Pular para o conteúdo
Grand Thera
TheraOS Command Center: mapa-múndi de sinais com o sinal da rota de Roterdã selecionado

Além da ontologia.

A ontologia estrutura o que está disponível para a máquina. A epistemologia computacional estrutura como a máquina pode inferir a partir disso. Uma fonte da verdade governada é o começo da inferência, não sua justificativa.

Pesquisa ativa· Working paper v1.1

A lacuna inferencial

Governado não significa justificado.

A IA corporativa investiu muito em camadas semânticas que reconciliam objetos, relações, linhagem e permissões. Esse trabalho é necessário. Ele responde ao que existe e como está conectado.

Ele não consegue atestar se um padrão sobrevive a outra amostra, outra janela ou uma mudança de regime. Mais dados governados ainda podem gerar mais padrões espúrios, e um modelo ajustado não consegue atestar seu próprio status epistêmico. O que falta é um protocolo disciplinado de tentativa de refutação.

Do estado à inferência justificada

  • T · estado estruturado do domínio
  • ⇏
  • E · evidência persistente, qualificada, calibrada e relevante para a decisão

Arquitetura L0–L9

Uma pré-condição. Nove camadas inferenciais.

L0 torna possível a evidência governada. L1–L9 determinam o que a máquina pode concluir, como a incerteza sobrevive e quem permanece responsável. Selecione uma camada.

Carregando a figura: Uma pré-condição. Nove camadas inferenciais.

Convergência entre famílias

Concordância não é verdade.

Três motores podem repetir uma mesma falha compartilhada. O peso probatório depende de corroboração heterogênea e suficientemente independente, não de uma votação bruta.

Carregando a figura: Concordância não é verdade.

Probabilidade → impacto → artefato

Uma probabilidade ainda não é uma decisão.

Carregando a figura: Uma probabilidade ainda não é uma decisão.

Limites

Um framework para testar, não um resultado para acreditar.

O artigo é um framework conceitual. Ele especifica uma arquitetura e o programa empírico necessário para validá-la: se a persistência entre janelas melhora o desempenho fora da distribuição, quais conjuntos de perturbações melhor separam estrutura de artefatos, como dados compartilhados devem descontar a convergência e como a máquina completa se compara a alternativas mais simples em dados reservados.

A máquina pode propor uma revisão estrutural. Ela não pode promover essa revisão por conta própria. A aprovação do modelador continua obrigatória.

Metodologia científica

Working Paper v1.1 · Preprint · Framework conceitual

Publicado· set. 2026

Beyond Ontology

Epistemologia computacional como máquina de inferência em camadas

A Conceptual Framework for Separating Signal from Noise in Decision-Making

Fernando Negrini (autor principal) · Hugo Dias · Darlan Parucker Lueders · Caroline Assis

A coerência ontológica não determina como uma máquina deve inferir sob incerteza. O artigo apresenta uma epistemologia computacional aplicada: uma arquitetura de inferência aberta e em camadas construída sobre uma ontologia computacional. Sinais candidatos são interrogados por famílias heterogêneas de motores, submetidos a avaliações repetidas em amostras, janelas, frequências, especificações e regimes, qualificados, reconciliados por convergência sensível à dependência, calibrados em uma probabilidade do evento e mapeados para o impacto no negócio como um artefato auditável. Um modelador humano mantém a governança, e a complexidade adicional só é admitida quando gera ganhos estatística e economicamente relevantes sobre a linha de base adequada mais simples.

Ler o working paper (abre em uma nova aba)Edição interativa (abre em uma nova aba)
DOI (Zenodo)
10.5281/zenodo.22240288
Também publicado (SSRN)
10.2139/ssrn.7392618
Publicado em
2026-09-01
Licença
CC BY 4.0
Tipo de recurso
Preprint · aberto a revisão

O que o artigo afirma

  • A inferência é mais defensável quando a decisão é enquadrada antes da escolha dos modelos.
  • Sinais candidatos devem sobreviver a perturbações admissíveis antes de serem promovidos.
  • A síntese entre famílias deve descontar a dependência compartilhada e preservar o conflito.
  • A probabilidade só se torna relevante para a decisão quando ligada ao impacto e a uma trilha auditável.

Programa empírico aberto

  1. 01Testar se a persistência entre janelas melhora o desempenho fora da distribuição.
  2. 02Estimar quais conjuntos de perturbações melhor separam estrutura de artefatos de amostra.
  3. 03Medir como dados compartilhados e viés indutivo devem descontar a convergência.
  4. 04Comparar um modelo único, um ensemble homogêneo, um sistema centrado em ontologia e a máquina completa em dados reservados.

No Medium

Textos sobre epistemologia computacional.

Não a máquina mais elaborada. A menor capaz de defender sua inferência.

Ler o working paper (abre em uma nova aba)Abrir os experimentos