Escolha de modelo
Um modelo de IA que cabe no problema
Bom o bastante para o problema. Barato o bastante para continuar rodando. A gente testa nos seus dados antes de alguém chamar isso de produção. O custo do mês seguinte fica no plano técnico.
Exemplos
O problema de engenharia, em alguns formatos. Uma tabela, um texto, e um resultado que alguém vai chamar de produção.
- Uma tabela com padrão previsível. Classificação, regressão, clustering, previsão e detecção de anomalias, onde um modelo grande seria mais lento, mais caro ou menos acurado do que um menor.
- Texto que não é tabela. Texto não estruturado, linguagem livre, ou uma tarefa que exige raciocínio. Aí o modelo de linguagem é a ferramenta.
- Uma avaliação antes do nome produção. Perguntas reais, nos arquivos reais, antes de alguém chamar o resultado de produção.
Tecnologias
O modelo é escolhido pela acurácia, pelo custo, pela latência, e por onde o dado fica. A avaliação é a checagem dessa escolha.
- Modelos de linguagem. OpenAI, Claude, Gemini e opções open-source como Llama, Mistral, Gemma e Qwen, escolhidos por tarefa conforme acurácia, custo, latência e requisitos de privacidade.
- ML clássico. Scikit-learn e XGBoost para problemas tabulares em que um modelo estruturado supera um modelo de linguagem em qualidade e em custo.
- Onde o dado fica. A API da OpenAI ou da Anthropic com acordo que impede treinamento nos seus dados, ou um modelo open-source na sua infraestrutura ou na nossa, sem envio para APIs externas. O plano técnico fecha essa decisão antes de construirmos.
- Avaliação. Perguntas reais, nos seus arquivos, antes de produção. O plano técnico deixa escrito o custo do mês.
- Modelos pequenos. A gente procura o modelo mais barato que ainda é bom o bastante para a tarefa e que roda num computador comum. A gente publica esse teste em código aberto. Seis modelos locais de OCR estão no repositório. Dois acertaram todos os campos.
Como conduzimos
Uma situação técnica
Um modelo de linguagem entra numa tabela em que um modelo menor acertaria melhor, mais barato e mais rápido. Ou o resultado é chamado de produção antes de rodar nos arquivos reais.
Como conduzimos
A gente usa ML clássico quando a tabela basta, e um modelo de linguagem quando o texto não basta. Uma avaliação roda nos seus arquivos antes. O plano técnico deixa escrito o custo do mês e onde o dado fica.
O que você recebe
Você sai com o modelo rodando nos seus arquivos, o custo do mês no plano técnico, o código.
Dúvidas sobre escolha de modelo
LLM quando a entrada é texto não estruturado, linguagem livre ou quando a tarefa exige raciocínio. ML clássico (XGBoost, scikit-learn) quando os dados são tabulares e o padrão é previsível: classificação de churn, previsão de vendas, detecção de fraude. ML clássico costuma ser mais barato, mais rápido e mais acurado nessas tarefas.
Depende da escolha. Se o caso permite, usamos a API da OpenAI ou Anthropic com acordos que impedem treinamento nos seus dados. Se a privacidade exige, rodamos modelos open-source como Llama, Mistral, Gemma ou Qwen na sua infraestrutura ou na nossa, sem envio para APIs externas. O plano técnico fecha essa decisão antes de construirmos.
O que você recebe
- Uma solução funcionando nos seus dados
- O código é seu
- 2 a 5 semanas quando o dono e os arquivos já estão disponíveis
Vamos falar do seu caso
Fale com o laboratório
Escreve em poucas linhas o que o time faz hoje, e onde quebra. Respondemos no mesmo dia útil.
O que acontece depois
- Respondemos no mesmo dia útil
- Diagnóstico em 3-5 dias
- Solução funcionando em 1-3 semanas. Plano técnico nos últimos dias, com o trabalho feito.
Comece por aqui