Cases de Sucesso

Empresas de projetos de infraestrutura, como a Luana, enfrentam desafios significativos na elaboração de propostas:

• Tempo Excessivo: Processos manuais consomem tempo valioso, atrasando a entrega de propostas.

• Falta de Padronização: A inconsistência entre propostas dificulta a comparação e análise.

• Dificuldade em Obter Informações de Custos: A coleta e cálculo de custos são complexos e propensos a erros.

• Alto Risco de Erros: Cálculos manuais e falta de padronização aumentam a probabilidade de erros dispendiosos.

Desenvolvimento de uma ferramenta de geração de propostas técnicas e comerciais com IA, baseada no Google Cloud Platform (GCP) e Firebase, que automatiza as principais etapas do processo de elaboração de propostas:

• Geração Automática de Escopo Técnico com IA: Utilização de modelos de linguagem (como Gemini) para gerar descrições técnicas detalhadas a partir de informações básicas do projeto.

• Cálculo de Custos Automatizado: Implementação de lógica de cálculo de custos, descontos e impostos para agilizar a precificação.

• Geração de PDFs Personalizados: Criação de PDFs com layouts customizáveis e informações relevantes.

• Gerenciamento de Propostas: Implementação de uma API RESTful que permite criar, ler, atualizar e deletar propostas (CRUD), armazenar o histórico de propostas e gerar PDFs personalizados e implementar autenticação e autorização de usuários.

• Autenticação e Autorização de Usuários: Implementar a autenticação de usuários para proteger as rotas da API.

• Redução de 50% no tempo médio de elaboração de propostas.

• Aumento de 10% na taxa de conversão de propostas.

• Redução de 20% no número de erros em propostas.

• Maior padronização e consistência das propostas.

• Aumento da satisfação dos usuários.

• Validação dos tipos de dados

• Implementar tratamento de erros robusto para lidar com exceções e retornar mensagens de erro amigáveis.

Modelos de Linguagem Grandes (LLMs) são poderosos, mas muitas vezes carecem de acesso a dados específicos, proprietários ou em tempo real (como informações detalhadas sobre voos, políticas da empresa ou comodidades de aeroportos). Essa limitação pode levar a respostas genéricas, imprecisas ou desatualizadas, comprometendo a capacidade de um chatbot de oferecer suporte relevante e contextualizado aos usuários em domínios específicos. O desafio é aprimorar a qualidade e a relevância das respostas do LLM, integrando-o a uma base de conhecimento privada e escalável 

A solução implementa um chatbot inteligente utilizando a arquitetura de Geração Aumentada de Recuperação (RAG - Retrieval Augmented Generation). Essa abordagem permite que o LLM acesse e utilize informações relevantes de uma base de dados externa antes de gerar sua resposta. Os componentes chave incluem:

• AlloyDB (Google Cloud): Utilizado como banco de dados escalável e de alta performance compatível com PostgreSQL, armazenando dados vetoriais (embeddings) de informações de voos, aeroportos, comodidades e políticas. A pesquisa semântica em AlloyDB permite recuperar dados que correspondem conceitualmente à consulta do usuário.

• Vertex AI (Google Cloud): A plataforma unificada de IA é empregada para:

  • Gemini Pro: Um modelo de fundação multimodal que processa as consultas dos usuários e gera respostas, com suporte para compreensão de contexto longo.

  • Modelos de Embeddings: Usados para gerar os embeddings de vetor dos dados na base de conhecimento e das consultas dos usuários, facilitando a pesquisa semântica.

• MCP Toolbox (Cloud Run): Um servidor de middleware que atua como uma camada segura e modular entre o aplicativo de chat e o AlloyDB. Ele expõe operações de banco de dados como "ferramentas" que o agente de IA pode invocar, garantindo acesso controlado e escalável aos dados.

• Aplicação de Chat (Python/Web): A interface do usuário que orquestra a interação, envia consultas ao LLM, coordena a recuperação de dados via MCP Toolbox e apresenta as respostas ao usuário.

• Aprimoramento da Precisão e Relevância: O chatbot gera respostas altamente precisas e contextuais, enriquecidas com dados específicos de voos, comodidades e políticas da empresa.

• Pesquisa Semântica Eficiente: Utilização de embeddings de vetores em AlloyDB para recuperar informações relevantes com base no significado da consulta, não apenas palavras-chave.

• Funcionalidades de IA Generativa Avançadas: Integração com o Gemini Pro da Vertex AI para compreensão de contexto complexo e geração de texto fluida e coerente.

• Autenticação e Transacionalidade: Capacidade de login via OAuth, permitindo interações personalizadas como reserva e acompanhamento de voos, além de consultas relacionadas a políticas específicas do usuário.

• Segurança e Escalabilidade: A arquitetura baseada em Cloud Run, Secret Manager e contas de serviço garante que o acesso aos dados seja seguro e que o sistema possa escalar conforme a demanda.

A era da Inteligência Artificial nos desafia a criar soluções cada vez mais inteligentes e eficientes. No entanto, o desenvolvimento e, principalmente, a escalabilidade de agentes de IA, especialmente em sistemas multiagente, podem ser um verdadeiro labirinto de complexidades e consumo de recursos.

A solução robusta para o problema da escalabilidade em IA, consiste em utilizar o Vertex AI Agent Engine. O Agent Development Kit (ADK) possibilita implementar e escalar um agente de IA focado na sumarização de transcrições de chat. A beleza disso? O Agent Engine nos garante um ambiente totalmente gerenciado.

• Agente de Sumarização Eficaz: Implementamos um agente capaz de sumarizar transcrições de chat com precisão.

• Deploy Escalável: O agente foi facilmente implantado no Agent Engine, garantindo escalabilidade para qualquer volume de dados.

• Qualidade Assegurada: Realizamos testes locais rigorosos antes da implementação, garantindo a performance.

• Interatividade Otimizada: Capacidade de interagir com o agente implementado através de queries, facilitando a usabilidade.

• Gerenciamento Simplificado: Gestão intuitiva dos agentes (listagem e exclusão) diretamente no Agent Engine.

• Integração Sem Complicações: Facilidade de integração com outros serviços Vertex AI, criando um ecossistema coeso.

O cliente necessita de uma infraestrutura inicial na nuvem. O desafio é estabelecer um ambiente que permita o armazenamento eficiente de fotos, a criação automática de miniaturas para visualização rápida e a notificação de eventos relacionados ao upload de imagens, seguindo as normas corporativas de uso de recursos e nomenclatura.

O projeto "Gerenciamento de Imagens" foi configurado no Google Cloud Platform (GCP) utilizando uma arquitetura serverless e serviços gerenciados. A solução implementada envolveu:

• Cloud Storage: Criação de um bucket (Bucket Name) para armazenar tanto as fotos originais enviadas pelos usuários quanto as miniaturas geradas.

• Cloud Pub/Sub: Estabelecimento de um tópico (Topic Name) para desacoplar a notificação de eventos, permitindo que outros serviços sejam informados de forma assíncrona sobre a criação de novas miniaturas.

• Cloud Run: Desenvolvimento e implantação de uma função serverless (Cloud Run Function Name, 2ª geração, Node.js 22) que atua como o principal agente de processamento. Esta função é configurada para:

  • Ser acionada automaticamente por eventos de criação de objetos no bucket do Cloud Storage.

  • Fazer o download da imagem original do bucket.

  • Utilizar a biblioteca sharp para redimensionar a imagem e gerar uma miniatura no formato 64x64.

  • Salvar a miniatura processada de volta no mesmo bucket do Cloud Storage.

  • Publicar uma mensagem no tópico do Pub/Sub informando o nome do arquivo da miniatura recém-criada, facilitando a integração com outros componentes do sistema.

• Infraestrutura de nuvem inicial robusta e funcional para o projeto "Gerenciamento de Imagens" estabelecida no GCP como uma PoC.

• Um sistema automatizado e acionado por eventos para o armazenamento e processamento de imagens, incluindo a geração de miniaturas.

• Mecanismo de notificação assíncrona implementado para eventos de processamento de imagens, promovendo escalabilidade e desacoplamento.