Analista Financeiro IA: Converse com o DRE (RAG + LLM)
Sistema de Retrieval-Augmented Generation (RAG) que ingere demonstrativos financeiros corporativos (DRE, Balanço, Relatórios de Gestão), cria embeddings vetoriais de 768 dimensões, armazena no ChromaDB e responde perguntas do CFO em linguagem natural com citação da fonte, score de confiança (groundedness) e latência sub-2s.
Informação Financeira Fragmentada e Respostas Lentas à Diretoria
CFOs e controllers gastam horas respondendo perguntas repetitivas sobre resultados financeiros. Os dados existem dispersos em PDFs de DREs trimestrais, planilhas de orçamento e relatórios de gestão, mas ninguém cruza tudo em tempo real. A diretoria espera dias por respostas que deveriam levar segundos.
Pipeline RAG com LangChain, ChromaDB e Gemini 2.0 Flash
Ingestão automatizada de 12 documentos financeiros (PDF + XLSX), chunking otimizado com RecursiveCharacterTextSplitter (512 tokens, overlap 50), embeddings com text-embedding-004 (768 dimensões), busca vetorial com Maximal Marginal Relevance (MMR) e geração de respostas fundamentadas com prompt template financeiro e citação obrigatória da fonte.
Groundedness de 94.3% e Resposta em 1.35s com Citação Automática
847 chunks indexados de 12 documentos corporativos, avaliação automatizada com RAGAS Framework (Faithfulness 96.2%, Relevance 94.4%), latência média de 1.35s e eliminação de 85% das consultas ad-hoc que sobrecarregavam a equipe de FP&A.
Experimente a Aplicação em Tempo Real
Este projeto possui ambiente de produção ativo com navegação completa, telemetria em tempo real e interface responsiva otimizada.