{"id":2021,"date":"2019-08-26T12:56:18","date_gmt":"2019-08-26T17:56:18","guid":{"rendered":"http:\/\/skimai.com\/?p=2021"},"modified":"2024-05-20T07:38:40","modified_gmt":"2024-05-20T12:38:40","slug":"modelos-de-producao-em-tempo-real","status":"publish","type":"post","link":"https:\/\/skimai.com\/pt\/real-time-production-models\/","title":{"rendered":"Modelos de produ\u00e7\u00e3o em tempo real - Em que \u00e9 que diferem dos testes de refer\u00eancia?"},"content":{"rendered":"<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_1 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">\u00cdndice<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar o \u00edndice\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1 ez-toc-heading-level-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#Real-time_production_models_%E2%80%93_How_do_they_differ_from_benchmark_tests\" >Modelos de produ\u00e7\u00e3o em tempo real - Em que \u00e9 que diferem dos testes de refer\u00eancia?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#What_are_Real-Time_Production_Models_and_Benchmark_Tests\" >O que s\u00e3o modelos de produ\u00e7\u00e3o em tempo real e testes de refer\u00eancia?<\/a><ul class='ez-toc-list-level-2' ><li class='ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#1_Data_Needs_%E2%80%93_What_Data_Is_Required_for_Real-Time_Production_Models\" >1. Necessidades de dados - Que dados s\u00e3o necess\u00e1rios para os modelos de produ\u00e7\u00e3o em tempo real?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#2_Data_Tuning_%E2%80%93_How_is_Training_Data_Collected_for_Production_Models\" >2. Afina\u00e7\u00e3o de dados - Como s\u00e3o recolhidos os dados de treino para os modelos de produ\u00e7\u00e3o?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#3_Data_Imbalance_%E2%80%93_How_Can_the_Right_Training_Data_be_Selected_for_Real-Time_Production_Models\" >3. Desequil\u00edbrio de dados - Como selecionar os dados de treino correctos para modelos de produ\u00e7\u00e3o em tempo real?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#4_New_Vocabularies_%E2%80%93_How_is_Training_Data_Applied_Across_Different_Production_Models\" >4. Novos vocabul\u00e1rios - Como \u00e9 que os dados de forma\u00e7\u00e3o s\u00e3o aplicados em diferentes modelos de produ\u00e7\u00e3o?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/skimai.com\/pt\/real-time-production-models\/#5_Time_Latency_%E2%80%93_How_Long_Do_Production_Models_Take_to_Run\" >5. Tempo de lat\u00eancia - Quanto tempo demoram os modelos de produ\u00e7\u00e3o a ser executados?<\/a><\/li><\/ul><\/li><\/ul><\/nav><\/div>\n<h1><span class=\"ez-toc-section\" id=\"Real-time_production_models_%E2%80%93_How_do_they_differ_from_benchmark_tests\"><\/span>Modelos de produ\u00e7\u00e3o em tempo real - Em que \u00e9 que diferem dos testes de refer\u00eancia?<span class=\"ez-toc-section-end\"><\/span><\/h1>\n<pre><code>        <h1><span class=\"ez-toc-section\" id=\"What_are_Real-Time_Production_Models_and_Benchmark_Tests\"><\/span>O que s\u00e3o modelos de produ\u00e7\u00e3o em tempo real e testes de refer\u00eancia?<span class=\"ez-toc-section-end\"><\/span><\/h1>      \n    Os modelos de produ\u00e7\u00e3o em tempo real s\u00e3o modelos que permitem aos utilizadores utilizar os dados recolhidos durante a produ\u00e7\u00e3o e analisar as capacidades de produ\u00e7\u00e3o actuais e prever os resultados de produ\u00e7\u00e3o futuros. Estes modelos destinam-se a otimizar a produ\u00e7\u00e3o e a avaliar o desempenho \"pr\u00e9-lan\u00e7amento\", o que significa que s\u00e3o ferramentas de previs\u00e3o do desempenho. Embora os modelos de produ\u00e7\u00e3o assumam muitas formas, um m\u00e9todo de modela\u00e7\u00e3o da produ\u00e7\u00e3o que est\u00e1 a ganhar popularidade s\u00e3o os algoritmos de aprendizagem autom\u00e1tica. Os algoritmos de aprendizagem autom\u00e1tica criam modelos de produ\u00e7\u00e3o aprendendo com dados anteriores e, em seguida, fazendo avalia\u00e7\u00f5es e previs\u00f5es sobre o estado atual da produ\u00e7\u00e3o \u00e0 luz das li\u00e7\u00f5es aprendidas com os dados anteriores.\u00a0<\/code><\/pre>\n<p>\u00a0<\/p>\n<p>Para efeitos do presente artigo, ser\u00e1 explorado um exemplo de modelo de produ\u00e7\u00e3o: a aprendizagem autom\u00e1tica para an\u00e1lise de texto. Este tipo de modelo de produ\u00e7\u00e3o de aprendizagem autom\u00e1tica assume a forma de:<\/p>\n<ul>\n<li>O processo de produ\u00e7\u00e3o: an\u00e1lise de dados textuais, ou seja, um artigo.<\/li>\n<li>O produto de produ\u00e7\u00e3o\/resultado: um resumo conciso dos principais<br \/>factos importantes no artigo.<\/li>\n<li>O modelo de produ\u00e7\u00e3o: o algoritmo de aprendizagem autom\u00e1tica aplicado ao<br \/>artigo.<\/li>\n<\/ul>\n<p>Esse modelo de produ\u00e7\u00e3o aprende informa\u00e7\u00f5es relevantes de artigos anteriores e, em seguida, aplica essas informa\u00e7\u00f5es aprendidas para resumir novos artigos. Ao contr\u00e1rio dos modelos de produ\u00e7\u00e3o em tempo real, os testes de benchmark s\u00e3o utilizados para avaliar retroativamente o resultado final da produ\u00e7\u00e3o. S\u00e3o recolhidos dados, tanto sobre o processo de produ\u00e7\u00e3o como sobre o produto final, e \u00e9 executado um conjunto padr\u00e3o de testes utilizando estes dados para determinar a qualidade e o desempenho do produto. Os testes de refer\u00eancia baseiam-se na concorr\u00eancia, com o objetivo de \"bater\" os produtos semelhantes de outras empresas ou de ultrapassar os padr\u00f5es de desempenho anteriores, e medem o desempenho \"p\u00f3s-lan\u00e7amento\".<\/p>\n<p>Os testes de refer\u00eancia envolvem:<\/p>\n<ul>\n<li>Recolha de dados em momentos pr\u00e9-determinados ao longo da produ\u00e7\u00e3o.<\/li>\n<li>Recolha de dados que podem ser repetidos - s\u00e3o recolhidos os mesmos dados para cada produ\u00e7\u00e3o e produto.<\/li>\n<li>Realiza\u00e7\u00e3o de um conjunto predefinido e normalizado de testes nos dados.<\/li>\n<li>Pontua\u00e7\u00e3o do produto final e compara\u00e7\u00e3o dessa pontua\u00e7\u00e3o com a de outros produtos.<\/li>\n<\/ul>\n<p>A principal diferen\u00e7a geral entre testes de refer\u00eancia e modelos de produ\u00e7\u00e3o \u00e9 a diferen\u00e7a entre perguntar \"qual o desempenho do meu produto em rela\u00e7\u00e3o a outros produtos\" e \"como posso otimizar a minha produ\u00e7\u00e3o atual para produzir o melhor produto poss\u00edvel\".        <\/p>\n<h2><span class=\"ez-toc-section\" id=\"1_Data_Needs_%E2%80%93_What_Data_Is_Required_for_Real-Time_Production_Models\"><\/span>1. Necessidades de dados - Que dados s\u00e3o necess\u00e1rios para os modelos de produ\u00e7\u00e3o em tempo real?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<pre><code>    <p>Um modelo de produ\u00e7\u00e3o bem desenvolvido e treinado proporciona uma s\u00e9rie de benef\u00edcios; no entanto, estes modelos tamb\u00e9m podem ser prejudiciais. Um modelo mal desenvolvido tem o potencial de produzir resultados enganadores, tendenciosos ou mesmo sem sentido. O fator decisivo na qualidade do modelo de produ\u00e7\u00e3o \u00e9 a qualidade dos dados utilizados para o treinar. Ao produzir qualquer algoritmo de aprendizagem autom\u00e1tica, a quest\u00e3o principal ser\u00e1 sempre quais e quantos dados s\u00e3o necess\u00e1rios para treinar adequadamente o modelo?<br \/><br \/><\/code><\/pre>\n<p>As necessidades de dados para a an\u00e1lise de texto podem ser divididas em<\/p>\n<ul>\n<li>Que artigos s\u00e3o necess\u00e1rios para a forma\u00e7\u00e3o com base na aplica\u00e7\u00e3o, ou seja, artigos acad\u00e9micos versus jornais versus blogues?<\/li>\n<li>Que contexto \u00e9 necess\u00e1rio sobre o texto, ou seja, que palavras, combina\u00e7\u00f5es de palavras e defini\u00e7\u00f5es de palavras do artigo s\u00e3o mais relevantes?<\/li>\n<li>Quantos artigos \u00e9 que o algoritmo precisa de utilizar para treinar?<\/li>\n<\/ul>\n<p>Em geral, mais dados de treino s\u00e3o melhores, e os dados precisam de ter o m\u00e1ximo de contexto poss\u00edvel. Al\u00e9m disso, os dados de treino devem corresponder ao caso de utiliza\u00e7\u00e3o atual. Ou seja, se o texto a analisar for uma publica\u00e7\u00e3o num blogue cient\u00edfico, os dados de forma\u00e7\u00e3o para o modelo de produ\u00e7\u00e3o devem incluir artigos cient\u00edficos e publica\u00e7\u00f5es em blogues relacionados. Quanto mais a distribui\u00e7\u00e3o dos dados de treino corresponder ao assunto do texto que est\u00e1 a ser analisado, melhor ser\u00e1 a informa\u00e7\u00e3o resumida.<\/p>\n<\/p>\n<h2><span class=\"ez-toc-section\" id=\"2_Data_Tuning_%E2%80%93_How_is_Training_Data_Collected_for_Production_Models\"><\/span>2. Afina\u00e7\u00e3o de dados - Como s\u00e3o recolhidos os dados de treino para os modelos de produ\u00e7\u00e3o?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<pre><code>    A afina\u00e7\u00e3o de dados est\u00e1 relacionada com a forma e os dados que s\u00e3o introduzidos no teste de refer\u00eancia \/<\/code><\/pre>\n<p>modelo de produ\u00e7\u00e3o. Isto \u00e9 simples para o teste de refer\u00eancia: determinar os dados a recolher durante a produ\u00e7\u00e3o e a frequ\u00eancia com que devem ser recolhidos. As necessidades de dados do teste de refer\u00eancia derivam da precis\u00e3o relativa de testes de refer\u00eancia anteriores.<\/br><\/br><br \/>\nCompare isto com a modela\u00e7\u00e3o da produ\u00e7\u00e3o, em que os algoritmos de aprendizagem autom\u00e1tica s\u00e3o utilizados para prever os resultados durante a produ\u00e7\u00e3o. Neste caso, a afina\u00e7\u00e3o de dados consiste em encontrar os dados certos a recolher para treinar o modelo de produ\u00e7\u00e3o. Para<br \/>\nan\u00e1lise de texto, o que implica:<\/p>\n<ul>\n<li>Sele\u00e7\u00e3o de um conjunto suficientemente grande de artigos relevantes.<\/li>\n<li>Fornecer um l\u00e9xico, ou contexto, para os artigos - as palavras, grupos de palavras e defini\u00e7\u00f5es de palavras que transmitem as informa\u00e7\u00f5es mais relevantes.<\/li>\n<li>Aprender com os artigos - iterar sobre o conjunto de dados para descobrir qual o subconjunto do l\u00e9xico que capta o melhor resumo da informa\u00e7\u00e3o.<\/li>\n<li>Aplica\u00e7\u00e3o deste l\u00e9xico a novos artigos: execu\u00e7\u00e3o do modelo de produ\u00e7\u00e3o.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"3_Data_Imbalance_%E2%80%93_How_Can_the_Right_Training_Data_be_Selected_for_Real-Time_Production_Models\"><\/span>3. Desequil\u00edbrio de dados - Como selecionar os dados de treino correctos para modelos de produ\u00e7\u00e3o em tempo real?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<pre><code>    <p>Ajustar o conjunto de dados de treino para modelos de produ\u00e7\u00e3o em tempo real n\u00e3o \u00e9 uma tarefa trivial. Nem todos os dados recolhidos para treino ser\u00e3o \u00fateis, sendo muitas vezes necess\u00e1ria uma sele\u00e7\u00e3o. Os dados precisam de ser relevantes para o texto que est\u00e1 a ser resumido, mas n\u00e3o t\u00e3o espec\u00edficos que encontrem um subconjunto limitado de informa\u00e7\u00e3o relevante, mas tamb\u00e9m n\u00e3o t\u00e3o vagos que encontrem demasiada informa\u00e7\u00e3o. Al\u00e9m disso, haver\u00e1 sempre um desequil\u00edbrio nos dados de treino. \u00c9 improv\u00e1vel encontrar um conjunto de dados de treino suficientemente grande direcionado para um caso de utiliza\u00e7\u00e3o espec\u00edfico, pelo que os dados de treino devem ser equilibrados entre t\u00f3picos para melhor corresponderem \u00e0 distribui\u00e7\u00e3o do t\u00f3pico em estudo.<\/code><\/pre>\n<p>Durante a sele\u00e7\u00e3o dos dados de treino, podem ser encontradas v\u00e1rias armadilhas, tais como:<\/p>\n<ul>\n<li>Escolher um conjunto demasiado vasto de artigos de entrada, o que leva a resumos demasiado longos ou demasiado vagos.<\/li>\n<li>Sele\u00e7\u00e3o de um conjunto demasiado restrito de artigos de entrada, o que leva a resumos que n\u00e3o cont\u00eam informa\u00e7\u00f5es essenciais.<\/li>\n<li>Sele\u00e7\u00e3o de artigos de m\u00e1 qualidade, ou seja, fontes baseadas em opini\u00f5es, que conduzem a resumos tendenciosos.<\/li>\n<li>Escolher o l\u00e9xico errado para aplicar aos artigos de entrada, o que leva a resumos sem sentido.<\/li>\n<\/ul>\n<p>Encontrar o conjunto de dados de treino correto n\u00e3o \u00e9 uma tarefa trivial e exigir\u00e1 compromissos quanto \u00e0 quantidade de dados de treino, \u00e0 relev\u00e2ncia dos dados de treino e ao contexto ideal.<\/p>\n<\/p>\n<h2><span class=\"ez-toc-section\" id=\"4_New_Vocabularies_%E2%80%93_How_is_Training_Data_Applied_Across_Different_Production_Models\"><\/span>4. Novos vocabul\u00e1rios - Como \u00e9 que os dados de forma\u00e7\u00e3o s\u00e3o aplicados em diferentes modelos de produ\u00e7\u00e3o?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<pre><code>    <p>Encontrar o conjunto de treino correto e ajust\u00e1-lo a um determinado caso de utiliza\u00e7\u00e3o pode ser uma tarefa dispendiosa e morosa. O custo associado ao desenvolvimento de conjuntos de forma\u00e7\u00e3o d\u00e1 origem ao desejo de alargar os dados de forma\u00e7\u00e3o a todas as aplica\u00e7\u00f5es. Idealmente, um modelo de produ\u00e7\u00e3o treinado num conjunto de artigos poderia ser alargado a outras aplica\u00e7\u00f5es. O objetivo \u00e9 recolher, organizar e contextualizar os dados de forma\u00e7\u00e3o de modo a que possam ser aplicados em v\u00e1rios casos de utiliza\u00e7\u00e3o de modelos de produ\u00e7\u00e3o.<\/code><\/pre>\n<p><\/p>\n<p>No entanto, o novo modelo de produ\u00e7\u00e3o n\u00e3o consegue compreender o contexto do modelo de produ\u00e7\u00e3o antigo. Cada palavra nova no l\u00e9xico que n\u00e3o tenha sido treinada pelo modelo antigo induz uma perda de precis\u00e3o. Por conseguinte, os modelos de produ\u00e7\u00e3o de an\u00e1lise de texto t\u00eam de ser reajustados, ou seja, t\u00eam de receber um novo vocabul\u00e1rio para serem treinados. No entanto, isto n\u00e3o quer dizer que os modelos de produ\u00e7\u00e3o antigos sejam completamente inaplic\u00e1veis a novos dom\u00ednios. Existem v\u00e1rias estrat\u00e9gias para atenuar a perda de precis\u00e3o nos casos de utiliza\u00e7\u00e3o, incluindo<\/p>\n<ul>\n<li>Dividir o l\u00e9xico dos dados de treino em subgrupos, como combina\u00e7\u00f5es de letras espec\u00edficas ou palavras de elevada frequ\u00eancia.<\/li>\n<li>Co-forma\u00e7\u00e3o: cria\u00e7\u00e3o do conjunto de dados de forma\u00e7\u00e3o com dois contextos diferentes para cada artigo.<\/li>\n<li>Trimmed Loss Minimization: determinar qual o subconjunto de artigos para treinar o novo modelo, estimando quais os artigos que reduzem a perda global de precis\u00e3o.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"5_Time_Latency_%E2%80%93_How_Long_Do_Production_Models_Take_to_Run\"><\/span>5. Tempo de lat\u00eancia - Quanto tempo demoram os modelos de produ\u00e7\u00e3o a ser executados?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<pre><code>    <p>Embora os modelos de produ\u00e7\u00e3o em tempo real sejam frequentemente designados por \"tempo real\", porque utilizam os dados de produ\u00e7\u00e3o mais actualizados dispon\u00edveis, podem, de facto, ser executados em v\u00e1rias escalas temporais. Na pr\u00e1tica, as diferentes necessidades de dados definem o tempo de execu\u00e7\u00e3o; por exemplo, um modelo de produ\u00e7\u00e3o pode ser concebido para analisar tend\u00eancias na informa\u00e7\u00e3o e, por conseguinte, necessitar de dias de dados de forma\u00e7\u00e3o. Mas, uma vez executado, este modelo de produ\u00e7\u00e3o pode ser executado numa quest\u00e3o de minutos para analisar novos dados.<\/code><\/pre>\n<p>\u00a0<\/p>\n<p>O tempo de lat\u00eancia da an\u00e1lise de texto est\u00e1 relacionado com as expectativas do modelo:<\/p>\n<ul>\n<li>Quanto tempo demora a forma\u00e7\u00e3o do modelo de produ\u00e7\u00e3o \/ quantos dados de forma\u00e7\u00e3o devem ser recolhidos?<\/li>\n<li>Com que frequ\u00eancia \u00e9 que o modelo precisa de prever o desempenho - por hora, diariamente, semanalmente, etc.?<\/li>\n<li>Que quantidade de dados ser\u00e1 modelada, um pequeno blogue, um artigo de jornal, um cap\u00edtulo de livro, etc.?<\/li>\n<li>Quanta intera\u00e7\u00e3o humana \u00e9 necess\u00e1ria - com que frequ\u00eancia os resultados do modelo s\u00e3o verificados quanto \u00e0 exatid\u00e3o e interpretados por um operador humano?<\/li>\n<\/ul>\n<p>A modela\u00e7\u00e3o da produ\u00e7\u00e3o fornece medidas proactivas, ou preditivas, do desempenho. Avaliam o desempenho \"antes da curva\" para determinar como criar um produto final melhor. No caso apresentado da an\u00e1lise de texto, os modelos de produ\u00e7\u00e3o prev\u00eaem quais as informa\u00e7\u00f5es contidas num artigo de texto que s\u00e3o mais relevantes para uma determinada aplica\u00e7\u00e3o. Uma vez executados os modelos de produ\u00e7\u00e3o e produzido um produto, podem ser efectuados testes de refer\u00eancia para avaliar o valor do produto final. Os modelos de produ\u00e7\u00e3o oferecem v\u00e1rias vantagens importantes, tais como<\/p>\n<ul>\n<li>Redu\u00e7\u00e3o dos custos de produ\u00e7\u00e3o, uma vez que os m\u00e9todos de produ\u00e7\u00e3o s\u00e3o optimizados durante a produ\u00e7\u00e3o.<\/li>\n<li>Redu\u00e7\u00e3o da distor\u00e7\u00e3o nos resultados, uma vez que a intera\u00e7\u00e3o do operador humano com os dados \u00e9 reduzida.<\/li>\n<li>Maior precis\u00e3o ao longo do tempo \u00e0 medida que mais dados de treino s\u00e3o compilados durante a produ\u00e7\u00e3o.<\/li>\n<li>Maior agilidade, uma vez que as altera\u00e7\u00f5es \u00e0 produ\u00e7\u00e3o podem ser efectuadas em tempo real.<\/li>\n<\/ul>\n<p>\u00c0 medida que os algoritmos de aprendizagem autom\u00e1tica se tornam cada vez mais refinados, a modela\u00e7\u00e3o da produ\u00e7\u00e3o tornar-se-\u00e1 n\u00e3o s\u00f3 uma ferramenta ben\u00e9fica, mas tamb\u00e9m vital para a produ\u00e7\u00e3o. Por conseguinte, a ado\u00e7\u00e3o precoce da modela\u00e7\u00e3o da produ\u00e7\u00e3o \u00e9 de baixo risco com o potencial de recompensas muito elevadas, e os modelos de produ\u00e7\u00e3o desempenhar\u00e3o um papel fundamental na defini\u00e7\u00e3o da forma como a produ\u00e7\u00e3o \u00e9 feita no futuro.<\/p>\n<p><a style=\"color: #999999; text-decoration: underline;\" href=\"http:\/\/skimai.com\/pt\/\">Saiba mais sobre o Skim AI.<\/a><\/p>\n<pre><code>    <p style=\"text-align: center;\">Sistema de gest\u00e3o de investiga\u00e7\u00e3o com base em IA para intelig\u00eancia de mercado.<\/p>       \n        <a href=\"https:\/\/calendly.com\/gregg-skimai\/15min\/\">\n                    Consulta gratuita\n                <\/a><\/code><\/pre>","protected":false},"excerpt":{"rendered":"<p>Real-time production models &#8211; How do they differ from benchmark tests? What are Real-Time Production Models and Benchmark Tests? Real-time production models are models that enable users to take data collected during production and analyze both current production capabilities and predict future production outputs. These are models meant to optimize production and assess performance \u201cpre-release\u201d, [&hellip;]<\/p>\n","protected":false},"author":1003,"featured_media":753,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"single-custom-post-template.php","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[125,67,78],"tags":[],"class_list":["post-2021","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-enterprise-ai-blog","category-ml-nlp","category-ai-project-management"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v24.1 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Real-time production models - How do they differ from benchmark tests?<\/title>\n<meta name=\"description\" content=\"Utlizing real-time production models vs benchmark tests should be carefully considered. From practice to application, explore when to apply each approach.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/skimai.com\/pt\/modelos-de-producao-em-tempo-real\/\" \/>\n<meta property=\"og:locale\" content=\"pt_PT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Real-time production models - How do they differ from benchmark tests?\" \/>\n<meta property=\"og:description\" content=\"Utlizing real-time production models vs benchmark tests should be carefully considered. From practice to application, explore when to apply each approach.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/skimai.com\/pt\/modelos-de-producao-em-tempo-real\/\" \/>\n<meta property=\"og:site_name\" content=\"Skim AI\" \/>\n<meta property=\"article:published_time\" content=\"2019-08-26T17:56:18+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-05-20T12:38:40+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1000\" \/>\n\t<meta property=\"og:image:height\" content=\"738\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Greggory Elias\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Greggory Elias\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo estimado de leitura\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/\"},\"author\":{\"name\":\"Greggory Elias\",\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6\"},\"headline\":\"Real-time production models &#8211; How do they differ from benchmark tests?\",\"datePublished\":\"2019-08-26T17:56:18+00:00\",\"dateModified\":\"2024-05-20T12:38:40+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/\"},\"wordCount\":1096,\"publisher\":{\"@id\":\"https:\/\/skimai.com\/uk\/#organization\"},\"image\":{\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg\",\"articleSection\":[\"Enterprise AI\",\"LLMs \/ NLP\",\"Project Management\"],\"inLanguage\":\"pt-PT\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/\",\"url\":\"https:\/\/skimai.com\/real-time-production-models\/\",\"name\":\"Real-time production models - How do they differ from benchmark tests?\",\"isPartOf\":{\"@id\":\"https:\/\/skimai.com\/uk\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg\",\"datePublished\":\"2019-08-26T17:56:18+00:00\",\"dateModified\":\"2024-05-20T12:38:40+00:00\",\"description\":\"Utlizing real-time production models vs benchmark tests should be carefully considered. From practice to application, explore when to apply each approach.\",\"breadcrumb\":{\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#breadcrumb\"},\"inLanguage\":\"pt-PT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/skimai.com\/real-time-production-models\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#primaryimage\",\"url\":\"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg\",\"contentUrl\":\"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg\",\"width\":1000,\"height\":738,\"caption\":\"Blog Image\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/skimai.com\/real-time-production-models\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/skimai.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Real-time production models &#8211; How do they differ from benchmark tests?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/skimai.com\/uk\/#website\",\"url\":\"https:\/\/skimai.com\/uk\/\",\"name\":\"Skim AI\",\"description\":\"The AI Agent Workforce Platform\",\"publisher\":{\"@id\":\"https:\/\/skimai.com\/uk\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/skimai.com\/uk\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pt-PT\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/skimai.com\/uk\/#organization\",\"name\":\"Skim AI\",\"url\":\"https:\/\/skimai.com\/uk\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pt-PT\",\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/\",\"url\":\"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png\",\"contentUrl\":\"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png\",\"width\":194,\"height\":58,\"caption\":\"Skim AI\"},\"image\":{\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/skim-ai\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6\",\"name\":\"Greggory Elias\",\"url\":\"https:\/\/skimai.com\/pt\/author\/gregg\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Modelos de produ\u00e7\u00e3o em tempo real - Em que \u00e9 que diferem dos testes de refer\u00eancia?","description":"A utiliza\u00e7\u00e3o de modelos de produ\u00e7\u00e3o em tempo real versus testes de refer\u00eancia deve ser cuidadosamente considerada. Da pr\u00e1tica \u00e0 aplica\u00e7\u00e3o, explore quando aplicar cada abordagem.","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:\/\/skimai.com\/pt\/modelos-de-producao-em-tempo-real\/","og_locale":"pt_PT","og_type":"article","og_title":"Real-time production models - How do they differ from benchmark tests?","og_description":"Utlizing real-time production models vs benchmark tests should be carefully considered. From practice to application, explore when to apply each approach.","og_url":"https:\/\/skimai.com\/pt\/modelos-de-producao-em-tempo-real\/","og_site_name":"Skim AI","article_published_time":"2019-08-26T17:56:18+00:00","article_modified_time":"2024-05-20T12:38:40+00:00","og_image":[{"width":1000,"height":738,"url":"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg","type":"image\/jpeg"}],"author":"Greggory Elias","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Greggory Elias","Tempo estimado de leitura":"8 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/skimai.com\/real-time-production-models\/#article","isPartOf":{"@id":"https:\/\/skimai.com\/real-time-production-models\/"},"author":{"name":"Greggory Elias","@id":"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6"},"headline":"Real-time production models &#8211; How do they differ from benchmark tests?","datePublished":"2019-08-26T17:56:18+00:00","dateModified":"2024-05-20T12:38:40+00:00","mainEntityOfPage":{"@id":"https:\/\/skimai.com\/real-time-production-models\/"},"wordCount":1096,"publisher":{"@id":"https:\/\/skimai.com\/uk\/#organization"},"image":{"@id":"https:\/\/skimai.com\/real-time-production-models\/#primaryimage"},"thumbnailUrl":"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg","articleSection":["Enterprise AI","LLMs \/ NLP","Project Management"],"inLanguage":"pt-PT"},{"@type":"WebPage","@id":"https:\/\/skimai.com\/real-time-production-models\/","url":"https:\/\/skimai.com\/real-time-production-models\/","name":"Modelos de produ\u00e7\u00e3o em tempo real - Em que \u00e9 que diferem dos testes de refer\u00eancia?","isPartOf":{"@id":"https:\/\/skimai.com\/uk\/#website"},"primaryImageOfPage":{"@id":"https:\/\/skimai.com\/real-time-production-models\/#primaryimage"},"image":{"@id":"https:\/\/skimai.com\/real-time-production-models\/#primaryimage"},"thumbnailUrl":"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg","datePublished":"2019-08-26T17:56:18+00:00","dateModified":"2024-05-20T12:38:40+00:00","description":"A utiliza\u00e7\u00e3o de modelos de produ\u00e7\u00e3o em tempo real versus testes de refer\u00eancia deve ser cuidadosamente considerada. Da pr\u00e1tica \u00e0 aplica\u00e7\u00e3o, explore quando aplicar cada abordagem.","breadcrumb":{"@id":"https:\/\/skimai.com\/real-time-production-models\/#breadcrumb"},"inLanguage":"pt-PT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/skimai.com\/real-time-production-models\/"]}]},{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/skimai.com\/real-time-production-models\/#primaryimage","url":"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg","contentUrl":"https:\/\/skimai.com\/wp-content\/uploads\/2019\/02\/Blog-Image.jpg","width":1000,"height":738,"caption":"Blog Image"},{"@type":"BreadcrumbList","@id":"https:\/\/skimai.com\/real-time-production-models\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/skimai.com\/"},{"@type":"ListItem","position":2,"name":"Real-time production models &#8211; How do they differ from benchmark tests?"}]},{"@type":"WebSite","@id":"https:\/\/skimai.com\/uk\/#website","url":"https:\/\/skimai.com\/uk\/","name":"IA de desnata\u00e7\u00e3o","description":"A plataforma de for\u00e7a de trabalho de agentes de IA","publisher":{"@id":"https:\/\/skimai.com\/uk\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/skimai.com\/uk\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pt-PT"},{"@type":"Organization","@id":"https:\/\/skimai.com\/uk\/#organization","name":"IA de desnata\u00e7\u00e3o","url":"https:\/\/skimai.com\/uk\/","logo":{"@type":"ImageObject","inLanguage":"pt-PT","@id":"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/","url":"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png","contentUrl":"http:\/\/skimai.com\/wp-content\/uploads\/2020\/07\/SKIM-AI-Header-Logo.png","width":194,"height":58,"caption":"Skim AI"},"image":{"@id":"https:\/\/skimai.com\/uk\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/skim-ai"]},{"@type":"Person","@id":"https:\/\/skimai.com\/uk\/#\/schema\/person\/7a883b4a2d2ea22040f42a7975eb86c6","name":"Greggory Elias","url":"https:\/\/skimai.com\/pt\/author\/gregg\/"}]}},"_links":{"self":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/posts\/2021","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/users\/1003"}],"replies":[{"embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/comments?post=2021"}],"version-history":[{"count":0,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/posts\/2021\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/media\/753"}],"wp:attachment":[{"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/media?parent=2021"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/categories?post=2021"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/skimai.com\/pt\/wp-json\/wp\/v2\/tags?post=2021"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}