1

Tenho 14 anos e passei 276 dias construindo uma plataforma de IA. Eis o que descobri

Há 276 dias, comecei a construir o EventHorizon-AI.

Na época, eu estava aprendendo sobre redes neurais, Transformers e previsão de séries temporais. Hoje, o projeto reúne sistemas de forecasting, ferramentas de validação estatística e experimentos para investigar se modelos de previsão conseguem resolver problemas economicamente relevantes.

Mas o aprendizado mais importante desses meses não foi simplesmente construir modelos melhores. Foi perceber que construir um modelo, demonstrar que ele funciona e provar que ele tem valor econômico são três problemas diferentes.

Este artigo é um balanço do que construí, do que consegui demonstrar e do que ainda preciso descobrir.

1. O que é o EventHorizon-AI?

O EventHorizon-AI começou como um projeto de machine learning focado em previsão de séries temporais.

Com o tempo, evoluiu para algo mais amplo: um laboratório independente para construir sistemas de previsão, validar seus resultados e investigar problemas reais que essas capacidades poderiam resolver.

Atualmente, o projeto possui três componentes principais:

  • EventHorizon Crypto: pesquisa sobre previsão direcional de mercado.
  • EventHorizon Demand: previsão de demanda com dados históricos de vendas.
  • honest-validation-toolkit: ferramentas para validação estatística de modelos.

A filosofia que orienta o projeto é simples:

Proof, not promises.

Não quero apenas apresentar métricas impressionantes. Quero entender como foram obtidas, quais limitações possuem e quais conclusões realmente permitem tirar.

2. EventHorizon Crypto: encontrar uma vantagem não basta

Um dos sistemas que desenvolvi foi voltado à previsão direcional de BTC/USDT em horizontes curtos.

O trabalho envolveu redes neurais, processamento de dados de mercado e experimentos para avaliar se o modelo conseguia superar uma referência simples.

Nos testes realizados, o sistema alcançou aproximadamente 60% de acurácia, contra um baseline próximo de 52%. Isso representa uma diferença de aproximadamente oito pontos percentuais.

Mas a acurácia, isoladamente, não responde à pergunta mais importante para um sistema de trading: o resultado é economicamente viável depois dos custos de execução?

Nos cenários avaliados, a vantagem não foi suficiente para tornar a estratégia economicamente viável após as taxas consideradas. Essa distinção mudou a maneira como passei a interpretar os resultados dos meus próprios modelos.

Uma métrica pode demonstrar uma propriedade estatística sem demonstrar que existe uma oportunidade econômica explorável.

Resultado técnico não é sinônimo de lucro.

3. EventHorizon Demand: prever melhor não significa economizar mais

Depois, comecei a trabalhar com previsão de demanda.

A ideia é estimar a demanda futura a partir de informações como histórico de vendas, sazonalidade, preços, promoções e outras variáveis temporais.

No benchmark M5/Walmart, o modelo final alcançou WAPE de aproximadamente 31%, contra aproximadamente 44% do baseline sazonal baseado na demanda de sete dias antes. Isso corresponde a uma redução relativa de aproximadamente 30% no erro WAPE em relação à referência utilizada.

É um resultado técnico relevante dentro desse experimento.

Mas existe uma diferença fundamental entre dizer:

O modelo reduziu o erro de previsão em aproximadamente 30%.

e dizer:

O modelo reduziu o desperdício em 30%.

A segunda afirmação não decorre automaticamente da primeira.

O impacto econômico depende de como a previsão influencia as decisões, de quais custos existem, de como a empresa reage aos erros e de como o processo funciona na prática. Uma previsão mais precisa pode não gerar benefício suficiente se a decisão operacional já for eficiente ou se os erros não forem economicamente importantes.

Por isso, considero a validação técnica e a validação econômica problemas separados.

4. O que acontece quando saímos do benchmark?

Depois de trabalhar nos modelos, comecei a investigar como empresas reais tomam decisões. A intenção era descobrir onde uma previsão melhor poderia fazer diferença.

Conversei com negócios de diferentes segmentos e tentei entender como lidavam com situações como excesso de estoque, falta de produtos, perecibilidade e decisões sobre quantidades futuras.

Essas conversas trouxeram uma dificuldade que não aparece diretamente em uma métrica de benchmark: encontrar uma situação em que a previsão parece difícil não significa encontrar uma oportunidade de produto.

Uma empresa pode ter sobras ocasionais e já possuir um processo eficiente para ajustar a produção. Outra pode registrar vendas em planilhas e usar essas informações para tomar decisões. Uma terceira pode reconhecer uma dificuldade, mas já estar resolvendo-a com um sistema ou com mudanças internas.

Em todos esses casos, a existência de um problema potencial não demonstra que uma nova ferramenta seja necessária.

Passei, então, a investigar não apenas se a dificuldade existia, mas também seu impacto, as limitações do processo atual e o comportamento da empresa diante do problema.

A pergunta deixou de ser apenas:

Consigo construir uma previsão melhor?

E passou a incluir:

Em quais condições uma previsão melhor muda uma decisão de forma suficientemente valiosa?

5. Dor, impacto e urgência são coisas diferentes

Uma das conclusões mais importantes dos experimentos de mercado foi que reconhecer uma dificuldade não significa necessariamente querer mudar o processo.

Uma empresa pode conviver com um problema porque considera o impacto pequeno, porque já possui uma solução suficientemente boa ou porque outras prioridades são mais importantes.

Por isso, comecei a organizar a investigação em torno de cinco elementos:

Dor → Impacto → Gap → Urgência → Ação

  • Dor: existe uma dificuldade concreta?
  • Impacto: ela causa perdas, custos ou trabalho relevante?
  • Gap: o processo atual deixa uma parte importante sem solução?
  • Urgência: existe uma razão para mudar?
  • Ação: a empresa efetivamente tenta resolver o problema?

Essa sequência não é uma fórmula que garante a descoberta de um mercado. É uma estrutura para tornar as perguntas e as evidências mais específicas. Também ajuda a evitar que respostas positivas sejam interpretadas como validação comercial.

Uma pessoa pode responder a uma mensagem sem ter interesse em testar uma solução. Pode considerar uma ideia interessante sem querer mudar seu processo. E pode querer mudar sem estar disposta a pagar por uma alternativa.

Cada etapa exige evidências próprias.

6. O que construí — e o que ainda não provei

Depois desses meses, consigo distinguir melhor os resultados técnicos das perguntas que permanecem abertas.

O que consegui demonstrar nos experimentos

  • Construí sistemas de previsão para diferentes tipos de séries temporais.
  • Desenvolvi uma infraestrutura de validação estatística para investigar o desempenho dos modelos.
  • Comparei resultados com baselines explícitos.
  • Obtive melhorias de previsão no benchmark M5/Walmart.
  • Identifiquei limitações econômicas na estratégia de trading que desenvolvi.
  • Comecei a investigar como empresas tomam decisões e quais processos já utilizam.

O que ainda preciso descobrir

  • Em quais contextos uma melhoria de previsão produz impacto econômico mensurável?
  • Quais problemas continuam relevantes apesar das soluções que as empresas já utilizam?
  • Quais empresas possuem urgência suficiente para mudar o processo?
  • Em que condições uma solução de forecasting justificaria seu custo de adoção?
  • Como demonstrar esse valor em operações reais, e não apenas em benchmarks?

Ainda não tenho respostas definitivas para essas perguntas. E não quero transformar os resultados que já obtive em afirmações que eles não sustentam.

7. Por que estou documentando o projeto publicamente?

Quero que o EventHorizon-AI seja mais do que uma coleção de modelos. A intenção é construir um registro público de experimentos, métodos, resultados e limitações.

Isso inclui tanto os resultados positivos quanto as situações em que uma ideia não funcionou como esperado ou em que a evidência disponível não permite uma conclusão forte.

O código permite examinar parte da implementação. Os relatórios ajudam a entender os resultados. Os artigos documentam as decisões e as mudanças de perspectiva ao longo do projeto.

Essa documentação também cria uma oportunidade para receber críticas técnicas, identificar falhas e comparar abordagens.

Não espero que publicar resultados os torne automaticamente corretos. Pelo contrário: quero que eles possam ser questionados.

8. O próximo capítulo

O próximo passo não é simplesmente construir mais modelos ou adicionar funcionalidades. Quero continuar desenvolvendo a infraestrutura técnica enquanto investigo em quais situações a previsão realmente importa.

Isso significa continuar testando hipóteses, procurar contraexemplos, estudar os processos existentes e distinguir interesse declarado de comportamento concreto.

Se surgir uma oportunidade de produto, ela deverá ser sustentada por evidências sobre o problema e seu impacto — não apenas pela existência de um modelo capaz de produzir previsões.

O objetivo é continuar aprendendo sem confundir complexidade técnica com valor.

Tenho 14 anos e ainda tenho muito a aprender. Mas já aprendi algo que considero essencial para qualquer projeto de machine learning:

Um modelo não precisa apenas produzir bons resultados. Precisamos entender o que esses resultados demonstram, onde deixam de valer e se fazem diferença no mundo real.

Esse é o trabalho que quero continuar fazendo com o EventHorizon-AI.

Explore o projeto

EventHorizon-AI — Proof, not promises.

Carregando publicação patrocinada...
1