Inteligência artificial sob medida

O que é desenvolvimento de IA sob medida

Colocar um modelo de linguagem para responder perguntas é fácil. Fazer ele produzir um resultado em que uma empresa possa confiar, todo dia, em escala, é engenharia. A diferença está no harness: o sistema em volta do modelo que decide o que entra, em que etapas o trabalho é dividido, qual modelo faz cada parte, como a saída é validada e como a qualidade é medida.

A MS Labs projeta e constrói esses sistemas do zero, para o problema de cada cliente. Integrar uma API de IA é uma parte pequena do trabalho.

Quando a IA precisa conversar com os dados e o processo da empresa, ela entra como parte de um sistema sob medida.

Como a gente constrói um sistema de IA confiável

Estes princípios vêm de sistemas que colocamos em produção:

• Pipeline em etapas, não um prompt gigante. Cada etapa tem uma tarefa só. Uma triagem com modelo rápido e barato descarta o que não pode ser analisado antes de gastar a análise cara.
• Contexto completo onde a ausência importa. Busca por semelhança não encontra o que faltou. Quando o erro mais grave é uma etapa que não aconteceu, o modelo precisa ver o método inteiro, não só os trechos parecidos.
• Evidência verificada. Toda afirmação que cita uma fonte é conferida contra a fonte. Sem prova, sem nota.
• Matemática em código. O modelo julga; o sistema calcula. Notas, pesos e somas nunca ficam a cargo do modelo.
• Versões imutáveis. Prompts, réguas e bases de conhecimento são versionados, e cada resultado registra exatamente a configuração que o produziu.
• Medição contra o julgamento humano. Um padrão-ouro avaliado por especialistas mede cada mudança, para saber se melhorou ou piorou.
• Dado não é instrução. O conteúdo analisado nunca é tratado como comando, o que bloqueia manipulação pelo próprio conteúdo.
• A palavra final é humana. Revisão, contestação e ajuste manual fazem parte do fluxo, e cada correção vira material de calibração.

O que entregamos

• Harness e pipelines sob medida para análise, classificação, extração e geração com modelos de linguagem;
• Agentes com ferramentas que consultam os seus sistemas e dados com permissões limitadas;
• Bases de conhecimento a partir de documentos, áudios e vídeos, com transcrição e curadoria;
• Avaliação contínua (evals) com padrão-ouro e painel de desvio;
• Painéis de auditoria que mostram por que cada resultado saiu como saiu;
• Assistentes e automações para atendimento, operação e vendas;
• Controle de custo por etapa e por modelo, com a escolha do modelo certo para cada tarefa.

Um exemplo concreto está no case do analisador de calls de vendas, um pipeline que transcreve, audita e avalia gravações contra a metodologia do cliente.

Como funciona

1. Diagnóstico. Definimos a tarefa, os dados disponíveis e como medir se a IA está certa.
2. Prova de conceito. Um teste curto com dados reais para validar a qualidade antes de investir no sistema completo.
3. Proposta. Escopo, prazo e investimento por escrito, com a estimativa de custo de uso dos modelos.
4. Construção do harness. Etapas, validações, versionamento, avaliação e auditoria.
5. Operação. Acompanhamos qualidade, custo e casos de erro, e calibramos com base no padrão-ouro.

Tecnologias

Quanto custa um projeto de IA

Projetos de IA têm dois custos: o desenvolvimento, fechado por escopo, e o uso dos modelos, que varia com o volume. Na proposta estimamos os dois. Um bom harness também reduz o segundo: triagem barata antes da etapa cara e o modelo certo para cada tarefa.

Começar por uma prova de conceito é a forma mais barata de descobrir se a IA resolve o seu problema. Conte o que você precisa.