Você já se perguntou se é melhor desenvolver internamente ou adquirir soluções prontas para operações de Machine Learning (MLOps)? Nosso artigo científico publicado nos Anais da Academia Brasileira de Ciências aborda exatamente essa decisão estratégica que muitas empresas enfrentam.

A pesquisa explora os prós e contras de construir internamente (make) versus comprar (buy) soluções de MLOps. Fatores como custo, qualidade, expertise técnica e alinhamento estratégico são considerados para ajudar as organizações a equilibrar complexidade, competências essenciais e gestão de riscos.

Nosso estudo também apresenta análises qualitativas e quantitativas de ferramentas como MLFlow, Airflow, Kubeflow, Databricks, Dataiku, H2O, Amazon AWS, Microsoft Azure e Google GCP. Essas ferramentas facilitam a gestão do ciclo de vida de modelos de machine learning, desde o desenvolvimento até a implantação e monitoramento. A análise extensa permitiu fazer comparação entre funcionalidades das ferramentas, e apresenta em quais situações essas ferramentas podem ser utilizadas.

Na minha visão, a grande contribuição do artigo é fornecer um guia para decisões de “make or buy” em MLOps. Este guia contribui para a compreensão dos desafios e estratégias envolvidos na implementação eficaz de projetos de machine learning nas organizações considerando caso a caso a partir das perguntas sugeridas no artigo.

O artigo intitulado “Make or buy strategy for  Machine Learning Operations – MLOps“, foi publicado na revista internacional de alto impacto Anais da Academia Brasileira de Ciências, e está disponível para leitura completa neste link.

Para citações, utilize:

NOGARE, D., SILVEIRA, I. F., BANZAI, R., & ALEXANDRE, M. C.. (2025). Make or buy strategy for  Machine Learning Operations – MLOps. Anais Da Academia Brasileira De Ciências, 97(2), e20240924. https://doi.org/10.1590/0001-3765202520240924

O post Make or buy strategy for Machine Learning Operations – MLOps apareceu primeiro em Diego Nogare.

O problema central estava relacionado à dificuldades em gerenciar o ciclo de vida completo de modelos de ML, passando por etapas como a concepção do problema na área de negócio e desenvolvimento do modelo, até chegar na publicação do modelo em produção e o monitoramento contínuo. Estes desafios são ainda agravados pela descentralização e diversidade tecnológica/de dados que estão divididas em camadas de SOR, SOT e SPEC.

A solução desenvolvida e apresentada neste texto foi de construir uma plataforma de MLOps unificada. O Itaú investiu na construção de uma plataforma MLOps, rodando em nuvem pública combinando soluções proprietárias, open-source e também cloud-native, cada uma com seu benefício específico para simplificar e padronizar o processo em todas as áreas do banco.

A criação desta plataforma de MLOps robusta, focada nas necessidades dos usuários e com forte governança, foi peça chave para superar os desafios da publicação de modelos de ML em larga escala, permitindo que o Itaú extraísse valor da ciência de dados de forma mais rápida, segura e eficiente.

O artigo intitulado “Automação no processo de publicação de modelos de Ciência de Dados“, foi publicado e apresentado no XIII Congresso Brasileiro de Software: Teoria e Prática, e está disponível para leitura completa neste link.

Para citações, utilize:

NOGARE, Diego; MELLO, Rodrigo Fernandes; LOPES, Marco Antonio. Automação no processo de publicação de modelos de Ciência de Dados. In: TRILHA DA INDÚSTRIA – CONGRESSO BRASILEIRO DE SOFTWARE: TEORIA E PRÁTICA (CBSOFT), 13. , 2022, Uberlândia/MG. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 40-43. DOI: https://doi.org/10.5753/cbsoft_estendido.2022.226925.

O post Como o Itaú automatizou a publicação de modelos apareceu primeiro em Diego Nogare.

A promoção de modelos para ambientes de produção exige mais do que apenas bom desenvolvimento técnico. É fundamental ter qualidade, observabilidade e monitoramento contínuo. E é importante destacar que a qualidade vai além da acurácia. Ela inclui estabilidade, resiliência (robustez a outliers/ataques), baixo custo computacional/operacional e capacidade de retreino rápido. A qualidade dos dados de entrada também é parte fundamental nesta etapa.

Garantir a confiabilidade de modelos de ML em produção exige uma abordagem holística, integrando qualidade técnica, gestão de riscos de modelos (MRM), monitoramento contínuo e observabilidade, alinhada a práticas de MLOps e requisitos regulatórios.

A gestão de risco de modelo (MRM – Model Risk Management) busca mitigar consequências adversas de modelos incorretos ou mal utilizados. Envolve processos de governança, validação consistente, implementação confiável e uso apropriado do modelo. O monitoramento contínuo é indispensável para detectar degradação do modelo ao longo do tempo, causada por mudanças nos padrões dos dados, mudanças na distribuição dos dados de entrada, cenários imprevistos inicialmente ou problemas na esteira do modelo. Já a observabilidade do modelo vai além do monitoramento de métricas predefinidas. Na etapa de observabilidade é possível investigar o comportamento histórico do sistema usando telemetria para diagnosticar problemas complexos e falhas silenciosas.

O artigo intitulado “Machine Learning Model: Perspectives for quality, observability, risk and continuous monitoring“, foi publicado e apresentado no XXI Congresso Latino-Americano de Software Livre e Tecnologias Abertas, e está disponível para leitura completa neste link.

Para citações, utilize:

NOGARE, Diego; SILVEIRA, Ismar Frango; CABRAL, Pedro Pinheiro; HAUY, Rafael Jorge; NEVES, Veronica. Machine Learning Model: Perspectives for quality, observability, risk and continuous monitoring. In: CONGRESSO LATINO-AMERICANO DE SOFTWARE LIVRE E TECNOLOGIAS ABERTAS (LATINOWARE), 21. , 2024, Foz do Iguaçu/PR. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2024 . p. 181-187. DOI: https://doi.org/10.5753/latinoware.2024.245679.

O post Gerenciando modelos de Machine Learning em produção apareceu primeiro em Diego Nogare.

A IA oferece ferramentas poderosas para várias áreas, incluindo a comunicação científica, mas seu uso deve ser cuidadosamente balanceado com transparência, ética e supervisão humana para não destruir a confiança do público, que é essencial para o avanço e aceitação da ciência.

As pessoas confiam em pessoas, não em empresas, para entender tópicos complexos. Se comunicar de forma eficaz depende da confiança entre o comunicador e o público, e, para construir essa confiança você precisa de muito tempo e conhecimento, mas para perdê-la, algumas poucas publicações incorretas já são suficientes.

Este ensaio mergulha fundo nessa questão, jogando luz à assuntos como:

• Analisa os riscos de usar IA sem transparência e curadoria humana.
• Discute como a tecnologia pode afastar o público ao invés de aproximá-lo.
• Explora estratégias para usar a IA de forma ética e responsável, sem perder o elemento humano essencial.

Quer entender melhor os desafios e as soluções para navegar nesta nova era da comunicação científica? Leia o texto (em inglês).

O artigo intitulado “Interpersonal trust in the era of scientific communication with artificial intelligence – an essay“, foi publicado em um servidor de pré-prints da IEEE, está disponível para leitura completa neste link.

Para citações, utilize:

Diego Nogare, Ismar Frango Silveira. Interpersonal trust in the era of scientific communication with artificial intelligence – an essay. TechRxiv. February 11, 2025.
DOI: 10.36227/techrxiv.173929431.19545867/v1

O post Confiança das pessoas na IA apareceu primeiro em Diego Nogare.