Agenda uma call
A Data Forge é uma plataforma de colaboração em machine learning criada para engenheiros e especialistas trabalharem juntos na melhoria da precisão de modelos. Quando o cliente nos procurou, existia apenas uma demo interna — um produto com bases técnicas fortes, mas sem estrutura de UX, sem fluxos e sem consistência visual.
O objetivo do sprint inicial de 3 semanas foi transformar esta demo numa plataforma funcional e intuitiva: visualização de dados clara, fluxos estruturados de criação de modelos e um sistema de colaboração lógico e escalável com novas funcionalidades.
O maior obstáculo era a complexidade do ecossistema de informação. O produto tinha de suportar múltiplos tipos de dados, configurações de modelos, datasets, colaboradores e workflows e, ainda assim, continuar compreensível para engenheiros e especialistas não técnicos. Nada estava estandardizado: formatação visual, sistemas decimais, vistas de dados, permissões e fluxos eram inconsistentes ou estavam por definir.
Começámos com sessões de discovery e clarificação técnica para mapear como os dados entravam no sistema, como os modelos eram construídos e como os colaboradores interagiam com a plataforma. No Miro, documentámos pressupostos, ações dos utilizadores e relações entre datasets, visualizações e outputs de modelos. Com esta base alinhada, desenhámos os primeiros fluxos fundamentais: criação de projeto, upload de datasets, configuração de outputs, personalização de vistas e definição de permissões de colaboração.
O primeiro sprint entregou uma base de UX estruturada que a equipa de engenharia pôde usar para escalar o produto. Definimos standards consistentes de visualização de dados (vista em tabela vs cartões, comportamento de colunas, sistemas décimais, lógica de cores), desenhámos os principais fluxos de utilizador e criámos um protótipo interativo de alta fidelidade que demonstra onboarding, criação de projeto, upload de datasets, personalização de visualizações e hierarquia de colaboração.
Meses mais tarde — já com a plataforma em expansão — o cliente voltou a envolver-nos em funcionalidades avançadas. Desenhámos soluções para pesquisa rápida, filtros, ações em bulk, tagging, notas e fluxos de identificação de dados suportados por LLM. Criámos também fluxos de correção de labels claros para melhorar dados de ground truth, reduzindo fricção para especialistas de domínio e aumentando a qualidade de treino dos modelos.
A nova estrutura de UX deu à engenharia uma base clara e escalável para desenvolvimento futuro. Equipas internas reportaram onboarding mais rápido, setups de projeto mais claros e menos tempo gasto a interpretar datasets. O protótipo tornou-se a referência para demos, onboarding e conversas com investidores.
Trabalhar com ferramentas de machine learning complexo reforçou a importância de unir profundidade técnica e clareza para o utilizador. Fluxos modulares, padrões visuais previsíveis e linguagem consistente foram críticos para a escalabilidade. O projeto destacou também a necessidade de manter flexibilidade à medida que novas funcionalidades se juntam a roadmaps de ML em rápida evolução.
