MLOps & Produtos de Machine Learning

Quando aplicamos

previsão de demanda/risco, recomendação, classificação, churn, NLP, visão computacional.

Pipeline de ciclo de vida

1. Problem framing e métrica de negócio.
2. Feature engineering + Feature Store.
3. Experimentos, tracking e hyperparameter tuning.
4. Packaging (Docker) e CI/CD (tests, lint, segurança).
5. Serving batch (Airflow) e real-time (APIs).
6. Monitoring: performance, data/concept drift, alerts e rollbacks.
7. Retraining automatizado por eventos/tempo.

Linguagens & Tech

Python (pandas, scikit-learn, XGBoost, LightGBM, PyTorch/TensorFlow), R (opcional), FastAPI, MLflow/Weights & Biases, Docker/Kubernetes, KServe/Seldon, Redis/Kafka, GitHub Actions/GitLab CI.

Entregáveis

Model Card, Dataset Card, API spec (OpenAPI), playbook de operação, dashboards de monitoramento.

Métricas de sucesso

lift/ROC-AUC/MAE (conforme caso), latência p95, uptime, drift score, impacto financeiro (ganho/custo).

Benefícios

modelos confiáveis em produção, governança e repetibilidade, redução de risco e ganhos mensuráveis.