Um sistema de inteligência artificial capaz de decompor objetivos, coordenar agentes especializados, utilizar ferramentas externas e preservar o histórico de uma investigação representa um desafio diferente daquele apresentado por um chatbot convencional. Essa é a proposta do ARTEX Global, projeto de código aberto que implementa uma arquitetura multiagente voltada a testes de intrusão autônomos. Seu diferencial não está simplesmente em utilizar um modelo de linguagem para identificar vulnerabilidades, mas em organizar um processo operacional no qual planejamento, execução, compartilhamento de informações e registro de evidências fazem parte de uma mesma estrutura computacional.
Disponibilizado no GitHub por JiwooChris, o ARTEX Global é uma edição internacional do projeto ARTEX, originalmente desenvolvido no ecossistema de código aberto chinês. Sua arquitetura combina backend em Go, interface Next.js, banco de dados PostgreSQL e agentes baseados em grandes modelos de linguagem (LLMs). O projeto também incorpora mecanismos de integração com ferramentas externas, supervisão humana e geração de informações destinadas à análise defensiva.
A relevância científica dessa iniciativa está na convergência entre inteligência artificial agêntica, sistemas multiagentes, engenharia de conhecimento e segurança da informação. Entretanto, é importante distinguir uma arquitetura tecnicamente interessante de uma tecnologia cuja eficácia tenha sido demonstrada por avaliação científica independente. O ARTEX é um projeto que merece investigação, mas suas funcionalidades documentadas não devem ser confundidas com resultados experimentais universalmente comprovados.
1. O que é o ARTEX Global e por que merece atenção?
O ARTEX Global é apresentado por seus mantenedores como um framework de testes de intrusão autônomos conduzidos por múltiplos agentes de inteligência artificial. Em vez de depender exclusivamente de uma sequência fixa de verificações, o sistema procura interpretar objetivos, organizar tarefas, executar operações por meio de ferramentas e incorporar os resultados ao contexto de uma investigação.
Essa abordagem se diferencia parcialmente dos scanners tradicionais de vulnerabilidades. Um scanner convencional executa verificações previamente estabelecidas e identifica padrões conhecidos. Um sistema agêntico, por sua vez, procura decidir quais atividades devem ser realizadas a partir das informações disponíveis e dos resultados obtidos durante a execução.
O projeto documenta capacidades de reconhecimento, investigação, identificação de ativos, organização de descobertas e geração de relatórios. Também apresenta uma estrutura de coordenação que permite aos agentes trabalhar sobre informações compartilhadas.
Um aspecto importante é sua orientação defensiva. O próprio repositório contém um alerta explícito de que a ferramenta deve ser utilizada exclusivamente em ambientes autorizados e para atividades legítimas de pesquisa, defesa e detecção. Os mantenedores também reconhecem seu potencial ofensivo, inclusive a possibilidade de encadear operações complexas com pouca intervenção humana.
Essa advertência não é secundária: compreender uma tecnologia de segurança exige considerar tanto suas possibilidades de aplicação quanto os riscos associados à sua utilização.
2. Arquitetura multiagente: planejamento, execução e supervisão
A arquitetura do ARTEX organiza diferentes responsabilidades computacionais. Entre os componentes documentados estão o agente de planejamento (planner), os agentes executores (workers), o componente de decomposição de objetivos (goals) e o agente de interação humana (mainagent).
O planner interpreta o estado da investigação e determina novas intenções. Os workers recebem tarefas específicas, utilizam ferramentas disponíveis e registram os resultados. O componente de goals auxilia na decomposição dos objetivos e na identificação do escopo, enquanto o mainagent permite a participação humana durante o processo.
Essa separação aproxima o projeto dos sistemas multiagentes estudados na inteligência artificial distribuída. Michael Wooldridge, em An Introduction to MultiAgent Systems, apresenta os fundamentos de arquiteturas nas quais diferentes agentes possuem responsabilidades próprias e interagem para alcançar objetivos comuns.
No ARTEX, a coordenação ocorre por meio de um mecanismo de execução iterativo. O planejador observa alterações no estado da investigação, identifica tarefas ainda relevantes e distribui novas intenções. Os workers executam suas respectivas atividades e atualizam as estruturas de informação, permitindo que o ciclo seja retomado.
O repositório também documenta um mecanismo de planejamento com lista compartilhada de tarefas, que preserva dependências entre etapas. Isso é relevante porque atividades complexas nem sempre podem ser executadas em paralelo sem considerar seus pré-requisitos.
A arquitetura pode ser sintetizada da seguinte maneira:
| Componente | Responsabilidade |
|---|---|
| Goals | Decomposição de objetivos e definição de escopo |
| Planner | Planejamento e produção de intenções |
| Workers | Execução de tarefas e registro de resultados |
| Mainagent | Interação e supervisão humana |
| Asset Graph | Organização dos ativos identificados |
| Exploration Graph | Registro da evolução da investigação |
| PostgreSQL | Persistência das informações |
| Guard e Intercept | Controle e aprovação de ferramentas |
A contribuição arquitetural está na combinação desses componentes. A inteligência do sistema não reside exclusivamente no modelo de linguagem, mas na interação entre planejamento, execução, memória, ferramentas e mecanismos de controle.
3. Grafos de conhecimento e memória operacional
Um dos elementos mais interessantes do ARTEX é a utilização de dois grafos complementares: o grafo de ativos (Asset Graph) e o grafo de exploração (Exploration Graph).
O primeiro representa os elementos identificados no ambiente investigado, como domínios, subdomínios, endereços IP, serviços, aplicações e endpoints. Seu propósito é organizar os ativos e seus relacionamentos, permitindo o compartilhamento dessas informações entre diferentes tarefas.
O segundo representa o desenvolvimento de uma investigação específica. Seus elementos incluem objetivos, intenções, fatos, descobertas e indicações. As relações entre esses elementos permitem preservar a origem das informações e compreender como determinadas observações contribuíram para uma descoberta.
Os dois grafos são relacionados por estruturas denominadas anchors, que associam informações da exploração aos ativos correspondentes.
Essa distinção possui valor metodológico. Conhecer os componentes de uma infraestrutura não significa necessariamente compreender como uma descoberta foi produzida. A separação entre o conhecimento sobre os ativos e o histórico de investigação facilita a organização das evidências e a reconstrução das atividades.
Podemos representar conceitualmente a confiabilidade de uma descoberta por:
\[ Q(f)=\alpha E(f)+\beta R(f)+\gamma C(f) \]
Nessa expressão, \(E(f)\) representa a qualidade das evidências, \(R(f)\) a rastreabilidade e \(C(f)\) a consistência da descoberta. Os parâmetros representam pesos definidos pelo pesquisador.
Trata-se de uma proposta analítica para avaliação de arquiteturas desse tipo, não de uma métrica implementada ou validada pelos desenvolvedores do ARTEX.
Na minha experiência como professor e pesquisador, considero fundamental essa distinção entre uma resposta aparentemente convincente e uma informação tecnicamente demonstrável. Em segurança da informação, uma descoberta precisa apresentar evidências que possam ser examinadas independentemente da interpretação produzida pelo modelo.
A qualidade de um sistema autônomo não deve ser medida apenas por sua capacidade de encontrar informações, mas também por sua capacidade de demonstrar como essas informações foram obtidas.
4. Modelos de linguagem, ferramentas e infraestrutura tecnológica
O ARTEX foi desenvolvido para trabalhar com diferentes provedores de modelos de linguagem. A documentação apresenta integração com Anthropic e OpenAI, além de permitir a configuração de endpoints compatíveis com a API da OpenAI.
Essa flexibilidade possibilita experimentar diferentes modelos, considerando capacidade de raciocínio, latência, disponibilidade, custo e consistência dos resultados.
A infraestrutura documentada utiliza Go no backend, Next.js na interface e PostgreSQL para persistência. O frontend pode ser incorporado ao binário da aplicação por meio dos recursos de compilação do Go. O projeto também utiliza o SDK Norma para disponibilizar capacidades aos agentes.
Entre os mecanismos complementares estão:
- Integração com Model Context Protocol (MCP).
- Utilização de skills e memória.
- Registro de tráfego por meio de proxy.
- Enriquecimento assíncrono de informações.
- Comunicação por API e Server-Sent Events (SSE).
- Mecanismos de aprovação e interceptação de ferramentas.
A quantidade de workers pode ser configurada pelo usuário, sendo três o valor padrão documentado. Entretanto, aumentar a quantidade de agentes não significa necessariamente melhorar os resultados. A concorrência pode elevar o consumo de recursos, aumentar a complexidade de coordenação e dificultar a auditoria.
5. Instalação e utilização em ambientes controlados
O repositório disponibiliza uma instalação simplificada por Docker Compose, permitindo iniciar a aplicação e o PostgreSQL conjuntamente.
O procedimento básico documentado é:
git clone https://github.com/jiwoochris/artex-global.git
cd artex-global
cp .env.example .env
docker compose up -d
Antes da inicialização, é necessário configurar as credenciais do banco de dados e os parâmetros pertinentes ao provedor de modelos de linguagem. A aplicação fica disponível, por padrão, em http://localhost:8787.
Na primeira utilização, o administrador deve concluir a configuração de acesso por meio do procedimento /setup, utilizando o token de inicialização apresentado nos registros do serviço.
É importante observar que a facilidade de implantação não elimina os requisitos de segurança. O ambiente deve permanecer isolado durante os experimentos, com proteção das credenciais, controle de acesso e monitoramento das operações.
O próprio projeto documenta mecanismos para restringir o acesso inicial à aplicação. Seu histórico de alterações também registra uma correção relacionada à possibilidade de tomada remota da conta administrativa durante a inicialização, reforçando a importância de acompanhar as versões e os avisos de segurança.
Para pesquisadores, a recomendação é utilizar laboratórios próprios, ambientes deliberadamente vulneráveis e infraestrutura sem conexão operacional com sistemas de terceiros.
6. Aplicações defensivas: Blue Team, detecção e monitoramento
O ARTEX não apresenta apenas componentes associados a testes de intrusão. Seu repositório também disponibiliza materiais destinados à identificação e à prevenção de comportamentos associados a operações ofensivas autônomas.
Essa dimensão interessa particularmente às equipes de Blue Team, responsáveis pela defesa, monitoramento e resposta a incidentes.
Entre os recursos documentados estão regras Sigma, regras Suricata, indicadores de comprometimento, materiais de hardening e referências ao MITRE ATT&CK. O projeto também organiza recursos para auxiliar a investigação de atividades suspeitas.
O MITRE ATT&CK é uma base de conhecimento que categoriza comportamentos adversários observados em operações reais. Sua utilização permite estabelecer uma linguagem comum para descrever táticas e técnicas, facilitando a organização de estratégias de detecção.
Uma questão importante é que a identificação de um indicador isolado não comprova a ocorrência de um ataque. A interpretação depende do contexto, da correlação de eventos e da análise das evidências.
Por isso, ferramentas como o ARTEX devem ser compreendidas como componentes de uma estratégia de segurança mais ampla, não como substitutas de equipes especializadas.
7. Limitações científicas e avaliação de desempenho
A existência de uma arquitetura multiagente funcional não comprova, por si só, que ela seja superior às ferramentas tradicionais de segurança.
Para avaliar cientificamente o ARTEX, seria necessário desenvolver experimentos controlados, com ambientes de referência e conjuntos de vulnerabilidades previamente conhecidos.
Algumas métricas relevantes incluem precisão, revocação, tempo de execução, custo computacional e reprodutibilidade.
A precisão pode ser representada por:
\[ Precision=\frac{TP}{TP+FP} \]
A revocação é definida por:
\[ Recall=\frac{TP}{TP+FN} \]
Em que TP representa verdadeiros positivos, FP falsos positivos e FN falsos negativos.
Essas métricas permitem avaliar aspectos distintos do desempenho. Um sistema que identifica muitas vulnerabilidades, mas produz uma quantidade elevada de falsos positivos, pode aumentar o trabalho dos profissionais responsáveis pela validação.
Também é necessário considerar a variabilidade dos modelos de linguagem. Uma mesma tarefa pode produzir resultados diferentes em execuções distintas. Por isso, experimentos científicos precisam registrar versões, configurações, prompts, modelos utilizados e condições de execução.
A pesquisa de Liu e colaboradores, AgentBench: Evaluating LLMs as Agents, publicada na ICLR 2024, demonstra a importância de avaliar modelos de linguagem em ambientes interativos e tarefas que exigem tomada de decisão. O trabalho de Yao e colaboradores, ReAct: Synergizing Reasoning and Acting in Language Models, publicado na ICLR 2023, oferece outra referência importante para compreender a interação entre raciocínio e ação.
Esses trabalhos fornecem fundamentos para a análise de sistemas agênticos, mas não constituem validações experimentais específicas do ARTEX.
8. Visão Científica e de Mercado
O desenvolvimento de ferramentas como o ARTEX amplia o debate sobre o papel da inteligência artificial na segurança da informação. A automação deixa de estar restrita à execução de verificações previamente programadas e passa a incorporar planejamento contextual, coordenação de atividades e interpretação de resultados.
Na pesquisa científica, surgem oportunidades para investigar arquiteturas multiagentes, memória compartilhada, planejamento automatizado e avaliação de sistemas autônomos. Universidades podem desenvolver experimentos comparando diferentes modelos, configurações de agentes e mecanismos de supervisão.
No mercado de trabalho, a tendência amplia a importância de competências relacionadas à arquitetura de segurança, auditoria, governança e validação de resultados. Profissionais especializados precisarão compreender como agentes inteligentes operam e quais controles devem ser estabelecidos para limitar suas ações.
Para empresas, a possibilidade de automatizar determinadas atividades pode representar ganhos operacionais. Entretanto, os benefícios precisam ser comparados aos custos de inferência, infraestrutura, revisão humana e tratamento de resultados incorretos.
Nas políticas públicas, a discussão envolve proteção de dados, responsabilidade institucional e segurança de infraestruturas críticas. No Brasil, a Lei Geral de Proteção de Dados (Lei nº 13.709/2018), o Marco Civil da Internet (Lei nº 12.965/2014) e a legislação penal aplicável aos crimes informáticos integram o contexto jurídico relevante.
O NIST AI Risk Management Framework, publicado em 2023, oferece uma referência para estruturar a gestão de riscos em sistemas de inteligência artificial. Seu perfil específico para IA generativa, publicado em 2024, amplia essa orientação para riscos relacionados a modelos generativos.
Outra publicação relevante é o OWASP AI Testing Guide, cuja versão 1 foi publicada em 26 de novembro de 2025. O documento propõe uma metodologia para avaliação da confiabilidade de sistemas de inteligência artificial.
Essas referências reforçam uma questão essencial: a adoção de agentes autônomos precisa ser acompanhada de procedimentos de governança, avaliação e prestação de contas.
9. Governança, licença e responsabilidade jurídica
O ARTEX Global é distribuído sob a licença GNU Affero General Public License, versão 3.0 (AGPL-3.0). Essa licença permite utilizar, modificar e distribuir o software, observadas suas condições, incluindo obrigações específicas relacionadas à disponibilização do código-fonte de versões modificadas oferecidas por rede.
É importante distinguir a licença de software das orientações de utilização publicadas pelos mantenedores. O README estabelece expressamente que a ferramenta deve ser utilizada em ambientes próprios ou mediante autorização explícita por escrito. Também desaconselha operações contra serviços de terceiros.
No Brasil, a utilização de ferramentas de segurança precisa considerar o artigo 154-A do Código Penal e as demais normas aplicáveis, conforme as circunstâncias concretas. Quando houver tratamento de dados pessoais, a LGPD também deve integrar a análise.
Para universidades e organizações, a autorização deve definir o escopo dos testes, os ativos abrangidos, os responsáveis, o período de execução e os procedimentos de interrupção.
A existência de uma licença de código aberto não representa autorização automática para testar qualquer infraestrutura.
10. Uma proposta de pesquisa acadêmica com o ARTEX
O ARTEX pode ser utilizado como objeto de investigação sobre a eficiência de arquiteturas multiagentes aplicadas à segurança computacional.
Uma possibilidade é comparar três configurações experimentais: um scanner convencional, um agente de linguagem individual e uma arquitetura multiagente como a proposta pelo ARTEX.
A investigação poderia utilizar ambientes laboratoriais isolados, com vulnerabilidades previamente conhecidas e critérios uniformes de avaliação.
Uma hipótese possível seria:
H1: A arquitetura multiagente apresenta maior cobertura de vulnerabilidades do que uma abordagem baseada em agente único, sob condições equivalentes de recursos e tempo de execução.
Outra hipótese poderia investigar se a memória compartilhada reduz a repetição de atividades e melhora a rastreabilidade das descobertas.
O protocolo deveria contemplar definição das hipóteses, seleção dos ambientes, controle das versões, repetição das execuções, avaliação independente dos resultados e análise estatística.
É importante que essas hipóteses permaneçam abertas à refutação. Uma arquitetura multiagente pode apresentar maior cobertura, mas também consumir mais recursos e produzir mais falsos positivos. O objetivo científico não é confirmar antecipadamente a superioridade de uma ferramenta, mas compreender em quais condições ela apresenta vantagens e limitações.
11. O desafio de transformar autonomia em confiabilidade
O ARTEX Global representa um exemplo relevante da aproximação entre inteligência artificial agêntica e cibersegurança. Sua arquitetura permite observar como planejamento, execução, memória e coordenação podem ser organizados em um sistema operacional baseado em múltiplos agentes.
Entretanto, autonomia não equivale a confiabilidade. Quanto maior a capacidade de um sistema executar tarefas sem intervenção humana, maior a importância de mecanismos independentes de supervisão, rastreabilidade e validação.
O trabalho de Michael Wooldridge sobre sistemas multiagentes, as pesquisas de Yao e colaboradores sobre ReAct e os estudos de Liu e colaboradores sobre avaliação de agentes oferecem fundamentos para compreender essa transformação.
Na minha perspectiva como professor e pesquisador, o maior interesse acadêmico do ARTEX não está em sua capacidade de executar operações ofensivas, mas na oportunidade de investigar como sistemas inteligentes podem tomar decisões, compartilhar conhecimento e produzir resultados verificáveis.
Para quem deseja aprofundar o estudo de inteligência artificial aplicada, arquiteturas agênticas e integração de tecnologias inteligentes, a IA PRO reúne conteúdos e recursos voltados à aprendizagem e à aplicação prática dessas tecnologias.
O desenvolvimento da cibersegurança autônoma exigirá não apenas modelos mais capazes, mas também profissionais preparados para estabelecer limites, avaliar evidências e preservar a responsabilidade humana sobre decisões críticas.
FAQ — Perguntas Frequentes
1. O que é o ARTEX Global?▾
O ARTEX Global é um framework de segurança computacional baseado em múltiplos agentes de inteligência artificial. Seu objetivo é organizar testes de intrusão autônomos por meio de planejamento, execução de tarefas, compartilhamento de informações e registro de descobertas. O projeto também disponibiliza materiais voltados à defesa e à detecção de comportamentos associados a operações ofensivas.
2. Qual é a diferença entre ARTEX e um scanner convencional de vulnerabilidades?▾
Um scanner convencional executa verificações previamente programadas para identificar condições conhecidas. O ARTEX utiliza agentes que podem interpretar objetivos, planejar novas atividades e adaptar a investigação conforme os resultados obtidos. Essa diferença arquitetural não significa superioridade automática, pois precisão, cobertura e custo precisam ser avaliados em experimentos controlados.
3. Quais tecnologias são utilizadas na arquitetura do ARTEX?▾
O projeto utiliza Go no backend, Next.js na interface e PostgreSQL para persistência dos dados. Também incorpora o SDK Norma para disponibilizar funcionalidades aos agentes, além de mecanismos de integração com modelos de linguagem, MCP, memória, skills, registro de tráfego e supervisão de ferramentas.
4. O ARTEX Global é gratuito e possui código aberto?▾
O projeto é disponibilizado sob a licença AGPL-3.0, que permite utilização, modificação e distribuição conforme suas condições. A licença estabelece obrigações específicas para obras derivadas, inclusive quando disponibilizadas como serviços de rede. As orientações adicionais dos mantenedores também devem ser observadas.
5. O ARTEX pode ser utilizado em pesquisas acadêmicas?▾
Sim, desde que os experimentos sejam realizados em ambientes apropriados, com autorização e controles de segurança. Uma possibilidade é comparar arquiteturas multiagentes com agentes individuais e scanners convencionais, utilizando métricas como precisão, revocação, tempo de execução, custo e reprodutibilidade.
6. Quais são os principais riscos dos sistemas de pentest autônomo baseados em IA?▾
Entre os principais riscos estão falsos positivos, interpretações incorretas, variabilidade entre execuções, exposição de informações confidenciais e operações fora do escopo autorizado. A utilização responsável exige isolamento, controle de acesso, auditoria, aprovação de ferramentas e supervisão humana.
Referências Técnicas
- JiwooChris. (2026). ARTEX Global: Global Edition of an LLM Multi-Agent Autonomous Penetration-Testing Framework. GitHub. https://github.com/jiwoochris/artex-global
- Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2210.03629
- Liu, X., et al. (2024). AgentBench: Evaluating LLMs as Agents. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2308.03688
- Wooldridge, M. (2009). An Introduction to MultiAgent Systems (2nd ed.). Wiley.
- Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
- Scarfone, K., Souppaya, M., Cody, A., & Orebaugh, A. (2008). Technical Guide to Information Security Testing and Assessment. NIST Special Publication 800-115. https://doi.org/10.6028/NIST.SP.800-115
- Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1
- Autio, C., Schwartz, R., Dunietz, J., Jain, S., Stanley, M., Tabassi, E., Hall, P., & Roberts, K. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1. https://doi.org/10.6028/NIST.AI.600-1
- OWASP Foundation. (2025). OWASP AI Testing Guide, Version 1. https://owasp.org/projects/ai-testing-guide/
- MITRE Corporation. (2024). MITRE ATT&CK: Adversarial Tactics, Techniques, and Common Knowledge. https://attack.mitre.org/
- MITRE Corporation. (2024). MITRE ATLAS: Adversarial Threat Landscape for Artificial-Intelligence Systems. https://atlas.mitre.org/
- Shinn, N., Cassano, F., Berman, E., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. Advances in Neural Information Processing Systems. https://arxiv.org/abs/2303.11366
- Park, J. S., et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. Proceedings of the ACM Symposium on User Interface Software and Technology. https://doi.org/10.1145/3586183.3606763
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.
- Brasil. (2014). Lei nº 12.965, de 23 de abril de 2014. Marco Civil da Internet. Presidência da República. https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2014/lei/l12965.htm
- Brasil. (2018). Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais. Presidência da República. https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm
Tags
Formato 1, hashtags:
ARTEXGlobal #InteligenciaArtificial #Ciberseguranca #IAAgencial #SistemasMultiagentes #Pentest #Cybersecurity #LLM #SegurancaDaInformacao #BlueTeam #PesquisaCientifica
Formato 2, palavras-chave SEO:
ARTEX Global, inteligência artificial multiagente, IA agêntica, cibersegurança autônoma, pentest com inteligência artificial, agentes de IA, LLM, segurança da informação, detecção de ameaças, Blue Team, MITRE ATT&CK, automação de segurança, sistemas multiagentes, pesquisa em inteligência artificial.
Créditos: Professor de IA Maiquel Gomes.
Professor, pesquisador e consultor estratégico em Inteligência Artificial.
Portal acadêmico e profissional: https://maiquelgomes.com.br
Formação e aplicações em Inteligência Artificial: https://ia.pro.br
Ao citar, reproduzir ou utilizar trechos deste conteúdo em trabalhos acadêmicos, apresentações, publicações ou materiais institucionais, deve-se referenciar o Professor Maiquel Gomes e indicar a publicação original: https://maiquelgomes.com.br.
Este artigo possui finalidade educacional, científica e informativa. A análise das características do ARTEX foi elaborada a partir da documentação pública do projeto, não constituindo auditoria independente de seu código-fonte ou validação experimental de seu desempenho. O uso da ferramenta deve ocorrer exclusivamente em ambientes próprios ou expressamente autorizados.

Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF), Pós-Graduado em Inteligência Artificial, Pós-Graduado em Marketing Digital, Mestrando em IA no Instituto de Computação da UFF (nota máxima no CAPES). Palestrante e Professor de Inteligência Artificial e Linguagem de Programação; autor de livros, artigos e aplicativos.
Professor do Grupo de Trabalho em Inteligência Artificial da UFF (GT-IA/UFF), do Laboratório de Inovação, Tecnologia e Sustentabilidade (LITS/UFF), da Pós-Graduação na Universidade Estácio de Sá, entre outras iniciativas.
Conheça outros projetos:
💫 Apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.



