Cases · Projetos e evidências

Cases reais, e como cada um se verifica.

De um processamento de imagens que caiu de horas para segundos à IA em produção na saúde: são projetos reais, cada um com a sua prova. Onde há NDA, publicamos o desfecho, sem o nome do cliente. E o método de hoje você confere ao vivo, neste site.

← Voltar à home

01 · Projetos

O que construímos e como se verifica

01Case medido · Varejo

Pipeline de visão computacional reconstruído em Rust

Plataforma de busca por imagens, baseada em características extraídas delas (features), em desenvolvimento, com foco em varejo. Reescrevemos de Python para Rust a etapa que era o gargalo de processamento, e o pipeline inteiro passou de cerca de 4 horas para cerca de 40 segundos sobre o mesmo conjunto de dados (dataset). Medimos antes e depois no mesmo hardware, com execuções repetidas, conferindo que o resultado continuou o mesmo. O algoritmo também foi revisto na migração: o ganho vem da reengenharia como um todo, e não só da troca de linguagem.

RustVisão computacionalBusca por imagens

~4 horas → ~40 segundos

02Visão computacional · Insurtech

Vistoria digital que detecta fraude no ato da contratação

Um seguro de smartphones precisava vistoriar cada aparelho a distância, sem atrapalhar a contratação e sem deixar um aparelho danificado entrar como novo. Construímos a inspeção por visão computacional no momento da contratação, com a métrica de acerto definida antes do modelo, pesando o custo de barrar um cliente honesto (falso positivo) contra o de aceitar um aparelho danificado (falso negativo), e uma pessoa assumindo os casos duvidosos, conforme o risco (fallback humano).

Visão computacionalMachine learningAntifraude

Virou produto, comercializado por uma empresa derivada (spin-off)

03IA generativa · Healthtech

Assistente clínico com citação obrigatória de fonte

Apoio clínico sobre um acervo médico próprio, com tolerância zero a resposta inventada (alucinação) como política: busca no acervo com citação obrigatória de fonte em toda resposta. Se o documento não sustenta a resposta, o sistema diz que não sabe e indica onde procurar. Os testes rodam de novo a cada atualização do acervo, a revisão humana é calibrada pelo risco e o médico fica no comando. É um dos 3 clientes de saúde com IA generativa em produção; os outros dois usam apoio à prescrição, com o médico no comando, e transcrição do atendimento com estruturação do prontuário eletrônico.

RAGCitação obrigatóriaRevisão humana por risco

Em produção na saúde, com citação obrigatória de fonte

04IA preditiva · Trajetória

IA em produção antes da era dos LLMs

Antes dos grandes modelos de linguagem (LLMs), a Kazap já operava em produção componentes probabilísticos, que podem errar: classificadores de detecção de fraude, modelos estatísticos de precificação (regressão) e extração estruturada de documentos (OCR) em escala. A disciplina que esses sistemas exigiram (métrica definida antes do modelo, validação contínua, fallback humano) é a mesma que hoje orienta a IA generativa.

ClassificadoresRegressãoOCR em escala

Fraude, precificação e OCR em produção desde 2018

05Engenharia · Pesquisa pública

Coleta de campo offline para UNICAMP, USP e Instituto de Saúde

As pesquisas de campo dessas instituições precisavam coletar dados em lugares sem sinal. Construímos a coleta offline com sincronização posterior, geolocalização e tabulação direta para software estatístico. Os projetos, financiados pela FAPESP e pelo CNPq, eram das instituições; a Kazap entregou a engenharia (pesquisa e gestão pública, sem IA). É o único case da página que nomeia o cliente, por se tratar de fomento público; os demais são anônimos por NDA.

App que funciona sem internetSincronizaçãoGeolocalização

Projetos com fomento FAPESP e CNPq, cliente nomeado

02 · Carteira pública

Empresas e instituições atendidas

Algumas das que confiaram projetos à Kazap ao longo de 18 anos.

QualcommClaroAfyaMackenzieNeoenergiaUNICAMPUSPGrupo KakauMontrel TecnologiaLink ConsultingEditora ManoleMaple BearGrupo KallasLewis SilkinVita3NoesisSupertrocoEXOOM30Instituto de Saúde (SP)

03 · Depoimentos

O que dizem clientes e parceiros

A melhor experiência de parceria.

Henrique Volpi · Kakau Tech, hoje Grupo Kakau

“A melhor experiência de parceria em todos os 9 anos da Kakau. A melhor empresa de Tech do Brasil, muito dedicados, organizados e parceiros de verdade.”

Profissionais extremamente competentes.

Walter Yoshihara · Link Consulting

“A Kazap tem atuado como nosso parceiro de desenvolvimento há mais de 8 anos. Profissionais extremamente competentes, sempre bastante assertivos no entendimento das demandas, nossos clientes têm sempre solicitado novos desenvolvimentos.”

Constantemente em busca dos melhores métodos e tecnologias.

José Carlos Valério · Montrel Tecnologia

“Graças aos desenvolvimentos realizados pela Kazap, nossos equipamentos alcançaram uma performance excepcional, proporcionando aos nossos clientes uma experiência única durante a utilização dos mesmos.”

Equipe de alto nível.

Ricardo Cernic · Consultor

“Já trabalhei com a Kazap em alguns projetos e sempre recomendei a empresa para os meus clientes. A Kazap tem uma equipe de alto nível, com um vasto conhecimento em diversas tecnologias, incluindo o que hoje se convencionou chamar de Inteligência Artificial, máquinas de busca, processamento de linguagem natural, serviços de nuvem etc.”

04 · O case vivo

Este site, ao vivo

O site em que você está navegando foi conduzido por um engenheiro sênior, em dedicação parcial, com Claude Code em 10 semanas de trabalho efetivo: agente conversacional, testes de comportamento do agente (eval), cache de prompt e a telemetria pública de custo e latência (Modo Bastidores).

É o único case desta página que você verifica agora. Ative o Modo Bastidores no topo e veja, a cada resposta, a montagem do prompt, o que veio do cache, o tempo e o custo.

05 · Protocolo de evidência

O que um engajamento medido entrega

Número sem metodologia é marketing. Com metodologia, é engenharia.

Os engajamentos novos passam a ser medidos por um protocolo de evidência, e o que ele produz fica com você: o retrato do ponto de partida, congelado e datado antes da primeira mudança (a linha de base); a hipótese, registrada antes de se ver o efeito, para ninguém escolher só o resultado bonito depois; e um diário datado do que mudou. O protocolo mede times e sistemas, nunca indivíduos, e o registro já nasce anonimizável, de modo que o resultado possa ser contado sem expor ninguém.

No fim, o engajamento entrega um antes e depois auditável, pronto para circular na sua diretoria. A régua vale para todo número desta página, inclusive o do pipeline: só publicamos número com metodologia defensável. O protocolo é como os próximos nascem com ela.

FAQ

Perguntas frequentes

Posso falar com clientes de vocês?

Sim. Em conversas mais avançadas, apresentamos você a um cliente de um setor próximo ao seu. É a referência que preferimos dar.

Por que só um case tem número?

Porque só publicamos um número quando conseguimos mostrar como ele foi medido, e por enquanto só o case do pipeline tem essa medição. Nos demais, o resultado pertence ao cliente e fica sob NDA. Os engajamentos novos passam a ser medidos desde o início, para que os próximos cases nasçam com número.

Esses cases anônimos são verificáveis?

Em parte aqui, em parte com referência. Este site você testa agora; o case de pesquisa nomeia as instituições, em projetos com fomento FAPESP e CNPq; o case medido traz a metodologia na página e os detalhes em conversa, sob NDA. A vistoria, hoje produto de uma spin-off, e os clientes de saúde, confirmamos apresentando você a um cliente do setor.

Meu setor não aparece aqui. Vocês atendem?

Em 18 anos, a Kazap atendeu 12 segmentos, de fintech e insurtech a indústria e healthtech. O que se transfere entre setores é o tipo de problema: visão computacional em produção, busca com fonte citada, desempenho, modernização de legado. No agente do site, você conta o seu contexto e recebe a indicação do case mais próximo.