Selo de estado:
Preview(teto atual do produto) · Curso ACD-410 — Ingestia AI: perguntar aos dados com proveniência · Aula 6 de 8 · Atualizado em 2026-10-04.
Objetivo#
Ao final desta aula você vai interpretar insight como amostra, não causa — lendo as quatro partes do resumo executivo e sabendo distinguir os "pontos de atenção" escritos por um LLM do detector estatístico de anomalias, que é outra capacidade.
Vídeo#
Identificador no manifesto: acd-410-06-insights-explique-este-painel · duração-alvo 5 min · tela do produto: /query.
Roteiro de gravação (4 capítulos):
| # | Minutagem-alvo | Capítulo | Tela do produto |
|---|---|---|---|
| 1 | 0:00–0:40 | Abertura: título + selo Preview. Um clique no ✨ → "Explicar este dashboard". O que sai: manchete, destaques, pontos de atenção, recomendações. | /dashboards/[id] (painel comercial da Aurora) |
| 2 | 0:40–2:10 | Ler as quatro partes da saída e classificar cada uma: o que é número do painel e o que é leitura do modelo. | /dashboards/[id] (painel lateral ✨) |
| 3 | 2:10–3:50 | A distinção que mais confunde: "pontos de atenção" do insight são texto do LLM, não o detector determinístico de anomalias. Mostrar o cartão de anomalia do painel ao lado, para comparar. | /dashboards/[id] |
| 4 | 3:50–5:00 | Amostra: cada widget declara quantas linhas foram enviadas e quantas existem; a IA não pode afirmar total olhando parte. Custo em /auditoria. Encerramento com o "faça você mesmo". | /auditoria |
Conteúdo#
O que o botão faz
No painel lateral ✨ existe um botão só: "Explicar este dashboard". Clicando nele, a IA lê o snapshot do painel e devolve uma saída estruturada em quatro partes, sempre as mesmas:
- Manchete — uma frase que resume o painel.
- Destaques — cada um com métrica, valor e um comentário curto.
- Pontos de atenção — com um selo de severidade (
info,atencao,critico) e uma linha de evidência. - Recomendações — lista de ações sugeridas.
Enquanto roda, o botão diz "Analisando os dados…"; depois fica disponível um link "Analisar novamente". Nenhuma consulta roda no datalake: a análise é sobre o snapshot já materializado.
A confusão que esta aula existe para desfazer
A seção "Pontos de atenção" do insight é texto do LLM sobre o snapshot. Ela não é o detector de anomalias. São capacidades diferentes, de famílias diferentes:
| "Pontos de atenção" do insight | Detecção de anomalias | |
|---|---|---|
| Família | com LLM (Anthropic) | determinística |
| Como decide | o modelo lê as linhas do snapshot e escreve o que lhe parece fora do padrão | teste estatístico com backtest, no servidor |
| Manda dado para fora? | sim (snapshot, dentro do fence) | não. nunca |
| Reproduzível? | não — é texto gerado | sim, bit a bit |
| Como tratar | hipótese a investigar | desvio medido, com método explicável |
| Consome orçamento de IA | sim | não |
Mesma palavra, garantias opostas. Quando alguém na reunião disser "a IA detectou uma anomalia", a primeira pergunta é: veio do cartão de anomalia do painel ou do texto do insight?
Insight não prova causa
As "anomalias" e as "recomendações" do insight são leitura do modelo, não teste estatístico — e em nenhum caso a saída estabelece causalidade. Ela descreve o que os números mostram; não afirma que uma coisa causou a outra. Correlação vista no painel não vira causa.
Amostra: por que o número pode ser parcial
Cada widget enviado ao prompt declara quantas linhas foram enviadas, quantas existem no painel e se é amostra. Isso existe para o modelo não afirmar um total olhando 1.000 de 40.000 linhas. Sobre amostra, a IA é proibida de afirmar total, soma ou ranking: a saída correta é dizer que o número exato exige agregar no SQL.
O teto padrão é de até 50 linhas por widget. Com o envio de linhas desligado, nenhuma linha crua sai: viaja só um resumo estatístico por coluna (contagem, mínimo, máximo e soma para numéricas; número de distintos para categóricas). O insight continua funcionando — com menos detalhe e muito menos exposição.
E há dois casos em que a IA nem é chamada: painel sem dados (não há o que analisar) e teto de orçamento atingido (recusa com mensagem, sem gastar).
Exemplo: a Aurora Varejo
Ana abre o painel comercial da Aurora com o período em "últimos 30 dias" e clica em "Explicar este dashboard".
Saída esperada, em quatro partes:
- Manchete: "Receita de R$ 1,38 milhão nos últimos 30 dias, com concentração em duas categorias."
- Destaques:
Receita· R$ 1,38 mi · "acima do período anterior exibido no painel";Ticket médio· R$ 184 · "estável". - Pontos de atenção: severidade
atencao· "Bebidas cai 18% contra o mês anterior" · evidência apontando a linha do visual de categorias. - Recomendações: "investigar o mix de Bebidas em Campinas", "conferir a meta de ticket médio".
Como Ana deve ler isso: a manchete e os destaques citam números que ela confere no painel — e ela confere. O ponto de atenção é uma hipótese: Bebidas caiu, o painel mostra isso; por que caiu, o insight não sabe e não deve afirmar. A recomendação é um próximo passo de investigação, não uma conclusão. Se o visual de categorias estivesse marcado como amostra, a saída esperada diria que o total exato exige agregar no SQL.
Erros comuns
| Erro | Por que é errado | O que fazer |
|---|---|---|
| Tratar insight como prova de causa | o insight descreve; causa não está nos dados | use o insight para formular a investigação, não para encerrá-la |
| Confundir "ponto de atenção" com anomalia detectada | um é texto de LLM, o outro é teste estatístico determinístico | confira a origem: cartão de anomalia do painel ≠ seção do insight |
| Aceitar número sem citação | o destaque traz número, mas você precisa achá-lo no painel | localize cada número no visual antes de repetir em reunião |
| Somar amostra | o widget pode ter enviado parte das linhas | leia o aviso de amostra; use o text-to-SQL para o total |
| Achar que a IA aprende com os dados | não há treino nem memória de conversa | "Analisar novamente" recomeça do snapshot atual, não de uma aprendizagem anterior |
| Pedir "agora" | a base é o snapshot da última atualização | atualize o painel antes de analisar |
O que os insights NÃO fazem
Não rodam consulta no datalake. Não estabelecem causalidade. Não substituem o detector determinístico de anomalias nem a decomposição de variação. Não afirmam total ou ranking sobre amostra. Não são tempo real. E não vêm com garantia de qualidade: o estado é Preview, a medição de qualidade em produção é NOT_MEASURED e a avaliação humana da IA é gate pendente.
Faça você mesmo#
No painel comercial do workspace de treino Aurora Varejo. Atenção: gerar insights consome o orçamento de IA do workspace — e "Analisar novamente" é uma nova chamada, com novo custo. Confira o teto do mês antes de começar e evite reanalisar sem motivo.
- Abra o painel comercial, aplique o filtro de período e clique no ✨ → "Explicar este dashboard".
- Copie a saída em quatro blocos e classifique cada linha em duas colunas: número que existe no painel e leitura do modelo.
- Pegue o primeiro destaque e localize o número dele no visual correspondente. Bateu? Anote.
- Pegue o primeiro ponto de atenção e escreva, com suas palavras, a hipótese que ele propõe e qual investigação você faria para confirmá-la. Não aceite como causa.
- Procure no painel um visual marcado como amostra (ou crie um truncando um visual) e confirme que a saída não afirma total sobre ele.
- Compare com o determinístico: localize no painel um cartão de anomalia ou uma decomposição de variação e explique a diferença de garantia entre ele e o "ponto de atenção" do insight.
- Em
/auditoria, encontre o evento de uso da geração e anote o custo real em reais.
Você terminou quando tiver a saída classificada entre número conferido e leitura do modelo, uma hipótese reescrita como investigação (sem linguagem de causa) e a diferença entre insight e detector de anomalias explicada em uma frase.
Checagem rápida#
Três perguntas no final da aula, corrigidas no servidor. A aula só conta como concluída depois da checagem.
Documentação relacionada#
Capacidades ensinadas#
C13.1 — o selo exibido na aula é sempre o estado mais conservador entre as capacidades citadas; nada aqui é "GA".