Concentric AI Apresenta Modelo de Visão para Identificar Documentos Sensíveis

A Concentric AI apresentou um modelo de visão para reconhecer documentos sensíveis por assinaturas visuais, segundo uma nova publicação no google news. A iniciativa adiciona um sinal diferente à classificação de dados empresariais, que tradicionalmente se concentra em palavras, padrões, rótulos e contexto ao redor.

O anúncio parece simples, mas cria um teste difícil para ferramentas de segurança estabelecidas. Um documento pode revelar sua finalidade por meio de layout, marca, tabelas, carimbos ou estrutura de formulário, mesmo quando a extração de texto falha. O reconhecimento visual oferece às equipes de segurança outra forma de identificar o que possuem antes de decidir como protegê-lo.

A Concentric AI já comercializa a Semantic Intelligence como uma alternativa sensível ao contexto a regras e expressões regulares. Sua mais recente alegação estende esse argumento do que um documento diz para aquilo que ele aparenta ser. Essa distinção pressiona a classificação centrada em texto, incluindo muitos fluxos de trabalho estabelecidos de prevenção contra perda de dados.

No entanto, as evidências públicas continuam limitadas. A Concentric AI não publicou um benchmark independente, um model card detalhado ou uma análise de erros para a capacidade recentemente relatada. Portanto, a questão importante não é se a visão computacional consegue reconhecer layouts de documentos. É se a Concentric consegue fazer isso de forma confiável em repositórios empresariais desorganizados, sem criar outra fonte de alertas falsos.

O que o anúncio da Concentric AI no Google News muda

A Concentric AI está adicionando a aparência visual às evidências usadas para identificar documentos empresariais sensíveis.

A publicação no google news identifica o novo sistema como um modelo de visão projetado em torno de assinaturas visuais. Essas assinaturas podem incluir características estruturais recorrentes que distinguem uma categoria de documento de outra.

Um formulário fiscal, pedido médico, desenho de engenharia ou demonstração financeira frequentemente possui uma organização visual reconhecível. Cabeçalhos ocupam posições familiares, tabelas seguem padrões repetidos, e logotipos ou marcas de aprovação fornecem contexto adicional. Essas características podem permanecer mesmo quando os nomes de arquivo não têm significado ou o texto pesquisável está incompleto.

Isso importa porque repositórios empresariais raramente contêm apenas documentos Office limpos e atuais. Eles também armazenam contratos digitalizados, PDFs baseados em imagem, capturas de tela, exportações, fotocópias e décadas de registros inconsistentes. O reconhecimento óptico de caracteres pode extrair texto de alguns desses arquivos, mas a qualidade da extração varia conforme a resolução da imagem, a caligrafia, a compressão e o design da página.

A prevenção tradicional contra perda de dados, ou DLP, geralmente busca padrões definidos que indiquem conteúdo sensível. Um sistema pode detectar um número de Seguro Social, uma sequência de cartão de pagamento ou uma palavra-chave selecionada. Essa abordagem continua útil para identificadores previsíveis, mas oferece menos ajuda com documentos proprietários que não têm um padrão estabelecido.

Um roadmap de produto pode ser altamente sensível sem conter dados pessoais regulamentados. O mesmo se aplica a um plano de aquisição, estratégia de preços, diagrama de código-fonte ou contrato não assinado. Identificar esses arquivos exige uma compreensão mais ampla do tipo de documento e de seu significado empresarial.

A Concentric AI tem abordado esse problema por meio da categorização semântica. Sua plataforma afirma agrupar registros de acordo com o significado e atribuir categorias sem exigir que os clientes criem extensas bibliotecas de expressões regulares. As assinaturas visuais parecem expandir esse sistema, em vez de substituí-lo.

A empresa não descreveu publicamente detalhes técnicos suficientes para determinar como o modelo de visão representa uma página. Ele pode analisar layout, elementos gráficos, relações espaciais ou embeddings de documentos aprendidos. Também pode combinar vários desses sinais.

Essa incerteza é importante. “Assinatura visual” é uma descrição acessível de produto, não uma especificação técnica completa. Compradores devem evitar presumir que o modelo funciona como reconhecimento facial para arquivos ou que corresponde documentos por meio de uma simples impressão digital de imagem.

A interpretação mais defensável é mais restrita. A Concentric AI afirma que pode usar características visuais recorrentes para ajudar a identificar tipos de documentos que controles orientados a texto poderiam ignorar. Até que documentação técnica seja divulgada, alegações além desse ponto permanecem não verificadas.

A mudança ainda tem importância prática. As equipes de segurança só podem governar documentos que conseguem identificar, e lacunas na classificação enfraquecem todas as políticas construídas sobre elas. Revisões de acesso, regras de retenção, aplicação de DLP e governança de IA dependem da qualidade dessa primeira decisão.

É por isso que o anúncio merece mais atenção do que uma atualização rotineira de recurso. A Concentric AI propõe que a aparência se torne um sinal de segurança de primeira classe, ao lado de conteúdo, metadados, propriedade e comportamento.

Por que a classificação baseada apenas em texto deixa um ponto cego

O problema central não é a falta de políticas de segurança. É o conhecimento pouco confiável sobre o que cada arquivo contém e representa.

A correspondência de padrões tem melhor desempenho quando dados sensíveis seguem formatos estáveis. Números de cartões de crédito e identificadores governamentais oferecem estruturas reconhecíveis. As equipes de segurança podem criar políticas em torno dessas estruturas e testar os alertas resultantes.

Informações sensíveis para os negócios são menos cooperativas. Um plano estratégico nem sempre se apresenta com um título padronizado. Um contrato pode usar linguagem incomum. Um formulário digitalizado pode conter informações valiosas sem expor texto legível por máquina.

A rotulagem manual não é uma alternativa universal confiável. Funcionários interpretam rótulos de forma diferente, pulam etapas opcionais e às vezes selecionam classificações que reduzem o atrito no fluxo de trabalho. Os rótulos também ficam desatualizados quando documentos são copiados, editados, exportados ou movidos entre sistemas.

Classificadores treináveis introduzem outra carga operacional. As equipes precisam de exemplos representativos, categorias claras, procedimentos de teste e manutenção contínua. As definições de categoria podem mudar à medida que a organização adiciona produtos, entra em mercados ou altera obrigações de conformidade.

O reconhecimento visual aborda uma parte específica dessa lacuna. Ele pode inspecionar evidências que permanecem presentes quando a evidência textual é fraca. Uma fatura, relatório laboratorial, planta arquitetônica ou formulário de sinistro frequentemente preserva uma semelhança de família entre diferentes autores e sistemas de armazenamento.

Isso não torna o texto irrelevante. Um modelo visual pode reconhecer que uma página se parece com um contrato, enquanto a análise linguística determina se ele trata de emprego, compras ou uma aquisição. Os metadados podem então mostrar quem possui o arquivo e onde ele foi compartilhado.

O desenho mais robusto combinaria esses sinais. A aparência visual estabelece uma hipótese sobre o documento. A análise semântica testa o conteúdo, enquanto metadados e padrões de acesso estabelecem o risco operacional. Nenhum sinal isolado precisa sustentar toda a decisão de classificação.

A plataforma existente da Concentric AI oferece um contexto útil para essa direção. A empresa afirma que seu sistema Semantic Intelligence processa conteúdos de documentos e agrupa arquivos semanticamente semelhantes. Seu FAQ sobre o modelo de IA publicado também afirma que o conteúdo original extraído é descartado após o processamento.

Segundo esse documento, a Concentric hospeda seus próprios modelos e não envia dados de clientes a provedores terceirizados de IA para processamento. A empresa afirma que os dados dos clientes não são usados para treinar os modelos de categorização. Essas são declarações da empresa, e não conclusões de uma auditoria técnica independente.

A arquitetura de privacidade importa porque a classificação exige acesso a material sensível. Um produto de segurança precisa inspecionar um documento antes de decidir que ele merece proteção. Isso cria uma exigência concentrada de confiança em torno do processamento do modelo, do tratamento temporário de dados, dos controles de acesso e dos registros.

Adicionar visão pode aumentar esse escrutínio. Imagens de páginas podem expor assinaturas, fotografias, informações de conta, detalhes médicos ou diagramas confidenciais em um único quadro. Os clientes precisarão de respostas precisas sobre renderização de imagens, retenção em memória, processamento regional, criptografia e registros de diagnóstico.

O modelo também precisa lidar com variação visual. Um formulário pode ser digitalizado em um ângulo, parcialmente ocultado, anotado à mão ou comprimido além de uma leitura fácil. As organizações frequentemente personalizam modelos padrão com logotipos locais, campos extras e tamanhos de página diferentes.

A variação adversarial cria outra preocupação. Um usuário tentando contornar controles pode recortar um documento, alterar suas cores, adicionar ruído visual ou inserir material sensível em um modelo não relacionado. Um classificador de segurança não pode presumir que todos os documentos foram produzidos de forma cooperativa.

Essas limitações não invalidam a abordagem visual. Elas mostram por que o reconhecimento visual deve complementar outras evidências, em vez de se tornar um guardião solitário. Um sistema combinado pode continuar útil mesmo quando um canal se torna pouco confiável.

Para compradores empresariais, a comparação relevante, portanto, não é visão versus texto. É classificação com múltiplos sinais versus um fluxo de trabalho que depende excessivamente de um único sinal imperfeito.

A verdadeira disputa é contexto contra regras

A Concentric AI está desafiando a classificação baseada primeiro em regras, não apenas adicionando um recurso de imagem a um scanner existente.

A empresa tem enquadrado essa disputa de forma consistente. Seus materiais de produto contrastam entendimento semântico com expressões regulares, palavras-chave e políticas mantidas manualmente. O modelo de visão recentemente relatado amplia essa posição ao tratar a estrutura do documento como contexto.

Isso coloca a Concentric diante tanto de práticas legadas de DLP quanto de fornecedores atuais de gerenciamento de postura de segurança de dados. Ferramentas de DSPM identificam dados sensíveis, mapeiam exposição e ajudam equipes de segurança a corrigir acessos arriscados. Seu valor depende fortemente de descoberta e classificação precisas.

O campo competitivo inclui Microsoft Purview, Varonis, Cyera, BigID, Sentra, Securiti e outras plataformas. A página atual de alternativas de DSPM da Gartner mostra como essa avaliação se tornou concorrida. Cobertura de produto, implantação, integração, suporte e qualidade de classificação influenciam as decisões de compra.

Sistemas baseados primeiro em regras mantêm vantagens reais. Seu comportamento pode ser mais fácil de explicar, especialmente quando uma política detecta um identificador conhecido. Auditores podem inspecionar o padrão, revisar uma sequência correspondente e entender por que um alerta apareceu.

Eles também podem ser precisos em domínios restritos. Se uma empresa precisa encontrar um número de conta bem definido, uma expressão testada pode ser mais barata e mais fácil de governar. Substituir todas as regras determinísticas por um modelo aprendido adicionaria complexidade sem benefício garantido.

Modelos contextuais visam os casos que essas regras não detectam. Eles prometem identificar propriedade intelectual, planos de negócios, contratos e outros materiais cuja sensibilidade emerge do significado. As assinaturas visuais ampliam o conjunto de categorias alcançáveis para arquivos com texto fraco ou indisponível.

Isso cria a principal tensão do artigo. O contexto oferece cobertura mais ampla, enquanto as regras proporcionam um raciocínio mais claro. As equipes de segurança precisam de ambos: amplitude e capacidade de justificativa, especialmente quando a remediação automatizada pode restringir o acesso ou interromper o trabalho.

A Concentric AI já descreveu anteriormente seu recurso de arquétipos como uma forma de identificar tipos específicos de documentos, incluindo contratos, formulários fiscais e solicitações de seguro. Seu anúncio de arquétipos afirmou que grandes modelos de linguagem ajudavam a categorizar informações em um nível mais detalhado.

O anúncio sobre visão se encaixa nesse histórico. Um arquétipo é mais fácil de identificar quando o sistema consegue examinar tanto o conteúdo semântico quanto a estrutura da página. Um comprovante de pagamento, por exemplo, tem texto relevante e uma disposição visual recorrente.

A Concentric também expandiu sua plataforma por meio de aquisições e integrações. Na Black Hat USA 2025, a empresa descreveu um sistema mais amplo que abrange dados em repouso, em trânsito e dentro de fluxos de trabalho de IA generativa. Uma entrevista à Fast Mode associou essa estratégia à frustração dos clientes com classificações incompletas e falsos positivos.

O modelo de visão oferece a essa plataforma mais um mecanismo de descoberta. Se suas classificações alimentarem a governança de acesso, DLP e a remediação automatizada, uma única detecção poderá influenciar vários controles posteriores. Isso aumenta o valor potencial de classificações corretas e o custo das incorretas.

É improvável que os concorrentes respondam apenas com visão. Eles podem combinar reconhecimento óptico de caracteres, inteligência documental, metadados de nuvem, rótulos de sensibilidade e análise comportamental. Grandes fornecedores de plataformas também se beneficiam do acesso já existente a suítes de produtividade e sistemas de armazenamento.

A Microsoft é um ponto de referência particularmente importante porque os rótulos do Purview podem circular entre aplicações Microsoft. A Concentric afirma que suas próprias classificações podem funcionar com os rótulos do Microsoft Information Protection. Isso torna a relação em parte competitiva e em parte complementar.

Um cliente pode usar a Concentric para descobrir e categorizar arquivos e, em seguida, aplicar rótulos utilizados pelos controles da Microsoft. Outro pode preferir a classificação nativa em uma plataforma já existente. A abordagem vencedora dependerá da precisão, da cobertura dos repositórios, do esforço operacional e da profundidade da integração.

Portanto, a Concentric precisa provar mais do que a novidade do modelo. Deve mostrar que a evidência visual melhora os resultados de segurança em fluxos de trabalho reais. Encontrar outra categoria de documento só importa quando o resultado leva a uma ação adequada e explicável.

O Que o Modelo de Visão Ainda Precisa Comprovar

Sem testes comparativos, o anúncio continua sendo uma direção técnica crível, e não uma vantagem de precisão verificada.

O primeiro item ausente é uma referência de desempenho. A Concentric AI não forneceu uma avaliação pública que mostre como o modelo de visão se compara à classificação baseada apenas em texto. Não há conjunto de testes divulgado, distribuição de categorias, pontuação de precisão, pontuação de recall ou taxa de falsos positivos para este lançamento.

A precisão mede com que frequência uma classificação positiva está correta. O recall mede quanto do material relevante um sistema encontra. Produtos de segurança precisam de ambos, porque alertas falsos em excesso desperdiçam o tempo dos analistas, enquanto arquivos não detectados preservam exposições ocultas.

Uma única pontuação agregada não seria suficiente. O desempenho pode variar muito entre tipos de documentos, idiomas, qualidade de digitalização e fontes de repositório. Um modelo que lida bem com formulários fiscais padronizados pode ter dificuldades com desenhos de engenharia ou relatórios internos personalizados.

O segundo item ausente é um estudo de ablação. Esse tipo de teste remove um sinal de entrada para medir sua contribuição. Os compradores precisam saber se a visão melhora as decisões além dos modelos semânticos, metadados e classificadores já existentes da Concentric.

O resultado mais informativo compararia várias configurações. Uma usaria apenas texto, outra apenas visão, e uma terceira combinaria ambos. Os testes também deveriam incluir documentos com reconhecimento óptico de caracteres danificado e arquivos visualmente semelhantes, mas não sensíveis.

A terceira questão é a explicabilidade. Um analista precisa de mais do que um rótulo de categoria ao revisar um alerta de alto impacto. A interface deve identificar se conteúdo, layout, metadados, propriedade ou evidência comportamental orientaram a decisão.

Explicações visuais exigem um projeto cuidadoso. Uma região destacada pode ajudar um analista a entender qual elemento da página influenciou a classificação. No entanto, mapas de atenção e exibições semelhantes nem sempre fornecem uma explicação fiel do raciocínio do modelo.

A quarta questão é a privacidade. Os materiais publicados pela Concentric descrevem como seu mecanismo semântico trata o conteúdo extraído, mas os compradores precisam de detalhes equivalentes sobre páginas renderizadas e representações de imagem. Eles devem perguntar se esses artefatos persistem em caches, telemetria ou pacotes de suporte.

A quinta questão é a resiliência. O modelo precisa funcionar com digitalizações rotacionadas, marcas-d'água, anotações manuscritas, páginas parciais, baixo contraste e registros em vários idiomas. Também deve reconhecer a incerteza, em vez de forçar cada arquivo a uma categoria aparentemente segura.

Um fluxo de trabalho maduro precisa de limites de revisão. Resultados de alta confiança podem acionar um rótulo automaticamente, enquanto casos ambíguos entram em uma fila de analistas. Ações que removem acesso devem exigir evidências mais fortes do que ações que apenas aumentam o monitoramento.

As equipes de segurança também devem examinar os ciclos de feedback. Se um analista corrigir uma classificação, o sistema precisará de uma forma controlada de aplicar esse conhecimento. O processo deve evitar que exemplos sensíveis de um cliente vazem para o modelo de outro cliente.

Atualizações de modelo também introduzem questões de governança. Um fornecedor pode melhorar a cobertura implantando um novo modelo, mas essa atualização pode alterar classificações anteriores. Os clientes precisam de visibilidade de versão, registros de mudanças, opções de reversão e testes antes que políticas automatizadas herdem o novo comportamento.

Essas expectativas estão alinhadas ao framework de risco de IA mais amplo publicado pelo National Institute of Standards and Technology. O framework enfatiza medição, monitoramento, documentação e gestão de riscos ao longo do ciclo de vida de um sistema de IA.

As alegações da Concentric AI devem ser avaliadas sob essa ótica operacional. Um modelo pode ser tecnicamente capaz e ainda assim permanecer inadequado para aplicação automática em um ambiente regulado. As decisões de implantação dependem dos controles em torno do modelo, e não apenas do próprio modelo.

Evidências independentes de clientes fortaleceriam o argumento. Relatos úteis descreveriam o número e os tipos de arquivos recém-descobertos, mudanças nos alertas falsos, carga de trabalho dos analistas e resultados de remediação. Casos anedóticos selecionados pelo fornecedor não podem substituir uma avaliação reproduzível.

A ausência desses detalhes não é incomum em um anúncio de produto. Ela apenas limita a conclusão que os leitores podem tirar hoje. O modelo de visão amplia a abordagem declarada da Concentric AI, mas as evidências públicas ainda não estabelecem superioridade em relação a produtos concorrentes.

Essa distinção importa porque o marketing de segurança frequentemente transforma capacidade e confiabilidade em uma única alegação. Um sistema pode detectar visualmente um documento sob condições controladas sem manter desempenho confiável em milhões de arquivos empresariais variados.

A posição responsável é, portanto, condicional. Assinaturas visuais oferecem um sinal adicional sensato, especialmente para digitalizações e registros baseados em imagem. O argumento comercial só se torna convincente quando a Concentric demonstra ganhos mensuráveis em condições representativas.

Três Sinais Determinarão se Assinaturas Visuais Importam

A próxima fase deve ser avaliada por evidências divulgadas, adoção por clientes e resposta competitiva, e não pela linguagem do anúncio.

O primeiro sinal é a documentação técnica. A Concentric AI deve explicar os tipos de arquivos compatíveis com o modelo, a arquitetura de implantação, o tratamento de confiança e a relação com o Semantic Intelligence. Um cartão de modelo ou um briefing detalhado de segurança permitiria que os clientes avaliassem o risco antes de realizar uma prova de valor.

A divulgação de benchmarks seria ainda mais útil. A empresa não precisa expor pesos proprietários do modelo nem dados confidenciais de treinamento. Ela pode publicar resultados por categoria, condições de teste, margens de erro e comparações com seu pipeline anterior de classificação.

Esses resultados devem incluir entradas difíceis. Digitalizações rotacionadas, fotocópias ruidosas, capturas de tela incorporadas, modelos alterados e documentos multilíngues representam condições normais de empresas. Uma demonstração limpa baseada em formulários padronizados revelaria pouco sobre a confiabilidade em produção.

Evidências de que a visão aumenta materialmente o recall sem reduzir drasticamente a precisão fortaleceriam o argumento da Concentric. Relatórios fracos ou altamente seletivos manteriam a atual lacuna de verificação.

O segundo sinal é a implantação pelos clientes. As organizações devem relatar se o sistema encontra documentos antes invisíveis e se os analistas aceitam suas recomendações. A adoção em setores regulados seria especialmente informativa, pois esses ambientes impõem exigências rigorosas de privacidade e auditoria.

As melhores evidências de clientes se concentrarão nos resultados do fluxo de trabalho. Devem mostrar se as equipes de segurança reduziram a rotulagem manual, descobriram registros compartilhados em excesso ou melhoraram a cobertura de políticas. Alegações sobre documentos digitalizados importam menos sem evidências de que os riscos foram corretamente identificados e resolvidos.

Os compradores também devem observar como os clientes configuram a automação. Se a maioria das implantações mantiver classificações visuais apenas no modo de revisão, isso sugerirá que a capacidade permanece consultiva. Um uso mais amplo para rotulagem ou remediação indicaria maior confiança operacional.

O terceiro sinal é a resposta dos concorrentes. Fornecedores estabelecidos podem adicionar análise visual, aprofundar o reconhecimento óptico de caracteres ou enfatizar a explicabilidade de controles determinísticos. Eles também podem argumentar que o contexto do repositório e os rótulos nativos oferecem segurança melhor do que a aparência da página.

Uma resposta rápida da Microsoft, Varonis, Cyera ou BigID validaria a importância da classificação multimodal. O silêncio não refutaria a abordagem, mas poderia mostrar que os clientes veem a visão como um recurso de apoio, e não como uma categoria de compra.

O comportamento das integrações também será importante. A classificação visual se torna mais útil quando seus resultados fluem para governança de acesso, DLP, investigação e controles de segurança de IA. Uma detecção isolada em um único painel tem alcance operacional limitado.

É também aqui que a estratégia mais ampla da Concentric AI enfrenta um teste prático. A empresa afirma que consegue proteger informações em repositórios e aplicações de IA generativa. O reconhecimento visual de documentos deve se conectar a esses controles sem criar rótulos inconsistentes ou alertas duplicados.

Para trabalhadores do conhecimento, o efeito imediato deve ser modesto. É improvável que os funcionários interajam diretamente com o modelo, a menos que ele bloqueie o compartilhamento, altere o acesso ou aplique um rótulo. Uma boa implementação deve tornar a proteção mais precisa sem adicionar outra tarefa manual de classificação.

As equipes de IA empresarial têm um motivo mais forte para prestar atenção. Sistemas de recuperação e assistentes de trabalho podem expor conteúdo que os usuários não sabiam ser sensível. Uma descoberta melhor antes da indexação pode reduzir a chance de um assistente recuperar um documento compartilhado de forma inadequada.

Os líderes de segurança devem começar com uma avaliação controlada. Eles podem reunir documentos representativos, incluir digitalizações difíceis e itens semelhantes inofensivos e, em seguida, comparar os resultados com os controles existentes. Os testes devem medir arquivos não detectados, alertas falsos, tempo de revisão e efeitos posteriores nas políticas.

Eles também devem separar a descoberta da aplicação de políticas durante os testes iniciais. Um novo classificador pode observar e recomendar antes de alterar permissões. Isso dá aos analistas tempo para estudar erros e selecionar limites adequados para cada categoria de documento.

As equipes de compras devem solicitar respostas por escrito sobre o tratamento de dados. As perguntas devem abranger retenção de imagens, hospedagem de modelos, acesso do suporte, criptografia, processamento geográfico, práticas de atualização e isolamento de clientes. Essas respostas devem se tornar compromissos contratuais quando o risco justificar esse tratamento.

A palavra-chave primária incomum nesta reportagem também merece perspectiva. Google news é o canal de descoberta que leva o relatório, não a tecnologia introduzida pela Concentric AI. O tema duradouro é a classificação multimodal de dados e seu desafio à segurança centrada em texto.

Esse desafio é crível porque os arquivos corporativos se comunicam por mais do que palavras. Layout, imagens, estrutura, propriedade e comportamento contribuem com evidências sobre a sensibilidade. Os sistemas de segurança ganham contexto útil quando combinam esses canais com cuidado.

Ainda assim, contexto adicional não elimina erros. Ele altera a superfície de erros e cria novas questões sobre privacidade, explicabilidade e governança de modelos. A Concentric AI agora precisa demonstrar que seu modelo de visão lida melhor com essas questões do que os controles que busca complementar.

Acompanhe a próxima atualização da documentação, a primeira avaliação detalhada de clientes e a primeira resposta significativa de concorrentes. Juntos, esses sinais mostrarão se as assinaturas visuais se tornarão uma entrada padrão de DSPM ou permanecerão como um recurso especializado de classificação.

Por enquanto, as equipes de segurança devem tratar o anúncio como um motivo para testar, não para presumir. Pergunte se suas ferramentas atuais conseguem identificar registros sensíveis baseados em imagens e, em seguida, meça a resposta em relação a dados representativos. Essa comparação prática dirá mais do que qualquer manchete do google news sobre se a classificação visual pertence à sua arquitetura de segurança.