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
- Site: EventHorizon
- Repositório principal: EventHorizon github
- Pesquisa Crypto: crypto-h0-edge
- Pesquisa Demand: demand-m5
- Biblioteca de validação: honest-validation-toolkit
EventHorizon-AI — Proof, not promises.