DINQ: mecanismo com agentes de IA para descobrir e analisar talentos em IA

Contratar em inteligência artificial é difícil porque o talento está espalhado. Quem realmente treinou modelos grandes, montou fluxos multimodais ou otimizou inferência deixa rastro em preprints, repositórios e palestras de conferência, não em um portal de vagas. O DINQ ataca o problema com agentes de IA: primeiro localiza candidatos em fontes públicas, depois explica de forma estruturada no que cada um se destaca.

O DINQ é um mecanismo de talentos focado em IA. Seus agentes identificam pesquisadores e desenvolvedores em fontes públicas e ajudam empresas e institutos de pesquisa a montar listas de pessoas que atendem a uma necessidade técnica específica. Não é mais um banco de currículos: converte rastros técnicos públicos em sinais que um time consegue julgar.

A camada de dados consolida várias fontes públicas de referência, entre elas Google Scholar e GitHub. Produção acadêmica, atividade em código e preferências de stack ficam em uma única ficha, usada para avaliar ao mesmo tempo histórico de pesquisa, capacidade de engenharia e experiência prática.

Além da interface web, o DINQ oferece o modelo DINQ-as-a-Service (DaaS), que pode ser embutido no sistema de recrutamento já existente para que busca e perfilagem aconteçam dentro do fluxo que o time usa hoje.

O que o DINQ faz

Busca global de talentos

Os agentes localizam especialistas em fontes públicas. A pergunta não é quem se candidatou, mas quem trabalha de fato no problema, o que importa quando é preciso montar um pool do zero.

Consolidação de múltiplas fontes

As fichas combinam sinais acadêmicos e de código para não confundir um histórico sólido de publicações com experiência em produção, nem um repositório ativo com pesquisa sistemática.

Busca semântica

Além de um nome ou da URL de um perfil acadêmico, é possível descrever o perfil desejado em linguagem natural, por exemplo um pesquisador de modelos multimodais com experiência de produto. A ordenação considera formação técnica, não apenas palavras-chave.

Filtros detalhados

Stack, anos de experiência, localização e expectativa salarial se combinam para reduzir um conjunto amplo a uma lista revisável pessoa por pessoa.

Análise profunda do candidato

Cada ficha se expande em uma análise multidimensional com profundidade ajustável, mostrando atributos-chave e potencial em vez de um currículo cronológico.

Perfis visuais

Radar de habilidades, linha do tempo de evolução e índice de influência resumem o formato da capacidade e a trajetória profissional.

Grafos de colaboração

A plataforma mapeia coautorias acadêmicas, conexões na indústria e caminhos de influência, útil para estimar o alcance real da rede de um candidato.

Tendências em tempo real

A análise agregada cobre direções técnicas em alta, mapas de fluxo de talentos e referências salariais por subárea.

Atualização por eventos

As fichas são acompanhadas continuamente, então um artigo ou repositório novo aparece em vez de a ficha congelar na data de cadastro.

Integração DaaS e demonstração

Empresas podem conectar o serviço ao seu sistema de recrutamento; uma demonstração permite validar o encaixe antes de assumir o compromisso.

Como usar

1. Criar a conta e definir como licenças e permissões são distribuídas no time.
2. Partir de uma necessidade concreta: colar a URL de um perfil acadêmico, digitar um nome ou descrever em linguagem natural o perfil procurado.
3. Restringir o resultado com filtros de stack, experiência, localização e expectativa salarial.
4. Abrir a visão de análise profunda de cada pré-selecionado e comparar o radar de habilidades com a linha do tempo.
5. Revisar o grafo de colaboração quando encaixe no time e alcance da rede forem relevantes.
6. Calibrar a remuneração com as referências salariais antes do primeiro contato.
7. No uso corporativo, solicitar uma demonstração e confirmar escopo de integração e limites de dados para o DaaS.

Para quem serve

• Responsáveis por recrutamento que montam um time de IA e precisam de candidatos fora do fluxo de currículos.
• Laboratórios e institutos que buscam colaboradores em uma direção técnica específica.
• Gestores técnicos que querem uma leitura do candidato antes da primeira conversa.
• Investidores e analistas que acompanham para onde o talento se move e quanto cada subárea paga.
• Pesquisadores e engenheiros que querem uma visão externa da própria posição.

Limites a considerar

• Não há preço, estrutura de planos ou nível gratuito divulgados; o orçamento precisa ser confirmado com o fornecedor.
• A cobertura depende de dados públicos; projetos internos, sistemas proprietários e comunidades que não escrevem em inglês aparecem de forma desigual, então as notas são sinais e não veredictos.
• Apenas algumas fontes são nomeadas, e a lista completa, a frequência de atualização e a profundidade histórica não estão documentadas.
• As fórmulas do índice de influência e do radar de habilidades não são publicadas, o que torna pouco confiável comparar notas entre áreas.
• Como há tratamento de dados pessoais, legalidade da origem, retenção e exclusão precisam ser verificadas conforme a legislação local de privacidade.
• A qualidade da busca semântica acompanha a qualidade da consulta; descrições vagas devolvem conjuntos vagos.

Perguntas frequentes

Qual a diferença em relação a um portal de vagas?

O portal mostra quem procura emprego. O DINQ mostra quem faz o trabalho a partir de pesquisa e código públicos, alcançando candidatos passivos.

Preciso de um nome para começar?

Não. É possível partir da URL de um perfil acadêmico ou de uma descrição em linguagem natural do perfil necessário.

A ficha decide uma contratação?

Deve apoiar a triagem, não substituí-la. Entrevista, histórico de colaboração e encaixe no time ficam fora do que sinais públicos mostram.

É preciso trocar o sistema de recrutamento?

Não. O modo DaaS conecta busca e perfilagem ao sistema que já está em uso.