Entrámos no Fixathon como hackers. Saímos como vencedores.
Normalmente apareço num hackathon como organizador, mentor ou júri. Desta vez foi diferente. O Helder, o Henrique e eu decidimos fazer algo que não fazíamos há muito tempo: sentar do outro lado da mesa e construir, só pelo prazer de o fazer.
Jogamos sempre para ganhar. Mas, honestamente? Não esperávamos este.
A sala no Fixathon, organizado pelo Impact Hub Porto no TAIKAI, era de alto nível. Maturidade real, engenharia real, equipas da CEiiA, do INESC TEC, universidades dos Países Baixos, pessoas sérias a resolver problemas sérios. Esse nível obrigou-nos a elevar o nosso. Ficámos cada vez mais exigentes uns com os outros a cada hora que passava, e muita dessa pressão vinha também de fora: os organizadores, a equipa da BluFab by Casais e os juízes que continuaram a desafiar todas as equipas a fazer mais e a subir a fasquia.
Obrigado a todos os que nos apoiaram. Este teve um significado especial. 💙
O desafio
A BluFab industrializa a construção off-site. Habitações, edifícios, e os painéis de casa de banho modulares no centro deste desafio. O tempo de produção alimenta cada proposta comercial e cada plano que fazem. O problema: esse tempo é estimado a partir de referências manuais e do conhecimento tácito que vive na cabeça de uma pessoa. Quando a estimativa está errada, o custo compõe-se em propostas desalinhadas, planeamento falhado e credibilidade perdida à frente dos clientes.
Por isso construímos o Cadence.
O que construímos
O Cadence é uma camada operacional auditável que transforma desenhos de painéis em estimativas de tempo defensáveis, com vídeo da linha de produção a treinar continuamente o modelo por baixo.
O produto em si é simples. Introduzes as características de um painel, dimensões, caixilhos metálicos, furações, tipo de revestimento, acabamento, e o Cadence devolve o tempo de produção total mais uma desagregação por micro-operação, com intervalos de confiança e a razão por trás de cada linha.
Três coisas tornaram-no nosso:
Uma caixa de vidro, não uma caixa negra. Cada previsão desagrega-se em algo que um humano consegue ler: "+10s de +33% vs frames de referência". O raciocínio vive na interface, não enterrado na documentação do modelo. Muda as características de um painel e a estimativa recalcula com os deltas visíveis. Cada estimativa fica guardada num log de auditoria append-only com features, versão do modelo e timestamp, desenhado para auditabilidade de grau ISO desde o primeiro dia.
Aprende com a linha. Vídeo de múltiplos ângulos de câmara na linha, overhead e ao nível dos olhos do operador, é segmentado em micro-operações automaticamente. Um revisor afina qualquer fronteira em segundos, e cada segmento confirmado torna-se um label validado que re-treina o modelo preditivo. A linha ensina o estimador, continuamente. A estimativa é o produto. O vídeo é o mecanismo que a mantém honesta.
Honestidade radical sobre o que sabe. Operações com dados insuficientes ficam sinalizadas a âmbar como baixa-confiança em vez de serem fabricadas como precisas. O sistema sabe o que não sabe, e diz-o.
Ganhámos com evidência
Não queríamos ganhar com uma demo bonita. Queríamos ganhar com evidência.
Em quase 20 painéis diferentes, as estimativas de tempo do Cadence ficaram a cerca de 12% do tempo de produção real em média. Isso já é suficientemente próximo para ser útil numa proposta comercial, e afina com cada painel que a fábrica produz.
O exemplo mais claro: um painel real que demorou 16 minutos e 7 segundos a construir. O Cadence previu 15 minutos exactos. Menos de 7% de erro, e desagregou o gap operação a operação para que um humano pudesse ver exactamente onde foi o tempo.
Fizemos também o teste que a maioria das equipas salta. Corrémos o modelo em painéis de uma construção completamente diferente que nunca tinha visto durante o treino. Qualquer um consegue ter bons resultados com dados que já memorizou. A questão real é se o sistema pode ser confiável com painéis que a fábrica ainda não produziu, e foi esse o teste que lhe pusemos.
Tudo corre numa única máquina local, sem cloud necessária, por isso os dados da fábrica nunca têm de sair do edifício. Isso importa muito a um cliente industrial que valoriza a confidencialidade.
Para os tecnicamente curiosos: o núcleo é um modelo de regressão gradient boosting treinado nos dados de produção da própria fábrica, conjugado com um vision-language model que transforma vídeo da linha em exemplos de treino com labels. Validámo-lo da forma rigorosa, testando sempre em painéis que o modelo nunca tinha visto, por isso os números de precisão reflectem generalização real e não dados memorizados. Explicável por design, capaz de correr on-premise, sem vendor lock-in.
Como conseguimos mesmo fazer isto
Algumas coisas das trincheiras que não vou esquecer.
Construímos a solução à medida que o desafio se foi revelando. O briefing chegou em pedaços, e com cada novo detalhe redesenhámos o design. Em paralelo estávamos a testar opções para os dois motores por baixo: o modelo que prevê o tempo, e o vision model que lê o vídeo da linha. Mas a parte que realmente decidiu o resultado foi menos glamorosa do que qualquer uma dessas. Foi sentar e fazer um brainstorm do processo em si, decompor a produção de um painel nas poucas características que genuinamente determinam o tempo que demora a construir. Acerta nestas e o modelo raciocina. Erra-as e adivinha. Essa sessão no quadro branco foi o verdadeiro ponto de viragem.
Aqui está a parte de que mais gosto. Somos builders de IA, não data scientists. Desenhamos, lançamos e operamos produtos de IA todos os dias, mas um modelo preditivo estilo CatBoost treinado nos dados de produção de uma fábrica não é onde costumamos viver. Isso acabou por ser uma vantagem. Abordámos o problema como pessoas de produto: obsessão pelas features certas, escolher ferramentas que são explicáveis e portáteis, e recusar confiar num número que não conseguíamos explicar. A data science era aprendível em dois dias. O instinto de produto, saber o que construir e o que deixar de fora, é a parte que não se consegue crammar. Pensar com clareza sobre o problema bate a especialização profunda mais vezes do que as pessoas admitem.
Também tínhamos um membro da equipa que, mesmo até ao veredicto, nunca acreditou que íamos ganhar. Não era pessimismo, apenas realismo brutal sobre quão forte era a sala. Mas a mesma pessoa tinha 100% de certeza que tínhamos um projecto excelente. Essa tensão, "podemos não ganhar mas isto é genuinamente óptimo", é honestamente o melhor estado de espírito para construir. Mantém-te humilde e afiado ao mesmo tempo.
Praticamente à última hora encaixámos um chatbot no projecto para tornar tudo mais apelativo e fácil de interrogar. Era estritamente necessário para os resultados? Não. Fez a demo aterrar melhor? Absolutamente.
E sim, houve uma pausa sagrada para ir buscar um éclair à Leitaria da Quinta do Paço. Inegociável. Não se consegue lançar um sistema auditável com o estômago vazio.
Obrigado
Esta vitória pertence a muita gente que não está na nossa equipa.
Ao Impact Hub Porto por acolher, e à BluFab by Casais por um desafio com dentes industriais reais e uma equipa que ficou na sala connosco durante todo o tempo.
Aos juízes que continuaram a subir a fasquia: Pedro Andrade (Casais), Diogo Mónica (Haun Ventures), Ricardo Mesquita (Wiseverge), Thomas DiGrazia (Neutronian), e Jorge Resende (IEM4.0). A pressão que puseram em cada equipa é exactamente a razão pela qual o output foi tão bom.
E à equipa que o construiu ao meu lado, Helder Vasconcelos e Henrique Macedo. Viemos para nos desafiar. Missão cumprida.
Há uma lição neste que vai além de alguns dias. Passamos a maior parte do tempo na LayerX a construir produtos de IA para clientes e a gerir a infraestrutura em cima da qual outros inovam. Voltar ao lugar do builder, sob pressão real, contra equipas fortes, é a forma mais rápida de nos mantermos afiados e de nos lembrarmos do que é realmente lançar algo do zero em dois dias.
O Cadence não é um protótipo de hackathon. É a primeira camada operacional auditável para a BluFab, e o tipo de trabalho que queremos continuar a fazer: IA que ganha confiança ao mostrar o seu raciocínio, corre onde os dados já vivem, e é honesta sobre o que não sabe.
A sala subiu a fasquia. Temos intenção de a manter lá.
