Cérebro do MentorComo o Cérebro do Mentor é construído
Esta página é para quem quer olhar por dentro: o que roda onde, o que foi medido e onde o sistema ainda falha.
O Cérebro do Mentor organiza o acervo de um profissional em um grafo de conhecimento governado por uma ontologia do conselho ou regulador da área. A camada que faz essa organização — extração de entidades, ontologia, grafo e máscara de dados pessoais — roda localmente, em CPU, sem chamada a API externa. A geração de texto usa modelo de linguagem em nuvem.
O que roda no seu perímetro e o que roda na nuvem?
A ingestão de um documento passa por uma sequência de etapas locais antes de qualquer coisa sair:
O reconhecimento de entidades roda na própria máquina, em CPU. Não há chamada de API nessa etapa, e a inferência é determinística: rodadas repetidas sobre o mesmo texto produzem exatamente o mesmo resultado.
Isso tem uma consequência prática que costuma passar despercebida: a barreira de privacidade é local. A máscara de dados pessoais é aplicada por esses modelos antes de o texto seguir para qualquer serviço externo de geração. Explicamos o alcance e os limites disso em soberania de dados.
Por que a ontologia importa mais que o modelo?
Esta foi a medição que mais mudou a forma como construímos o produto. Montamos um corpus com gabarito escrito antes de rodar qualquer modelo, e comparamos duas alavancas: trocar o modelo de extração, ou reescrever o vocabulário da ontologia.
| Alavanca | Efeito na qualidade | Leitura |
|---|---|---|
| Trocar o modelo de extração | Ganho pequeno | Ajuda, e é a alavanca em que quase todo mundo mexe primeiro |
| Reescrever o vocabulário da ontologia | Ganho bem maior | Vale muito mais — e é trabalho de domínio, não de infraestrutura |
| ↳ a convenção de nome dos rótulos | parte do ganho | Uma fração vem só da nomenclatura |
| ↳ reescrever os termos em si | a maior parte | O grosso é ontologia, não modelo |
A conclusão orienta o produto inteiro: o diferencial não está no tamanho do modelo de linguagem, e sim na qualidade da ontologia que governa a extração. É por isso que a ontologia é organizada por conselho ou regulador, em três níveis, e não como uma lista genérica de categorias.
Por que isso é verificável. O corpus de avaliação e os scripts vivem versionados junto do código, e a avaliação roda sem consumir API. Isso significa que a medição pode ser repetida a qualquer momento, por qualquer pessoa da equipe, sem custo — o que é a razão de ela existir em vez de virar uma impressão.
Como o sistema decide sobre o que vale escrever primeiro?
Um acervo organizado como grafo permite uma pergunta que uma pasta de arquivos não permite: qual é o assunto mais central do que esta pessoa sabe, e que o conteúdo dela ainda menos cobriu?
Sobre o grafo do próprio mentor rodam algoritmos clássicos de teoria dos grafos, que medem:
- Centralidade — o quanto um tema está conectado ao resto do que aquela pessoa sabe;
- Pontes — temas que ligam áreas do conhecimento que de outro modo ficariam separadas, e que costumam render o conteúdo menos óbvio;
- Agrupamento temático — os pilares que emergem do acervo, em vez de categorias impostas de fora;
- Vizinhança semântica — o que naturalmente vira série ou sequência.
A prioridade sai de uma combinação simples e explicável:
o tema mais central que o conteúdo existente ainda menos cobriu — centralidade ponderada pela lacuna de cobertura.
Descontar o que já foi dito faz o sistema evitar repetição em vez de premiá-la. E o cálculo pesado do grafo roda em job periódico, fora do tempo de resposta — durante o uso o sistema apenas lê o resultado já calculado.
O que ainda não funciona bem
A mesma medição que mostrou a força da ontologia mostrou um limite estrutural da extração, e ele é honesto declarar:
| Tipo de entidade | Definida por | Resultado medido |
|---|---|---|
| Organização, termo técnico | Forma — dá para reconhecer olhando a expressão | Funciona (3 de 3 no caso medido) |
| Citação, causa, contraindicação | Papel na frase — depende da relação com o resto | Falha (perto de zero no caso medido) |
Uma citação só é referência porque está citada; uma contraindicação só o é pela relação com o tratamento. Hoje, relações desse tipo só são recuperadas com auxílio de modelo em nuvem. Estender a extração local a relações é frente de pesquisa aberta.
Registramos os limites porque a alternativa é pior: um sistema que não declara onde falha obriga quem usa a descobrir sozinho. A mesma disciplina vale para os números desta página — nenhum deles é estimativa; todos vêm de medição reproduzível.
O mesmo motor serve outros setores regulados?
Serve, por construção: se a ontologia é por órgão regulador, trocar o regulador troca o domínio sem trocar a máquina. É exatamente por isso que ela encaixa com precisão no seu conselho ou regulador — ela não é genérica.
Hoje o Cérebro atende a Saúde — o primeiro estudo de caso, em produção. Financeiro, Energia, Jurídico e Governos estão previstos no roadmap, ainda não atendidos. Preferimos dizer isso a sugerir uma cobertura que não existe.
Onde ver os números de qualidade
A engenharia desta página explica como o sistema é construído. O quanto isso muda a resposta na prática está medido em benchmark cego contra modelos generalistas — 200 perguntas dentro de um corpus curado e 75 fora, com dois juízes independentes. Os resultados e a metodologia completa estão em evidências e no whitepaper.
Não é uma IA de decisão. O Cérebro do Mentor organiza e comunica conhecimento profissional. Apoia o trabalho, mas não substitui o julgamento profissional de quem assina — a palavra final sobre qualquer peça é sempre humana.