IA de Aprendizagem Adaptativa · Treinamento de Conformidade

Seu LMS rastreia a conclusão. O Attest rastreia a competência.

Dois funcionários concluem o mesmo módulo de recertificação AML e o LMS mostra dois vistos verdes idênticos. O Attest lê o fluxo bruto de interações de cada aluno com um modelo real de rastreamento de conhecimento, certifica apenas os conceitos que consegue comprovar e entrega um Certificado de Competência assinado em vez de um visto.

51.9%

Redução do tempo de assento da coorte

Coorte simulada de 500 alunos, calculada ao vivo

0.83 AUC

Qualidade do modelo SAKT em hold-out

Nosso benchmark sintético de KT com semente

0 de 18

Certificados para um aluno que jogou o sistema com IA

Gate de competência, saída ao vivo do app

Uma demo executável, não uma implantação. Os logs da coorte e das interações são sintéticos, e cada número nesta página é calculado pelo app em execução.

Conclusão não é competência

Um visto verde diz que um funcionário assistiu a um vídeo. Não diz que ele aprendeu.

O SCORM reporta "Concluído." Os auditores querem evidência de domínio. Um analista BSA sênior que já conhece o material e um gerente de agência com seis meses e lacunas reais passam pelo mesmo curso AML de 4 horas e ganham o mesmo visto. O registro não consegue distingui-los, porque nunca mediu o que cada um sabe.

Os incumbentes que se promovem como "adaptativos" na maioria das vezes executam filtragem colaborativa ("pessoas como você fizeram o Curso X em seguida"), não rastreamento de conhecimento no nível do conceito ("você não dominou o conceito Y"). E os funcionários usam cada vez mais assistentes de IA para passar rápido pelos módulos, então o registro de conclusão diz "treinado" quando o aprendizado nunca se firmou.

Em trabalho regulado, essa lacuna é um passivo que um auditor consegue precificar. O gasto corporativo dos EUA com treinamento é de cerca de $102.8B por ano, a aproximadamente $874 por aluno (Training Magazine, 2025), e grande parte disso compra um registro de conclusão em vez de prova de competência. Onde uma lacuna de treinamento carrega consequência regulatória, na recertificação AML e BSA ou sob as regras de alfabetização em IA por função do Artigo 4 do EU AI Act, que começam em 2 de agosto de 2026, um visto verde é exatamente a evidência errada a apresentar.

Painel Attest de uma coorte de recertificação AML em que todo aluno matriculado aparece como SCORM Concluído, ao lado do mapa de domínio no nível do conceito do Attest para o Analista BSA Sênior, reportando 16 de 18 conceitos certificados e 80.3% de tempo de assento reduzido. — Mesmo curso, mesmo visto SCORM. O Attest lê o domínio no nível do conceito por baixo.

Como funciona: os agentes aconselham, o código decide

Quatro estágios transformam um curso plano em domínio por conceito e um certificado assinado. Um LLM faz a leitura; código determinístico toma cada decisão que importa.

O agente de mapeamento de conceitos transforma um curso em 18 conceitos rastreáveis

Ele decompõe um único curso plano de "AML Training" em uma taxonomia de 18 conceitos (customer due diligence, qualidade da narrativa de SAR, detecção de transações estruturadas, TBML por super e subfaturação, triagem de sanções OFAC e mais) e etiqueta cada lição aos seus conceitos. A etiquetagem de conteúdo é o passo que o campo chama de razão número um para o fracasso de projetos de aprendizagem adaptativa, e isto a automatiza. O agente é construído sobre Pydantic AI, com provedor intercambiável entre Anthropic, OpenAI, Gemini e Ollama, usando claude-opus-4-8 por padrão, com um fallback offline de taxonomia em cache para a demo rodar sem chave de API.

Um modelo SAKT real infere o que cada aluno realmente sabe

O núcleo é um transformer real de rastreamento de conhecimento com self-attention: 119,809 parâmetros, PyTorch, treina em CPU em cerca de 90 segundos e depois fica em cache. Ele reproduz a sequência de interações de cada aluno e infere uma probabilidade de domínio por conceito condicionada ao histórico completo. Não é um LLM e não é um agente. É o núcleo durável de machine learning que torna isto rastreamento de conhecimento de verdade, e não um boletim de notas.

Um sequenciador Flow-Zone determinístico decide o caminho

Python puro, nenhum modelo no loop. Para cada conceito, uma probabilidade de domínio igual ou acima de 0.67 roteia para pular e verificar, 0.38 a 0.67 roteia para fluxo, e abaixo de 0.38 roteia para scaffold. O sequenciador calcula o tempo de assento adaptativo versus plano e o ROI da coorte. Os pontos de corte foram ajustados por validação cruzada a partir da coorte rotulada, respaldados por um A/B de 5 folds que melhora estritamente o fallback definido à mão, não números mágicos ajustados à mão.

Um gate de competência que o modelo não pode anular decide o que é certificado

Isto é governança, não personalização. O gate certifica um conceito somente quando o domínio é de pelo menos 0.747, a evidência é suficiente (pelo menos 3 interações) e o padrão de resposta não é anômalo. Caso contrário, marca o conceito como "precisa de prova" e emite um desafio de verificação. Nunca certifica com evidência fraca ou anômala.

A saída é um Certificado de Competência assinado (HMAC-SHA256): domínio por conceito, o rastro de evidências, nome do modelo, versão e AUC de benchmark, os limiares Flow-Zone aplicados, tempo de assento adaptativo versus plano, o mapeamento regulatório e um rodapé de limitações honestas. É o que você entrega a um regulador em vez de um visto. O princípio em tudo: certificamos o que podemos comprovar, e nunca blefamos um visto verde.

Modal do programa do curso Attest listando a taxonomia de 18 conceitos que o agente de mapeamento de conceitos produziu a partir de um curso plano de AML Training, cada conceito etiquetado com sua regulação, como 31 CFR 1020.220 e FATF TBML Guidance. — O agente de mapeamento de conceitos decompõe um curso em 18 lições mapeadas à regulação.

Painel Attest Under the Hood mostrando a execução de treino medida: corpus KT sintético gerado por PFA, 2,500 alunos, AUC hold-out 0.8315, acurácia de próximo passo 0.771, além da lógica de decisão determinística do Flow-Zone e do gate de competência lida ao vivo a partir do checkpoint carregado. — Cada valor no painel do motor é lido ao vivo a partir do checkpoint e da config carregados, não está hardcoded na página.

Três alunos, um veredito honesto para cada um

Cada figura abaixo é a saída real do app em execução sobre alunos sintéticos.

O Analista BSA Sênior (8 anos na função) aparece verde quase em todo lugar, fraco apenas em Trade-Based Money Laundering e em um conceito de red-flag de SAR. O Attest certifica 16 de 18 conceitos, roteia 2 para precisa de prova e não sinaliza a evidência. O tempo de assento cai de 240 minutos planos para 47.3 minutos adaptativos, 80.3% economizados. Este é o caso "já sabe a maior parte, pule o que está comprovado".

O Certificado de Competência assinado do Analista BSA Sênior: 16 de 18 conceitos certificados, 80.3% de redução de tempo de assento, AUC hold-out do modelo 0.8315, uma tabela por conceito com probabilidade de domínio, contagem de evidências e status certificado ou precisa de prova, e uma assinatura HMAC-SHA256. — O certificado assinado do analista: dois conceitos ficam abaixo do limiar de certificação 0.747 e são roteados para precisa de prova em vez de passados adiante.

O Novo Gerente de Agência (6 meses após a transferência) tem lacunas reais em narrativa de SAR e TBML. O modelo infere domínio baixo em vários conceitos e os roteia para fluxo ou scaffold em vez de pular. O Attest certifica 10 de 18 conceitos, roteia 8 para precisa de prova e reduz o tempo de assento de 240 para 146.7 minutos, 38.9% economizados. Menos conceitos certificados do que o analista, porque este aluno realmente precisa do treinamento. A economia acompanha o domínio, não um desconto plano.

Console do pipeline ao vivo do Attest para o Novo Gerente de Agência mostrando inferência SAKT, sequenciamento Flow-Zone com 10 pular, 5 fluxo, 3 scaffold, e um resultado do gate de competência de 10 certificados e 8 precisando de prova, com 38.9% de tempo de assento economizado e 10 de 18 certificados. — O pipeline ao vivo do gerente de agência: um mapa de domínio mais vermelho significa menos pulos e uma economia menor e honesta.

O Associado de Operações é o caso difícil. Este aluno respondeu rápido e perfeito em 18 conceitos não relacionados, uma distribuição de tempo de resposta inconsistente com evocação genuína. O domínio aparente parece alto, mas o gate de competência sinaliza a evidência e certifica 0 de 18. Todos os 18 roteiam para precisa de prova, a evidência é marcada como sinalizada, e o tempo de assento é retido pendente de verificação. Enquadramos isto como valor, não como uma "pegadinha": só certificamos o que podemos comprovar.

Gate de competência do Attest sinalizando o Associado de Operações por acurácia quase perfeita em tempos de resposta implausivelmente rápidos em 18 conceitos não relacionados, inconsistente com evocação genuína, e retendo a credencial com 0 de 18 certificados e tempo de assento anulado. — O caso de trapaça com IA: o domínio aparente é alto, mas o gate retém toda credencial em vez de blefar um visto verde.

O resultado da coorte, calculado ao vivo

Sobre uma coorte anual de recertificação genuinamente simulada de 500 pessoas a um custo fully-loaded de $75 por hora, o Attest calcula cerca de 51.9% de redução do tempo de assento da coorte (2,000 horas planas reduzidas a cerca de 962 horas adaptativas, cerca de 1,038 horas recuperadas), cerca de $77,872 recuperados neste único módulo, e cerca de $389,362 anualizados quando escalado a um programa típico de conformidade de 20 horas. Os valores em dólares são calculados a partir das saídas do modelo, e o número anualizado é rotulado como uma projeção na tela.

Benchmark ao vivo da coorte Attest pontuando todos os 500 alunos sintéticos em 1.28 segundos, reportando 51.9% de redução média do tempo de assento, 1,038 horas recuperadas neste módulo, $77,872 de valor recuperado e uma projeção anualizada rotulada de $389,362. — Quinhentos alunos pontuados ao vivo: a redução é calculada rodando cada histórico de interação pelo modelo, não assumida.

O benchmark do modelo, a âncora independente

A AUC hold-out é 0.8315 em um corpus KT sintético gerado por PFA, com semente e reproduzível (2,000 alunos de treino e 500 de teste, 18 conceitos, 12 épocas), com acurácia de próximo passo 0.771. Como o processo gerador dos dados (Performance Factors Analysis, um modelo clássico logístico de aluno) é uma família de modelos diferente do transformer que treinamos, a AUC hold-out mostra que o SAKT recuperou estrutura latente real de aprendizagem em vez de pontuar as próprias premissas. Como contexto externo, a AUC publicada do SAKT no dataset público ASSISTments é cerca de 0.80 (Pandey & Karypis, 2019). A manchete durável permanece o percentual de tempo de assento economizado e o percentual autocertificado, que se sustentam em qualquer qualidade de modelo. A AUC prova que o modelo é rastreamento de conhecimento real, não o número de manchete do produto.

Onde o Attest se encaixa, e o que esta demo não faz

Rastreamento de conclusão e motores de recomendação deixam o auditor de mãos vazias. Rastreamento de conhecimento mais governança, não.

Abordagem	O que mede	O que você pode entregar a um auditor
Conclusão SCORM / LMS	Se o aluno abriu e terminou o conteúdo	Um visto verde, sem evidência de domínio
"Adaptativo" via filtragem colaborativa	O que alunos semelhantes cursaram ou fizeram em seguida	Uma recomendação de curso, ainda sem prova no nível do conceito
Attest (rastreamento de conhecimento mais governança)	Domínio por conceito inferido das interações de cada aluno	Um Certificado de Competência assinado com o rastro completo de evidências

Como exemplo nomeado de mercado, o "Adaptive Learning Agent" de março de 2026 da Cornerstone usa filtragem colaborativa em vez de rastreamento de conhecimento no nível do conceito (Cornerstone product announcement, March 2026). A distinção é o ponto central: uma recomendação não é uma estimativa de domínio, e nenhuma das duas é um artefato de auditoria.

O que esta demo NÃO faz

O próprio LMS e os conectores Cornerstone-REST e SAP-BTP são stubs de fixture, não integrações ao vivo. Um build de produção se conectaria ao seu sistema de registro real.
A coorte de 500 pessoas e os logs de interação são sintéticos, realistas e modelados na tabela de pesquisa, não funcionários reais. Os três alunos nomeados também são sintéticos.
O certificado é HTML-first, com exportação PDF best-effort. O conteúdo do desafio de verificação é gerado por LLM sob demanda.
As probabilidades de domínio são evidência, não uma garantia de retenção. A AUC mede predição do próximo item, não retenção de longo prazo, o que o próprio rodapé de limitações do certificado afirma.
Esta é uma demo que prova o mecanismo. Não é um pipeline implantado.

Perguntas que os compradores fazem

"Aprendizagem adaptativa" não é só recomendações de curso com um rótulo novo?

A maioria das ferramentas comercializadas como adaptativas executa filtragem colaborativa: recomendam o que alunos semelhantes fizeram em seguida. Isso é um motor de recomendação, não rastreamento de conhecimento. O Attest usa um transformer real de rastreamento de conhecimento com self-attention (SAKT) que infere uma probabilidade de domínio por conceito a partir do próprio histórico de interações de cada aluno. O Adaptive Learning Agent de março de 2026 da Cornerstone, como um exemplo nomeado, usa filtragem colaborativa em vez de rastreamento no nível do conceito (Cornerstone product announcement, March 2026).

Um funcionário pode trapacear nisto usando um assistente de IA para responder rápido?

Esse é exatamente o caso para o qual o gate de competência foi construído. Na demo, um aluno que respondeu rápido e perfeito em 18 conceitos não relacionados dispara a regra de anomalia, e o gate certifica 0 de 18, roteando cada conceito para precisa de prova com o tempo de assento retido. O gate certifica somente quando o domínio, a suficiência de evidência e a checagem do padrão de resposta passam todos, então a perfeição implausivelmente rápida é recusada em vez de recompensada.

O que de fato entregamos a um auditor?

Um Certificado de Competência assinado, não um visto. Ele lista a probabilidade de domínio de cada conceito e o status certificado ou precisa de prova, o rastro de evidências de quais interações e timestamps produziram cada estimativa, o nome do modelo, a versão e a AUC de benchmark, os limiares Flow-Zone aplicados, o tempo de assento adaptativo versus plano, o mapeamento regulatório e um rodapé de limitações honestas, tudo sob uma assinatura HMAC-SHA256.

Isto substitui o nosso LMS?

Não. O Attest é uma camada de inteligência que lê o fluxo de interações que o seu LMS já produz, não um novo LMS. Nesta demo o LMS e os conectores Cornerstone-REST e SAP-BTP são stubs simulados, e um build de produção se conectaria ao seu sistema de registro real. O seu LMS continua registrando a conclusão enquanto o Attest adiciona o domínio no nível do conceito e o certificado.

De onde vem a redução de 51.9% do tempo de assento? É um resultado real de cliente?

É calculada ao vivo em uma coorte sintética de recertificação de 500 pessoas, não medida em clientes reais. O Attest passa o histórico de interações de cada aluno simulado pelo modelo SAKT e pelo sequenciador Flow-Zone e reporta a redução agregada de cerca de 51.9%, as horas recuperadas e uma projeção anualizada rotulada. A afirmação ancorada de forma independente é a qualidade do modelo (AUC 0.83), não o valor em dólares.

A AUC de 0.83 é medida em um dataset público?

Não. A AUC hold-out de 0.8315 é medida no nosso próprio corpus KT sintético gerado por PFA, com semente e reproduzível, não em um benchmark público. Importa porque o corpus é gerado por uma família de modelos diferente (PFA logístico) do transformer que treinamos, então uma AUC hold-out alta mostra que o modelo recuperou estrutura real de aprendizagem. Resultados publicados do SAKT no dataset público ASSISTments são cerca de 0.80 (Pandey & Karypis, 2019), citados apenas como contexto externo.

Pesquisa Técnica

A pesquisa por trás desta demo — a arquitetura, o desenho de verificação e o blueprint empresarial.

Solução completa

Explore a solução Adaptive Learning AI →

Leve evidência de competência ao seu treinamento de conformidade

Para chief learning officers, diretores de L&D e líderes de conformidade que conduzem recertificação obrigatória.

Se a sua equipe está avaliando como comprovar domínio, e não apenas conclusão, para um programa de treinamento regulado, gostaríamos de alinhar o que isso exige. O problema é de toda a indústria e as respostas também serão.

Avaliação de garantia de treinamento

✓ Análise de lacunas de domínio no nível do conceito em um módulo
✓ Modelagem de tempo de assento e ROI da coorte com os seus números
✓ Revisão de artefato de auditoria e mapeamento regulatório
✓ Uma leitura honesta de onde o rastreamento de conhecimento ajuda e onde não ajuda

Construção sob medida

✓ Agente de mapeamento de conceitos ajustado ao seu material didático
✓ Rastreamento de conhecimento SAKT nos seus dados de interação
✓ Sequenciador Flow-Zone determinístico e gate de competência
✓ Certificado de Competência assinado ligado ao seu sistema de registro

Conectar via WhatsApp Envie um e-mail à nossa equipe