- há 11 horas
Categoria
🗞
NotíciasTranscrição
00:07Bem-vindo, bem-vinda a mais um Revolução IA, o programa do NeoFeed, que aborda o impacto
00:12da inteligência artificial no mundo dos negócios. Eu sou Letícia Cardoso e quem me acompanha na
00:17condução dessa entrevista é Rodrigo Elser, conselheiro de inteligência artificial em
00:22grandes empresas. Bem-vindo, Elser. Obrigado, Letícia. Como sempre é um prazer estar aqui
00:27com vocês. E o nosso entrevistado de hoje é Felipe Almeida, co-fundador da Nel Space.
00:33Bem-vindo, Felipe. Tudo jóia? Tudo bem, você, Letícia. Que prazer estar aqui com vocês.
00:38Revolução IA, bombando. Elser, é um prazer também estar aqui junto contigo. Vamos falar
00:42sobre tecnologia, que esse assunto da AI é incrível. Antes da gente começar falando sobre a Nel Space,
00:48eu queria dar uns passos atrás. De acordo com a minha apuração, você trabalhou na revista
00:54Caras. Como é que foi a sua trajetória profissional e como que você se tornou um fundador de uma
01:00empresa fundamentada em inteligência artificial? Nossa, que legal. Você buscou lá atrás, nos
01:06fundamentos da minha carreira, né? Na verdade, eu comecei a faculdade aqui no Brasil e depois
01:11eu transferi e terminei nos Estados Unidos, né? Me formei lá. E quando eu voltei pra cá,
01:16obviamente, jovem, ali, vinte e poucos anos, buscando um lugar pra começar a trabalhar e eu tinha
01:20muita vontade de trabalhar com... O meu background sempre foi mais marketing. Então, eu comecei
01:24fazendo administração em marketing no Brasil. Quando eu fui pros Estados Unidos, eu fiz
01:28international business. Mas era uma hora que eu gostava muito, era de marketing. E quando
01:31eu vim pra cá, eu tive o convite de ir pra revista Caras. Talvez as pessoas mais jovens
01:36que estão nos assistindo nem sabem exatamente o que é a Caras, né? Mas ali no auge dos anos
01:4190, começo dos anos 2000, sem dúvida nenhuma, foi um veículo muito importante, né? E quando
01:46não existia Instagram, onde as celebridades abriam a sua casa, revelavam a sua vida.
01:50E a cara sempre foi muito forte na parte de eventos, né? Então, a gente tinha alguns
01:55produtos super famosos, né? Castelo de Caras, a Ilha de Caras. E eu tava lá no auge da minha
02:04juventude, fazendo e organizando esses eventos que nada era terceirizado. Tudo era feito lá
02:08e era muito complexo, porque você tinha uma questão de um evento editorial, você tinha
02:13patrocinadores, você tinha celebridades, formadores de opinião e tudo aquilo tinha
02:16que funcionar da melhor maneira possível. Mas foi uma escola incrível, porque
02:20é tão novo você ter que organizar eventos dessa magnitude com, vamos dizer, stakeholders
02:25tão difíceis, né? De lidar. Acabou que o meu último evento que eu fiz foi até na
02:30Copa em 2006, Copa na Alemanha. E a gente alugou um castelo na Alemanha. Fiquei lá quase
02:3650 dias durante a Copa, levando convidados, indo e voltando, patrocinadores, fazendo show.
02:40Assim, foi um caos, mas foi legal, foi divertido. E dali eu comecei a empreender.
02:45Uma baita experiência. E aí, como é que foi essa sua jornada de empreendedorismo?
02:50Então, como eu trabalhava muito nessa área de eventos e de marketing, eu tinha muita vontade
02:53de criar uma agência de comunicação, uma agência de marketing, principalmente em
02:56eventos naquele momento. E eu acabei entrando de sócio numa agência que já existia,
03:00chamava Mix na época, que um dos sócios era o Paulo Giovanni, que é um grande publicitário,
03:05né? Que tinha a agência Giovanni, depois vendeu para a FCB, mais para frente criou a
03:15energia e, apesar de ele ser sócio, ele não se dedicava muito a esse negócio especificamente.
03:20Ele falou, Fê, vem para cá e me ajuda a fazer esse negócio crescer.
03:23Então, foi aí que eu entrei nessa agência, que era a Mix, que na época é chamada de
03:27Below the Line, hoje mais Live Marketing. E aí a gente começou essa jornada, então
03:32era muito desafiador, porque isso foi em 2006, eu tinha 24 anos, e aí você entra numa empresa
03:38que já tinha ali umas 30 pessoas na época, e você meio que tendo que guiar o rumo da
03:43empresa, mas também com pouca experiência, de certa maneira. Então, era desafiador,
03:48você tinha que ir nos clientes. Naquela época eu tinha uma cara bem de novinho, eu tinha
03:5124, mas tinha a cara de 18, talvez. Hoje não, hoje eu acho que eu já equiparei com
03:55a idade e com a afeição. Mas foi um desafio muito legal. E depois, mais para frente, em
04:022013, a gente fez uma joint venture dessa agência, junto com a Actuel, que era uma outra agência
04:06grande desse mercado. E existe até hoje, sou sócio até hoje, que é a AKM Performance,
04:10eu não tinha que ir comprando uma agência digital nesse meio do caminho, mas acho que
04:13foi o meu berço de como eu aprendi realmente a empreender e a lidar com grandes empresas
04:18e grandes... e com o C-Level, né? Porque como agência, você fala muito com o CMO, né?
04:23Dessas companhias, e eu tinha já alguma relação com os CEOs, enfim, de outros lugares, mas
04:28foi ali que eu comecei a empreender e depois eu fui para a tecnologia.
04:31E quando que foi que o bichinho da tecnologia, da inteligência artificial te picou?
04:36Então, o mundo... é engraçado, né? Marketing, publicidade, ele é um mundo muito sedutor.
04:42Normalmente, quando você vai empreender novamente ou alguma outra coisa, você acaba caindo
04:45dentro daquele ambiente. Porque é onde você está acostumado, é o teu círculo de relacionamento,
04:49onde você tem confiança em empreender. Mas chegou um dado momento que eu... tecnologia,
04:54óbvio, é um assunto que cresce cada vez mais, cada vez tem uma nova tecnologia, eu entendi
04:58que talvez eu precisava olhar algumas coisas fora daquele mundo de publicidade e de marketing.
05:03E, por coincidência, eu acabei encontrando meus sócios de hoje, que naquela época
05:07era de uma outra empresa, que era a Zuc, hoje é na Neospace, que eles eram ex-funcionários
05:13do Grupo Algaro, né? Que é uma telecom lá de Uberlândia. Aliás, até hoje eles moram
05:16em Uberlândia. E aí a gente se conheceu numa situação onde eu, como agência, e eles
05:21tinham acabado de sair desse Grupo Algaro e queriam começar uma startup.
05:25Então a gente se conheceu meio que serendipidade total numa relação de cliente-agência,
05:31a gente participou de uma concorrência, de um negócio que nunca foi pra frente, mas
05:35a gente se conheceu naquele momento. E a gente entendeu que talvez poderia fazer alguma
05:38coisa certa. Então eu achei... às vezes as pessoas perguntam, nossa, como eu encontro
05:42o meu sócio? Eu falo, olha, não sei, eu... todos os meus sócios já tive sorte. Foi sorte,
05:47foram momentos, enfim... Na vida, os caminhos se cruzam, né? E às vezes dá certo, às vezes
05:52também não dá, né? Às vezes dá trabalho. Mas foi assim que a gente começou a ZUP, que
05:57foi a empresa anterior, a Nel Space, que é a empresa de AI. E foi muito bacana, porque
06:01a ZUP foi uma empresa focada em transformação digital, você pegar ali no... a ZUP foi fundada
06:06em 2011. Você pegar entre 2013 e 2020, foram aqueles anos de boom da transformação digital,
06:14onde as grandes empresas, você pega, por exemplo, bancos, telecom, seguradoras, todo mundo
06:19queria reinventar a experiência que eles entregam pro cliente final. Nessa época foi quando apareceu
06:26o Uber, foi quando apareceu o Spotify, foi quando apareceram aqueles apps que tinham
06:30uma experiência totalmente diferenciada, né? Onde a gente olhava e falava, nossa, como
06:33é fácil, como é simples usar. E as grandes empresas tiveram que correr atrás.
06:38Obviamente que os bancos tiveram a pressão das fintechs, né? Quando apareceu o Nubank,
06:42com aquela experiência incrível do cartão de crédito, e os bancos tinham uma experiência
06:46muito inferior, né? Você tinha que, hora ligar no call center, hora... você tinha que
06:50ir na agência física, hora na web, hora no celular. A experiência era muito fragmentada.
06:55E aí começou essa corrida, por essa atenção e essa experiência do cliente. E a Zupy, ela
07:01focou muito nisso. Ela focou nesse momento de transformação digital, que não é só
07:04uma transformação de tecnologia. Tinha uma transformação cultural, uma transformação
07:09de mindset dentro das grandes companhias. Porque uma startup nativamente digital, como
07:14Spotify, Uber, Waze, qualquer um desses, a maneira como eles operam é muito diferente
07:19de uma empresa tradicional. Sim.
07:21Então, as empresas, para se transformar, não era só construir um app. Será que a
07:24empresa vai conseguir testar a hipótese numa velocidade muito maior do que ela fazia
07:29antigamente, que era, sei lá, uma vez a cada tantos meses e agora é todo dia várias
07:32vezes? Então, a Zupy, ela se posicionou como essa empresa que tinha conhecimento de tecnologia
07:37e um conhecimento muito profundo nesse mindset de empresas digitais. Como realmente mudar essa
07:44dinâmica, como os times estavam organizados para realmente operar os produtos digitais.
07:47E aí foi muito legal, porque trabalhando para grandes bancos, grandes telcos, a gente
07:51acabou entendendo muito os desafios que tinham, mas também a gente entendeu que era um lugar
07:56que a gente podia se diferenciar, sendo uma empresa que tinha uma visão muito tech, mas
07:59também um tech onde o negócio era super importante. A Zupy não queria só entregar
08:05tecnologia. Ela queria entregar tecnologia, mas aquilo ali ia mexer no ponteiro da
08:09companhia? Ia fazer a empresa vender mais? Ia fazer a empresa economizar mais? Ia fazer
08:13o cliente mais, o NPS mais alto, né? O cliente mais satisfeito. Então, a jornada da Zupy
08:18acabou muito indo para esse caminho. E como que essa experiência foi útil, né? Para fazer
08:23vocês fundarem a Nel Space? Na verdade, o que aconteceu com a Zupy, a gente foi crescendo
08:29bastante. A gente, em 2020, a gente tinha por volta de 1.200 pessoas, atendendo grandes bancos,
08:35telecom, seguradores aqui no Brasil. Em 2020, o Banco Itaú, que era um cliente nosso importante,
08:42não o maior naquela época, mas um dos nossos clientes mais importantes, acabou adquirindo
08:47a Zupy. Porque nessa jornada de transformação digital, o Itaú entendia, até pela relação
08:53que a gente já tinha, que a Zupy poderia ajudar o Itaú a fazer essa jornada. E foi muito interessante,
08:58porque eu acho que um banco do tamanho do Itaú, com o nível de investimento que eles têm
09:03em tecnologia, capacidade, mora no Banco da América Latina, ter a humildade de entender
09:07que não pode fazer sozinho alguma coisa, já mostra um pouco que talvez aquela é a pessoa
09:12que você gostaria de se associar. E tanto que desde 2020 até hoje, depois da venda
09:17da Zupy para o Itaú, a gente ficou lá até 2024. Mas até hoje a Zupy é um CNPJ apartado
09:23do Itaú. Por quê? Porque o banco queria justamente preservar aquela cultura, ele queria preservar
09:28aquelas pessoas, aquela maneira de trabalhar, aquela cultura de inovação, aquela visão de
09:33produtos digitais e queria que a Zupy pudesse, de uma maneira positiva, contaminar o banco
09:38com essas melhores práticas. E isso que a gente fez entre 2020 e 2024, com o banco, modernizando
09:45milhões de linhas de Cobol, os mainframes para a nuvem, muita coisa bacana. A Zupy chegou
09:50até 3.500 pessoas, então assim, uma estrutura, uma história bem legal. Quando chegou no final
09:55dessa venda, desse período combinado, enfim, empreendedor, a gente estava falando um pouco
10:01mais cedo aqui, o empreendedor é tudo louco, não consegue ficar parado, a gente já começou
10:06a pensar o que seria o próximo e AI era um assunto que estava borbulhando, a gente já
10:11estava, obviamente, acompanhando de perto. Até na Zupy a gente já estava querendo alguns
10:13produtos de AI, mas a gente falou, não, a gente quer realmente surfar essa onda como protagonista.
10:19E aí eu acho que foram algumas decisões importantes que nós, como fundadores, eu, Bruno, Gustavo,
10:25a gente decidiu realmente fazer, que era, primeiro, a gente ia criar a IA do zero.
10:31E criar a IA do zero, você tem um desafio tecnológico de conhecimento gigante, não só no Brasil,
10:37no mundo, mas a gente sempre gostou desse desafio, a gente falou, não, a gente vai criar a IA do
10:41zero,
10:41a gente não queria criar uma empresa que ia ser um wrapper de IA, essas empresas que são construídas
10:46em cima dos modelos existentes. Segundo, como a gente já conhecia as grandes empresas e
10:52a gente sabia o desafio que essas empresas tinham em lidar com os dados internos, a gente,
10:58muitos clientes que a gente estava, eles reclamavam que não conseguiam usar os dados,
11:02eles têm a informação do cliente, eles têm todas as transações, têm todo o comportamento,
11:06mas eles não conseguiam transformar isso em valor, trazer isso realmente, enriquecer a maneira
11:11como eles se relacionavam com o cliente. Então a gente entendia que tinha uma oportunidade
11:14de conseguir extrair melhor valor para os dados. E a terceira, que é o nosso foco e estamos super
11:20confiante nisso, é criar uma empresa que tenha potencial para ser global, que a gente começa no Brasil,
11:25mas a gente já está conversando com clientes fora do Brasil para realmente criar uma empresa daqui para fora.
11:29Então foi assim que nasceu o Nespace, para tentar resolver esse desafio de modelos de dados
11:34que a gente chama de Large Tera Model. Todo mundo fala dos Large Language Models,
11:38que são os modelos de linguagem, GPT, de Minai, Cloud, que são maravilhosos e funcionam para muitas coisas,
11:45atendimento, melhorar a produtividade, mas quando a gente fala em tratar os dados é uma outra história.
11:51Mas além de chamar a atenção dos clientes, vocês também chamaram a atenção de investidores,
11:56vocês captaram.
11:57Exato, a gente fez o primeiro ano da companhia, foi um ano que ela praticamente, que foi ali 2023,
12:03um ano antes de terminar, a gente contratou o time de pesquisadores para começar a testar algumas teses.
12:07Então testar teses, testar arquiteturas de modelos de AI, técnicas de treinamento de modelos,
12:14a gente foi testar muita coisa, quando tinha um time ali de 15 engenheiros, PHDs,
12:19para testar algumas coisas. Quando a gente entendeu exatamente onde a gente ia focar,
12:24a gente falou, bom, agora a gente precisa fazer uma rodada, que a gente fez um pre-seed,
12:29um pré-rodada-semente ali, para poder contratar as famosas GPUs.
12:35A NVIDIA não é à toa a empresa que mais vale no mundo, que realmente custa caro,
12:39e para rodar você precisa dessa capacidade computacional.
12:43Então a gente fez essa rodada, e aí o próprio Itaú, a gente, enfim, já estava até caminhando com a
12:49rodada,
12:50o Itaú falou assim, gostaria muito de ser o primeiro investidor, e gostaria de ser o primeiro cliente.
12:54E para a gente foi super bacana, porque a gente já tinha uma relação enorme,
12:58era um reflexo, uma relação de confiança que tinha sido desenvolvido,
13:01e para qualquer startup, você começar a empresa com um cliente do porte do Itaú, é incrível.
13:07E a gente sabia que ali a gente poderia realmente criar um flagship case super bacana.
13:11E aí a gente, o Itaú entrou como investidor, mas pensando no global e para fora,
13:17a gente também trouxe outros quatro anjos super legais de fora,
13:21que um deles é o Hans Morris, que é uma pessoa que foi CEO global da Visa nos Estados Unidos,
13:26e hoje tem um fundo que se chama Nike.
13:27A gente trouxe o Mickey Malka, da Ribbit, que é um dos Midas, talvez o número um dos Estados Unidos
13:33de VC.
13:33O Nigel Morris, que também é da QED, e foi um dos fundadores do Capital One,
13:38um dos maiores bancos do mundo.
13:39E o Martin Scobari, que esse é mais conhecido aqui dos brasileiros,
13:43até porque ele ficou muitos anos aqui liderando o Private Equity da General Atlantic,
13:47e hoje está lá em Nova York.
13:48Então a gente buscou algumas pessoas, pessoas físicas mesmo,
13:50porque a gente queria, como o americano fala,
13:53pick their brain, né?
13:54Tipo, pegar o cérebro deles para poder pensar como expandir a empresa,
13:58e tem sido incrível essa jornada.
14:00E é uma empresa muito recente, né?
14:02Tem pouquíssimos anos aí, não tem nem cinco anos.
14:05Mas para a nossa audiência entender como que vocês conseguiram crescer nesse tão pouco espaço de tempo,
14:13você pode trazer alguns números da Neospace?
14:15Então, a Neospace, como a gente começou, assim, vamos lá, qualquer startup começa,
14:21principalmente quando você fala de enterprise, vender para grandes empresas,
14:24é muito desafiador.
14:25Porque primeiro, você tem que conseguir fazer a venda e se provar que aquela empresa
14:29vale a pena colocar dinheiro em você para fazer algum tipo de serviço.
14:33Mas mesmo quando você consegue, normalmente você começa com cases pequenos, né?
14:37Às vezes, coisas mais laterais ao core do negócio, e que faz parte,
14:42e às vezes a empresa começa assim e vai crescendo pouco a pouco.
14:45Como o nosso primeiro cliente foi o próprio Itaú,
14:48a gente já teve a oportunidade de entrar com cases mais legais, mais relevantes lá dentro,
14:54e a partir daí a gente começou a ir para outros clientes já com a tecnologia testada,
15:00provavelmente no cliente mais sofisticado que a gente tem aqui na América Latina,
15:04e talvez no mundo, né? Porque quando a gente compara banco com banco,
15:07esses dias eu estava tendo uma reunião lá nos Estados Unidos,
15:09eles falaram, acho que o Itaú, se perder para alguém nos Estados Unidos,
15:13perde para um JP Morgan, né? Porque do ponto de vista de tecnologia, de capacidade,
15:18é um banco incrível.
15:19O Brasil, ele teve que sofisticar muito o seu sistema financeiro comparado com outros lugares.
15:25Então, acho que tendo um primeiro cliente âncora, que nem foi o Itaú,
15:30e agora a gente já está expandindo para várias outras indústrias aqui e fora no Brasil,
15:34você acaba tendo um momento de crescimento acelerado em um assunto que está super em voga, né?
15:39Que tem dois desafios, né? Todo mundo fala do boom de AI, né?
15:43Desse hype, é uma bolha, não é uma bolha.
15:46E fato é, tem um hype, sem dúvida nenhuma,
15:49talvez é difícil saber aonde que é a parte que funciona e a parte que não funciona,
15:54porque é um assunto muito complexo, muito profundo,
15:57e pouca gente tem o tempo para se dedicar e se aprofundar e estudar esse tema com profundidade.
16:03A maioria das empresas, no Brasil principalmente, elas são usuárias de AI.
16:07Elas não estão criando o AI do zero.
16:09O que traz um desafio maior de entender e separar o joio do trigo.
16:13A gente foi para um caminho diferente de realmente construir.
16:16Então, quando você pega...
16:18O ano passado, saiu uma pesquisa muito interessante do MIT,
16:22falando que 95% das empresas que estão fazendo com pilotos em AI não estão dando certo,
16:28não conseguem provar resultado.
16:30O que traz um ceticismo enorme e traz essas dúvidas.
16:34Será que é uma bolha? Não é uma bolha? Será que realmente é tudo isso?
16:37E a gente realmente decidiu focar em dados porque ali a gente consegue provar o valor.
16:42Consigo provar que se ele investir 1, ele consegue tirar 10.
16:46Então, se ele investe 1 milhão, ele consegue ter 10, 20 milhões de retorno.
16:50Aquilo ali, sem dúvida nenhuma, é um retorno eficiente.
16:52Então, a gente está rampando isso agora e é legal.
16:56Confesso que ontem, a primeira reunião que a gente teve com o cliente,
16:58que a gente falou, falou, falou, falou e o cliente falou, não, mas para mim não serve.
17:05Eu vou confessar, a gente tem vários clientes e o primeiro que acha que não faz sentido.
17:10Por quê? Ele falou assim, porque o insight que vocês vão me trazer,
17:13eu não sou capaz de executar ainda na ponta.
17:15Então, primeiro eu preciso saber na ponta como executar isso em escala
17:19para depois você conseguir gerar o insight.
17:21Ele falou, vamos voltar daqui a seis meses para falar.
17:24Eu falei, vamos, menos volta, porque eu já estava sendo frustrado da reunião.
17:26Então, é gostoso, você está numa indústria com uma tecnologia
17:29que pode trazer tanto valor para as grandes empresas.
17:32Você falou bastante sobre mensurar o resultado, mensurar o impacto da inteligência artificial.
17:38Tem algum case concreto que você possa trazer para a gente?
17:42No nosso caso, até para separar um pouco esses dois mundos,
17:44você tem o mundo dos Large Language Models, de novos modelos que a gente está acostumado e o GPT.
17:49Como que esses modelos existem? Como eles funcionam na prática?
17:52Imagina lá que o time da OpenAI, que é a empresa que criou o ChatGPT,
17:56ele tem lá uma plataforma de treinamento.
17:58Um cérebro, que lá, vazio, sem informação ainda,
18:02onde ele começa a depositar nesse cérebro todas as informações de internet, textos, livros e tudo mais.
18:08E o modelo, esse cérebro, ele treina com todas as informações.
18:12E quando esse cérebro começa a ser treinado,
18:14por isso que a gente escuta falar, né?
18:16Nossa, demorou três meses, seis meses,
18:18gastaram bilhões de dólares.
18:20É que realmente esse treinamento é muito complexo.
18:22Você imagina que entra um monte de texto
18:24e o modelo começa a entender as correlações entre as palavras.
18:28Ele começa a entender o sentido de cada palavra
18:31e em qual ordem que essas palavras acontecem.
18:34Ele entende que o cérebro de falar é
18:35o carro é azul, não o azul é carro.
18:39Então, ele precisa entender isso,
18:40não só em português, em todos os idiomas.
18:42Então, essa parte de treinamento, ela é super complexa.
18:45No começo, o modelo, ele é como se fosse um bebezinho.
18:48No começo, ele babucia, não fala direito.
18:51O modelo treina, treina.
18:52E as GPUs, queimando GPU.
18:54E a NVIDIA sorrindo.
18:55Então, queima GPUs até o que chega no GPT que a gente conhece.
18:59Você vai lá, escreve uma palavra.
19:01Famosa LLM.
19:02Famosa LLM.
19:03Que qual que é a função dela?
19:04Prever a próxima palavra, né?
19:07Que a gente chama de token,
19:08mas para facilitar aqui a próxima palavra.
19:09Então, quando eu coloco lá
19:11hoje o dia está lindo,
19:13hoje o céu está,
19:14ele sabe em tudo que ele já deu
19:16que a palavra certa é o céu está azul.
19:18Não é o céu está preto,
19:19o céu está branco, nem roxo.
19:21Então, porque como o modelo já viu
19:23tantos textos sobre o assunto,
19:24ele sabe prever essa próxima palavra.
19:26No caso aqui, o exemplo,
19:27o céu está azul.
19:28Mas para cada token,
19:29para cada palavra que ele prevê,
19:31ele faz bilhões de operações matemáticas
19:34e ele revê todo o vocabulário que ele conhece.
19:37Então, por isso que é muito complexo
19:38e por isso que você precisa
19:39de um poder computacional gigante
19:41para poder fazer essas previsões.
19:42Beleza, coloca isso para o lado.
19:44Quando a gente chega nas companhias,
19:46a gente tem essa mesma...
19:47Lembra que eu falei que tem um cérebro aqui
19:48que ainda não tem informação nenhuma.
19:50A gente construiu o nosso cérebro,
19:51mas é um cérebro diferente,
19:53porque ele não processa texto,
19:54ele processa dado.
19:56Quando você vai para uma empresa,
19:57pega um banco,
19:58pega uma empresa de telefonia,
19:59uma companhia aérea,
20:00você tem diferentes tipos de dados.
20:02Você tem dados dos usuários,
20:04numa telecom ou numa companhia aérea,
20:05você tem dados sobre o avião,
20:07você tem dados sobre o molde,
20:08você tem muitos dados
20:09de diferentes naturezas.
20:11E como que você pega esses diferentes dados
20:13e joga tudo dentro do modelo?
20:14Você tem um nível de complexidade muito maior.
20:17Aqui só entra texto.
20:18O modelo de linguagem, LLM, só entra texto.
20:21O modelo de dado entra tipos diferentes de dados.
20:24Então acaba que é algo muito mais complexo.
20:27E à medida que a gente abastece esse cérebro
20:29que a gente criou com todos esses dados,
20:34esse modelo começa a digerir todos esses dados.
20:36Então você imagina pegar uma empresa de telefonia.
20:39Você tem lá tudo que o cliente fez nos últimos dois anos.
20:42Tudo que ele consumiu,
20:43os pacotes, dados, pagamentos, tudo.
20:45Eu sei a vida desse cliente.
20:47E quando eu jogo toda essa informação dentro do modelo,
20:50o modelo consegue prever esse cliente, por exemplo.
20:53Ah, eu quero prever com todos os dados que eu já vi
20:55se esse cliente tem uma chance de ser um churn.
20:58Ou seja, se ele tem uma chance de cancelar.
21:00Eu consigo prever com muita mais acuracidade
21:02do que os modelos tradicionais que faziam isso antes.
21:06Porque os modelos tradicionais
21:06são os famosos modelos de machine learning,
21:09que era a tecnologia anterior ao deep learning,
21:12que é o que a gente está falando muito de AI hoje em dia.
21:13Porque você tem como se fosse um cérebro muito maior,
21:17muito mais expandido,
21:18com muito mais capacidades de conexões neurais,
21:21onde ele consegue pegar uma quantidade gigante de dados
21:23e entender os comportamentos dos clientes.
21:26Então ele consegue ver, dentro de uma base de 100 milhões de clientes,
21:29quais são os clientes que cancelaram.
21:31Por que eles cancelaram?
21:32Qual foi a ação que ele fez antes de cancelar?
21:34Então ele pega todas essas informações que ele aprendeu
21:37para poder prever que eventualmente a Letícia vai cancelar no mês que vem.
21:42Por quê?
21:42Porque você fez uma ligação no call center,
21:44porque você diminuiu o teu consumo,
21:45porque por duas ou três vezes você teve um problema na tua linha.
21:48Então os modelos servem justamente para isso,
21:51para pegar todos os dados dessas companhias
21:53e a partir desses dados você fazer previsões
21:56que ajudam a companhia a vender melhor,
21:59ajudam a companhia a economizar dinheiro,
22:01ter menos custo ou ajudar a companhia a te resgatar
22:04e te fidelizar como cliente.
22:06Então a ideia aqui é usar esse modelo de dados
22:08para justamente trazer uma eficiência.
22:10É o que a gente fala assim,
22:11as empresas já têm os dados lá.
22:14Durante muitos anos,
22:16e o Elser com certeza já escutou isso muitas vezes também,
22:19todo mundo falava assim,
22:20não, dado é a coisa mais valiosa da companhia.
22:22Dado é o novo petróleo, é ouro.
22:24E de fato é.
22:26A gente nunca teve uma tecnologia capaz de extrair
22:28toda essa inteligência dos dados.
22:31Quantas vezes a gente, como usuário,
22:33chegou e falou assim,
22:33nossa, mas meu banco não me conhece.
22:35Ele tem todos os meus dados lá
22:37e estão me oferecendo um negócio
22:37nada a ver comigo.
22:38Ou a mesma coisa para a telefonia,
22:40ou a mesma coisa para a companhia aérea.
22:41Mas é verdade,
22:42porque as empresas não conseguiam extrair
22:45toda essa inteligência
22:46e cruzar bilhões de dados ao mesmo tempo.
22:49A gente não tinha capacidade computacional,
22:51a gente não tinha uma tecnologia agora de AI
22:54que poderia fazer isso.
22:56Então essa eu acho que é a próxima onda.
22:59E para a gente foi muito legal,
23:00porque a maioria das empresas
23:01elas correram para os large language models.
23:04Mas tem que tomar cuidado,
23:05porque por melhor que sejam os large language models,
23:08eles funcionam muito bem para algumas tarefas.
23:11Então, para melhorar a produtividade,
23:14aqueles trabalhos muito repetitivos,
23:16ou para melhorar a comunicação,
23:18os chats entre clientes,
23:20a linguagem, obviamente, natural,
23:22funciona super bem.
23:23Agora, muitas empresas começaram a usar modelos de linguagem
23:27para processar dados.
23:29E aí não funciona.
23:30Porque são técnicas diferentes,
23:32são arquiteturas diferentes.
23:33Então, não adianta achar que uma LLM
23:36é um calibre suíço,
23:39é um bombril, mil utilidades.
23:40Ele funciona muito bem para algumas coisas.
23:42Mas hoje, lembra que eu falei?
23:44Ainda as companhias têm um conhecimento
23:46ainda baixo de AI.
23:48E é normal, uma tecnologia nova e as empresas
23:50não têm tempo, às vezes, de se aprofundar.
23:53Mas existe um fomo,
23:56um medo dessa tecnologia tão grande
23:57e tem uma pressão do CEO, do stakeholder,
24:00falando, não, como a gente não está fazendo coisa?
24:01E todo mundo sai desesperadamente tentando fazer.
24:04Mas tem que tomar cuidado,
24:05porque senão você vai acabar investindo dinheiro
24:06e não vai ter retorno,
24:08que é o que reflete aquela pesquisa do MIT
24:10que eu citei.
24:11Então, a gente está num momento
24:12onde a gente consegue pegar os dados da companhia,
24:15extrair valor e trazer resultado.
24:17Então, a gente consegue saber quanto ele investe
24:18e quanto ele recebe de volta.
24:20Felipe, para falar um pouco mais
24:21sobre esse bastidor e sobre essas decisões
24:25dos CEOs, dos conselheiros,
24:28eu queria chamar o Elser
24:29para contribuir com as perguntas dele.
24:31Antes, eu queria dar um recado
24:32para quem está assistindo a gente.
24:34O Neofeed está no YouTube.
24:36Então, se você ainda não está inscrito,
24:39aproveite e se inscreva
24:40para mais conteúdos como esse.
24:42E também, siga a gente nas redes sociais,
24:45no Instagram, no TikTok
24:46ou no nosso canal do WhatsApp.
24:48Elser, venha para o nosso papo.
24:52Eu estou bem animado com o que eu estou escutando.
24:55Muito interessante, Felipe.
24:57O que eu estou pensando aqui é como um CEO
25:00ou um board member.
25:04por que a NeoSpace e não o que ele já escuta por aí,
25:11OpenAI, Tropic?
25:12Eu sei que você já falou um pouco,
25:14mas como você finca mais essa bandeira?
25:16e no lugar do que que é a NeoSpace?
25:19Ao invés do que?
25:21Legal.
25:22Ótima pergunta.
25:23E essa é uma dúvida que surge muito, né?
25:25Porque existe um pouco dessa confusão
25:28e a gente tenta separar muito, né?
25:30Para que os modelos de linguagem funcionam?
25:33Onde eles realmente vão muito bem
25:34e onde eles não vão muito bem, né?
25:36Inclusive, a gente apresenta cases
25:38de dados simples
25:40que você coloca num modelo de linguagem.
25:43Quando você tem, por exemplo,
25:44quando você vai pegar alguns dados,
25:46você pega ali uma tabela pequena
25:47e você joga num modelo de linguagem,
25:49uma tabela pequena
25:50ele até consegue processar
25:52e te trazer uma inteligência ali.
25:53Mas quando você pega bilhões de dados,
25:56dados de diferentes naturezas,
25:57dados estruturados,
25:58dados não estruturados,
26:00uma planeira onde tem zilhões de colunas
26:03e linhas,
26:04o modelo de linguagem
26:05já não consegue tratar bem isso.
26:07Então, eu acho que essa primeira corrida
26:09que as empresas fizeram
26:10foi justamente usar a LLM
26:11para tentar resolver problemas de dados
26:13e começaram a ver que não conseguia,
26:15isso não escalava,
26:16isso não consegue trazer,
26:18o tempo de processamento ficava gigante
26:20e você não chegava em outro lugar
26:22e você nunca tinha confiança
26:22de colocar isso no ar.
26:25Porque você imagina o seguinte,
26:26lembra que eu falei
26:27que o modelo de linguagem
26:28ele entende cada palavra,
26:29mas ele foi treinado
26:30para ler esse texto,
26:32que é uma ordem,
26:33uma sequência das palavras.
26:34Agora pensa numa tabela,
26:36que por mais que tenha texto também,
26:38mas tem número,
26:39ele não tem uma sequência lógica,
26:40porque cada campo numa tabela,
26:42pega um Excel lá,
26:43cada campo quer dizer uma coisa
26:44e tem a ver com o título
26:45que está em cima.
26:46Então, é uma dinâmica diferente,
26:48é uma arquitetura diferente,
26:49não adianta usar uma tecnologia para outra.
26:51Mas a tua pergunta é perfeita,
26:52porque os CEOs têm essa dúvida
26:54e assim,
26:55eu confesso que o que a gente tem feito
26:57muito nas companhias
26:57é tentar,
26:59hoje mesmo,
26:59a gente ficou numa grande companhia aqui,
27:01duas horas,
27:01fazendo um pouco dessa educação.
27:03Eu acho que a gente está num momento
27:05que é legal a tecnologia,
27:07mas a gente também precisa ter
27:08o nosso papel de conscientização
27:09sobre para que serve cada tecnologia,
27:12separando o joio do trigo
27:13e tudo mais.
27:15E aí, eu acho que
27:16aonde a gente tenta focar muito
27:17nas companhias?
27:18Quando a gente chega,
27:20as empresas normalmente
27:20tem os modelos de machine learning,
27:22tem os seus algoritmos
27:22que hoje estão fazendo
27:23algum tipo de previsão
27:24de probabilidade de um cliente sair,
27:27qual a probabilidade
27:28do cliente contratar.
27:29Enfim,
27:29tem empresas que têm
27:31centenas ou milhares
27:32de modelos de machine learning.
27:33A gente prefere chegar
27:35em uma empresa
27:36que já tem um modelo desse
27:38e que está rodando bem.
27:39Porque a gente fala,
27:40tá bom, deixa eu pegar
27:40os mesmos dados
27:41que você usa
27:43e eu vou treinar esses dados.
27:44Ao invés do teu modelo
27:45de machine learning,
27:46eu vou treinar no nosso cérebro
27:47aqui, no nosso large data model
27:48e vou te mostrar
27:50quanto mais eu performei
27:51desse modelo de machine learning.
27:52E aí, quando o cliente vê
27:53que ele saiu
27:54de uma acurácia
27:55de 58%
27:57para 80%,
27:59cara, ele sabe quanto
28:00que isso representa em dinheiro
28:02no final do dia.
28:03Ele fala, se eu tiver
28:04um salto aqui de 5%,
28:06de 10%,
28:07isso quer dizer dezenas
28:08ou centenas de milhões,
28:09em algum caso,
28:10bilhões de reais por ano.
28:11Então, fica fácil,
28:12de novo,
28:13ele medir o retorno
28:14sobre isso.
28:15Então, o começo
28:16com os clientes
28:16é muito em cima disso.
28:17Primeiro, tentar deixar
28:18muito claro
28:19o que é cada tecnologia,
28:21como que os modelos aprendem,
28:23o que é um é bom,
28:23o que é outro é bom,
28:24mas mostrar que eles
28:26não competem.
28:27Muito pelo contrário,
28:28eles podem ser sinérgicos.
28:29porque o Large Data Model,
28:31ele nasceu
28:32para ser o cérebro da companhia,
28:33onde eu coloco
28:34todos os dados,
28:35encontro as correlações
28:36e eu dou ação.
28:37O que eu tenho
28:38que oferecer
28:38para a Letícia agora?
28:39Ou, aconteceu alguma coisa aqui,
28:41eu tenho que falar
28:42com a Letícia
28:43antes dela cancelar.
28:44Então, toda essa relação
28:45sai desse cérebro.
28:46E aí, esse cérebro,
28:47ele cria uma ação
28:48e essa ação,
28:50como a empresa
28:50vai comunicar com você,
28:52se vai ser um push
28:53no teu celular,
28:53se vai ser um e-mail
28:54que ela vai te mandar,
28:55se é um gerente
28:56que vai te ligar,
28:56ou se é uma LLM
28:58que vai fazer essa conversa com você,
28:59é uma decisão da companhia
29:00como ela vai lidar com o cliente.
29:02Então, a LDM
29:03fica aqui antes
29:04sendo o cérebro
29:04e vamos dizer
29:05o LLM
29:06como se fosse a boca
29:07que vai justamente falar
29:08com o cliente
29:09e interagir com o cliente.
29:10Então, elas trabalham
29:11no universo
29:11não de concorrência,
29:13justamente de complementariedade.
29:14As duas são necessárias, então.
29:16É isso aí.
29:17E dando um double click nisso,
29:19tomando cuidado
29:20para a gente não estar
29:20numa discussão técnica,
29:22que acho que não é
29:23o perfil do programa,
29:25mas para entender,
29:28esse modelo
29:29ele
29:30se transforma
29:31no modelo da companhia,
29:32é um asset
29:33da companhia,
29:35ele é
29:35um asset
29:36da NeoSpace
29:37que foi tunado
29:39para a companhia.
29:40Como que isso
29:42é visto
29:42do ponto de vista
29:43de construção de ativo?
29:45Perfeito.
29:46Boa pergunta.
29:47Como a gente
29:48na NeoSpace
29:49a gente tem um cérebro
29:50e tem a plataforma
29:51que permite
29:52treinar
29:53com os dados do cliente,
29:54mas eu não tenho dados
29:55dentro do cliente.
29:56Diferente do modelo
29:57de GPT ou PNA,
29:58é um modelo que já vem
29:59treinado com os seus dados
30:00e com as suas informações.
30:02O nosso,
30:03imagina que toda a matemática,
30:04porque, na verdade,
30:05essa arquitetura que a gente fala,
30:07ele tem lá toda a matemática
30:08que ele reproduz
30:09como se fosse o nosso cérebro.
30:11Quando eu chego no cliente,
30:12ele está vazio do ponto de vista
30:13de dados.
30:14Eu vou treinar esse modelo
30:15com os dados do cliente.
30:17E aquele modelo,
30:17ele passa a ser do cliente,
30:19aquela propriedade dele.
30:20Então,
30:21a nossa tecnologia,
30:22ela não aprende
30:23com os dados de um cliente
30:24a ponto de eu poder
30:26levar isso para o outro cliente.
30:27Esse não é o intuito.
30:28É que a inteligência,
30:29ela fica ali.
30:30Porque qual que é o maior,
30:31qual que é o maior ativo
30:33que as empresas têm?
30:34Ou a maneira de se diferenciar?
30:35São os próprios dados.
30:37O que um banco tem,
30:38é diferente do que o outro banco tem,
30:40porque cada um tem tipo
30:41diferente de cliente,
30:42tipo diferente de experiências.
30:43Então, a gente justamente consegue
30:44que cada empresa consiga
30:46extrair o máximo
30:47do seu ativo principal,
30:48que são os seus dados.
30:49Então, de fato,
30:50o modelo fica para o dado.
30:51Ele usa, obviamente,
30:51a tecnologia,
30:52a plataforma que ele usa
30:53é nossa,
30:54mas o modelo
30:55é do próprio cliente.
30:56E você trouxe
30:58alguns casos
30:59já de resultado.
31:01Quais os casos
31:02na tua visão
31:02que são os mais matadores
31:05e como que você
31:07traz o que você comentou
31:08do um dólar investido
31:10viram dez dólares?
31:12Tem como trazer
31:12um pouco mais
31:13de detalhe para a gente?
31:14Boa.
31:15Acho que talvez
31:16diferente dos modelos
31:17de linguagem,
31:18que a gente tem
31:19o que a gente chama
31:19de benchmark,
31:20que são comparações.
31:21Como esse modelo
31:22performa em matemática
31:23versus outros modelos.
31:24Como a gente cria
31:25um modelo para o cliente,
31:26todas as informações
31:27e dados são do cliente.
31:28Então, a gente não pode
31:29abrir os resultados dos clientes.
31:30Mas, para ter diferentes
31:33exemplos aqui
31:34de aplicações.
31:35clientes.
31:36Então, quando a gente fala
31:37no operador de telecom,
31:39você tem lá
31:40milhões de clientes
31:41nessa operadora.
31:42Como que essa operadora
31:44sabe que horas
31:45ela tem que te oferecer
31:46um produto novo?
31:47Que horas ela tem que te
31:47oferecer um upgrade?
31:48Que horas eventualmente
31:49você pode cancelar
31:50e ela tem que tentar chegar
31:51em você antes de você
31:52migrar para uma outra operadora?
31:54Então, a gente usa todos
31:55os seus dados
31:55e de todos os clientes
31:56que estão lá,
31:57dentro, obviamente,
31:58do ambiente do cliente,
31:59para prever
32:00esse tipo de coisa.
32:01hoje, em todos os clientes
32:03onde a gente tem
32:04um modelo nosso dentro,
32:06ele é muito superior
32:08aos modelos
32:09de machine learning existentes.
32:11Então, tem lugares
32:11que os ganhos são
32:124% ou 5%,
32:14tem lugares que são
32:1540%.
32:16Então, cada companhia
32:17ela sabe o tamanho
32:18do impacto
32:19que cada 1% desse
32:20tem.
32:21Por exemplo,
32:22tem outras empresas
32:22que a gente tem conversado,
32:23companhia aérea.
32:24O desafio de companhia aérea
32:26é a economia de combustível.
32:28Então, como pegar
32:29todas as variáveis
32:31que tem no universo
32:31de uma companhia aérea,
32:33tipo o voo,
32:34qual o tipo do avião,
32:35qual o tipo da turbina,
32:36qual o tamanho da pista,
32:37qual que era a temperatura
32:38naquele dia,
32:39qual que era o peso do avião.
32:40Como usar todos esses dados aqui
32:42para ajudar uma companhia aérea
32:43a prever a melhor maneira
32:45para criar uma eficiência
32:47de combustível,
32:48o que é super caro.
32:49Ainda mais hoje em dia,
32:50o combustível...
32:51O controle nas alturas.
32:53Nas alturas.
32:54A mesma coisa com o banco.
32:55O banco tem toda a sua vida
32:56financeira lá.
32:57Ele sabe tudo o que você fez,
32:59o cartão de crédito que você passa,
33:00a PIX que você faz,
33:01pagamentos,
33:02tua navegação,
33:04tipos de coisas que você está comprando.
33:05Ah, você está comprando muita coisa
33:06de material de construção.
33:08Então, ele consegue te fazer ofertas relacionadas com aquilo.
33:12Ah, você está indo muito em farmácia.
33:15Consegue ver que você está indo em médicos, pediatras.
33:18Essa pessoa acabou de ser mãe.
33:20Então, você consegue ter uma riqueza de dados
33:22que fica muito mais fácil para o banco
33:25te trazer uma oferta customizada para você.
33:28consegue saber se eventualmente você vai...
33:30Uma dívida que você pegou,
33:31se você vai pagar ou se não vai pagar.
33:33Ou se uma transação foi uma fraude,
33:35porque pelo padrão dos dados a gente consegue ver isso.
33:38Então, para cada natureza de cliente,
33:40você tem uma aplicação diferente.
33:41O que a gente fala assim,
33:42o large data model,
33:43ele não é especialista em uma indústria.
33:46Ele é especialista em processar dados,
33:48de um lado,
33:49e do outro lado você quer trazer inteligência
33:51que vai mexer com o KPI daquela companhia,
33:54que vai mexer com o ponteiro ali daquela companhia.
33:57O fato é que não é uma tecnologia barata.
33:59Então, quando a gente chega a um cliente,
34:01a gente fala, gente,
34:02hoje, com o nível de custo que existe com essa tecnologia,
34:05a gente tem que olhar em iniciativas
34:07que são life changing,
34:09que realmente impactam muito o business da companhia.
34:12Porque você vai ter que investir
34:13alguns milhões de reais para ter retorno.
34:14Então, não adianta pegar iniciativas
34:16onde ainda são muito...
34:17onde é um nice to have,
34:19onde é legal,
34:20conseguir algum ganho,
34:21mas não um ganho expressivo.
34:22Então, é um pouco esse do foco.
34:23Para a gente comparar, então,
34:25é como se essa tecnologia
34:26fosse capaz de transformar qualquer empresa
34:29numa rede social,
34:31com aquela solução,
34:33com aquele algoritmo bem customizado.
34:37Perfeito exemplo.
34:38Quando você pega uma rede social,
34:39pega um Instagram, um X,
34:41o antigo Twitter,
34:43você começa a ler
34:44e aí você para num negócio,
34:46automaticamente aquele algoritmo
34:47está entendendo o teu padrão de comportamento
34:50em tempo real,
34:51não é na próxima vez que você entra,
34:53é no próximo scroll que você dá,
34:55ele já começa a te entregar mais conteúdo daquele
34:57porque ele falou, bom,
34:58a Letícia gosta de gato,
35:00ela gosta de viagem,
35:01ela gosta de tal assunto.
35:02Então, ele começa a entregar mais aquilo.
35:04Por quê?
35:04Porque ele quer a tua atenção.
35:05Quanto mais, em teoria,
35:06ele te entrega o que você gosta,
35:08mais tempo você vai ficar lá preso naquela tela,
35:10não é à toa que é um vício.
35:11E é justamente isso.
35:13Essa inteligência que a gente está criando
35:14é muito parecida com essa das redes sociais,
35:17onde você em tempo real,
35:18quando um usuário,
35:20você faz uma ligação,
35:21quando você usa o seu cartão de crédito,
35:23qualquer coisa que você faça,
35:25automaticamente aquela empresa
35:26vai ter um novo momento sobre você,
35:28um novo contexto teu
35:29para poder te oferecer.
35:31E não só oferecer,
35:32porque um banco, por exemplo,
35:34quando entende que você não vai pagar uma dívida,
35:36ele não tem que te oferecer um produto,
35:38ele tem que te oferecer uma assessoria financeira,
35:40uma educação financeira.
35:41Então, a mesma coisa para qualquer outra indústria.
35:43Então, é exatamente essa natureza,
35:45entender o contexto do cliente,
35:47o que faz sentido,
35:48e conseguir fazer a famosa hiperpersonalização.
35:50Porque há muito tempo se fala de hiperpersonalização,
35:53mas a verdade é que poucos conseguem fazer isso bem.
35:56Porque no passado, o que você fazia?
35:58Você fazia ofertas para cliente nos famosos clusters,
36:01em grupos.
36:02Ah, beleza.
36:02Vamos mandar essa oferta aqui
36:04para pessoas de 35 a 45 anos,
36:07que moram nos grandes centros,
36:08que tenham renda estimada em tanto,
36:10e ela fazia uma oferta.
36:11Obviamente, pegava vários clientes,
36:13mas vários era praticamente um spam.
36:16E aí, fazendo até o que com a rede social,
36:18eu tenho certeza que lá no TikTok
36:21não tem lá uma pessoa que é especialista em filmes de gatinho.
36:25Hoje, eu vou mandar esse filme de gatinhos
36:27para mulheres de 25, 35 anos,
36:29isso não existe.
36:30Para cada usuário, você tem uma experiência diferente,
36:32porque tem a ver com o contexto daquele usuário.
36:34Entendi.
36:35Você falou muito sobre o Itaú no início,
36:38depois deu o exemplo da companhia aérea.
36:40Quem são os clientes,
36:42ou quais setores são os clientes de vocês hoje?
36:45A gente tem trabalhado em serviço financeiro,
36:48telecom,
36:49companhias aéreas.
36:51Agora, a gente está entrando, por exemplo,
36:53em oil and gas,
36:53empresas de petróleo,
36:55porque todas essas empresas que têm uma quantidade,
36:59principalmente na produção,
37:00você tem uma quantidade gigante de dados,
37:02e que você consegue fazer com que a produção
37:04seja um pouco mais eficiente,
37:05você consegue fazer com que a produção
37:06seja um pouco mais rápida,
37:07você tenha ali escondido dezenas de milhões de reais.
37:11Então, a gente está justamente nesse momento
37:14de explorando novos territórios,
37:16novas verticais,
37:17para poder entender.
37:19E muitos desses territórios,
37:20sinceramente, a gente não tem nem conhecimento
37:22para saber aonde que está o trigger.
37:24A gente precisa sentar,
37:25contar o que é a tecnologia,
37:27entender quais são as maiores dores,
37:29e como encontrar isso.
37:30Mas, pelo que a gente está vendo,
37:31a aplicação, ela é diversa
37:32e funciona para várias coisas.
37:33Até no futuro,
37:34a gente queria colocar essa tecnologia
37:37a serviço do governo
37:39de uma maneira para ajudar
37:41em questões públicas de saúde,
37:43de educação.
37:44Porque, de fato,
37:45você conseguir trazer uma inteligência dessa
37:47para os milhões de brasileiros,
37:50para os milhões de dados que estão espalhados
37:51e fazer com que os serviços
37:52sejam muito melhor na ponta,
37:54seria incrível.
37:55Mas essa é uma jornada
37:56que leva um pouco mais de tempo.
37:57Felipe, eu te escutando,
37:59me parece que a proposta da Neospace
38:02é criar uma nova categoria
38:04e que vocês estão trazendo,
38:06você está trazendo uma experiência
38:07que vem desde o tempo de agência,
38:09que se refletiu na ZUP,
38:12que está muito relacionada a serviço
38:14para resolver algum problema,
38:17num novo paradigma de tecnologia.
38:19Dessa vez, talvez não só com serviço,
38:21de dados e de um best of breed de modelos,
38:26melhor forma de modelos,
38:28mas a construção também desses ativos
38:30para as companhias.
38:32Está certa essa leitura?
38:35Perfeito, perfeito.
38:35Eu acho que tem tudo a ver.
38:38Por isso que a gente tenta muito separar
38:39o que é o modelo de linguagem,
38:41que é onde o mundo nos últimos anos correu,
38:43e o que a gente está criando,
38:44que é o que a gente chama de Large Data Model,
38:47que agora você começa a ter um pouco de literatura
38:49falando de Large Tabular Model,
38:51que faz uma parte que a gente faz,
38:53que é justamente trabalhar com dados tabulares,
38:55porque os modelos tradicionais
38:57justamente não trabalham bem com os dados,
38:59eles não lidam bem com os dados
39:00e as empresas não conseguem fazer,
39:02usar os modelos para isso.
39:04Hoje, enfim, tem tipos de tecnologia
39:08para você tentar melhorar os modelos de linguagem,
39:11que se chamam de Hags e várias outras maneiras,
39:13onde você traz informações para esses modelos
39:16para que eles aprendam um pouco sobre a companhia.
39:18mas, de fato, ali você não está treinando o modelo,
39:21você está aumentando um pouco o contexto de informação
39:24para que numa conversa ele possa falar
39:26sobre o programa de benefício,
39:28ele possa trazer alguma informação
39:29que é mais pertinente para aquele universo.
39:31Mas quando você fala de processar os dados dos usuários
39:34em real-time e, a partir disso,
39:37gerar novas experiências,
39:38o motor de linguagem não consegue fazer.
39:40Então, acho que você pegou exatamente,
39:42é por isso que a gente está super empolgado
39:44e focado e acelerando,
39:45porque é uma nova categoria, não no Brasil, no mundo.
39:48Então, a gente está conversando com bancos lá fora,
39:51com grandes companhias lá fora,
39:52e é muito legal você ver essa surpresa
39:55de o cara falar assim,
39:56nossa, como essa tecnologia está vindo do Brasil.
39:59Mas, enfim, é aí que a gente está,
40:01e esse é o desafio,
40:02como que a gente consegue escalar uma tecnologia tão nova,
40:05mas possivelmente daqui a dois, três anos,
40:08vão ter outras empresas nesse lugar.
40:10Porque, de novo, o dado é um ativo muito valioso,
40:12as empresas precisam tentar extrair o máximo de valor disso.
40:15E, Felipe, trazendo aqui para a prática,
40:17outro dia, lá em casa, a internet caiu.
40:21Como que vocês poderiam resolver esse problema?
40:25Como que a tecnologia que vocês desenvolvem
40:27poderia ajudar a Claro, a Vivo, a TIM,
40:31essas operadoras de internet?
40:33Perfeito.
40:34É um ótimo exemplo.
40:35Normalmente, quando acontece um problema,
40:37esse problema já aconteceu outras vezes.
40:39É um problema conhecido.
40:40e essas informações desses problemas,
40:42tanto o que fez aquele problema acontecer
40:45e como que aquele problema foi resolvido,
40:47isso são dados que estão no sistema dessas companhias.
40:50Então, o que a gente faz?
40:51A gente treina com todo esse histórico de dados
40:55e, além disso, a gente consegue acompanhar em tempo real
40:58o tráfego da rede dessas operadoras, por exemplo.
41:02Para quê?
41:02Para justamente poder antecipar eventuais falhas.
41:05que pense assim, o modelo sempre vai prever alguma coisa
41:09ou antecipar alguma coisa de acontecer.
41:11Então, nesse caso, pode antecipar um problema
41:14que você vai ter na tua rede.
41:15Então, ao invés de você ficar lá sem internet,
41:19cai do nada.
41:19Você está trabalhando, cai a tua internet.
41:21Você fica brava.
41:22Você tenta abrir um chat.
41:23Você liga.
41:24E isso também gera custo da operadora,
41:26porque, eventualmente, ela tem que mandar uma pessoa
41:28para a tua casa.
41:28Ela tem que resolver aquilo.
41:30O modelo consegue, de uma maneira preventiva
41:33ou preditiva, melhor, falar assim,
41:35a internet naquela região vai cair.
41:38E aí, eu conseguiria, talvez, te mandar uma informação
41:40e falar assim,
41:40Letícia, tem uma indisponibilidade na região
41:43onde você mora.
41:44Provavelmente, nas próximas quatro horas,
41:45você vai ficar sem internet.
41:46Assim que tiver alguma novidade,
41:48a gente volta com você.
41:50Primeiro, você como cliente,
41:51você vai ficar bravo que a tua internet vai funcionar.
41:53Mas, pelo menos, você vai se sentir acolhido
41:55e vai sentir que ela está preocupada
41:57com o CPF da Letícia.
41:58E você vai poder se programar, né?
42:00Vai trabalhar na padaria.
42:01É isso, é isso.
42:02Vai para casa de um amigo.
42:03Vai para um coworking.
42:04Vem aqui com o Nelfide para trabalhar.
42:06Então, é justamente essa mudança de experiência
42:09que ela impacta a empresa,
42:12que ela consegue ser muito mais assertiva,
42:14que ela consegue, obviamente,
42:15aumentar a sua receita e diminuir o seu custo.
42:16Mas, o cliente, ele sente que, realmente,
42:18ele está sendo bem atendido e privilegiado.
42:21Que isso vai impactar na tua fidelização,
42:23vai impactar no NPS daquela companhia.
42:25Então, esse é um bom exemplo de como o modelo pode ajudar
42:29a prever que alguma coisa vai acontecer
42:31e comunicar ou se antecipar antes
42:34que aquela coisa, de fato, aconteça.
42:35Da mesma maneira que no modelo de linguagem
42:38ele prevê o próximo token,
42:40aqui ele prevê a próxima ação,
42:42a próxima falha, o próximo problema
42:44que aquele equipamento pode dar.
42:45A gente falou de companhia aérea
42:47ou a parte industrial, de grandes máquinas e tal.
42:51Também é a mesma coisa.
42:53Dados comportamentos históricos
42:55e comportamentos atuais,
42:56o modelo pode ajudar a prever
42:58quando aquela máquina vai ter um problema.
43:00Então, quando ela precisa
43:01antecipar a manutenção
43:02para não quebrar uma máquina
43:03no meio da produção.
43:04E aí, isso custa muito dinheiro.
43:06Um avião, por exemplo.
43:07Quantas vezes você estava dentro do avião?
43:09Senhores, a gente está
43:09com problema de manutenção,
43:10a gente não vai conseguir decolar,
43:11você precisa trocar de aeronave.
43:13Para você é um caos.
43:14Para a companhia aérea é um terror.
43:15Porque um avião parado no chão
43:17custa muito caro para a companhia aérea.
43:18Então, como ela consegue prever
43:21que aquele avião vai precisar
43:24de manutenção daqui a tanto tempo
43:25e justamente não ter aquele avião
43:27na pista para decolar cheio de passageiros
43:29na hora que isso vai acontecer
43:30e conseguir prever isso com antecedência.
43:33Então, é um pouco desses use cases,
43:35vamos dizer, que são possíveis.
43:36Felipe, qual a maturidade da companhia
43:39para ela conseguir incorporar essa tecnologia?
43:42Eu acho que tem que ser
43:44grandes companhias
43:45porque tem um investimento elevado
43:47e normalmente uma quantidade de dados
43:50muito grande.
43:51Porque quando você vai trabalhar com AI,
43:53você precisa, com modelos large,
43:56você precisa de muitos dados
43:58para ele aprender.
43:59Se você tem poucos dados,
44:01vamos dizer, um cérebro muito inteligente
44:03para pouca informação ali dentro.
44:06Então, ele não consegue aprender.
44:07Ele precisa ver os dados várias vezes.
44:08Então, normalmente são grandes companhias
44:11que ou têm milhões de clientes
44:13ou têm dados internos, por exemplo,
44:15de plantas.
44:16Você pega empresas tipo uma Petrobras,
44:18a Vida, a Vale,
44:19eles têm muitos dados
44:21de toda a produção e tudo mais
44:23que eles podem usar esse dado
44:24como inteligência.
44:25Então, normalmente,
44:26são grandes empresas.
44:27Eu acho que, sem dúvida nenhuma,
44:28o custo ainda é impeditivo.
44:30Mas, à medida que a tecnologia
44:31vai baratear e vai baratear com o tempo,
44:34vai começar a permitir
44:35que empresas médias também
44:36consigam usar esses dados.
44:37E como que você acredita
44:39que essa tecnologia
44:40pode transformar os diversos setores
44:42aí num prazo de cinco anos?
44:45Eu acho que vai mudar muito
44:46porque a inteligência
44:47que os modelos vão ter
44:49eles, na verdade,
44:50vão até desintermediar
44:52outros sistemas
44:53que as empresas têm.
44:54Então, as empresas têm lá
44:55os seus sistemas CRM, ERP,
44:58sistemas de pricing,
44:59de marketing e tal.
45:00O modelo, ele vai conseguir,
45:02talvez, pular todos esses sistemas
45:05para já falar exatamente para você
45:07qual que é o preço
45:08que ele tem que te oferecer,
45:10qual que é a taxa,
45:11qual que é o produto,
45:12qual que é a modalidade,
45:13sem ter que passar por processo
45:15onde você tem vários sistemas
45:17e várias pessoas
45:18envolvidas naquelas decisões,
45:20políticas, regras.
45:21Então, assim,
45:22eu acho que nos próximos cinco anos
45:23vai mudar muito a maneira
45:25como as empresas operam.
45:26As empresas que realmente
45:27caírem de cabeça
45:28entender que o futuro é para aí
45:30vai mudar completamente
45:31a maneira que ela opera.
45:32Ela vai ser muito mais eficiente,
45:33muito mais ágil,
45:34muito mais assertiva
45:35e muito mais rentável.
45:36Agora, um super desafio
45:37para você.
45:38Se você pudesse resumir
45:40em uma frase
45:41esse novo modelo,
45:43esse novo serviço
45:44que vocês criaram,
45:45estão desenvolvendo
45:46e oferecendo.
45:47Qual seria essa frase?
45:48Que pergunta difícil essa.
45:50Acho que a gente está,
45:51na verdade,
45:53criando modelos de AI,
45:55obviamente,
45:55que têm a capacidade
45:56de digerir bilhões de dados
45:59e criar inteligência
46:00para as companhias
46:01se relacionarem melhor
46:02com os seus clientes
46:03ou com os seus objetivos
46:04de negócio.
46:04Então, é como fazer
46:06as empresas
46:07com as informações
46:08que elas já têm
46:09lá dentro
46:10serem mais eficientes,
46:13mais rentáveis,
46:14elas operarem
46:14de uma maneira melhor.
46:16e se parar para pensar,
46:17ele já tem essa informação
46:18dentro de casa,
46:18os dados já estão lá.
46:20É só realmente,
46:21é só não,
46:21mas extrair esse conhecimento
46:23dos dados
46:23que é muito poderoso.
46:25E tem sido muito legal
46:26essa jornada,
46:27inclusive,
46:28até desafio de time,
46:29de pessoas.
46:30A gente tem um time,
46:32a gente brinca,
46:33é como se fosse
46:34atleta olímpico.
46:36A gente busca pessoas
46:37que são obcecadas.
46:39Você pensa em um atleta,
46:40sei lá,
46:41que ele faz
46:43nado sincronizado.
46:44Então, é um atleta
46:45que ele dorme,
46:46não tem final de semana,
46:47tudo para ele,
46:47a vida dele é nado sincronizado.
46:49Então, ele vai dormir
46:49pensando, sei lá,
46:50qual que é o ângulo
46:51que a mão entra,
46:53como que ela melhora
46:53a capacidade cardiovascular.
46:57Em AI,
46:58é a mesma coisa.
46:59A gente precisa trazer
47:00atletas olímpicos
47:01com essa mentalidade,
47:02mas que amam AI.
47:03AI não é um trabalho.
47:04AI é o hobby,
47:05AI é a paixão,
47:06é conseguir criar
47:07uma tecnologia de ponta,
47:08é o sonho.
47:09Então, ela quer ser
47:10um medalhista olímpico
47:11trabalhando AI.
47:12Então, esse é um pouco
47:12a nossa maneira
47:13de trazer profissionais,
47:15avaliar pessoas
47:16para trabalhar na Neospace.
47:17Porque, sem isso,
47:18não tem como competir
47:18globalmente.
47:19Qual que é o tamanho do time?
47:20Onde a gente tem 90 pessoas.
47:2290 pessoas.
47:23É um time pequeno,
47:25são pessoas de startup,
47:26mas é um time assim,
47:26com uma capacidade de...
47:28E é difícil, né?
47:29Porque tecnologia
47:30de AI e treinamento,
47:32não é que você não tem
47:32pessoas no Brasil,
47:33você não tem pessoas no mundo, né?
47:34São poucas pessoas
47:34que fazem isso bem.
47:35E aqui, a gente tem montado
47:37um time assim,
47:38muito unido
47:40e você ter a oportunidade
47:41de, no Brasil,
47:42você criar uma tecnologia
47:43de ponta, né?
47:44Onde realmente
47:44você impacta
47:46milhões de vidas,
47:47motiva muito o time.
47:49Não tem dia, enfim,
47:50todo dia para eles,
47:51toda hora,
47:52canso de acordar de manhãzinha,
47:53já tem mensagem da madrugada,
47:55porque são as pessoas
47:56apaixonadas em fazer aquilo.
47:57É muito legal quando
47:58você tem uma cultura
47:58onde as pessoas são apaixonadas
48:00em fazer aquilo
48:00da melhor maneira possível.
48:02Clipe, obrigado pela sua entrevista.
48:04Ah, Gina, obrigado você.
48:05É um prazerzaço estar por aqui.
48:06Enfim, conte com a gente.
48:07O assunto AI,
48:08acho que no Brasil
48:09tem o potencial de ser
48:10um polo de tecnologia,
48:11um polo de AI.
48:12A gente precisa instigar, né?
48:14Outros empreendedores também,
48:15outros loucos como a gente,
48:17a, enfim,
48:18buscarem um pouco desse caminho.
48:20E a você que nos acompanhou,
48:21obrigada pela sua audiência.
48:23O Revolução EA volta em breve.
48:25Até lá.
48:26Tchau, tchau.
Comentários