Serviços de IA (LLM)
Que taxonomias e evidências organizam o corpus nas dimensões analíticas da pesquisa?
ai-serviceServiços de IA (LLM)
Ativar a IA e categorizar o corpus
Você terá uma taxonomia auditável do seu corpus, com custo controlado e cada evidência rastreável.
O que este módulo faz
O módulo de IA opera sobre o Framework Multidimensional configurado no projeto (ex: Technology, Methodology e Results), analisando abstracts e títulos para extrair evidências conceituais, derivar taxonomias temáticas e classificar publicações com rigor semântico.
A comunicação ocorre sob o modelo Bring Your Own Key (BYOK) e é agnóstica de provedor: Google (Gemini), Anthropic (Claude) e OpenAI convivem no mesmo catálogo, cada um com a sua própria chave guardada no cofre de credenciais do Windows. O modelo de chat e o de embeddings são escolhidos separadamente.
Toda chamada é contabilizada: há teto de gasto em dólares com trava automática, painel de custo acumulado, tokens e requisições, e registro de auditoria das últimas chamadas. Um modelo sem preço conhecido fica bloqueado enquanto o teto estiver ativo — gastar sem conseguir medir tornaria o limite ficção.
Análises disponíveis
| Análise | Para que serve |
|---|---|
| Extração Estruturada de Evidências | Lê resumos e títulos em lotes configuráveis e extrai evidências textuais factuais para embasar cada dimensão de pesquisa. |
| Geração de Taxonomias Conceituais | Três vias de construção: agrupar-e-nomear semântico (embeddings, UMAP e HDBSCAN), agrupar-e-nomear lexical (TF-IDF reduzido por LSA, local e sem custo de API) e LLM estruturado em duas fases — macrocategorias primeiro, subcategorias depois. |
| Classificação Assistida com Validação de Confiança | Classificação multirrótulo — até cinco vínculos por evidência, com abstenção explícita — gravando confiança e justificativa. Em cascata, só as evidências abaixo do limiar de confiança são reprocessadas pelo modelo mais forte. |
| Painel Human-in-the-Loop | Interface para inspecionar cada evidência classificada ao lado da justificativa da IA e da publicação de origem, com editor para renomear, acrescentar e excluir subcategorias — e pausa opcional do pipeline logo após a taxonomia, antes da classificação em massa. |
| Síntese e Matrizes de Cruzamento Multidimensional | Sete visualizações sobre o cruzamento de duas dimensões — matriz hierárquica, treemap, fluxo Sankey, quadrantes 2x2, sunburst, zoneamento por andares e nuvem de palavras — acompanhadas de um assistente de discussão que lê o gráfico ativo. |
O que o corpus precisa ter
- Títulos e abstracts preenchidos nas bases de origem
- Chave do provedor do modelo ativo cadastrada em Configurações — não necessariamente a do Google
- Modelo de embeddings de Google ou OpenAI, caso a taxonomia seja construída pela via semântica
- Definição das dimensões do framework no projeto (ex: technology, methodology, results)
Faltando algum desses elementos, o módulo ainda abre, mas parte das análises fica indisponível ou pouco informativa. A página de Fontes suportadas indica o que marcar na exportação de cada base.
O que você leva para fora
- Taxonomias estruturadas por dimensão analítica, exportáveis em CSV e Markdown
- Gráficos de frequência de subcategorias e painel de evidências justificadas
- Sete visualizações de cruzamento entre dimensões, exportáveis em PNG, SVG, CSV e Markdown
- Sínteses textuais assistidas por IA, guardadas no banco do projeto
- Registro de proveniência de cada execução: modelos, método de taxonomia, parâmetros e contagens
Continue por aqui
- Tutorial Passo a Passo — Roteiro visual completo de ponta a ponta: do setup à exportação de redes.
- Síntese entre dimensões — Cruzar duas dimensões da taxonomia em matriz, treemap, Sankey, quadrantes e mais.
- Conceitos fundamentais — Projeto, corpus, pipeline de saneamento e a arquitetura local-first.
- Análise Bimodal — Grafos entre duas classes de entidades e pontes de conhecimento.
Execute análises bibliométricas, grafos bimodais e inteligência artificial no Windows com controle, governança e soberania de dados.