Modelos de IA personalizados treinados nos seus dados, implementados e operados por nós
Um modelo de fronteira mais recente não é automaticamente melhor no seu trabalho. Construímos um benchmark a partir dos seus resultados reais, afinamos um modelo aberto pequeno com os seus dados históricos, medimo-lo num conjunto de teste reservado, implementamo-lo na sua cloud ou nas suas próprias GPUs e operamo-lo com a avaliação, a monitorização e o rollback que o mantêm fiável. A Coinbase treinou assim um modelo de fraude por menos de 100 dólares que superou o Opus 4.5 em todas as métricas e reduziu a latência para metade. Trazemos o mesmo método para a sua empresa.
- Anthropic Partner Network 2026
- Seis produtos próprios em produção
- Stack Cloudflare-native, RGPD por desenho
Para quem é
CTOs, responsáveis de dados e de produto em empresas com uma decisão repetida e bem delimitada (fraude, triagem de suporte, classificação, extração de documentos, moderação) e com dados de resultado para a medir, que querem um custo por chamada mais baixo, respostas mais rápidas e dados que nunca saem da sua infraestrutura.
O que entregamos
Benchmark de resultados
Um conjunto de teste reservado construído a partir dos seus resultados históricos, nunca usado no treino, com as métricas que importam ao negócio (precisão, recall, recall ponderado por valor, latência), para que cada modelo e cada atualização sejam avaliados na sua tarefa.
Fine-tuning e pós-treino
Fine-tuning supervisionado ou aprendizagem por reforço com recompensas verificáveis (GRPO, LoRA) em modelos abertos como Qwen, Llama, Gemma ou Mistral, treinados numa única GPU quando a tarefa o permite.
Implementação privada
O modelo servido na sua cloud, nas suas GPUs ou no Cloudflare Workers AI, com uma API que os seus sistemas já sabem chamar. A residência dos dados na sua região é garantida na sua cloud ou nas suas GPUs; o Workers AI não oferece inferência regional.
LLMOps
Pesos, prompts e políticas versionados em conjunto, avaliação de cada checkpoint, monitorização em produção, controlo de custos e um rollback testado para a versão anterior.
Integração segura
O modelo como segunda opinião ao lado das suas regras e sistemas atuais: uma única saída estruturada que o seu código transforma em política, com um humano no circuito onde o risco o exige.
Documentação e passagem
Pipeline de treino, relatórios de avaliação e runbooks entregues à sua equipa, para que o modelo seja seu e o possa retreinar quando os dados mudarem.
Como trabalhamos
- 1
Semana 1: dados e baseline
Auditamos a decisão, os dados de resultado e o sistema atual (regras, modelo de ML ou API de fronteira) e fixamos a baseline no seu benchmark.
- 2
Semanas 2 a 3: benchmark e protótipo
Construímos o conjunto de avaliação, medimos nele os modelos de fronteira e abertos candidatos e escolhemos a abordagem de treino.
- 3
Semanas 4 a 6: treino e avaliação
Afinamos o modelo com a partição de treino, escolhemos os checkpoints num conjunto de validação e comparamos o modelo final com o sistema atual no conjunto de teste reservado.
- 4
Semanas 7 a 8: implementação e passagem
Modo sombra ou teste A/B em produção, monitorização, rollback e runbooks, depois passagem à sua equipa.
Casos de estudo relacionados
- Aiteklabs junta-se à Anthropic Partner Network
Fomos convidados para a Anthropic Partner Network, o que dá à Aiteklabs um acesso mais próximo aos modelos de fronteira para os produtos que construímos.
- ClopinetteAI: um agente de IA nativo Cloudflare da Aiteklabs
O ClopinetteAI é um projeto de laboratório da Aiteklabs que explora memória, ferramentas, input multimodal e infraestrutura de agentes nativa Cloudflare.
- HoldsUp: construímos um verificador de factos para podcasts de saúde
O HoldsUp confronta o que os podcasts afirmam com a investigação publicada, afirmação a afirmação. A seguir: verificação paga para agentes de IA através de x402 e MCP, sem nunca ler os seus dados de saúde.
Perguntas frequentes
- Um modelo pequeno afinado é mesmo melhor do que o GPT ou o Claude?
- Numa tarefa delimitada e repetida com dados de resultado, muitas vezes sim. A Coinbase pós-treinou um modelo aberto de 9 mil milhões de parâmetros com os seus resultados de fraude por menos de 100 dólares e superou o Opus 4.5 em 7,5 pontos de precisão, 12 pontos de recall e 35 pontos de recall ponderado por valor, com menos de metade da latência. Em tarefas abertas, os modelos de fronteira continuam a ganhar, e dizemos-lhe quando é esse o caso.
- Que dados precisamos?
- Exemplos da decisão com o resultado conhecido: transações marcadas como fraude ou não, tickets com a categoria final, documentos com os campos extraídos. Alguns milhares de exemplos costumam chegar para começar. Tratamos do desequilíbrio de classes e da limpeza dos dados.
- Onde corre o modelo?
- Onde as suas regras de dados exigirem: a sua conta cloud, as suas próprias GPUs ou um fornecedor europeu de GPUs, com os dados de treino e de inferência mantidos na região que escolher. O Cloudflare Workers AI é uma opção quando a latência importa mais do que a residência dos dados, porque não executa inferência numa região escolhida.
- Porque é que as atualizações de modelos partem coisas?
- Cada nova versão de um modelo comporta-se de forma diferente. No benchmark da Coinbase, várias atualizações perderam mais de 20 pontos de recall. Uma avaliação baseada em resultados apanha isto antes de chegar à produção, quer use uma API de fronteira quer o seu próprio modelo.
- Quanto custa?
- O treino em si é barato: uma única GPU durante algumas horas. A maior parte do orçamento vai para o benchmark e para a integração. Conte com seis a oito semanas para um primeiro modelo em produção, depois um plano mensal se quiser que continuemos a retreiná-lo e a monitorizá-lo.
Fale-nos do seu projeto
Envie um briefing curto com o objetivo, o prazo e a ordem de orçamento. Respondemos num dia útil com uma primeira proposta.