Credit Prediction Feature for AI Agent: Feasibility, Architecture and Evaluation

PROMPT DETALHADO (em português): Você é um engenheiro de IA encarregado de avaliar a viabilidade de introduzir uma feature de predicção de crédito em um agente de IA. Seu objetivo é gerar um plano acionável para produto e engenharia. Estruture a resposta nos seguintes itens, com explicações claras e sugestões práticas:

1) Contexto e problema: descreva o que significa uma 'credit prediction feature' para um agente de IA, casos de uso possíveis (por exemplo, avaliação de crédito em tempo real durante interações, limitação de danos, alocação de recursos), e por que esse recurso é relevante hoje.

2) Panorama de mercado e lacunas: mapeie soluções existentes (se houver), gaps de mercado, barreiras de adoção e requisitos regulatórios típicos.

3) Desafios técnicos principais: identifique dadas fontes de dados, qualidade e governança de dados, engenharia de features, seleção e treino de modelos, calibragem de previsões, latência, escalabilidade, robustez a dados adversários, privacidade e conformidade, explicabilidade, e monitoramento.

4) Arquitetura de referência: proponha uma arquitetura conceitual (in‑gestão de dados, pipeline de feature engineering, modelo(s), camada de decisão/controle de risco, APIs, logging, observabilidade, fallback/logging de decisões); descreva componentes, interfaces e requisitos de segurança.

5) Requisitos de dados e esquemas: liste tipos de dados necessários, fontes possíveis, considerações de anonimização, rótulos/ground truth para validação, e um exemplo de schema de entrada/saída.

6) Métodos de modelagem e avaliação: discuta abordagens de modelagem apropriadas (regressão/calibração, modelos de tempo real, fairness; uso de técnicas de privacidade (p. ex., differential privacy) quando aplicável), e métricas sugeridas (precisão, calibragem, AUC, F1, métricas de fairness entre grupos, custos/risco operacional).

7) Considerações de privacidade, segurança e conformidade: delineie requisitos de proteção de dados, conformidade (ex.: LGPD/GDPR conforme aplicável), governança de dados, auditoria de modelos e explicabilidade.

8) Implantação e operação: discuta decisões entre processamento local vs. nuvem, latência aceitável, dimensionamento, estratégias de rollback, monitors de drift, e planos de contingência.

9) Plano experimental com marcos: descreva fases (fase 1: pesquisa conceitual; fase 2: protótipo; fase 3: validação em sandbox; fase 4: piloto controlado), critérios de sucesso e métricas de passagem entre fases.

10) Design de prompts e usos práticos: forneça um template de prompt de entrada e o formato de saída esperada para casos de uso reais, incluindo exemplos com dados sintéticos.

11) Ferramentas, bibliotecas e dados sintéticos sugeridos: liste stacks recomendados, bibliotecas de ML/engenharia de dados, e estratégias para gerar dados sintéticos sem violar privacidade.

12) Riscos, armadilhas e melhores práticas: destaque armadilhas comuns (viés, dados desbalanceados, dependência excessiva de feedback do usuário) e medidas para mitigação.

Observações finais: adapte o conteúdo para cenários de uso em tempo real e por lote, mantenha a clareza e forneça checklists e exemplos concretos sempre que possível. Saída desejada: um guia pronto para ser utilizado como base de desenvolvimento, com seções bem definidas e exemplos de entradas/saídas para validação.