VectorGen
Docs

JEV: É Aqui Que Eu Vejo Dinheiro de Verdade com IA

Transcript

Fala galera, nesse vídeo aqui eu vou ser bem direto e reto com relação ao JV. Eu não quero fazer nenhum tipo desses overviews que estão fazendo, colocando ele para jogar ou fazer alguma coisa, porque eu comecei a implementar aqui na minha aplicação. E eu quero mostrar para vocês o que que eu comecei a fazer. Comecei literalmente a fazer isso hoje, domingo, dia 20 de setembro. Eu estou a 4 horas usando o JV aqui na minha aplicação e ele me surpreendeu muito. Então o JV já começando, ele não é um modelo de LLM, né? O Diego Almeida, acho que é esse, Diogo Almeida, o fundador. Ele não é brasileiro. Ele não é brasileiro, o nome parece, né? Mas ele deu o nome de System One Model. Então esse é o nome do novo modelo. Ele é um modelo de A com uma categoria específica feito pela Typeesfe e ele basicamente é focado em fazer classificação. Resumidamente é isso. E é incrível o quanto ele pode baratear o uso e as chamadas de LLM. Substitui LLM? Não, não substitui ll. Então nesse vídeo eu quero mostrar para vocês aqui de forma rápida. Eu quero mostrar o que que eu tô aplicando. Então, vou começar resumindo, explicando até para você que não que é leigo e me assiste entender como você pode se beneficiar disso. E depois eu vou mostrar a aplicação que eu tô fazendo, porque que eu tô usando ele e o quanto ele vai me tirar de dinheiro. Então, de forma real, vamos continuar no mesmo conceito desse canal sempre. E a tem que gerar resultado. Legal. Então, como que a gente usa o Jeff para gerar resultado real? Então vou mostrar para você o meu caso de uso, o que que para mim tá fazendo sentido neste exato momento, porque eu já tava desenvolvendo um seos copilot, né, que é um uma aplicação ali para um copiloto de vendas para acompanhar os vendedores. E o custo era um problema, tava sendo difícil de equilibrar por conta das chamadas de IA. E com JV eu, vou reduzir isso aí absurdamente. Eu vou mostrar isso aqui para vocês. Bora começar. Lembrando, se você é programador, consultor, empreendedor, empresário, não importa, quer entrar no mundo da inteligência artificial e criar uma solução robusta e fazer dinheiro com isso, entender como criar um modelo de negócio, você tem que conhecer Acelera 360. Se você quiser conhecer, Acelera. O link de aplicação tá aqui na descrição desse vídeo. E sábado agora eu vou fazer um workshop chamado Grow AI System para você entender como entender mercado, dores de mercado, como você criar uma oferta, como estruturar um mecanismo de IA e como comece começar a vender, conseguir o seu primeiro cliente. Vai ser um workshop prático. Só se você quiser participar, o link também tá aqui na descrição desse vídeo. Agora bora começar. Introdução rápida. Se você quiser conhecer o Jeev, tá aqui, ó, typesafe.aiaii. Então, esse aqui é o site oficial. Typesafe é o nome da empresa, tá? Eu vou fazer uma explicação bem simples aqui. Aqui a gente tem LLMS, né? E aqui a gente tem o JV Evaluate. Que que tá aqui? Lleni AI com o chat EPT, Google com DNI, Cloud com o Opus, com Hik, com qualquer outro modelo. Tá aqui que basicamente você manda um texto e ele vai lá, gera os tokens, né? Vai gerando os pedaços de texto e vai retornando a resposta para você, que é o que a gente já conhece muito bem. O Jev não resolve esse problema. Na verdade, ele é uma IA, um modelo de IA voltado paraa classificação. Então, para quem não é de tecnologia, deixa eu voltar aqui uns 15 anos mais ou menos, na faculdade eu estudava ali um negócio chamado regressão logística. Então, para explicar de forma rápida aqui o que que é regressão logística e classificação, imagina que eu tenho, crio um algoritmo de IA e aí eu vou falando o seguinte: "Olha, eu dou características características de algo." Por exemplo, características de uma maçã. Eu dou todas as características de uma maçã. Então, olha, ela é redonda, ela geralmente é vermelha, mas pode ter verde, quando você morde por dentro, é meio amarelinho, pá, pá. Eu treino ele e aqui esse algoritmo ele cria um, ele cria pesos. E aí depois que esse algoritmo tá treinado, basicamente eu tenho um input, olha isso aqui é amarelo comprido e tudo mais, eu jogo nesse algoritmo aqui. Aí esse algoritmo ele devolve falando o seguinte: "Olha, isso aqui que você me falou tem 0 pon.01% de ser uma maçã." Então isso aqui é um algoritmo de regressão logística muito, isso aqui é o padrão. A gente aprendeu muito isso na faculdade. Então quando eu olhei pro JV, a primeira coisa que eu lembrei e falei: "Caraca, cara, que incrível. É um algoritmo, é tipo uma regressão logística, mas você não precisa fazer um treinamento porque ele já tá treinado." Então isso aqui eu achei maravilhoso. Por quê? Porque, cara, você pode classificar as coisas sem precisar treinar um algoritmo, sem precisar ajustar os pesos, ele tá pronto. Então, então o JV é meio que feito para isso, né? Você basicamente tem alguns, você passa lá uma informação para ele, não um texto eh igual aqui na LLM, mas sim um Jon e aí ele te retorna basicamente falando ou numa opção de múltipla escolha, ou dando um score, dando uma pontuação ou de sim ou não. Vou dar um exemplo muito simples para vocês aqui entenderem. Imaginem o seguinte, eh, tem um texto, pô, acabou de acontecer uma transação no meu banco às 3 da manhã e ela não é do Brasil, é da China. Qual que é a probabilidade disso aqui ser fraude? Aí ele vai retornar. 90% de chance de ser fraude. Só que você pode fazer isso também por uma LLM. Só que uma LLM é muito mais cara e muito mais demorada. Tipo, você chamar para uma LM fazer isso, ela vai demorar lá uns 3 segundos em média para retornar para você. Agora o Jev não. O Jev é tipo 400 msundos e extremamente mais barato. Kelvin, mas para que que eu vou usar isso, cara? Você pode baratear demais o seu custo de usar uma LM para tomar decisões. Isso é lindo, gente. É um wifi, é um wif inteligente. Uhu! Tá evoluindo muito rápido. Tá evoluindo muito rápido. O negócio tá loucura. E sem treinar. Então aqui se a gente fosse fazer na mão dá, mas Kelv já existe vários algoritmos. Existe cara, existe. Eu sei que existe, Mas é muito rápido. Você não precisa treinar essa aqui, tá pronto. Então isso aqui é muito louco, é muito rápido. Agora que você entendeu mais ou menos o que que é o L, vamos colocar aqui então algumas comparações só pra gente distinguir, tá? Então LLM você precisa, a entrada dela aqui, ó, é um contexto. A entrada aqui, a entrada aqui é um contexto, tá vendo? Você manda um contexto já pro Jeev. A entrada que você vai passar aqui é um estado barractexto, o objetivo da LLM é gerar. Então ela vai gerar um texto de retorno de acordo com o contexto que você pediu. Vai gerar um código, vai gerar um Jzon, vai gerar uma resposta qualquer, vai gerar qualquer merda baseada no texto que você mandou, tá? Já o Jev, ele o objetivo dele é decidir ou classificar. Então esse aqui é o foco do Jeff, entendeu? Então, a saída da LLM, geralmente, então, a saída é o texto, gente. O que que ela gera? A saída da Llkens, são as palavrinhas, os pedaços de palavra. Já a saída aqui do do do JEV são decisões e probabilidades. Então, decisões, decisões e probabilidades. Cara, imagina isso aqui para uma análise de fraude. Você não precisa usar uma LLM e ela tem um poder absurdo de decisão. isso é do Kelv, você já testou os limites? Não, não parei para fazer isso ainda e tô com preguiça. Eu já fui logo aplicando aqui no que fazia sentido para mim. Já vou te mostrar, calma. Deixa eu explicar pr os leigos aqui para entenderem. É que mais vamos pegar aqui e ah, texto, texto livre. Que que permite texto livre? Ll permite texto livre. O JEV permite texto livre? Não, o Jev ele é objetivo. Então, velocidade, a LLM ela é lenta e cara. E o Jeff é rápido para caramba. rápido e barato, bem barato, bem barato mesmo. E vocês vão vou mostrar para vocês uma comparação já já. Quando eu uso um ou outro, depende do caso. Jev substitui LLM? Não, apesar que depende da aplicação. Muitas coisas que provavelmente de classificação, decisão que que tá usando LLM hoje, eu eu migraria 100% pro JV por conta de custo e de velocidade. E a minha aplicação, por exemplo, é em tempo real, então ela vai mudar todo o jogo. Beleza? Então resumindo é isso. Kelvin quer entender mais sobre o JV. Você faz o seguinte, ó. Você entra aqui no Typeesave e lê. Entra na no blogzinho deles aqui. Tem algum lugar aqui, ó. Docs. Aprenda a ler documentação. Muito bom. Muito bom. Ó lá, tá vendo, ó? Tipos primitivos. Choice, score, no advancedory. Tá tudo aqui. Tá tudo explicando bonitinho. Muito legal. Por sinal não é o não é o não é o não é sobre meu vídeo. Meu vídeo é sobre aplicação prática. Que mais? Quer entender mais? Dita Jeev aqui no YouTube, ó. A galera tá fazendo um monte de release comparando, ó. Jev is insane. P p p p pá. Tem um monte de gente fazendo joguinho aqui. E aqui no meu vídeo, o que que você vai ver? Você vai ver a aplicação real. Então, a gente vai, eu vou te explicar o meu contexto agora e aonde eu tô aplicando para você poder entender e replicar e começar a criar os seus próprios casos de uso. Então, vamos lá. Quero usar o JV. Como que eu faço? Primeira coisa, você vem aqui, ó, na aplicação deles lá no site e entra na waitlist deles, porque, cara, não tem o que fazer. Eles estão com waightlist. E como que eu tô usando? Eu estou usando o Open Houtter. Eles tm um, eles liberaram lá, perguntei lá na comunidade, o Open Houter lá e a Versal tão, acho que a WS também alguma coisa Hter, esse eu não conhecia, mas bom. Beleza. O Open Houter tá lá, Livre. Eu tô usando pelo Open Houtter e tá funcionando muito bem, muito rápido. Latência média de 300 a 550 milundos de resposta. Caraca, isso aqui é muito rápido, velho. [risadas] Legal. Agora, nessa parte do vídeo aqui, eu vou explicar o contexto que eu estou usando. Resumindo, nós temos uma solução que se chama infraestrutura de crescimento com inteligência artificial, que consiste em usar inteligência artificial para ajudar empresas a vender mais, a crescer mais, ajudar os nossos parceiros aqui da Celera a crescer mais e a vender mais. Legal. Então, como a gente tá falando sobre vendas e crescimento, a gente precisa ter o quê? Todo o processo de vendas. Então, isso aqui que você está vendo é a Growth AI, uma ferramenta, uma solução que nós temos aqui dentro 360. Então, ela traz todo o conceito de vendas, ela traz todo o fluxo de vendas, de workflow, de automação com inteligência artificial. Bom, agora esse é o primeiro ponto. Então, esta é a aplicação aqui. Então, olha lá, nosso objetivo. Objetivo faz eh vender mais. Fazer a nossa ferramenta faz o quê? Vender mais. K, mas o CRM faz isso? Não, o CRM não faz isso. Você vai entender. O CRM é só um cadastro de cliente. Então, a Growth AI, que é a nossa ferramenta, Growth AI, faz empresas venderem, venderem mais com inteligência artificial. Beleza? Então, você já sabe que o principal que a IA precisa é ter contexto, é ter dados. Então, vamos lá. Primeiro passo do nosso fluxo, eu não vou ficar falando de fluxo de vendas aqui. Eu tô aqui com uma conversa do Marlon, deletei aqui os contatos dele, mas resumidamente a gente pega dados de tudo. Por exemplo, teve uma reunião com uma ligação que o nosso SDR fez pro Marlon aqui. Então, toda a conversa tá aqui, ó. Isso aqui é contexto para Iá. Pá, pá, pá, pá, pá. Então, vamos lá. No fluxo de vendas, o que que acontece? Só para vocês entenderem, a gente tem a etapa de atração, onde a gente atrai as pessoas, igual tô fazendo com vocês aqui, de gerando conhecimento e falando para você, quer empreender, quer gerar resultado com inteligência artificial, clica no link, tá aqui, e se aplique para acelera 360. Aí a gente tem a etapa de qualificação, onde a gente vai qualificar as pessoas que entram e verificar se elas têm o perfil. Aí a gente tem a etapa de conversão. Conversão, resumidamente, um processo de vendas é isso daqui, ó. No processo de vendas, então, cara, três blocos principais, né? Aqui na conversão a gente tem uma etapa muito importante que é a cal de vendas. Então imagina o seguinte, eu atraí, você que tá aqui, quer empreender com Yá, clica no link, tá na descrição desse vídeo ou vem pro meu workshop, tudo na etapa de atração. Aí gerou interesse, você entrou em contato, meu time qualifica. Então o que que é essa qualificação? Essa pessoa realmente quer empreender? Ela tem o perfil, ela tem o perfil, tem o perfil, marca a reunião. Então aqui em conversão vai acontecer a reunião e a gente tem a call de vendas. Qual que é o problema da call de vendas? Ela acontece via Google Meeting, no meu caso. Algumas empresas acontecem via Zoom, algumas outras empresas acontecem via e eh não sei, Slack, Teams, por exemplo, ou qualquer outra ferramenta de vídeo ou até mesmo reunião presencial. E qual que é o ponto? E vendas, gente, por mais que você ache aí que esteja assistindo seja eh eh dom, não é? Ela é técnica e ela é método. Então, que que nós fizemos? Pô, no nosso objetivo de criar uma solução que ajude as empresas vender mais, nós criamos uma ferramenta chamada Sales Copilot. O que que é o sales copilot? Só para mostrar rapidamente para vocês aqui, ó. Sales copilot é muito simples. Imagine que eu tenho uma reunião no Google Meet. Então, pô, entrei no Google Meet para fazer a reunião. Vou deixar minimizado para vocês aqui, ó. E eu venho aqui, ó, start, nova reunião. E comecei a fazer a reunião. Quando eu entro numa reunião, ó, ela já identificou aqui que tá acontecendo uma reunião e ela vai me guiar. Tá? Então, tenho um copiloto de vendas. Aqui eu começo a fazer a transcrição em tempo real e aqui eu faço anotações, resumo da reunião e aqui em dados eu vou coletando os dados. Então, por exemplo, ô, seja bem-vindo, tudo bem com você? Como que você tá, João? É um prazer recebê-lo aqui nessa reunião de vendas. Meu nome é Kelvin, eu sou da Celera 360 e o meu objetivo aqui com você é primeiro entender o seu negócio, entender o seu momento atual e onde você quer chegar. Depois eu quero identificar o que que tá te impedindo de avançar e avaliar se a acelera realmente consegue te ajudar. E se eh se eu entender que existe fit, eu vou te mostrar como funciona o nosso programa, o que eu o que faria nesse sentido pro seu cenário e qual que é o investimento. E no final eu quero combinar uma coisa com você, seja direto comigo. Se fizer sentido avançar, você mesmo me diz blá blá, ah, esse monte de merda aqui. Beleza. Qual que é o ponto? Neste processo todo, o sistema ele vai coletar os dados, ele vai transcrever toda a reunião e ele principalmente vai começar a dar insites de venda. Aquele não vai dar insites porque não tem ninguém na call, mas se tivesse alguém aqui na call, ele ia começar a dar insites de venda. Então, olha que interessante aqui. Isso aqui eu uso IA, cara. Isso aqui, ó, tá vendo, ó? Tá sendo acompanhada a conversa em tempo real. Então, isso aqui eu uso inteligência artificial para coletar as informações. E aí que entra o tal do Jeev. Então, vamos olhar aqui. Nossa, coloquei um monte de coisa. Agora a gente vai entrar na etapa de arquitetura. Como que funciona isso? Ou melhor, como que funciona até agora essa aplicação? Então, é muito simples, ó. Há uma detecção de reunião, que é isso que vocês acabaram de ver aqui. Tem um processo de STT, que é speech to text, converter o texto em ou a voz em texto. Aí existe um algoritmo que organiza essa transcrição. E aí acontece um monte de coisa em paralelo. Primeira delas é: eu não posso ficar chamando a Llo. Fala assim, a cada, imagina cada palavra eu chamar a IA, fala assim, ó, ele tá com dúvida, que que ele tá, analisa para mim, olha o custo disso tudo. Então existem várias técnicas que são implementadas para fazer essa aqui funcionar e ser barato. Só que o barato aqui para mim hoje é quase 4 por reunião. Então 4 4 x 5 R 20. R$ 20 por reunião. Olha, olha que loucura. De 20 a R$ 30. Legal. Uma reunião de 40 minutos, 50 minutos é caro. Isso é caro. Então entra aqui, ó. Primeira coisa que ele faz, extração de dados, rejexístico, faz um processo de rejex aqui horística para campos óbvios, pegar nome, endereço, telefone, coisas que a pessoa fala ali e pega na transcrição. Isso aqui não use para isso. Aí existe uma SLM, não é uma SLM, né? Que que é o SLM, Kelv? É um modelo de a mais leve. Não chega a ser uma SLM, uma gambiarra. Isso aqui é uma gambiarra que eu fiz aqui, que é basicamente um classificador, tipo uma projeção, uma regressão logística. Existe uma um uma um classificador simples aqui que não chama IA, que ele vai entender a intenção ou o contexto. Será que essa pessoa falou: "Tá caro, tá isso, tá aquilo, tá aquilo outro". Então, basicamente, o objetivo desse bloquinho aqui de cima aqui, ó, é identificar, pô, se o cara tá reclamando de preço, se o cara tá reclamando de tempo, se o cara falou de autoridade, concorrência, qualquer merda do tipo. Isso aqui pode, eu posso treinar uma mini LM para fazer isso daqui, um modelo bem pequenininho que roda, pode rodar no local ou pode rodar no nosso servidor aqui para fazer isso, porque isso aqui é factível e é mais barato, tem custo de computação, mas não, olha aqui, já começa pro primeiro problema. Por que que eu tenho que fazer isso aqui, essa complexidade? para eu não ficar chamando a LLM toda hora, porque o custo aqui é muito alto. O custo aqui é muito alto. É 20 centes de dólar a cada milhão de token. Eu acho que esse é o preço. Depois tem que até que pesquisar, mas é caro. Caro. Por que que eu falo aqui para elm fazer isso? Por conta da sugestão. Então imagine que o meu closer tá aqui, ó. Pum. Meu closer tá aqui. Puf. Copiloto. Qual que é a ideia? A todo momento o copiloto tá falando para ele agora fala isso, fala aquilo, peça ajuda. Ele pode pedir ajuda, ele pode conversar com o closer aqui. Ele pode ir conversando com o eh com com a IA. Pô, como que eu respondo isso? como que eu faço aquilo? Então ele vai fazer a introdução, vai fazer o diagnóstico, depois ele entra pra apresentação, depois entra para valor, depois entra pra decisão. Então ele tá todo momento tá aqui gravando a cal e e ajuda no closer, ajudando no closer, ajudando no closer. Na onde isso gera valor para mim? Gente, presta atenção agora aqui. Presta atenção, ó. Pateix, pateix, pateixo. Aqui a gente tá falando de uma que me gera um resultado absurdo. Por quê? Esses caras não preenchem CRM. Esses caras quando preenche CRM preenche cagado. Esses caras aqui eles e eh é complicado você fazer um treinamento de vendas, técnicas de vendas. É, é ensinável, é lógica, é ensinável, é técnica, mas pro cara seguir um playbook, que é um roteiro de vendas, é complicado. Então, olha o custo disso e aonde que isso bate diretamente no meu resultado? Na conversão do close. Então, quanto mais vendas, mais a taxa de conversão dele, mais dinheiro a minha empresa faz. Então, esse essa é uma dor cara, é uma dor muito cara. E aí entra o que eu falo para vocês sobre os aqui é uma ferramenta que, por mais que eu que me custe R$ 20, R$ 30 por reunião, compensa muito. Por quê? Porque no final do mês isso aí tá no meu custo. Por quê? Porque me aumenta o resultado. Faz com que o meu time trabalhe de forma homogênea, faz com que o CRM seja atualizado. E melhor de tudo, eu pego toda a transcrição em tempo real e isso já alimenta o meu modelo de IA, já alimenta o nosso banco de dados, os dados do cliente e isso, cara, reverbera em atualizar o o o meu ICP automático, a estratégia automática, os números automáticos. Então, olha o benefício que eu tenho com isso. É muito alto. É muito alto. Legal. E agora, pô, aí me vem o quê, cara? O Jeff. Então, aonde que uso o Jeff aqui? Primeira coisa, cara. Será que eu deveria chamar ou não a LLM? Será que esse lead ou essa pessoa tá com dúvida? O cliente, o closer tá seguindo o roteiro? O isso que ele me falou é uma objeção, é uma dúvida? O que que é? Você consegue entender que tudo isso são coisas de decisão, de classificação? E aí entra, cara, eu fiz isso com o GPT, ó que bonito. O GPT tá mano. merda, eu tô quase abandonando o cloud. Tô quase abandonando o cloud. Então, olha aqui. Então, isso aqui é o meu modelo atual, detecção da reunião, STT, depois organiza a transcrição, faz a extração de dados, gera resumo também e chama LLM. São três processos que acontecem em paralelo. Custo é alto aqui. Aí existe um validador, cheque a informação e monta a sugestão. Custo alto, latência maior e escala limitada. Aqui tem outro ponto. Cada chamada aqui, o tempo é de 4 segundos em média. Isso aqui é o tempo de médio. 4 segundos, 3 segundos e meio, 4 segundos. Isso aqui é o tempo médio. É alto pr caramba. Isso aqui é muito alto. Mas funciona bem. Me dá resultado. Foi rápido. Agora vamos pegar aqui, cara, com Jeev como que ficaria? Mesma coisa, ó. Detecção de reunião. Aí faz a transcrição, não muda nada. Organização, faz a limpresa, time stamp, shen o Aí entra o JV antes, mano. Que que o JV vai fazer? Ele vai fazer, ele vai cuidar de fazer extração, classificação e a decisão. Por quê? porque ele é absurdamente barato. E o que que eu quero dizer com isso? Uma chamada me custou 0,001 c de dólar. Significa que significa que Olha essa conta aqui, ó. Olha essa conta. Presta atenção nisso aqui. Imagine que eu tenho uma reunião de 2 horas que não acontece. São 120 minutos. 120 minutos são 60 segundos cada minuto. 7200 segundos. Imagine que eu chamo ele duas vezes por segundo. Na na pior das hipóteses são 14.400 chamadas. Eu já não vou fazer isso, mas vou colocar nessa extrapulação aqui. Eu vou multiplicar isso pelo custo. 0,00128. 84 x 6$ 11 para classificação. É absurdamente barato. É absurdamente barato isso aqui. Isso aqui é muito barato. Muito, muito, muito barato, cara. E isso aqui só, só de classificação, né? Se isso aqui fizer eu chamar muito menos a openi, que é o que eu tô fazendo, só que literalmente já derrubou meu preço absurdamente. E eu vou explicar o por que isso aqui tá acontecendo. Então vamos lá. Então o JV ele vai fazer o quê? Ele vai identificar, pô, qual que é o tipo do lead? Eu já sei as pessoas que entram aqui, eu tenho dado histórico, ele vai, qual que é a intenção da compra? Quais são as principais dores, quais são as objeções, faturamento, segmento, nível de urgência, próximas etapas, confiabilidade, qual que é a probabilidade de fechamento, tudo isso aqui é ele que vai fazer. Aí o J faz a classificação, precisa gerar texto, preciso gerar algum insite para para por alguma mensagem, por algum texto que falou? Não. Aí ele entra para fazer uma a regra lógica de negócio. Ação, trigger, chama CRM, atualiza automático, faz o Precisa de LLM, aí ele vem pra sugestão final do closer. Aí ele aí aí aqui chama LLM. O custo é muito menor, a latência é muito maior, a escala é muito maior e a qualidade é muito mais consistente e previsível. Então o que que eu quero trazer aqui para vocês? Que eu não tirei a LLM do processo. Eu vou continuar usando a Open AI aqui ou qualquer outro modelo, o cloud, pô, Qualquer merda aqui eu vou usar tudo, não importa. Eu vou continuar usando ela aqui. Por quê? Porque isso aqui eu preciso de raciocínio. Eu preciso entender. Precisar seguir o playbook. Não tenho o que fazer. Eu não vou colocar a minha também porque não fecha conta. Agora, pô, em vez de eu treinar, gente, eu acho isso aqui incrível. Em vez de eu tenho capacidade total para treinar, para, pô, criar um modelo de classificação, qualquer machine learning faria isso. Mas para que que eu vou fazer isso? É um custo extremamente barato? Para quê? E e aqui eu quero que você pense na evolução que a IA está tendo. Olha que loucura, meu Deus, cara. A parada classificação barateia demais a LLM e ela é um um um join. É, os dois juntos. Isso para você que é dev, para você que é técnico, é um de um gol. Para você que tem empresa, entenda uma coisa, você pode criar, pô, toda a parte de compliance da tua empresa com isso daqui. Análise de risco, análise de crédito. Nossa, meu Deus, tem bilhões de de aplicações, cara. classificação de imagem, classificação de de documento, de perfil de cliente, nível de risco. Nossa, existem dezenas de aplicabilidades aqui. Aqu, eu vi um cara que fez uma uma uma melhoria que ele implementou o JEV para chamar ou não as tools do da LM da LM chama tu ou não. Cara, olha que loucura. Baratear o a utilização da própria Iada para criar código. Então, cara, eu vejo uma uma complementariedade muito grande, tá? Mas o que eu acho legal é que isso aqui é acessível. Isso aqui é acessível. Pô, KV, mas só técnico sabe? Não, isso aqui, cara, se a pessoa entendeu o conceito, ela pede pro próprio Cláud fazer. Então eu não, eu não enxergo desse jeito. E aqui eu quero mostrar para vocês da prática, né? Vamos olhar aqui, ó, como que a como que seria a entrada dele. Então, por exemplo, a fala do closer, né? Como que seria aqui, ó, pô, com que frequência e o envio das propostas atrasa? Então, essa aqui é uma fala, né? Aí a resposta do L, ah, acontece três vezes por semana. Quando atrás o envio, algumas oportunidades esfriam. Então, o Closer perguntou isso daqui, aí o lead respondeu isso daqui. Boa. Aí aqui, ó, ele montou essa estrutura desse jeito, perguntas preparadas. Então ele mandou duas perguntas, pô, quando a proposta atrasa e uma outra de tentativas. Show de bola. Aí o que que a gente pediu pro Jeb? O L terminou de responder, a pergunta atual foi respondida. Tá vendo que são sim ou não? Sim ou não? Probabilidade para cada pergunta preparada é adequada agora já foi respondida ou ficou inválido? Aqui aqui é um choice. São três escolhas. E qual que é a resposta dele? Aí ele me trouxe a resposta real e ele traz em probabilidade. Então isso aqui eu posso estabelecer. Pô, cara, meu limite aqui é acima de 0,80. É true. Passa, não passa. Entende? Conseguem entender? Tá muito complexo. Espero que não esteja. Mas aí é é esse o grande valor do negócio. E esse custo é absurdamente baixo. E essa latência? Essa latência é maravilhosa. Essa aqui foi de 814 msundos, mas a média fica em 500. Então, para uma aplicação de seus copilot, ela é muito mais rápida. Entendem? Tá? Agora, deixa eu trazer pra realidade para vocês, só para vocês entenderem. Custo hoje a minha atual de R 20 a R$ 30. Eu vou começar a rodar essa daqui amanhã, essa versão com um closer só. Eu acho que eu vou jogar isso aqui para R$ 5, de 20 a 30 para 5. Essa aqui é a minha projeção. Provavelmente eu faço um outro vídeo para explicar para vocês se eu atingir isso ou não. Resumo, cara, é maravilhoso. Existe uma aplicabilidade maravilhosa. Não substitui Ll, é muito mais rápido, é muito mais econômico e depende do teu caso de uso. Agora eu só sei de uma coisa, se você quer empreender, você tem que entrar para acelera 360. Se você quer entender mais sobre esse mecanismo, usar até a nossa própria infraestrutura aqui, clica no link que tá aqui na descrição desse vídeo, se aplica para acelera. Se você quiser conhecer mais, eh, venha, venha participar do meu workshop prático que vai acontecer sábado agora. Clica no link aqui também. E vamos que vamos. Tchau para vocês e até a próxima. E eu tô ficando louco. E é isso aí,