Observar resultado, trajetória e mudança

Telemetria em camadas

Logs registram eventos; métricas agregam séries; traces conectam etapas. Em IA, observe entrada validada, composição de contexto, retrieval, modelo, ferramentas, policy e resultado. O objetivo é responder “por que falhou?” sem armazenar conteúdo sensível indiscriminadamente.

request_id
 ├─ retrieval: índice, filtros, chunks, latência
 ├─ model: versão, prompt hash, uso, latência
 ├─ tools: nome, policy, status, duração
 └─ outcome: aceite, revisão humana, custo

Use IDs e hashes; conteúdo completo somente quando necessário, consentido, protegido e com retenção curta. Redaction ocorre antes da exportação.

Métricas que importam

qualidade e abstenção no golden/canários;
groundedness e citation precision;
erro de schema e ferramenta;
p50/p95/p99 por estágio;
input/output/cache tokens;
custo por tarefa concluída;
passos e loops por execução;
aprovação, correção e abandono humanos;
freshness e lag de ingestão.

Custo por token isolado engana. Denominador deve ser resultado útil. A queda de preço de um modelo pode ser anulada por mais retries.

Drift

Data drift é mudança na entrada; concept drift, na relação entrada→alvo; performance drift, no resultado; prompt/model drift, em componentes. Detectar distribuição não prova dano e ausência de drift estatístico não prova qualidade. Combine canários rotulados, feedback curado e métricas operacionais.

Alertas e runbook

Alerta precisa de sintoma acionável, limiar, janela, owner e resposta. “Qualidade caiu” sem medição confiável não é alerta. Para pico de schema inválido: confirmar versão, amostrar traces redigidos, ativar fallback/rollback e rodar eval rápida.

Falhas e segurança

Full prompts em logs criam shadow dataset, exposição interna e retenção ilegal. Labels de alta cardinalidade explodem custo. Dashboards médios escondem tenant ou idioma degradado. Traces sem relógio/ID não correlacionam.

Controle acesso, criptografia, minimização, retenção, auditoria e separação entre dados de produto e segurança. Telemetria também é ativo.

Exercício e aceite

Instrumente pipeline simulado e cause: retrieval vazio, modelo lento, tool timeout e custo em loop. Crie painel e runbook. Aceite: correlação fim a fim; redaction testada; métricas por etapa; orçamento; alerta acionável; rollback; drift ligado a decisão, não só gráfico.

Fontes

Laboratório e caderno de evidências

Este caderno transforma o conceito do livro em uma decisão de engenharia auditável. O cenário é Detectar regressão sem registrar dados excessivos. A regra é começar pelo sistema atual — logs técnicos e golden canaries — e só acrescentar complexidade quando uma avaliação previamente definida demonstrar ganho líquido.

1. Escreva o contrato da decisão

Registre em uma página: quem usa, qual decisão recebe apoio, quais entradas existem naquele instante, qual saída é permitida, qual efeito é proibido e quem responde pelo resultado. Separe sugestão, decisão e execução. Uma resposta textual pode sugerir; a API de domínio continua autorizando e registrando qualquer mudança.

Use critérios no formato dado/quando/então. Inclua caminho nominal, ausência de dados, conflito, outro tenant, dependência indisponível e tentativa adversarial. “Funciona bem” não é critério. Declare o limite de tempo, custo, dados e risco, além da condição de parada.

2. Construa o pacote mínimo de evidência

Crie um conjunto pequeno, porém representativo, antes de alterar o sistema. Cada caso tem identificador estável, origem, resposta ou comportamento esperado, risco, tags e razão da inclusão. O conjunto de desenvolvimento ajuda a iterar; um holdout separado impede otimizar contra a própria prova. Dados reais exigem minimização, controle de acesso e retenção. Quando usar casos sintéticos, identifique-os e confirme que não substituem a distribuição real.

A comparação deve manter constantes as partes que não estão sendo avaliadas. Se trocar modelo e prompt ao mesmo tempo, você não saberá a causa. Registre versões, configurações, ambiente, seeds quando aplicável e data. Preserve os piores erros como artefatos, não apenas a média.

3. Desenhe a fronteira operacional

entrada validada → componente candidato → validação externa
                 → autorização/policy → resultado observável
                 → feedback curado → avaliação de regressão

Marque onde conteúdo não confiável entra, onde identidade e permissões são resolvidas, onde segredos ficam e qual componente pode produzir efeito. O modelo não é fonte de verdade nem mecanismo de autorização. Use schema, consulta ao sistema de registro, allowlists, limites e confirmação proporcional ao risco.

Para cada dependência defina timeout, retry, idempotência, fallback e circuit breaker. Retry não é padrão para efeitos: um timeout pode ocorrer depois do sucesso. Modo degradado precisa preservar segurança e deixar claro ao usuário o que perdeu.

4. Faça uma pré-mortem

As falhas prioritárias deste livro são: PII no trace; label cardinality; drift sem impacto; alerta sem owner. Para cada uma, escreva gatilho, impacto, detecção, contenção, recuperação e teste do controle. Inclua falha acidental e abuso deliberado. Se a única defesa é “o modelo provavelmente recusará”, o controle ainda não existe.

Execute tabletop: uma pessoa opera, outra injeta a falha e uma terceira observa. O operador deve diagnosticar usando dashboards, traces e runbook, sem depender do autor. Registre lacunas e transforme recorrência em teste, política, alerta ou mudança arquitetural.

5. Meça o sistema completo

O painel mínimo acompanha custo por sucesso; p95 por estágio; erro; qualidade por segmento. Faça cortes por versão, tipo de tarefa, risco e população relevante. Latência fim a fim inclui fila, retrieval e ferramentas. Custo é dividido por tarefa concluída, não por chamada. Qualidade em produção usa sinais curados; clique ou concordância do usuário não prova correção.

Defina SLO e orçamento de erro quando houver operação contínua. Alertas precisam de owner e ação. Telemetria passa por redaction antes de sair do processo; prompt, documento, memória ou trace completo podem conter informação pessoal, segredo ou conteúdo malicioso.

6. Libere em degraus

A sequência segura é offline, shadow, equipe interna, canário, aumento gradual e produção. Cada degrau possui gate e rollback. Feature flag separa deploy de liberação. A reversão deste cenário é: acionar modo degradado e preservar evidência redigida. Treine a reversão antes do incidente e verifique que dados derivados, filas e caches também retornam a estado compatível.

Mudança de modelo, prompt, índice, ferramenta, policy ou dataset é mudança de sistema. Rode regressão proporcional. Um fornecedor atualizar silenciosamente comportamento não remove sua obrigação de testar.

Matriz de aceite

Dimensão	Evidência exigida	Falha que bloqueia
valor	ganho sobre baseline em casos representativos	demo isolada sem comparação
correção	golden set, holdout e análise dos piores casos	métrica média sem cauda
segurança	testes negativos de identidade, dados e efeitos	policy apenas no prompt
privacidade	minimização, finalidade, retenção e exclusão	dado sensível em trace
operação	SLO, alerta, runbook e rollback exercitado	dependência sem timeout
governança	owner, versão, usos permitidos e revisão	sistema órfão

Exercício de competência

Entregue um repositório ou pacote reproduzível contendo contrato, diagrama de fronteiras, casos de avaliação, script de execução, relatório comparativo, threat model, dashboard mínimo e runbook. Introduza deliberadamente duas falhas da pré-mortem e demonstre detecção e recuperação. Outra pessoa deve conseguir repetir o resultado sem explicação oral.

A aprovação exige: baseline preservado; critérios definidos antes do resultado; pelo menos um caso em que o sistema se abstém; efeito sensível protegido fora do modelo; custos medidos; rollback testado; limitações e usos proibidos escritos. Se o candidato não superar o baseline com segurança, documentar “não adotar” é um resultado tecnicamente correto.

Perguntas de recuperação ativa

Qual afirmação deste sistema depende de evidência externa?
O que o modelo pode propor, mas jamais autorizar?
Qual mudança invalidaria o holdout?
Como detectaríamos a pior falha antes do usuário?
Qual é o caminho de retirada em menos de uma hora?

Relações

Use este caderno junto ao livro de evals para desenho estatístico, ao de segurança para cenários adversariais, ao de observabilidade para sinais e ao de UX para supervisão. A profundidade nasce da conexão entre decisão, implementação, medição e recuperação — não da quantidade de ferramentas citadas.

Observar resultado, trajetória e mudança: fundamentos, experimento e evidência