O debate em torno de inteligência artificial gira quase sempre em volta de modelos, embora a qualidade de dados seja o fator que Rolando Bonaccorsi, líder em IA e ciência de dados aplicadas a negócios e operações, examina como determinante do resultado final. Base inconsistente produz resposta ruim com qualquer algoritmo, por mais moderno que ele seja no momento da escolha.
Projetos bem desenhados travam em pontos pouco glamourosos da execução. Campo preenchido de três formas diferentes pela mesma equipe, histórico com lacunas de meses, cadastro duplicado e regra de negócio que mudou sem registro consomem a maior parte do cronograma e explicam atrasos que ninguém previu na proposta inicial apresentada ao patrocinador.
O que trava um projeto bem desenhado?
A etapa de preparação de dados é a mais longa e a menos valorizada de qualquer iniciativa analítica. Levantamento de origem, correção de inconsistência, padronização de formato e definição do que significa cada campo exigem conversa paciente com as áreas de negócio e disciplina para documentar o acordo que surgir dessas reuniões. Sem o registro, a mesma discussão volta a cada nova iniciativa analítica da empresa.
Dificuldade frequente aparece na definição daquilo que a empresa considera verdade. Dois sistemas informam faturamento com números diferentes, e ambos estão corretos dentro da própria regra de cálculo. Consoante análise de Rolando Bonaccorsi, o projeto precisa resolver essa divergência de definição antes do treinamento, porque modelo treinado com base ambígua apenas reproduz a ambiguidade em escala maior.
Como avaliar a base antes de treinar?
Avaliação prática começa com perguntas simples sobre completude, consistência e atualidade da informação. Quantos registros têm campos obrigatórios vazios, quantos valores estão fora de faixa plausível e qual a defasagem entre o evento real e o momento em que ele aparece na base disponível para análise. Respostas ruins nessas três perguntas antecipam problemas que nenhum ajuste de modelo corrige depois.
Representatividade merece atenção equivalente e costuma receber menos. Histórico que cobre apenas períodos atípicos ensina o modelo a enxergar exceção como regra, de modo que o resultado decepciona justamente na operação normal do negócio. Como interpreta Rolando Bonaccorsi, a leitura crítica do recorte temporal evita surpresa depois da entrada em produção, uma vez que o período escolhido carrega as suposições do projeto inteiro.
Modelo bom com dado ruim entrega erro confiante
O risco mais sério de uma base frágil não é o erro visível no painel. Sistemas de aprendizado produzem resposta com aparência de certeza, mesmo quando a informação de origem é pobre, e a confiança da apresentação desarma a desconfiança natural de quem recebe o resultado pronto para decidir. Decisão errada tomada com segurança causa mais estrago que ausência de informação.
Mitigação depende de validação humana nas primeiras semanas e de métrica de acerto acompanhada por amostra periódica. Rolando Bonaccorsi delimita a fase de observação acompanhada como parte obrigatória de qualquer projeto, já que comparar a saída do modelo com a decisão de um especialista revela viés que nenhuma estatística agregada consegue mostrar.
Governança de dados como rotina
Qualidade de dados não é projeto com data de encerramento no cronograma. Trata-se de rotina permanente, com responsável por domínio, regra de validação na entrada, monitoramento de indicadores de consistência e processo definido para tratar exceção quando ela aparecer no fluxo diário da empresa. O custo dessa rotina é baixo em comparação ao retrabalho que ela evita adiante.
Empresas que constroem essa base colhem benefício muito além da iniciativa específica. Relatório gerencial ganha confiabilidade, auditoria fica mais simples e a próxima oportunidade de automação começa de um patamar bem melhor. Na visão de Rolando Bonaccorsi, o investimento em dado confiável sustenta todo o restante da agenda analítica, por isso costuma render mais que a troca de ferramenta ou de modelo.