Insights Auto Assessment

O projeto nasceu em um hackathon do setor de tecnologia da empresa. Em um dia de trabalho, exploramos uma oportunidade de usar descrições dos usuários na plataforma para simplificar o preenchimento das avaliações de falhas.

A proposta evoluiu para um discovery mais amplo e, ao longo de dois meses, foi desenvolvida até chegar ao produto. Foi o primeiro projeto com LLM no módulo de monitoramento da plataforma e a primeira funcionalidade da empresa com onboarding in-platform, integrado à experiência de uso.

Durante o discovery, identificamos que, ao avaliar os problemas detectados nas máquinas e enviados na plataforma, os usuários descreviam corretamente o que havia acontecido com o ativo e a conclusão sobre o problema, mas preenchiam os campos da avaliação de forma incompleta ou incorreta.

Eles compreendiam a ocorrência, mas tinham dificuldade em traduzir esse entendimento para as classificações exigidas pelo formulário da plataforma.

Além de exigir preenchimento repetitivo, essa etapa gerava divergências entre a descrição e os campos estruturados, comprometendo a consistência dos registros.

Se utilizássemos a descrição do usuário como ponto de partida para sugerir os campos da avaliação, poderíamos reduzir o preenchimento repetitivo e as inconsistências entre texto e classificação.

Para isso, o profissional precisaria continuar no controle, podendo revisar, corrigir ou optar pelo preenchimento manual.

Atuei como Product Designer e Product Manager, desde a definição da experiência até o acompanhamento da implementação.

• Conduzi o discovery e defini os requisitos de produto.
• Desenhei os fluxos de interação, interfaces e protótipos no Figma.
• Criei o golden set, conjunto de referência utilizado para avaliar as respostas da IA.
• Coordenei a implementação com profissionais de machine learning e desenvolvimento web e mobile.
• Acompanhei o lançamento gradual e os ajustes da solução.

O Insights Auto Assessment transforma uma descrição livre em sugestões de avaliação estruturada.

Em vez de preencher todos os campos individualmente, o usuário descreve suas observações. A IA utiliza esse texto para sugerir informações como tipo de evento, modo de falha, componente afetado, causa raiz, período e economia potencial.

Todos os campos permanecem editáveis, permitindo que o profissional confira e ajuste as sugestões antes de concluir o registro.

• Fluxo de avaliação assistida por IA: descrição livre como entrada para gerar sugestões estruturadas.
• Campos editáveis: revisão e correção das sugestões pelo profissional.
• Alternativa manual: continuidade da experiência de preenchimento existente.
• Onboarding in-platform: apresentação da funcionalidade integrada à experiência.
• Feedback sobre a IA: mecanismos para avaliar as sugestões.
• Golden set: conjunto de referência para avaliar a qualidade das respostas.
• Interfaces e protótipos no Figma: definição dos fluxos e estados para implementação.

Realizamos um lançamento parcial para acompanhar a resposta dos usuários e ajustar a solução antes de ampliar sua disponibilidade.

Nessa etapa, acompanhamos o uso e os retornos recebidos, realizamos ajustes na IA e corrigimos bugs. Após essas melhorias, expandimos o lançamento para toda a base de clientes.

Essa abordagem permitiu introduzir a mudança gradualmente e incorporar os aprendizados da primeira etapa antes da expansão.

A proposta explorada no hackathon tornou-se uma funcionalidade disponibilizada no produto, combinando sugestões de IA com revisão humana e preservando o preenchimento manual.

A entrega também marcou a introdução de LLMs no módulo de monitoramento e do onboarding in-platform.

Os benefícios buscados foram reduzir o esforço de preenchimento e aumentar a consistência das avaliações. Este case não apresenta métricas quantitativas de impacto.

Demonstração da funcionalidade e publicações oficiais que fazem referência ao vídeo.

• YouTube · Insights Auto Assessment — Failure Analysis in Seconds
• Site · Best Industrial IoT Monitoring Solutions for Smart Manufacturing