Este é o registro público de como a Winnex AI foi construída. Não é um portfólio de sucessos: é a documentação de um processo de pesquisa — incluindo as hipóteses que falharam, os métodos abandonados, e onde o resultado atual ainda perde.
A pergunta que originou tudo: quando um sistema de IA descarta um documento, alguém consegue provar que ele não deveria estar ali? A resposta de mercado é "não". A Winnex existe para mudar isso.
Todo banco vetorial do mercado devolve um resultado e pede confiança. HNSW, IVF, produto quantizado — todos aproximam, e nenhum sabe dizer quais documentos ficaram de fora. Quando um regulador, um juiz ou um auditor pergunta "você olhou tudo?", a resposta honesta hoje é: ninguém consegue provar.
A pesquisa Madhava substitui a heurística probabilística por upper-bounds de Cauchy-Schwarz: cada documento descartado carrega a assinatura matemática de que seu limite superior ficou abaixo do limiar. Não é uma estimativa de qualidade — é uma prova verificável por terceiros.
Mesma consulta + mesmos dados = mesmo resultado, sempre. Sem grafo aleatório, sem variação entre execuções.
Cada exclusão tem uma razão numérica auditável. O certificado sai assinado e sobrevive a revisão externa.
Recall@10 = 1.0000 contra scan exato em BIGANN-100M, com 0 violações de bound. E o NDCG que degrada com N está publicado, não escondido.
O método é scan linear com bounds — correção e auditabilidade, não velocidade. Perde em latência para HNSW, e isso está escrito no site de vendas.
Dois anos de pesquisa, hipóteses abandonadas, e um método que sobreviveu. A linha abaixo é o registro da sequência — não a versão arrumada dela.
Qualquer motor reporta Recall@10 = 1.0000 num corpus limpo. A pergunta que um comprador regulado faz é outra: o que acontece quando o dado está corrompido?
No dataset word2vec do Kaggle, 94,72% das linhas são NaN ou infinito
(estouram float32). O quality gate do winnex-ai-normalize bloqueia o
pca_corpus, remove as linhas degeneradas, e o motor relata
recall de 0,63 a 0,73 com 986 embeddings válidos de 20.000 —
em vez de fabricar 1.0000.
Esse é o número que mais diz sobre o sistema. Não porque é alto, mas porque é baixo quando deveria ser. Um mecanismo que reporta o próprio fracasso é o único em que se pode confiar quando reporta sucesso.
Empresa brasileira, fundada e financiada pelo próprio fundador, sem capital externo. A pesquisa é o ativo; o produto é a certificação da busca.
Uma camada de auditoria sobre busca vetorial: cada consulta sai com um registro assinado do que foi examinado e do que foi excluído, verificável por terceiros sem confiar no fornecedor.
Setores onde a exclusão de um documento tem consequência legal: saúde, jurídico, governo, financeiro — sob LGPD, EU AI Act, HIPAA e SOX.
O Tracer-GOV é gratuito para órgãos públicos. Não é caridade: é a forma mais direta de a tecnologia ser validada em produção real, com dados reais e auditoria real.
BSL 1.1 — código disponível, não OSI. Converte para GPL v2.0+ em 2036. A escolha é deliberada: permite auditar sem permitir revenda concorrente.