Piloto baseado em regras acumula rotulagem sozinho e reduz a espera pelo modelo de um ano para zero

Coletar rótulos para um detector de anomalias como etapa separada significa esperar seis meses, às vezes um ano, até que o sistema comece a fazer alguma coisa. Alexei, líder da área de ML, descreveu no Habr uma forma de eliminar essa espera: o piloto baseado em regras entra em operação de imediato e, em paralelo, produz sozinho a rotulagem em que o modelo vai aprender depois.

A rotulagem não existe até que alguém comece a produzi-la

É possível organizar com antecedência os cadastros de referência e as fontes de dados. Esse trabalho não depende do modelo, e o autor o detalhou em outro texto. Com a rotulagem, não dá para fazer o mesmo. Ninguém nunca marcou retroativamente onde havia anomalia e onde havia normalidade. Esse histórico não existe até que alguém comece a dar vereditos sobre o fluxo real de eventos.

Daí o beco sem saída do plano clássico: primeiro reunir dados com rótulos, depois treinar, depois lançar. Se os rótulos só surgem durante a operação do sistema, o plano esbarra na própria condição.

Por que regras, e não um modelo

O exemplo é o controle de compras: busca por preços inflados, compras fora da finalidade e compras sem licitação. O autor lista o que falha em cada uma das abordagens mais óbvias:

• não há base para treinar um modelo supervisionado, pois não existem exemplos rotulados;
• a abordagem não supervisionada, aplicada a eventos raros, gera falsos positivos demais;
• um LLM sem referência de preço afirma com convicção que um preço inflado é preço de mercado.

A conclusão do anúncio é direta: primeiro uma camada de regras, e o modelo vem por cima, mais tarde. As regras entregam resultado desde o primeiro dia. Cada alerta que um especialista confirma ou rejeita vira um tijolo da futura rotulagem. Assim, o piloto gera valor em vez de apenas esperar os dados se acumularem.

A própria referência de preço de mercado ficou como questão em aberto no texto anterior do autor. Aqui, ele sustenta que dá para lançar sem esperar que essa referência exista.

Principais teses

• Prazo de uma coleta de rótulos separada: de seis meses a um ano.
• Área de aplicação: preços inflados, compras fora da finalidade, compras sem licitação.
• A técnica foi testada em diferentes tarefas; as compras foram escolhidas como ilustração.
• Arquitetura: a camada de regras vem primeiro, e o modelo de ML é construído por cima depois.
• Principal risco da abordagem com LLM: julgamentos confiantes sobre o mercado sem referência externa.

Vale registrar uma limitação. No trecho publicado, faltam detalhes da mecânica: como exatamente os vereditos voltam para o dataset, quem os emite, que volume é necessário para o treinamento e quais métricas de qualidade se obtêm. Isso consta na versão completa do artigo, e ainda é cedo para avaliar a eficácia da abordagem apenas pelo anúncio.

O que dá para levar para a prática

A lógica se aplica muito além das compras. Se você está construindo um detector de anomalias em finanças, logística, antifraude ou monitoramento industrial, vale primeiro se perguntar de onde virão os rótulos e quanto tempo será preciso esperar. Se a resposta for «nunca» ou «um ano», o projeto merece ser reformulado.

Na prática, a ordem fica assim. Comece com regras simples e verificáveis, que os especialistas entendam e estejam dispostos a confirmar. Incorpore ao processo o registro da decisão humana sobre cada alerta. Trate essas decisões como o principal produto do piloto, no mesmo nível das próprias detecções. Conecte o modelo quando houver um número suficiente de casos confirmados e rejeitados, e use o LLM onde exista uma referência externa com a qual seja possível conferir suas afirmações.

Esse caminho é menos vistoso do que «vamos treinar uma rede neural com tudo». Em compensação, o negócio tem resultado em semanas, e não em um ano, e a equipe fica com um dataset rotulado próprio, em vez de contar com o de outros.