BiVelio Embedding Layer Algorithm
A melhor evidência, com menos embeddings e menos tokens.
A BV-EMLA converte documentos e uma consulta num pacote mínimo de evidência relevante. Reduz o custo de criar embeddings, armazenar índices e enviar contexto ao modelo, mantendo a identidade, as versões, os metadados e a rastreabilidade de cada documento. Não gera obrigatoriamente uma resposta: prepara a melhor evidência para que qualquer aplicação —com OpenAI, Anthropic, Gemini ou um modelo local— a utilize.
A BV-EMLA é desenhada como um produto completamente independente. Não necessita do Brain da BiVelio, nem de uma conta, nem das suas bases de dados nem dos seus modelos internos. A BiVelio será depois um dos seus consumidores, não o ambiente de que precisa para funcionar.
- 1
Ingestão: normaliza, deduplica de forma verificada e divide os documentos.
- 2
Representação: reutiliza embeddings a partir da cache ou cria apenas os que faltam.
- 3
Recuperação adaptativa: escolhe o plano mais barato que alcance evidência suficiente.
- 4
Composição: entrega o contexto mínimo que cobre a consulta, com rastos e métricas.
EMLA Compile
Transforma uma coleção de documentos numa representação eficiente e verificável: normaliza, deteta duplicados e quase-duplicados de forma verificada, divide por estrutura e reutiliza ou cria embeddings. Dez cópias do mesmo manual partilham uma única representação técnica, sem perder a identidade de cada documento.
EMLA Resolve
Recebe uma consulta e escolhe quanto esforço necessita. Uma pergunta simples usa uma pesquisa barata; uma complexa acrescenta recuperação densa, reranking e expansão. Pagas o custo alto apenas quando a consulta o exige, e o resultado é o conjunto mais pequeno que cobre toda a pergunta.
Menos embeddings repetidos e menos armazenamento.
Menos tokens de contexto enviados ao modelo.
Índices e fornecedores intercambiáveis; modo local sem infraestrutura externa.
Rastreabilidade e métricas de cada recuperação.
Em desenho como biblioteca independente (Python SDK e API HTTP). Primeiro será validada com benchmarks neutros; depois será integrada na BiVelio através de um adaptador.
Algoritmo em desenho. Os números de desempenho e de poupança serão publicados quando concluirmos os benchmarks; até lá não afirmamos percentagens.