Como o Retina funciona
Você sobe uma peça, imagem ou filme, e o Retina devolve uma leitura em camadas. Ela descreve para onde o olho tende a ir, o clima e a energia que a peça passa, os temas que ela evoca na busca do Brasil e a resposta neural prevista por modelo. Esta página explica cada camada em linguagem simples, como ela chega ao número e até onde ele vai.
O que é
O Retina é um instrumento de leitura. Ele estima como a peça tende a ser percebida e dá ao time material para discutir o porquê. Funciona como um par de óculos que deixa à vista a concentração da atenção, a posição da marca, o tom emocional e o momento cultural dos temas da peça.
O uso é interno e educativo. A leitura combina modelos e bases de pesquisa com a IA de visão do Google, o Gemini. Cada número descreve uma camada da percepção, e a maior parte vem de modelos testados contra avaliações de pessoas reais. A venda continua sendo medida em campo.
Como ler os números
Quase tudo no Retina usa a mesma escala, de 0 a 100. Quanto mais alto, mais presente está aquela qualidade na peça, como atenção concentrada, clareza ou energia. A leitura é direcional e aponta para onde a percepção tende a ir.
O que a escala descreve
Alto e baixo são relativos à própria leitura. Com atenção 80, a peça tem um ponto que concentra bem o olhar, e com atenção 30 o olhar se espalha. No clima, 50 marca o ponto neutro entre agradável e desagradável.
Até onde a escala vai
A escala descreve percepção provável. Venda, lembrança garantida e porcentagem de pessoas pedem outras fontes, e um número baixo pode ser escolha criativa deliberada. O Retina informa, e a decisão é de quem cria.
Cada camada diz de onde vem
As métricas têm pesos de evidência diferentes, e cada uma traz uma etiqueta com a sua natureza. As mesmas sete etiquetas aparecem na leitura e no painel de metodologia do Retina.
- Modelo validado modelo validado Modelo comparado com avaliações de pessoas reais, com o acerto medido e publicado. Vale para o mapa de atenção do DeepGaze, para clima e energia do OASIS e para a memória do ResMem.
- Índice derivado de modelo validado índice derivado O modelo por baixo é validado, e o número é uma conta sobre a saída dele, com benchmark próprio pendente. Vale para o índice de concentração da atenção e para o índice de marca.
- Sinal direcional sinal direcional Método publicado com coeficiente ainda por aferir no Retina, ou modelo aplicado fora do domínio em que foi treinado. Vale para a clareza pelo Subband Entropy e para a emoção do EmoSet.
- Experimental experimental Método com validação parcial. Vale para a leitura neural como um todo, em que algumas regiões têm r de validação cruzada e outras entram como prévia, e para a resposta neural do filme pelo TRIBE.
- Heurística editorial heurística editorial Regra montada pela equipe a partir de referências de mercado, com teste contra resultado de campanha ainda por fazer. Vale para o encaixe por veículo.
- Contexto externo contexto externo Dado do mundo em volta da peça. Vale para o interesse de busca dos temas. Quando o Google Trends responde, a série é real e aparece com a linha de tendência. Quando o Trends fica indisponível, o Gemini estima a direção com a Busca do Google, a etiqueta diz estimativa e a linha de tendência fica de fora.
- Interpretação da IA interpretação da IA Texto escrito pelo Gemini a partir dos fatos e dos números da leitura. Ele passa pela trava semântica e editorial antes de aparecer na tela.
Duas situações trocam a etiqueta de um sinal. Antes de a leitura terminar, a tela mostra prévias calculadas no navegador, e a atenção e a memória seguem com essa prévia quando o modelo do servidor fica indisponível. Quando o modelo de afeto fica indisponível, clima e energia vêm do Gemini com a etiqueta estimativa da IA de visão. Ao ler um número, olhe a etiqueta ao lado dele.
Como o Retina lê uma peça, passo a passo
Quando você clica em Ler a peça, várias leituras rodam em paralelo. Os cartões seguem a ordem do processo e mostram de onde vem cada resultado.
Imagem em JPG ou PNG, vídeo em MP4, WebM ou MOV, ou e-mail em HTML. O objetivo da peça e o veículo são opcionais e entram como contexto da leitura.
O navegador calcula prévias de atenção, clareza e memória enquanto os modelos rodam no servidor. Cada etapa marca pronto quando o dado chega.
O Gemini lista os elementos que vê, transcreve o texto escrito na peça, extrai os temas e localiza a marca com uma caixa. No modo Marca, você move, redimensiona ou desenha a caixa de novo.
Uma chamada separada procura recursos de representação cujo sentido depende de contexto social ou histórico. Ela devolve categorias fechadas com evidência, sem nota.
O DeepGaze, no servidor, prevê o mapa do olhar humano. O mapa aparece sobre a peça e gera o índice de atenção.modelo validado índice derivado
O Retina soma a parte do mapa que cai dentro da caixa da marca e compara com o total da peça.índice derivado
O Subband Entropy mede a desordem visual, isto é, quanta coisa disputa o olhar. Menos desordem resulta em mais clareza.sinal direcional
Energia e clima vêm de um modelo ajustado às notas humanas do OASIS. A emoção dominante, entre oito, vem do EmoSet.modelo validado no afeto sinal direcional na emoção
O ResMem, modelo de memorabilidade, estima o quanto a imagem tende a ser lembrada.modelo validado
Um encoder ajustado a exames de fMRI de uma pessoa prevê quais regiões visuais respondem mais, como rostos, corpos, lugares e texto. A leitura descreve o modelo, e a resposta de quem assiste pede medida própria.experimental
Os temas que a IA extraiu são cruzados com o interesse de busca no Brasil, para ver se estão em alta, estáveis ou em queda.contexto externo
A frase central e os quatro sinais saem de regras fixas sobre os números. O ensaio do Gemini interpreta os números à luz do que aparece na peça e passa pela trava antes da tela.interpretação da IA
Você compara duas ou três versões e lê o que muda entre elas, e a escolha fica com o time. Os temas da peça também podem ser cruzados com o público sintético do Espelho™.
Comece pela frase central e pelos quatro sinais, e desça depois para o módulo Aprofundar.
As camadas, uma a uma
Atenção modelo validado no mapa índice derivado no número
A atenção descreve para onde o olho tende a ir quando encontra a peça. O mapa de saliência dá a cada ponto da imagem um peso, maior onde o olhar tende a cair. O mapa vem do DeepGaze IIE, que roda no servidor e prevê a fixação do olhar humano. Os autores reportam AUC perto de 0,88 no benchmark MIT300, numa configuração com viés de centro. O Retina roda o modelo com o viés de centro neutralizado, para que a atenção acompanhe a peça inteira, e por isso o 0,88 descreve a configuração dos autores. Enquanto a leitura roda, a tela mostra uma prévia do navegador, e o mapa do modelo ocupa o lugar dela quando chega.
- como mede
- O DeepGaze IIE lê a peça reduzida a 384 pixels de largura e devolve o mapa. O índice combina a parte do mapa que cabe nos 10% de pontos mais salientes com a dispersão do mapa, numa escala de 0 a 100.
- como ler
- Índice alto indica um foco claro, e índice baixo indica olhar disperso. Sobre a peça há quatro modos. Original mostra a peça limpa. Atenção mostra o mapa do DeepGaze na cor da plataforma, e tocar uma região mostra a parte do olhar estimado que cai nela. Marca mostra a caixa da marca, que você pode mover, redimensionar ou desenhar de novo. Leitura numera os elementos localizados pela IA de visão na ordem por concentração do olhar.
- ordem por concentração do olhar
- Para cada elemento que a IA de visão localizou, o Retina mede a densidade de fixação prevista dentro da caixa dele e ordena do mais denso para o menos denso. A lista descreve concentração, e a sequência no tempo pede rastreamento ocular. Ela aparece em imagem estática. Antes de ordenar, o Retina junta caixas repetidas e partes da mesma marca e agrupa os rótulos em categorias, guardando o rótulo original. A ordem fica limitada quando o ponto mais forte do mapa cai fora dos elementos localizados, e o modo Leitura sai de cena com menos de dois elementos.
- limite
- O mapa prevê para onde o olhar tende a ir, e o que a pessoa pensa da peça fica fora dele. O modelo foi validado em fotos naturais, e em peça com muito texto e grafismo o mapa vale como direção. O AUC publicado se refere ao mapa, e o número exibido é um índice de concentração com cálculo aberto.
Destaque da marca índice derivado de modelo validado
Esta camada mede quanto da atenção estimada cai sobre a marca. A IA de visão localiza a marca e desenha uma caixa sobre ela. O Retina soma a parte do mapa do DeepGaze que cai dentro da caixa e divide pelo total da peça.
- como mede
- Fração do mapa de saliência do DeepGaze contida na caixa da marca, de 0 a 100. A caixa vem da IA de visão, lida com temperatura zero para que a mesma peça receba a mesma caixa. Em seguida, o Retina ajusta a caixa aos pixels da marca quando ela se separa de um fundo uniforme, e guarda a caixa da IA ao lado da ajustada. No modo Marca você pode mover, redimensionar ou desenhar a caixa de novo, e a sua caixa passa a valer, com a leitura salva de novo.
- estado da caixa
- A caixa fica estável quando você a ajustou ou confirmou, ou quando o ajuste a encontrou nos pixels da marca. Nos outros casos ela fica incerta, e a leitura evita qualquer afirmação negativa sobre a marca até a caixa ser conferida. "A caixa está na marca" registra a sua confirmação em um toque. A comparação deixa a marca fora da diferença quando a caixa de uma das versões está incerta. Sem caixa, a leitura segue sem índice de marca.
- quem ajustou
- A caixa corrigida fica na leitura de quem corrigiu, com o nome e a data, ao lado da caixa original da IA. Quem abre essa leitura vê a correção com o nome da pessoa. Quem sobe a mesma peça começa da caixa da IA, e a correção da outra pessoa aparece como informação.
- como ler
- Índice alto indica a marca dentro da área que mais recebe olhar. Índice baixo indica a marca longe desse foco, e vale olhar junto com o mapa de atenção.
- limite
- O índice depende da posição da caixa. Num conjunto de 25 peças com caixa de referência, o erro mediano do índice ficou em 0,45 ponto e a variação entre leituras da mesma peça ficou em zero de mediana. O pior caso acontece quando a IA escolhe outro objeto como marca, como a embalagem no lugar da logo, e a caixa ajustável corrige. A referência das peças reais está pendente de revisão humana.
Clareza sinal direcional
A clareza descreve o quanto a peça é fácil de processar num relance. A camada mede a desordem visual, isto é, quanta informação compete pela atenção. Menos desordem resulta em mais clareza. O cálculo segue o Subband Entropy (Rosenholtz, Li e Nakano, 2007), métrica publicada de desordem visual, numa implementação simplificada que roda no servidor junto com o DeepGaze. O coeficiente de acerto desta implementação ainda está por aferir no Retina, e por isso a camada é direcional.
- como mede
- Entropia das sub-bandas de luminância e cor em três escalas, sobre a peça reduzida a 256 por 256 pixels, invertida para a escala de 0 a 100. Antes da leitura completa, a tela mostra uma prévia do navegador feita de bordas, cor e regiões.
- como ler
- Clareza alta indica leitura rápida, com poucos focos disputando o olhar. Clareza baixa indica uma peça densa, que pede mais esforço do olho.
- limite
- Uma peça densa pode ser escolha deliberada da criação, e a clareza descreve apenas a densidade. O número ordena peças entre si, e a escala tem calibração pendente.
Afeto modelo validado
O afeto descreve como a peça provavelmente faz sentir, em dois eixos. A energia, chamada de ativação na psicologia, descreve o quanto a peça é agitada ou calma. O clima, chamado de valência, descreve se o tom puxa para o agradável ou para o desagradável. Um modelo prevê os dois a partir da imagem, ajustado às notas de pessoas reais do OASIS (Kurdi, Lozano e Banaji, 2017), uma base de 900 imagens. A validação cruzada mede r de 0,80 no clima e 0,67 na energia.
Esse r mede a ordem entre peças, isto é, qual é mais agradável ou mais agitada que qual, e por isso serve bem para comparar. O valor absoluto tem R² baixo, entre 0,10 e 0,14, e o número funciona como posição relativa. A escala exibida é reexpandida a partir das peças já analisadas, com 50 como neutro, para ocupar a faixa inteira. Por isso o número é relativo ao acervo.
- como mede
- A imagem vira características visuais pelo CLIP, e uma regressão ajustada às notas humanas do OASIS converte essas características em energia e clima.
- como ler
- O número indica a direção do clima emocional, ancorada em avaliações de pessoas. No clima, 50 é neutro.
- limite
- A base é internacional. A direção é estável, e a calibração cultural para o Brasil é aproximada. Quando o modelo fica indisponível, clima e energia vêm do Gemini, com a etiqueta estimativa da IA de visão.
Emoção sinal direcional
O afeto dá dois eixos, e esta camada nomeia a emoção que a peça mais evoca entre oito. As positivas são diversão, deslumbre, contentamento e empolgação. As negativas são raiva, nojo, medo e tristeza. Um classificador foi treinado e testado num subconjunto de 12 mil imagens do EmoSet (Yang e colegas, 2023), base de 118 mil fotos comuns rotuladas por pessoas. No teste desse subconjunto, ele acerta a emoção exata em 80% dos casos. Peça publicitária, com texto, produto e design gráfico, fica fora do domínio em que o classificador foi treinado, e nela ele erra com frequência. Por isso a camada é direcional e o rótulo vale como pista.
- como mede
- A imagem vira características visuais pelo CLIP, e o classificador dá a probabilidade de cada uma das oito emoções. A tela mostra a emoção dominante.
- como ler
- Quando o rótulo destoa da peça, como um anúncio alegre lido como tristeza, o olho do time decide, porque o modelo está fora do domínio dele.
- limite
- O classificador foi treinado em fotos comuns, com oito emoções básicas e base internacional. A camada indica direção para a conversa criativa.
Cultura contexto externo
Esta camada lê o mundo em volta da peça. A IA de visão extrai os temas que a peça evoca, como festa, café da manhã ou tecnologia. O Retina cruza cada tema com o interesse de busca no Brasil nos últimos cinco anos para ver se ele está em alta, estável ou em queda.
- como mede
- Quando o Google Trends responde, a série é real, com linha de tendência e variação recente. Quando o Trends fica indisponível, o Gemini estima a direção de cada tema com a Busca do Google, a leitura leva a etiqueta estimativa e a linha de tendência fica de fora.
- como ler
- Um tema em alta mostra que a peça conversa com um interesse crescente, e um tema em queda pede atenção ao tom.
- limite
- A tendência de busca chega com atraso e descreve interesse. Ela serve de contexto para a conversa sobre a peça, e a intenção de compra pede outra fonte.
Neural experimental
Um modelo prevê, a partir da imagem, quais regiões do córtex visual a peça mais aciona. As regiões cobrem a visão inicial, de bordas e contraste, a V4, de cor e forma, e as áreas de objetos, rostos, lugares, corpos e texto. O modelo foi ajustado a exames de fMRI de 7 tesla de uma pessoa do Natural Scenes Dataset, com 20 sessões e 7.456 imagens, e o acerto de cada região é medido por validação cruzada.
Corpos, lugares e rostos têm os acertos mais altos, com r perto de 0,56, 0,45 e 0,44. Visão inicial, V4 e texto ficam entre 0,24 e 0,30. Objetos e impacto visual entram como prévia, sem ajuste a fMRI. O ajuste vem de uma pessoa de fora do Brasil, e a camada como um todo é experimental.
- como mede
- A peça vira um vetor de características visuais pelo CLIP, e uma regressão aprendida a partir do fMRI converte o vetor na resposta prevista de cada região.
- como ler
- Cada região se lê contra a própria referência. Ativação alta na área de rostos sugere que rostos ocupam boa parte do que a peça mostra. A comparação entre regiões diferentes pede cautela, porque cada uma tem escala própria.
- limite
- O modelo prevê a partir do cérebro de uma pessoa, de fora do Brasil. A leitura descreve o modelo, e a resposta de quem assiste pede medida própria.
Camadas de apoio
Encaixe por veículo heurística editorial
Cada mídia pede um perfil próprio. No outdoor, a exposição é curta e pede atenção, marca e clareza altas. Na TV, o tempo maior dá espaço a arco emocional e memória. O Retina compara o perfil da peça com os pesos de cada veículo e mostra um ranking de encaixe.
O encaixe é a média de atenção, marca, memória e clareza, ponderada por pesos de 0 a 5 em cada veículo. Energia e clima ficam fora da conta por serem bipolares. Formato incompatível bloqueia o veículo, e formato fora do ideal reduz o encaixe a 65%. Os pesos seguem referências de formato da IPA, da Thinkbox, do Google ABCD, da Meta, do TikTok e da OAAA, e podem ser ajustados na tela.
O encaixe serve como contexto para escolher o veículo. Encaixe baixo num veículo pode ser escolha criativa deliberada.
Boas práticas de e-mail, push e WhatsApp
Para e-mail em HTML, notificação ou WhatsApp, o Retina confere a peça contra boas práticas de veículo. As checagens estruturais saem do código, que lê o HTML sem renderizar. Elas cobrem tamanho do HTML, proporção entre texto e imagem, colunas, largura, chamada para ação, texto alternativo e descadastro. A leitura de comunicação, com mensagem no início, texto escaneável, benefício e chamada para ação, é feita pela IA. As regras vêm das boas práticas da Insider e da lista interna da Galeria.
A proporção 60/40 é estimada pelo conteúdo do HTML, e a área renderizada daria o número exato. Cada checagem cita a sua fonte.
Comparação e acervo
Toda leitura fica no acervo da equipe, por cliente. Dali você reabre uma leitura, lê a peça de novo ou escolhe duas ou três para comparar. A comparação mostra a frase e os sinais de cada versão e descreve o que muda de uma para outra, como "B leva mais atenção para a marca". Diferenças de até 4 pontos ficam fora da lista, e essa margem é a mesma para todos os sinais. O deslocamento do olhar entre as nove regiões da peça entra na lista a partir de 6 pontos percentuais. A escolha da versão fica com o time.
Público sintético (Espelho™)
O Retina conversa com o Espelho™, a plataforma de personas sintéticas da população brasileira. Ao abrir o módulo, os temas da peça viram a consulta, e a tela mostra as três personas que mais se reconhecem neles, com o motivo. Em Refinar a consulta, você descreve o território da peça com as suas palavras. A resposta indica direção de afinidade, e o tamanho de audiência pede outra fonte. Numa leitura sensível ao contexto, a consulta automática fica guardada e pode ser feita à mão.
Vídeo
Para filmes, há dois olhares. O Retina amostra entre 8 e 48 quadros, cerca de um por segundo, e calcula no navegador as curvas de atenção, clareza, energia e clima, com uma barra para percorrer o tempo. Essas curvas são prévias. Depois da leitura, o DeepGaze lê os mesmos quadros, um por segundo, e a curva de atenção passa a ser a dele. Em três filmes do acervo, essa curva ficou com correlação de 0,83 a 0,91 contra o DeepGaze a cada meio segundo e com o pico a até meio segundo, e a prévia do navegador ficou entre −0,26 e 0,58, com o pico até 10,6 segundos fora. O pico de atenção vira marcador quando passa os outros pontos do filme por mais de 4 pontos. Clima e energia do OASIS entram em até dez quadros-chave. O Gemini assiste ao filme inteiro, com movimento e áudio, lê o arco da história e marca no tempo os momentos de marca, chamada para ação, mudança de cena e momento-chave.
O tempo marcado pelo Gemini é aproximado e aparece como "~15s", com o marcador vazado. Depois que a leitura é salva, o Retina lê o filme em quadros de um segundo e em janelas de um quarto de segundo para achar a entrada da marca, a assinatura final e a chamada para ação, e compara os quadros para achar os cortes. O momento confirmado aparece com o tempo refinado e o marcador cheio. Em seis filmes do acervo, a entrada da marca ficou com erro mediano de zero segundo e a assinatura final com 0,4 segundo, e a chamada para ação ficou com 2,75 segundos, porque a chamada falada e o botão na tela costumam cair em instantes diferentes.
Filme acima de 15 MB segue para a IA como uma sequência de quadros, e nesse caso os momentos marcados no tempo ficam de fora. A leitura profunda roda o TRIBE, da Meta, numa versão destilada que prevê a resposta neural ao longo do filme. Ela roda sob pedido, com o tempo estimado no botão e cota diária. Cada rede é normalizada dentro do próprio filme, e a camada é experimental.
As leituras em texto
A leitura tem duas fontes de texto. A frase central, os quatro sinais, a síntese e as recomendações saem de regras fixas sobre os números, e o mesmo conjunto de números gera o mesmo texto. O ensaio da IA, com as seções O que prende, O que pede atenção, Oportunidades e Onde colocar, a leitura em seções e as respostas às perguntas saem do Gemini e levam a etiqueta interpretação da IA. No módulo A leitura em texto, um campo recebe perguntas sobre a peça e outro recebe o contexto do time para escrever o texto de novo. Os textos aparecem em streaming.
Fatos antes do texto
O Gemini escreve a partir de um bloco de fatos montado antes da prosa. O bloco reúne o que a IA de visão vê na peça, a transcrição literal do texto escrito nela, como título, oferta e chamada, e os sinais medidos pelos modelos. O contexto que o time escreve entra marcado como afirmação do time, e o texto atribui ao time qualquer citação dele.
Revisão de contexto
Uma chamada separada da IA de visão revisa a peça em busca de recursos de representação cujo sentido depende de contexto social ou histórico. A revisão trabalha com dez categorias fechadas e exige evidência visível ou escrita para cada apontamento. A saída traz categorias e evidências, sem nota e sem índice ético. A simples presença de mulheres, de grupos variados ou de pessoas confiantes fica abaixo desse critério.
As categorias são racismo, estereótipo discriminatório, sexismo, representação degradante, desumanização, objetificação, discurso de ódio, estereótipo colonial ou histórico, violência e sátira ou ironia que depende de contexto.
Trava de juízo normativo
Termos de valor social, como empoderamento, inclusão, representatividade, diversidade e autenticidade, aparecem no texto apenas atribuídos e com o trecho literal que os sustenta. A fonte pode ser o texto escrito na peça ou a descrição do time. Rótulos negativos, como racismo, sexismo ou estereótipo, aparecem apenas atribuídos à revisão de contexto, com a evidência que ela apontou. A frase que foge dessas regras sai do texto ou dá lugar à versão atribuída, como "No texto da peça aparece" seguido do trecho.
Leitura sensível ao contexto
Quando a revisão aponta um recurso, ou quando o sentido da peça depende de contexto que a ferramenta desconhece, a leitura entra no estado leitura sensível ao contexto. O mesmo estado vale quando a revisão fica indisponível ou quando o filtro do provedor do modelo bloqueia parte da leitura. Um aviso no topo lista as categorias e as evidências e diz o que ajuda saber.
Nesse estado, atenção, marca, clareza e clima continuam medidos. A leitura de veículo e de objetivo, as recomendações de otimização e a consulta automática de público ficam guardadas. No ensaio da IA, as seções de sentido, de negócio e de veículo ficam suspensas, e frases que atribuem intenção à marca, como "a marca quer" ou "a peça celebra", saem do texto. O sentido social da peça fica com quem conhece o contexto.
Conferência depois da geração
Todo texto do Gemini passa pela trava frase a frase antes de chegar à tela. No streaming, a trava acumula cada bloco inteiro antes de liberar, para que um termo partido ao meio passe pela mesma regra. Um bloco que fere a voz editorial volta ao Gemini para reescrita e passa de novo pela trava. A pontuação fora do guia, como travessão, ponto e vírgula, seta e barra, é corrigida de forma automática. A leitura salva passa pela trava ao ser gravada e ao ser aberta. Uma leitura salva antes da revisão de contexto existir abre com um aviso, e uma leitura nova da peça traz a revisão completa.
Tipos de afirmação
A trava organiza as afirmações da leitura em seis tipos, cada um com a sua origem.
- observação
- O que se vê ou se lê na peça, como elementos, texto transcrito e posição.
- estimativa perceptual
- Saída de modelo perceptual, como saliência, afeto, memória e clareza.
- evidência de contexto
- Contexto externo de fonte real, como o Google Trends, ou afirmação do time, sempre atribuída.
- interpretação
- Leitura de sentido, limitada ao que as evidências sustentam.
- hipótese
- Explicação possível ou teste a fazer.
- recomendação
- Experimento concreto derivado de uma evidência.
O motor por trás
- Gemini 2.5 Flash, pelo Vertex AI do Google. A IA de visão descreve a peça, transcreve o texto, localiza a marca, extrai os temas, faz a revisão de contexto em chamada separada, escreve o ensaio, responde às perguntas e assiste ao filme inteiro.
- Serviço de modelos. DeepGaze IIE para atenção e marca, Subband Entropy para clareza, OASIS para clima e energia, ResMem para memória, EmoSet para emoção e o encoder do NSD para a leitura neural. O CLIP alimenta afeto, emoção e neural.
- Navegador. As prévias de atenção, marca, clareza e memória e as curvas do vídeo, em JavaScript, sem modelo de IA.
- Serviço de GPU. O TRIBE da leitura profunda de vídeo, sob pedido.
- Google Trends e Busca do Google. A camada de cultura.
- Espelho™. As personas sintéticas da ponte de público.
- Trava semântica e editorial. Módulo do servidor que confere todo texto gerado antes da tela e na leitura salva.
As prévias rodam no navegador e aparecem na hora. Os modelos validados, a IA de visão e a revisão de contexto rodam no servidor. O botão Ler a peça mostra o tempo estimado da leitura completa, que se ajusta com o uso.
De onde vêm os dados e o que foi medido
Cada camada usa um modelo aberto ou de pesquisa, e quase todos foram testados contra avaliações de pessoas reais. Os cartões trazem o acerto medido de cada um, com a referência e a etiqueta de natureza.
Atenção
Mapa do olhar do DeepGaze IIE (Linardos, Kümmerer, Press e Bethge, 2021), modelo de referência em predição de fixação ocular no benchmark MIT300.
Marca
Fração do mapa do DeepGaze dentro da caixa da marca, localizada pela IA de visão e ajustável na tela.
Clareza
Implementação simplificada do Subband Entropy (Rosenholtz, Li e Nakano, 2007), medida publicada de desordem visual.
Afeto · energia e clima
Modelo ajustado às notas humanas do OASIS (Kurdi, Lozano e Banaji, 2017), com 900 imagens.
Emoção
Classificador das oito emoções do EmoSet (Yang e colegas, 2023), treinado num subconjunto de 12 mil fotos comuns rotuladas por pessoas. Publicidade fica fora do domínio de treino.
Memória
ResMem (Needell e Bainbridge, 2022), modelo de memorabilidade revisado por pares.
Neural
Encoder ajustado a fMRI de 7 tesla do Natural Scenes Dataset (Allen e colegas, 2022), com uma pessoa e 20 sessões, por região do córtex.
Neural no filme
Versão destilada do TRIBE v2, da Meta, que prevê a resposta neural ao longo do filme.
Cultura
Interesse de busca do Google Trends no Brasil. Quando o Trends fica indisponível, entra a estimativa do Gemini com a Busca do Google, rotulada como estimativa.
Encaixe por veículo
Pesos editoriais inspirados em referências de formato da IPA, da Thinkbox, do Google ABCD, da Meta, do TikTok e da OAAA.
Texto
Gemini 2.5 Flash, conferido pela trava semântica e editorial do Retina antes da tela e na leitura salva.
O AUC publicado se refere ao mapa do DeepGaze. Os números de atenção e de marca são índices derivados desse mapa, com cálculo aberto.
Como apresentar
Para citar o Retina num slide ou para um cliente, use o rodapé abaixo e as frases da lista.
Pode dizer
- "O olhar tende a se concentrar em X"
- "O clima tende ao agradável e a energia é alta"
- "A marca fica longe da área que mais concentra o olhar"
- "Esse tema está em alta na busca do Brasil", com série real do Google Trends
Pede outra fonte
- "X% das pessoas vão comprar ou lembrar"
- "A peça é boa" ou "a peça é ruim"
- Leitura neural apresentada como exame de cérebro ou pesquisa com pessoas
- Valor social atribuído à peça, como empoderamento ou inclusão, fora do texto da peça e da palavra do time
- Número apresentado sem a etiqueta de natureza e sem a ressalva das bases internacionais
Limites do método
O alcance do Retina
- Leitura de percepção. Cada saída descreve uma camada da percepção e serve para treinar o olhar do time. Venda, eficácia e qualidade pedem outras medidas.
- Direção. Os números indicam para onde a percepção tende a ir. Porcentagem de pessoas e projeção de audiência pedem pesquisa.
- Bases internacionais. Os modelos vêm de pessoas majoritariamente de fora do Brasil, e a validade cultural local é ressalva permanente.
- Antes da pesquisa. O Retina vem antes da pesquisa e ajuda a formular as hipóteses que ela vai testar. Quando a aposta é grande, a validação com pessoas reais decide.
- Sentido social. A leitura de valor social e de representação fica com o time e com quem conhece o contexto histórico da peça.
- Uso interno e não comercial, respeitando as licenças de pesquisa dos modelos e das bases.