Análise aprofundada · Cerca de 4 min de leitura
Guia de confiança do Foundry separa prioridade de revisão e autorização para automatizar
O texto de 14 de outubro explica evidência e calibração: 41% menos valores selecionados não significa 41% menos tempo de equipe.
- Data da fonte
- Publicado aqui
- Fonte verificada
A Microsoft usa um fluxo de seguros para explicar evidência dos campos e prioridade de revisão. O relato de 14 de outubro é positivo, mas pessoas ainda conferiam cada campo. Confiança mudava a atenção, não autorizava tratar dados sensíveis sem revisão.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- A avaliação global do cliente cobriu mais de 22.000 valores e mais de 1.000 documentos de produção. Num conjunto reservado separado, a revisão dirigida selecionou 41% menos valores, incluindo mais de 80% dos erros de extração conhecidos.
- Confiança vem de modelo separado compartilhado, não da certeza verbal do LLM. Calibração com exemplos conferidos não retreina esse modelo.
- O laboratório público usa 1.000 recibos CORD v2: 800 para calibrar, 200 para avaliar. Não são resultados do cliente de seguros.
Evidência e confiança são diferentes
Grounding liga o valor ao suporte documental para inspeção e auditoria: verificável não é necessariamente correto. Confiança é sinal aprendido de 0 a 1 por campo, de modelo separado com evidência, contexto e diagnóstico. A Microsoft relata até 28% menos tokens médios de inferência com integração de grounding e até 14% de melhoria de confiança medida por AUROC. A segunda cifra não significa 14 pontos percentuais de exatidão na extração. São dados do fornecedor, não medições nossas.
Calibração muda decisões, não o modelo
Segundo a Microsoft, o modelo compartilhado usa dados curados pela Microsoft, não de clientes. Exemplos conferidos mostram se os scores separam erros no fluxo específico. Limiares devem considerar família, versão, origem e campo, com validação reservada. Campos vazios precisam de regra própria: ausência real e falha de extração se parecem. Nota global ou corte intuitivo não bastam. A calibração só cobre documentos, analisador, esquema e modelo avaliados, não garante novos formulários.
O que o caso de seguros mediu
O cliente classifica e segmenta, identifica versão e extrai. São dois níveis de classificação, segmentação só no primeiro. Content Understanding v1 não dá confiança de classificação, então essa parte continuava humana. Todo campo sensível também era conferido; rótulos priorizavam, não autorizavam processamento direto. Na amostra reservada, 41% menos valores dirigidos continham mais de 80% dos erros conhecidos; alguns ficaram fora. Não são 41% menos horas nem automação infalível. Quase 50% menos carga, onboarding de formulários 75% mais rápido e classificação 97%+ na introdução têm outras medidas.
O laboratório público é separado
Para explorar sem dados do cliente, usam-se 1.000 recibos CORD v2, 800 para definir políticas e 200 reservados. Alguns gráficos são ilustrações de calibração, não resultados do cliente ou garantia futura. Sai uma tabela de regras de roteamento, não chamada extra ou retreinamento. É importante separar ajuste e avaliação em vez de copiar um corte atraente. Exatidão média alta não comprova que o score identifique os erros importantes.
A política precisa de acompanhamento
O guia recomenda documentos reais representativos e conferidos, meta explícita de cobertura e validação em dados inéditos. Se o sinal não distingue erros, o campo continua em revisão. Também se amostram valores não sinalizados, além das distribuições de notas. Versão, fonte, esquema, analisador ou LLM alterados exigem revalidação e possível recalibração. A autorização deve seguir risco medido e evidência, não uma nota boa. A regra é decisão limitada que requer manutenção, não certificado permanente.
Por que importa
Grounding facilita evidência e confiança distribui atenção. Compare erros capturados e perdidos na carga de revisão, medindo tempo e custo à parte. Priorização pode servir mesmo conferindo tudo. A AISubHub não processou documentos nem reproduziu o teste.
Limites e disponibilidade
Lemos todo o guia, não o notebook, explicador ou documentação ligados. Não promete exatidão universal, API grátis ou assinatura pessoal. A alegação sobre treinamento vale para o modelo de confiança, não para toda política de dados do serviço.
Fontes e evidências
Data da fonte: 14 de out. de 2026 · Fonte verificada: 20 de out. de 2026
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.