Fusão de dados multi-contextuais com agentes de IA para recomendação veicular
Sistemas de Recomendação, Setor Automotivo, LLMs, Agentes de inteligência artificial, Fusão de dados.
A evolução dos sistemas de recomendação vem remodelando as abordagens estatísticas para modelos cognitivos baseados em Grandes Modelos de Linguagem (LLMs), buscando processar a complexidade do raciocínio humano. No setor automotivo, essa migração é desafiadora devido à alta carga cognitiva inerente ao processo de decisão, que exige a síntese de variáveis heterogêneas, desde preferências subjetivas até indicadores técnicos de segurança. O impasse reside no trade-off entre o raciocínio profundo (deep reasoning) e a eficiência operacional, visto que o incremento computacional eleva a latência e os custos sem evidências claras de ganhos qualitativos. Deste modo, este trabalho avalia a eficácia de uma arquitetura baseada em agentes de Inteligência Artificial e Lang Graph para a recomendação veicular personalizada, fundamentada na fusão de dados multi-contextuais. A metodologia consistiu no desenvolvimento de um agente que integra três bases de dados distintas: perfil do usuário, desempenho técnico e histórico de sinistros. A avaliação foi realizada por meio de modelos locais (4B a 70B parâmetros) e APIs comerciais, utilizando técnicas de ablação para medir o impacto de cada componente via métricas de latência e custo por token. Os resultados parciais destacam que, embora os modelos com capacidades de raciocínio profundo apresentem uma densidade maior de tokens de saída, existe ganho qualitativo nas recomendações quando comparados aos modelos convencionais.