Desde que o ChatGPT foi lançado no final de 2022, o mundo ficou em polvorosa com o potencial da inteligência artificial.
Natural que Product Managers tenham receio, afinal, trata-se de uma tecnologia que, em um primeiro momento, parece exigir muito conhecimento técnico e capacidade computacional - o que, em alguns casos, é verdade.
Com o propósito de introduzir os PMs neste mundo, vou compilar uma série de artigos sobre inteligência artificial, resumindo conceitos e, quando possível, trazendo exemplos práticos. Embarque nessa jornada!
Antes de tudo: o que é machine learning
Indo direto ao ponto, machine learning, ou aprendizado de máquina, permite que uma plataforma ou serviço seja exposto a uma grande quantidade de informações, o suficiente para que possa concluir uma ou mais tarefas sem receber nenhum tipo de instrução humana.
Por si só, o sistema deveria descobrir os padrões ou regras para, ao receber um input, devolver com o output mais adequado, de acordo com os padrões de informações/dados coletados.
Softwares também podem gerar outputs, sem o aprendizado de máquina. Para isso, porém, o input é um pouco diferente: as regras precisam ser delimitadas logo no início.
Já com o aprendizado de máquina, o conceito é um pouco diferente: um modelo tem a capacidade de aprender sozinho a partir de um conjunto de outputs.
Um exemplo prático de como um software pode ajudar com predição: digamos que você trabalhe com um produto responsável pela precificação no marketplace. O time interno de coordenadores da área utiliza o seu sistema para precificar, tendo como base todo o histórico de vendas: margem, maior volume, sazonalidade etc. Se o produto for maduro o suficiente, ele traria um ‘farol’: quando o coordenador aplicar o preço mais adequado, o sistema mostrará que a margem é positiva, que há um bom indicador de vendas com esse preço, enfim, uma série de outputs que vão ajudar o usuário a tomar a melhor decisão possível.
Se este mesmo produto tivesse um modelo de aprendizagem de máquina, poderia muito bem aplicar o preço automaticamente para cada produto com base no histórico. Claro que, para isso, precisa ser feito um trabalho bastante complexo por trás. Embora esse modelo tenha um potencial muito grande de automatizar tarefas, poupar tempo (e dinheiro), nós, como Product Managers, precisamos ter ciência do custo para a construção de um modelo desse tipo. E, por mais que os times que trabalham com modelos de aprendizagem de máquina tenham algumas semelhanças com times de software, alguns processos podem ser mais complexos e demorados. Vamos deixar esses detalhes para outro artigo, ok?
