Initial honest org card

README.md

@@ -0,0 +1,96 @@
+---
+title: Licinexus
+colorFrom: blue
+colorTo: green
+sdk: static
+pinned: true
+license: cc-by-nc-4.0
+---
+
+# Licinexus AI
+
+Família de modelos proprietários de inteligência artificial verticalizada em **licitação pública brasileira**.
+
+[licinexus.com.br](https://licinexus.com.br)
+
+## O que é
+
+A Licinexus é uma plataforma B2B que ajuda fornecedores brasileiros a vencer mais licitações públicas. A camada de IA é o que diferencia o produto: modelos próprios, fine-tunados em dados públicos brasileiros que nenhum lab generalista tem acesso na profundidade certa.
+
+Esta organização Hugging Face hospeda os artefatos de modelo dos sistemas que rodam em produção no licinexus.com.br. Todos os repos são privados, com acesso liberado caso a caso.
+
+## Por que modelos próprios
+
+Modelos generalistas treinados em texto aberto da internet não capturam a especificidade da licitação pública brasileira: a Lei 14.133/2021, o vocabulário CATMAT/CATSER, a estrutura do PNCP, a jurisprudência do TCU e dos TCEs. Por isso especializamos open-source de licença livre com corpus próprio que o produto Licinexus tem acesso direto a coletar.
+
+A premissa: pequenas e médias empresas são 97% das empresas brasileiras (fonte: Sebrae), mas competem em desvantagem técnica nas licitações públicas. A empresa grande tem time jurídico, BI e analista de preço dedicado. A PME tem o dono lendo edital de 80 páginas às 23h. A camada de IA da Licinexus equaliza isso com modelos especializados em dados públicos consolidados.
+
+## Família de modelos
+
+### Em produção
+
+| Modelo | Função | Repo HF |
+|---|---|---|
+| **Catálogo** | Bi-encoder fine-tunado pra classificação CATMAT/CATSER de itens de licitação. | [`licinexus/catalogo`](https://huggingface.co/licinexus/catalogo) |
+| **Previsor** | Pipeline de regressão quantílica calibrada pra preço-ganhador, retorna intervalo (p10, p50, p90). | [`licinexus/previsor`](https://huggingface.co/licinexus/previsor) |
+| **CNAE Matcher v1** | Embedding semântico pra aderência CNAE da empresa com objeto de licitação. Resolve a inversão verbo-papel ("aquisição" vs "comércio atacadista") que matchers lexicais erram. | [`licinexus/cnae-matcher-v1`](https://huggingface.co/licinexus/cnae-matcher-v1) |
+| **Leitor** | Extração estruturada de campos de processo PNCP (modalidade, critério, prazo, valor estimado). | Não publicado aqui ainda. |
+
+### Em treino
+
+| Modelo | Função | Status |
+|---|---|---|
+| **Auditor** | LLM proprietário pra análise de risco em edital, com retrieval de jurisprudência TCU. | Fine-tuning em curso. |
+| **Reader Full** | Análise completa de edital PDF (objeto, lotes, itens, exigências de habilitação, prazos, atestados). | Dataset em expansão. |
+
+## Honestidade
+
+Política da casa pra cards desta organização:
+
+- **Métricas reais.** Quando uma métrica não foi medida em test holdout reproduzível, o card diz `a medir`. Sem baseline chutado.
+- **Versão clara.** Versões em treino ficam separadas de versões em produção, sem mistura.
+- **Limitações explícitas.** Cada card lista o que o modelo não faz bem ainda e o que o roadmap planeja arrumar.
+- **Dado verificável.** Todo número agregado de dataset que aparece nos cards é extraído via query no banco em prod, com data da medição.
+
+## Dado de treino
+
+Todos os modelos são fine-tunados em **dados públicos brasileiros** de domínio público: PNCP (Portal Nacional de Contratações Públicas), base CNAE da Receita Federal, jurisprudência de tribunais de contas, e fontes oficiais correlatas. Pipeline próprio Licinexus consolida, normaliza e cruza essas bases continuamente.
+
+Volumes consolidados na ordem de milhões de processos, milhões de contratos, centenas de milhares de atas de registro de preço, dezenas de milhões de CNPJs indexados, e dezenas de milhares de decisões jurisprudenciais. Atualização contínua via crons dedicados em produção.
+
+Nenhum modelo é treinado em dados pessoais de usuários da plataforma Licinexus. Dados privados do produto são usados apenas pra personalização em tempo de inferência, nunca pra treino.
+
+## Onde está o moat
+
+Não está no algoritmo. Bi-encoders e regressão quantílica são commodity bem entendida. O moat é o **dado**: anos de coleta, dedup cross-source, normalização e curadoria. Replicar isso leva muito tempo, não pela técnica, pelo grind de pipeline.
+
+## Filosofia de release
+
+Cadência release-com-delay para balancear contribuição à comunidade com diferencial competitivo. Modelos com componente comercial sensível permanecem privados. Modelos de utilidade geral podem ser publicados com licença restritiva (CC-BY-NC-4.0), uso comercial requer licença Licinexus.
+
+## Feedback loop
+
+A partir do lançamento, cada interação real do fornecedor na plataforma vira sinal de retreino:
+
+1. Usuário consulta um modelo, predição persistida.
+2. Usuário avalia.
+3. Cron cruza predição com homologação real do PNCP.
+4. Dataset gold alimenta retreino mensal.
+
+A v1 publicada foi treinada apenas em dados públicos. O feedback loop entra no pipeline a partir da v1.1.
+
+## Licença e uso
+
+- Conteúdo público dos cards: CC-BY-NC-4.0
+- Pesos dos modelos: privados, requerem licença comercial Licinexus
+- Contato: `info@licinexus.com.br`
+
+## Aviso
+
+Esta organização não tem afiliação com órgãos do governo federal brasileiro. Dados utilizados são todos de domínio público, conforme disposto na Lei de Acesso à Informação (Lei 12.527/2011) e nos portais oficiais de transparência da administração pública.
+
+## Contato
+
+- Site: [licinexus.com.br](https://licinexus.com.br)
+- Comercial: `info@licinexus.com.br`
+- Pesquisa e parcerias: `info@licinexus.com.br`