Algoritme / Artigo
Large Data Models.
Resumo. Large Data Models, ou LDMs, são modelos de IA treinados nos dados da própria empresa, e não em textos da internet. Aprendem com a sequência de eventos do negócio e respondem a várias perguntas a partir de uma só fundação. O termo ganhou força em outubro, quando o Itaú anunciou a compra da NeoSpace por R$ 2,925 bilhões.
Veredito
Real, se você tem histórico de eventos. Se o seu problema é texto, atendimento ou documentos, comece por outro caminho.
O que é um Large Data Model
Definição 1. Um Large Data Model é um modelo fundacional treinado sobre os dados de uma empresa, principalmente tabelas e sequências de eventos, para aprender o comportamento de cada cliente, conta ou produto e responder a perguntas de negócio a partir dessa mesma base.
Exemplo 1. Um LLM lê a frase “o cliente pagou com atraso” e entende o que ela quer dizer. Um LDM viu os pagamentos desse cliente, mês a mês, e os de milhões de outros, e estima a chance de ele atrasar de novo.
O nome foi popularizado pela NeoSpace.[2] Em outros materiais, a mesma família aparece como modelos fundacionais tabulares[3] e transformers para dados tabulares.[4] O comunicado do Itaú nem usa o termo: fala em “foundational models trained on large-scale datasets”.[1]
Por que todo mundo começou a falar de LDM
Em 26 de outubro de 2026, o Itaú comunicou a compra de 100% da NeoSpace por R$ 2,925 bilhões, com uma parcela no fechamento e o restante em até cinco anos. O negócio depende de aprovação do CADE e do Banco Central.[1]
O mesmo comunicado diz que a NeoSpace prestava serviços ao banco havia quase dois anos, desenvolvendo modelos treinados nos dados proprietários dele, com resultados em crédito, CRM e prevenção a fraude.[1]
A nossa leitura: o valor não está só no algoritmo. Está em modelos que conhecem dados que ninguém mais tem. Um LLM qualquer empresa pode contratar. O que aprendeu com a sua operação, não.
LDM, LLM, RAG ou ontologia?
São quatro formas diferentes de ensinar a sua empresa a uma IA, e elas não competem.[7]
| Critério | LDM | LLM | RAG | Ontologia |
|---|---|---|---|---|
| Aprende com | Sequências de eventos da empresa | Texto da internet | Não treina: busca nos seus documentos | Não treina: descreve significado e regras |
| Bom para | Prever e priorizar: churn, fraude, demanda | Conversar, resumir, redigir | Políticas, contratos, manuais | Consultar e agir com precisão |
| Fraco em | Explicar em linguagem natural | Números da sua operação | Padrões em milhões de transações | Prever comportamento |
| Pergunta típica | Quem vai cancelar em 30 dias? | Como responder este cliente? | O que diz a nossa política de troca? | Qual foi a margem deste cliente? |
Em uma operação completa, eles trabalham juntos. O LDM diz que este cliente tem alta chance de cancelar. A ontologia diz quem é ele e o que pode ser oferecido. O LLM escreve a mensagem. O agente envia e registra.
Como funciona um LDM
Entrada: os eventos que os seus sistemas já registram
Saída: probabilidades calibradas, uma por pergunta de negócio
- reúne os eventos de cada entidade, na ordem em que aconteceram
- transforma cada campo em tokens, como palavras em um texto
- pré-treina sem rótulos: esconde partes da sequência e aprende a prevê-las
- para cada pergunta de negócio faça
- adiciona uma especialização sobre a mesma fundação
- compara com o modelo de referência
- fim para
- calibra as probabilidades e entrega aos sistemas que decidem
- monitora a qualidade de cada pergunta em produção
A técnica é pública. Em 2020, pesquisadores da IBM propuseram transformers para sequências de dados tabulares, com arquiteturas para pré-treinar representações e gerar dados sintéticos, e abriram o código.[4][5] O que muda de um projeto para outro é a engenharia, a escala e, principalmente, os dados.
O que os números dizem
A NeoSpace publica 0,99 de AUPRC no benchmark de fraude IBM TabFormer, com cerca de 8 milhões de parâmetros, contra 29 e 100 milhões dos modelos que supera, e treino de 1h20 em quatro NVIDIA GB200.[2] Há duas leituras:
- O modelo é pequeno; o hardware, não. Oito milhões de parâmetros é pouco para os padrões de hoje. Quatro GB200 é muito.
- É um benchmark sintético. São 24 milhões de transações geradas e públicas.[5] Serve para comparar modelos, não para prever o resultado na sua operação.
E há um contrapeso importante. Em dados tabulares de tamanho médio, por volta de 10 mil amostras, modelos de árvore continuavam no estado da arte, segundo um estudo de 2022.[6] Trabalhos de 2025 mostram um quadro mais disputado: as árvores seguem fortes, o deep learning alcança com mais tempo e ensembles, e modelos fundacionais vão melhor em conjuntos pequenos.[8] Por isso, todo projeto sério começa com um modelo de referência. Se o deep learning não ganha dele nos seus dados, não há motivo para usá-lo.
LDM para quem não é o Itaú
Não existe uma regra pública de volume mínimo. A resposta vem de um teste: treinar o modelo de referência e o modelo de sequência nos seus dados, e comparar.
Faz sentido quando:
- Você tem histórico de eventos por cliente, conta ou produto.
- Faz várias perguntas sobre as mesmas entidades: quem cancela, quem compra, quem atrasa.
- A ordem dos eventos importa, e os agregados da planilha jogam esse sinal fora.
- Existe um sistema pronto para agir sobre a previsão.
Não faz sentido quando:
- Os dados são poucos. Comece com um modelo de árvore.
- O problema é texto ou documento. Comece com RAG e ontologia.
- Ninguém vai agir sobre a previsão. Um modelo melhor não muda nada.
Como treinamos modelos nos seus dados
Somos especialistas em machine learning e deep learning. Treinamos do modelo de referência ao modelo fundacional, nos dados da sua empresa e em ambiente controlado, e colocamos o resultado para trabalhar dentro dos seus sistemas e dos seus funcionários de IA.
O modelo pode ficar com você. É para isso que serve treinar nos seus dados.
Perguntas frequentes
LDM substitui o ChatGPT e outros LLMs?
Não. Um LLM trabalha com linguagem; um LDM, com o comportamento registrado nos seus dados. Em uma operação completa, os dois trabalham juntos.
Quantos dados preciso para treinar um LDM?
Não há número mágico. Em dados pequenos, um modelo de árvore é um bom ponto de partida. O caminho é treinar um modelo de referência e um de sequência nos seus dados e comparar.
Precisa de GPU?
Para treinar um modelo de sequência, em geral sim. Modelos de árvore, não. A infraestrutura depende do volume e pode ser contratada só durante o treino.
Qual a diferença para o machine learning tradicional?
No tradicional, costuma haver um modelo e um pipeline para cada pergunta, com variáveis agregadas à mão. Um LDM lê a sequência de eventos e reaproveita a mesma fundação para várias perguntas.
Os meus dados saem da empresa?
Definimos isso com você antes de começar. O treino pode acontecer no seu ambiente ou em um ambiente isolado, com acesso mínimo e registro, de acordo com a LGPD.
Referências
- Itaú Unibanco. Material Fact, 26 out. 2026.
- NeoSpace. Site oficial, páginas da plataforma e de serviços financeiros. Números declarados pela empresa.
- NVIDIA. Estudo de caso da NeoSpace.
- Padhi et al. Tabular Transformers for Modeling Multivariate Time Series. ICASSP 2021.
- IBM. TabFormer. Código e dados.
- Grinsztajn, Oyallon e Varoquaux. Why do tree-based models still outperform deep learning on tabular data?, 2022.
- Christian Souza, Baguete. A ascensão dos LDMs como o cérebro estatístico das empresas, 9 abr. 2026.
- Erickson et al. TabArena: A Living Benchmark for Machine Learning on Tabular Data, NeurIPS 2025.
Escrito pela equipe da Algoritme. Atualizado em .
Sua empresa tem histórico de dados?
O Itaú anunciou R$ 2,925 bilhões pela empresa que treinava modelos com os dados dele. Os dados da sua empresa também só ela tem.
Avaliar meus dadosAbre o WhatsApp. Se preferir, escreva para contato@algoritme.co