Construir um sistema de IA para viagens é complicado porque os dados são confusos. O horário de funcionamento muda, as multidões mudam e os “fatos” nos fóruns costumam ser opiniões desatualizadas.
Eu não queria construir outro chatbot que adivinhasse. Eu queria construir um guia confiável.
My Orlando Experience é o resultado dessa obsessão. É um sistema backend projetado para responder a questões complexas de viagens usando uma base de conhecimento verificada, não apenas os dados de treinamento do LLM.
Para conseguir isso, implementei uma arquitetura de fusão de contexto de 3 camadas. A maioria dos sistemas RAG usa um único armazenamento de vetores, mas para um tópico tão amplo quanto uma cidade, isso cria ruído. Isolei os dados em camadas específicas: fatos atômicos, contexto em tempo real e estratégia. Isso garante que quando você perguntar sobre “linhas mais rápidas”, o sistema entenda o contexto, não apenas as definições.
As escolhas de engenharia foram intencionais:
✅ Confiabilidade acima do Hype: integrei uma camada Guardrails usando um índice Jaccard para verificar se há alucinações antes que o usuário veja uma resposta.
✅ Desempenho: Otimizou o mecanismo de recuperação para rodar em aproximadamente 20 ms na CPU padrão (FAISS-CPU), provando que você não precisa de GPUs caras para pesquisas de alto impacto.
✅ Eficiência de custo: escolha gpt-4o-mini como camada de síntese para equilibrar velocidade com custo, garantindo que o sistema seja sustentável para o tráfego do mundo real.
O frontend é a interface; o back-end é o mecanismo. É modular, testável e pronto para produção.
https://lnkd.in/eYi6Vsed