Capacidades

Arquitetura de IA e sistemas avançados

Converter novas capacidades de IA em arquiteturas que possam integrar-se, operar e evoluir.

Numa página

Desenhamos arquiteturas de modelos, agentes, inferência, sistemas distribuídos, cloud e edge, runtimes e componentes próprios. Avaliamos tecnologias emergentes, construímos protótipos quando é necessário e levamos as que trazem valor a arquiteturas manuteníveis, observáveis e preparadas para produção.

01Explorar a fronteira e construir com fundamento. Exploramos a fronteira da IA, dos sistemas de conhecimento, do software e da robótica, e combinamos os seus avanços com fundamentos capazes de sustentar uma operação real.
02Construímos camadas próprias onde reside o conhecimento diferencial. Desenvolvemos componentes próprios quando o valor reside na representação, nos contratos ou na forma de coordenar o trabalho.
03IA generativa, agentes e programas inteligentes. Os modelos generativos alargaram a capacidade de interpretar linguagem, comparar informação, utilizar ferramentas, gerar código e compor conteúdos.

A tecnologia interessa-nos quando abre uma capacidade nova e quando permite levá-la até um sistema real.

Seguimos de perto a evolução dos modelos fundacionais, dos agentes, da memória, da recuperação, da semântica, da otimização, da simulação e da robótica. Testamos cedo, comparamos com alternativas mais simples e construímos camadas próprias quando as ferramentas disponíveis ainda não representam bem o problema.

A nossa ambição tecnológica tem duas direções complementares:

explorar técnicas que ainda estão a definir o que será possível;
construir sobre fundamentos capazes de sustentar dados, estado, permissões, integração, avaliação e manutenção.

Essa combinação permite-nos trabalhar desde uma fonte documental ou uma regra de negócio até um workflow duradouro, uma frota de agentes ou uma operação física.

Explorar a fronteira e construir com fundamento

Exploramos a fronteira da IA, dos sistemas de conhecimento, do software e da robótica, e combinamos os seus avanços com fundamentos capazes de sustentar uma operação real.

A velocidade da IA convida a escolher uma ferramenta pelo que demonstra durante uns minutos. O trabalho real exige descobrir o que acontece depois:

como se integra com dados e sistemas existentes;
que contexto necessita;
que custo introduz;
como se comporta sob entradas adversas;
que estado deve persistir;
como se limita a sua autoridade;
que parte pode substituir-se;
que conhecimento fica ligado ao fornecedor;
que evidência permite avaliá-la;
como responde o sistema quando a tecnologia muda.

Exploramos com curiosidade e adotamos com critério.

Uma técnica pode encontrar-se num de quatro estados:

Explorar: Utilizamo-la para formular melhor uma pergunta, compreender o seu comportamento ou descobrir uma capacidade.
Avaliar: Comparamo-la em cenários representativos e adversos, com métricas, custos e limites explícitos.
Aplicar: Integramo-la numa trajetória completa e submetemo-la a requisitos de dados, segurança, latência, recuperação e manutenção.
Construir: Desenvolvemos uma camada própria quando representa conhecimento, lógica, orquestração ou interação que consideramos central e duradoura.

Esta classificação distingue exploração e operação, e permite manter uma aposta tecnológica ambiciosa declarando o que já sustenta um sistema e o que continua em avaliação.

Construímos camadas próprias onde reside o conhecimento diferencial

Desenvolvemos componentes próprios quando o valor reside na representação, nos contratos ou na forma de coordenar o trabalho.

DocuLogic: Reconstrói lógica de negócio e conhecimento operacional a partir de código, configurações, documentos, tabelas, testes e rastos, e conserva-os como conhecimento legível, versionável e unido à sua evidência. Permite examinar cada regra com a sua proveniência e o seu estado: comportamento observado, lógica inferida, conhecimento validado ou decisão acordada.
KIR: Uma representação intermédia de conhecimento, tipada e canónica, que desacopla as fontes das suas utilizações. Permite examinar que projeção recebe cada consumidor — bases relacionais, grafos, índices semânticos, motores de regras, APIs, MCP, agentes e reporting — e que versão de conhecimento a sustenta.
ERP-Bots: A linha de bots e agentes operacionais que concluem trabalho dentro de ERPs e aplicações de negócio sob políticas, estado e verificação. Permite examinar o rasto de uma operação: que contexto se recuperou, que política decidiu, que ferramenta atuou, quem autorizou e que sinal fechou o caso.
SuperSocrates: O sistema que pergunta: interroga o material de um projeto para encontrar lacunas, informação que não coincide entre fontes, decisões que se contradizem e pressupostos que ninguém escreveu, e propõe a pergunta útil seguinte. Permite examinar uma colisão com as fontes que a originam e a pergunta que abre.
SuperQuestions: O produto que representa e gere as perguntas de um projeto juntamente com a sua evidência, as suas decisões, as suas dependências e o seu trabalho. Permite examinar uma pergunta com aquilo que a sustenta, aquilo que a contradiz e aquilo que depende dela. SuperSocrates pergunta; SuperQuestions administra o que a pergunta produz.
SuperPythagoras: Um arnês para construir software em equipa quando pessoas e bots partilham o trabalho: papéis, contratos de entrega, transferências ordenadas, revisão e SecondOpinion, uma perspetiva independente sobre cada alteração com consequências. Permite examinar o percurso de uma alteração e a evidência de por que foi construída assim.
Finaz: Uma arquitetura editorial que separa evidência, estrutura informativa, composição, controlos e produção multimodal. Permite examinar o esquema intermédio que relatório, guião e peça narrada partilham, e o ponto onde termina o determinista e começa o generativo.
Excorpora: Um ambiente de investigação e avaliação de tradução e localização construído sobre invariantes declarados, corpora alinhados e auditoria adversarial. Permite examinar onde o sentido muda ainda que a frase soe natural.

Estas camadas podem evoluir ainda que mudem os modelos ou os fornecedores situados à sua volta. O conhecimento do domínio, a lógica e os critérios de avaliação permanecem em representações que controlamos.

IA generativa, agentes e programas inteligentes

Os modelos generativos alargaram a capacidade de interpretar linguagem, comparar informação, utilizar ferramentas, gerar código e compor conteúdos. Utilizamo-los dentro de sistemas com contratos e responsabilidades explícitas.

Modelos fundacionais

Trabalhamos com modelos linguísticos, multimodais e especializados consoante qualidade, idioma, contexto, raciocínio, utilização de ferramentas, geração estruturada, custo, latência, privacidade, capacidade de implantação e estabilidade do fornecedor.

A arquitetura permite comparar e encaminhar modelos. Uma tarefa pode utilizar um modelo diferente para análise, programação, geração, extração ou revisão.

Agentes

Os agentes interpretam contexto e escolhem entre ações permitidas. Construímos com ferramentas tipadas, memória delimitada, grafos de estado, políticas, orçamentos, critérios de paragem, intervenção humana, rastos e avaliação de percursos.

MCP e FastMCP

O Model Context Protocol permite expor ferramentas e recursos através de contratos comuns para agentes e aplicações.

O FastMCP facilita construir servidores, clientes e aplicações MCP em Python, com esquemas, validação, transporte e mecanismos de integração.

Utilizamo-lo quando traz uma interface coerente entre agentes, conhecimento e sistemas. As permissões e os efeitos empresariais continuam a residir na arquitetura da aplicação.

LangGraph e PydanticAI

O LangGraph permite representar agentes e fluxos como grafos com estado. O PydanticAI traz modelos tipados de entradas, saídas, dependências e ferramentas dentro do ecossistema Python.

A escolha depende do tipo de controlo, durabilidade, integração e avaliação de que cada percurso necessita.

Workflows duradouros

O Hatchet e outros motores de execução duradoura conservam estado e retomam trabalho depois de esperas ou falhas. Combinamo-los com agentes quando uma operação necessita de interpretação contextual e de continuidade ao longo do tempo.

DSPy e GEPA

O DSPy permite tratar partes de um sistema de IA como programas que podem definir-se e otimizar-se através de avaliações. O GEPA explora a melhoria de programas, prompts e estratégias a partir de sinais de desempenho.

Estas técnicas são valiosas quando existe um conjunto de avaliação suficientemente representativo. A definição daquilo que significa um bom resultado permanece nas mãos das pessoas.

Saídas estruturadas e contratos

Utilizamos esquemas e validação para que modelos e agentes produzam objetos que o software possa verificar antes de utilizar. Pydantic, JSON Schema, validadores e testes deterministas ajudam a separar linguagem flexível e efeitos controlados.

RAG, memória e sistemas de conhecimento

Um sistema RAG relaciona recuperação, contexto, evidência, permissões e composição para responder de forma examinável.

Construímos recuperação híbrida combinando coincidência exata, pesquisa lexical, trigramas, embeddings, filtros, relações, grafos, estrutura de código, reranking, expansão de contexto, proveniência e permissões.

PostgreSQL e pgvector

O PostgreSQL oferece a base relacional e transacional. O pgvector permite armazenar e consultar embeddings dentro do mesmo sistema, mantendo perto metadados, permissões, estados e relações.

Pode combinar-se com pesquisa de texto integral, índices, SQL e filtros estruturados para construir recuperação híbrida.

Grafos e semântica

TypeDB e outras bases orientadas a conhecimento são úteis quando o domínio exige relações tipadas, inferência ou navegação complexa.

LinkML pode definir esquemas de conhecimento interoperáveis e gerar representações para ambientes diferentes. Datalog permite exprimir determinadas deduções. DMN ajuda a formalizar decisões. CEL pode ser utilizado para condições e validações.

Código como conhecimento

Tree-sitter, LSP e analisadores especializados permitem recuperar símbolos, relações, chamadas, herança, referências, testes e dependências.

A recuperação de código combina semântica e estrutura: responder que componente chama outro ou que teste protege uma regra exige navegar essa estrutura.

Embeddings e reranking

Avaliamos modelos de embeddings e rerankers para texto, conversas, documentação e código. A escolha considera idioma, domínio, extensão, custo, latência, estabilidade, capacidade de contextualização e desempenho sobre perguntas reais.

Os embeddings formam uma via de recuperação. A resposta conserva a ligação com as fontes e com a estrutura que permite examiná-la.

Machine learning, forecasting e otimização

Trabalhamos com técnicas clássicas e modelos recentes.

Dados tabulares: CatBoost, LightGBM, XGBoost, scikit-learn, modelos lineares, modelos probabilísticos e ensembles. Estas ferramentas continuam a ser competitivas quando o problema vive em dados tabulares e a decisão necessita de rapidez, calibração ou explicabilidade.
Deep learning: PyTorch, arquiteturas de texto, visão e sinais, modelos multimodais, adaptação e fine-tuning, aprendizagem por representações.
Séries temporais: Exploramos e avaliamos famílias como TimesFM, Chronos, MOIRAI, PatchTST, N-HiTS, Temporal Fusion Transformer e modelos estatísticos e sazonais. Cada família é comparada com baselines e sob horizontes, regimes e frequências que correspondam à decisão.
Otimização: Programação matemática, restrições, pesquisa, heurísticas, simulação, otimização multiobjetivo, controlo preditivo, otimização de políticas, atribuição de recursos e planeamento de sequências. A otimização liga-se à operação através de variáveis, limites e sinais que as pessoas responsáveis podem discutir.

Python como linguagem vertebradora

Python permite ligar investigação, IA, dados, APIs, automação e robótica dentro de um mesmo ecossistema.

Utilizamo-lo para modelos, pipelines, agentes, ferramentas MCP, serviços, avaliação, simulação, visão, controlo e integração.

As responsabilidades separam-se através de serviços, eventos, workers, contratos e armazenamento adequado, de modo que o sistema possa crescer sem se concentrar num único processo.

Django, FastAPI e software empresarial

Django: Traz uma base madura para aplicações empresariais, administração, modelos de dados, identidade, permissões e processos com uma vida longa. Utilizamo-lo quando o sistema necessita de uma estrutura de aplicação completa e manutenível, com interfaces para equipas, configuração e governo.
FastAPI: É adequado para APIs tipadas, serviços de inferência, ferramentas, integrações e componentes de baixa latência dentro do ecossistema Python. O Pydantic ajuda a validar contratos e a partilhar esquemas entre entradas, modelos e saídas.
PostgreSQL: Funciona como base transacional, relacional e, através de extensões, também lexical e vetorial. A sua capacidade de reunir estado operacional, metadados, relações e recuperação mantém a infraestrutura proporcionada ao problema.
Eventos e mensageria: NATS e JetStream permitem distribuir eventos, desacoplar componentes e conservar mensagens quando uma operação necessita de retoma e de consumidores independentes. Os eventos são desenhados como contratos de domínio.
Contentores e implantação: O Docker permite reproduzir ambientes e separar serviços. Cloudflare, edge, GPU e ambientes locais utilizam-se consoante latência, dados, custo e dependência de hardware.
Interfaces web: Django, APIs e geradores estáticos como Astro podem combinar-se para criar aplicações operacionais e webs rápidas, mantendo conteúdo e comportamento em camadas adequadas.

Avaliação, observabilidade e segurança

A tecnologia adota-se juntamente com a forma de a examinar.

Construímos testes deterministas, avaliações de modelos, conjuntos adversariais, simulações, rastos, métricas, comparação de custos, monitorização, controlo de versões, limites de ferramentas, permissões, recuperação e mecanismos de paragem.

A observabilidade liga a saída de um componente ao estado que recebeu, à decisão que tomou, à ferramenta que utilizou e ao resultado que apareceu depois.

Em sistemas de agentes, registamos percursos e políticas. Em machine learning, dados, modelo, versão e calibração. Em sistemas físicos, sinais, estado estimado, comando, limites e efeito observado.

Inteligência Física, simulação e robótica

A nossa aposta tecnológica estende-se a sistemas que percecionam, estimam, planeiam e atuam.

Newton: Uma plataforma de simulação física acelerada por GPU e extensível, construída sobre tecnologias como NVIDIA Warp e OpenUSD. Utilizamo-la e avaliamo-la para representar geometria, dinâmica, contactos, articulações, materiais e outros fenómenos que permitem testar sistemas físicos antes de os levar ao hardware.
NVIDIA Warp: Permite escrever kernels acelerados por GPU a partir de Python e é especialmente útil para simulação, geometria e computação paralela.
cuRobo: Traz componentes acelerados por GPU para cinemática inversa, verificação de colisões, geração de trajetórias e planeamento de movimento em robôs manipuladores. Pode ser utilizado como backend de aceleração quando a geometria e a tarefa o permitem; a validação final incorpora tolerâncias, carga, ferramentas, segurança e comportamento do equipamento real.
Controlo preditivo e MPC de baixa latência: O controlo preditivo utiliza um modelo do sistema e otimiza ações sobre um horizonte respeitando restrições. Exploramo-lo para navegação, seguimento, manipulação e coordenação física, onde tempo, dinâmica e limites devem considerar-se em conjunto.
Visão artificial: OpenCV, detetores e modelos de visão, AprilTag, calibração, estimação de pose, fusão de sinais, processamento em GPU e visão em edge.
Plataformas edge e GPU: NVIDIA Jetson, CUDA, TensorRT quando é adequado, GPU para perceção, otimização e simulação, e execução local para latência, continuidade e segurança.
Robótica e planeamento: Cinemática direta e inversa, modelos geométricos, campos de distância, deteção de colisões, planeamento de trajetórias, controlo, navegação, estimação de estado, manipulação, telemetria, paragem e recuperação.

A simulação acelera a aprendizagem. O hardware determina as tolerâncias e as condições que finalmente importam.

Radar tecnológico

O radar organiza as nossas tecnologias em quatro órbitas — construímos, aplicamos, avaliamos e laboratório — e mostra famílias antes de nomes.

Umas tecnologias já sustentam sistemas em operação; outras permanecem em avaliação ou no Laboratório. O estado é revisto internamente e a classificação pública indica em que órbita se encontra cada família.

O que um cliente pode esperar

Uma conversa tecnológica com a 3.14 pode chegar a modelos, grafos, APIs, GPU ou robótica, mas começa pela capacidade e pelo resultado.

Pode esperar:

uma recomendação fundamentada;
comparação com alternativas simples;
protótipos que percorrem um caso completo;
tecnologias emergentes submetidas a avaliação;
componentes próprios onde representam conhecimento diferencial;
integração com o panorama existente;
arquitetura que permite mudar modelos e fornecedores;
observabilidade;
clareza sobre maturidade e limites;
transferência suficiente para continuar.

Fecho

A nossa aposta tecnológica consiste em alargar capacidades sem perder a arquitetura que as transforma em sistemas. Exploramos cedo, construímos onde reside o conhecimento diferencial e levamos cada tecnologia até ao nível de integração e avaliação que a sua responsabilidade exige.

Como escolhemos uma tecnologia

01função: que responsabilidade cumpre e que alternativa existe
02qualidade: como se comporta em casos reais, adversos e fora de distribuição
03integração: como se liga a dados, identidade, permissões, workflows e sistemas existentes
04custo: infraestrutura, utilização de modelos, desenvolvimento, observabilidade e manutenção
05latência: tempo total da trajetória, não apenas velocidade do componente
06controlo: capacidade de limitar ferramentas, rever resultados e parar efeitos
07portabilidade: que partes podem substituir-se e que conhecimento fica acoplado
08manutenibilidade: como se depura, versiona, documenta e transfere
09maturidade: o que se explorou, avaliou, integrou ou operou
10resultado: que mudança observável permite produzir

Tecnologias que construímos, aplicamos e avaliamos

Selecione uma família para ver as suas tecnologias.

Ver todas as tecnologias

Construímos

Camadas próprias: DocuLogic · KIR · ERP-Bots · SuperSocrates · SuperQuestions · SuperPythagoras · Finaz · Excorpora · avaliações e contratos próprios · representações de domínio

Aplicamos

Fundamentos em operação: Python · Django · FastAPI · Pydantic · PostgreSQL · pgvector · PyTorch · CatBoost · APIs e eventos · Docker · pesquisa híbrida · workflows duradouros · modelos e agentes com ferramentas

Avaliamos

Em avaliação ativa: LangGraph · PydanticAI · FastMCP e MCP · Hatchet · DSPy · GEPA · TypeDB · LinkML · modelos recentes de séries temporais · embeddings e rerankers especializados · encaminhamento de modelos · memória multi-índice · Newton · cuRobo · otimização acelerada por GPU

Laboratório

Laboratório: sistemas multiagente complexos · aprendizagem operacional · simulação e transferência para hardware · MPC de baixa latência · planeamento e controlo físico · autonomia delimitada · coordenação de máquinas · modelos de mundo e VLA dentro de tarefas definidas