A Leeroo lançou em código aberto o Kapso, um motor que executa experimentos com os dados de uma empresa, implanta a solução mais forte que encontra e registra o que aprendeu ao longo do caminho. A empresa, que afirma se dedicar a sistemas de IA para dados corporativos, anunciou o lançamento em uma publicação no Hacker News.

A ideia se baseia em uma observação simples dos fundadores da empresa, Alireza e Majid. O trabalho com dados é iterativo. Analistas investigam, formulam hipóteses, testam e ajustam. A Leeroo argumenta que esse processo de baixo para cima é a única forma de entregar resultados rapidamente em ambientes corporativos grandes e desorganizados. Esperar que consultores reúnam contexto em reuniões, ou que uma equipe defina uma ontologia completa do negócio antes de tocar nos dados, pode levar trimestres ou até anos, escreveram os fundadores.

Eles citam um projeto recente como exemplo. Uma empresa estava migrando de um ambiente de dados antigo para um lakehouse, uma estrutura que abrange mais de 30 famílias de sistemas de origem, milhares de tabelas e transformações e centenas de relatórios de business intelligence. Ninguém envolvido, humano ou agente de IA, entendia como as peças se conectavam. A equipe aprendeu o sistema lendo os repositórios, os modelos dbt, a documentação da empresa e os próprios dados, depois propôs hipóteses, executou experimentos e verificou os resultados até compreender como cada sistema se comportava e em que condições.

A Leeroo afirma que o mesmo ciclo se aplica a quase qualquer tarefa de dados ou software, seja otimizar um data warehouse, construir um pipeline de lakehouse ou prever o cancelamento de clientes. O conhecimento técnico se acumula ao longo do tempo, argumenta a empresa, e é mais útil quando testado em um ambiente específico. A geração aumentada por recuperação sobre documentação, por outro lado, tem pouco valor até que as consequências de uma mudança sejam observadas. O Kapso foi projetado para realizar esses testes em um sandbox, da mesma forma que um engenheiro humano faria.

Como funciona o banco de lições

Como o Kapso aprende com os experimentos?

Os usuários fornecem ao Kapso um objetivo e critérios de sucesso. O sistema then trabalha em direção a uma solução ótima que pode ser implantada na infraestrutura do usuário. Seu componente central é um banco de lições, extraídas de experimentos anteriores. Cada lição traz uma pontuação de credibilidade, as condições em que se aplica e as evidências que a sustentam.

Como o Kapso escolhe seus próximos experimentos?

Para cada novo experimento, um módulo de ideação propõe ideias informadas por essas lições anteriores. Ele as classifica pelo retorno esperado em relação ao orçamento que cada ideia consumiria e, então, envia os candidatos mais bem colocados a um módulo implementador. Como o banco continua aprendendo com os experimentos naquele ambiente específico, a Leeroo afirma que suas propostas são mais adequadas ao contexto do que hipóteses genéricas de um grande modelo de linguagem.

Os resultados são verificados por um módulo verificador separado, ao qual os próprios experimentos não têm acesso, o que, segundo a empresa, impede que o sistema manipule suas próprias avaliações. Os módulos experimentais também podem propor mudanças nas métricas e nos critérios, e o verificador aprova ou rejeita essas mudanças. Após cada execução, uma função learn() atualiza as pontuações e os limites das lições com base nas evidências daquela rodada. Os usuários podem testar mudanças no banco com A/B, executando versões idênticas do sistema com a versão antiga e a atualizada.

Os bancos de lições são construídos sobre o git, por isso podem ser compartilhados, listados e atualizados. A empresa lista comandos para a interface de linha de comando, incluindo kapso experience share, list e update. O Kapso é descrito como agnóstico em relação a modelos e agnóstico em relação a agentes de programação. Um comando separado, kapso.deploy, recebe uma solução e uma infraestrutura de destino e executa um ciclo de experimentação mais curto para adaptá-la. A Leeroo cita Docker, Modal, BentoCloud e LangGraph como exemplos de infraestruturas de destino. Os usuários também podem criar seu próprio harness de domínio, um ponto de partida para uma área específica, usando o comando harness do plugin ou a CLI.

Alegações de desempenho em benchmarks

Qual é o desempenho do Kapso em benchmarks públicos?

A Leeroo afirma que o Kapso teve bom desempenho em vários benchmarks públicos e competições ao vivo. No RelBench, um benchmark de modelagem preditiva em bancos de dados relacionais mantido pela Stanford e originalmente desenvolvido em parceria com a Kumo AI, que hoje faz parte da Nvidia, a empresa afirma que o Kapso ficou em primeiro lugar, à frente do melhor modelo fundacional tabular. A Leeroo argumenta que isso mostra que manter o aprendizado no nível do harness pode superar modelos fundacionais para tabelas e que atualizar um banco de lições custa muito menos do que treinar um novo modelo.

No MLE-bench da OpenAI, a empresa afirma que o Kapso ficou em primeiro lugar na data de sua submissão e continua entre os principais sistemas de código aberto. Em competições, a Leeroo diz que o Kapso superou o melhor agente divulgado pelos autores do ALE-Bench na Sakana AI. A empresa também afirma que o Kapso atuou de forma autônoma na Olimpíada Internacional de IA de 2026, ao vivo, terminando acima de todos os 471 competidores humanos e entre os três primeiros sistemas de IA. Esses são os resultados informados pela própria empresa, e os placares públicos e os pull requests que ela linka são os lugares para verificá-los.

A Leeroo também mantém um banco público de conhecimento em aprendizado de máquina e dados, o Leeroopedia. A empresa afirma que o site contém cerca de 100.000 páginas extraídas de experimentos com artigos científicos e repositórios de código. Ele recebe cerca de 6 milhões de requisições por mês, aproximadamente 28% delas de agentes de IA.

A empresa convida empresas em crescimento com estruturas de dados complexas, distribuídas por múltiplos sistemas e funções, e equipes de dados e IA sobrecarregadas, a entrar em contato. O código está disponível no GitHub.

Dieser Artikel wurde mit Unterstützung von KI verfasst.
News Factory APP - agentische News für besseres SEO & AEO.