OrchestraML

O que é OrchestraML?

OrchestraML é uma ferramenta de workflow de machine learning assistida por IA que transforma um objetivo de ML em linguagem simples numa pipeline guiada. Suporta busca ou upload de dataset, análise exploratória de dados, limpeza, feature engineering, seleção de modelo com AutoML, avaliação e deploy ou exportação de pacote.

O produto é estruturado em torno de um workflow multiagente com aprovação humana em pontos críticos de verificação. Regista decisões em português simples, gera relatórios com métricas e artefactos de explicabilidade, e pode produzir um pacote de modelo descarregável ou um endpoint de API em funcionamento.

Principais Funcionalidades

• Orquestração de pipeline multiagente: agentes separados tratam da orquestração, seleção de dataset, EDA, limpeza, feature engineering, modelagem, avaliação e deploy.
• Pontos de verificação humanos: a pipeline pausa em 6 gates críticos para os utilizadores aprovarem ou orientarem decisões antes de continuar.
• Pesquisa de modelo com AutoML: usa FLAML AutoML com orçamentos de tempo adaptativos para selecionar um modelo com base no tamanho do dataset e na complexidade da tarefa.
• Trilho de auditoria e relatórios: regista decisões da IA com raciocínio em português simples e produz um relatório em separadores com métricas, gráficos, SHAP, verificações de viés e opções de deploy.
• Preparação de dados e diagnósticos: inclui profiling automático, tratamento de nulos e outliers, deteção de desequilíbrio, seleção de features e gráficos de EDA como distribuições, heatmaps, gráficos de balanceamento de classes e boxplots.
• Opções de exportação e deploy: gera um ZIP pronto a executar com ficheiros como model.pkl, scaler.pkl, predict.py, requirements.txt e um README, ou faz deploy de uma API em funcionamento.
• Tratamento de segurança: encripta os datasets no upload e apaga-os após a conclusão da pipeline, mantendo apenas o modelo treinado.

Como Usar o OrchestraML

Comece por descrever o seu objetivo de ML em português simples e faça upload de um dataset ou deixe os agentes encontrar um por si. O sistema depois executa a pipeline passo a passo, mostrando logs e pedindo aprovação em checkpoints-chave.

Após o workflow terminar, reveja o relatório com métricas, explicações SHAP, análise de viés e registos de decisão da IA. A partir daí, descarregue o pacote do modelo ou faça deploy do modelo resultante como uma API.

Casos de Uso

• Um estudante a criar o primeiro projeto de machine learning sem codificar manualmente o pré-processamento, a seleção de modelo ou o deploy.
• Um analista que tem um CSV e quer um workflow guiado para limpar dados, treinar um modelo e rever o desempenho.
• Um utilizador que precisa de artefactos de explicabilidade como gráficos SHAP e explicações por previsão antes de partilhar um modelo.
• Uma equipa que quer uma pipeline controlada em que as principais etapas exigem aprovação em vez de automação totalmente sem supervisão.
• Um workflow que precisa de um entregável de modelo local empacotado, incluindo o modelo treinado, ficheiros de pré-processamento e um script de previsão.

FAQ

• O OrchestraML exige experiência em ML? Não. A fonte diz que os utilizadores podem descrever o seu objetivo em português simples e não precisam de experiência em ML para começar.
• Posso enviar o meu próprio dataset? Sim. O produto suporta upload de dataset ou pesquisa de dataset feita pelos agentes.
• A pipeline corre sem supervisão? Não. Inclui 6 pontos de verificação humanos em que a pipeline pausa para aprovação antes de continuar com ações críticas.
• O que inclui o output? O relatório inclui métricas, explicabilidade SHAP, análise de viés e opções de deploy, e o produto também pode exportar um pacote descarregável.
• Suporta deploy em tempo real? Sim. A fonte diz que os utilizadores podem descarregar o pacote do modelo ou fazer deploy de uma API em funcionamento.

Alternativas

• Workflows tradicionais baseados em notebooks: dão mais controlo manual e flexibilidade, mas exigem que o utilizador trate da análise, limpeza, treino e empacotamento passo a passo.
• Plataformas AutoML geridas: focam-se na seleção e treino automatizados de modelos, mas podem não dar ênfase a um workflow multiagente, baseado em checkpoints, nem ao mesmo nível de detalhe do registo de decisões.
• Pipelines MLOps construídas com ferramentas separadas: podem cobrir desde a preparação de dados até ao deploy, mas normalmente exigem montar e manter vários componentes em vez de usar uma única interface guiada.
• Scripting manual com bibliotecas Python de ML: oferece o máximo de personalização, mas coloca sobre o utilizador toda a carga de EDA, feature engineering, avaliação e configuração do deploy.