Pensar em profundidade · Entregar no terreno · Conquistar confiança
Três camadas de capacidade. Cada uma responde às mesmas perguntas: o que resolve, como o fazemos, as evidências, e os produtos por trás.
Refinar dados brutos em inteligência que um modelo pode consumir diretamente
O problema
Os dados das empresas são fragmentados e heterogéneos: dispersos por sistemas de negócio, documentos, folhas de cálculo e regras não escritas. Alimentados a um grande modelo tal como estão, produzem alucinações e respostas que ninguém pode defender. O que falta não é volume, mas estrutura, linhagem e definições partilhadas.
Como o fazemos
- 1Pipeline de dados conforme
Camadas Raw / Clean / Curated; cada regra de limpeza e de julgamento é versionada, comparável e reversível.
- 2Grafo de conhecimento de duplo eixo
Horizontal: as relações do comércio global, a montante e a jusante da cadeia de valor. Vertical: o conhecimento especializado do domínio. Cada nó transporta a fonte, o grau de evidência e o intervalo de validade.
- 39Xin Compliant Acquisition Engine
Um motor de memória multimodal, orientado por deteção de exceções, que se adapta a mudanças estruturais e acede a informações empresariais disponíveis publicamente dentro de limites de conformidade definidos.
- 4Desidentificação dentro do domínio do cliente
Os dados brutos são desidentificados e vetorizados onde se encontram; só os dados refinados chegam à computação das camadas superiores.
Evidências
- Mais de 800 milhões de entidades empresariais em mais de 200 países e regiões (número de cobertura); mais de 3 milhões de registos comerciais de elevada qualidade selecionados (número refinado)
- Grafo de conhecimento vertical em produção: mais de 740 mil registos de produtos na camada de factos; 811 ingredientes ativos deduplicados × cadeia causal de quatro camadas (escala de um setor vertical, e não um número transversal a vários setores)
- Algoritmo de geração de texto para dados empresariais globais registado junto da Administração do Ciberespaço da China: 网信算备440309441584901250013号
Produtos relacionados
O modelo é um motor que se pode trocar. O harness e as skills são o chassis que acumula valor.
O problema
Os modelos desvalorizam continuamente. O modelo certo de hoje é substituído, em poucos meses, por um mais barato e mais forte. A capacidade amarrada a um único modelo tem de ser reconstruída de cada vez.
Como o fazemos
- 1Encaminhamento híbrido de modelos
Encaminha por tipo de tarefa, sensibilidade dos dados e custo, entre modelos locais e na nuvem. Nas implementações privadas, a inferência sobre dados sensíveis corre apenas localmente.
- 2Harness
Chamada de ferramentas, gestão de memória, sandbox de permissões e ciclo de avaliação. O 9Xin Iron Claw Security Engine é reconstruído na camada Rust, com 48 classes de Skill e Harness.
- 3Biblioteca de skills versionada
Fluxos de trabalho especializados e repetíveis, empacotados como skills versionadas, cada uma com um conjunto de referência (golden set); as atualizações têm de passar primeiro a porta de avaliação.
- 4API agnóstica em relação ao modelo
As aplicações chamam grafos e skills através de uma única interface. Troque o modelo sem perder capacidade; sem dependência de um único fornecedor.
Evidências
- 9Xin Iron Claw Security Engine em produção: reconstrução na camada Rust, 48 classes de Skill e Harness
- A AI Maker Box inclui um ambiente de execução em sandbox, uma consola de segurança e um motor de encaminhamento híbrido; operacional em dias
- Laboratório de ciência sensorial: procedimento de troca de modelo, porta de avaliação e adaptador agnóstico em relação ao modelo entregues na primeira fase
Produtos relacionados
Não vendemos ferramentas. Não vendemos horas. Entregamos três ativos que crescem em conjunto.
O problema
Os fornecedores de ferramentas entregam um harness e deixam ao cliente preencher o contexto e as skills; quando este não consegue, o projeto atinge o pico no dia do lançamento. As consultoras entregam skills pontuais e levam-nas consigo; o projeto seguinte começa do zero.
O que entregamos não é um software, mas um colega que já conhece o negócio do cliente.
Como o fazemos
- 1Padrões definidos em conjunto
Sentamo-nos com os especialistas de domínio do cliente e escrevemos o que conta como certo: critérios de julgamento, definições, limites. O passo mais difícil e mais valioso do projeto.
- 2Implementação faseada
Cada cenário é dividido em fases, cada uma com entradas, saídas e entregáveis de aceitação explícitos. Provar num departamento e depois replicar.
- 3Acompanhamento lado a lado
Os engenheiros trabalham ao lado das equipas da linha da frente, e as suas correções fluem de volta para os conjuntos de treino e de avaliação. Não é uma sessão de formação pontual, mas trabalhar em conjunto através dos primeiros erros.
- 4Aceitação faseada
Cinco métricas: adoção voluntária pela linha da frente, taxa de revisão manual em queda, custo marginal por tarefa, se alguém está disposto a dar a aprovação, e se os dados fluem de volta.
Evidências
- Uma plataforma provincial de serviços públicos para o comércio transfronteiriço: GoGlobal em produção, agentes de leads a cobrir seis setores
- Um laboratório de ciência sensorial: primeira fase de uma plataforma de dados nativa de IA, camada de governação + harness + biblioteca de skills, primeiros pacotes de skills entregues
- Replicada para outras províncias sem reconstruir a base
Produtos relacionados
Porque são os três ativos e a FDE inseparáveis
Num sistema nativo de IA, só três coisas se acumulam e valorizam:
Contexto
Dados e conhecimento de domínio estruturados e rastreáveis, que a IA pode consumir diretamente
Construído pelos Dados Prontos para IA (munição)
Harness
Chamada de ferramentas, memória, sandbox de permissões, ciclo de avaliação. O modelo é um motor substituível; o harness é o chassis que se acumula
Construído pelo 9Xin Iron Claw (fundação de segurança)
Skills
Fluxos de trabalho especializados e repetíveis, empacotados como pacotes de skills versionados. A curva de crescimento da biblioteca de skills é a curva de aprendizagem do sistema
Extraídas no terreno pela FDE
O contexto pode ser refinado à distância. Um harness pode ser entregue como padrão. As skills só podem ser extraídas no terreno, porque uma skill é o padrão da própria organização para julgar se algo está certo, e esse padrão nunca foi escrito. Vive na experiência dos colaboradores seniores, nas convenções não escritas do negócio, e no comentário do revisor de que "há aqui qualquer coisa que não está certa".
A FDE entrega os três a crescer em conjunto, e cada projeto devolve a parte reutilizável à framework. O cliente seguinte é mais rápido e mais barato.
Padronizamos a forma de fazer. Personalizamos o que conta como certo.
Onde cada ativo aterra e o que o cliente recebe
| Contexto | Harness | Skills | O que o cliente recebe | |
|---|---|---|---|---|
| Comércio transfronteiriço e expansão internacional | Grafo global de entidades, alinhamento multilingue de entidades, definições dos limites de conformidade | Porta de auditoria de conformidade para fluxos de dados transfronteiriços; rastreabilidade das fontes | Regras de clientes-alvo, critérios de triagem setorial, guiões de contacto | Os leads tornam-se oportunidades sobre as quais pode agir; o custo de aquisição desce de forma mensurável |
| Manufatura inteligente e inspeção | Critérios de defeitos, parâmetros de processo, dados da linha em camadas Raw / Clean / Curated | Execução de ponta em sandbox; isolamento de permissões face aos sistemas da linha | Skills de julgamento em mudanças de produção, receitas de parâmetros de inspeção | Novos cenários adaptados em semanas; as mudanças de produto não significam uma reconstrução |
| Educação | Recursos pedagógicos estruturados, registos longitudinais de aprendizagem | Implementação privada na rede do campus; agendamento multiagente | Pacotes de skills de assistentes pedagógicos por disciplina | Os dados nunca saem da rede do campus; hardware e software integrados a custo acessível |
Valor composto, numa forma que se pode escrever num contrato
Não é um slogan, mas quatro mecanismos:
- 1Evolução versionada das regras
Cada revisão de uma regra de limpeza ou de julgamento é versionada, reversível e comparável
- 2Feedback de casos problemáticos
As correções da linha da frente fluem automaticamente para os conjuntos de treino e de avaliação
- 3Conjuntos de avaliação
Cada skill tem um conjunto de referência (golden set); as atualizações têm de passar a porta de avaliação
- 4Coevolução dados-modelo
A precisão do serviço melhora com a utilização
Cinco métricas que separam os projetos reais de IA das demonstrações
- 1Adoção voluntária pela linha da frente
- 2Taxa de revisão manual em queda
- 3Custo marginal por tarefa
- 4Se alguém está disposto a dar a aprovação
- 5Se os dados fluem de volta
Se o dia do lançamento é o pico, era apenas uma demonstração. Se é lançado imperfeito e três meses depois está melhor, isso é produtividade real.
Comece por um cenário concreto, não por uma lista de produtos.
Conte-nos qual é o cenário que ainda não está em produção: onde estão os dados, quem os usa e quem dá a aprovação. Um workshop dá-lhe um caminho verificável para avançar.