Kit S2 · Comparação de LLMs + Checklist de Dados

⚖️ Comparação de plataformas LLM

Ferramenta	Pontos fortes	Melhor para	Custo
ChatGPT OpenAI	Maior ecossistema; GPT-4o multimodal; geração de imagens (DALL-E)	Escrita criativa, programação, análise geral	Grátis · Plus 20$/mês
Claude Anthropic	Contexto de 200k tokens; excelente em documentos longos; focado em segurança	Análise de documentos, relatórios, precisão	Grátis · Pro 20$/mês
Gemini Google	Integração nativa Google Workspace; acesso à internet em tempo real	Equipas Google, pesquisa actualizada	Grátis · Advanced 22€/mês
Copilot Microsoft	Integrado no Office 365 (Word, Excel, PowerPoint, Teams, Outlook)	Empresas com ecossistema Microsoft	Incluído em M365 · planos adicionais
Perplexity	Pesquisa com citações verificáveis em tempo real	Research, fact-checking, síntese de artigos	Grátis · Pro 20$/mês
NotebookLM Google	Analisa os documentos que carregas; responde com base nos teus ficheiros	Estudar documentos longos, preparar formações	Grátis

Dados confidenciais: usa sempre o plano enterprise (ChatGPT Team, Claude for Work) — os teus dados não são usados para treino dos modelos.

🧠 Tipos de Machine Learning — referência rápida

Tipo	Como funciona	Exemplo empresarial
Supervisionado	Aprende com exemplos rotulados. Prevê o output para novos inputs.	Classificar emails como spam; prever churn; detectar fraude
Não-supervisionado	Encontra padrões em dados sem rótulos. Agrupa exemplos semelhantes.	Segmentar clientes; detectar anomalias; recomendações
Por reforço	Aprende por tentativa e erro, recebendo recompensas por boas decisões.	Chatbots; robots de armazém; sistemas de publicidade
Geração (LLMs)	Treinado para prever o próximo token. Emergem capacidades de raciocínio e geração.	Redigir emails, resumir documentos, gerar código

📊 Checklist de avaliação de dados para IA

1. Disponibilidade

Os dados existem em formato digital (não só em papel ou memória das pessoas)

Os dados estão centralizados — não dispersos por emails e ficheiros locais

Temos histórico suficiente (mínimo 6–12 meses; idealmente 2+ anos)

O volume é suficiente: centenas de registos para ML simples; milhares para deep learning

2. Qualidade

Os dados estão completos (poucos campos vazios)

Os dados são consistentes (mesma unidade, formato e nomenclatura ao longo do tempo)

Os dados são actuais e actualizados regularmente

Os dados representam bem a realidade (sem amostras enviesadas)

3. Acesso e governança

Há alguém responsável pelos dados (data owner ou equivalente)

O acesso está controlado (não toda a gente vê tudo)

Sabemos qual a base legal RGPD para cada tipo de dado pessoal recolhido

Podemos extrair os dados em formato standard (CSV, Excel, API)

4. Potencial para IA

Consigo identificar um outcome claro que quero prever com estes dados

Tenho dados históricos com o resultado correcto (para ML supervisionado)

O custo de um erro do modelo é tolerável

Interpretação: 0–5 marcados → investe primeiro em digitalização. 6–10 → começa por um piloto simples. 11–15 → dados sólidos, podes avançar para ML supervisionado.

Comparação de Ferramentas + Checklist de Dados