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 equipe 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.

• 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)

• Quotas Google AdWords API : rate-limiting ou banimento se volume excessivo
• 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
• 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

• 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

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.

• 3-4 beta-testers (agências SEA francesas) : feedback semanal durante 18 meses, co-design dos workflows
• 4 clientes pagantes assinados em 18 meses de atividade comercial
• 1 Business Angel reunido em due-diligence (oferta finalmente declinada de nossa parte)
• Parceiro Microsoft Azure ML team : acesso em preview às novidades da plataforma
• 6 encontros com VCs em Paris e 2 comitês de investimento 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

• 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 equipe 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 como Chefe de projeto técnico & Cofundador (CTO), com pilotagem ponta a ponta (concepção, equipe, entrega, investidores)
• Domínio operacional do papel de chefe de projeto técnico em early-stage : divisão de sprints, estimativa, coordenação de freelancers, roadmap de produto negociado com o CEO
• Expertise em Machine Learning aplicado adquirida em condições reais : Azure ML Studio, NLTK, gradient boosting, k-means em produção
• Condução de um eixo de R&D plurianual : orçamento, recrutamento, priorização de produto, gestão de stakeholders investidores
• Gestão de freelancers remotos e gestão de turnover em 3 anos
• Aprendizado concreto do product-market fit : a excelência técnica sozinha não basta, a validação comercial deve preceder a construção
• Compreensão dos ciclos B2B longos (6 meses de venda média) e da importância do funil comercial vs R&D pura
• Adoção definitiva da abordagem lean startup em todas as minhas missões CTO / chefe de projeto técnico posteriores

• •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
• •Capturas de tela e mockups servem hoje como portfólio (ver galeria abaixo)

• Rigor técnico : arquitetura DDD limpa, bundles Symfony modulares, testes e CI/CD desde o dia 0 - mantido como padrão pessoal desde então
• Escolha ML estratégica : industrializar o Azure ML Studio era a aposta certa em 2016 (time-to-market + escalabilidade gerenciada)
• Multi-plataforma muito avant-garde : desktop + mobile + web com uma codebase Angular unificada em 2016
• Documentação exaustiva : caderno de encargos, specs, modelo de dados, estudo de mercado

• Validação comercial tardia demais : construção da v1 completa antes de confrontação com 3 prospects pagantes
• Dependência do Azure ML Studio : vendor lock-in considerado tarde demais
• Equipe técnica demais : 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. Um bom produto sem clientes pagantes continua sendo um projeto de P&D.
• O timing importa tanto quanto a execução. 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. Tempo demais investido em P&D técnico e insuficiente em validação comercial.
• A capacidade de iterar rápido é um ativo duradouro - essa disciplina de entrega regular se tornou um reflexo permanente em todos os meus projetos seguintes.