Nossa empresa

Análise visual construída sobre entendimento real do seu contexto

Desenvolvemos sistemas de visão computacional com atenção ao detalhe que cada acervo de imagens requer — sem atalhos e com resultados mensuráveis.

← Página Inicial

Nossa história

Como surgiu a Sumaúma

A Sumaúma nasceu de uma constatação prática: modelos de visão computacional treinados em conjuntos de dados genéricos raramente funcionam bem quando aplicados a acervos específicos de empresas. A diversidade visual de cada setor — e de cada organização dentro desse setor — é grande o suficiente para tornar esse desajuste um problema real de desempenho.

Fundada em Manaus em 2022 por profissionais com experiência em aprendizado de máquina e operações industriais na Amazônia, a empresa se estruturou ao redor de projetos onde o modelo precisava ser treinado do zero, ou adaptado de forma significativa, usando as próprias imagens do cliente. Esse processo de construção próxima — entendendo o domínio visual antes de escrever qualquer linha de código — é o que define nossa abordagem.

Três anos de projetos em segmentos como manufatura, pesquisa científica, comércio eletrônico e controle de qualidade industrial nos deram clareza sobre o que funciona e o que não funciona em cada fase de um projeto de classificação visual: coleta de amostras, anotação, treinamento, validação e integração operacional.

Missão

Tornar a análise visual por inteligência artificial acessível e funcional para organizações brasileiras que trabalham com acervos de imagens próprios — independente do setor ou do volume de dados disponível.

Valores orientadores

Clareza técnica antes de proposta comercial
Métricas de desempenho definidas antes do início do projeto
Confidencialidade no tratamento de acervos de terceiros
Documentação entregue junto com o sistema

Presença regional

Sediados no centro de Manaus, atendemos clientes em todo o Brasil por canais remotos. Para projetos no Amazonas e estados vizinhos, oferecemos reuniões presenciais na fase de levantamento de requisitos.

Quem faz

Equipe principal

Rafael Campos

Arquitetura de Modelos

Responsável pelo design arquitetural dos sistemas de visão computacional e pela seleção e adaptação de arquiteturas de redes neurais para cada domínio visual.

Isabela Sousa

Dados e Anotação

Lidera os processos de preparação e anotação de dados de imagem, definindo os critérios de qualidade que determinam a representatividade de cada conjunto de treino.

Thiago Moraes

Integração e API

Cuida da camada de integração — desde a especificação dos endpoints REST até os testes de carga e a documentação técnica entregue ao cliente ao fim de cada projeto.

Como trabalhamos

Padrões de qualidade e protocolo

Métricas de desempenho definidas antes do projeto

Antes de qualquer linha de código, acordamos com o cliente as métricas mínimas de acurácia, recall e precisão que o modelo precisará atingir na validação.

Protocolo de preparação de dados

Cada acervo passa por inspeção de qualidade de imagens antes do treinamento: resolução, equilíbrio de classes, consistência de anotação e identificação de casos-limite.

Confidencialidade no tratamento de acervos

Todo projeto é coberto por acordo de confidencialidade. Imagens de clientes não são reutilizadas em outros projetos ou divulgadas em qualquer formato.

Relatório de validação incluso

Todo sistema é entregue com documentação técnica de validação, incluindo matriz de confusão, exemplos de erros típicos e recomendações para refinamento futuro.

API documentada com exemplos de código

A integração do modelo é entregue com documentação de endpoint REST e exemplos de código em Python e JavaScript, facilitando a adoção pela equipe técnica do cliente.

Suporte técnico pós-entrega

O período de refinamento incluso em cada nível de serviço contempla ajuste de modelos com base em feedback operacional real, sem custo adicional dentro do escopo contratado.

Contexto e especialização

Visão computacional aplicada ao contexto brasileiro

O campo de visão computacional avançou consideravelmente nos últimos anos, mas a maior parte dos recursos disponíveis — tutoriais, modelos pré-treinados, benchmarks — foi construída em torno de contextos europeus e norte-americanos. Acervos de imagens brasileiros, sejam fotográficos de produto, industriais, científicos ou agrícolas, apresentam características visuais que muitas vezes não estão bem representadas nesses conjuntos de dados de base.

Na Sumaúma, o ponto de partida de todo projeto é o entendimento do domínio visual do cliente. Antes de selecionar uma arquitetura de rede neural, analisamos as imagens disponíveis: quais categorias existem, qual é a variação visual dentro de cada categoria, onde os casos-limite aparecem e qual nível de granularidade a tarefa de classificação realmente precisa.

Esse levantamento define o plano de anotação, o volume de dados necessário e as estratégias de aumento de dados que podem ser aplicadas sem introduzir viés. O resultado é um modelo treinado para o seu problema específico — não um modelo genérico adaptado na margem.

Trabalhamos com organizações em diferentes estágios de maturidade em dados: desde empresas que têm acervos grandes mas não organizados, até aquelas que precisam estruturar a coleta de imagens a partir do início do projeto. Em todos os casos, a clareza sobre o que o sistema pode e não pode fazer é parte do entregável.

Próxima etapa

Quer entender se há um projeto viável?

Descreva brevemente o seu acervo de imagens e o que você precisa classificar ou detectar. A conversa inicial não exige compromisso — serve para mapear o escopo e estimar o esforço.

Iniciar Conversa