Otimização de sistemas de IA generativa e RAG para integração de bases de dados de saúde em suporte a vendas complexas: estudo de arquiteturas para a plataforma de inteligência LIA

Abstract

Em um contexto de ampla adoção de LLMs, a inovação por uso dessa tecnologia deve mudar como trabalhamos em diversas áreas, porém as IAs ainda apresentam alguns problemas, e grande parte deles não são intrínsecos a essa tecnologia, mas sim a como a usamos, assim havendo espaço para a otimização de técnicas e arquiteturas de uso para chegar a um resultado melhor e mais eficiente. Este trabalho parte do contexto da plataforma conversacional LIA da Lifeshub voltada a apoiar vendas complexas no setor de saúde por meio da consulta integrada a bases cadastrais, empresariais, assistenciais e de relacionamento comercial. Em agentes de inteligência artificial generativa que usam ferramentas externas, esse tipo de consulta tende a elevar consumo de tokens, latência, custo e instabilidade, principalmente quando a pergunta exige cruzamento de entidades e preservação factual entre fontes. O objetivo é implementar e avaliar otimizações na camada de orquestração da Lineage Intelligence Agent (LIA), sem propor o desenvolvimento da plataforma em si, para tornar o uso de modelos de linguagem mais eficiente e confiável. As otimizações investigadas incluem seleção semântica de ferramentas, compactação de payloads e contexto, uso de memória operacional, compressão cognitiva, recuperação auxiliar de evidências e separação entre recuperação e composição da resposta. Essas estratégias buscam reduzir informação desnecessária enviada ao modelo, organizar melhor as evidências e diminuir decisões repetitivas ou frágeis do agente. A avaliação foi conduzida por um benchmark de ablação com diferentes arquiteturas e modelos, medindo acurácia, qualidade factual, latência, consumo de tokens e uso de ferramentas. Os resultados indicam que as otimizações podem melhorar custo e eficiência em parte dos cenários, mas que o melhor arranjo depende do modelo e do tipo de tarefa. O trabalho contribui com uma metodologia experimental para avaliar arquiteturas de agentes com ferramentas em aplicações corporativas de saúde.