O que nossos clientes dizem depois de colocar os projetos em produção. Sem edições, sem filtros de marketing.
Dados atualizados em março de 2025, referentes a projetos concluídos entre abril de 2024 e março de 2025.
Contratamos a Rational AI Foresight para construir um modelo de previsão de demanda para 1.200 SKUs. O protótipo ficou pronto em 11 dias e a previsão semanal errou menos de 8% na maioria das categorias. Antes, nossa equipe fazia isso em planilha e o erro passava de 25%. O modelo roda há 9 meses sem precisar de intervenção manual.
Precisávamos de um chatbot que entendesse termos técnicos de seguros e respondesse em português coloquial. A equipe treinou o modelo com nosso histórico de 40 mil atendimentos e entregou em 6 semanas. O volume de tickets que chega ao time humano caiu 38% no primeiro mês. Gostei especialmente da documentação: qualquer desenvolvedor nosso consegue atualizar as respostas sem depender deles.
Fizemos uma auditoria de dois modelos de scoring de crédito que estavam em produção há dois anos. A equipe identificou um viés que penalizava clientes de determinadas regiões geográficas. Corrigiram o pipeline de features em 3 semanas e a taxa de aprovação subiu 12% sem aumento na inadimplência. Tiro uma estrela porque o relatório inicial atrasou 4 dias, mas o conteúdo era excelente.
Nosso sistema de inspeção visual detecta defeitos em peças automotivas a 200 unidades por minuto. A taxa de falsos negativos está em 0,3% desde a calibração final. Antes, dois operadores faziam isso visualmente e deixavam passar cerca de 4% das peças com problema. O retorno do investimento veio em 5 meses.
Participei do workshop de MLOps de 8 horas. Foi a formação mais prática que já fiz sobre o tema. Saí de lá com um pipeline de CI/CD para modelos funcionando no nosso repositório. Nada de slides genéricos: o instrutor usou os nossos dados e a nossa infraestrutura durante o treinamento.
Contratamos a extração automática de dados de 12 mil laudos médicos por mês. A acurácia na identificação de diagnósticos e medicamentos chegou a 94% após três rodadas de ajuste. Minha equipe de TI conseguiu integrar a API ao prontuário eletrônico em menos de uma semana, graças à documentação clara que recebemos.
Uma operadora regional com 800 mil assinantes queria identificar clientes com alta probabilidade de cancelamento antes que pedissem a portabilidade. Construímos um modelo gradient boosting que analisa 47 variáveis: histórico de chamadas ao suporte, padrão de consumo de dados, tempo desde a última recarga, e dados demográficos anonimizados.
O modelo gera uma lista semanal dos 5% de clientes com maior risco. A equipe de retenção entra em contato com ofertas personalizadas. Nos primeiros 4 meses, a taxa de churn mensal caiu de 3,1% para 2,2%. O projeto levou 10 semanas do diagnóstico ao deploy.
Uma rede com 14 hospitais processava laudos manualmente. Cada laudo levava entre 6 e 12 minutos para ser transcrito no prontuário eletrônico. Com o volume de 12 mil laudos por mês, isso consumia o equivalente a 3 funcionários em tempo integral.
Treinamos um modelo de NLP que identifica diagnósticos (CID-10), medicamentos, dosagens e procedimentos recomendados. O sistema lê o laudo em PDF, extrai as entidades e preenche os campos do prontuário via API. Um revisor humano confere apenas os casos sinalizados como baixa confiança, o que representa cerca de 6% do total. O tempo médio de processamento por laudo caiu para 45 segundos.