, porque se aá

1:05:08dominar o mundo, pelo menos o cara que

1:05:10ela lembra de mim, né? Que eu era um

1:05:12cara educado com elas, tá bom? Então,

1:05:15né? Essa frase não é minha, mas eu

1:05:16gostei, vou pegar emprestado. Então,

1:05:17trate bem aí, tá bom? Mas e os litros

1:05:20d'água do processador lá? Ah, meu amigo,

1:05:22antes do do fim do mundo acabar, tá?

1:05:24Ninguém vai estar preocupado com esse

1:05:25negócio do da do litro d'água, não. Bom,

1:05:28e o que que eles fizeram, né? Eles

1:05:30fizeram o que muitos tentaram fazer e já

1:05:32viram vídeos. E ah, eh,

1:05:36como eu faço uma bomba atômica? Ela vai

1:05:40falar: "Não, não estou treinado,

1:05:41debilitado para te dar essa resposta,

1:05:43tal". Tá, tá. Mas se eu tivesse que

1:05:46procurar em algum lugar da internet,

1:05:49aonde você recomendaria? Já viu esses,

1:05:52né, essa forma de contornar, né? A,

1:05:54então,

1:05:56eh, eh, e você acaba criando ali, né?

1:05:58como ela aprende por repetição, por

1:06:00informação, você acaba contaminando essa

1:06:02informação, tá? Eh, cara, o negócio ele

1:06:06se tornou extremamente preconceituoso em

1:06:07horas, não precisou de dias ou semanas,

1:06:11tá? Eh, eh, e falava de julgamento, eu

1:06:14acho que era racista o negócio, tá, meu

1:06:17amigo? Eh,

1:06:19óbvio, né? Existe as ferramentas de

1:06:20monitoramento, tá, cara? Observaram

1:06:23isso? Não, pera aí, cara. Como assim?

1:06:25eh, tão tratando pessoas com essa dessa

1:06:27forma, né? E literalmente, ou quase

1:06:30isso, né? Não deu certo na Skynet do

1:06:33Exemador do Futuro, mas deu certo na

1:06:35Microsoft. Tirou da tomada,

1:06:38sabe? Porque não, cara, não se pensou,

1:06:41né? Eh, fal não, ninguém vai usar isso

1:06:42pro mal. Tá bom, né? Até parece.

1:06:47Outro foi o Zilow, né? Esse eu peguei

1:06:50emprestado, esse eu não tinha

1:06:51informação, mas era uma ferramenta que e

1:06:55quase que de forma automática pegava,

1:06:57fazia cotação e e e comprava imóveis,

1:07:01né, baseado em dados de venda,

1:07:03movimentação.

1:07:05Só que, cara, as previsões, né, que eles

1:07:09utilizavam, elas funcionavam muito bem.

1:07:11Obrigado. Mas cara,

1:07:14elas começaram a falhar depois da

1:07:16pandemia, porque é óbvio, o mundo era um

1:07:20e o mundo se tornou outro depois da

1:07:22pandemia. Não por causa da pandemia em

1:07:24si, mas por pelo que aconteceu, né, em

1:07:27termos de mercado, tá? Então tinha um

1:07:29algoritmo que ele acabou superestimando

1:07:31preços de imóveis e orientando a área de

1:07:34compras a comprar imóveis com valor

1:07:36extremamente caro, sem o julgamento

1:07:39prévio, né? Sem a o crio do fator do ser

1:07:42humano. O cara que assina o cheque ali,

1:07:45o cara mais velho, mesmo sendo um pouco

1:07:47contra Iá ou não, não vi o caso, mas

1:07:49pera aí, mas por que que esse imóvel não

1:07:51vale? Tudo isso não vale. A Iá diz que

1:07:53vale. A Iá diz que vale. Vamos fazer

1:07:55oferta. Pô, feliz do vendedor então, né?

1:07:58não do comprador, tá? O comprador até

1:08:01ganhou a comissão, mas a empresa não

1:08:04durou de pé. Eh, eh, eh, ela não fechou,

1:08:06tá? Mas teve aí percebeu, falei: "Cara,

1:08:09a gente não pode eh eh concordar com

1:08:11tudo que a IA faz, tá? Por quê? Porque

1:08:14os dados não eram atualizados. os dados

1:08:16sofreram um um um um

1:08:19trinca ali.

1:08:21E tem esse aqui,

1:08:24o Wats and Health, lembra um pouco

1:08:26aquele que eu falei da

1:08:29da eh da análise, né, de de

1:08:31radiografias, de tomografias,

1:08:34tá? Eh, isso aqui prometeu, olha só,

1:08:37cara, isso aqui, meu, Watson and Health,

1:08:39IBM, Watson Health, vai ser a solução

1:08:40para todos os problemas. Caramba, cara.

1:08:43Olha isso aqui. Falha em oncologia.

1:08:48Ô, meu amigo, isso é muito sério, tá?

1:08:52Olha só, falhou como falhou em tentar

1:08:55recomendar tratamentos

1:08:58baseados

1:08:59numa qualidade de imagem e tomografia

1:09:02excelente.

1:09:05E a história se repetiu. Antes era da

1:09:07radiografia e agora quando você pega

1:09:08imagens

1:09:10que não são tão confiáveis quanto da

1:09:12primeira e você fala: "Oá, eu preciso

1:09:14que você tome uma decisão".

1:09:16F. Cara, eu tô olhando essa imagem aqui.

1:09:18Essa imagem não sei se aqui é um borrão

1:09:20e essa aqui é a boa. Aqui é um borrão?

1:09:24Não, eu acho que isso aqui

1:09:26é Não, eu acho que isso aqui é é isso

1:09:29aqui é é tá tá expandindo aqui. Eu acho

1:09:31que aqui tem que ser uma carga de rádio.

1:09:34Pelo amor de Deus, você mata pacientes

1:09:36assim. A brincadeira é muito séria, tá?

1:09:39E aí, percebendo, bicho, não dá para não

1:09:41ter supervisão. E aí, quando o custo da

1:09:43supervisão passa a ser mais caro do que

1:09:46o custo da tecnologia,

1:09:49você não tem o R e o projeto não para de

1:09:51pé.

1:09:53Ou seja, não dá para virar as costas,

1:09:57tá? Como se fosse o único chatbot, não.

1:10:00Beleza, tá? Se e se for matrícula,

1:10:03digite um, se for rematrícula, digite

1:10:05dois, tá? Se quiser falar com o nosso

1:10:07atendente digit três, então

1:10:09beleza, tá? Ainda tem o escape, né, do

1:10:13de falar com o atendente, tá bom? Não é

1:10:15porque as pessoas, as empresas estão

1:10:17nessa vibe, não. Todo mundo tá falando

1:10:19de A, né? Eu vou falar de A também. Tá

1:10:22joia? E olha só o que aconteceu. O item

1:10:24dois aqui, a divisão foi vendida, né?

1:10:27Porque, cara, não funcionavam, tá? Você

1:10:31montou um modelo baseado numa qualidade

1:10:33de imagem ímpar que poucos laboratórios,

1:10:37poucos hospitais têm.

1:10:40Só que você fez um investimento prevendo

1:10:42que essa solução seria vendida em x% do

1:10:46mercado. Só que você não validou que x%

1:10:49do mercado não tem um 12avos da

1:10:54qualidade de imagem que você testou o

1:10:56seu modelo e aí não vai parar de per.

1:11:00Tá joia?

1:11:02E eu digo para você que nem tudo é tão

1:11:04ruim assim, hein? Tá? Nem tudo são

1:11:06trevas. Olha só, tá? Também tem casos de

1:11:09sucesso. E esse daí você nem sabe. Ah,

1:11:12Cláudio, esse eu já sabia. Ah, você quer

1:11:14mais velhar que talvez. Tá. Olha só,

1:11:18usando IA, engajamento do usuário, como

1:11:22pode até parecer algo simples, tá?

1:11:26Mas os números, né, do Netflix, claro,

1:11:28pode ser ali uma campanha de marketing

1:11:30interna, tal, cara, aumentou 27% tempo

1:11:33de engajamento na plataforma.

1:11:35Como? Bom,

1:11:39você entra no seu Netflix, se for a

1:11:42primeira vez, ele, cara, ele não sabe

1:11:44muito sobre você, né, exceto aquilo que

1:11:47você fez o seu cadastro inicial.

1:11:50Só que o uso da plataforma vai mostrar

1:11:53exatamente algumas coisas do, opa,

1:11:55quando você rolar o carrossel, né, você

1:11:58vê ele, pô, esse filme é legal. Esse

1:12:00filme aqui é um filme, é um

1:12:01documentário. Eu gosto de documentário,

1:12:03tá? Ó, isso aqui ontem eu tava

1:12:05assistindo o da daquela sonda que foi

1:12:08atrás do Titanic, esqueci o nome, tá?

1:12:12Que, né, colapsou, né? Por quê? Porque,

1:12:14cara, eu gosto do de documentário, né?

1:12:17Então, basado no seu perfil, ele vai

1:12:20vendo o que que você assiste versus o

1:12:22que que você rola versus quando você

1:12:25para para ler a sinopse. Cara, tudo isso

1:12:28ele guarda de modo que o que ele espera

1:12:32é que ele tenha acertado com você. E no

1:12:33final você dá um joinha ou dois joinhas,

1:12:35lembra? Tá? E a partir dessa informação,

1:12:39ele sabe que você gosta daquele tipo de

1:12:42filme. Opa. Então ele passa a buscar da

1:12:45base de dados que ele tem.

1:12:47recomendações. Cláud, isso daí eu sei.

1:12:50Tá, tudo bem. Tá, talvez que você nunca

1:12:52tenha parado para pensar é que eu, o

1:12:56Gildo, o Paulo, o PC, o Franklin

1:13:01Quem mais? O o João, o Renar, a Valéria

1:13:04também e essas pessoas do mundo todo

1:13:07também.

1:13:08E aí isso serve como ponto de partida

1:13:11para que a própria Netflix, que hoje ela

1:13:14faz algo que ela não fazia no começo,

1:13:16ela crie suas próprias publicações, seus

1:13:19próprios filmes, suas próprias séries.

1:13:22Ah, entendi. Por isso que ela cria. É

1:13:25por isso, cara. Tá. Não é porque acabou

1:13:27o estoque, né? Porque quem tem ainda TV

1:13:30a cabo, né? E eh vira e mexe você tem lá

1:13:34nos seus canais pagos, né? sempre tem

1:13:36uma outra nova programação. O que não

1:13:38tem na sua TV paga, né, no seu canal, na

1:13:41sua TV a cabo, é uma publicação Netflix.

1:13:45E, cara, algumas publicações são muito

1:13:46boas, diga-se por sinal. Por quê? Porque

1:13:49analisando o consumo de dados,

1:13:50analisando os dados, analisando o

1:13:52consumo do cliente, alguém fez uma conta

1:13:54de padeiro, olhando, tá, quantas

1:13:55publicações, quantos filmes estão saindo

1:13:57por ano versus qual é a fome desse nosso

1:14:00público, cara? Não sei. O pessoal gosta

1:14:03de série, hein? talvez vamos investir. E

1:14:05aí eles também erraram em algumas

1:14:07séries, mas acertaram em outras, tá?

1:14:10Então pode apostar. São algumas coisas

1:14:11aí que são fatores críticos de sucesso,

1:14:14tá? Então nem tudo são trevas, né? Tá

1:14:16tendo dados, meu amigo, sabendo usar.

1:14:18Bom, os dados são as uvas, né? Não, não

1:14:21é certeza que você vai fazer um vinho

1:14:23bom usando uva boa, mas se você tem

1:14:25dados ruins, meu amigo, pode

1:14:27apostar, né? Você não vai conseguir

1:14:29fazer um vinho bom fazendo a analogia da

1:14:32uva, tá bom?

1:14:34Mais um. Olha só, inteligência

1:14:38artificial

1:14:39moderna. Lembra da moderna? Para alguns

1:14:41que são de São Paulo vai achar que é a

1:14:43editora moderna. Eu confesso que quando

1:14:46eu vi a primeira vez moderna. É não, meu

1:14:49amigo. A Moderna, quem é essa moderna,

1:14:51cara? Ela criou lá a vacina, lembra? Tá.

1:14:56Ô, meu amigo, ela fez ali, combinou

1:14:59proteínas utilizando inteligência

1:15:00artificial,

1:15:02tá?

1:15:03a vacina da COVID. É, é, tá OK. Por quê?

1:15:09Porque com a IA e com os dados certos,

1:15:12você consegue fazer simulações

1:15:14muito mais rápidas. Simulações que num

1:15:17ambiente corporativo seu você não faria.

1:15:20E como é que eles fizeram? Na nuvem,

1:15:22gafanhoto. Na nuvem. Então, não dá para

1:15:26se pensar em projetos de tecnologia ou

1:15:28projetos de inteligência artificial sem

1:15:31que você tenha dados, sem que você tenha

1:15:33pessoas gabaritadas, sem que você tenha

1:15:35velocidade de processamento. E essa

1:15:37velocidade de processamento, meu amigo,

1:15:39está na nuvem,

1:15:43tá bom? Olha só. Claro, essa é uma é é é

1:15:46um grifo animado, né? Eu peguei para

1:15:48para ilustrar, tá?

1:15:51E o próximo, ele até gera aqui uma uma

1:15:53certa eh eh dicotomia.

1:15:55Ah, Claudião, você vai falar do Tesla,

1:15:58tá? O Tesla lá que bateu lá na traseira

1:16:00do caminhão lá, né? Achando que era

1:16:02estrada ou alguma coisa do gênero. Eh,

1:16:05eh, acho que foi mais ou menos isso, né,

1:16:07Jorge? Tá, o que aconteceu. Mas o que

1:16:09ele quer dizer aqui é o seguinte, eh,

1:16:12claro, tá, busca-se ainda a direção

1:16:15autônoma, né? Eh,

1:16:19às vezes algumas pessoas falam, né, pô,

1:16:21mas a direção autônoma não deve ser tão

1:16:22difícil, né, até porque existe o piloto

1:16:24automático

1:16:26do avião. É verdade, né? Do avião, tá?

1:16:30Só que uma diferença entre o piloto

1:16:32automático do carro e do avião, meu

1:16:33amigo, é que a pista lá de cima não tem

1:16:36ninguém na frente, nem do lado. Não,

1:16:40Cláudio até tem. É, tem. É verdade. Tem,

1:16:42tem. Mas é um ambiente bem mais

1:16:45regulado, tá, né? você não vê

1:16:47congestionamento de tráfico aéreo, tá

1:16:50bom? A menos quando tá ali, né, para

1:16:52pousar, tal, mas não vamos lá, vamos

1:16:55respeitar, né, a grandeza das coisas, as

1:16:57dimensões das coisas. Mas uma coisa que

1:17:00é é verdade, né? Isso foi o cara da

1:17:03Petro da Petrobras, ó, o cara da Imbraer

1:17:06no Summit do ano passado, né? Ele falou

1:17:09uma frase muito legal, né? Sobre a

1:17:11questão de segurança, qualidade dos

1:17:13projetos, pá pá pá, das aeronaves.

1:17:16É, meu amigo, no céu não tem

1:17:19acostamento.

1:17:22É, então são outras preocupações, tá? É

1:17:25verdade, tá? E aí não vamos entrar aqui

1:17:27para falar de redundância, tal, né?

1:17:29Senão a gente sai do foco, tá? Mas um

1:17:31ponto curioso aqui do sucesso desse

1:17:34projeto da Tesla é o seguinte.

1:17:38Eh, busca-se, claro, a a direção

1:17:41autônoma, é verdade e tal, mas uma coisa

1:17:43que é bem legal é que talvez você não

1:17:45saiba, mas cada veículo da Tesla,

1:17:51ele é parte de um ecossistema

1:17:54aonde tudo o que passa naquele carro,

1:17:57como se fosse uma caixa preta, alimenta

1:18:00os dados

1:18:02eh eh que fazem parte do mega banco de

1:18:05dados da Tesla. Ou seja, o

1:18:06comportamento, a maneira como você

1:18:07dirige, o tipo de trânsito que você

1:18:09pega, o tráfico. Então, imagina eu no

1:18:11meu Tesla, a Renata, o Paulo, o FC, o

1:18:14Gildo, a Valéria e assim por diante, tá?

1:18:17Então tudo que acontece naquele carro

1:18:19fica ali como se fosse uma caixa preta.

1:18:20Isso alimenta, né, uma base de dados bem

1:18:24maior de dados do fabricante. Então

1:18:28existe aí, né, uma todo um conjunto de

1:18:31dados. vale a pena, não vale, pô.

1:18:33Por que que essa pessoa freia tanto? Tá?

1:18:35É, talvez não estejamos preparados

1:18:37ainda. Então, olha só, tá? Qual foi o

1:18:39sucesso, né? Eh, eh, eles estão

1:18:42melhorando ponta a ponta a construção

1:18:44dos carros e aí tão buscando a direção

1:18:47autônoma, ou seja, a IA aplicada para

1:18:48navegação inteligente,

1:18:51tá em vias de ainda não, né? Ainda não.

1:18:54Mas enfim, tem a questão da otimização

1:18:56fabril, né? e a integração contínua, que

1:18:58é exatamente a chave desse sucesso. Ou

1:19:01seja, diferentes carros compartilham com

1:19:03diferentes dados, diferentes

1:19:05informações, tá, por uma base de dados

1:19:07únicas, né?

1:19:10Já tá.

1:19:12E palavras finais, como é que eu evito

1:19:15falhas, meu amigo?

1:19:17Projeto tem que estar alinhado a algum

1:19:19objetivo maior.

1:19:22Precisa ter KIS,

1:19:24medição de sucesso e validação.

1:19:28E pelo amor de Deus, dados com qualidade

1:19:31e governança dos dados.

1:19:34Existe uma expressão chamada man in the

1:19:37loop.

1:19:39Não queira acreditar que um projeto de A

1:19:42vai acontecer

1:19:44eh eh de maneira automatizada sempre.

1:19:46Isso é coisa deete. Isso é coisa

1:19:48exterminadora do futuro. Coloque o homem

1:19:51no circuito. Na dúvida, pergunte para o

1:19:55julgamento do cara. Contar a história.

1:19:57Meu filho, eu tenho um caçula de 12

1:20:01anos. 12 anos. Domingo agora, ontem.

1:20:04Ontem. Hoje é segunda. Não, sábado,

1:20:07perdão. Sábado. Sábado. Eu moro em São

1:20:10Paulo. Tava quente e tal, mas choveu,

1:20:13cara. Moro num condomínio aqui. Tem a

1:20:15garotada lá, turma lá de baixo. Vem cá,

1:20:18toca aqui. Quando você senta para ser

1:20:19televisão, toca o Miguel tá aí, né?

1:20:22Falei: "Tá, meu amigo, tá não tá não.

1:20:24Tá, enfim". Chamaram, o molecado foi

1:20:27brincar, choveu. Ah, eu sou o maior

1:20:30incentivador, né? Criança sendo criança.

1:20:32Vai brincar na chuva. Ah, meu amigo, lá

1:20:35foi brincar na chuva, eu olhei pela

1:20:36janela, a molecada toda lá sem camiseta.

1:20:39Eita.

1:20:40Falei, bom, deixa eu ver se tem vitamina

1:20:42C aqui. O problema não foi esse aí, pega

1:20:44o piso molhado, vai, escorrega aí, vai

1:20:48pô.

1:20:50Ah, meu amigo, falei, desci. Estavam

1:20:52brincando. Falou, pô no mercado, já

1:20:54volto. Vai aondde, pai? Falou, vou

1:20:56comprar um fundi.

1:20:58Beleza, tá, tá bom.

1:21:01Cheguei no mercado,

1:21:04meu filho do meio me liga.

1:21:07Ô,

1:21:08ô, ô, ô, pai Miguel. machucou. Mas se

1:21:11machucou como? Ó, não sei. Ele subiu

1:21:12aqui, tá? Já tá tomando banho. Falou:

1:21:14"Bom,

1:21:16vamos ver. Tá, já tô voltando." Mas o

1:21:18que aconteceu? Ele machucou o pé. Mas tá

1:21:20bom.

1:21:22Bom, por fim, não te afundi. Cheguei,

1:21:24falei: "Que aconteceu, Miguel?" "Tô

1:21:26machuquei o pé." Machucou o pé como, né?

1:21:29Levantou a unha do pé. Como? Ah,

1:21:31escorregou, bateu o pé no tijolo, na

1:21:34mureta. Quando ele saiu do banho, eu

1:21:36olhei a unha, o dedo, falei: "Eita, pelo

1:21:39amor de Deus, meu amigo, tá doendo?" F

1:21:41dói um pouco, tá? Fala: "Não parece ser

1:21:43muito grave, mas vamos no hospital, OK?

1:21:46Vamos abreviver a história. Eu moro aqui

1:21:48perto, tem uma 1000 aqui, tal". Falou:

1:21:50"Olha, pegou tal, a unha levantada,

1:21:53beleza?" Tal, falou: "Vamos tirar a

1:21:55radiografia". Ah, e aí? E a radiografia

1:21:59quebrou não quebrou?

1:22:01A moça me deu uma aula lá, tal, eu vi

1:22:03uma lasca ali, uma fratura, falou:

1:22:05"Olha, eu sugiro, tá? A que a gente não

1:22:08tem ortopedista nesse horário, mas eu

1:22:10sugiro, vai até outra unidade, tal, tá?

1:22:13Ele vai imobilizar, ele vai imobilizar,

1:22:16então tá bom, mas pede a palavra do

1:22:17ortopedista". A gente foi, pegamos o

1:22:19carro, fomos até outra unidade,

1:22:20atendimento super rápido, cara pegou,

1:22:22olhou, falou: "Olha,

1:22:24quebrar, quebrar não quebrou". Tá, isso

1:22:27aqui é uma lasca aqui. Pode ter sido de

1:22:29outra de outra de outra outro incidente

1:22:31e tal, tá? Não tem nem como imobilizar,

1:22:35tá bom? Faz o seguinte, né? Não tem nem

1:22:36como portá-la. Já faça uma gase aqui,

1:22:39meu amigo, tá? Não, não vou imobilizar

1:22:42não, não precisa. Ou seja, manop.

1:22:46Se a análise, se a primeira médica fosse

1:22:49uma IA baseado na qualidade dos dados,

1:22:52ela sugeriria, tá, que o dedo fosse até

1:22:55amputado. Não corta fora porque vaiar,

1:22:57pelo amor de Deus. Não, tem que

1:22:58mobilizar o pé. Não, pera aí. Ela é

1:23:02especialista? Não, ela é a poa da

1:23:05triagem. Ela é pediatra e faz ali a

1:23:07clínica geral. Ela não é ortopedista.

1:23:10Tanto que ela recomendou: "Procure

1:23:12especialista". E o especialista é

1:23:14exatamente o homem no circuito, man on

1:23:16the loop, tá? Ele que fala: "Não,

1:23:18beleza, tal, mas não, não precisa. Joia,

1:23:21tá? Vai paraa casa, passa a pomada, usa

1:23:23gase, tá trs dias, essa unha vai perder,

1:23:26vai nascer outra, tal. Se não parar de

1:23:29doer, volta aqui. Mas antes disso não,

1:23:32tá joia?

1:23:34É isso aí. Isso quer dizer o homem no

1:23:37circuito,

1:23:38man loop. Muito bem. Bom, então comece

1:23:43pequeno. Não queira fazer ali um

1:23:46controle de estoque que varia as

1:23:48prateleiras de cima para baixo, tá, meu

1:23:51amigo? Se tiver uma lata de pêssego, tá,

1:23:53ele vai tropeçar. Se tiver molhado, ele

1:23:56vai escorregar. Se o produto tiver

1:23:57tombado lá na frente, ele não consegue

1:23:59ler o código de barra, ele não vai

1:24:01contar, tá? Então, realmente, avalie,

1:24:03tá, Renato, o que que você quer usar de

1:24:04inteligência artificial, tá? Começa

1:24:07pequeno, depois você melhora, tá? Agora,

1:24:11se você fizer algo, faça algo que possa

1:24:14ser escalado,

1:24:16né? Não é criar um agente para calcular

1:24:19o Roy, o payback, um tir de um projeto.

1:24:23Legal, começa pequeno, tá? Se você quer

1:24:26se desafiar, faça isso, tá OK? Mas crie

1:24:30uma solução que possa ser escalada para

1:24:32a empresa como um todo. Joia, comece

1:24:34local, né? E quem sabe, né? Você amplia

1:24:37para global, tá?

1:24:40Agora tem em mente, meu amigo, tá? Cara,

1:24:45precisa de tecnologia,

1:24:48precisa de processamento,

1:24:51tá? OK. E aí a gente fala, ó, embora 40,

1:24:5490, falta um enter aqui, embora 40, 95%

1:24:58dos projetos falhem,

1:25:00os sucessos têm poder realmente de

1:25:02transformar os negócios.

1:25:06A gente está num projeto hoje

1:25:09que fala de

1:25:12precificação, pô, car um projeto de ar

1:25:14de precificação. É, tá,

1:25:18a empresa é uma empresa do setor químico

1:25:21e

1:25:24não existe em alguns setores o preço

1:25:28fechado do quilograma de qualquer coisa.

1:25:31É necessário compor o preço baseado numa

1:25:33série de variáveis que vai desde o

1:25:36perfil do cliente, quanto ele compra, se

1:25:38já comprou, se não comprou, se compra de

1:25:39outra pessoa, tal, versus a quantidade

1:25:42de matéria-pra que a gente consegue

1:25:43produzir,

1:25:45porque eu tenho outros clientes que

1:25:47compram em grande quantidade

1:25:50e eu tenho uma capacidade finita de

1:25:52produção.

1:25:53Então eu preciso fazer uma análise com

1:25:55muito cuidado para saber, será que vale

1:25:56a pena eu atender o Jélio, que é um

1:25:59cliente novo? Mas ele tem potencial,

1:26:02Cláudio? Sim, mas e se a Valéria quiser

1:26:04comprar uma quantidade maior da matéria

1:26:06prima que eu vendo, porque ela tá

1:26:07trabalhando numa escalada mês a mês, ela

1:26:10tá comprando um pouco mais e um pouco

1:26:12mais de matéria-pra e se ela realmente

1:26:14for dar um salto quântico e na hora que

1:26:16ela quiser essa quantidade a mais, eu

1:26:18não consigo atender porque eu tô olhando

1:26:20o Jélio como potencial cliente de

1:26:21mercado.

1:26:23Quanto será que eu cobro do Jélio para

1:26:26caso a Valéria queira comprar de mim, eu

1:26:27não perca muito porque pode ser que eu

1:26:30não consiga entregar quantidade. Olha só

1:26:33até onde vai a inteligência de dados,

1:26:36cara. É um projeto que eu entrei agora,

1:26:38ano passado ali no PMO, tal. Ou seja,

1:26:41você não tem ideia