Projetos Projects
Cada projeto parte de uma pergunta e mostra as escolhas técnicas feitas para testá-la. Alguns resultados mudaram o caminho: o agente de crédito não demonstrou sinal adicional, um classificador perdeu da regra simples e uma hipótese comercial ficou sem evidência suficiente para seguir. Os limites também fazem parte da história. Each project starts with a question and shows the technical choices made to test it. Some results changed the path: the credit agent did not demonstrate added signal, a classifier lost to a simple rule, and a business hypothesis lacked enough evidence to continue. The limits are part of the story too.
Conferir nota fiscal contra o pedido sem deixar o modelo decidir Checking invoices against purchase orders without letting the model decide
Conferir nota contra pedido toma tempo e um erro pode virar pagamento indevido. Construí um piloto para separar duas tarefas: a IA extrai campos de documentos sem estrutura; regras conferem valores e decidem quando pedir revisão humana. O teste usa apenas notas sintéticas, então ainda não demonstra desempenho numa operação real. Checking invoices against orders takes time, and an error can lead to an improper payment. I built a pilot that separates two tasks: AI extracts fields from unstructured documents; rules check values and decide when human review is needed. The test uses only synthetic invoices, so it does not yet demonstrate performance in a real operation.
No piloto, metade das notas seguiu sem intervenção; as decisões de barrar ou revisar ficaram com as regras. O teste usou apenas notas sintéticas. In the pilot, half the invoices went through without intervention; rules handled decisions to block or review. The test used synthetic invoices only.
Painel de priorização municipal de alfabetização Municipal literacy prioritization dashboard
Um secretário de educação tem verba para atender poucos municípios por ano e precisa escolher quais. O painel ordena os municípios do estado pelo risco de furar a meta de alfabetização no ano seguinte, e faz o que quase nenhum modelo faz: quando o dado daquele estado não sustenta a previsão, ele escreve "não sei" na tela em vez de entregar um número inventado. An education secretary has budget to reach a handful of municipalities per year and has to choose which ones. The dashboard ranks a state’s municipalities by the risk of missing next year’s literacy target, and does what almost no model does: when that state’s data doesn’t support the prediction, it writes "I don’t know" on the screen instead of handing over a made-up number.
No teste retrospectivo, o painel mostrou onde a previsão poderia ajudar a escolher municípios para investigar primeiro e onde seria melhor não arriscar um palpite. Ainda não foi usado por uma secretaria. In retrospective testing, the dashboard showed where a forecast could help choose municipalities to investigate first and where it was better not to guess. No education authority has used it yet.
O contexto econômico pode melhorar um alerta de compliance? Can economic context improve a compliance alert?
A pergunta nasceu de uma observação minha: a mesma compra de stablecoin pode ser proteção cambial legítima ou parte de uma operação fracionada. Será que o contexto macroeconômico ajuda a priorizar alertas? Construí um protótipo para testar essa hipótese, sem presumir que ele já distingue as pessoas numa operação real. This started with a question of my own: the same stablecoin purchase could be legitimate FX protection or part of a structured transaction. Could macroeconomic context help prioritize alerts? I built a prototype to test that hypothesis, without assuming it already distinguishes people in a real operation.
O contexto econômico elevou a proporção de alertas corretos na simulação, mas também aumentou alarmes sobre poupadores legítimos. Ainda falta testar com operações reais. Economic context increased the share of correct alerts in the simulation, but also raised false alarms on legitimate savers. Testing on real transactions is still needed.
Auditar um ML que chegou pronto com afirmações que o código não sustentava Auditing a ready-made ML system whose claims the code didn’t back up
Um protótipo de priorização de clientes parecia convincente no relatório, mas algumas afirmações não batiam com o código. Em vez de acrescentar outro modelo, auditei o que ele realmente calculava. Os dados são sintéticos, e a auditoria mostra como um erro de premissa pode sobreviver num painel aparentemente pronto. A client prioritization prototype looked convincing in its report, but some claims did not match the code. Instead of adding another model, I audited what it actually computed. The data is synthetic, and the audit shows how a wrong assumption can survive in a dashboard that looks finished.
Encontrei seis divergências entre o relatório e o código que poderiam orientar mal a priorização de clientes. Corrigi e testei cada uma; na base sintética, a regra de negócio superou o modelo. I found six gaps between the report and the code that could misguide client prioritization. I fixed and tested each one; on synthetic data, the business rule beat the model.
O agente acrescenta algo ao modelo de crédito? Does the agent add anything to the credit model?
Antes de colocar um agente de IA para opinar sobre crédito, alguém precisa responder se ele acrescenta alguma coisa ou só repete o que o modelo já disse. Aqui o agente escreve o parecer sem enxergar a nota do cliente nem o desfecho do empréstimo. Os dois cortes são de propósito: sem eles, não dá para distinguir raciocínio de repetição. Before putting an AI agent in charge of opining on credit, someone has to answer whether it adds anything or just repeats what the model already said. Here the agent writes its opinion without seeing the client’s score or the loan’s outcome. Both cuts are deliberate: without them, there’s no way to tell reasoning apart from repetition.
O teste não demonstrou ganho que justificasse usar o parecer do agente numa decisão de crédito. A amostra ainda é pequena para descartar ganhos menores. The test did not show a benefit that would justify using the agent’s opinion in a credit decision. The sample is still too small to rule out smaller gains.
O saldo na carteira não é a liquidez sob estresse The balance in the wallet is not liquidity under stress
A pergunta que me levou a construir o StableTreasury foi simples: se uma stablecoin perde a paridade justo quando a empresa precisa de caixa, quanto do saldo ainda é líquido? A calculadora transforma essa incerteza em cenários de perda e desconto de liquidez, para discutir a composição da reserva antes de uma crise. The question that led me to build StableTreasury was simple: if a stablecoin loses its peg when a company needs cash, how much of the balance is still liquid? The calculator turns that uncertainty into loss and liquidity haircut scenarios, so reserve composition can be discussed before a crisis.
A calculadora mostra quanto de uma reserva pode deixar de estar disponível numa perda de paridade. É um cenário para discutir a reserva antes da crise, não uma perda prevista. The calculator shows how much of a reserve might become unavailable during a depeg. It is a scenario for discussing the reserve before a crisis, not a forecast loss.
Do dado de alfabetização a um cenário de orçamento From literacy data to a budget scenario
Dados públicos mostram diferenças de alfabetização entre municípios, mas não trazem uma conta pronta para discutir orçamento. Em dupla, construí uma esteira que organiza os dados e gera um cenário linear de investimento sob premissas explícitas. Esse valor ajuda a comparar hipóteses de alocação; não mede quanto custa fazer cada criança aprender. Public data shows literacy gaps among municipalities, but does not provide a ready budget estimate. With a partner, I built a pipeline that organizes the data and generates a linear investment scenario under explicit assumptions. The figure helps compare allocation hypotheses; it does not measure the cost of teaching each child to read.
A auditoria evitou levar uma conta 77 vezes maior para a discussão de orçamento. A saída corrigida continua sendo um cenário hipotético, não um custo observado. The audit kept a figure inflated 77-fold out of the budget discussion. The corrected output is still a hypothetical scenario, not an observed cost.
Medir o que de fato melhora uma busca por significado Measuring what actually improves a semantic search
Quero saber se mudanças numa busca semântica ajudam quem procura uma resposta, sem escolher só perguntas favoráveis. Por enquanto, o laboratório mede um sinal substituto: se trechos do mesmo arquivo ficam mais próximos do que trechos aleatórios. Ainda falta testar perguntas com respostas conhecidas. I want to know whether changes to semantic search help someone find an answer, without hand-picking favorable questions. For now, the lab measures a proxy: whether chunks from the same file are closer than random chunks. It still needs tests on questions with known answers.
Ainda não demonstrei melhora para quem procura respostas. O teste atual só indica que o modelo multilíngue organiza melhor trechos relacionados; falta medir perguntas com resposta conhecida. I have not yet shown an improvement for people looking for answers. The current test only suggests the multilingual model groups related passages better; questions with known answers still need testing.
Descobrir quem vira detrator antes da nota do NPS chegar Spotting who turns into a detractor before the NPS score arrives
Um e-commerce só descobre que um cliente virou detrator quando a pesquisa de satisfação chega, depois que o dano já foi feito. O projeto tenta prever isso antes, a partir de dados operacionais do próprio pedido. Mas prever quem vai virar detrator não prova que a ação de recuperação (cupom, atendimento prioritário) funciona: são duas perguntas diferentes, e a segunda é a que decide se o ROI prometido existe de verdade. An e-commerce business only finds out a customer turned into a detractor when the satisfaction survey comes back, after the damage is already done. The project tries to predict this beforehand, from the order’s own operational data. But predicting who will become a detractor doesn’t prove the recovery action (a coupon, priority support) actually works: those are two different questions, and the second one is what decides whether the promised ROI is real.
Ajustei as probabilidades de risco para ficarem mais próximas dos resultados observados. Ainda falta provar se agir antes da pesquisa evita insatisfação e compensa o custo. I adjusted the risk estimates to better match observed outcomes. It remains to be tested whether acting before the survey prevents dissatisfaction and offsets the cost.
Dar ao agente as regras da casa e medir se ele segue Giving the agent the house rules, and measuring whether it follows them
Um modelo de linguagem conhece os bons princípios de trabalho em geral, mas sem as regras da casa não executa o procedimento que a equipe espera. Organizei minha base para que o agente encontre o contexto de cada tarefa, siga regras escritas e deixe evidência do que fez, e publiquei uma fotografia dela com casos que dá para conferir um a um. A language model knows good working principles in general, but without the house rules it doesn’t carry out the procedure the team expects. I organized my knowledge base so the agent finds the context of each task, follows written rules and leaves evidence of what it did, and published a snapshot of it with cases you can check one by one.
Com as regras locais, o agente acertou as 20 situações testadas. O teste mede aderência à minha base; ainda não mostra se o resultado se repete em outra equipe. With local rules, the agent got all 20 tested situations right. The test measures adherence to my knowledge base; it does not yet show whether the result carries over to another team.