--- title: "Plataforma SaaS de otimização publicitária por IA Machine Learning (alias AdsPower)" description: "Plataforma SaaS de otimização publicitária por inteligência artificial e Machine Learning : classificação de intenção de busca por NLP, lances automatizados e detecção de palavras-chave negativas no Google AdWords, Bing Ads e Facebook Ads" locale: "pt" canonical: "https://portfolio.josedacosta.net/pt/realizacoes/plateforme-publicitaire-machine-learning" source: "https://portfolio.josedacosta.net/pt/realizacoes/plateforme-publicitaire-machine-learning.md" html_source: "https://portfolio.josedacosta.net/pt/realizacoes/plateforme-publicitaire-machine-learning" author: "José DA COSTA" date: "2016" type: "achievement" slug: "plateforme-publicitaire-machine-learning" tags: ["Symfony 3.2", "Angular 4/10", "TypeScript", "Azure ML Studio", "NLTK", "Google AdWords API", "Bing Ads API", "Facebook Ads SDK", "MySQL", "GitLab CI", "Vagrant", "Electron"] generated_at: "2026-06-02T15:36:59.447Z" --- # Plataforma SaaS de otimização publicitária por IA Machine Learning (alias AdsPower) Plataforma SaaS de otimização publicitária por inteligência artificial e Machine Learning : classificação de intenção de busca por NLP, lances automatizados e detecção de palavras-chave negativas no Google AdWords, Bing Ads e Facebook Ads **Data:** Janeiro 2016 - Dezembro 2018 **Duração:** 3 anos **Função:** Gerente de Projeto Técnico & Cofundador **Tecnologias:** Symfony 3.2, Angular 4/10, TypeScript, Azure ML Studio, NLTK, Google AdWords API, Bing Ads API, Facebook Ads SDK, MySQL, GitLab CI, Vagrant, Electron ## Apresentação do projeto ### O projeto em resumo AdsPower era uma **startup early-stage** construindo uma plataforma SaaS de otimização de campanhas publicitárias por **inteligência artificial**. O conceito central : ingerir milhares de pontos de dados de campanhas - palavras-chave, lances, quality scores, taxas de clique, dados de conversão - e alimentá-los em **modelos de classificação supervisionada** treinados no **Azure Machine Learning Studio** para produzir **recomendações de otimização acionáveis**. Concretamente, os modelos aprendiam a classificar comportamentos de usuários, analisar a intenção de busca via SERPs do Google, prever os preços de lance ótimos, identificar os clusters de palavras-chave performantes, detectar as palavras-chave negativas que drenavam os orçamentos, e recomendar melhorias de anúncios baseadas nos padrões de performance históricos - o conjunto resultando na **otimização automática dos lances** com base na taxa de conversão. O projeto foi diretamente inspirado pela **Optmyzr** e pela **Dolead**, ambas analisadas em profundidade durante nossa pesquisa competitiva. ## Objetivos, Contexto & Riscos ### Os 4 pilares do produto ### Otimização por IA Classificar intenções de busca e prever a probabilidade de conversão por palavra-chave via modelos de classificação supervisionada ### Lances automatizados Otimizar automaticamente os lances com base na taxa de conversão real ### Detecção de palavras-chave negativas Identificar e excluir automaticamente palavras-chave que drenam orçamento sem conversão via clustering semântico ### Quality Score Prever e melhorar o Quality Score via análise do CTR esperado, relevância dos anúncios e experiência da landing page ### Contexto de mercado e técnico ### Desafios de negócio e técnicos ### Riscos identificados ### **Quotas Google AdWords API** : rate-limiting ou banimento se volume excessivo ### Risk2 **Breaking changes na API** : Google modifica regularmente TOS e schemas (confirmado pela migração AdWords -> Google Ads no início de 2018) ### **Modelos imprecisos** : accuracy < 80 % = perda de confiança do cliente ### Risk4 **Vendor lock-in do Azure ML Studio** : plataforma Microsoft ainda jovem na época ### **Raridade das competências ML** na região de Bordeaux em 2017 ### **Runway limitado** : startup bootstrapped sem investidor externo - **Técnico** : industrializar o Azure ML em produção com latências < 500 ms nas recomendações de lance - **Regulatório** : respeitar quotas e TOS da API Google AdWords - risco de banimento em caso de excesso - **Diferenciação** : abordagem **ML-first** (vs heurística das plataformas estabelecidas no mercado) - **Sobrevivência** : validar o PMF (Product-Market Fit - adequação produto/mercado) antes de esgotar o runway (caixa restante antes do fim do financiamento - 18-24 meses máximo sem rodada) Objetivo de negócio : permitir que anunciantes do Google AdWords automatizem suas campanhas com IA, detectando palavras-chave com desempenho ruim e ajustando lances em tempo real. Contexto : mercado dominado pela Optmyzr (EUA) e Dolead (FR). Visávamos uma abordagem mais ML-first com scraping de SERP e classificação de intenção. Desafios : competir com plataformas estabelecidas, construir équipe produto/P&D, gerenciar dependência de APIs Google/Bing/Facebook. Riscos : cotas de API, quebras, concorrência, modelos de classificação imprecisos. Em 2016, o AdTech SEA era dominado pela **Optmyzr** nos EUA e pela **Dolead** na França, ambas baseadas em motores de recomendações essencialmente heurísticos. O **Azure Machine Learning Studio** saiu de preview pública em 2015 e abriu uma via gerenciada para industrializar modelos supervisionados sem infraestrutura. A équipe se apoiava em **2 cofundadores** : 1 CEO/fundador business e eu mesmo como **Chefe de projeto técnico & Cofundador (CTO)**, pilotando a concepção de produto, a arquitetura aplicativa, a R&D de Machine Learning e a interface com investidores. ## As etapas - O que eu fiz ### Percurso cronológico em 4 fases ### Pesquisa e concepção (janeiro-março de 2016, 3 meses) - Como **chefe de projeto técnico & cofundador**, conduzi a análise concorrencial aprofundada da **Optmyzr** e da **Dolead** (features, pricing, posicionamento) - Redigi o **caderno de encargos (60 páginas)** e produzi **40+ páginas de mockups** para Dashboard, Campaign Manager, Keywords, Opportunities, Quality Score, Reports e AI Insights - No lado das escolhas técnicas, decidi: **Angular** em vez de React (maturidade TypeScript 2016), **Symfony 3.2** para Doctrine ORM e bundles, **Azure ML Studio** pelo time-to-market, **NLTK** em vez de spaCy pelo suporte multi-idioma - **Dificuldade superada** : diante da escassez de freelancers ML em Bordeaux, fiz sourcing via pesquisa GitHub geolocalizada nos tags `machine-learning` ### Protótipo e v1 (abril-outubro de 2016, 7 meses) - No sprint 0, montei **Vagrant + Ubuntu 16.10**, um GitLab self-hosted, a CI/CD e os primeiros bundles Symfony - Desenvolvi o **Data Collection Service** (conectores Google AdWords + Bing Ads) - No lado da inteligência competitiva, construí o **SERP Scraper** (Goutte + CasperJS) cobrindo 6 motores (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) - Para o pipeline NLP, montei um sidecar **Python Flask** (NLTK + TF-IDF) e os primeiros modelos **Azure ML Studio** (Bid Prediction + k-means) - Em **novembro de 2016**, entreguei a **v1** com os 3 primeiros beta-testers - **Dificuldade superada** : para absorver os 10M+ requisições SERP/mês, instalei um cache **Memcached** e uma fila **Redis** ### v2 e multi-plataforma (novembro de 2016 - junho de 2017, 8 meses) - Após os retornos dos beta-testers, refiz a UX em **várias telas** - Adicionei a cobertura **Facebook Ads SDK** - No lado da distribuição, produzi os builds **desktop Electron** (Mac / Windows / Linux) e **mobile Cordova** (iOS / Android) - Para a segmentação de audiência, integrei a **Google Prediction API** - **Dificuldade superada** : diante do anúncio do Google sobre a migração AdWords API → **Google Ads API** no início de 2018, antecipei a reformulação completa de todos os conectores ### v3 Angular 10 e encerramento (julho de 2017 - dezembro de 2018) - Migrei **Angular 4 → 6 → 8 → 10** em 3 iterações maiores - No lado dos modelos, estabilizei e melhorei a accuracy dos modelos Azure ML - No plano comercial, assinei **4 contratos pagantes** em 18 meses (vs objetivo inicial de 20) - Vivi um ciclo de venda B2B longo (**6 meses** em média), com runway insuficiente para aguardar a maturação do funil - Em **dezembro de 2018**, tivemos de encerrar o projeto, orçamento esgotado ### Escolhas técnicas e métodos ML ### Fluxo de classificação ### Pipeline Machine Learning ponta a ponta ### Arquitetura aplicativa e serviços - **Aprendizado supervisionado** (gradient boosting, regressão logística, árvores de decisão) treinados no Azure ML Studio para prever os componentes do Quality Score - **Pipeline NLP** com NLTK: tokenização, stemming, remoção de stop words e vetorização TF-IDF de palavras-chave e consultas de pesquisa - **Clustering k-means** aplicado aos vetores TF-IDF para agrupar palavras-chave por intenção de busca e detectar palavras-chave negativas - **Segmentação de audiência** por classificação supervisionada em dados demográficos (idade, gênero) via Google Prediction API - **Scraping multi-motores** (Google, Bing, Yahoo, Yandex, Baidu, DuckDuckGo) para coletar dados de inteligência competitiva Pipeline ML em três etapas : (1) Coleta de dados via APIs Google AdWords, Bing Ads e um SERP Scraper próprio construído com Goutte e CasperJS para recuperar resultados estruturados. (2) Processamento NLP com NLTK para tokenização, stemming, remoção de stop words e vetorização TF-IDF. (3) Modelos ML no Azure ML Studio : classificação supervisionada por Gradient Boosting, clustering não supervisionado por k-means, e Google Prediction API para segmentação de audiência. Arquitetura : Backend Symfony 3.2 com 4 bundles, frontend Angular 4 depois Angular 10 com Highcharts e Syncfusion. Infraestrutura : Vagrant Ubuntu 16.10, MySQL utf8mb4, Memcached, GitLab CI/CD, Electron desktop + Cordova mobile. ## Com quem interagi - Équipe & ecossistema ### A equipe em números ### Meu papel e o recrutamento Como **Chefe de projeto técnico & Cofundador (CTO)**, conduzi todo o projeto da concepção à entrega : **arquitetura aplicativa**, **R&D Machine Learning**, **pilotagem dos sprints**, **gestão de prestadores** e **interface com investidores**. Coordenação de **4 prestadores externos** (2 desenvolvedores full-stack Angular/Symfony, 1 freelancer ML/data Python, 1 UX designer) identificados via pesquisa GitHub na região de Bordeaux. ### Partes interessadas externas com quem interagi ### Dificuldades organizacionais superadas ### Rituais Scrum e pipeline CI/CD - **3-4 beta-testers** (agências SEA francesas) : organizei feedback semanal durante 18 meses e co-desenhei os workflows com eles - **4 clientes pagantes** que assinei em 18 meses de atividade comercial - **1 Business Angel** reunido em due-diligence - após análise, declinamos a oferta - **Équipe Microsoft Azure ML** : mantive uma parceria que me deu acesso em preview às novidades da plataforma - **6 encontros com VCs em Paris** e 2 comitês de investimento que conduzi para o pré-seed - **Coordenação à distância** (freelancers em Bordeaux, Paris, Toulouse) via Trello + Slack + vídeo conferência semanal - **Divergência de roadmap CEO vs chefe de projeto técnico** : o CEO empurrava vendas + novas features, eu empurrava estabilidade + accuracy dos modelos - resolvida por 1-1 semanais e backlog priorizado em conjunto Conduzi uma équipe Scrum de 5 pessoas : 1 CEO/fundador ao meu lado, eu mesmo como **CTO/cofundador técnico** (gerente de projeto técnico e cofundador), 2 desenvolvedores freelance backend/frontend e 1 designer UX. Estruturei a organização em sprints de 2 semanas com Sprint Planning (Trello), desenvolvimento, code review (GitLab MR), deploy automático staging (GitLab CI), Sprint Review (demo do produto) e Retrospectiva. Gerenciei 18+ repositórios em 3 versões maiores e coordenei 40+ páginas de mockups. No dia a dia, orquestrei os freelancers externos e mantive as interações comerciais com os primeiros beta-testers, com feedback semanal sobre o produto. ### 5 Pessoas ### 18+ Repositórios ### 3 Versões maiores ### 40+ Páginas de maquetes ## Resultados & realizações ### Para a empresa : entregas e marcos ### Para mim - Competências adquiridas e reforçadas graças a este projeto - **Primeira plataforma SaaS francesa** a industrializar **Azure ML Studio** em produção para AdTech, desde 2016 - bem antes da generalização dos modelos preditivos na publicidade digital - **Entrega contínua durante 3 anos** com uma équipe estável de 4 prestadores, um orçamento controlado até o esgotamento do runway e um produto funcional em produção do sprint 1 até o encerramento - **Construção de aplicação multiplataforma**: web (Firebase), desktop (Electron para Mac/Win/Linux) e mobile (Cordova para iOS/Android) - **Concepção e documentação de modelo de dados completo** cobrindo os ecossistemas Google AdWords, Bing Ads e Facebook Ads - **3 versões maiores do backend em menos de um ano**, com migração do **Angular 4** para o **Angular 10** - **Documentação completa do projeto**: caderno de encargos, 4 specs funcionais, specs técnicas, modelo de dados, estudo de mercado - **Primeira cofundação de startup tech** : assumi o papel de **Chefe de projeto técnico & Cofundador (CTO)** e conduzi ponta a ponta (concepção, équipe, entrega, investidores) - **Chapéu de chefe de projeto técnico em early-stage** : dominei o desmembramento de sprints, a estimativa, a coordenação de freelancers e a roadmap de produto negociada com o CEO - **Machine Learning aplicado** : adquiri em condições reais a expertise Azure ML Studio, NLTK, gradient boosting e k-means em produção - **Eixo de R&D plurianual** : conduzi orçamento, recrutamento, priorização de produto e gestão de stakeholders investidores - No lado da équipe remota, gerenciei freelancers remotos e o turnover em 3 anos - **Product-market fit** : aprendi concretamente que a excelência técnica sozinha não basta - a validação comercial deve preceder a construção - **Ciclos B2B longos** : vivi um ciclo de venda médio de 6 meses e medi a importância do funil comercial vs P&D pura - Este projeto mudou minha forma de trabalhar : adotei definitivamente a abordagem **lean startup** em todas as minhas missões CTO / chefe de projeto técnico posteriores Entreguei uma plataforma SaaS funcional em produção com campanhas gerenciadas automaticamente. No lado da P&D, validei as provas de conceito para classificação de intenção de busca e detecção de palavras-chave negativas. Na distribuição, produzi aplicações multi-plataforma : web SPA Angular, desktop Electron (Mac/Windows/Linux) e mobile Cordova (iOS/Android). Coloquei em produção um pipeline ML operacional com Azure ML Studio e integrei as APIs Google AdWords, Bing Ads e Facebook Ads. No plano pessoal, adquiri minha primeira experiência de cofundação de startup tech, gestão de équipe técnica e P&D em ML aplicado ao marketing digital - e validei minhas competências de Technical Project Manager. ## Desfecho do projeto ### Fim da aventura e estado do projeto ### Futuro imediato (2018-2019, pós-encerramento) ### À distância (2019-2022) ### Hoje (2026) - Encerramento do desenvolvimento em **dezembro de 2018** e congelamento dos ambientes de produção - Retorno aos beta-testers com **solução de transição para Optmyzr** (migração acompanhada) - **4 clientes ativos** acompanhados manualmente durante 3 meses após o encerramento - **Documentação completa arquivada** (caderno de encargos, specs, modelo de dados, estudo de mercado) para eventual pivot futuro - **Liberação dos 4 prestadores** : todos encontram novas missões no mês seguinte - **Retornos de experiência** dados em escola de desenvolvimento em Bordeaux (compartilhamento sobre product-market fit e industrialização Azure ML) - Convergência do mercado AdTech : **OpenAI GPT (2020-2022)** redistribui as cartas, os modelos ML clássicos são largamente superados pelos LLMs ### **Projeto encerrado**, nenhuma retomada ou pivot previsto - **Projeto encerrado**, nenhuma retomada ou pivot previsto - **Capturas de tela e mockups** servem hoje como portfólio (ver galeria abaixo) O projeto encerrou no final de 2018 após 3 anos. A startup não encontrou product-market fit para levantar fundos significativos. Aprendizados : restrições regulatórias rígidas de APIs Google/Facebook, competição feroz no mercado US, dificuldade de diferenciar produto técnico contra players estabelecidos. Essas lições alimentaram projetos posteriores (Groupe Pichet, depois ACCENSEO). O projeto foi finalmente **abandonado por falta de recursos financeiros**. O custo de P&D era alto demais para uma startup bootstrapped sem financiamento externo. O produto funcionava, os modelos produziam recomendações reais, mas **sem tração comercial o orçamento se esgotou**. ## Meu olhar crítico ### Pontos positivos ### Pontos de melhoria ### O que eu faria diferente ### Os ensinamentos duradouros que este projeto me trouxe - **Rigor técnico** : mantive uma arquitetura DDD limpa, bundles Symfony modulares, testes e CI/CD desde o dia 0 - ficou como meu padrão pessoal desde então - **Escolha ML estratégica** : continuo convencido de que industrializar o Azure ML Studio era a aposta certa em 2016 (time-to-market + escalabilidade gerenciada) - **Multi-plataforma muito avant-garde** : entreguei desktop + mobile + web com uma codebase Angular unificada em 2016 - **Documentação exaustiva** : produzi caderno de encargos, specs, modelo de dados e estudo de mercado - **Validação comercial tardia demais** : construí a v1 completa antes de confrontá-la com 3 prospects pagantes - **Dependência do Azure ML Studio** : considerei o vendor lock-in tarde demais - **Équipe técnica demais** : fiquei sem perfil growth / marketing fixo - tudo repousava sobre o CEO - **Primeiro vender, depois construir** : 3 MOUs assinados antes de qualquer sprint de desenvolvimento - **MVP minúsculo** : 1 única feature ML (detecção de palavras-chave negativas), testada 6 meses antes de ampliar o escopo - **ML open-source** : scikit-learn + FastAPI em vez de Azure ML Studio, para evitar vendor lock-in - **Recrutar um 3º cofundador growth / marketing** para equilibrar o trio técnico/negócio/aquisição - **Formalizar mais cedo o papel de chefe de projeto técnico** com um board de pilotagem compartilhado com o CEO, para evitar divergências silenciosas sobre as prioridades - **Excelência técnica sozinha não faz um negócio viável** : vi que um bom produto sem clientes pagantes continua sendo um projeto de P&D. - **O timing importa tanto quanto a execução** : vivi que o ângulo de IA aplicada à publicidade estava **adiantado em 2016** - tornando o projeto visionário mas mais difícil de vender. - **Validar o mercado antes de construir o produto** : medi que investi tempo demais em P&D técnico e insuficiente em validação comercial com clientes pagantes reais. - **A capacidade de iterar rápido é um ativo duradouro** : essa disciplina de entrega regular permaneceu como reflexo permanente em todos os meus projetos seguintes. Com o recuo, eis como julgo este projeto. No lado das forças, construí uma arquitetura técnica moderna para a época, conduzi uma équipe motivada e adotei uma abordagem ML-first diferenciada em relação aos concorrentes puramente heurísticos. No lado das fraquezas, sobre-investi no técnico antes de validar o product-market fit, deixei se instalar uma dependência excessiva de APIs de terceiros e me faltou força comercial para enfrentar Optmyzr e Dolead. Os ensinamentos duradouros que este projeto me trouxe : hoje sei que é preciso validar o mercado antes de sobre-construir, que uma startup tech não sobrevive sem tração comercial mesmo com excelentes modelos ML, e que é melhor priorizar POCs rápidos em vez de plataformas completas antes dos primeiros clientes pagantes. Este projeto foi uma escola de lucidez empreendedora que me serviu na ACCENSEO posteriormente. ### Contexto adicional - Voltar às realizações - Janeiro 2016 - Dezembro 2018 - Apresentação do projeto - AdsPower era uma **startup early-stage** construindo uma plataforma SaaS de otimização de campanhas publicitárias por **inteligência artificial**. O conceito central : ingerir milhares de pontos de dados de campanhas - palavras-chave, lances, quality scores, taxas de clique, dados de conversão - e alimentá-los em **modelos de classificação supervisionada** treinados no **Azure Machine Learning Studio** para produzir **recomendações de otimização acionáveis**. Concretamente, os modelos aprendiam a classificar comportamentos de usuários, analisar a intenção de busca via SERPs do Google, prever os preços de lance ótimos, identificar os clusters de palavras-chave performantes, detectar as palavras-chave negativas que drenavam os orçamentos, e recomendar melhorias de anúncios baseadas nos padrões de performance históricos - o conjunto resultando na **otimização automática dos lances** com base na taxa de conversão. O projeto foi diretamente inspirado pela **Optmyzr** e pela **Dolead**, ambas analisadas em profundidade durante nossa pesquisa competitiva. - Objetivos, Contexto & Riscos - As etapas - O que eu fiz - Com quem interagi - Équipe & ecossistema - Resultados & realizações - Desfecho do projeto - Meu olhar crítico - Exemplo concreto : classificação de intenções de busca - **O problema** : no Google AdWords, os anunciantes compram palavras-chave em correspondência ampla (broad match). O Google então aciona anúncios em consultas de pesquisa que considera semelhantes, mas que muitas vezes **não têm nada a ver com a intenção comercial** da campanha. **A solução ML** : o sistema fazia scraping dos resultados de pesquisa Google (SERP) para cada palavra-chave comprada, analisava o **tipo de resultados exibidos** e extraía a **classificação temática e a intenção de busca** (transacional, informacional, navegacional). Esses sinais eram vetorizados via **TF-IDF** e injetados em um **modelo de classificação supervisionada** (gradient boosting no Azure ML). **O resultado** : o modelo classificava cada consulta como **pertinente ou não pertinente**. Palavras-chave identificadas como falsos positivos eram automaticamente sugeridas como **palavras-chave negativas**. Este é apenas um exemplo entre os muitos algoritmos de otimização construídos na plataforma. ## Competências aplicadas _Competências técnicas e humanas aplicadas_ - **[Lideranca & Gestao de Equipe](https://portfolio.josedacosta.net/pt/habilidades/lideranca-gestao-de-equipe.md)** - Co-fundação de startup como CTO, gestão de equipe de 4 freelancers para o desenvolvimento de plataforma ML - **[Pilotagem de Projeto & Metodologias Ageis](https://portfolio.josedacosta.net/pt/habilidades/pilotagem-de-projeto-metodologias-ageis.md)** - Pilotagem de 3 iterações principais de produto em menos de um ano como Technical Project Manager - **[Resolucao de Problemas & Adaptabilidade](https://portfolio.josedacosta.net/pt/habilidades/resolucao-de-problemas-adaptabilidade.md)** - Aprendizado autodidata de NLP, classificação ML e Azure ML Studio para construir uma plataforma de inteligência publicitária, Algoritmos de classificação de intenção de busca e otimização de lances usando TF-IDF e clustering k-means - **[Arquitetura de Software & Sistemas](https://portfolio.josedacosta.net/pt/habilidades/arquitetura-de-software-sistemas.md)** - Integração das APIs Google AdWords, Bing Ads e Facebook Ads para gestão de campanhas multi-plataforma - **[Desenvolvimento Fullstack](https://portfolio.josedacosta.net/pt/habilidades/desenvolvimento-fullstack.md)** - Plataforma full-stack com backend Symfony 3.2, frontend Angular 4/10 e pipelines ML ## Trajetória relacionada _Experiência profissional ligada a está realização_ - **AdsPower - Cofundador & Technical Project Manager** - Startup early-stage construindo uma plataforma SaaS de otimização de campanhas publicitárias por inteligência artificial. O produto utilizava machine learning para classificar comportamentos de usuários, prever a probabilidade de conversão e otimizar automaticamente os lances com base na taxa de conversão. Como gerente de projeto técnico, condução de ponta a ponta: escopo funcional e técnico, planejamento, coordenação de uma equipe de 4 freelancers e acompanhamento da entrega do MVP. ## Galeria de imagens _Capturas e visuais do projeto_ ## Você tem um projeto SaaS propulsionado por IA, LLMs ou Machine Learning ? Hoje atuo em projetos SaaS propulsionados por **IA** e **LLMs** : **RAG**, **fine-tuning**, **agentes autônomos**, orquestração multi-modelos, onde se trata de transformar um fluxo de dados bruto em recomendações acionáveis. Esse know-how se apoia em um alicerce mais antigo de **Machine Learning clássico** - industrializado no AdsPower com **NLP** (NLTK + TF-IDF), **classificação supervisionada** (gradient boosting) e **clustering k-means**, integrado a várias APIs externas (Google AdWords, Bing Ads, Facebook Ads) em uma plataforma SaaS multi-plataforma. Se você explora um projeto SaaS em torno da **IA**, dos **LLMs** ou do **Machine Learning**, vamos conversar sobre seu contexto. **Entrar em contato**