Como o Itaú reduziu implantação de modelos de ML de até 6 meses para 3 a 5 dias

O desafio era permitir que modelos de machine learning chegassem mais rápido ao negócio. Em um banco, modelos podem impactar crédito, risco, atendimento, fraude, marketing e eficiência operacional. A demora de meses para provisionar infraestrutura limitava a capacidade de inovar e responder ao mercado.

A infraestrutura on-premises exigia solicitação de servidores, compra, instalação e configuração antes de novos projetos. Isso gerava fila de espera para times de dados e dificultava escalar o uso de ML para milhares de usuários. O processo era incompatível com a velocidade esperada em uma organização financeira digital.

O Itaú adotou Amazon SageMaker Studio como ambiente corporativo para machine learning. A plataforma centralizou ferramentas e reduziu o tempo necessário para cientistas de dados desenvolverem, testarem e colocarem modelos em produção.

A tecnologia principal foi Amazon SageMaker Studio, ambiente web integrado para desenvolvimento de ML. A plataforma oferece recursos para todas as etapas do ciclo de vida de modelos, com infraestrutura gerenciada e escalável na AWS.

Cientistas de dados passaram a acessar um ambiente padronizado para desenvolver, treinar e implantar modelos sem depender de longos ciclos de provisionamento. A infraestrutura cloud reduziu barreiras de entrada e permitiu maior autonomia para as equipes.

O processo substituiu solicitações manuais de infraestrutura por uma plataforma de ML gerenciada. A arquitetura permite que equipes acessem recursos de desenvolvimento, treinamento e implantação em um ambiente comum, reduzindo filas, padronizando práticas e acelerando MLOps.

• Tempo de implantação reduzido de até 6 meses para 3 a 5 dias em alguns casos.
• Mais de 3.200 usuários no Amazon SageMaker Studio.
• Cerca de 350 cientistas de dados usando a plataforma.
• Eliminação da fila de espera para implantação de modelos.
• Maior velocidade de chegada das soluções de ML ao mercado.

O case mostra que IA corporativa depende de fundação técnica. Sem MLOps escalável, modelos ficam presos em pilotos ou filas de infraestrutura. Para grandes empresas brasileiras, padronizar a plataforma de ML pode ser tão importante quanto escolher bons casos de uso.