Sou Jay Derinbogaz. Fundei três empresas e já estava colocando grandes modelos de linguagem em produção três anos antes de o ChatGPT transformar isso em um cargo.
Eu estava aqui antes da API
Novembro de 2022 foi quando a maioria das pessoas conheceu um modelo de linguagem. Eu já estava colocando eles em produção desde 2019.
OpenAI distribuiu o lançamento do GPT-2 ao longo daquele ano porque considerou o modelo completo de 1,5 bilhão de parâmetros perigoso demais para publicar. Eu estava ajustando os checkpoints assim que eles chegavam. Sem endpoint de chat, sem system prompt, sem fornecedor para chamar — você mesmo raspava seu dataset, treinava o modelo e o fazia caber em hardware que nunca foi projetado para isso.
NameKrea surgiu disso. GPT-2 355M, fine-tuned em 100.000 domínios que raspei do Majestic Million e emparelhei com a meta description do que cada site realmente era, para que gerasse nomes com significado em vez de ruído. Trinta minutos de treinamento em duas GPUs. Foi lançado como um produto vivo, tem licença MIT, e as pessoas ainda estão fazendo fork anos depois.
Cada lançamento aberto significativo daquela época passou pelas minhas GPUs — gpt-2-simple, finetune-gpt2xl, aitextgen no SageMaker multi-GPU, depois GPT-J 6B rodando em VRAM de consumidor. Consegui treinar o GPT-2 XL completo de 1,5B em uma única placa de 16 GB quando a resposta aceita era que não era possível. Essa era toda a disciplina na época: os modelos eram gratuitos e o poder computacional era o gargalo, então a engenharia se resumia a como contornar o gargalo.
A indústria agora gasta bilhões na mesma pergunta que eu respondia em um quarto em 2019. O que é preciso para colocar essa coisa em produção em hardware que você realmente pode pagar?
TextCortex
Eu co-fundei a TextCortex em Berlim em 2021 e sou o fundador técnico. Construímos agentes de IA para empresas que precisam se preocupar com onde seus dados residem — infraestrutura europeia, governança real, implantados dentro de empresas como Siemens e Lamborghini.
Apoiado por b2venture, Speedinvest e Entrepreneur First. Mais de dois milhões de usuários. Nomeado líder de categoria pela Gartner, G2 e Capterra, #20 Produto de Crescimento Mais Rápido de 2024 e #10 Melhor Software de IA de 2025.
Ainda leio os diffs. A maior parte do que construo agora são as ferramentas em torno dos modelos, e não os modelos em si, e ambos os meus projetos open source atuais surgiram diretamente de problemas que enfrentamos ao executar engenharia em escala.
Juror executa vários modelos de fronteira no mesmo pull request em paralelo, porque um revisor significa exatamente um ponto cego e você nunca aprenderá sua forma por dentro.
GitRank resolve a outra metade. Ele pontua cada pull request mesclado com Claude — classificando o trabalho por componente e gravidade, ponderando uma correção de autenticação P1 de forma diferente de uma alteração de cópia — e transforma isso em leaderboards, métricas de velocidade, hotspots de bugs, propriedade de funcionalidades e detecção de silos de conhecimento. A revisão de desempenho de engenharia ainda é baseada principalmente em vibes, e os dados para fazê-la corretamente estiveram no histórico git de todos o tempo todo. Auto-hospedável, infraestrutura europeia, gratuito para uso não comercial.
Três empresas
TextCortex é a terceira.
Aos 22 anos fundei uma empresa de AR/VR que construía para Renault e Nokia. Aos 24 fundei a Grafentek na Alemanha para produzir materiais de bateria de grafeno — deep tech, ciência pesada, e a imprensa de negócios alemã publicou um capítulo de livro sobre isso. No meio tempo, liderei engenharia de dados na trivago.
Estudei engenharia mecânica com foco em mecânica computacional — métodos numéricos em matrizes muito grandes, o que é um caminho muito mais curto para treinar redes neurais do que parece. Cheguei aos modelos de linguagem através do grafeno e da realidade virtual, e em cada um desses campos a parte difícil nunca foi a demonstração.
O que você encontrará aqui
Registros de construção, post-mortems e recibos. Publico os números reais — quanto custou, o que pegou, o que perdeu — porque nesta indústria quase ninguém faz isso, e a aritmética geralmente é todo o argumento.
Sobre este site
Astro estático, implantado no Cloudflare Workers. Os posts são arquivos markdown em um repositório git. Cada post é traduzido para mais oito idiomas por uma GitHub Action, incluindo o slug da URL — essas traduções são geradas por máquina e rotuladas como tal.
Os links do GitHub e LinkedIn na barra lateral são a maneira mais rápida de entrar em contato comigo.