IA em Compras Públicas

A pesquisa de preços em compras públicas envolve a consulta a grandes bases de dados públicas para garantir que os valores praticados sejam justos e transparentes. O processo, porém, apresentava desafios que demandavam uma abordagem mais moderna e eficiente.

• Acesso a grandes bases de dados: A consulta a bases públicas extensas, como o PNCP, exigia um volume significativo de trabalho manual para localizar e cruzar informações relevantes.

• Limitações da busca textual: Buscas baseadas em texto apresentavam dificuldade para identificar cotações relevantes de itens e serviços complexos, cuja descrição varia entre fornecedores e bases de dados.

• Processo manual e demorado: A pesquisa de preços consumia semanas de trabalho dos analistas, impactando a agilidade das aquisições e a capacidade de resposta do setor.

Para enfrentar esses desafios, a equipe desenvolveu uma ferramenta de pesquisa de preços inteligente, combinando técnicas de IA com coleta automatizada de dados. A abordagem foi estruturada em fases que garantiram precisão e escalabilidade.

Genius em ação: Pesquisa de preços inteligente com IA

Discovery: Mapeamento das fontes e coleta automatizada de dados

A primeira fase focou no entendimento das bases de dados públicas disponíveis e na construção dos mecanismos de coleta. Técnicas de web scraping foram empregadas para acessar e extrair dados de diversas fontes, como o PNCP, criando um repositório estruturado de cotações.

• Web scraping automatizado: Coleta de dados de múltiplas bases públicas, eliminando a necessidade de consultas manuais em cada fonte.

• Processamento com LLMs: Aplicação de Large Language Models para remover ruídos dos dados coletados e melhorar a qualidade do dataset antes da etapa de busca.

Design: Arquitetura semântica para precisão nas buscas

Com os dados estruturados, a fase de design definiu a arquitetura da solução com foco em busca semântica — uma abordagem que vai além da correspondência textual e compreende o significado das consultas. As decisões técnicas priorizaram eficiência e redução de custos.

• Busca semântica com PG Vector: Substituição da busca textual por busca vetorial local, capaz de encontrar cotações relevantes mesmo quando as descrições dos itens variam entre bases.

• Vertex AI com Gemini 2.5 Flashlight: Escolha que resultou em economia significativa em comparação com outras soluções, como Elastic Search ou GPT.

Build: Construção da ferramenta e módulo de curadoria

A fase de construção integrou todos os componentes em uma ferramenta coesa, incluindo um módulo de curadoria que permite ao usuário refinar o dataset para treinamento de modelos de previsão de preços.

• Módulo de curadoria: Permite que o analista refine os dados coletados, ajustando o dataset que alimenta os modelos preditivos.

• Arquitetura baseada em IA e Cloud: A abordagem com Gemini permitiu que os desenvolvedores conectassem funcionalidades prontas em vez de criá-las do zero, acelerando o desenvolvimento de protótipos.

A ferramenta de pesquisa inteligente transformou a dinâmica das compras públicas. O processo de pesquisa de preços, que antes consumia semanas de trabalho manual dos analistas, passou a ser concluído em horas para itens simples. A busca semântica trouxe um salto de precisão, identificando cotações relevantes que passavam despercebidas nas buscas textuais tradicionais.

A escolha de tecnologias como Vertex AI e PG Vector local garantiu uma solução financeiramente viável, com custos significativamente menores em comparação com alternativas como Elastic Search ou GPT.

Além disso, a arquitetura baseada em IA e Cloud acelerou o desenvolvimento de protótipos, permitindo que a equipe conectasse funcionalidades prontas em vez de construí-las do zero.