O desaprendizado de máquina da Pathway mantém as ETAs honestas à medida que os fluxos de dados ficam desatualizados

A startup francesa de deep-tech Pathway, cofundada pela CEO Zuzanna Stamirowska — autora do modelo de previsão de comércio marítimo de ponta publicado pela Academia Nacional de Ciências dos EUA — atacou um problema que desacelera a digitalização da logística: a falta de infraestrutura de software capaz de realizar raciocínio automatizado sobre fluxos de dados em tempo real. Sensores em contêineres de carga geram dados de rastreamento, mas ambientes de baixa largura de banda atrasam a sincronização com a nuvem, produzindo uma enxurrada desencontrada de dados atrasados e ao vivo.

O framework retreina continuamente sistemas de IA e LLMs em dados de streaming, tornando possível revisar pontos de dados individuais sem um novo upload completo em lote — o desaprendizado de máquina, o desafio sobre o qual o Google lançou uma competição no verão anterior. Com a companhia marítima CMA CGM, a Pathway melhorou a precisão das ETAs de saída de contêineres pelo portão e aprimorou as operações de terminal, acelerando os tempos de movimentação de contêineres e reduzindo custos empresariais e ambientais.

A empresa enfatiza que a abordagem é agnóstica em relação ao setor e aos tipos de dados — dados tabulares, séries temporais, mensagens de IoT, fluxos de eventos, coisas em movimento, grafos e ontologias — e afirma estar focada no refinamento do produto, incluindo casos de uso de observabilidade.

Desaprendizado de máquina como produto: revisar um único ponto de dados errado em um modelo treinado sem retreiná-lo — uma planilha recalculando apenas as células dependentes.

Dados de treinamento desatualizados ou errados corrompem silenciosamente as saídas do modelo em empresas que operam com dados de streaming.

O retreinamento completo em lote é lento e caro demais para ser executado toda vez que um único fato muda.

As decisões logísticas dependem de dados em tempo real, então as correções precisam chegar enquanto ainda importam.

Em dados que mudam rapidamente, a unidade de trabalho não é o conjunto de dados, mas o fato individual: projete sistemas que esquecem e corrigem continuamente.

O Tech.eu relatou a implantação na CMA CGM como tração em setores que dependem de dados em tempo real precisos, observando ao mesmo tempo que não há uma solução única para o desaprendizado — os casos de lote, streaming e LLM são todos diferentes. A Pathway permaneceu focada no refinamento da plataforma para múltiplos tipos de dados e setores.