01determinístico
OLSRegressão Linear Múltipla
p preditores · resíduos minimizados
Inteligência fiscal · Brasil
IconsAI
Inteligência fiscal treinada em journals indexados, calibrada para o CNAE brasileiro. Determinística e estocástica. Por classe.
1.331
Classes CNAE
5.570
Municípios
14+
Modelos
Ato 02 · Fundação
Tensor ProcessingUnit (TPU)
A Tensor Processing Unit (TPU) treina simultaneamente milhões de estudos extraídos de journals indexados. Modelos determinísticos e estocásticos convivem na mesma malha de silício.
precisão
bfloat16 / fp32
paralelismo
data + model
ciclo de treino
~2.4s / pulse
origem dos dados
journals indexados
Cada núcleo da malha hexagonal corresponde a uma camada matemática. Pulsos sequenciais denotam o gradiente atravessando a topologia.
Ato 03 · Stack matemático
Os modelos matemáticos
Dez famílias coexistem no mesmo silício — determinísticas que descrevem o que o Brasil já foi, e estocásticas que precificam o que ele ainda pode ser.
arraste lateralmente · 10 modelos
Ato 04 · Customização extrema
A camadaCNAE
Cada modelo é treinado por classe CNAE — a quarta camada da Classificação Nacional de Atividades Econômicas. Não há generalização: há 1.331 modelos hiper-customizados.
Seções
10/21
Divisões
18/87
Grupos
23/285
Classes
52/1.331
cnae · árvore radial · 4 níveisseção → divisão → grupo → classe
subset visual · 1331 classes em produção
←árvore radial→
Hover em qualquer nó da árvore destaca sua linhagem completa — pais e descendentes — e revela código + nome oficial. Exemplo: 4712-1 — Comércio varejista de mercadorias em geral, com predominância alimentícia.
Ato 05 · Brasil como contexto
Variáveisexógenas
Tributos e demografia do Brasil alimentam cada modelo como variáveis exógenas. O contexto fiscal-territorial é parte da equação — não anotação de rodapé.
deck · selecione camada
cartograma · 27 UFtributos
ICMS · arrecadação relativa
ICMSISSIPIPIS/COFINSIRPJ/CSLL
Cada modelo treinado por classe da Classificação Nacional de Atividades Econômicas (CNAE) recebe — como entrada exógena — o contexto territorial completo: alíquotas vigentes, densidade demográfica, escolaridade, índice de preços ao consumidor amplo (IPCA), Taxa Selic e câmbio. Hover em qualquer UF para detalhes.
Ato 06 · Bifurcação
Matemáticadescreve · transformer narra
Os mesmos dados percorrem dois caminhos paralelos. Modelos matemáticos entendem o que aconteceu; transformers criam a narrativa e a recomendação. Os ramos convergem em um nó comum — Inteligência Acionável.
ramo descritivo
OLSARIMAVARPCAMarkov
quantifica · explica
ramo generativo
AttentionEncoderDecoderRAGICL
narra · prescreve
flow · 6 paths · partículas em ritmos distintosconvergence · acionável
←diagrama de fluxo→
Velocidades de partícula refletem o caráter de cada ramo: o ramo matemático flui em ritmo regular (passos discretos, equações fechadas); o ramo transformer flui mais rápido, mimetizando o paralelismo da atenção.
Ato 07 · Stack expandida
Machine Learning+ Deep Learning
Cinco famílias clássicas de Machine Learning ao lado de sete arquiteturas de Deep Learning. Doze visuais autorais — um por arquitetura.
Machine Learning
5 famílias
Deep Learning
7 arquiteturas
Tarefa primária
classificação · regressão
Estilo
determinístico + estocástico
Machine Learning
modelos tradicionaisRandom Forest
ensemble · majority vote
Gradient Boosting
XGBoost · LightGBM · CatBoost
Support Vector Machines (SVM)
max margin · kernel trick
K-Nearest Neighbors (KNN)
distância · não-paramétrico
Naive Bayes
P(C|x) ∝ P(C) ∏ P(xⱼ|C)
Deep Learning
redes neurais profundasMulti-Layer Perceptron (MLP)
rede densa · backpropagation
Convolutional Neural Network (CNN)
kernel · feature map
RNN · LSTM · GRU
estado oculto · desenrolado no tempo
Transformers
attention is all you need
Graph Neural Networks (GNN)
message passing · agregação
Variational Autoencoders (VAE)
espaço latente gaussiano
Generative Adversarial Networks (GAN)
G ↔ D · jogo adversarial
Ato 08 · Inferência em tempo real
Migração TPU →Graphics Processing Unit
Treinados, os modelos migram para a Graphics Processing Unit (GPU). Aqui não se treina mais — se infere, se busca, se correlaciona em tempo real.
origem
Tensor Processing Unit
destino
Graphics Processing Unit
modo
inferência · zero treino
latência
< 80 ms p99
migration · weights → runtimecinematic transition
←migração TPU → GPU→
sub-bloco · correlações
Coeficientes de Pearson (linear) e Spearman (monotônica) garantem que diferenciemos causa de consequência — não apenas associação.
Pearson · ρₚlinear
Captura associação linear entre duas variáveis. Sensível a outliers.
Spearman · ρₛmonotônica
Captura relação monotônica via posto. Robusto a outliers e não-linearidades.
Ato 09 · Causa & consequência
O grafo deinter-correlações
Cada decisão empresarial é um caminho neste grafo. Encurtar o caminho até o sucesso de mercado é o que a IconsAI faz. Passe o cursor por um nó para ver sua vizinhança imediata.
- tributo
- 30
- indicador macro
- 30
- ação fiscal
- 30
- resultado
- 30
graph · v0.1 · subset demonstrativo120 nodes · 290 edges · 72 cross-cluster
←grafo de correlações→
Subset visual com 120 nós representativos. Em produção, o grafo expande para 600+ nós incluindo todas as variáveis fiscais, demográficas e setoriais por classe da Classificação Nacional de Atividades Econômicas (CNAE).
Horizontes de decisão
Cada decisão tem
um horizonte.
A IconsAI estratifica recomendações por janela temporal — do encerramento do mês ao ciclo plurianual de reforma. Cada horizonte tem sua própria função-objetivo, sua própria taxa de desconto, seu próprio risco.
Curto prazo0 – 90 dias
- Reclassificação de NCM/CFOP de alto risco
- Aproveitamento imediato de créditos parados
- Resposta a intimação do fisco · prazo legal
Médio prazo3 – 12 meses
- Migração de regime tributário (Simples ↔ Presumido ↔ Real)
- Reestruturação de cadeia logística por DIFAL
- Implantação de SPED EFD-Reinf · e-Social completo
Longo prazo1 – 5 anos
- Adaptação à Reforma Tributária (EC 132/2023 · CBS · IBS)
- Reorganização societária · holding · F&A
- Posicionamento setorial por classe CNAE projetado
Produtos · três frentes
Três produtos. Um único grafo.
X-Ray radiografa, Discovery descobre, Fiscal gerencia. Os três produtos compartilham o mesmo núcleo — a mesma malha de modelos por classe CNAE — e endereçam estágios distintos do ciclo fiscal-empresarial.
produto · 01 / 03X-Ray
IconsAI X-Ray
Radiografia tributária instantânea de qualquer empresa brasileira por CNPJ ou CNAE.
superfície
API · CLI · web
motor
modelos por CNAE
entrada
CNPJ · NF-e · CT-e
saída
recomendação · ranking
produto · 02 / 03Discovery
IconsAI Discovery
Descoberta de oportunidades fiscais e benchmarks setoriais via grafo de correlações.
superfície
API · CLI · web
motor
modelos por CNAE
entrada
CNPJ · NF-e · CT-e
saída
recomendação · ranking
produto · 03 / 03Fiscal
IconsAI Fiscal
Sistema de gestão fiscal contínua com motor de recomendação tributária.
superfície
API · CLI · web
motor
modelos por CNAE
entrada
CNPJ · NF-e · CT-e
saída
recomendação · ranking
Ferramentas construídas
Quatro peças de saída.
Tudo que entra no grafo precisa sair em formato consumível. Estas são as ferramentas que a IconsAI escreveu — sobre si mesma — para narrar e visualizar o resultado.
01 · TTStool
Text-to-Speech
Síntese de voz neural pt-BR sobre os relatórios — narração de auditoria, leitura de pareceres, podcast fiscal automático.
encoder neural · 16 kHz · play interativo
02 · Mermaidtool
Diagramas Mermaid
Renderização nativa de diagramas para fluxos fiscais, sequências de cálculo e modelos de dados — gerados a partir do raciocínio da IA.
flowchart · sequence · ER · ciclo automático
03 · Morph SVGtool
Animações SVG
Morfismos vetoriais entre formas — círculo, grafo, rede neural, mapa — para narrar a transformação dos dados em diagrama explicável.
circle → graph → neural → map · loop
04 · Educacionaltool
Modelos Educacionais
Trilhas de aula sobre cada modelo da stack — equação a equação, no ritmo de quem está aprendendo. Calibrado para concursos e graduação.
12 trilhas · vídeo + interativo + quiz
learn.iconsai.ai/iconsai