76 lines
3.9 KiB
Markdown
76 lines
3.9 KiB
Markdown
# PRD - Product Requirements Document
|
|
## Agente de IA para Classificação de Transações Bancárias
|
|
|
|
### 1. Visão Geral
|
|
Este documento define os requisitos para o desenvolvimento de um Agente de Inteligência Artificial especializado na análise, categorização e classificação de transações bancárias. O objetivo é automatizar o processo de conciliação financeira, transformando dados brutos de extratos em informações organizadas e acionáveis.
|
|
|
|
### 2. Objetivos do Produto
|
|
- **Automação:** Reduzir em 90% o trabalho manual de classificação de lançamentos financeiros.
|
|
- **Precisão:** Alcançar uma taxa de assertividade superior a 95% na categorização automática.
|
|
- **Inteligência:** Identificar padrões de recorrência e anomalias (possíveis fraudes ou erros).
|
|
- **Escalabilidade:** Capaz de processar milhares de transações em segundos.
|
|
|
|
### 3. Escopo
|
|
#### 3.1 Incluso
|
|
- Leitura de extratos bancários em formatos padrão (OFX, CSV, Excel, PDF).
|
|
- Processamento de Linguagem Natural (NLP) para entender descrições de transações (ex: "IFOOD *BR" -> "Alimentação").
|
|
- Aprendizado contínuo com feedback do usuário.
|
|
- Geração de relatórios categorizados.
|
|
|
|
#### 3.2 Não Incluso (nesta fase)
|
|
- Integração direta via API bancária (Open Finance) - *Fase 2*.
|
|
- Execução de pagamentos ou transferências.
|
|
- Gestão de fluxo de caixa (Dashboard financeiro complexo).
|
|
|
|
### 4. Funcionalidades Principais
|
|
|
|
#### 4.1 Ingestão de Dados
|
|
O sistema deve aceitar arquivos de upload contendo extratos bancários.
|
|
- **Entrada:** Arquivos .csv, .xlsx, .ofx.
|
|
- **Processamento:** Normalização de datas, valores e descrições.
|
|
|
|
#### 4.2 Motor de Classificação (Core AI)
|
|
O agente deve analisar a descrição da transação e atribuir uma:
|
|
1. **Categoria Principal** (ex: Despesas Administrativas).
|
|
2. **Sub-categoria** (ex: Material de Escritório).
|
|
3. **Tags** opcionais (ex: #reembolsavel, #projeto-alpha).
|
|
|
|
Exemplos de mapeamento:
|
|
- `UBER DO BRASIL` -> Transporte
|
|
- `AWS EMEA` -> Infraestrutura / Cloud
|
|
- `PAGTO ELETRON COBRANCA` -> Tarifas Bancárias
|
|
|
|
#### 4.3 Detecção de Padrões e Anomalias
|
|
- **Vencimentos Recorrentes:** Identificar pagamentos que se repetem mensalmente.
|
|
- **Anomalias:** Alertar sobre valores muito acima da média para um determinado fornecedor.
|
|
|
|
#### 4.4 Interface de Correção (Human-in-the-loop)
|
|
O sistema deve apresentar as classificações com um "Score de Confiança".
|
|
- Baixa confiança (< 70%): Solicitar revisão manual.
|
|
- Alta confiança (> 90%): Aprovação automática (configurável).
|
|
|
|
### 5. Requisitos Não Funcionais
|
|
- **Privacidade:** Dados sensíveis devem ser anonimizados antes de serem processados por LLMs externos, se aplicável.
|
|
- **Performance:** Tempo de resposta < 2 segundos por transação em lote.
|
|
- **Portabilidade:** Deve rodar localmente ou em container Docker.
|
|
|
|
### 6. Stack Tecnológica Sugerida
|
|
- **Linguagem:** Python 3.10+
|
|
- **Framework de Agentes:** CrewAI, LangChain ou Phidata.
|
|
- **LLM:** OpenAI GPT-4o, Anthropic Claude 3.5 Sonnet (para raciocínio complexo) ou modelos locais (Llama 3, Mistral) para privacidade.
|
|
- **Base de Dados:** PostgreSQL ou SQLite para armazenamento estruturado; ChromaDB ou Qdrant para busca semântica (RAG) de históricos de classificação.
|
|
|
|
### 7. Fluxo de Execução (High-Level)
|
|
1. **Input:** Usuário envia `extrato.csv`.
|
|
2. **Parser:** Script converte para JSON padronizado.
|
|
3. **Agent:**
|
|
- Consulta base vetorial para ver se já classificou algo similar antes (Few-Shot Learning).
|
|
- Se não, usa LLM para inferir categoria baseada na descrição.
|
|
4. **Output:** JSON/CSV enriquecido com colunas `Categoria`, `Subcategoria` e `Confiança`.
|
|
5. **Feedback:** Usuário corrige/valida e o sistema salva o exemplo para futuro fine-tuning/RAG.
|
|
|
|
### 8. Próximos Passos
|
|
- [ ] Definir a taxonomia padrão de categorias (Plano de Contas).
|
|
- [ ] Criar dataset de validação (Golden Dataset).
|
|
- [ ] Implementar MVP com script Python simples e chamada de API LLM.
|