A stack certa de IA encurta meses de tentativa e erro para cientista de dados.

Atue como um Cientista de Dados Sênior especializado em MLOps e Validação de Modelos. Tenho um modelo de Machine Learning em estágio de protótipo e preciso garantir que ele seja robusto, ético e livre de erros técnicos comuns antes de avançar para produção. Contexto do Modelo: - Objetivo do Modelo: [Descreva o que o modelo prevê] - Algoritmo utilizado: [Ex: XGBoost, Random Forest, Regressão Logística] - Variável Alvo (Target): [Nome da variável] - Principais métricas de sucesso: [Ex: AUC-ROC, F1-Score, RMSE] Com base nessas informações, gere um roteiro técnico detalhado contendo: 1. Estratégia de Cross-Validation: Sugira o método de partição ideal (K-Fold, Stratified, Time-Series Split) justificando a escolha técnica com base no tipo de dado. 2. Detecção de Data Leakage: Liste 5 possíveis fontes de vazamento de dados específicas para este contexto de negócio que devo verificar no meu pipeline. 3. Testes de Estresse e Robustez: Sugira cenários de 'edge cases', como valores ausentes inesperados ou outliers, para testar a estabilidade das predições. 4. Análise de Viés (Fairness): Proponha como segmentar a validação por subgrupos ou categorias para identificar se o modelo apresenta performance discrepante ou discriminatória. 5. Plano de Interpretabilidade: Sugira técnicas (SHAP, LIME ou Feature Importance) para explicar as decisões do modelo para stakeholders técnicos e de negócio. O resultado deve ser um guia técnico acionável, com recomendações de bibliotecas Python adequadas para cada etapa.