Vanguard criou um Analista Virtual na AWS com oito princípios de dados prontos para IA

A Vanguard, uma das maiores gestoras de ativos do mundo, com carteira de mais de US$ 9 trilhões, publicou uma análise detalhada de como sua equipe construiu o Analista Virtual: uma ferramenta interna de IA baseada na AWS que responde a perguntas analíticas das equipes de negócio em linguagem natural, sem escrever código.

Primeiro os dados, depois os modelos

A principal conclusão da experiência da Vanguard: a transformação com IA não começa pela escolha de uma rede neural nem pela compra de capacidade computacional, mas por colocar os dados em ordem. Os engenheiros da empresa formularam oito princípios de dados prontos para IA, que serviram de alicerce para todo o projeto antes mesmo da primeira linha de código do modelo.

Os princípios cobrem todo o ciclo de vida, da semântica e da estrutura à segurança e ao monitoramento:

• Taxonomia única: um vocabulário comum para todas as métricas, KPIs e entidades de negócio, para que "rentabilidade" em uma área signifique o mesmo que em outra
• Data lineage: rastreabilidade de cada indicador, da fonte primária até o data mart analítico
• Atualidade: garantia de que os dados estão atualizados no momento de cada consulta
• Metadados legíveis por máquina: esquemas e descrições compreensíveis não só para pessoas, mas também para a automação
• Controle de acesso: políticas de segurança granulares no nível de linhas e colunas
• Monitoramento de qualidade: verificações automáticas da correção dos dados em tempo real
• Formatos padronizados: esquemas e convenções únicos, adotados por todas as equipes
• Documentação: reprodutibilidade de cada conjunto de dados e explicabilidade de cada cálculo

Sem esses princípios, os modelos de IA alucinam com dados incorretos ou ambíguos. A Vanguard atacou o problema de forma sistêmica, e não pontual, e isso virou a base do seu sucesso.

A AWS por baixo do capô

Na implementação técnica, a Vanguard usou um conjunto de serviços da AWS. O Amazon S3 funciona como data lake único, que consolida fontes de diferentes áreas. O AWS Glue Data Catalog cuida dos pipelines de ETL e do armazenamento centralizado de metadados: é ali que ficam as descrições, os esquemas e as definições de negócio de todos os conjuntos de dados.

O treinamento e o deploy dos modelos são feitos no Amazon SageMaker. Processos complexos de várias etapas são orquestrados pelo AWS Step Functions, e a qualidade dos dados e o desempenho dos pipelines são monitorados pelo Amazon CloudWatch, com alertas e dashboards configurados para a equipe.

Sobre essa infraestrutura roda o Analista Virtual: ele recebe perguntas em linguagem natural, traduz em consultas aos dados e devolve análises estruturadas, com gráficos e interpretações em texto. As equipes de negócio obtêm insights sem SQL, sem Python e sem fila de pedidos aos especialistas em dados.

Resultado para o negócio

"O caminho para dados prontos para IA não é um projeto pontual, mas uma cultura operacional", destacam os autores do caso no blog AWS

Machine Learning.

A Vanguard registra um efeito concreto e mensurável. O tempo de preparo de relatórios analíticos típicos caiu várias vezes. Gestores de portfólio e analistas de risco fazem perguntas diretamente ao sistema, em vez de passar tarefas aos analistas de dados e esperar horas ou dias pela resposta.

O ponto importante é que o Analista Virtual não substitui a expertise das pessoas: ele assume a parte rotineira do trabalho (agregação, filtragem e interpretação preliminar dos dados) e libera os analistas para tarefas de nível mais alto: desenvolver hipóteses e tomar decisões estratégicas.

O que isso significa

O caso da Vanguard é uma das descrições públicas mais detalhadas de como uma grande empresa financeira monta análise com IA em produção. Os oito princípios de dados prontos para IA formam um checklist prático para qualquer organização que queira efeito real de negócio com IA, e não um piloto bonito sobre dados de teste perfeitamente preparados.