Por Que Estudar Ciência de Dados Faz Ainda Mais Sentido na Era da IA Generativa?
Este é o Artigo 7 da Série: Seu Próximo Passo em Dados e IA. A série completa pode ser encontrada neste link.
Imagine uma loja virtual escolhendo sua próxima campanha. Uma oferta faz mais pessoas comprarem. Outra gera menos pedidos, mas deixa um resultado financeiro maior por visitante. Com ajuda de IA, a equipe organiza os dados, produz os gráficos e prepara uma apresentação.
A tecnologia facilitou a análise. Escolher o próximo passo ainda exige compreender o objetivo da empresa, avaliar como a comparação foi feita e determinar o que os resultados permitem concluir.
É nesse ponto que a Ciência de Dados mostra seu valor. A capacidade de produzir código e relatórios ganha utilidade quando está acompanhada de critérios para formular perguntas, construir evidências e orientar decisões. A Ciência de Dados oferece os critérios técnicos e metodologias para que isso aconteça.
De fato, agora é que compensa ainda mais estudar Ciência de Dados. Todos no mercado têm acesso às mesmas ferramentas de IA. Logo, a IA em si, não é diferencial de nada. Saber usá-la é que vai trazer diferencial competitivo e isso requer conhecimento, fundamentos, base sólida, repertório, experiência com técnicas de análise, pensamento crítico, solução de problemas. A IA mais poderosa que você usar será um espelho, gerando resultados no mesmo nível do seu conhecimento. Quanto maior seu conhecimento, melhor os resultados com IA e a capacidade de identificar quando ela erra (e acredite, ela erra bastante). Para quem deseja construir soluções, a combinação entre fundamentos sólidos e ferramentas de IA oferece uma forma de trabalhar com mais recursos e maior capacidade de investigação. A Ciência de Dados envolve muito mais do que escrever código ou criar gráficos.
A IA mais poderosa que você usar será um espelho, gerando resultados no mesmo nível do seu conhecimento.
Todos os cursos da DSA abordam o uso de IA de alguma forma, fazendo o aluno unir conhecimento sólido, experiência prática de projetos e uso responsável e profissional de IA. Isso é exatamente o que significa o 4.0 no título das Formações (4.0 não tem relação com versão e sim com Transformação Digital na Era da Inteligência Artificial).
Vamos explorar o tema em mais detalhes.
De Volta à Loja Virtual
Voltemos à campanha. Vamos chamar de Oferta A a que faz mais pessoas comprarem e de Oferta B a que deixa mais resultado por visitante.
A apresentação está pronta, os gráficos estão lindos e o resumo gerado pela IA recomenda a Oferta A. Um Cientista de Dados profissional olha para o mesmo material e faz seis perguntas antes de aprovar qualquer coisa.
1. A Diferença é Real ou é Acaso?
Quantos visitantes viram cada oferta? Eles foram distribuídos ao acaso ou a Oferta A apareceu mais para quem já era cliente? Com amostra pequena ou grupos desiguais, a diferença pode ser apenas ruído. A resposta vem de desenho de experimento, intervalo de confiança e teste de hipótese.
2. O Resultado Se Mantém Quando Olhamos Por Dentro?
Uma oferta pode vencer no total e perder em cada segmento, como celular e desktop ou clientes novos e recorrentes. Esse efeito tem nome: Paradoxo de Simpson. Ele só aparece para quem analisa diversas variáveis ao mesmo tempo.
3. Qual Métrica Representa o Objetivo da Empresa?
A expressão “melhor campanha” ainda precisa ganhar significado. Se a meta do trimestre é conquistar clientes, a Oferta A faz sentido. Se a meta é margem, a Oferta B pode ser a melhor escolha mesmo com menos pedidos.
Uma definição aparentemente pequena também muda o resultado. Calcular o valor médio apenas entre quem comprou responde a uma pergunta. Considerar todos os visitantes, inclusive quem não comprou, responde a outra. A IA otimiza a métrica que recebe, e definir essa métrica exige entender análise estatística realmente funciona.
4. O Que Acontece nas Semanas Seguintes?
O cliente atraído pelo desconto volta a comprar? A campanha gerou venda nova ou só antecipou pedidos que já viriam? A análise de séries temporais separa o efeito da campanha do que é sazonalidade.
5. Como Isso Funciona Todos os Dias?
Uma análise feita uma vez apoia uma decisão. Um modelo em produção, escolhendo a oferta para cada visitante, apoia todas as seguintes. Isso pede treinar, publicar e monitorar modelos em nuvem.
6. Como Convencer Quem Decide?
A diretoria não vai ler o jupyter notebook. Ela precisa entender a recomendação, o risco e o ganho esperado em poucos minutos. Uma boa análise mal apresentada costuma perder para uma análise fraca bem contada.
A IA ajuda em cada uma dessas etapas: escreve o código do teste, monta a segmentação, rascunha os slides. Só que nenhuma das seis perguntas estava na apresentação. Alguém precisa saber que elas existem.
O Espelho na Prática
Duas pessoas recebem os mesmos dados da campanha e usam a mesma IA.
A primeira pergunta qual oferta foi melhor. Recebe uma resposta bem escrita, com gráfico, e leva para a reunião.
A segunda pede à IA que verifique se os grupos são comparáveis, calcule o intervalo de confiança da diferença e repita a análise por segmento. Quando a IA aplica um teste estatístico que não serve para aquele tipo de dado, essa pessoa percebe e pede a correção.
A ferramenta era a mesma. A distância entre os dois resultados está no repertório de quem fez as perguntas, e repertório se constrói com estudo e prática em projetos.
Escrever código e montar gráficos ficou rápido. Formular o problema e validar a evidência continuam sendo a parte do trabalho que as empresas valorizam. Esse é o verdadeiro diferencial profissional.
Quando a escrita do código é delegada a um agente, a atenção do profissional se concentra no desenho da solução. Na campanha, isso significa especificar como relacionar visitantes e compras, quais custos entram na comparação e como tratar as diferentes situações encontradas na base. Quanto mais clara a especificação, melhor a orientação que a IA recebe.
Você pode delegar a escrita de uma análise e continuar sendo o profissional que compreende, orienta e verifica o trabalho.
Os Fundamentos Permitem Reconhecer Um Resultado Confiável
Imagine que a loja queira avançar e construir um modelo para estimar quais clientes têm maior probabilidade de comprar determinada categoria de produtos. A IA gera a implementação, treina o modelo e apresenta uma métrica de desempenho que impressiona.
Avaliar um modelo somente nos dados com os quais ele foi treinado pode produzir uma impressão enganosa de desempenho. O projeto precisa preservar dados para uma avaliação final, sem usá-los repetidamente para escolher a versão que apresenta o melhor resultado.
Outro cuidado envolve o momento em que cada informação se torna disponível. Se o objetivo é prever uma compra antes de ela acontecer, incluir na entrada do modelo um dado produzido depois dessa compra cria uma avaliação artificialmente favorável. Esse é um exemplo de vazamento de dados.
Há ainda uma distinção importante: prever quem tende a comprar e estimar quanto uma oferta modifica esse comportamento são perguntas diferentes. Uma pessoa pode ter alta probabilidade de compra mesmo sem receber uma promoção. Investigar o efeito da oferta exige um desenho apropriado para uma pergunta causal.
O código executa normalmente em todas essas situações, sem nenhuma mensagem de erro. Para reconhecer o problema, é preciso compreender a lógica do estudo, o significado das variáveis e a forma de avaliação.
É por isso que Matemática, Estatística e Machine Learning têm uma função essencial na formação de um Cientista de Dados. A Estatística ajuda a analisar variação, amostragem e incerteza. A Matemática permite compreender as relações representadas pelos modelos. O conhecimento de Machine Learning ajuda a selecionar, comparar e avaliar alternativas.
IA Generativa Faz Parte da Ciência de Dados
A IA Generativa também pode fazer parte da própria solução que o Cientista de Dados constrói.
Na loja do exemplo, um modelo de linguagem poderia extrair atributos das descrições dos produtos, como material, finalidade e características de uso. Depois de avaliadas e padronizadas, essas informações seriam combinadas com os registros comerciais para explorar padrões ou desenvolver recomendações.
Recursos de geração e extração de informações trabalham ao lado de métodos de classificação, regressão, agrupamento e recomendação. Os fundamentos conduzem essa experimentação: você verifica a qualidade dos atributos extraídos, entende o que está sendo medido e compara a solução com uma alternativa mais simples.
Esse domínio permite escolher quando utilizar um modelo de linguagem, quando recorrer a outras técnicas e como conectar os componentes em uma aplicação.
Onde Se Aprende a Fazer Essas Perguntas?
O objetivo de carreira é desenvolver autonomia para conduzir um problema desde a formulação até uma entrega que possa ser compreendida, avaliada e utilizada. Para isso, faz sentido estudar os fundamentos em conexão com sua aplicação, em projetos que percorram o processo completo. Esse é o padrão de ensino que adotamos aqui na DSA desde o início do nosso portal em 2016.
Volte à campanha do começo deste artigo. Se a decisão fosse sua, você saberia qual oferta escolher e como defender a escolha diante da diretoria? Se você usasse IA e ela cometesse um erro, você saberia identificar?
Estudar Ciência de Dados significa aprender a usar ferramentas poderosas com critérios que você consegue explicar.
As ferramentas de IA vão continuar melhorando e estarão disponíveis para todos. O seu conhecimento é a parte do espelho que depende só de você. Quanto antes você começar a construí-lo, mais cedo ele aparece nos resultados que você obtém com a IA.
E se precisar de ajuda com capacitação de qualidade de alto nível, profundidade técnica, teoria e prática na medida certa com projetos do mundo real, conheça a Formação Cientista de Dados 4.0 e faça sua matrícula. Se além de tudo isso quiser um certificado de Pós-Graduação certificado pelo MEC, conheça a Pós-Graduação em Ciência de Dados.
O próximo artigo da série será Do chatbot à aplicação: o que faz um Engenheiro de IA Generativa?
Confira ainda:
Opções de Treinamento Oferecidas Pela DSA
Equipe DSA