Fligoo SharpAI

Nossa plataforma de IA empresarial.

Fligoo SharpAI é a plataforma de IA empresarial que roda cargas preditivas, generativas e agênticas em produção — cobrindo arquitetura lógica, deploy físico, integrações e interface de usuário, projetada para levar grandes empresas do data lake à IA governada e operacional.

Dentro do SharpAI

Quatro ferramentas, uma plataforma.

AUTONOMY executa agentes autônomos sobre os modelos fundacionais. PracticeAI aplica inteligência preditiva a wealth e assessores. AI Orchestrator opera a camada de execução omnichannel. DataMoveX move e prepara os dados por baixo. Os quatro compartilham a mesma camada de governança, auditoria e explicabilidade.

AUTONOMY

Agentes de IA especializados que tomam ação real na empresa.

Plataforma multi-agente que funde os modelos preditivos da Fligoo com execução autônoma. Agentes tomam ação sobre cada score — cobrança, retenção, supply chain, fraude — com governança, explicabilidade e auditoria completas.

30+ agentes especializados em cobrança, retenção, supply chain, fraude
Orquestração multi-agente com política e auditoria
Loop fechado Predizer → Decidir → Agir
Integrada com os sistemas que já operam o negócio

PracticeAI

IA empresarial para wealth management e assessores financeiros.

Solução tecnológica que entrega aos assessores e seus gerentes recomendações inteligentes e customizadas para reter e engajar investidores — ampliando wallet share, prevendo evasão e protegendo AUM.

Predição de evasão de investidor com meses de antecedência
Benchmarking de performance de assessores e brokers
Next best action e ofertas personalizadas
Scoring de fidelidade e satisfação do cliente

AI Orchestrator

Campanhas omnichannel disparadas por insight de IA.

Executa campanhas sofisticadas de comunicação multi-canal — entre SMS, e-mail, WhatsApp, RCS e call centers — com canal, sequência e conteúdo selecionados por cliente para impulsionar vendas, retenção, cobrança e engajamento.

Otimização de vendas com conteúdo personalizado
Redução de evasão via plays de retenção alvo
Maximização de cobrança com estratégia de contato cost-aware
Roteamento omnichannel ajustado a cada perfil de cliente

DataMoveX

Movimento e preparação de dados para IA em produção.

Automatiza extração, limpeza, normalização e integração de dados para que os modelos da Fligoo cheguem à produção mais rápido — substituindo pipelines manuais e propensos a erro por um processo controlado, seguro e escalável.

Extração, limpeza e normalização automatizadas
Conectores pré-construídos para as principais plataformas de dados
Avaliação de qualidade de dados e tracking de lineage
Governança, integridade e regras de descarte embutidas

↳ AUTONOMY é o produto de agentes. Cada agente é pareado com um modelo fundacional SharpAI. Aprofunde em AUTONOMY →

Conceito

A Decision Layer.

A maioria das IAs empresariais entrega um modelo e para. A Fligoo entrega o sistema que o cerca — a camada que transforma dados empresariais brutos em decisões operacionais e explicáveis dentro dos canais que já operam o negócio.

01 · Input
Dados
Perfil do cliente, conta, transação, engajamento, sinais comportamentais — ingeridos, governados, preparados.
02 · Embeddings
Modelos fundacionais
Pré-treinados entre clientes e indústrias. Aquisição, profitability, retenção, cobrança.
03 · Inferência
Modelos downstream
Fine-tuned ao schema e à lógica operacional do cliente. Tarefas específicas, recomendações específicas.
04 · Ação
Orquestração
Recomendações roteadas via CRM, call center, agência, canais digitais — com checagens de política, viés e auditoria.
05 · Resultado
Decisão
Uma ação específica e explicável — medida contra a linha de negócio para a qual foi construída.

↳ Cada recomendação carrega sua justificativa, seus principais drivers e seu contrafactual — explicabilidade é a camada, não um apêndice.

Quatro camadas, ponta a ponta.

A plataforma separa responsabilidades de forma explícita, para que cada camada possa ser endurecida, auditada e evoluída independentemente.

01
Layer
Arquitetura lógica
Ingestão, armazenamento, experimentação, execução e modelos de saída. O grafo de decisão que governa como o dado vira recomendação.
- Ingestão
- Armazenamento
- Experimentação
- Execução
- Saída
02
Layer
Arquitetura física
Infraestrutura em nuvem, segurança e monitoramento — desenhada para compute elástico, armazenamento criptografado e a telemetria operacional que o time de auditoria empresarial vai pedir.
- Cloud
- Segurança
- Monitoramento
03
Layer
Integrações
APIs da plataforma, ferramental de deploy e os conectores que devolvem as predições para os sistemas que operam o negócio.
- API
- Deploy
- Conectores
04
Layer
Interface de usuário
Dashboards configuráveis, camada de customização, artefatos e data services — para que usuários de negócio possam agir diretamente sobre a saída do modelo.
- UI
- Configuração
- Artefatos
- Data services

Abordagem de modelagem

Foundations baseadas em transformer pré-treinadas por vertical, cabeças fine-tunadas por cliente.

O mesmo padrão arquitetônico que tornou os foundation models o padrão em linguagem é aplicado aqui a dados comportamentais e temporais empresariais — pré-treinar um backbone auto-supervisionado sobre muitos clientes e plugar cabeças task-específicas no embedding congelado.

Foundation models

Encoders transformer pré-treinados auto-supervisionados sobre muitos clientes e indústrias. Duas famílias de backbone — um transformer sobre sequências de eventos (cliente / segurado / assinante) e um transformer sobre tensores temporais multi-SKU multi-canal. Ambos emitem embeddings reutilizáveis que as cabeças downstream consomem.

Família de backbone: Transformers de eventos + de tensor temporal
Pré-treino: Auto-supervisionado (masked event modeling, next-event, contrastive)
Corpus de treino: Multi-cliente, anonimizado, federado quando residência exige
Saídas: Embeddings, representações de sequência, probabilidades calibradas de cabeça
Rastreabilidade: MLflow + Bitbucket + model registry · pesos, corpora e hashes versionados

Category
Aquisição
Embeddings de estágio de conversão que alimentam cabeças de lead scoring e aquisição.
Category
Profitability
Embeddings de comportamento multi-produto para cabeças de share-of-wallet e crescimento.
Category
Retenção
Embeddings pre-churn / pre-evasão para cabeças de survival e retenção.
Category
Cobrança
Embeddings de payment-stress para cabeças de recovery, priorização e risco de crédito.

Cabeças downstream

Cabeças task-específicas plugadas no embedding congelado da foundation e fine-tunadas para o schema, taxonomia e lógica operacional do cliente. A maioria fine-tuna uma fração pequena de parâmetros — o que treinar do zero exigiria ordens de magnitude mais dados para igualar.

Task	Model	Note
Evasão de assessor	Cabeça de survival sobre embedding ALT	Multi-horizonte (90 / 180 dias) com risco calibrado.
Recomendação de produto	Two-tower retrieval sobre embedding CBT	Torres user × product com treino contrastive.
Profitability	Cabeça de regressão + correção uplift	Counterfactual, limitada por política.
Cobrança	Cabeça de ranking cost-sensitive	Ranking por valor recuperável × custo de canal.

Arquitetura em produção desde 2022

O padrão fundacional que escala a IA empresarial.

A plataforma da Fligoo é construída sobre um único princípio arquitetural: treinar uma camada de modelos fundacionais sobre o schema canônico de uma indústria, fazer fine-tune de cabeças downstream por cliente e então orquestrar o rollout nos sistemas que já operam o negócio. O padrão já entregou em dez verticais e contando — muito antes que o resto do mercado convergisse para ele.

Principle 01
Camada fundacional
Modelos pré-treinados entre muitos clientes de uma vertical — aprendendo o sinal comum em comportamento do cliente, transações, engajamento e risco. O sinal que uma única instituição jamais alcançaria com seus próprios dados isoladamente.
Principle 02
Especialização downstream
Cabeças task-específicas fine-tuned por cliente para o schema, a taxonomia e a lógica operacional daquele cliente — tipicamente ajustando apenas uma pequena fração dos parâmetros para igualar o que o treino do zero entregaria.
Principle 03
Federated learning
Onde residência de dados ou fronteiras de parceria proíbem centralização, modelos fundacionais treinam de forma federada — apenas aprendizados cruzam a fronteira, jamais dados brutos, jamais features.
Principle 04
Modelagem network-aware
Problemas de compliance, fraude e risco exigem sinal relacional cross-record que o processamento isolado de registros não captura. A arquitetura trata features de nível de rede como primitivo, não retrofit — abrindo programas de AML e risco que abordagens single-record têm dificuldade de enfrentar.

Why it wins 01

Multi-tenant por design

A camada fundacional é treinada entre muitos clientes de uma vertical, não nos dados de uma única instituição. Diversidade cross-industry é uma vantagem estrutural que treinos single-tenant não conseguem replicar, por maior que seja a instituição.

Why it wins 02

Generalização vertical

O mesmo padrão arquitetural já entregou em banking, wealth management, seguros, previdência, varejo, telecomunicações, FMCG, química, fast food e mass media. Reutilizar a camada fundacional comprime dramaticamente o time-to-production para cada novo cliente.

Why it wins 03

Compliance via sinal cross-record

AML, detecção de fraude e vigilância de risco precisam de features de nível de rede — relacionamentos, timing e contexto que atravessam múltiplos registros. A arquitetura suporta modelagem relacional cross-record nativamente, abrindo programas de compliance que abordagens record-isolated têm dificuldade de enfrentar.

Superfície de produção

O que o sistema realmente faz, em produção.

Logs de inferência ao vivo e a configuração que os dirige — abreviados para clareza, mas no formato exato do que a plataforma emite e ingere em runtime.

fligoo-sharp-ai · inference.log · live

heads/advisor_attrition.yaml

prod

name: advisor_attrition_v3
backbone:
  family: advisor_lifecycle_transformer
  ref: alt.v2.1
  frozen: true
  embedding_dim: 192
inputs:
  sequence:
    - window: 24mo
      tokens: [production, manager_touch, book_drift, role_event]
  static:
    - tenure_months
    - region_band
head:
  type: multi_horizon_survival
  horizons: [90d, 180d]
  calibration: isotonic
training:
  regime: linear_probe + head_finetune
  lr_backbone: 0
  lr_head: 1e-4
explainability:
  - shap.head
  - attention_rollout
  - counterfactual
evaluation:
  c_index: 0.81
  auc_180d: 0.92
  lift_at_10pct: 4.2
  p95_latency_ms: 47

Federated learning

Treine entre fontes sem que dados privados saiam do cliente.

Quando residência de dados, regulação ou fronteiras de parceria proíbem o movimento de dados, os modelos fundacionais podem ser treinados de forma federada — apenas aprendizados, jamais dados brutos, cruzam a fronteira.

01
Treino local
Cada ambiente treina sobre seus próprios dados dentro do seu próprio perímetro.
02
Troca com privacidade preservada
Apenas atualizações de modelo e aprendizados cruzam a fronteira — nunca registros ou features.
03
Modelo fundacional agregado
Um único modelo fundacional se beneficia da amplitude sem que nenhuma parte exponha dados brutos.

Explicabilidade

Cada recomendação vem com uma razão.

Explicabilidade não é uma camada anexada no fim — está embutida no ciclo de vida, para que compliance, auditoria e a linha de negócio possam responder a "por quê".

SHAP

Atribuições de valor de Shapley globais e locais para importância ranqueada de feature e breakdowns por instância.

LIME

Modelos surrogate locais para explicações de predições individuais.

Busca contrafactual

Mudanças mínimas e viáveis de feature que reverteriam o resultado — úteis para playbooks de next-best-action.

Integrated gradients

Atribuição para componentes de deep learning quando modelos fundacionais incorporam camadas neurais.

Guardrails

Confiabilidade, compliance e segurança de domínio aplicadas no ciclo de vida.

Os guardrails operam em quatro níveis — dado, modelo, saída e sistema — com compliance de política, auditoria de viés e lineage completo embutidos.

01
Dado
Validação de schema, detecção de drift, filtragem de PII e checagens de atributos sensíveis antes do dado entrar em treino ou inferência.
02
Modelo
Ajustes de fairness, ruído de privacidade diferencial quando aplicável e checagens de estabilidade que sinalizam instabilidade antes que chegue à produção.
03
Saída
Checagens de toxicidade e compliance de política em cada predição, com metadados de explicabilidade anexados a cada score.
04
Sistema
Engine de política, log de auditoria, SLA de re-treino e prontidão para rollback — quando algo parece errado, a recuperação é um procedimento conhecido.

Framework de avaliação

Cinco eixos — porque poder preditivo sozinho não basta.

Modelos são pontuados em cinco dimensões, com métricas explícitas para cada uma. Um modelo que ranqueia alto em AUC mas baixo em robustez operacional ou confiança não vai para produção.

Poder preditivo

AUC / ROC
F1 / Precision-Recall
Lift @ 10% / KS
Δ vs baseline

Generalização

Validação temporal
Teste cross-domain
Injeção de ruído em feature
Índice de drift de re-treino

Confiança

Consistência SHAP
Cobertura de explicabilidade
Score de auditoria de viés
Alinhamento a regras

Impacto de negócio

Uplift de retenção
Uplift de receita
Redução de custo
ROI preditivo

Robustez operacional

Latência @ P95
Disponibilidade / uptime
Taxa de detecção de drift
SLA de re-treino
Prontidão para rollback

Stack

Ferramentas padrão da indústria, implantadas para a empresa.

Modelagem

XGBoost
LightGBM
Random Forest
ElasticNet
Isolation Forest
LambdaMART

Dados e features

Pandas
Polars
PyArrow
Dask
scikit-learn
category_encoders

Pipelines e deploy

AWS S3
AWS Glue
Airflow
Kubernetes
Docker
MLflow
Bitbucket

Explicabilidade e validação

SHAP
LIME
ELI5
scipy.stats

Pronto para tornar a IA uma linha mensurável no seu P&L?

Desenhamos, implantamos e operamos IA empresarial junto com o seu time.

Comece a conversa

Nossa plataforma de IA empresarial.

Quatro ferramentas, uma plataforma.

AUTONOMY

PracticeAI

AI Orchestrator

DataMoveX

A Decision Layer.

Dados

Modelos fundacionais

Modelos downstream

Orquestração

Decisão

Quatro camadas, ponta a ponta.

Arquitetura lógica

Arquitetura física

Integrações

Interface de usuário

Foundations baseadas em transformer pré-treinadas por vertical, cabeças fine-tunadas por cliente.

Foundation models

Aquisição

Profitability

Retenção

Cobrança