Felipe Blanes

Você não precisa de todo esse contexto. Então, os usos reais, mesmo, estão mais em coisas de escala, hoje em dia. QA, como eu falei, ou o que a gente fala que é Data Extraction, que é você ir para sites. Tem um monte de site que ainda não tem API, hoje em dia. E tem muita empresa que precisa ficar entrando nesses sites. Tem gente, literalmente, entrando nesses sites todo dia só para coletar informação.

Então é ir para esses sites, pegar essa informação e colocar em um lugar que é fácil de consumir. É para isso a gente está nesse ponto na indústria, na minha opinião. A gente não está no ponto ainda dela ser um agente pessoal para o Marcos, um agente pessoal para o Fabrício. Ainda falta um pouco. Então é mais compilação de relatórios, esse tipo de coisa. Todo dia primeiro tem que entrar no site XYZ, copiar um bando de números, botar no Excel e mandar para alguém. Seria mais voltado para isso.

É, pare e pense, é coisa que você não quer fazer, cara. É justamente coisa que você não quer fazer e precisa a gente fazerem. E qual que é o seu dia a dia, então, nesse projeto e em outros projetos que você esteja envolvido aí na AGI Labs da Amazon? Hoje eu trabalho diretamente com cliente, Fabrício. Então, a minha função é... Eu tenho um time de Solutions Architects e a nossa função é...

É praticamente pegar esse produto que o nosso time de engenharia e de pesquisa está fazendo e ajudar os nossos clientes a aplicar. Então, o dia todo, conversando com o cliente, entendendo o que eles estão fazendo, quais são os use cases que eles têm, quais são os problemas que eles estão enfrentando, tentando ajudar, às vezes a gente consegue resolver o problema para o cliente,

E às vezes não, e aí é o que a gente chama que é o feedback loop, né? Então a gente fecha esse loop de aprendizado, a gente tá o tempo todo falando com o cliente, entendendo o que eles precisam, e a gente vai alimentando todo o nosso time de engenharia, time de pesquisa, falando, pô, é pra esse lado que a gente tem que ir, é aqui que os nossos clientes estão precisando de mais ajuda.

Ajuda, mas também, por exemplo, se o modelo não funcionou, não deu certo naquele caso de uso que o cliente precisava, vocês também vão no time e falam, ó, melhora isso, faz um fine tuning, dá uma nova versão? Também, exatamente. É praticamente assim, é fechando o ciclo de requisição de funcionalidades novas ou de alguma coisa que não está funcionando direito.

Então, existe isso também para o nosso time mais de Science, é muito falando, o modelo está falhando aqui, o modelo não está indo muito bem aqui, para eles fazerem coisas para as próximas versões melhorarem. Inclusive, sobre essa parte do modelo, eu sei que vocês gostam de saber dessa parte, uma coisa que a gente faz bastante, a gente usa bastante o Reinforcement Learning, que é aprendizado por reforço,

E isso daí é tudo público, tá? Então, tudo que a gente colocou no nosso lançamento na Reinvent, a gente fala um pouquinho disso. Mas a gente tem uma coisa que a gente chama de gyms, que são as academias. Então, no nosso time de pesquisa, eles ficam fazendo sites.

Sites fictícios, diferentes sites, tudo que vocês podem imaginar de site fictício e você coloca esse modelo para ficar treinando, para ficar clicando, navegando, navegando esse site e aí o retorno de cada tentativa do modelo é assim, você fez certo, você fez errado, você fez certo, você fez errado essa atividade e ele vai melhorando, ele vai melhorando ao longo do tempo.

Então, colocando nessa parte do meu trabalho, o que eu faço hoje, então vamos supor que tem clientes meus falando, pô, o Date Picker não está funcionando, não está funcionando legal. Então, esse é o feedback que eu mando para eles, para quê? Para eles começarem a criar mais gyms, mais academias,

para treinar esse caso de uso, essa aplicação específica. Então, não são cópias de sites, são sites totalmente fictícios, mas que tem todas essas áreas que a gente precisa que o modelo melhore. Então, se você precisa que o modelo fica treinando em drop-down, a gente vai fazer um monte de site de aplicações fictícias de drop-down.

Cara, eu estou numa posição bem privilegiada, tá? Primeiro, porque geralmente esse primeiro contato com o cliente não é meu, né? Como eu estou dentro da estrutura da Amazon, como você deve imaginar, tipo, a AWS tem um time de vendas de soluções gigantescos, né? Então, eles fazem essa triagem para mim. Então, geralmente as coisas já chegam um pouco mais redondas, né? Para mim. Mas, sim.

Tem um pouco de, eu acho que ainda falta, um pouco de educar e entender onde que a tecnologia está. Então, o exemplo mais claro é essa coisa da latência. Tem gente que espera, por exemplo, que uma tecnologia agêntica, que tem um modelo por trás dos panos, rode na mesma velocidade que uma coisa 100% determinística.

Não faz o menor sentido. Como que uma coisa determinística que é simplesmente código em Python rodando vai ter a mesma velocidade de uma coisa que tem um modelo? Então, tem algumas expectativas que não são reais. Tem também algumas coisas que as pessoas acham que talvez a tecnologia esteja avançada demais do ponto de vista de casos de uso. Então, alguns casos de uso são extremamente complexos que ainda não dá para fazer hoje. Acho que

Provavelmente esses eu não posso falar quais são, porque a gente está trabalhando neles. Mas eu acho que desde março do ano passado até hoje, melhorou bastante do ponto de vista de maturidade, que as primeiras conversas que a gente tinha, as pessoas simplesmente...

Eu apresentava um produto e as pessoas falavam assim, ah não, acho que eu não tenho nenhum caso de uso para isso. Pensa bem, eu tenho quase certeza que você tem, eu acho que qualquer pessoa tem, entendeu? Não é possível que não tem nada que você faz toda semana.

que você gostaria de automatizar. E aí tinha um trabalho maior de discovery, de fazer um trabalho de sentar com o cliente, explorar quais são os processos da empresa e achar um caso de uso. Hoje em dia não, eles já chegam muito mais, ah, meu caso de uso é esse, eu quero fazer uma automação nesse processo de compra, blá, blá, blá, me ajuda a resolver esse ponto que eu estou tendo problema.

Cara, eu acho que a primeira coisa é... Primeiro, eu acho que esse tipo de produto é muito visual, né? Então, a partir do momento que você começa a mostrar uma demo ou você mostra um protótipo simples, já começa a clicar, sabe, na cabeça da pessoa, já fala, ah, calma, tem uma ideia aqui, tem uma ideia ali.

Então, acho que esse é o primeiro ponto. O segundo ponto sobre a confiança, o que eu vejo é, as pessoas geralmente elas começam com casos de uso que são menos críticos na operação dela, para ganhar confiança dessa forma. Então, eu não vou começar com aquele meu processo super crítico que se falhar esse agente, minha empresa para.

Não, eu vou começar naquele caso que é um pouquinho mais simples, se falhar não tem problema, não tem nenhum cliente que vai ser diretamente impactado. Eu vou criando outros casos de uso, um pouco mais complexo e um pouco mais envolvidos na parte mais crítica do processo da empresa.