AI Models

Modelos pequenos, ensinados para uma tarefa de cada vez.

A sala de controle dos modelos pequenos por trás do Rollie e do Vision: biblioteca de modelos, versões, ensino e validação — cada modelo da plataforma, gerenciado em um só lugar.

Ilustração em estilo argila de modelos de IA: uma esfera de nós conectados e blocos cúbicos de modelo cercados por pontos neurais brilhantesIlustração em estilo argila de modelos de IA: uma esfera de nós conectados e blocos cúbicos de modelo cercados por pontos neurais brilhantes

Sobre este produto

O Docklify AI Models é a sala de controle dos modelos pequenos por trás do Rollie e do Vision: biblioteca de modelos, versões, ensino e validação — cada modelo que a plataforma executa, gerenciado em um só lugar. O Docklify não treina modelos gigantes do zero: ele ensina modelos pequenos de uma só cena que fazem bem um trabalho: ler uma bancada de embalagem, responder uma pergunta de armazém, detectar um problema de segurança. Ensine um modelo uma vez aqui, com seus próprios exemplos, e cada app que o usa fica mais preciso — o Rollie fala com ele, o Vision enxerga com ele, e o livro de uso mostra quanto custa cada modelo. Cada modelo carrega seu responsável, sua história e seu custo, para que a plataforma nunca execute um modelo que ninguém lembra de ter aprovado.

Para que serve

Para quem é:Para administradores e operadores que mantêm Rollie e Vision afiados — e querem cada modelo, verificação e token contabilizados.

Administradores e operadores de IA

As pessoas que mantêm Rollie e Vision afiados: um registro para ver cada modelo, sua versão, suas verificações e seus tokens — e saber qual está desviando.

Equipes de armazém que usam verificações Vision

Estações de embalagem, pátios e docas onde as câmeras vigiam o trabalho: os modelos de detecção por trás dessas verificações são ensinados e validados aqui, não em uma caixa-preta.

Atendimento ao cliente e treinadores de Agent Crew

Equipes que ensinam agentes a responder clientes: o canal de ensino para agentes vive ao lado do canal de visão, com a mesma disciplina de versões e validação.

Operações da plataforma que vigiam o gasto com IA

O gasto com IA é dinheiro real: o uso por recurso, os orçamentos por pessoa e o portão de cota da plataforma mantêm a fatura visível antes que vire surpresa. A fatura continua visível antes do fim do mês, não depois de chegar.

Fluxo principal

  1. Escolha um modelo da biblioteca
  2. Ensine com os seus exemplos
  3. Veja as políticas de validação
  4. Acompanhe o uso por recurso

Principais recursos

Ilustração em argila: uma pequena prateleira de biblioteca com caixas de modelo etiquetadas em fila, uma caixa brilhante sendo retiradaIlustração em argila: uma pequena prateleira de biblioteca com caixas de modelo etiquetadas em fila, uma caixa brilhante sendo retirada

Biblioteca de modelos e versões

Cada modelo pequeno que a plataforma executa vive em um só registro: para que serve, qual versão está no ar, quais versões vieram antes e quais apps o usam. Uma versão nova nunca substitui a antiga em silêncio: as versões são explícitas, então um modelo pode voltar atrás quando o novo se comporta pior no mundo real, e a equipe sempre sabe qual versão respondeu qual pergunta ou verificou qual embalagem. A biblioteca é o único lugar onde um modelo existe: sem cópias flutuando em planilhas, sem dois times ensinando o mesmo trabalho duas vezes. As versões aposentadas continuam legíveis na biblioteca, então uma resposta antiga ainda pode ser explicada depois que seu modelo mudou.

Ilustração em argila: uma figura de professor mostrando cartões de exemplo a um pequeno robô, um marcado certo e outro erradoIlustração em argila: uma figura de professor mostrando cartões de exemplo a um pequeno robô, um marcado certo e outro errado

Ensino com os seus próprios exemplos

Um modelo aprende as suas cenas, não o livro-texto de outra pessoa. Mostre exemplos do seu próprio chão — o pacote que estava certo, o que estava errado, a resposta que satisfez o cliente — e corrija suas respostas até ele se comportar como sua equipe faria. Há dois canais de ensino, deliberadamente separados: o ensino de visão treina modelos de detecção sobre o que as câmeras veem, e o ensino de agentes treina os agentes que falam com os clientes. Cada canal ensina seu próprio tipo de modelo, então um exemplo de embalagem nunca vaza para uma resposta ao cliente e uma correção de chat nunca muda o que uma câmera procura.

Ilustração em argila: uma câmera de bancada de embalagem comparando a lista de conteúdo com os itens dentro da caixa, com uma pequena marca de verificação flutuando acimaIlustração em argila: uma câmera de bancada de embalagem comparando a lista de conteúdo com os itens dentro da caixa, com uma pequena marca de verificação flutuando acima

Políticas de validação legíveis

As verificações de IA não são mágica, e esta página diz isso claramente: mostra como cada verificação funciona, com palavras que qualquer um pode acompanhar. A verificação de embalagem, por exemplo, compara o que a câmera viu na bancada com o que o pedido diz que deve estar na caixa — e a verificação em si acontece na estação de embalagem, não aqui. Esta página é somente leitura: permite a um administrador ver a política, a evidência que ela produz e os modelos por trás, sem tocar em uma verificação ao vivo. Quando uma verificação erra, a correção é ensinar, não um interruptor escondido. Uma verificação que continua falhando sempre do mesmo jeito é um sinal de ensinar o modelo novamente, não de baixar a régua.

Ilustração em argila: um livro aberto com pequenos contadores de tokens e moedas de crédito empilhadas ao lado de cartões de modeloIlustração em argila: um livro aberto com pequenos contadores de tokens e moedas de crédito empilhadas ao lado de cartões de modelo

Livro de uso, por recurso

Uso de IA neste mês, por recurso, em um só livro: quais modelos rodaram, quantos tokens usaram e o que isso significa em Créditos — a única unidade visível do locatário. Uma pergunta respondida custa 1 Crédito, uma execução de tarefa automática custa 1 Crédito, uma execução de agente custa 5, e cada execução cai na tabela de execuções com sua contagem de tokens anexada, então qualquer cobrança pode ser rastreada até a execução que a causou. O locatário vê Créditos; a plataforma guarda o livro de custos em tokens do seu lado, e os dois livros nunca se misturam em um só número confuso. Execuções com falha não custam Créditos; só o sucesso é cobrado.

Ilustração em argila: um pequeno quadro de comutação roteando linhas brilhantes de várias torres de provedores para um prédio de armazémIlustração em argila: um pequeno quadro de comutação roteando linhas brilhantes de várias torres de provedores para um prédio de armazém

Roteador de IA e failover

Um só roteador fica entre os apps e os provedores de modelos, para que nenhuma função seja casada com um só fornecedor. Quando um provedor fica lento ou cai, o roteador alterna para o próximo e o usuário vê uma resposta, não uma página de erro. Modelos novos entram por uma só rotina documentada — registrar o modelo, nomear sua cena, definir seus limites — então adicionar um provedor é uma lista de verificação, não um projeto. Modelos de cena têm suas próprias entradas de catálogo, e o roteador mantém o custo de cada chamada nos livros, que é o que torna o livro de uso honesto. O roteador nunca mostra ao locatário um número de tokens.

Ilustração em argila: um pequeno robô falando e um olho de câmera lado a lado, ambos ligados por linhas brilhantes a uma só caixa de modeloIlustração em argila: um pequeno robô falando e um olho de câmera lado a lado, ambos ligados por linhas brilhantes a uma só caixa de modelo

Um modelo, dois sentidos: Rollie e Vision

O Rollie fala e o Vision enxerga com modelos gerenciados aqui — ensine uma vez aqui e os dois ficam mais afiados. O modelo de embalagem que verifica uma caixa na bancada é o mesmo tipo de modelo que responde a pergunta de um supervisor sobre aquela embalagem, porque ambos bebem da mesma biblioteca, das mesmas versões e do mesmo ensino. Quando um modelo melhora, a melhoria chega a cada app ao mesmo tempo; quando é aposentado, é aposentado em todos os lugares, não fica rodando em um canto que ninguém vigia. Um modelo, gerenciado uma vez, servindo a plataforma inteira. A biblioteca compartilhada é também a memória compartilhada: o que um app aprende sobre um modelo, todos os apps herdam.

Ilustração em argila: uma pequena cerca ao redor de um jardim de caixas de modelo, com uma placa em forma de rosto riscada no portãoIlustração em argila: uma pequena cerca ao redor de um jardim de caixas de modelo, com uma placa em forma de rosto riscada no portão

Apenas modelos pequenos — e limites claros

A regra está escrita na parede: apenas modelos pequenos de uma só cena. Sem treinar modelos grandes do zero, e sem modelos de reconhecimento facial — nunca. Um modelo que vigia uma bancada de embalagem vigia caixas, não pessoas; um modelo que responde uma pergunta responde a partir dos dados da própria plataforma, dentro do locatário que os possui. Os limites não são uma nota de rodapé em um documento de design: são aplicados onde os modelos são registrados, então um modelo que quebra a regra não pode nem ser adicionado. Clientes que perguntam o que a IA faz — e o que nunca fará — recebem uma resposta direta nesta página.

O essencial do dia a dia

Biblioteca de modelos

Cada modelo pequeno e suas versões, em um só registro.

Ensino

Mostre exemplos e corrija respostas — o modelo aprende as suas cenas.

Políticas de validação

Como cada verificação de IA funciona, em palavras claras — aqui é somente leitura.

Uso

Uso de IA neste mês, por recurso — tokens usados, em um só registro.

Pacotes de modelo

Pacotes versionados que levam um modelo do ensino ao uso ao vivo.

Execuções de avaliação

Teste uma versão contra exemplos reservados antes de colocá-la no ar.

Cotas e orçamentos

Orçamentos de Crédito por pessoa e o portão de cota da plataforma, em Créditos.

Trilha de auditoria

Quem ensinou, corrigiu, versionou ou aposentou um modelo — tudo registrado.

Suporte do ecossistema

Rollie: a voz destes modelos

O AI Rollie responde perguntas de armazém com os modelos gerenciados aqui: a mesma biblioteca, as mesmas versões, o mesmo ensino — quando um modelo é corrigido aqui, as respostas do Rollie melhoram em todos os lugares ao mesmo tempo.

Vision: os olhos destes modelos

O Vision vigia bancadas de embalagem, pátios e docas com modelos de detecção ensinados aqui: a câmera vê, o modelo julga, e o resultado da verificação cai na estação de embalagem com sua evidência anexada.

Agent Crew: agentes ensinados na mesma bancada

Os agentes que respondem clientes são treinados pelo canal de ensino de agentes ao lado do canal de visão: uma bancada, dois tipos de modelos, a mesma disciplina de versões e validação — e o mesmo livro de uso cobrando cada execução.

Como se conecta:O Rollie fala e o Vision enxerga com modelos gerenciados aqui — ensine uma vez aqui e os dois ficam mais afiados.

Pronto para colocar para trabalhar?

Explore os outros aplicativos