Model behavior
Prompt e context design, retrieval, dataset work, fine-tuning e task-specific evaluation.
ENGENHARIA DE IA
Produtos e fluxos de IA projetados para produção
Adaptação de modelos, integrações de IA, fluxos com agentes e IA de jogos em tempo real com avaliação e controle operacional.
Adaptação de modelos, integrações de IA, fluxos com agentes e IA de jogos em tempo real com avaliação e controle operacional.
ESCOPO DA DISCIPLINA
Projetamos AI como um product system mensurável, não como uma demonstração de model.
Nossa disciplina de AI abrange product integration, retrieval, model training e fine-tuning, agent orchestration e realtime game AI. Escolhemos entre deterministic software, retrieval, model adaptation e generative behavior conforme a task.
Backend & Cloud faz parte da oferta: authentication, data, queues, workers, APIs, persistence, observability e cost controls são o que transforma model behavior útil em um workflow confiável.
Agent e application logic
Tools, explicit state, branching, validation, human approval e user-facing workflow.
Production platform
APIs, data, queues, workers, permissions, deployment, tracing e usage controls.
Realtime game AI
Decision systems, navigation, tactics e simulation sob restrições de frame time e multiplayer.
O model, a application e o operating system projetados como um único produto.
O model, a application e o operating system projetados como um único produto.
Construímos features de AI e internal workflows que recuperam conhecimento, produzem resultados estruturados, chamam tools e se conectam a business systems existentes. Permissions, validation, latency, cost e human review são projetados junto com o model behavior.
AI product features
Assistants, copilots, classification, extraction, summarization e generation incorporados a um user workflow com propósito claro.
Retrieval e knowledge systems
Ingestion, chunking, metadata, search, permissions e grounded response behavior sobre dados do produto ou da organização.
System integration
Models conectados a APIs, databases, files e business tools por meio de actions autenticadas, validadas e auditáveis.
Evaluation e operation
Test datasets, structured checks, tracing, medição de latency e cost, fallback behavior e production monitoring.
Como vamos além de um prompt impressionante
Como vamos além de um prompt impressionante
Primeiro definimos a task e a acceptable failure, estabelecemos uma baseline e então selecionamos a menor combinação de context, retrieval, model adaptation e deterministic code que atenda ao requisito.
- 01
Defina a decision ou workflow
Mapeie users, inputs, output desejado, permissions, risk, review needs e a baseline mensurável.
- 02
Crie um prototype avaliado
Crie test cases representativos e compare abordagens em quality, latency e cost.
- 03
Integre o production system
Adicione data pipelines, tools, state, validation, security, retries e user-facing behavior.
- 04
Observe e melhore
Versione prompts e configuration, rastreie outcomes, analise failures e mantenha uma regression evaluation suite.
AI product deliverables
AI product deliverables
O output é um product system maintainable com comportamento mensurável, não um notebook ou uma demonstração isolada de API.
- Definição de use case, risk e evaluation
- AI feature ou workflow funcional
- Integrações de retrieval, tool e backend
- Evaluation suite e quality baseline
- Deployment, monitoring e cost controls
AI product deliverables
O model, a application e o operating system projetados como um único produto.
Um data e evaluation pipeline para alterar model behavior de forma deliberada.
Um data e evaluation pipeline para alterar model behavior de forma deliberada.
Quando prompting e retrieval não atendem ao requisito, preparamos domain data, executamos experimentos controlados de training ou fine-tuning e integramos o model resultante a um inference path mensurável.
Dataset engineering
Source review, cleaning, normalization, labeling guidance, splits, lineage e quality checks alinhados à target task.
Training experiments
Supervised fine-tuning, continued adaptation ou task-specific models quando as evidências justificam a complexidade adicional.
Evaluation e regression
Held-out datasets, task metrics, qualitative rubrics, safety cases e comparação com baselines mais simples.
Inference integration
Serving, batching, latency, hardware, privacy, monitoring e retraining triggers dentro do produto ao redor.
Como escolhemos entre retrieval, fine-tuning e training
Como escolhemos entre retrieval, fine-tuning e training
Training não é a resposta padrão. Primeiro usamos a baseline válida de menor custo, medimos o gap e adicionamos model adaptation apenas quando ela melhora o comportamento que o produto realmente valoriza.
- 01
Defina a task e a metric
Especifique inputs esperados, outputs, edge cases, quality threshold, privacy constraints e inference envelope.
- 02
Audite e prepare os dados
Avalie volume, representativeness, rights, leakage, labeling consistency e o custo de manter o dataset.
- 03
Execute controlled experiments
Compare baselines e adaptations com configurations rastreadas e held-out evaluation.
- 04
Integre e mantenha
Empacote inference, monitore drift e failures e defina as condições para futuros updates de data ou model.
Model adaptation deliverables
Model adaptation deliverables
O trabalho é documentado para que um resultado possa ser reproduzido, comparado e mantido em vez de depender de um único experimento opaco.
- Dataset specification e preparation pipeline
- Registro de baseline e experiments
- Artifacts de fine-tuned ou task-specific model quando aplicável
- Evaluation e regression suite
- Plano de integração de inference e retraining
Model adaptation deliverables
Um data e evaluation pipeline para alterar model behavior de forma deliberada.
Um data e evaluation pipeline para alterar model behavior de forma deliberada.Quando prompting e retrieval não atendem ao requisito, preparamos domain data, executamos experimentos controlados de training ou fine-tuning e integramos o model resultante a um inference path mensurável.
AI workflows de longa duração com state e control explícitos.
AI workflows de longa duração com state e control explícitos.
Construímos sistemas em que models selecionam ou usam tools ao longo de múltiplas etapas, enquanto deterministic application logic controla permissions, branching, persistence, retries e decisões humanas. LangChain ou LangGraph podem apoiar essa arquitetura quando suas abstractions se encaixam no workflow.
Tool-using agents
Scoped access a search, databases, internal APIs e external services com typed inputs, validated outputs e auditable actions.
Stateful orchestration
Workflow state explícito, branching, checkpoints, durable execution e recovery para trabalho que não pode existir dentro de uma única request.
Human approval
Review queues, thresholds, escalation e editable intermediate results para actions que exigem accountability.
Multi-agent systems
Specialized agents somente quando a decomposição melhora quality ou ownership o suficiente para justificar coordination cost e complexity.
Como tornamos um agentic workflow seguro para produção
Como tornamos um agentic workflow seguro para produção
Separamos decisions que se beneficiam de um model das rules que devem permanecer deterministic. Cada external action tem owner, permission boundary, validation path e recovery behavior.
- 01
Mapeie o workflow graph
Identifique states, tools, decisions, failure points, approval gates, completion criteria e owners dos sistemas existentes.
- 02
Avalie as etapas incertas
Crie datasets para routing, extraction ou generation e compare model behavior antes de automatizar actions.
- 03
Adicione durable execution
Implemente persistence, queues, idempotency, retries, timeouts, cancellation e human review.
- 04
Rastreie e governe
Registre transições de model, prompt, tool e state, monitore cost e failures e ofereça suporte a controlled configuration rollout.
Deliverables de agents e orchestration
Deliverables de agents e orchestration
O sistema inclui a backend mechanics necessária para trabalho confiável, não apenas o agent prompt e as tool declarations.
- Workflow e responsibility graph
- Implementação de agent, tool e deterministic control
- Persistent state, queues e recovery
- Human review e administrative controls
- Tracing, evaluation e operating documentation
Deliverables de agents e orchestration
AI workflows de longa duração com state e control explícitos.
AI workflows de longa duração com state e control explícitos.Construímos sistemas em que models selecionam ou usam tools ao longo de múltiplas etapas, enquanto deterministic application logic controla permissions, branching, persistence, retries e decisões humanas. LangChain ou LangGraph podem apoiar essa arquitetura quando suas abstractions se encaixam no workflow.
Behavior systems selecionados para a experiência, o mundo e o frame budget.
Behavior systems selecionados para a experiência, o mundo e o frame budget.
Criamos decision-making de NPCs, navigation, tactics, group behavior, encounter direction e simulation systems. Abordagens clássicas de realtime e generative AI podem coexistir, mas cada uma é usada apenas quando seu comportamento, latency e operating cost se encaixam no jogo.
Decision architecture
State machines, behavior trees, utility systems, goal-oriented planning e hybrids organizados para authoring e debugging claros.
Navigation e movement
Nav meshes, grids, custom pathfinding, steering, avoidance e spatial queries para mundos static, procedural ou destructible.
Tactics e simulation
Target selection, cover, squads, economies, populations, encounter directors e systemic responses ao comportamento do jogador.
Networked e generative behavior
Server-authoritative NPCs, relevance e bandwidth controls, além de dialogue ou content generation quando um bounded model melhora o produto.
Como criamos AI que jogadores entendem e developers conseguem ajustar
Como criamos AI que jogadores entendem e developers conseguem ajustar
Definimos o comportamento que o jogador deve perceber antes de escolher uma implementação. Debug views, authoring controls e performance budgets são projetados junto com o runtime system.
- 01
Defina o comportamento observável
Descreva goals, informações disponíveis para o agent, erros aceitáveis, difficulty, fairness e multiplayer authority.
- 02
Crie prototype do decision loop
Crie um pequeno encounter com visualization e telemetry para testar behavior e designer control.
- 03
Integre world e content
Conecte navigation, animation, combat, simulation, authoring data e network ownership.
- 04
Faça stress e ajuste
Teste muitos agents, adverse world states e frame budgets enquanto oferece aos designers controls e diagnostics úteis.
Game AI deliverables
Game AI deliverables
O sistema inclui runtime behavior, suporte a content authoring e as tools necessárias para entender por que um agent agiu.
- Modelo de behavior e information
- Implementação de decision, navigation ou simulation
- Designer authoring e tuning tools
- Debug visualization e telemetry
- Documentação de performance, multiplayer e extension
Game AI deliverables
Behavior systems selecionados para a experiência, o mundo e o frame budget.
EVIDÊNCIAS E CAMINHOS RELACIONADOS
Continue a avaliação técnica.
Incrempire
Incrempire
Um dos nossos lançamentos de destaque: um jogo relaxante de sobrevivência incremental e defesa de base em que cada derrota alimenta uma progressão permanente. Os jogadores defendem o reino ao longo de 25 fases e quatro biomas, combinam uma árvore de habilidades profunda com bênçãos temporárias e desbloqueiam feitiços, torres, mineração e runas. Após um ciclo de demo pública de apenas dois meses, Incrempire foi lançado na Steam para Windows, macOS e Linux com suporte ao Steam Deck, conquistas, rankings e oito idiomas de interface.
Ver detalhes
Bad Goons
Bad Goons
Nosso FPS multiplayer principal, construído em torno de um campo de batalha que os jogadores podem destruir, escavar e reconstruir em cada partida. Destruição voxel totalmente sincronizada, pontos de captura dinâmicos, construção e fortificação, redes de respawn implantáveis, mapas procedurais, apoio tático e um amplo arsenal criam linhas de frente em constante mudança. A versão jogável de Early Access está em desenvolvimento ativo para o lançamento planejado na Steam em dezembro de 2026, com testes conjuntos entre desenvolvedores e comunidade.
Ver detalhesPRIORIDADES TÉCNICAS
Da decisão à produção.
- 01
Defina
Especifique a task, baseline, acceptable failure, data rights e human responsibility.
- 02
Avalie
Crie testes representativos e compare as abordagens viáveis mais simples.
- 03
Integre
Conecte models a product data, tools, state, permissions e deterministic controls.
- 04
Melhore
Rastreie outcomes, meça quality, latency e cost e execute regression evaluation antes de mudanças.
COMECE POR ESTA DISCIPLINA