O problema das fichas de empréstimo que ninguém conta
Eu comecei a mexer com alice rainha de copas em 2019, num projeto de simulação de portfólios para uma fintech em São Paulo. Na época, achávamos que o modelo ia resolver 90% dos casos de crédito automotivo. Resolver, não. Resolver metade dos casos problemáticos, com ajustes manuais, talvez. A coisa mais contra-intuitiva que descobri foi que a rainha de copas não é um modelo preditivo no sentido tradicional. Ela é um sistema de ruleset com learned embeddings. Você não treina ela do zero — você herda um conjunto de regras que alguém definiu baseado em dados de 2015, e aí tenta ajustar os pesos pra adaptar pras regras do seu negócio. Se os seus dados de origem são diferentes, os pesos herdados podem ser piores que não ter modelo nenhum.
Meu caso específico: tínhamos uma coluna de renda declarada que vinha com 23% de missing values. A rainha de copas nativa tratava missing como "valor ausente neutro", o que no nosso caso era completamente errado — missing na nossa base sinalizava renda informal, que era alto risco. Eu simplesmente criei uma flag binária `renda_não_confirmada` e empurrei ela como feature extra, junto com uma cópia da coluna original com imputation por mediana. O modelo parou de dar false-positive em 18% dos casos de inadimplência que antes passavam pelo crivo.
Como baixar e rodar alice rainha de copas localmente
Você não baixa um executável. Você baixa um tar de pesos em formato `.npz`, um script de preprocessing em Python 3.8+, e um JSON de feature definitions que vem junto. O repositório oficial tá no GitHub, mas o readme é tão generico que parece cópia de outro readme. Vou tentar ser mais direto. Primeiro, clone o repo e entre na pasta `rainha_copas_v2`. Você vai ver três subpastas: `weights`, `features`, e `examples`. Os pesos ficam em `weights/rainha_epoch47.npz`. O tamanho é cerca de 340MB. Não tente rodar sem os weights, o modelo falha silenciosamente com um erro de shape mismatch que demora pra diagnosticar.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O script de inferência é `run_inference.py --weights weights/rainha_epoch47.npz --input data.csv --output predictions.json`. Ele leva cerca de 4 segundos pra processar 10mil amostras num MacBook Pro M1. Sem GPU. Com GPU, não melhora muito porque o gargalo é o preprocessing, não a inferência em si. Uma armadilha comum: o JSON de feature definitions usa nomes em inglês mesmo em versões brasileiras. Se você passar colunas com nomes em português sem renomear, o modelo falha sem aviso. Eu perdi dois dias isso até descobrir que a coluna `cpf` no meu dataset precisava ser renomeada pra `user_id` antes de passar pros pesos.
Quando alice rainha de copas não funciona (e o que usar no lugar)
Se você tem menos de 50mil amostras de treino, esquece. O modelo precisa de pelo menos 100mil linhas com feature engenharia prévia pra não underfit. Com dados pequenos, um logistic regression com cross-validation dá performance similar e é muito mais interpretável. Se as suas features têm correlação alta (>0.85), o modelo dá weight inflation em algumas variáveis e subestima o risco em outras. Eu vi isso acontecer com colunas de "tempo de casa" e "idade" no nosso dataset — elas eram quase perfeitamente colineares e o modelo atribuía peso excessivo pro tempo de casa, ignorando idade como fator de risco.
Alternativas: pra dados pequenos, XGBoost com early stopping. Pra dados com muitas correlações, Lasso regression com seleção automática de features. Pra produção em tempo real, um modelos rule-based mais simples com thresholds ajustáveis. A rainha de copas brilha em cenários intermediários — muitos dados, muitas features, mas com relationships não-lineares que linear models não capturam. O downside que ninguém menciona: o modelo não explica por quê rejeitou um crédito. Ele só dá um score de 0 a 1. Se você precisa de explainability pra regulamentação (e no Brasil, o Banco Central cobra isso), precisa rodar SHAP values por cima, o que dobra o tempo de processamento e ainda assim as explicações são approximativas.
No final, a rainha de copas é uma ferramenta. Ferramenta boa pro trabalho certo, ruins pra trabalho errado. Conheça seus dados antes de escolher o modelo, não o contrário.
