Case — Oxiquímica (Plataforma de P&D de Formulações com Otimização Bayesiana)

Tipo: AutoU (cliente: Oxiquímica — indústria química/fertilizantes) Papel: Discovery técnico, arquitetura e prototipagem — tradução de processo de laboratório em produto de software Status: No ar (em produção) Stack (definida): Python 3.13, FastAPI, React 19 + TypeScript, Vertex AI (Google Cloud), BayBE (otimização Bayesiana, open-source da Merck), RAG com governança de fontes, PostgreSQL

Nota de confidencialidade: projeto de cliente da AutoU — validar o que pode ser público antes de expor nome/detalhes.

Contexto e problema

O laboratório de P&D da Oxiquímica desenvolve formulações (fertilizantes e afins) por tentativa e erro: cada iteração passa por ciclo de estufa/câmara climática de ~14 dias, e o conhecimento de quais combinações funcionam vive na cabeça dos analistas. Muitas iterações = meses até uma fórmula estável.

Solução (produto desenhado)

Plataforma de P&D com agente de IA ("Colibri") que gera/ajuda em fórmulas e reduz iterações físicas:

Hub de Gestão de Formulações: KPIs (taxa de sucesso, iterações médias), cards por formulação com probabilidade de estabilidade e contagem regressiva do teste climático
Tabela de composição reativa: autocomplete do banco de matérias-primas, garantia atendida auto-preenchida, pureza média sugerida (editável por lote) e garantia calculada em tempo real (concentração × pureza) — calculada no front e revalidada no backend
Otimização Bayesiana com BayBE: sugestão da próxima formulação a testar com base nos experimentos anteriores — menos ciclos de estufa até a meta
Chat Científico com RAG duplo: responde consultando a base interna de conhecimento e pesquisa web com whitelist/blacklist de fontes (governança de citações, cada resposta rastreável à origem)
Versionamento explícito de fórmulas (V0, V1... com autor e status) e linha do tempo do processo (definição → análise IA → câmara climática → parecer → aprovação)

Trabalho técnico realizado

Estudo aprofundado do BayBE (framework da Merck) com exemplos Python próprios versionados — validação de viabilidade antes de prometer ao cliente
Arquitetura completa documentada a partir do protótipo Figma + comentários do designer, transformando cada comentário em especificação executável (comportamento campo a campo da tabela de composição)
Decisões de arquitetura registradas: cálculo reativo no front com revalidação no backend como fonte de verdade; override de pureza por composição sem alterar o cadastro da MP; política default de bloqueio para fontes web não listadas
Levantamento e catalogação do acervo de materiais do cliente (catálogo geral e mapa detalhado de matérias-primas)
Observabilidade com Grafana + Prometheus implementada por mim: monitoramento de custo (uso de IA), consumo e infraestrutura da plataforma

Desafios e soluções

Domínio científico complexo: química de formulações traduzida em modelo de domínio (garantias, purezas por lote, funções de MP) validado com o designer e o cliente
IA com responsabilidade: em ambiente industrial confidencial, o RAG web tem governança explícita de fontes — recomendação de bloquear por padrão
Discovery guiado por protótipo: dúvidas abertas documentadas e endereçadas ao cliente em vez de suposições silenciosas

Resultados e impacto (esperados)

Redução do número de iterações físicas por formulação via otimização Bayesiana [baseline: 4.2 iterações médias no protótipo; meta A CONFIRMAR]
Conhecimento de laboratório capturado em base consultável (RAG) em vez de conhecimento tribal
Ciclo de estufa acompanhado digitalmente com interrupção informada