Destaques e comentários sobre as atualizações da DataRobot no Q2 e Q3 2025
- Frederico Gonzalez Colombo Arnoldi
- 2 de out.
- 5 min de leitura
Atualizado: 7 de out.
Agenda
Contexto
Destaques e comentários sobre as atualizações da DataRobot no Q2 e Q3 2025
A Carpa Analytics é revendedora oficial no Brasil da DataRobot
Contexto
Recentemente, a DataRobot foi listada entre as principais empresas da lista Fortune Future 50. O 4º lugar entre mais de 3.000 organizações já é um destaque relevante, mas o fato de ser a única empresa focada exclusivamente em IA no top 10 reforça ainda mais sua posição.
Como destacamos em nossa análise do Quadrante Mágico da Gartner 2025 para plataformas DSML [1], “uma visão sólida e coerente de médio e longo prazo garante que os produtos sejam desenvolvidos alinhados às necessidades do mercado, não só atuais, mas também futuras.” Essa mesma visão parece ser compartilhada pela equipe da Fortune responsável pelo estudo.
Esse reconhecimento se conecta diretamente à forma como a DataRobot escuta seus usuários e o mercado, saindo à frente das demandas que muitas vezes ainda não foram plenamente atendidas por outros fornecedores. Esse olhar proativo explica o ritmo constante de evoluções da plataforma e nos leva a iniciar uma série de artigos para comentar as atualizações que consideramos mais relevantes.
Destaques e comentários sobre as atualizações da DataRobot no Q2 e Q3 2025
Para as atualizações publicadas de maio a setembro de 2025 [2], dividimos nossos comentários em dois artigos: 1) o lançamento das funcionalidades voltadas à implantação de (multi)agentes (ainda em fase de estudos e redação do nosso lado) e 2) destaques gerais das atualizações dos últimos cinco meses (esse artigo). Neste último, destacamos e comentamos 5 temas, abaixo.
“Next-Gen” é a nova interface padrão;
Treinamento de modelos com até 100gb de dados;
Melhorias no fluxo de governança e aprovações dos deployments;
Aplicações criadas dentro do DataRobot, com melhor experiência para os usuários “consumidores”; e,
Monitoramento simplificado da sua infraestrutura para o DataRobot (CPU e Memória).
Segue o detalhamento do comentário de cada um deles nos itens a seguir.
“Next-Gen” é a nova interface padrão
A Next-Gen é uma das maiores transformações da DataRobot dos últimos anos. Vai além de uma mudança de perfis de cores e painéis, é um novo desenho da jornada, com alguns conceitos diferentes.
Tanto pela mudança do visual e dos conceitos implícitos (que exigem familiaridade pelos usuários), como pelo esforço de transferir todos os recursos da interface clássica para a nova, a Next-Gen ficou acessível em segundo plano por um bom período de tempo. Porém, agora ela é a interface oficial e tudo começa nela. Boa parte dos recursos tradicionais já foram migrados, assim como todas as novas funcionalidades (Codespaces, Apps, GenIA, Agentes, Data Wrangling, etc), só estão presentes nela. Assim, vale muito a pena se familiarizar com esse novo conceito. Se for necessário, é possível retornar para a visão clássica, até porque ainda existem algumas funcionalidades que estão sendo migradas.
Para se aprofundar nessa atualização, consulte os links indicados na seção de referências: o lançamento [3] e a documentação completa da nova interface [4].
Treinamento de modelos com até 100gb de dados
Treinar modelos em grandes volumes de dados sempre foi um desafio: o processo consome muito tempo e recursos computacionais, podendo tornar a etapa de experimentação lenta e custosa.
A solução imediata sempre foi usar uma amostra dos dados, o que normalmente é o suficiente. Quando não é, temos um problema. Como seguir? Para resolver esse ponto, a DataRobot lançou a funcionalidade de “Incremental Learning”, uma abordagem que divide os dados em blocos (chunks) e permite treinar modelos em iterações. Além de eventualmente trazer mais capacidade preditiva, alguns indicadores sobre a evolução das iterações geram alguns insights e aprendizados. Na figura abaixo, você consegue ver como ficou a visualização da evolução da capacidade preditiva durante as iterações.
Para se aprofundar nessa atualização, consulte os links indicados na seção de referências: o lançamento [5] e a documentação completa [6.1 e 6.2].
Melhorias no fluxo de governança e aprovações dos deployments
A fim de mitigar riscos e estar em conformidade com as regras da organização, o deployment de modelos de machine learning precisa ser feito de forma governada. A DataRobot já dispunha de um fluxo de aprovação e governança dos deployments. Além de controle de acesso por papéis e responsabilidades distintas (RBAC) e de um fluxo de aprovações, esse processo ganhou uma lista de verificação (“checklist”) na página inicial da implantação, que orienta cada passo necessário até a ativação.
O responsável pela implantação pode então solicitar a aprovação e trocar mensagens com o aprovador pela própria plataforma. Tudo fica registrado e não é possível gerar previsões até que o deployment seja 100% aprovado, garantido que novos modelos só entrem em produção após total aprovação. O print abaixo ilustra como essa atualização está incorporada à plataforma.
Para se aprofundar nessa atualização, consulte os links indicados na seção de referências: o lançamento [7] e a documentação completa [8].
Aplicações criadas dentro do DataRobot, com melhor experiência para os usuários “consumidores”
O DataRobot agora usa as “API Keys”, assim como armazenamento de arquivos, para persistir configurações, histórico e permissões para recursos específicos de cada usuário do App. Podem ser o histórico de chats ou “data caching” para grandes “DataFrames”.
Esse novo recurso deve trazer uma melhor usabilidade dos Apps, principalmente quando usado em paralelo por vários usuários.
Para se aprofundar nessa atualização, consulte os links indicados na seção de referências: o lançamento [9] e a documentação completa [10].
Monitoramento simplificado da sua infraestrutura para o DataRobot (CPU e Memória)
Já era possível monitorar o uso de recursos como GPU e LLMs, agora também é possível monitorar o uso de CPUs e memória RAM. Esse tipo de monitoramento, facilita identificar quais as aplicações e usuários estão consumindo mais recursos na infraestrutura e atuar cirurgicamente na redução de custos relacionados. A imagem a seguir mostra como essa atualização aparece na plataforma.
Para se aprofundar nessa atualização, consulte os links indicados na seção de referências: o lançamento [11] e a documentação completa [12].
A Carpa Analytics é revendedora oficial no Brasil da DataRobot
Como parceira oficial da DataRobot no Brasil, a Carpa Analytics se mantém atualizada sobre a plataforma e, com isso, atua de forma consultiva, próxima e personalizada, apoiando cada empresa a identificar os recursos mais relevantes e aplicá-los na prática.
Para saber mais sobre a plataforma DataRobot, acesse nossa página dedicada exclusivamente a ela, clicando aqui.
Autores do artigo: Frederico Arnoldi, Vinicius Farinha e Marina Madalena de Lespinasse
Referências
[1] | Quadrante Mágico da Gartner 2025 para plataformas DSML https://www.carpaanalytics.com.br/post/gartner-datarobot-machine-learning-vinte-vinte-cinco |
[2] | |
[3] | |
[4] | Documentação “Next-Gen” |
[5] | Lançamento Treinamento de modelos com até 100gb de dados |
[6.1] | Documentação Treinamento de modelos com até 100gb de dados |
[6.2] | Documentação Treine seus modelos com até 100gb de dados https://docs.datarobot.com/en/docs/workbench/wb-experiment/experiment-insights/ml-incremental.html |
[7] | Lançamento Melhorias no fluxo de governança e aprovações dos deployments |
[8] | Documentação Melhorias no fluxo de governança e aprovações dos deployments |
[9] | Lançamento Aplicações criadas dentro do DataRobot, com melhor experiência para os usuários “consumidores” |
[10] | Documentação Aplicações criadas dentro do DataRobot, com melhor experiência para os usuários “consumidores” |
[11] | Lançamento Monitoramento simplificado da sua infraestrutura para o DataRobot (CPU e Memória) |
[12] | Documentação Monitoramento simplificado da sua infraestrutura para o DataRobot (CPU e Memória) https://docs.datarobot.com/en/docs/platform/monitoring/usage-explorer.html |
Comentários