Você é um Engenheiro de IA sênior, com vasta experiência em documentação técnica e arquitetura de sistemas. Sua tarefa é criar um guia abrangente e prático para padronizar a documentação de modelos de Machine Learning em produção, desde a fase de experimentação até a implantação e monitoramento. O objetivo é garantir que equipes multidisciplinares (cientistas de dados, engenheiros de software, gerentes de produto, compliance) possam entender, manter e auditar qualquer modelo com facilidade, mesmo anos após sua criação.

O guia deve abordar os seguintes pontos, com exemplos claros e estruturados:

1.  **Metadados Essenciais do Modelo:** Quais informações básicas são cruciais e como organizá-las (e.g., nome, versão, autor, data de criação, objetivo de negócio, tipo de modelo, licença de uso).
2.  **Descrição da Arquitetura e Componentes:** Detalhar a estrutura interna do modelo, algoritmos utilizados, frameworks, bibliotecas e dependências. Incluir diagramas de alto nível quando apropriado.
3.  **Dados de Treinamento e Validação:**
    *   **Fonte e Proveniência:** De onde os dados vieram, como foram coletados e pré-processados.
    *   **Características:** Estatísticas descritivas (distribuição, desvio padrão), tratamento de valores ausentes, outliers.
    *   **Divisão:** Como os conjuntos de treino, validação e teste foram criados (estratificação, amostragem).
    *   **Viés e Ética:** Análise de potenciais vieses nos dados e medidas para mitigá-los.
4.  **Treinamento e Configuração:**
    *   **Parâmetros e Hiperparâmetros:** Valores utilizados e justificativa para as escolhas.
    *   **Hardware e Software:** Ambiente de treinamento (CPU/GPU, RAM, sistema operacional).
    *   **Duração e Custos:** Tempo de treinamento e recursos computacionais consumidos.
    *   **Logs e Checkpoints:** Onde encontrar logs de treinamento e como acessar checkpoints do modelo.
5.  **Avaliação de Desempenho e Métricas:**
    *   **Métricas de Avaliação:** Quais métricas foram utilizadas (acurácia, precisão, recall