NovoFinanciamento do BEI garantido

Infraestrutura de IA comportamental construída sobre ciência de dados

Synerise é um ecossistema alimentado por IA para dados comportamentais, análise preditiva e hiperpersonalização — criado para empresas que se movem mais rápido que seus concorrentes.

Behavioral Data Hub
Hub de Dados Comportamentais

Junte-se a organizações inovadoras que utilizam a Plataforma Synerise

e explore centenas de casos de uso de baixo código

Banco Ripley
Carrefour
Castorama
CCC
Coca-Cola
Crocs
Decathlon
DOZ
Drogaria São Paulo
Empik
eobuwie
G2A
H&M
Homla
Hugo Boss
IKEA
InPost
JD
mBank
Media Expert
Modivo
New Balance
Nike
Orange

Por que Synerise?

Construída diferente. Construída para durar.

A maioria das plataformas monta ferramentas de terceiros e chama isso de produto. A Synerise constrói cada camada do zero — criando a única infraestrutura de IA onde dados, inteligência e automação são verdadeiramente um sistema único.

0% DE VENDOR LOCK-IN

Tecnologia Proprietária

Cada camada — do TerrariumDB ao BaseModel.ai — é desenvolvida internamente. Sem dependência de IA, bancos de dados ou provedores de nuvem de terceiros.

0K PREVISÕES/SEG

IA Premiada

O modelo de fundação comportamental vence competições internacionais e alimenta previsões em tempo real em escala empresarial.

LATÊNCIA <50MS

Tempo Real por Padrão

Da captura de eventos ao enriquecimento de perfis e à decisão de IA — tudo acontece em menos de 50 milissegundos. Não é em lote. Não é quase-tempo-real. É tempo real.

0 DIAS PARA O ROI

Valor Imediato

Entre em operação em semanas, não meses. Modelos de IA pré-construídos, integrações prontas e onboarding guiado permitem que você veja um ROI mensurável em até 90 dias — e não após um projeto de implementação que dura um ano.

0 HUBS INDEPENDENTES

Arquitetura Componível

Implante apenas o que você precisa. Cada hub funciona de forma independente ou em conjunto — da ingestão de dados à IA, à automação e à entrega de experiências.

0B EVENTOS/MÊS

Escala Planetária

Construído para lidar com 57 bilhões de eventos por mês, 50,19 bilhões de chamadas de API e 17,68 bilhões de decisões de workflow — com escalabilidade horizontal linear.

CERTIFICADO ISO 27001

Segurança Empresarial

SaaS, Private Cloud ou On-Premise. GDPR, SOC 2, arquitetura zero-trust. Seus dados, suas regras, sua infraestrutura.

0 PLATAFORMA, NÃO 12 FERRAMENTAS

Plataforma de Ponta a Ponta

Substitua seu conjunto desconectado de CDPs, motores de personalização, ferramentas de análise e automação de marketing por um único sistema unificado.

Plataforma

Uma plataforma. Possibilidades infinitas.

A Synerise combina dados comportamentais em tempo real, IA preditiva e automação em uma plataforma de infraestrutura composável — construída do zero para escalar com seu negócio.

Behavioral Data Hub

Behavioral Data Hub

Processamento Contínuo de Sinais Comportamentais em Escala Arbitrária

O motor de dados proprietário Terrarium captura, transforma e enriquece fluxos comportamentais heterogêneos em representações de perfil em evolução. Cada evento observado atualiza um grafo de identidade dinâmico — possibilitando inferência em tempo real, personalização e modelagem preditiva.

Saiba mais sobre Behavioral Data Hub
Behavioral Data Hub
Integrar dados

Camada Unificada de Ingestão de Sinais

Consolide fluxos de dados comportamentais, operacionais e contextuais heterogêneos em um único plano de observação — com deduplicação determinística e latência de menos de um segundo.

ProdutosOfertasFluxos de cliquesCalls & Chat LogsOnline & POS PurchasesPerfis comportamentaisSistemas de terceirosDados meteorológicosLocalizações
Web SDK
Móvel
POS
API
CRM
Cloud
Camada de dados unificada
Pipeline de ingestão em tempo real
Unificar Informações

Unificação Contínua do Estado do Perfil

Combine sequências de interação, históricos de transações, vetores de atributos e linhas do tempo de atividade em uma única representação de entidade em evolução.

Gestão de consentimentoVisão unificada do perfilUnificação de perfisProgramas de fidelidadeMensagens em tempo realAnalytics avançadoControle de políticasAtributos dinâmicos
Perfil unificado
ID: 8f3a…e91d
Ao vivo
2,481
Eventos
94
Score
$1.2k
LTV
Email abertohá 2m
Produto visualizadohá 12m
Compra #4821há 1h
Sessão do apphá 3h
Gerenciar Dados e Controlar Acessos

Primitivas de Controle de Acesso e Governança de Dados

Políticas formais de controle de acesso, linhagem de dados auditável de ponta a ponta e gerenciamento de objetos com schema flexível — projetados para conformidade regulatória em escala empresarial.

Acesso APIGestão de catálogoGerenciador de eventos de streamingImportador de dados self-serviceObjetos personalizadosFiltragem avançada de funçõesACL & password policies
Controle de acesso
Admin
Analista
Visualizador
Log de auditoria
Chave API rotacionada · há 4m
Função atualizada · há 18m
Exportação bloqueada · há 1h
Analisar Fluxos de Dados ao Longo do Ciclo de Vida

Análise Temporal de Fluxos de Eventos

Vá além de dashboards estáticos rumo à análise longitudinal — observando como distribuições comportamentais, dinâmicas de coortes e estados do sistema evoluem ao longo do tempo.

Modelagem de atribuiçãoMétricasSegmentação dinâmicaFunisHistogramasTendênciasDiagramas de SankeyAnálise de churnDashboards
Painel de análise
1D7D30D
JanJunDec
Funil de conversão
Visitas
Visualizações
Carrinho
Buy
Prever, Decidir e Personalizar

Modelos de Inferência Preditiva e Recomendação

Aplique aprendizado supervisionado e auto-supervisionado para inferir intenção, gerar recomendações em nível de item e personalizar superfícies de interação — com atualizações contínuas e online dos modelos.

ScoringRecomendações baseadas em IAPrediçõesModelos de propensãoAudiências semelhantesBusca visualSegmentação comportamental
Motor de IA
Processando 65K decisões/seg
Probabilidade de compra
Risco de churn
Pontuação de engajamento
Recomendações
Automatizar e Orquestrar

Orquestração e Execução Adaptativa de Workflows

Componha workflows direcionados de múltiplas etapas com ramificação condicional, sincronização de sistemas e ciclos de otimização orientados por feedback.

Testes A/B/XTransformações de dadosSincronização de sistemasAutomação de workflowsEstúdios de conteúdoPriorização de serviçosMensagens contextuais
Construtor de fluxos
Ativo
Trigger
Carrinho abandonado
Aguardar 2 horas
Nó de espera
A/B Split
Divisão uniforme
Email
Personalizado
Push
App móvel
Entregar Conteúdo e Ativar Perfis

Distribuição Multicanal e Multimodal

Dispare intervenções comportamentais por toda a topologia de canais — com seleção sensível ao contexto, otimização de frequência e feedback de sinais em tempo real.

SMSEmailMobile PushConteúdo web dinâmicoIn-AppExternal Apps & POSRedes sociaisRedes de anúnciosLocalizações
Gerenciador de campanhas
Transmissão
Email
Enviados 12.4K
SMS
Enviados 8.1K
Push
Enviados 24.7K
Web
Ao vivo
In-App
Ao vivo
Social
Na fila
Criar, Conectar e Estender

Camada de Extensibilidade: APIs, SDKs e Portais Personalizados

Um framework programável de extensão — APIs, SDKs, serviços de identidade e sistemas de templates — projetado para comportamento determinístico e segurança de nível empresarial.

Registro como serviçoLogin como serviçoAcesso API unificadoTemplates & CookbooksSAMLDesign SystemSDKs & Webhooks
API Console
GET/v4/profiles200
POST/v4/events/batch201
GET/v4/recommendations200
Webhooks
12 ativos
SDKs
JS · iOS · Android
SAML & SSO
Azure Entra ID · OIDC
Nova Capacidade

Brickworks

CMS comportamental baseado em esquemas que permite construir estruturas de dados personalizadas — programas de fidelização, catálogos de produtos, configurações de campanhas — com personalização de IA e entrega sem cópia.

Flexibilidade de Esquema
Personalização Nativa de IA
Federação de Cópia Zero
Entrega de API Única
Bloco de Conteúdo: LoyaltyProgram
Ao vivo
tier_name:"Ouro"string
multiplier:2.5xfloat
benefits:[4 itens]array
ai_variant:alto_valorcomputed
7ms
Latência
3
Fontes
v3.2
Esquema
Satya Nadella
"A Synerise é capaz de rastrear cada evento, em cada canal, para o cliente — seja mobile, web, varejo, presença física. Tudo isso é sinal que está sendo coletado continuamente, processado, e então IA está sendo aplicada, workflows estão sendo aplicados para impulsionar a experiência."

Satya Nadella

CEO, Microsoft

Microsoft

Escala e Infraestrutura

Construída para escala global.

A infraestrutura proprietária da Synerise foi construída do zero para fornecer computação em tempo real em escala global — processando solicitações em várias regiões com baixa latência e alto throughput.

57B

Eventos coletados por mês

229B

Consultas ao TerrariumDB por mês

5.53B

Recomendações, buscas e previsões de IA por mês

1.85B

Eventos de visitas a páginas coletados por mês

1.5B

Eventos de visualização mobile coletados por mês

129TB

Dados enviados via API por mês

>1.19B

Conteúdo dinâmico único gerado por mês

~207K

Consultas ao TerrariumDB por segundo no pico

35K

Chamadas API por segundo no pico

65K

Decisões de IA por segundo no pico

150B EUR

GMW processado anualmente

1.97B

Mensagens hiperpersonalizadas enviadas por mês

17.68B

Decisões em fluxos de trabalho por mês

50.19B

Chamadas API por mês

6B

Perfis comportamentais escaneados diariamente

16,400

Pods do Kubernetes

750+TB

Tamanho de disco

890+

Nós do Kubernetes

420+

Máquinas virtuais

40M+

SKUs processados em feeds

71+TB

RAM

14,400+

vCPU

114

Clusters de bancos de dados

42B+

Linhas em clusters Postgres

3K

Operadores ativos na plataforma Synerise

70+

Parceiros ativos em todo o mundo

1,000+

Certificados Synerise emitidos

>540

Espaços de trabalho em produção

>220

Organizações

49

Países de 6 continentes

+138 % vs HSTU — Novo SOTA em recomendação sequencial
basemodel.ai

O modelo fundacional do comportamento.

Um único modelo auto-supervisionado que ingere todo o seu data warehouse e transforma qualquer pergunta comportamental sobre qualquer indivíduo em uma previsão pronta para produção — em horas, não meses, sem aumentar sua equipe.

8 B+
Eventos por treinamento
18 M+
Clientes por treinamento
<1 ms
Latência de classificação
9 ms
Recs de 6 M itens por usuário (1× H100)

O pipeline de pré-treinamento e ajuste fino

De dados comportamentais brutos a previsões prontas para produção — um pipeline de quatro etapas que elimina a complexidade do ML tradicional.

Fase 1Cleora-NX

Embeddings de hipergrafo proprietários

Cada evento comportamental é uma hiperaresta que conecta simultaneamente todos os que participaram — usuário, produto, categoria, marca, timestamp. Cleora-NX — o motor proprietário de embeddings de grafos da Synerise, construído sobre a pesquisa publicada na ICONIP 2021. Somente para produção; com extensões substanciais de desempenho e funcionalidade — não open source. Executa em tempo proporcional ao número de hiperarestas; converge em poucas iterações em grafos com bilhões de interações em minutos.

Cleora-NX — proprietário, nunca publicado; o Cleora open source é seu predecessor
Suporte multimodal e extensões de interação temporal sobre a atualização pública do Cleora
Determinístico — sem variância de treinamento, sem GPU
Escala para grafos com milhões de nós e bilhões de interações
Fase 2TREMDE

Density sketches proprietários

Os embeddings do Cleora-NX (mais quaisquer embeddings de texto, imagem ou tabulares) são agregados em density sketches de tamanho fixo pelo TREMDE — a extensão proprietária e temporalmente consciente da Synerise para o algoritmo EMDE open source (Synerise, ICONIP 2021). O TREMDE produz códigos esparsos componíveis sob soma — somar os códigos de duas entidades produz o código do seu comportamento combinado — e adiciona modelagem de interação temporal, extensões por modalidade e outras melhorias internas não descritas no artigo original do EMDE. Cada modalidade é sketchada de forma independente e concatenada; o formato do sketch é auto-ajustado pelo pipeline a partir dos seus dados — sem configuração manual nem busca de hiperparâmetros. Novos itens com features de conteúdo recebem códigos significativos imediatamente — verdadeiro cold-start sem retreinamento.

TREMDE — proprietário, nunca publicado; o EMDE open source é seu predecessor
Adiciona modelagem de interação temporal e extensões por modalidade sobre o EMDE público
Formato do sketch auto-ajustado a partir dos seus dados — zero configuração manual
Multimodal: features de grafo, texto, imagem e tabulares
Fase 3Foundation

Backbone FFN personalizado

Não é um MLP de manual. Um backbone feed-forward personalizado, construído especificamente para sequências comportamentais, com vieses indutivos proprietários ajustados à estrutura dos dados de eventos. Sem atenção nem recorrência — e mesmo assim captura estrutura temporal, interações entre features e fusão de modalidades que um MLP padrão não consegue. O objetivo é o casamento distribucional: cada profundidade do sketch alvo é normalizada para somar 1, e a perda é a cross-entropy entre as distribuições de profundidade previstas e reais, média entre profundidades e modalidades.

Captura estrutura temporal sem recorrência nem atenção
Modela interações entre features e fusão de modalidades em uma única passagem
Uma única foundation se transfere entre cenários — sem retreinamento por tarefa
Cross-entropy distribucional entre profundidades e modalidades
Fase 4Serving

Scoring proprietário · Ray Serve

Os itens candidatos são codificados em códigos esparsos TREMDE (componíveis por soma). As previsões são pontuadas usando um método de agregação proprietário otimizado para sketches comportamentais. Latência de classificação inferior a um milissegundo; 9 ms por usuário para pontuar todo o catálogo rel-avito de 6 M itens em 1× H100. Servido via Ray Serve.

Método de agregação proprietário otimizado para sketches comportamentais
Latência inferior a um milissegundo para classificação / regressão
9 ms por usuário para pontuar um catálogo de 6 M itens em 1× H100
Implantação Ray Serve para scoring em batch e online

Visualização do Espaço de Embeddings

BaseModel.ai projeta cada cliente em um espaço de embedding comportamental compartilhado. Comportamentos semelhantes se agrupam — possibilitando busca instantânea por similaridade, segmentação e detecção de anomalias.

Compradores de alto valor
Em risco de churn
Novos usuários
Usuários avançados
Compradores sazonais
Deal Seekers

Clusterização Comportamental

Usuários com padrões semelhantes de navegação, compra e engajamento se agrupam naturalmente no espaço de embeddings — sem necessidade de regras manuais de segmentação.

Detecção de Desvio em Tempo Real

Quando o vetor de embedding de um cliente se move em direção a outro cluster (por exemplo, de "fiel" para "em risco"), o sistema dispara intervenções proativas.

Raciocínio por Analogia

O espaço de embeddings suporta aritmética de vetores: "comprador de alto valor" menos "comprador frequente" mais "novo usuário" revela prospects emergentes de alto valor.

Relacionamentos Entre Entidades

Produtos, campanhas e canais existem no mesmo espaço que os usuários — viabilizando recomendações por vizinhos mais próximos e correspondência entre conteúdo e usuário.

cleora.ai

Cleora.ai — O motor de embeddings

Um motor de embedding de grafos de propósito geral que transforma grafos complexos e multi-relacionais em representações vetoriais densas. Ao contrário dos métodos baseados em redes neurais, Cleora.ai utiliza projeções aleatórias iterativas — alcançando qualidade de ponta sendo ordens de magnitude mais rápido e totalmente determinístico.

Os embeddings do Cleora.ai formam a espinha dorsal representacional do BaseModel.ai. Ao transformar bilhões de interações comportamentais em vetores significativos, Cleora.ai fornece o sinal de pré-treinamento que dá ao BaseModel sua profunda compreensão do comportamento do cliente.

Ler mais sobre Cleora.ai Ver no GitHub

240×

Nós/seg

50×

Dimensões

5 MB

Escala

0

Treinamento

Treinamento determinístico

Sem caminhadas aleatórias, sem gradientes estocásticos. Solução em forma fechada por meio de operações matriciais iterativas — totalmente reproduzível a cada execução.

Escalabilidade linear

O tempo de treinamento escala linearmente com o tamanho do grafo. Grafos com bilhões de arestas em uma única máquina em minutos.

Embeddings indutivos

Gere embeddings para nós não vistos sem retreinar. Novas entidades são projetadas no espaço existente em tempo real.

Grafos heterogêneos

Grafos multi-relação e multi-modal. Usuários, produtos, sessões — todos os tipos de entidades em um único espaço de embeddings.

Benchmarks de desempenho

AlgorithmAccuracyTimeMemory
Cleora0.9901.23 s22 MB
Node2Vec0.95867.9 s—
NetMF0.95728.8 s1,098 MB

Benchmarks em um conjunto de dados público de e-commerce (mais de 100M de interações). Tempos de treinamento medidos em uma máquina de 16 núcleos. snap.stanford.edu

Cleora (open source)Algoritmo predecessorCleora-NX (proprietário)
Eventos brutosConstrução de hipergrafoCleora-NX
Cleora-NXEmbeddings comportamentaisPré-treinamento do BaseModel

BaseModel.ai vs. ML tradicional

Por que as equipes estão substituindo toda a sua pilha de ML por um único modelo fundacional.

CapacidadeML TradicionalLLMs / Agentes de IABaseModel.ai
O que produz
Um modelo por pergunta de negócio
Texto, código ou análise
Modelos preditivos prontos para produção
Escala de dados
Conjuntos de dados curados (GB)
Janela de contexto (128K–1M tokens)
Data warehouses em escala de petabyte
Engenharia de features
Meses de trabalho manual por modelo
Pode gerar código de features — ainda assim de uso único
Totalmente automatizada a partir de eventos brutos
Tempo até o primeiro modelo
3–6 meses
Horas (mas constrói pipelines tradicionais)
12 h de treinamento da foundation em 1× A100 para ~8 B eventos; fine-tune por cenário em horas
Modelagem da população
Estatísticas agregadas e segmentos
Um usuário por vez via prompts
Modelos no nível individual para toda a população
Transferência entre domínios
Não é possível — cada modelo fica em silo
Não aplicável — sem estado aprendido persistente
Integrado — um modelo serve todos os domínios
Persistência do conhecimento
Retreinamento do zero para cada pergunta
Sem memória entre sessões
Foundation reutilizada em cada cenário
Tratamento de cold-start
Requer limiares mínimos de dados
Requer contexto detalhado no prompt
Sketches indutivos desde a primeira interação
Equipe necessária
5–15 engenheiros de ML + cientistas de dados
Cientista de dados + prompt engineer
Engenheiro de dados ou de ML; um único engenheiro de ML é suficiente para implantações típicas
Latência em escala
50–500 ms típicos
1–30 segundos por geração
Classificação abaixo do ms; 9 ms/usuário para pontuar 6 M itens em 1× H100

Blazingly fast. No clusters needed.

Train on ~18 M clients / ~8 B events in 12 h on a single A100. Serve classification and regression at sub-millisecond latency, and 6 M-item recommendations in 9 ms per user on 1× H100. No distributed infrastructure required.

RelBench MAP — BaseModel vs. melhor baseline (maior é melhor)

TarefaBaseModel.aiBaselineNome do baseline
rel-amazon review2.531.63ContextGNN
rel-amazon rate3.062.25ContextGNN
rel-hm purchase3.672.93ContextGNN
rel-avito ad-visit4.683.94RelGNN

Fonte: artigo do BaseModel, RelBench (12 tarefas). O BaseModel iguala ou supera o melhor baseline publicado em 10 das 12 tarefas; são mostradas as quatro maiores vitórias.

<1 ms

Sub-millisecond latency

Per-request inference time for classification and regression at production scale.

18 M+
Clientes por execução de treinamento
~8 B eventos em 1× A100 em 12 h
1
GPU única
Sem necessidade de cluster
<1 ms
Latência de classificação
Menos de 1 ms por requisição
9 ms
Recomendações de 6 M itens
Por usuário em 1× H100

Impacto em implantações reais

Em toda a plataforma Synerise impulsionada pelo BaseModel — números de mais de 340 implantações em produção.

340+
Implantações em produção
Implantações empresariais ativas em 4 continentes
2.8B
Previsões diárias
Previsões em tempo real servidas diariamente
+23%
Aumento médio de receita
Receita incremental média para clientes do varejo
+8.2pp
Ganho na precisão do modelo
Melhoria média de AUC sobre os modelos ML existentes
14 days
Velocidade de implantação
Tempo médio do início até as previsões em produção
67%
Redução de custos
Redução nos custos de infraestrutura ML e equipe

Um modelo. Cada pergunta. Qualquer indústria.

Selecione uma indústria para ver o que BaseModel.ai pode responder — pronto para uso.

Geral

"Como as interações diárias dos clientes influenciam seus comportamentos futuros?"

AI
ML
DL

Compreensão comportamental 360°

Pronto para zero-shot

Construído de forma diferente

Seis princípios arquitetônicos que fazem do BaseModel.ai o sistema de IA comportamental mais avançado já construído.

Foundation reutilizável

A foundation é treinada uma única vez com seus dados comportamentais. Cada novo cenário — churn, LTV, recomendações — reutiliza esses embeddings via um fine-tune rápido; sem retreinamento completo para cada pergunta.

Density sketches multimodais

Embeddings de grafo, texto, imagens e features tabulares são sketchados em uma única representação de tamanho fixo por entidade — construída em tempo real com custo linear nas interações.

Previsões zero-shot

Responda perguntas comportamentais que você nunca modelou explicitamente — como risco de readmissão de pacientes, propensão a upgrade de assinantes ou risco de saída de funcionários — definindo uma função-alvo e reutilizando os embeddings da foundation.

Inferência em tempo real

Latência de classificação e regressão inferior a um milissegundo; as recomendações pontuam todo o catálogo rel-avito de 6 M itens em 9 ms por usuário em 1× H100. Servido via Ray Serve para cargas batch e online.

Self-hosted por design

Implante em Snowflake Container Services, Databricks ou em seu próprio cluster de GPUs. Os dados comportamentais nunca saem do seu ambiente; sem corpus de modelo compartilhado entre clientes.

Transferência entre domínios

O conhecimento comportamental aprendido em um domínio se transfere para outro. Os padrões de compra melhoram a detecção de fraude; os sinais de engajamento aprimoram as previsões de churn — transferência entre domínios que nenhum modelo de uso único consegue replicar.

Governança e explicabilidade de modelos

Governança de nível empresarial integrada em cada camada — desde a linhagem de dados de treinamento até a auditoria de previsões em produção.

Objetivos definidos em YAML

Cada cenário ajustado é descrito em um único YAML — tabelas de origem, função-alvo, janela de treinamento. Reprodutível por design; reexecutar a configuração reconstrói o mesmo modelo.

Pesos de amostra configuráveis

Pesos de amostra por evento e controles de balanceamento do alvo permitem que as equipes ajustem trade-offs de fairness e recência no treinamento, com total visibilidade de como os exemplos são ponderados.

Soberania de dados self-hosted

Implante em Snowflake Container Services, Databricks ou em seu próprio cluster de GPUs. Os dados comportamentais e os embeddings permanecem no seu ambiente — sem corpus de modelo compartilhado entre clientes.

Configurações e lineage reproduzíveis

O treinamento da foundation e cada execução de fine-tune são fixados a uma configuração YAML e a um esquema de conector, permitindo rastrear qualquer previsão até às tabelas, janela temporal e parâmetros exatos que a produziram.

Foundations e adapters versionados

Os checkpoints da foundation e os fine-tunes por cenário são versionados de forma independente. Faça rollback de um cenário sem retreinar a foundation; promova uma nova foundation quando estiver pronto.

Hooks de monitoramento

Métricas em streaming para distribuição de inputs, confiança das previsões e correlação com KPIs de negócio — integre na sua stack de observabilidade existente para detectar drift cedo.

Reconhecido pela comunidade científica

O BaseModel.ai é construído sobre a pesquisa publicada da Synerise — os artigos Cleora e EMDE (ICONIP 2021) e o preprint do BaseModel — e se enquadra no conjunto mais amplo das mais de 40 publicações da Synerise no NeurIPS, KDD, ICONIP e ACM RecSys.

Preprint 2025

BaseModel: Um Foundation Model para dados comportamentais

O artigo do BaseModel.ai. Define a formulação de foundation model para fluxos de eventos comportamentais e o conjunto de benchmarks reportado em /research. O BaseModel em produção executa Cleora-NX, TREMDE e um backbone FFN personalizado — extensões internas proprietárias das bases publicadas Cleora e EMDE, não descritas no artigo.

ICONIP 2021

Cleora: Um esquema de embedding de grafos simples, robusto e escalável

O esquema de embedding de hipergrafos publicado pela Synerise. Define a atualização determinística e sem parâmetros T_{k+1} = normalize(P·T_k). O predecessor open source do Cleora-NX, o motor proprietário que alimenta o BaseModel.ai em produção.

ICONIP 2021

Um estimador eficiente de densidade em variedades para todos os sistemas de recomendação

O artigo do EMDE. Introduz density sketches compactos cujos códigos esparsos se compõem por soma. O predecessor open source do TREMDE, o motor proprietário e temporalmente consciente de density sketches dentro do BaseModel.ai.

Pronto para descobrir o que seus dados já sabem?

Explore BaseModel.ai — implemente em horas, não em meses. Sem necessidade de equipe de ML.

Mariano Gomide de Faria
"A Synerise é uma pérola escondida de Cracóvia, Polônia. O produto BaseModel da Synerise é o modelo fundacional privado mais avançado do mundo para dados comportamentais. A Synerise é uma forma poderosa e eficiente para sua empresa (tech, SI, varejo, fabricante ou marca) dar um salto no mundo das aplicações de IA, produzindo resultados rápidos e evitando gastar milhões de CAPEX em seu modelo de engenharia de dados. Tenho orgulho de ver as empresas de tecnologia mais avançadas nascidas em mercados emergentes. Temos o prazer de escolher a Synerise como motor de infraestrutura de IA da VTEX. Seguimos com a missão de ser a espinha dorsal do comércio conectado. As funcionalidades de IA que a VTEX poderá implantar com a Synerise são disruptivas."

Mariano Gomide de Faria

Co-CEO, VTEX

VTEX

TerrariumDB

TerrariumDB.
O motor de dados comportamentais.

O TerrariumDB captura, resolve e ativa cada sinal comportamental em tempo real. É a base de dados viva que alimenta o BaseModel.ai — transformando eventos brutos em identidades de clientes dinâmicas e em evolução em grande escala.

57B+
Eventos por mês
<50ms
Latência de processamento
6B+
Perfis comportamentais
99.99%
SLA de disponibilidade

Do evento ao insight em milissegundos

Um pipeline de quatro etapas que transforma ruído comportamental bruto em inteligência de clientes acionável e em tempo real.

01

Capture

Event Ingestion

Every behavioral signal — from clicks and page views to transactions and API calls — is captured in real time via SDKs, APIs, or server-side connectors.

02

Enrich

Identity Resolution

Raw events are matched to unified profiles through deterministic and probabilistic identity resolution. Cross-device, cross-channel, cross-session — one identity.

03

Profile

Dynamic Aggregation

Every resolved event updates living behavioral profiles in real time. Aggregates, sequences, and computed attributes refresh within milliseconds.

04

Activate

Graph & Stream

Enriched profiles feed the identity graph and stream to downstream systems — powering BaseModel.ai, decisioning engines, and personalization in real time.

Construído para dados comportamentais em escala

Seis capacidades fundamentais que fazem do TerrariumDB o motor de dados comportamentais em tempo real mais avançado disponível.

Ingestão em Tempo Real

Captura cada sinal comportamental no momento em que ele acontece — cliques, transações, visualizações de página, chamadas de API — sem qualquer atraso entre o evento e sua camada de dados.

Perfis Vivos

Os dados não são armazenados como registros estáticos. Cada evento enriquece uma identidade comportamental dinâmica e em evolução que reflete quem o cliente é agora — não quem ele era na semana passada.

Grafo de Identidade Unificado

Cada evento enriquece um grafo de identidade unificado entre canais e dispositivos. Sessões anônimas, usuários logados e jornadas entre dispositivos se fundem em uma única verdade.

Processamento em Menos de um Segundo

Da captura de eventos ao enriquecimento de perfis em menos de 50 milissegundos. A tomada de decisão em tempo real depende de dados em tempo real — o TerrariumDB entrega ambos.

Ingestão Sem Schema

Não são necessários schemas predefinidos. Envie qualquer payload JSON e o TerrariumDB automaticamente indexa, enriquece e o torna consultável. Os modelos de dados evoluem em tempo real conforme o seu negócio.

Event Streaming e CDC

Change data capture integrado, webhooks e conectores de dados em tempo real. Faça streaming de eventos enriquecidos para qualquer sistema downstream — data warehouses, pipelines de ML ou motores de ativação.

Projetado para escalabilidade horizontal

Cada camada da stack é construída para escalar linearmente — de serviços stateless a bancos de dados fragmentados e zonas de computação independentes.

Horizontal Scalability

  • Stateless services
  • Load Balancing
  • Microservices architecture

Database Scalability

  • Core technologies linearly scalable (TerrariumDB, Kafka, ScyllaDB)
  • Data sharding by profileId

Event-Driven Reactive Architecture

  • Data streaming via Kafka
  • Asynchronous processing in stateless microservices

Auto-Scaling Infrastructure

  • Containerization (Docker)
  • Kubernetes native workloads
  • Horizontal pod autoscaler
  • Cloud-Based Auto-Scaling

Monitoring

  • Continuous monitoring with long history

Noisy Neighbor Solution

  • Separate Kafka topics per workspace
  • Dedicated compute zones for workflows and AI recommendations
  • Zones scale independently

A base de dados para o BaseModel.ai

O TerrariumDB não é apenas um banco de dados — é o substrato vivo que alimenta o primeiro modelo fundacional comportamental do mundo. Cada evento capturado, cada perfil enriquecido e cada identidade resolvida pelo TerrariumDB se torna sinal de treinamento para o BaseModel.ai.

Sequências comportamentais em tempo real fluem diretamente para o treinamento do modelo
O grafo de identidade garante a qualidade dos embeddings em jornadas fragmentadas
A arquitetura sem schema se adapta a novas fontes de dados sem reengenharia
O enriquecimento em menos de 50ms viabiliza a inferência em tempo real no momento da previsão
Pipeline em tempo real
Eventos Capturados
1.4B/day
Perfis Atualizados
892M/day
Correspondências de Identidade
234M/day
Latência Média
23msp99

Arquitetura de nível empresarial

Construído do zero para cargas de trabalho de dados comportamentais de missão crítica em escala planetária.

Implantação Multirregião

Implante em qualquer região de nuvem com conformidade automática de residência de dados. Pronto para GDPR, CCPA e LGPD de imediato, com controles configuráveis de soberania de dados.

Durabilidade Garantida

Write-ahead logging, sincronização entre múltiplas réplicas e recuperação point-in-time garantem zero perda de dados. Cada evento é durável no momento em que é confirmado.

Segurança e Conformidade

Certificação SOC 2 Type II com criptografia de ponta a ponta em repouso e em trânsito. Controle de acesso baseado em funções, logs de auditoria e mascaramento de dados incorporados em cada camada.

Seus dados, vivos e prontos.

Veja como o TerrariumDB transforma eventos brutos em inteligência comportamental em tempo real — alimentando previsões, personalização e tomada de decisões em escala.

Pesquisa em IA da Synerise

IA orientada por ciência

Pesquisa de classe mundial que vence competições globais e avança o estado da arte em sistemas de recomendação, aprendizado em grafos e IA comportamental.

50+
Artigos publicados
15+
Vitórias em competições
1,200+
Citações

Vitórias em destaque

Dominando competições globais de IA

KDD Cup — 1º lugar
ACM RecSys Challenge — Múltiplas vitórias
Booking.com Challenge — 1º lugar
Rakuten Data Challenge — 1º lugar
OGB Large-Scale Challenge — Melhor colocação
"A Synerise construiu uma das equipes de pesquisa em IA aplicada mais impressionantes que já encontrei. O trabalho deles em graph embeddings e modelagem comportamental está avançando o estado da arte."

Prof. Jure Leskovec — Stanford University

Novidades do SAIR

Pesquisa8 min de leitura

BaseModel vs TIGER para recomendações sequenciais

A comparação entre BaseModel e TIGER revela diferenças substanciais em suas escolhas arquitetônicas e desempenho.

Pesquisa8 min de leitura

BaseModel vs HSTU para recomendações sequenciais

Para avaliar o BaseModel em relação ao HSTU, replicamos exatamente os protocolos de preparação de dados, treinamento, validação e testes.

Pesquisa8 min de leitura

Codificação de características numéricas com transformada de Fourier

O pré-processamento de dados brutos de entrada é uma parte muito importante de qualquer pipeline de machine learning, frequentemente crucial para o desempenho do modelo final.

Engenharia12 min de leitura

EMDE vs codificação hash multirresolução

Quando criamos nosso algoritmo EMDE, tínhamos em mente principalmente o domínio de perfilamento comportamental.

Futuro6 min de leitura

Por que precisamos de inteligência artificial sobre-humana

Continuamos nos perguntando quanto tempo mais levará até que a IA atinja o nível de habilidade humana nessas tarefas.

Ferramentas8 min de leitura

Hashing eficiente de pares de inteiros

Modelos mentais são expressões simples de processos ou relações complexas.

Colloid Design System

A linguagem de design
por trás da plataforma.

Colloid é o sistema de design proprietário e de código aberto da Synerise — uma biblioteca de 117 pacotes de componentes React versionados de forma independente, 1.189 ícones personalizados e uma infraestrutura completa de temas que alimenta cada tela da plataforma.

Construído com TypeScript, Styled Components e react-intl desde o primeiro dia. Não é um wrapper do Material UI ou Ant Design — é um sistema criado do zero, projetado para as demandas únicas de interfaces de dados comportamentais, dashboards em tempo real e fluxos de trabalho impulsionados por IA.

117

Pacotes de componentes

1,189

Ícones personalizados

4

Variantes de tamanho de ícones

100%

Cobertura TypeScript

Explorar o sistema de design Ver no GitHub
Colloid Design System — Synerise UI components

117 Pacotes React

Cada componente é um pacote npm com versionamento independente — de ds-button a ds-table e ds-wizard. Instale apenas o que precisar.

1.189 Ícones Personalizados

Uma biblioteca de ícones proprietária em 4 variantes de tamanho (M, L, XL, color) — projetada especificamente para plataformas de dados, analytics e interfaces de IA comportamental.

Storybook Open Source

Cada componente é documentado e interativo em uma instância pública do Storybook. Designers revisam, engenheiros constroem, QA testa — a partir de uma única fonte de verdade.

TypeScript Nativo

Escrito inteiramente em TypeScript com tipos estáticos previsíveis. IntelliSense completo, segurança em tempo de compilação e zero ambiguidade em cada API de componente.

Styled Components

Estilização baseada em temas com Styled Components. Cada token — cor, espaçamento, tipografia, elevação — vem de um objeto de tema central para personalização instantânea.

i18n por Padrão

Internacionalização integrada com react-intl. Cada rótulo, placeholder e mensagem é traduzível — suportando implementações empresariais globais nativamente.

Vitrine de componentes

Colloid Design System — Pré-visualização ao vivo

Réplicas visuais de @synerise/ds-* componentes, correspondendo aos tokens e padrões do sistema de design Colloid usados em produção.

Variantes de ds-button

Tamanhos de botão

import DSButton from '@synerise/ds-button';
<DSButton type="primary">Primary</DSButton>

Os componentes seguem os tokens de design do Colloid — espaçamento, cores e tipografia correspondem ao sistema de design em produção.

Abrir Storybook

Componentes reais do repositório

Cada componente abaixo é um pacote npm @synerise/ds-* real e publicado de forma independente — obtido diretamente do repositório de código aberto no GitHub.

Entrada de Dados18
InputInputNumberSelectAutocompleteCascaderCheckboxRadioSwitchSliderDatePickerDateRangePickerTimePickerColorPickerEmojiPickerFileUploaderCodeAreaInlineEditSubtleForm
Navegação12
MenuAppMenuNavbarSidebarSidebarObjectTabsCardTabsStepperPaginationBreadcrumbsWizardPageHeader
Exibição de Dados17
TableListListItemCardCardSelectMetricCardAvatarAvatarGroupBadgeTagTagsStatusDescriptionTypographyStepCardInformationCardItemsRoll
Feedback16
AlertInlineAlertModalDrawerToastPopconfirmPopoverTooltipResultLoaderSkeletonProgressBarSectionMessageBannerBroadcastBarConfirmation
Layout e Estrutura12
GridFlexBoxLayoutPanelPanelsResizerDividerBlockTrayToolbarFooterScrollbarActionArea
Avançado17
FilterItemFilterItemPickerFactorsOperatorsConditionLogicManageableListSortableCollectorColumnManagerMappingInsightSearchBarContextSelectorCompletedWithinEstimation
Open Source · Licença MIT

Explore a documentação viva.

Cada componente é entregue com documentação interativa no Storybook — mostrando variantes, estados, props, notas de acessibilidade e exemplos de uso do mundo real. Designers revisam. Engenheiros constroem. QA testa. Tudo a partir da mesma fonte.

Colloid não é apenas um kit de interface de usuário — é a linguagem compartilhada entre produto, design e engenharia na Synerise. Ele codifica anos de aprendizado sobre a construção de interfaces para dados comportamentais, previsões de IA e automação em tempo real em escala planetária.

Abrir Storybook synerise-design
@synerise/ds-*

// Instalar pacotes individuais

yarn add @synerise/ds-core

yarn add @synerise/ds-button

yarn add @synerise/ds-table

// Envolva seu aplicativo

import { DSProvider } from '@synerise/ds-core'

import Button from '@synerise/ds-button'

<DSProvider>

<Button>Clique aqui!</Button>

</DSProvider>

Segurança Empresarial

Segurança e infraestrutura de confiança
Certificações de conformidade, soberania de dados e privacidade por design.

Infraestrutura de nível empresarial com certificações de conformidade, soberania de dados e privacidade por design — apoiando organizações globais com os mais altos padrões de segurança.

SaaS

Nuvem totalmente gerenciada

Private Cloud

Infraestrutura dedicada

On-Premise

Seu data center

SOC 2 Type II

Controles de segurança auditados

GDPR

Proteção de dados da UE

CCPA

Conformidade de privacidade da Califórnia

ISO 27001

Segurança da informação

Vídeos

As novidades do nosso canal

Ver todos os vídeos