{"id":4655,"date":"2026-03-30T08:00:00","date_gmt":"2026-03-30T08:00:00","guid":{"rendered":"https:\/\/volcano.com.br\/?p=4655"},"modified":"2026-03-17T12:27:40","modified_gmt":"2026-03-17T12:27:40","slug":"ia-e-o-monitoramento-de-modelos-em-producao","status":"publish","type":"post","link":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/","title":{"rendered":"IA e o monitoramento de modelos em produ\u00e7\u00e3o"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

O modelo que ningu\u00e9m vigiava<\/h2>

Imagine que voc\u00ea \u00e9 o gerente de uma padaria e decide contratar um padeiro extraordin\u00e1rio. Ele passa semanas aprendendo as prefer\u00eancias dos seus clientes, as receitas da casa, os hor\u00e1rios de pico. No primeiro m\u00eas, as vendas disparam. Os clientes elogiam. O neg\u00f3cio prospera. Satisfeito, voc\u00ea deixa o padeiro trabalhar sozinho e vai cuidar de outras coisas.<\/p>

Seis meses depois, as vendas caem sem explica\u00e7\u00e3o aparente. Os clientes reclamam, mas discretamente. Voc\u00ea s\u00f3 descobre o problema quando um cliente fiel \u2014 o tipo que estava l\u00e1 desde o come\u00e7o \u2014 finalmente diz: “Aquele croissant que eu amava mudou completamente.”<\/p>

O padeiro n\u00e3o mudou. O que mudou foi o mundo ao redor dele: fornecedores diferentes, clientes com novos gostos, esta\u00e7\u00f5es do ano afetando ingredientes. E como ningu\u00e9m monitorava nada, o problema cresceu na sombra por meses.<\/p>

Essa hist\u00f3ria \u00e9, palavra por palavra, o que acontece com modelos de machine learning em produ\u00e7\u00e3o todos os dias, em empresas de todos os tamanhos, em todos os setores. E ela revela uma verdade inc\u00f4moda: treinar um modelo \u00e9 a parte f\u00e1cil. Mant\u00ea-lo vivo, honesto e \u00fatil ao longo do tempo \u2014 isso \u00e9 onde a maioria falha.<\/p>

Este artigo \u00e9 sobre a arte e a ci\u00eancia de vigiar modelos depois que eles saem do laborat\u00f3rio e entram no mundo real. \u00c9 sobre as m\u00e9tricas que revelam quando um modelo come\u00e7a a mentir, quando os dados que o alimentam perdem o sentido, e quando o gap entre o que o modelo sabe e o que o mundo se tornou atingiu um ponto cr\u00edtico. \u00c9, acima de tudo, sobre o que realmente importa monitorar \u2014 e por qu\u00ea.<\/p>

\u00a0<\/h2>

O problema invis\u00edvel: Quando modelos apodrecem em sil\u00eancio<\/h2>

Em 2015, pesquisadores do Google publicaram um artigo que se tornaria refer\u00eancia obrigat\u00f3ria no campo de machine learning em produ\u00e7\u00e3o. Intitulado “Hidden Technical Debt in Machine Learning Systems”<\/em>, o trabalho de D. Sculley e colaboradores argumentou algo perturbador: a parte vis\u00edvel de um sistema de ML \u2014 o c\u00f3digo do modelo em si \u2014 representa apenas uma fra\u00e7\u00e3o min\u00fascula de toda a infraestrutura necess\u00e1ria para mant\u00ea-lo funcionando. Ao redor desse pequeno n\u00facleo existe uma massa enorme e complexa de c\u00f3digo de infraestrutura, pipelines de dados, sistemas de servi\u00e7o, processos de monitoramento e configura\u00e7\u00f5es que acumulam d\u00edvida t\u00e9cnica de forma silenciosa e perigosa.<\/p>

O artigo usa a met\u00e1fora da d\u00edvida t\u00e9cnica \u2014 conceito emprestado da engenharia de software \u2014 para descrever os custos ocultos de manter sistemas de ML no ar. Uma das observa\u00e7\u00f5es mais incisivas do trabalho \u00e9 que mudan\u00e7as no mundo externo podem influenciar o comportamento do sistema de maneiras completamente imprevis\u00edveis, e que monitorar o comportamento de um sistema de ML sem um design cuidadoso pode se tornar uma tarefa praticamente imposs\u00edvel.<\/p>

Dez anos depois dessa publica\u00e7\u00e3o seminal, a situa\u00e7\u00e3o melhorou \u2014 mas n\u00e3o o suficiente. Uma pesquisa conjunta de pesquisadores de Harvard, MIT, Universidade de Monterrey e Cambridge revelou que 91% dos modelos de machine learning degradam ao longo do tempo. O estudo concluiu que a degrada\u00e7\u00e3o temporal de modelos, ou “envelhecimento da IA”, continua sendo um dos principais desafios para organiza\u00e7\u00f5es que usam ML em aplica\u00e7\u00f5es do mundo real. O problema central: os modelos s\u00e3o treinados para atingir determinado n\u00edvel de qualidade antes do deploy, mas essa qualidade raramente \u00e9 mantida sem retreinamento ou atualiza\u00e7\u00e3o cont\u00ednua.<\/p>

A empresa de entregas DoorDash descreveu publicamente o problema em seu blog de engenharia com honestidade desconcertante: no passado, eles vivenciaram situa\u00e7\u00f5es em que seus modelos ficaram desatualizados e come\u00e7aram a fazer previs\u00f5es incorretas. Esses problemas impactaram negativamente o neg\u00f3cio e a experi\u00eancia dos clientes, for\u00e7ando a equipe de engenharia a gastar enorme esfor\u00e7o investigando e corrigindo os danos. Encontrar esse tipo de degrada\u00e7\u00e3o levava muito tempo porque simplesmente n\u00e3o existia nenhum mecanismo de monitoramento para detect\u00e1-lo.<\/p>

Mais recentemente, dados de 2024 mostram que os incidentes envolvendo IA cresceram 56,4%, totalizando 233 casos documentados \u2014 e esse n\u00famero representa apenas os incidentes reportados publicamente. O custo humano e financeiro dos incidentes n\u00e3o detectados \u00e9, por defini\u00e7\u00e3o, desconhecido.<\/p>

O problema tem um nome t\u00e9cnico elegante \u2014 model drift<\/em> \u2014, mas sua natureza \u00e9 essencialmente filos\u00f3fica: modelos s\u00e3o fotografias do mundo no momento em que foram treinados. O mundo, por\u00e9m, \u00e9 um filme que nunca para. Quando o modelo n\u00e3o \u00e9 atualizado para acompanhar o enredo, ele come\u00e7a a descrever uma realidade que n\u00e3o existe mais.<\/p><\/section>

\u00a0<\/h2>

A pir\u00e2mide do monitoramento: Uma estrutura para pensar<\/h2>

Antes de mergulhar nas m\u00e9tricas espec\u00edficas, \u00e9 \u00fatil ter um mapa mental do territ\u00f3rio. O monitoramento de modelos em produ\u00e7\u00e3o n\u00e3o \u00e9 uma coisa s\u00f3 \u2014 \u00e9 um conjunto de camadas interdependentes, cada uma respondendo a perguntas diferentes e exigindo instrumentos diferentes.<\/p>

A literatura de MLOps consolidou uma estrutura piramidal que organiza esse territ\u00f3rio de forma elegante. Na base da pir\u00e2mide est\u00e1 a sa\u00fade operacional do sistema \u2014 o modelo est\u00e1 respondendo? A infraestrutura est\u00e1 de p\u00e9? Logo acima vem a qualidade dos dados que alimentam o modelo. Depois, o monitoramento de drift \u2014 os dados e os conceitos ainda fazem sentido? Em seguida, o desempenho estat\u00edstico do modelo em si. E no topo, onde a vis\u00e3o estrat\u00e9gica se encontra com a t\u00e9cnica, ficam as m\u00e9tricas de neg\u00f3cio e as quest\u00f5es de equidade e vi\u00e9s.<\/p>

A tenta\u00e7\u00e3o \u2014 especialmente para equipes de ci\u00eancia de dados \u2014 \u00e9 come\u00e7ar pelo meio da pir\u00e2mide, focando nos n\u00fameros de acur\u00e1cia e nas m\u00e9tricas estat\u00edsticas. Mas essa \u00e9 uma armadilha cl\u00e1ssica. Um modelo com excelente acur\u00e1cia estat\u00edstica pode estar destruindo valor de neg\u00f3cio se as previs\u00f5es chegam com lat\u00eancia de dois segundos em vez de cinquenta milissegundos. E um modelo com m\u00e9tricas operacionais impec\u00e1veis pode estar sistematicamente discriminando grupos de usu\u00e1rios de forma invis\u00edvel.<\/p>

Monitorar bem significa subir e descer essa pir\u00e2mide continuamente, entendendo como cada camada afeta as outras.<\/p><\/section>

\u00a0<\/h2>

Sa\u00fade operacional: O ch\u00e3o que voc\u00ea pisa<\/h2>

Existe uma ironia no mundo do monitoramento de ML: as m\u00e9tricas mais negligenciadas s\u00e3o frequentemente as mais \u00f3bvias. A sa\u00fade operacional de um sistema de ML \u00e9 o equivalente a checar se a geladeira est\u00e1 ligada antes de reclamar que a comida estragou.<\/p>

As m\u00e9tricas operacionais medem o sistema de software que hospeda o modelo, n\u00e3o o modelo em si. E sem elas, todo o resto \u00e9 irrelevante. Se o endpoint de infer\u00eancia est\u00e1 ca\u00eddo, n\u00e3o importa a sofistica\u00e7\u00e3o do modelo que ele hospeda.<\/p>

\u00a0<\/h3>

Lat\u00eancia \u2014 O inimigo silencioso da experi\u00eancia do usu\u00e1rio<\/h3>

A lat\u00eancia \u00e9 medida em m\u00faltiplos percentis, e essa distin\u00e7\u00e3o importa imensamente. O percentil 50 \u2014 a mediana \u2014 diz o que um usu\u00e1rio t\u00edpico experimenta. O percentil 95 diz o que um em cada vinte usu\u00e1rios experimenta. O percentil 99 revela o pesadelo que aflige um em cada cem.<\/p>

Por que os percentis altos importam tanto? Porque os usu\u00e1rios que experimentam lat\u00eancia extrema s\u00e3o frequentemente os mais ativos, os que mais utilizam o sistema em momentos de pico \u2014 exatamente quando a confiabilidade mais importa. Um sistema de recomenda\u00e7\u00f5es que funciona perfeitamente 95% do tempo mas degrada catastroficamente durante um evento de lan\u00e7amento de produto pode causar danos desproporcionais \u00e0 reputa\u00e7\u00e3o da empresa.<\/p>

A regra pr\u00e1tica consolidada pela ind\u00fastria \u00e9 que um usu\u00e1rio percebe lat\u00eancia acima de cem milissegundos e come\u00e7a a perder confian\u00e7a no sistema acima de um segundo. Para modelos embarcados em interfaces conversacionais, os padr\u00f5es s\u00e3o ainda mais restritivos.<\/p>

\u00a0<\/h3>

Throughput e taxa de erro<\/h3>

O throughput \u2014 volume de requisi\u00e7\u00f5es processadas por unidade de tempo \u2014 \u00e9 um indicador de sa\u00fade do sistema e tamb\u00e9m serve como proxy para detectar anomalias. Uma queda abrupta no throughput pode indicar um problema t\u00e9cnico, mas tamb\u00e9m pode ser sinal de que o comportamento dos usu\u00e1rios mudou dramaticamente. Um aumento repentino pode indicar um ataque ou uma demanda inesperada.<\/p>

A taxa de erro \u2014 propor\u00e7\u00e3o de requisi\u00e7\u00f5es que retornam falha \u2014 \u00e9 talvez a m\u00e9trica mais cr\u00edtica em termos de urg\u00eancia. Taxa de erro zero \u00e9 rara no mundo real, mas qualquer desvio significativo em rela\u00e7\u00e3o \u00e0 linha de base hist\u00f3rica exige investiga\u00e7\u00e3o imediata.<\/p>

\u00a0<\/h3>

Utiliza\u00e7\u00e3o de recursos<\/h3>

CPU, mem\u00f3ria, disco e largura de banda de rede formam o substrato material sobre o qual tudo o mais funciona. Modelos que come\u00e7am a consumir mais mem\u00f3ria ao longo do tempo podem estar enfrentando vazamentos de mem\u00f3ria nos pipelines de pr\u00e9-processamento. Picos de CPU podem indicar que o volume de dados de entrada aumentou de forma inesperada \u2014 o que pode ser um sintoma de drift nos dados de entrada.<\/p>

O monitoramento de recursos n\u00e3o \u00e9 exclusivo ao ML \u2014 qualquer engenheiro de sistemas sabe fazer isso. Mas a integra\u00e7\u00e3o entre m\u00e9tricas operacionais e m\u00e9tricas espec\u00edficas de ML \u00e9 o que separa um sistema de monitoramento maduro de um conjunto de dashboards desconexos.<\/p><\/section>

\u00a0<\/h2>

Qualidade dos dados: O ingrediente que ningu\u00e9m testa<\/h2>

Existe um axioma que circula h\u00e1 d\u00e9cadas no mundo da tecnologia: garbage in, garbage out<\/em>. Dados de baixa qualidade produzem previs\u00f5es de baixa qualidade \u2014 independentemente da sofistica\u00e7\u00e3o do modelo. E ainda assim, monitorar a qualidade dos dados que entram em um modelo em produ\u00e7\u00e3o \u00e9 uma pr\u00e1tica surpreendentemente rara.<\/p>

O paper de Sculley et al. (2015) foi um dos primeiros a formalizar essa preocupa\u00e7\u00e3o em termos t\u00e9cnicos precisos, argumentando que se os dados substituem o c\u00f3digo em sistemas de ML, e se o c\u00f3digo deve ser testado, ent\u00e3o algum n\u00edvel de teste dos dados de entrada \u00e9 cr\u00edtico para um sistema bem-funcionante. Testes b\u00e1sicos de sanidade s\u00e3o \u00fateis, assim como testes mais sofisticados que monitoram mudan\u00e7as nas distribui\u00e7\u00f5es de entrada.<\/p>

\u00a0<\/h3>

Valores ausentes<\/h3>

A taxa de valores ausentes \u2014 a propor\u00e7\u00e3o de campos nulos ou em branco para cada feature \u2014 \u00e9 uma das m\u00e9tricas mais elementares e mais reveladoras. Um modelo treinado com uma taxa de 2% de valores ausentes em determinada feature pode come\u00e7ar a receber dados em produ\u00e7\u00e3o onde essa taxa chega a 30%. O comportamento do modelo nessa condi\u00e7\u00e3o \u00e9 imprevis\u00edvel: pode degradar suavemente, pode degradar abruptamente, ou pode produzir previs\u00f5es completamente absurdas.<\/p>

As causas para esse tipo de problema s\u00e3o frequentemente mundanas: mudan\u00e7as no schema do banco de dados upstream, altera\u00e7\u00f5es nos formul\u00e1rios de coleta de dados, integra\u00e7\u00f5es com APIs de terceiros que come\u00e7aram a retornar campos diferentes. O problema n\u00e3o est\u00e1 no modelo \u2014 est\u00e1 na cadeia de fornecimento de dados.<\/p>

\u00a0<\/h3>

Outliers e valores imposs\u00edveis<\/h3>

Al\u00e9m dos valores ausentes, h\u00e1 os valores imposs\u00edveis \u2014 idades negativas, coordenadas geogr\u00e1ficas fora dos limites do planeta, timestamps no futuro distante, valores monet\u00e1rios com quinze casas decimais. Esses erros s\u00e3o frequentemente \u00f3bvios quando visualizados, mas passam invis\u00edveis por pipelines que n\u00e3o t\u00eam valida\u00e7\u00e3o adequada.<\/p>

A frequ\u00eancia de outliers \u00e9 tamb\u00e9m um indicador importante. Um modelo de detec\u00e7\u00e3o de fraude treinado em um ambiente onde transa\u00e7\u00f5es acima de determinado valor s\u00e3o raras pode come\u00e7ar a receber um volume crescente dessas transa\u00e7\u00f5es \u00e0 medida que a plataforma cresce e atrai clientes corporativos. Mesmo que cada transa\u00e7\u00e3o individual seja leg\u00edtima, o modelo operando fora de sua zona de treinamento produzir\u00e1 previs\u00f5es menos confi\u00e1veis.<\/p>

\u00a0<\/h3>

Consist\u00eancia de schema e integridade referencial<\/h3>

Em sistemas complexos onde m\u00faltiplas equipes contribuem para o pipeline de dados, mudan\u00e7as de schema s\u00e3o uma fonte permanente de risco. Uma feature que era um inteiro de 32 bits e passa a ser um float de 64 bits pode parecer inofensiva, mas pode introduzir sutilezas de precis\u00e3o que afetam modelos treinados na vers\u00e3o anterior. Uma coluna renomeada pode quebrar silenciosamente o pipeline de infer\u00eancia se n\u00e3o houver valida\u00e7\u00e3o adequada.<\/p>

A monitora\u00e7\u00e3o de schema \u2014 verificar continuamente se a estrutura dos dados de entrada corresponde ao que o modelo espera \u2014 \u00e9 uma pr\u00e1tica b\u00e1sica que previne uma classe inteira de falhas.<\/p><\/section>

\u00a0<\/h2>

Drift: O mundo mudou, seu modelo n\u00e3o sabe<\/h2>

Se houvesse um \u00fanico conceito que todo profissional de ML deveria ter tatuado na consci\u00eancia, seria este: modelos treinados em dados hist\u00f3ricos fazem suposi\u00e7\u00f5es sobre o futuro. E o futuro n\u00e3o coopera.<\/p>

O fen\u00f4meno do drift \u2014 a deriva do modelo em rela\u00e7\u00e3o \u00e0 realidade \u2014 \u00e9 talvez o problema mais estudado e ao mesmo tempo mais subestimado do machine learning em produ\u00e7\u00e3o. Uma revis\u00e3o sistem\u00e1tica publicada em 2024 na revista Information<\/em> mapeou duas d\u00e9cadas de pesquisa sobre detec\u00e7\u00e3o de drift, documentando a enorme variedade de formas que esse fen\u00f4meno pode tomar e a dificuldade de detect\u00e1-lo com confiabilidade.<\/p>

Existem tr\u00eas tipos principais de drift, e entender as diferen\u00e7as entre eles \u00e9 crucial para monitor\u00e1-los adequadamente.<\/p>

\u00a0<\/h3>

Data Drift: O mundo dos dados mudou<\/h3>

O data drift \u2014 tamb\u00e9m chamado de drift de covari\u00e1veis \u2014 ocorre quando as propriedades estat\u00edsticas dos dados de entrada mudam, mas a rela\u00e7\u00e3o entre esses dados e o que o modelo tenta prever permanece a mesma. Os dados de entrada, em outras palavras, ficaram diferentes do que eram no momento do treinamento.<\/p>

Um exemplo cl\u00e1ssico: um modelo de cr\u00e9dito treinado com dados de clientes na faixa et\u00e1ria de 25 a 45 anos come\u00e7a a receber solicita\u00e7\u00f5es de clientes com mais de 55 anos. Os dados de entrada mudaram \u2014 a distribui\u00e7\u00e3o et\u00e1ria se deslocou \u2014 mas a rela\u00e7\u00e3o entre caracter\u00edsticas financeiras e risco de inadimpl\u00eancia pode ser a mesma. O modelo, por\u00e9m, nunca viu esse perfil de cliente durante o treinamento e produzir\u00e1 previs\u00f5es com menor confiabilidade.<\/p>

O data drift pode ser detectado comparando continuamente a distribui\u00e7\u00e3o estat\u00edstica dos dados de produ\u00e7\u00e3o com os dados de treinamento. Ferramentas como o \u00cdndice de Estabilidade Populacional (PSI) e a dist\u00e2ncia de Wasserstein s\u00e3o amplamente usadas para quantificar esse distanciamento. Uma pesquisa emp\u00edrica publicada no MDPI demonstrou que o PSI \u00e9 particularmente eficaz: valores abaixo de 0,1 indicam estabilidade alta, e desvios moderados requerem aten\u00e7\u00e3o imediata.<\/p>

A pandemia de COVID-19 em 2020 \u00e9 o exemplo mais dram\u00e1tico de data drift na hist\u00f3ria recente. Modelos de previs\u00e3o financeira, de comportamento do consumidor, de tr\u00e1fego urbano \u2014 virtualmente todos os modelos treinados antes de mar\u00e7o de 2020 experimentaram algum grau de data drift quando a pandemia transformou padr\u00f5es que pareciam imut\u00e1veis da noite para o dia.<\/p>

\u00a0<\/h3>

Concept drift: A realidade mudou de sentido<\/h3>

O concept drift \u00e9 mais profundo e mais perigoso do que o data drift. Ele ocorre quando n\u00e3o apenas os dados mudam, mas a pr\u00f3pria rela\u00e7\u00e3o entre as vari\u00e1veis de entrada e o que o modelo tenta prever se transforma. O “conceito” que o modelo aprendeu deixa de ser verdadeiro.<\/p>

O exemplo acad\u00eamico favorito \u00e9 a detec\u00e7\u00e3o de spam. Um modelo treinado com dados de spam de 2010 aprendeu determinados padr\u00f5es de linguagem, dom\u00ednios remetentes e estruturas de email associados a comportamentos fraudulentos. Ao longo dos anos, os criadores de spam adaptaram suas t\u00e9cnicas, criando mensagens cada vez mais sofisticadas que contornam os padr\u00f5es antigos. O “conceito” de spam mudou. O modelo que n\u00e3o for atualizado continuar\u00e1 identificando o spam de 2010, mas ficar\u00e1 cego ao spam de 2025.<\/p>

Um survey publicado em 2024 nos Frontiers in Artificial Intelligence<\/em> categoriza o concept drift em duas velocidades principais: o drift abrupto, onde a mudan\u00e7a \u00e9 s\u00fabita e radical \u2014 como um evento geopol\u00edtico ou uma crise econ\u00f4mica \u2014, e o drift gradual, onde a rela\u00e7\u00e3o entre vari\u00e1veis se transforma lentamente ao longo de meses ou anos. O drift gradual \u00e9 particularmente insidioso porque \u00e9 dif\u00edcil de detectar sem sistemas de monitoramento longitudinais.<\/p>

A pesquisa de Hinder et al. (2023), citada nesse mesmo survey, demonstrou uma descoberta importante e perturbadora: para muitos modelos importantes, \u00e9 poss\u00edvel construir cen\u00e1rios onde o drift n\u00e3o \u00e9 corretamente detectado porque ele \u00e9 irrelevante para a fronteira de decis\u00e3o aprendida pelo modelo. Em outras palavras, os pr\u00f3prios detectores de drift t\u00eam limita\u00e7\u00f5es que precisam ser compreendidas.<\/p>

\u00a0<\/h3>

Prediction Drift: O Sintoma que aparece antes do diagn\u00f3stico<\/h3>

O prediction drift \u2014 tamb\u00e9m chamado de drift de label \u2014 monitora n\u00e3o os dados de entrada, mas a distribui\u00e7\u00e3o das previs\u00f5es do pr\u00f3prio modelo. Se um modelo que costumava prever “aprovado” em 70% dos casos de concess\u00e3o de cr\u00e9dito come\u00e7a a prever “aprovado” em apenas 40%, algo mudou. Pode ser data drift, pode ser concept drift, pode ser um bug no pipeline \u2014 mas a distribui\u00e7\u00e3o das previs\u00f5es serve como um alarme precoce que indica a necessidade de investiga\u00e7\u00e3o.<\/p>

O prediction drift \u00e9 frequentemente o primeiro sinal observ\u00e1vel de problemas mais profundos. Por isso, monitor\u00e1-lo em paralelo com os dados de entrada cria uma camada adicional de prote\u00e7\u00e3o.<\/p><\/section>

\u00a0<\/h2>

Desempenho do modelo: O que os n\u00fameros realmente dizem<\/h2>

Quando os dados de ground truth est\u00e3o dispon\u00edveis \u2014 ou seja, quando \u00e9 poss\u00edvel comparar as previs\u00f5es do modelo com o que realmente aconteceu \u2014, as m\u00e9tricas de desempenho estat\u00edstico entram em cena. Essas s\u00e3o as m\u00e9tricas que a maioria das equipes de ci\u00eancia de dados conhece bem, mas que frequentemente s\u00e3o mal interpretadas no contexto de produ\u00e7\u00e3o.<\/p>

\u00a0<\/h3>

A ilus\u00e3o da acur\u00e1cia<\/h3>

A acur\u00e1cia \u2014 propor\u00e7\u00e3o de previs\u00f5es corretas sobre o total de previs\u00f5es \u2014 \u00e9 a m\u00e9trica mais citada e, em muitos contextos, a mais enganosa. Um modelo de detec\u00e7\u00e3o de fraude que classifica todas as transa\u00e7\u00f5es como “n\u00e3o fraude” ter\u00e1 acur\u00e1cia de 99,9% se apenas 0,1% das transa\u00e7\u00f5es s\u00e3o fraudulentas. \u00c9 um modelo in\u00fatil com uma estat\u00edstica impressionante.<\/p>

Em datasets com classes desbalanceadas \u2014 que s\u00e3o a regra, n\u00e3o a exce\u00e7\u00e3o, em aplica\u00e7\u00f5es do mundo real \u2014, a acur\u00e1cia como m\u00e9trica isolada \u00e9 quase sempre enganosa. \u00c9 necess\u00e1rio olhar para m\u00e9tricas que capturam o comportamento do modelo em diferentes classes e diferentes tipos de erro.<\/p>

\u00a0<\/h3>

Precis\u00e3o, recall e o trade-off fundamental<\/h3>

Precis\u00e3o responde \u00e0 pergunta: de tudo que o modelo previu como positivo, qual fra\u00e7\u00e3o realmente era positiva? Recall responde \u00e0 pergunta inversa: de tudo que era de fato positivo, qual fra\u00e7\u00e3o o modelo conseguiu identificar?<\/p>

A tens\u00e3o entre precis\u00e3o e recall reflete um dilema fundamental que existe em toda aplica\u00e7\u00e3o de ML. Um sistema de triagem de c\u00e2ncer deve maximizar o recall \u2014 \u00e9 prefer\u00edvel gerar falsos alarmes (que ser\u00e3o filtrados por exames posteriores) a deixar um caso real passar desapercebido. Um sistema de modera\u00e7\u00e3o de conte\u00fado pode precisar balancear os dois: recall muito baixo deixa conte\u00fado nocivo no ar, mas precis\u00e3o muito baixa bloqueia conte\u00fado leg\u00edtimo e cria fric\u00e7\u00e3o para usu\u00e1rios inocentes.<\/p>

O F1-Score, que combina precis\u00e3o e recall em uma \u00fanica m\u00e9trica, \u00e9 frequentemente usado como um resumo conveniente \u2014 mas esconde o trade-off subjacente. Em produ\u00e7\u00e3o, \u00e9 mais informativo monitorar precis\u00e3o e recall separadamente e entender como eles se movem em rela\u00e7\u00e3o um ao outro ao longo do tempo.<\/p>

\u00a0<\/h3>

M\u00e9tricas para modelos de regress\u00e3o<\/h3>

Para modelos que produzem valores cont\u00ednuos \u2014 previs\u00f5es de pre\u00e7o, estimativas de tempo, proje\u00e7\u00f5es de demanda \u2014, as m\u00e9tricas de erro absoluto e erro quadr\u00e1tico descrevem o tamanho t\u00edpico dos erros cometidos pelo modelo. A escolha entre diferentes formula\u00e7\u00f5es depende do dom\u00ednio: em aplica\u00e7\u00f5es onde erros grandes s\u00e3o catastroficamente piores do que erros pequenos, m\u00e9tricas que penalizam mais os erros grandes s\u00e3o mais apropriadas. Em aplica\u00e7\u00f5es onde a robustez a outliers \u00e9 mais importante, m\u00e9tricas baseadas em erro absoluto s\u00e3o prefer\u00edveis.<\/p>

O que importa, em qualquer caso, n\u00e3o \u00e9 o valor absoluto dessas m\u00e9tricas em um \u00fanico momento, mas sua trajet\u00f3ria ao longo do tempo. Um modelo cujo erro m\u00e9dio est\u00e1 aumentando progressivamente, semana a semana, est\u00e1 sinalizando deteriora\u00e7\u00e3o \u2014 mesmo que cada aumento individual pare\u00e7a trivial.<\/p>

\u00a0<\/h3>

O bias de predi\u00e7\u00e3o<\/h3>

O paper seminal de Sculley et al. (2015) introduziu um diagn\u00f3stico elegante chamado prediction bias. Em um sistema funcionando corretamente, a distribui\u00e7\u00e3o das previs\u00f5es deveria ser similar \u00e0 distribui\u00e7\u00e3o dos resultados observados. Se o modelo est\u00e1 prevendo valores sistematicamente acima ou abaixo dos valores reais, h\u00e1 um vi\u00e9s de predi\u00e7\u00e3o que precisa ser investigado.<\/p>

Mudan\u00e7as no bias de predi\u00e7\u00e3o s\u00e3o frequentemente um dos primeiros indicadores de concept drift \u2014 o mundo mudou de forma que as previs\u00f5es do modelo perderam sua calibra\u00e7\u00e3o em rela\u00e7\u00e3o \u00e0 realidade.<\/p><\/section>

\u00a0<\/h2>

M\u00e9tricas de neg\u00f3cio: O \u00fanico term\u00f4metro que importa de verdade<\/h2>

Aqui est\u00e1 uma verdade que toda equipe t\u00e9cnica precisa internalizar: modelos de machine learning n\u00e3o existem para maximizar m\u00e9tricas estat\u00edsticas. Eles existem para criar valor de neg\u00f3cio. E essas duas coisas nem sempre andam juntas.<\/p>

Um modelo de recomenda\u00e7\u00f5es pode ter acur\u00e1cia excelente e ainda assim estar prejudicando as vendas porque recomenda produtos com alta margem mas baixa relev\u00e2ncia para o usu\u00e1rio. Um modelo de churn prediction pode ter recall impressionante e ainda assim n\u00e3o gerar nenhum valor se as campanhas de reten\u00e7\u00e3o disparadas por suas previs\u00f5es s\u00e3o mal desenhadas. A ponte entre o mundo das m\u00e9tricas t\u00e9cnicas e o mundo dos resultados de neg\u00f3cio \u00e9 um dos pontos cegos mais frequentes em equipes de ML.<\/p>

\u00a0<\/h3>

Conectando previs\u00f5es a resultados<\/h3>

Monitorar m\u00e9tricas de neg\u00f3cio em conjunto com m\u00e9tricas t\u00e9cnicas exige definir, desde o in\u00edcio, qual \u00e9 o mecanismo causal entre a previs\u00e3o do modelo e o resultado que a empresa quer influenciar. Um modelo de detec\u00e7\u00e3o de fraude bem-sucedido deve produzir redu\u00e7\u00e3o nas perdas por fraude \u2014 e essa rela\u00e7\u00e3o precisa ser medida continuamente.<\/p>

A empresa de ride-sharing que usou monitoramento de drift em seu modelo de previs\u00e3o de tempo de viagem descobriu, durante um per\u00edodo de chuva intensa, que os padr\u00f5es de tr\u00e1fego desviaram significativamente do comportamento de treinamento. O sistema de monitoramento detectou a mudan\u00e7a e disparou um retreinamento autom\u00e1tico, prevenindo o que poderia ter sido uma degrada\u00e7\u00e3o na qualidade das estimativas de tempo de chegada \u2014 uma das m\u00e9tricas de experi\u00eancia do usu\u00e1rio mais diretamente ligadas \u00e0 satisfa\u00e7\u00e3o e \u00e0 reten\u00e7\u00e3o de clientes.<\/p>

\u00a0<\/h3>

O custo assim\u00e9trico dos erros<\/h3>

Uma das contribui\u00e7\u00f5es mais importantes do monitoramento orientado a neg\u00f3cio \u00e9 revelar que erros diferentes t\u00eam custos diferentes. Em um modelo de concess\u00e3o de cr\u00e9dito, um falso positivo \u2014 aprovar um cliente que vai inadimplir \u2014 tem um custo financeiro direto e mensur\u00e1vel. Um falso negativo \u2014 recusar um cliente s\u00f3lido \u2014 tem um custo de oportunidade que pode ser igualmente significativo. As m\u00e9tricas estat\u00edsticas tradicionais tratam os dois erros simetricamente; o neg\u00f3cio raramente pode se dar ao luxo de fazer o mesmo.<\/p>

Monitorar os custos assim\u00e9tricos dos erros em produ\u00e7\u00e3o \u2014 e ajustar os thresholds de decis\u00e3o do modelo em fun\u00e7\u00e3o desses custos \u2014 \u00e9 uma pr\u00e1tica madura que distingue equipes avan\u00e7adas de MLOps.<\/p><\/section>

\u00a0<\/h2>

Vi\u00e9s e equidade: O monitoramento que ningu\u00e9m quer fazer<\/h2>

Se existe uma camada de monitoramento que \u00e9 consistentemente subestimada, adiada e negligenciada, \u00e9 esta. Monitorar vi\u00e9s e equidade \u00e9 desconfort\u00e1vel por raz\u00f5es que v\u00e3o al\u00e9m do t\u00e9cnico: ele exige confrontar possibilidades de que o sistema que a equipe construiu com tanto esmero est\u00e1 tratando grupos de pessoas de forma desigual.<\/p>

O paper de Sculley et al. j\u00e1 apontava para o problema dos hidden feedback loops \u2014 situa\u00e7\u00f5es onde as previs\u00f5es de um modelo influenciam o comportamento que ele tenta prever, criando ciclos de refor\u00e7o de vi\u00e9s. Um modelo de contrata\u00e7\u00e3o que aprende padr\u00f5es hist\u00f3ricos onde determinados grupos s\u00e3o sub-representados pode perpetuar e amplificar essa sub-representa\u00e7\u00e3o ao longo do tempo.<\/p>

A literatura de fairness em ML documenta in\u00fameros casos reais onde sistemas implantados em decis\u00f5es de alto impacto \u2014 concess\u00e3o de cr\u00e9dito, triagem de candidatos a emprego, diagn\u00f3stico m\u00e9dico, precifica\u00e7\u00e3o de seguros \u2014 introduziram ou amplificaram desigualdades. O monitoramento de vi\u00e9s em produ\u00e7\u00e3o \u00e9 a \u00faltima linha de defesa contra esses problemas.<\/p>

\u00a0<\/h3>

Monitoramento por segmentos de usu\u00e1rio<\/h3>

A abordagem pr\u00e1tica para monitorar equidade envolve segmentar as m\u00e9tricas de desempenho por grupos relevantes \u2014 geogr\u00e1ficos, demogr\u00e1ficos, comportamentais \u2014 e verificar se o modelo est\u00e1 se comportando de forma consistente entre eles. Um modelo de previs\u00e3o de risco de sa\u00fade que funciona bem para pacientes de renda alta mas mal para pacientes de baixa renda n\u00e3o \u00e9 apenas tecnicamente inferior: \u00e9 eticamente problem\u00e1tico e potencialmente ilegal em muitas jurisdi\u00e7\u00f5es.<\/p>

Como aponta um estudo recente sobre observabilidade de sistemas de ML, uma plataforma de pre\u00e7os pode estar sistematicamente atribuindo valores mais altos a determinadas regi\u00f5es em fun\u00e7\u00e3o de padr\u00f5es de transa\u00e7\u00e3o que evolu\u00edram \u2014 n\u00e3o por decis\u00e3o consciente, mas por feedback loops invis\u00edveis nos dados de treinamento. Apenas o monitoramento cont\u00ednuo por coorte revela esse tipo de vi\u00e9s emergente.<\/p>

\u00a0<\/h3>

A regula\u00e7\u00e3o chegando<\/h3>

O monitoramento de vi\u00e9s deixou de ser apenas uma quest\u00e3o \u00e9tica para se tornar crescentemente uma quest\u00e3o de conformidade regulat\u00f3ria. O AI Act europeu, em vigor desde 2024, exige que sistemas de IA de alto risco incluam mecanismos de monitoramento cont\u00ednuo, incluindo verifica\u00e7\u00f5es de desempenho em diferentes grupos de usu\u00e1rios. Ignorar o monitoramento de equidade \u00e9, cada vez mais, um risco jur\u00eddico al\u00e9m de um risco \u00e9tico.<\/p><\/section>

\u00a0<\/h2>

O problema do ground truth tardio<\/h2>

Uma das caracter\u00edsticas mais peculiares do monitoramento de ML em produ\u00e7\u00e3o \u2014 e uma que frequentemente surpreende equipes que v\u00eam de contextos de engenharia de software \u2014 \u00e9 o problema do ground truth tardio.<\/p>

Em engenharia de software, quando um bug \u00e9 introduzido, ele geralmente se manifesta de forma relativamente r\u00e1pida: o sistema crasha, retorna um erro, produz output obviamente errado. O feedback \u00e9 imediato. Em machine learning, por\u00e9m, as previs\u00f5es do modelo s\u00e3o hip\u00f3teses sobre o futuro, e verificar se essas hip\u00f3teses estavam corretas exige esperar que o futuro aconte\u00e7a.<\/p>

Um modelo de detec\u00e7\u00e3o de fraude recebe uma transa\u00e7\u00e3o e prev\u00ea “n\u00e3o fraude”. Saber se essa previs\u00e3o estava correta pode levar dias, semanas ou meses \u2014 dependendo de quando o estorno \u00e9 solicitado, quando a investiga\u00e7\u00e3o \u00e9 conclu\u00edda, quando o r\u00f3tulo final \u00e9 registrado no sistema. Um modelo de churn prediction que prev\u00ea “este cliente vai cancelar no pr\u00f3ximo trimestre” s\u00f3 pode ser avaliado no trimestre seguinte.<\/p>

Esse atraso entre previs\u00e3o e verifica\u00e7\u00e3o tem implica\u00e7\u00f5es pr\u00e1ticas profundas. Significa que as m\u00e9tricas de desempenho estat\u00edstico cl\u00e1ssicas \u2014 que dependem do ground truth \u2014 ficam dispon\u00edveis com atraso. O monitoramento em tempo real precisa recorrer a proxies: m\u00e9tricas correlacionadas com a qualidade das previs\u00f5es que est\u00e3o dispon\u00edveis mais rapidamente.<\/p>

\u00a0<\/h3>

Estrat\u00e9gias para lidar com ground truth tardio<\/h3>

A literatura de MLOps consolidou algumas estrat\u00e9gias para enfrentar esse desafio. A primeira \u00e9 o monitoramento de confian\u00e7a do modelo: quando um modelo de classifica\u00e7\u00e3o expressa alta incerteza sobre determinada previs\u00e3o, isso pode ser um sinal de que o input est\u00e1 em uma regi\u00e3o do espa\u00e7o de features onde o modelo n\u00e3o tem boa cobertura de treinamento. A confian\u00e7a das previs\u00f5es serve como proxy imediato para a qualidade esperada.<\/p>

A segunda estrat\u00e9gia \u00e9 a amostragem para revis\u00e3o humana \u2014 selecionar um subconjunto das previs\u00f5es para verifica\u00e7\u00e3o manual acelerada, gerando ground truth parcial mais rapidamente do que o processo natural de feedback. Isso \u00e9 especialmente valioso em aplica\u00e7\u00f5es de alto risco onde esperar semanas pelo ground truth completo \u00e9 inaceit\u00e1vel.<\/p>

A terceira \u00e9 o backtesting cont\u00ednuo: quando o ground truth finalmente chega, analisar n\u00e3o apenas se a previs\u00e3o estava certa, mas reconstruir as condi\u00e7\u00f5es do momento da previs\u00e3o para entender o que o modelo “via” naquele instante. Isso permite an\u00e1lises retrospectivas que informam melhorias futuras no sistema de monitoramento.<\/p><\/section>

\u00a0<\/h2>

A arte de configurar alertas sem enlouquecer<\/h2>

Existe um fen\u00f4meno patol\u00f3gico em organiza\u00e7\u00f5es com sistemas de monitoramento imaturos: o alerta fatigue. A equipe configura tantos alertas, com thresholds t\u00e3o sens\u00edveis, que o dashboard se torna um painel de Natal piscando em vermelho permanentemente. Os engenheiros come\u00e7am a ignorar os alertas, porque a propor\u00e7\u00e3o de falsos positivos \u00e9 alta demais. E ent\u00e3o, quando um problema real ocorre, ele se perde no ru\u00eddo.<\/p>

A configura\u00e7\u00e3o de alertas eficazes \u00e9, em grande medida, uma arte que combina rigor estat\u00edstico com bom julgamento de dom\u00ednio. Alguns princ\u00edpios consolidados pela pr\u00e1tica podem orientar esse trabalho.<\/p>

\u00a0<\/h3>

Baselines hist\u00f3ricas em vez de limites absolutos<\/h3>

Em vez de configurar alertas com valores fixos absolutos \u2014 “alerta se a acur\u00e1cia cair abaixo de 85%” \u2014, a abordagem mais robusta \u00e9 definir alertas relativos \u00e0 linha de base hist\u00f3rica do modelo. “Alerta se a acur\u00e1cia cair mais de dois desvios-padr\u00e3o abaixo da m\u00e9dia das \u00faltimas quatro semanas” \u00e9 muito mais informativo, porque considera a variabilidade natural do sistema.<\/p>

\u00a0<\/h3>

Hierarquia de severidade<\/h3>

N\u00e3o todos os alertas merecem o mesmo n\u00edvel de urg\u00eancia. Um sistema maduro de monitoramento distingue entre alertas informativos \u2014 que pedem aten\u00e7\u00e3o em algum momento do pr\u00f3ximo ciclo de trabalho \u2014, alertas de alerta \u2014 que requerem investiga\u00e7\u00e3o no mesmo dia \u2014 e alertas cr\u00edticos \u2014 que exigem resposta imediata, independentemente de hor\u00e1rio. Misturar esses n\u00edveis \u00e9 uma receita para paralisia.<\/p>

\u00a0<\/h3>

Alertas com contexto, n\u00e3o apenas n\u00fameros<\/h3>

O melhor alerta \u00e9 aquele que n\u00e3o apenas informa que algo saiu dos limites, mas fornece contexto suficiente para que a pessoa que o recebe possa come\u00e7ar a investigar sem perder tempo. “Data drift detectado na feature ‘renda_mensal’: distribui\u00e7\u00e3o atual desviou 3,2 desvios-padr\u00e3o da distribui\u00e7\u00e3o de treinamento, comparado ao baseline da semana passada” \u00e9 infinitamente mais \u00fatil do que “alerta de drift”.<\/p><\/section>

\u00a0<\/h2>

Mais do que dashboards: A cultura por tr\u00e1s do monitoramento<\/h2>

Uma das observa\u00e7\u00f5es mais perspicazes do paper de Sculley et al. n\u00e3o \u00e9 t\u00e9cnica \u2014 \u00e9 organizacional. Os autores argumentam que existe frequentemente uma linha divis\u00f3ria dura entre pesquisa de ML e engenharia, e que essa divis\u00f3ria pode ser contraproducente para a sa\u00fade de longo prazo dos sistemas. \u00c9 importante criar culturas de equipe que recompensem a redu\u00e7\u00e3o de complexidade, melhorias em reprodutibilidade, estabilidade e monitoramento na mesma medida que recompensam melhorias em acur\u00e1cia.<\/p>

Essa observa\u00e7\u00e3o, feita em 2015, \u00e9 mais relevante hoje do que nunca. A cultura dominante em muitas equipes de ML ainda glorifica o lan\u00e7amento do modelo \u2014 o momento em que ele vai para produ\u00e7\u00e3o \u2014 e negligencia o trabalho cont\u00ednuo de mant\u00ea-lo saud\u00e1vel. O cientista de dados que desenvolve um modelo de alta acur\u00e1cia recebe reconhecimento. O engenheiro de MLOps que configura o sistema de monitoramento que detecta a degrada\u00e7\u00e3o seis meses depois raramente recebe o mesmo reconhecimento, apesar de ter salvo a organiza\u00e7\u00e3o de um problema grave.<\/p>

\u00a0<\/h3>

O loop de feedback como princ\u00edpio organizador<\/h3>

Uma revis\u00e3o multivocal de pr\u00e1ticas de MLOps publicada na ACM Computing Surveys documenta que o monitoramento \u00e9 uma das atividades de MLOps mais amplamente reconhecidas na literatura e nos casos pr\u00e1ticos, justamente porque \u00e9 ele que fecha o loop entre produ\u00e7\u00e3o e melhoria cont\u00ednua. Quando o monitoramento detecta um drift ou uma degrada\u00e7\u00e3o de performance, ele dispara o ciclo de retreinamento \u2014 que por sua vez gera um modelo melhor, que vai para produ\u00e7\u00e3o, e o ciclo recome\u00e7a.<\/p>

Organiza\u00e7\u00f5es que tratam esse loop como sagrado \u2014 e que investem em instrumenta\u00e7\u00e3o suficiente para faz\u00ea-lo funcionar com rapidez e confiabilidade \u2014 criam uma vantagem competitiva real. Seus modelos ficam melhores mais r\u00e1pido porque aprendem com o mundo real mais r\u00e1pido.<\/p>

\u00a0<\/h3>

O problema dos 85% que nunca chegam \u00e0 produ\u00e7\u00e3o<\/h3>

Dados apresentados na confer\u00eancia QCon SF 2024 destacaram uma estat\u00edstica sobria: aproximadamente 85% dos modelos de ML desenvolvidos nunca chegam \u00e0 produ\u00e7\u00e3o. E dos que chegam, muitos degradam em sil\u00eancio porque as organiza\u00e7\u00f5es n\u00e3o investiram na infraestrutura necess\u00e1ria para mant\u00ea-los. O monitoramento n\u00e3o \u00e9 o \u00fanico fator que explica essa taxa de mortalidade \u2014 mas \u00e9 um dos mais importantes.<\/p>

Um modelo sem monitoramento \u00e9 uma obriga\u00e7\u00e3o. Voc\u00ea simplesmente n\u00e3o sabe se ele est\u00e1 ajudando ou prejudicando seu neg\u00f3cio at\u00e9 que voc\u00ea o me\u00e7a continuamente. Essa frase, atribu\u00edda a pr\u00e1ticos de MLOps, captura em poucas palavras por que o monitoramento n\u00e3o \u00e9 opcional \u2014 \u00e9 o que separa um experimento de um produto.<\/p><\/section>

\u00a0<\/h2>

Monitorar \u00e9 um ato de responsabilidade<\/h2>

Ao longo deste artigo, percorremos as seis camadas fundamentais do monitoramento de modelos em produ\u00e7\u00e3o \u2014 da sa\u00fade operacional \u00e0 equidade algor\u00edtmica \u2014 e exploramos as m\u00e9tricas que realmente importam em cada uma delas. Mas a mensagem mais profunda n\u00e3o \u00e9 t\u00e9cnica. \u00c9 filos\u00f3fica.<\/p>

Implantar um modelo de machine learning em um sistema que toma decis\u00f5es que afetam pessoas \u2014 sejam decis\u00f5es de cr\u00e9dito, de sa\u00fade, de contrata\u00e7\u00e3o, de recomenda\u00e7\u00e3o de conte\u00fado \u2014 \u00e9 um ato que vem com responsabilidades. O modelo n\u00e3o \u00e9 uma solu\u00e7\u00e3o est\u00e1tica que pode ser instalada e esquecida. \u00c9 um sistema vivo, inserido em um mundo que muda, alimentado por dados que evoluem, operando em um contexto que se transforma.<\/p>

Monitorar adequadamente esse sistema \u00e9 honrar a responsabilidade que vem com implant\u00e1-lo. \u00c9 a pr\u00e1tica de verificar continuamente se o que foi prometido \u2014 decis\u00f5es melhores, mais r\u00e1pidas, mais consistentes \u2014 ainda est\u00e1 sendo entregue. \u00c9 a garantia de que quando o mundo muda, o sistema detecta essa mudan\u00e7a e se adapta, em vez de continuar produzindo previs\u00f5es baseadas em uma realidade que n\u00e3o existe mais.<\/p>

Os pesquisadores que documentaram a deteriora\u00e7\u00e3o de 91% dos modelos ao longo do tempo n\u00e3o est\u00e3o descrevendo uma falha da tecnologia \u2014 est\u00e3o descrevendo o que acontece quando a tecnologia \u00e9 tratada como um produto acabado em vez de um processo cont\u00ednuo. O drift n\u00e3o \u00e9 um bug. \u00c9 uma lei da natureza. O que \u00e9 opcional \u00e9 decidir se vamos ignor\u00e1-lo ou monitor\u00e1-lo.<\/p>

A diferen\u00e7a entre essas duas escolhas \u00e9 a diferen\u00e7a entre um sistema de ML que envelhece graciosamente \u2014 aprendendo, se atualizando, melhorando \u2014 e um que envelhece em sil\u00eancio, degradando aos poucos, at\u00e9 o dia em que o cliente fiel finalmente diz: o croissant que eu amava mudou completamente.<\/p>

Vigiar os modelos \u00e9, em \u00faltima inst\u00e2ncia, vigiar as promessas que fazemos \u00e0s pessoas que dependem deles.<\/p><\/section>

\u00a0<\/h2>

Fontes<\/h2>
  1. Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Hidden Technical Debt in Machine Learning Systems<\/em>. Advances in Neural Information Processing Systems (NIPS), 28, 2503\u20132511.

    https:\/\/papers.nips.cc\/paper\/5656-hidden-technical-debt-in-machine-learning-systems<\/a><\/p><\/li>

  2. Hinder, F., Vaquet, V., & Hammer, B. (2024). One or two things we know about concept drift \u2014 a survey on monitoring in evolving environments. Part A: detecting concept drift<\/em>. Frontiers in Artificial Intelligence, 7, 1330257.

    https:\/\/www.frontiersin.org\/journals\/artificial-intelligence\/articles\/10.3389\/frai.2024.1330257\/full<\/a><\/p><\/li>

  3. Gallego-Fontenla, V., et al. (2024). Evolving Strategies in Machine Learning: A Systematic Review of Concept Drift Detection<\/em>. Information, 15(12), 786.

    https:\/\/www.mdpi.com\/2078-2489\/15\/12\/786<\/a><\/p><\/li>

  4. Fuccellaro, M. (2024). Concept Drift: detection, update and correction<\/em>. Th\u00e8se de doctorat, Universit\u00e9 de Bordeaux.

    https:\/\/theses.hal.science\/tel-04954208v1\/file\/FUCCELLARO_MAXIME_2024.pdf<\/a><\/p><\/li>

  5. Bhargava, S., & Singhal, S. (2024). Challenges, Solutions, and Best Practices in Post Deployment Monitoring of Machine Learning Models<\/em>. International Journal of Computer Trends and Technology (IJCTT), 72(11), 63\u201371.

    https:\/\/ijcttjournal.org\/archives\/ijctt-v72i11p107<\/a><\/p><\/li>

  6. Kleynen, M., et al. (2025). An empirical guide to MLOps adoption: Framework, maturity model and taxonomy<\/em>. Science of Computer Programming (ScienceDirect).

    https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0950584925000643<\/a><\/p><\/li>

  7. ACM Computing Surveys. (2025). A Multivocal Review of MLOps Practices, Challenges and Open Issues<\/em>.

    https:\/\/dl.acm.org\/doi\/10.1145\/3747346<\/a><\/p><\/li>

  8. Iancu, B., et al. (2025). Model Drift in Deployed Machine Learning Models for Predicting Learning Success<\/em>. Computers, 14(9), 351. MDPI.

    https:\/\/www.mdpi.com\/2073-431X\/14\/9\/351<\/a><\/p><\/li>

  9. Gupta, A., et al. (2025). Self-Healing ML Pipelines: Automating Drift Detection and Remediation in Production Systems<\/em>. Preprints.org.

    https:\/\/www.preprints.org\/manuscript\/202510.2522<\/a><\/p><\/li>

  10. Fiddler AI. (2023). 91% of ML Models Degrade Over Time<\/em>. Fiddler AI Blog.

    https:\/\/www.fiddler.ai\/blog\/91-percent-of-ml-models-degrade-over-time<\/a><\/p><\/li>

  11. Evidently AI. (2024). Model monitoring for ML in production: a comprehensive guide<\/em>.

    https:\/\/www.evidentlyai.com\/ml-in-production\/model-monitoring<\/a><\/p><\/li>

  12. Evidently AI. (2024). Monitoring ML systems in production. Which metrics should you track?<\/em>

    https:\/\/www.evidentlyai.com\/blog\/ml-monitoring-metrics<\/a><\/p><\/li>

  13. Datadog. (2024). Machine learning model monitoring: Best practices<\/em>.

    https:\/\/www.datadoghq.com\/blog\/ml-model-monitoring-in-production-best-practices\/<\/a><\/p><\/li>

  14. IJCRT. (2025). Monitoring Machine Learning In Production: Model Drift, alerting mechanisms, and governance practices<\/em>.

    https:\/\/ijcrt.org\/papers\/IJCRT2507894.pdf<\/a><\/p><\/li>

  15. Acceldata. (2025). Scaling AI with Confidence: The Importance of ML Monitoring<\/em>.

    https:\/\/www.acceldata.io\/blog\/ml-monitoring-challenges-and-best-practices-for-production-environments<\/a><\/p><\/li>

  16. Clarifai. (2026). MLOps Best Practices: Building Robust ML Pipelines for Real-World AI<\/em>.

    https:\/\/www.clarifai.com\/blog\/mlops-best-practices<\/a><\/p><\/li><\/ol><\/section>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

    O modelo que ningu\u00e9m vigiava Imagine que voc\u00ea \u00e9 o gerente de uma padaria e decide contratar um padeiro extraordin\u00e1rio. Ele passa semanas aprendendo as prefer\u00eancias dos seus clientes, as receitas da casa, os hor\u00e1rios de pico. No primeiro m\u00eas, as vendas disparam. Os clientes elogiam. O neg\u00f3cio prospera. Satisfeito, voc\u00ea deixa o padeiro trabalhar […]<\/p>\n","protected":false},"author":2,"featured_media":4663,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[22],"tags":[],"class_list":["post-4655","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inteligencia-artificial"],"yoast_head":"\nIA e o monitoramento de modelos em produ\u00e7\u00e3o - Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\" \/>\n<meta property=\"og:locale\" content=\"pt_BR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"IA e o monitoramento de modelos em produ\u00e7\u00e3o - Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial\" \/>\n<meta property=\"og:description\" content=\"O modelo que ningu\u00e9m vigiava Imagine que voc\u00ea \u00e9 o gerente de uma padaria e decide contratar um padeiro extraordin\u00e1rio. Ele passa semanas aprendendo as prefer\u00eancias dos seus clientes, as receitas da casa, os hor\u00e1rios de pico. No primeiro m\u00eas, as vendas disparam. Os clientes elogiam. O neg\u00f3cio prospera. Satisfeito, voc\u00ea deixa o padeiro trabalhar […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\" \/>\n<meta property=\"og:site_name\" content=\"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial\" \/>\n<meta property=\"article:published_time\" content=\"2026-03-30T08:00:00+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"1072\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Jaqueline\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Jaqueline\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. tempo de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"32 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\"},\"author\":{\"name\":\"Jaqueline\",\"@id\":\"https:\/\/volcano.com.br\/#\/schema\/person\/9ed8c90b03df21bdca1477c447418a68\"},\"headline\":\"IA e o monitoramento de modelos em produ\u00e7\u00e3o\",\"datePublished\":\"2026-03-30T08:00:00+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\"},\"wordCount\":6264,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/volcano.com.br\/#organization\"},\"image\":{\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg\",\"articleSection\":[\"Intelig\u00eancia artificial\"],\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\",\"url\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\",\"name\":\"IA e o monitoramento de modelos em produ\u00e7\u00e3o - Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial\",\"isPartOf\":{\"@id\":\"https:\/\/volcano.com.br\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg\",\"datePublished\":\"2026-03-30T08:00:00+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#breadcrumb\"},\"inLanguage\":\"pt-BR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage\",\"url\":\"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg\",\"contentUrl\":\"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg\",\"width\":1920,\"height\":1072},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/volcano.com.br\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"IA e o monitoramento de modelos em produ\u00e7\u00e3o\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/volcano.com.br\/#website\",\"url\":\"https:\/\/volcano.com.br\/\",\"name\":\"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial\",\"description\":\"Descubra como nossa consultoria em intelig\u00eancia artificial pode transformar sua empresa. Aumente a efici\u00eancia, otimize processos e impulsione seus resultados.\",\"publisher\":{\"@id\":\"https:\/\/volcano.com.br\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/volcano.com.br\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-BR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/volcano.com.br\/#organization\",\"name\":\"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial\",\"url\":\"https:\/\/volcano.com.br\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/volcano.com.br\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/volcano.com.br\/wp-content\/uploads\/2025\/04\/volcano-servicos-ia.png\",\"contentUrl\":\"https:\/\/volcano.com.br\/wp-content\/uploads\/2025\/04\/volcano-servicos-ia.png\",\"width\":524,\"height\":70,\"caption\":\"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial\"},\"image\":{\"@id\":\"https:\/\/volcano.com.br\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/volcano-inc.\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/volcano.com.br\/#\/schema\/person\/9ed8c90b03df21bdca1477c447418a68\",\"name\":\"Jaqueline\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-BR\",\"@id\":\"https:\/\/volcano.com.br\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/1c6f35bfcd2360add4446dc1d7df2de6072046df22a55f1dbcc62a7cd4de0170?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/1c6f35bfcd2360add4446dc1d7df2de6072046df22a55f1dbcc62a7cd4de0170?s=96&d=mm&r=g\",\"caption\":\"Jaqueline\"},\"url\":\"https:\/\/volcano.com.br\/index.php\/author\/jaqueline\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"IA e o monitoramento de modelos em produ\u00e7\u00e3o - Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/","og_locale":"pt_BR","og_type":"article","og_title":"IA e o monitoramento de modelos em produ\u00e7\u00e3o - Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial","og_description":"O modelo que ningu\u00e9m vigiava Imagine que voc\u00ea \u00e9 o gerente de uma padaria e decide contratar um padeiro extraordin\u00e1rio. Ele passa semanas aprendendo as prefer\u00eancias dos seus clientes, as receitas da casa, os hor\u00e1rios de pico. No primeiro m\u00eas, as vendas disparam. Os clientes elogiam. O neg\u00f3cio prospera. Satisfeito, voc\u00ea deixa o padeiro trabalhar […]","og_url":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/","og_site_name":"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial","article_published_time":"2026-03-30T08:00:00+00:00","og_image":[{"width":1920,"height":1072,"url":"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg","type":"image\/jpeg"}],"author":"Jaqueline","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Jaqueline","Est. tempo de leitura":"32 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#article","isPartOf":{"@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/"},"author":{"name":"Jaqueline","@id":"https:\/\/volcano.com.br\/#\/schema\/person\/9ed8c90b03df21bdca1477c447418a68"},"headline":"IA e o monitoramento de modelos em produ\u00e7\u00e3o","datePublished":"2026-03-30T08:00:00+00:00","mainEntityOfPage":{"@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/"},"wordCount":6264,"commentCount":0,"publisher":{"@id":"https:\/\/volcano.com.br\/#organization"},"image":{"@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage"},"thumbnailUrl":"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg","articleSection":["Intelig\u00eancia artificial"],"inLanguage":"pt-BR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/","url":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/","name":"IA e o monitoramento de modelos em produ\u00e7\u00e3o - Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial","isPartOf":{"@id":"https:\/\/volcano.com.br\/#website"},"primaryImageOfPage":{"@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage"},"image":{"@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage"},"thumbnailUrl":"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg","datePublished":"2026-03-30T08:00:00+00:00","breadcrumb":{"@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#breadcrumb"},"inLanguage":"pt-BR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/"]}]},{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#primaryimage","url":"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg","contentUrl":"https:\/\/volcano.com.br\/wp-content\/uploads\/2026\/03\/IA-e-o-monitoramento-de-modelos-em-producao.jpg","width":1920,"height":1072},{"@type":"BreadcrumbList","@id":"https:\/\/volcano.com.br\/index.php\/2026\/03\/30\/ia-e-o-monitoramento-de-modelos-em-producao\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/volcano.com.br\/"},{"@type":"ListItem","position":2,"name":"IA e o monitoramento de modelos em produ\u00e7\u00e3o"}]},{"@type":"WebSite","@id":"https:\/\/volcano.com.br\/#website","url":"https:\/\/volcano.com.br\/","name":"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial","description":"Descubra como nossa consultoria em intelig\u00eancia artificial pode transformar sua empresa. Aumente a efici\u00eancia, otimize processos e impulsione seus resultados.","publisher":{"@id":"https:\/\/volcano.com.br\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/volcano.com.br\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-BR"},{"@type":"Organization","@id":"https:\/\/volcano.com.br\/#organization","name":"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial","url":"https:\/\/volcano.com.br\/","logo":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/volcano.com.br\/#\/schema\/logo\/image\/","url":"https:\/\/volcano.com.br\/wp-content\/uploads\/2025\/04\/volcano-servicos-ia.png","contentUrl":"https:\/\/volcano.com.br\/wp-content\/uploads\/2025\/04\/volcano-servicos-ia.png","width":524,"height":70,"caption":"Volcano: Consultoria Empresarial em Intelig\u00eancia Artificial"},"image":{"@id":"https:\/\/volcano.com.br\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/volcano-inc."]},{"@type":"Person","@id":"https:\/\/volcano.com.br\/#\/schema\/person\/9ed8c90b03df21bdca1477c447418a68","name":"Jaqueline","image":{"@type":"ImageObject","inLanguage":"pt-BR","@id":"https:\/\/volcano.com.br\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/1c6f35bfcd2360add4446dc1d7df2de6072046df22a55f1dbcc62a7cd4de0170?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/1c6f35bfcd2360add4446dc1d7df2de6072046df22a55f1dbcc62a7cd4de0170?s=96&d=mm&r=g","caption":"Jaqueline"},"url":"https:\/\/volcano.com.br\/index.php\/author\/jaqueline\/"}]}},"_links":{"self":[{"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/posts\/4655","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/comments?post=4655"}],"version-history":[{"count":7,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/posts\/4655\/revisions"}],"predecessor-version":[{"id":4662,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/posts\/4655\/revisions\/4662"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/media\/4663"}],"wp:attachment":[{"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/media?parent=4655"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/categories?post=4655"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/volcano.com.br\/index.php\/wp-json\/wp\/v2\/tags?post=4655"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}