A primeira regra do ML: comece sem Machine Learning

Você tem um problema de negócio e a primeira ideia que vem à cabeça é "vamos usar Machine Learning". A calibragem de um processo industrial, a recomendação de produtos, a detecção de anomalias em logs. ML parece a resposta universal. Mas a primeira regra do aprendizado de máquina é: comece sem Machine Learning.

O argumento não é contra a tecnologia. É contra o desperdício de complexidade. Muita gente pula direto para modelos sofisticados sem antes perguntar se o problema precisa mesmo de ML. E muitas vezes, uma heurística simples ou um sistema baseado em regras resolve mais rápido, com menos custo e mais previsibilidade.

O que diz o artigo original

Eugene Yan publicou um texto direto sobre o assunto: "The First Rule of Machine Learning: Start Without Machine Learning". A tese central é que, para a maioria dos problemas, soluções mais simples funcionam antes de você precisar de um modelo preditivo. Não é anti-ML, é pragmatismo.

O autor sugere que você comece com: 1) regras manuais ou heurísticas, 2) sistemas de busca ou filtros básicos, 3) modelos lineares simples. Só depois, se o ganho for significativo, avance para árvores, redes ou transformers.

Visão de operador: custo, latência, manutenção

Quando você opta por ML, está assumindo custos de infraestrutura, tempo de treinamento, monitoramento de drift, retreinos periódicos, e a complexidade de um pipeline de dados. Um modelo de deep learning pode exigir GPUs, engenheiros de MLOps e uma equipe para manter a qualidade dos dados.

Do outro lado, uma regra do tipo "se o campo está vazio, retorna null" ou "se a temperatura ultrapassou X, aciona alarme" custa quase zero para implementar e é trivial de entender. Quando você coloca ML onde não precisa, está trocando uma dívida técnica controlável por uma dívida técnica que cresce exponencialmente.

Em latência, sistemas baseados em regras têm resposta determinística e quase instantânea. Modelos de ML, principalmente com inferência em lote ou com modelos grandes, introduzem latência variável e dependência de serviços externos. Em produção, isso pode quebrar SLAs.

O que isso muda na prática

Se você está começando um projeto, crie uma baseline simples com regras ou heurísticas. Meça a performance. Se o baseline já cobre 80% dos casos, talvez você não precise de ML. Se precisar, você tem uma referência real para comparar.

Quem ganha com essa abordagem? Equipes com orçamento enxuto, startups que precisam de produto rápido, engenheiros que mantêm sistemas críticos. Quem perde? Vendedores de soluções de ML e empresas que ganham dinheiro com complexidade desnecessária.

Uma ação prática: no seu próximo projeto, defina um baseline de regras e só adicione ML se o ganho de acurácia for maior que 10-15% no seu caso de uso.

Tensão e reflexão

O problema é que o mercado empurra ML como default. As ferramentas estão cada vez mais fáceis de usar, e a tentação de aplicar um modelo pronto é grande. Mas será que o custo de manutenção compensa a melhoria marginal? Muitas vezes, não. ML não é um upgrade automático, é uma troca: você ganha capacidade preditiva, mas perde simplicidade e controle.

Outra tensão: soluções baseadas em regras não escalam bem para domínios muito complexos, como visão computacional ou processamento de linguagem natural. Mas para problemas estruturados, tabelas, filtros e lógica condicional ainda são imbatíveis em simplicidade e custo.

E a pergunta que fica: será que você não está usando ML para parecer moderno, quando na verdade o que o negócio precisa é de um sistema previsível e barato?

Conclusão

Machine Learning é uma ferramenta poderosa, mas não a única. Antes de adicionar complexidade, pense se você pode resolver o problema com um if e um else. Você vai economizar tempo, dinheiro e dores de cabeça. E quando precisar de ML, seu baseline simples vai ser a melhor referência para saber se o modelo realmente agregou valor.