[Pular para o conteúdo](https://www.innguma.com/pt-br/recursos/software/factory/#contenido)

Glossário · Software

# Factory: onde se processam, classificam e validam os sinais de vigilância

**Em resumo** 

O Factory é o espaço em que a Innguma processa e estrutura os sinais: o ambiente de trabalho do analista, em que a informação capturada é filtrada, a IA agrupa duplicados e a classifica, e uma pessoa revisa e valida o que é relevante antes que passe à Biblioteca. Sua função é que o analista comece com publicações ordenadas e sem repetições, e dedique seu critério a decidir o que importa e para quem.

## Qual etapa do processo de vigilância o Factory cobre?

A UNE 166006:2018 distingue, dentro da operação do sistema, o controle das fontes, a busca, o tratamento, a valorização, a distribuição e o armazenamento.[\[1\]](https://www.innguma.com/pt-br/recursos/software/factory/#ref-1) O Factory reúne as quatro primeiras em um mesmo lugar:

1.  **Captura.** Monitoram-se de forma contínua as fontes de cada vigilância: notícias e web, patentes, regulamentação e BOE, licitações, sites de concorrentes e fontes especializadas.
2.  **Filtragem.** Os critérios de cada vigilância decidem o que entra e o que fica de fora.
3.  **Tratamento com IA.** A IA da Innguma agrupa duplicados e classifica cada sinal por categorias, tecnologias, entidades, tipo de evento, lugar e tom.
4.  **Revisão e validação.** O analista descarta o ruído, valida o relevante e deixa escrito por que importa.

O validado passa à Biblioteca, que o conserva com sua fonte e a partir da qual são enviados os boletins.

## Por que agrupar duplicados antes de revisar?

Uma nota de imprensa de uma empresa ou um anúncio de um organismo é reproduzido em dezenas de meios, com mudanças mínimas de título ou de parágrafo. O manual de recuperação de informação de Manning, Raghavan e Schütze registra que, segundo algumas estimativas, até 40% das páginas da web são duplicados de outras.[\[2\]](https://www.innguma.com/pt-br/recursos/software/factory/#ref-2) Se cada cópia chega como uma entrada distinta, o analista lê o mesmo várias vezes e a notícia realmente nova fica soterrada.

Nem todas as repetições são iguais, e convém distingui-las porque são detectadas de formas distintas:

| Tipo de repetição | Exemplo | Como costuma ser detectada |
| --- | --- | --- |
| Duplicado exato | A mesma nota publicada em dois sites sem alterações | Comparação direta do texto ou de uma impressão digital do documento |
| Quase duplicado | A mesma nota de agência com outro título ou um parágrafo cortado | Comparação de fragmentos sobrepostos do texto (técnica de *shingling*)[\[2\]](https://www.innguma.com/pt-br/recursos/software/factory/#ref-2) |
| Mesmo fato, redação distinta | Três meios contam com suas palavras o mesmo acordo entre duas empresas | Agrupamento por semelhança de conteúdo e por entidades e datas em comum |

O terceiro caso é o mais útil para o analista e o mais delicado: agrupar bem evita ler três vezes o mesmo acordo; agrupar mal pode esconder uma nuance que só um dos meios oferece. Por isso o agrupamento ordena, mas a fonte de cada publicação continua disponível.

## Para que serve a classificação na revisão?

Classificar cada sinal por tecnologia, entidade, tipo de evento, lugar e tom permite revisar por blocos, em vez de na ordem de chegada: primeiro as mudanças normativas, depois os movimentos de concorrentes, depois o restante. Também permite detectar lacunas, como uma tecnologia da qual não entrou nada há semanas.

A classificação é uma ajuda, não um veredito. Na recuperação de informação, distingue-se entre regras escritas por pessoas, transparentes porém custosas de manter, e classificadores automáticos, que aprendem seus critérios a partir de exemplos e escalam melhor.[\[3\]](https://www.innguma.com/pt-br/recursos/software/factory/#ref-3) Os dois erram de formas diferentes, e por isso o Factory combina filtros explícitos com classificação por IA e deixa a última palavra a uma pessoa.

## Por que a validação é feita por uma pessoa?

O perfil de IA generativa do NIST (NIST AI 600-1, julho de 2024) descreve a confabulação como a produção de conteúdo errôneo ou falso expresso com segurança, e alerta também para o viés de automação: a tendência a confiar em excesso no que o sistema propõe.[\[4\]](https://www.innguma.com/pt-br/recursos/software/factory/#ref-4) Na vigilância, o ponto natural de controle é a revisão antes de publicar: é o momento em que alguém com conhecimento do negócio confere a fonte e decide se o sinal muda algo para quem vai recebê-lo.

Na Innguma, a IA processa; as pessoas decidem o que se vigia, o que se publica e a quem chega.

## Como revisar bem no Factory

1.  **Revise com as necessidades de informação à frente.** A pergunta não é «é interessante?», mas «muda algo para quem vai recebê-lo?».
2.  **Comece pelos tipos de evento que mais pesam.** Uma norma publicada ou uma patente concedida a um concorrente costumam ter mais consequências do que uma entrevista.
3.  **Abra a fonte quando tiver dúvida.** Cada sinal vincula a publicação de onde procede; o original resolve o que um título deixa ambíguo.
4.  **Escreva o porquê ao validar.** Um comentário de uma linha («afeta a linha de embalagens; avisar a Qualidade») fica guardado com o sinal na Biblioteca e dá contexto a quem o ler meses depois.
5.  **Corrija a origem do ruído.** Se você descarta sempre a mesma coisa, o ajuste está no filtro ou na fonte, e não em revisar mais depressa.

## Fontes e referências

1.  \[1\] [Utrilla, F. (UNE). Sistemas de vigilancia e inteligencia en la gestión de la I+D. Revista UNE, n.º 3. 2018](https://revista.une.org/3/sistemas-de-vigilancia-e-inteligencia-en-la-gestion-de-la-id.html)
2.  \[2\] [Manning, C. D., Raghavan, P. e Schütze, H. Introduction to Information Retrieval, «Near-duplicates and shingling». Cambridge University Press. 2008](https://nlp.stanford.edu/IR-book/html/htmledition/near-duplicates-and-shingling-1.html)
3.  \[3\] [Manning, C. D., Raghavan, P. e Schütze, H. Introduction to Information Retrieval, «Text classification and Naive Bayes». Cambridge University Press. 2008](https://nlp.stanford.edu/IR-book/html/htmledition/text-classification-and-naive-bayes-1.html)
4.  \[4\] [NIST. NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. 2024](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf)

## Relacionado

- [Filtros de vigilância: o que são, como funcionam e por que decidem a qualidade de uma vigilância](https://www.innguma.com/pt-br/recursos/software/filtros/)
- [Feed IA: percorrer a vigilância pelo que trata cada sinal, e não pelas suas palavras](https://www.innguma.com/pt-br/recursos/software/feed-ia/)
- [A Biblioteca da Innguma: a memória de vigilância da sua organização](https://www.innguma.com/pt-br/recursos/software/biblioteca/)
- [O que acontece se a IA errar ao classificar?](https://www.innguma.com/pt-br/recursos/faq/ia-erros/)

- [Solicitar uma demo](https://www.innguma.com/pt-br/demo/)
- [Voltar ao Glossário](https://www.innguma.com/pt-br/recursos/glossario/#g-plataforma)