Pipeline de ML: o difícil não é treinar, é operar

**Pipeline de ML, model registry e model serving** são as três peças que transformam um modelo treinado em sistema que funciona todo dia: a esteira que prepara [dados](https://clubmartech.com.br/blog/dados-transformar-volume-acionavel/) e treina, o catálogo que versiona os modelos com seus metadados, e a camada que entrega previsões para quem consome. Parecem detalhe de engenharia e são a maior parte do trabalho — o que um artigo clássico da NeurIPS estabeleceu em 2015 numa frase que virou referência: **apenas uma pequena fração de um sistema real de [aprendizado de máquina](https://clubmartech.com.br/blog/aprendizado-maquina-pratica-aplicacoes/) é composta pelo código de ML**. Todo o resto é configuração, coleta de dados, extração de atributos, verificação, gerenciamento de recursos, [infraestrutura](https://clubmartech.com.br/blog/infraestrutura-dados-[ia](https://clubmartech.com.br/blog/ia-marketing-vendas-inteligentes/)-meses/) de entrega, monitoramento e [análise](https://clubmartech.com.br/blog/analise-dados-marketing-[kpis](https://clubmartech.com.br/blog/kpis-marketing-definir-resultados/)/). O mesmo trabalho registra que é comum incorrer em **custos massivos e contínuos de manutenção** nesses sistemas.## ⚠️ O “5%” que não existeUma nota de procedência, porque este é um caso exemplar de número que ganhou vida própria. Circula amplamente a afirmação de que **“apenas 5% do código de um sistema de ML é o modelo, segundo Sculley et al.”**.**Esse percentual não está no artigo.** O texto diz “uma pequena fração”, e a figura que ilustra a ideia é um **diagrama esquemático de caixas proporcionais** — não uma medição. Alguém leu o desenho, estimou a proporção da caixa menor e publicou como dado; daí em diante virou citação.O achado continua verdadeiro e continua útil [sem](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) o número inventado. E o próprio caso serve de aviso: **quando um dado vier com atribuição acadêmica precisa e valor redondo, vale abrir a fonte**.## As três peças, e o que cada uma resolve

• **Pipeline de ML** — a sequência automatizada que vai do dado bruto ao modelo treinado. Existe para que treinar de novo não dependa de alguém lembrar a ordem dos passos.
• **Model registry** — armazena centralmente os modelos treinados **junto de seus metadados**. Guarda duas coisas: o artefato e o registro de como ele foi produzido. É o que permite responder “qual versão estava no ar em março”.
• **Model serving** — a entrega das previsões, configurável para propósitos distintos: **inferência em tempo real** para resposta imediata, ou **em lote** para grandes volumes. Costuma ser exposta como API.

Note que a escolha entre tempo real e lote não é técnica — é a mesma decisão de

, e ela determina o custo da operação.## O que isso muda na práticaA consequência mais direta para quem contrata: **o difícil não é treinar o modelo — é operá-lo**. Projetos de [IA](https://clubmartech.com.br/blog/ia-marketing-vendas-inteligentes/) em [marketing](https://comecandonaweb.com.br/marketing-digital/) costumam ser orçados pelo esforço de construção e naufragam no custo de manutenção que ninguém previu.Quatro perguntas que revelam se um fornecedor pensou nisso:

• **Como o modelo é retreinado, e com que frequência?** Se a resposta for “manualmente, quando alguém perceber que piorou”, o sistema vai envelhecer sem aviso — assunto de concept [drift](https://clubmartech.com.br/blog/drift-pratica-conversas-b2b/).
• **Onde ficam as versões?** Sem registro, não há como voltar atrás quando uma versão nova piora o resultado.
• **O que é monitorado em produção?** Não só se a API respondeu — se a *qualidade* da previsão se manteve.
• **Quem é avisado quando degrada, e em quanto tempo?** Modelo que erra em silêncio erra por meses.

Para uma equipe de marketing sem time dedicado de [infraestrutura](https://clubmartech.com.br/blog/infraestrutura-dados-ia-meses/), isso costuma ser argumento a favor de **usar API pronta em vez de manter modelo próprio** — a conta está em

.## Fontes

• Hidden Technical Debt in [Machine Learning](https://clubmartech.com.br/significado/machine-learning/) Systems — Sculley et al., NeurIPS 2015
• Machine Learning Operations (MLOps): Overview, Definition, and Architecture — definições de registry e serving

*Leitura das fontes em 17/08/2026.*