Um stakeholder pede um modelo de machine learning, mas você acha que uma regra simples resolveria. Como você conduz isso?

Acordem primeiro qual é a decisão e a métrica de sucesso, e então proponha a regra como baseline que o modelo tem que superar. Construa a heurística em um ou dois dias, meça e mostre o número. Se um modelo ganhar por uma margem que justifique a manutenção, construa o modelo; se não ganhar, você entregou valor em uma semana e manteve a opção aberta.

Eu não discutiria se precisa de machine learning, porque essa é uma discussão de gosto. Eu perguntaria qual decisão isso impulsiona e como saberíamos que funcionou. Depois eu diria: vamos fazer da regra a baseline. Me dá dois dias, eu construo a heurística, a gente mede na mesma métrica e, se um modelo ganhar por uma margem que valha a pena, eu construo o modelo com prazer. Isso reenquadra a coisa de eu dizendo não para nós rodando um teste. Eu fiz exatamente isso em um pedido de lead scoring. A regra eram três condições sobre tamanho da empresa, visitas de página e pedidos de demonstração. Ela capturou a maior parte do ganho possível, e a versão com gradient boosting que eu construí depois adicionou alguns pontos de precisão. O time pesou isso contra o custo de um pipeline de retreino, monitoramento e alguém sendo dono daquilo, e escolheu a regra por um ano. Entrou em produção em uma semana em vez de um trimestre. Eu também aponto que um modelo é um compromisso permanente: ele sofre drift, precisa de monitoramento, alguém é acionado. Uma regra não.