{"id":3160,"date":"2026-01-14T06:00:00","date_gmt":"2026-01-14T06:00:00","guid":{"rendered":"https:\/\/nuno.digital\/os-pipelines-de-dados-sao-o-verdadeiro-produto-de-ia-porque-e-que-os-modelos-se-commoditizam-mas-os-pipelines-acumulam-valor-composto\/"},"modified":"2026-01-14T08:57:04","modified_gmt":"2026-01-14T08:57:04","slug":"os-pipelines-de-dados-sao-o-verdadeiro-produto-de-ia-porque-e-que-os-modelos-se-commoditizam-mas-os-pipelines-acumulam-valor-composto","status":"publish","type":"post","link":"https:\/\/nuno.digital\/pt-pt\/os-pipelines-de-dados-sao-o-verdadeiro-produto-de-ia-porque-e-que-os-modelos-se-commoditizam-mas-os-pipelines-acumulam-valor-composto\/","title":{"rendered":"Os pipelines de dados s\u00e3o o verdadeiro produto de IA: porque \u00e9 que os modelos se commoditizam mas os pipelines acumulam valor composto"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Introdu\u00e7\u00e3o: Porque \u00e9 que os modelos de IA j\u00e1 n\u00e3o s\u00e3o o produto<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Se olharmos para a forma como a maioria das organiza\u00e7\u00f5es fala sobre IA, o foco est\u00e1 quase sempre no modelo: qual escolher, qu\u00e3o preciso \u00e9, ou se deve ser constru\u00eddo internamente ou acedido atrav\u00e9s de uma API.<\/p>

Mas este enquadramento est\u00e1 cada vez mais desatualizado.<\/p>

Na pr\u00e1tica, os modelos de IA transformam-se rapidamente em mercadoria<\/strong>. Surgem novas arquiteturas, as APIs melhoram, os custos caem, e o diferenciador de ontem torna-se a base de hoje. O que n\u00e3o mercantiza \u2014 e raramente recebe aten\u00e7\u00e3o suficiente \u2014 \u00e9 o sistema que alimenta, molda, governa e sustenta esses modelos. <\/p>

Esse sistema \u00e9 o pipeline de dados de IA<\/strong>.<\/p>

Nos produtos modernos de IA, os pipelines de dados n\u00e3o s\u00e3o canaliza\u00e7\u00e3o. Definem o que o modelo consegue ver, qu\u00e3o recentes s\u00e3o as suas entradas, como os erros s\u00e3o detetados e como a confian\u00e7a \u00e9 mantida ao longo do tempo. Em muitos casos, s\u00e3o<\/em> eles o produto. <\/p>

Este artigo defende que os pipelines de dados de IA s\u00e3o a verdadeira fonte de valor a longo<\/strong> prazo, e que os l\u00edderes de engenharia que os tratam como produtos de primeira classe constroem sistemas de IA mais resilientes, fi\u00e1veis e escal\u00e1veis.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

1. Modelos de Commodity \u2014 Composto de Pipelines<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Os \u00faltimos anos deixaram uma coisa clara: o acesso a modelos poderosos j\u00e1 n\u00e3o \u00e9 escasso.<\/p>

Modelos de funda\u00e7\u00e3o, alternativas open-source e APIs geridas reduziram drasticamente a barreira de entrada. Duas equipas podem come\u00e7ar com o mesmo modelo e produzir resultados radicalmente diferentes \u2014 n\u00e3o por causa do brilhantismo da modela\u00e7\u00e3o, mas pela qualidade dos dados e pelo design do sistema<\/strong>. <\/p>

Os pipelines de dados acumulam valor composto porque:<\/p>

  • Codificar conhecimento organizacional<\/p><\/li>

  • Melhore com a utiliza\u00e7\u00e3o e o feedback<\/p><\/li>

  • Criar custos de comuta\u00e7\u00e3o<\/p><\/li>

  • Permitir itera\u00e7\u00f5es mais r\u00e1pidas com menor risco<\/p><\/li><\/ul>

    Embora os modelos possam ser trocados, os pipelines acumulam contexto<\/strong> \u2014 sobre clientes, opera\u00e7\u00f5es, casos extremos e comportamento hist\u00f3rico. Com o tempo, este contexto torna-se extremamente dif\u00edcil de replicar para os concorrentes. <\/p>

    \u00c9 por isso que a maturidade da IA tem menos a ver com “que modelo est\u00e1 a usar?” e mais sobre “com que fiabilidade o seu sistema transforma dados em decis\u00f5es?”<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    2. O que realmente inclui um pipeline de dados de IA<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Quando as equipas ouvem “pipeline de dados”, muitas vezes pensam de forma restrita: ingest\u00e3o, transforma\u00e7\u00e3o, armazenamento.<\/p>

    Nos sistemas de IA, os pipelines s\u00e3o mais amplos e interligados. Um pipeline de dados de IA de grau de produ\u00e7\u00e3o inclui tipicamente: <\/p>

    • Ingest\u00e3o de dados<\/strong> (lote e em tempo real)<\/p><\/li>

    • L\u00f3gica de engenharia de caracter\u00edsticas<\/strong><\/p><\/li>

    • Lojas de funcionalidades<\/strong> partilhadas entre modelos<\/p><\/li>

    • Garantias de frescura e lat\u00eancia<\/strong><\/p><\/li>

    • Consist\u00eancia entre treino e servi\u00e7o<\/strong><\/p><\/li>

    • Monitoriza\u00e7\u00e3o e dete\u00e7\u00e3o de deriva<\/strong><\/p><\/li>

    • Auditabilidade e linhagem<\/strong><\/p><\/li>

    • Controlo de acesso e propriedade<\/strong><\/p><\/li><\/ul>

      Crucialmente, estes elementos operam ao longo de todo o ciclo de vida<\/strong> de um sistema de IA, n\u00e3o apenas no treino.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t

      \n\t\t\t\t\t\t\t\t\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t\t\"Fluxo\t\t\t\t\t\t\t\t\t\t\t
      Fluxo de Dados \u2014 A Ci\u00eancia do Machine Learning & IA<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t

      Quando se v\u00ea os pipelines desta forma, torna-se claro porque \u00e9 que muitas iniciativas de IA estagnam: as equipas otimizam modelos isoladamente enquanto o sistema circundante erode silenciosamente a fiabilidade.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

      \n\t\t\t\t\t
      \n\t\t\t\t
      \n\t\t\t\t\t

      3. Sistemas de Engenharia de Funcionalidades: Onde o Valor \u00c9 Realmente Criado<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t

      A engenharia de funcionalidades \u00e9 frequentemente tratada como um passo preparat\u00f3rio \u2014 algo que se faz antes<\/em> de come\u00e7ar o trabalho “real” de IA. Na realidade, \u00e9 a\u00ed que reside grande parte da l\u00f3gica do produto. <\/p>

      Sistemas de engenharia de caracter\u00edsticas<\/strong> bem concebidos:<\/p>

      • Codificar pressupostos empresariais<\/p><\/li>

      • Padronizar defini\u00e7\u00f5es entre equipas<\/p><\/li>

      • Prevenir l\u00f3gica duplicada<\/p><\/li>

      • Permitir uma experimenta\u00e7\u00e3o mais r\u00e1pida sem necessidade de retrabalho<\/p><\/li><\/ul>

        As lojas de feature s\u00e3o uma evolu\u00e7\u00e3o natural aqui. Elas transformam as funcionalidades de artefactos ad hoc para ativos partilhados e governados. Isto reduz as inconsist\u00eancias entre forma\u00e7\u00e3o e infer\u00eancia, ao mesmo tempo que aumenta a influ\u00eancia organizacional. <\/p>

        A perce\u00e7\u00e3o estrat\u00e9gica \u00e9 simples:<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t\t\t\t\t\t

        As suas caracter\u00edsticas representam como a sua organiza\u00e7\u00e3o compreende o mundo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t

        \n\t\t\t\t\t\t\t\t\t

        Trat\u00e1-los como guias descart\u00e1veis em vez de produtos dur\u00e1veis \u00e9 um erro arquitet\u00f3nico.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

        \n\t\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t

        4. Frescura, Lat\u00eancia e o Custo da Intelig\u00eancia Obsoleta<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Um dos modos de falha mais comuns nos sistemas de IA de produ\u00e7\u00e3o n\u00e3o s\u00e3o as previs\u00f5es incorretas \u2014 s\u00e3o as irrelevantes<\/strong>.<\/p>

        A frescura dos dados \u00e9 importante porque os sistemas de IA operam em ambientes din\u00e2micos. O comportamento do cliente muda. As cadeias de abastecimento mudam. Os perfis de risco evoluem. Se o seu pipeline n\u00e3o conseguir transmitir sinais atempados, mesmo um modelo altamente preciso se torna enganador. <\/p>

        Os l\u00edderes de engenharia devem perguntar:<\/p>

        • Qual \u00e9 a estagna\u00e7\u00e3o aceit\u00e1vel para esta decis\u00e3o?<\/p><\/li>

        • Onde \u00e9 que a lat\u00eancia se acumula no pipeline?<\/p><\/li>

        • Como detetamos a degrada\u00e7\u00e3o silenciosa?<\/p><\/li><\/ul>

          Desenhar para a frescura n\u00e3o \u00e9 apenas uma preocupa\u00e7\u00e3o de desempenho \u2014 \u00e9 uma decis\u00e3o de produto<\/strong> com implica\u00e7\u00f5es \u00e9ticas e operacionais.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

          \n\t\t\t\t\t
          \n\t\t\t\t
          \n\t\t\t\t\t

          5. Propriedade e Governa\u00e7\u00e3o: Oleodutos como Superf\u00edcies de Controlo<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
          \n\t\t\t\t\t\t\t\t\t

          \u00c0 medida que os sistemas de IA influenciam mais decis\u00f5es, as quest\u00f5es de propriedade e responsabiliza\u00e7\u00e3o tornam-se inevit\u00e1veis.<\/p>

          Os pipelines de dados s\u00e3o onde a governa\u00e7\u00e3o se torna operacional. Eles determinam: <\/p>

          • Quem pode introduzir novas fontes de dados<\/p><\/li>

          • Como as altera\u00e7\u00f5es s\u00e3o revistas e implementadas<\/p><\/li>

          • O que \u00e9 registado e guardado<\/p><\/li>

          • Como as decis\u00f5es podem ser auditadas posteriormente<\/p><\/li><\/ul>

            \u00c9 por isso que a governa\u00e7\u00e3o que existe apenas nos documentos de pol\u00edticas raramente funciona. Sem fiscaliza\u00e7\u00e3o nos oleodutos, continua a ser aspiracional. <\/p>

            Incorporar a governa\u00e7\u00e3o nos pipelines de dados de IA permite \u00e0s organiza\u00e7\u00f5es escalar de forma respons\u00e1vel sem abrandar a inova\u00e7\u00e3o \u2014 um equil\u00edbrio que muitos l\u00edderes consideram imposs\u00edvel.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

            \n\t\t\t\t\t
            \n\t\t\t\t
            \n\t\t\t\t\t

            6. Pipelines como Produtos, N\u00e3o Projetos<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t

            Um erro recorrente nos programas de IA \u00e9 tratar os pipelines como artefactos de entrega pontuais.<\/p>

            Na realidade, os oleodutos t\u00eam:<\/p>

            • Utilizadores (cientistas de dados, engenheiros, analistas)<\/p><\/li>

            • SLAs (impacto em frescura, fiabilidade, precis\u00e3o)<\/p><\/li>

            • Roadmaps (novas funcionalidades, otimiza\u00e7\u00f5es)<\/p><\/li>

            • D\u00edvida t\u00e9cnica (tal como qualquer produto)<\/p><\/li><\/ul>

              Quando os pipelines s\u00e3o produzidos, as equipas investem em:<\/p>

              • Documenta\u00e7\u00e3o e descoberta<\/p><\/li>

              • Observabilidade e alertas<\/p><\/li>

              • Compatibilidade retroativa<\/p><\/li>

              • Evolu\u00e7\u00e3o intencional<\/p><\/li><\/ul>

                Esta mudan\u00e7a de mentalidade \u00e9 subtil, mas poderosa. Move a IA da experimenta\u00e7\u00e3o para a infraestrutura. <\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

                \n\t\t\t\t\t
                \n\t\t\t\t
                \n\t\t\t\t\t

                7. O Retorno Estrat\u00e9gico: Porque Os Pipelines Criam Vantagem Competitiva<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
                \n\t\t\t\t\t\t\t\t\t

                Do ponto de vista da lideran\u00e7a, a quest\u00e3o n\u00e3o \u00e9 se devemos investir em oleodutos \u2014 mas se devemos possu\u00ed-los<\/em> .<\/p>

                Fortes pipelines de dados em IA permitem:<\/p>

                • Implementa\u00e7\u00e3o mais r\u00e1pida de novos modelos<\/p><\/li>

                • Menor custo marginal por caso de uso de IA<\/p><\/li>

                • Experimenta\u00e7\u00e3o mais segura<\/p><\/li>

                • Resili\u00eancia regulat\u00f3ria<\/p><\/li>

                • Aprendizagem organizacional em grande escala<\/p><\/li><\/ul>

                  Em contraste, as organiza\u00e7\u00f5es que terceirizam ou negligenciam os seus pipelines continuam dependentes dos fornecedores e vulner\u00e1veis a interrup\u00e7\u00f5es.<\/p>

                  A longo prazo, os oleodutos s\u00e3o o fosso<\/strong>.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t

                  Conclus\u00e3o: Construa o sistema, n\u00e3o apenas o modelo<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  \u00c0 medida que a IA se integra em produtos e opera\u00e7\u00f5es, o sucesso pertencer\u00e1 a organiza\u00e7\u00f5es que compreendem uma verdade simples:<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t

                  \n\t\t\t\t\t\t\t\t\t

                  Os modelos s\u00e3o substitu\u00edveis. Os oleodutos n\u00e3o s\u00e3o. <\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t

                  \n\t\t\t\t\t\t\t\t\t

                  Tratar os pipelines de dados de IA como produtos de primeira classe \u2014 concebidos, governados e evolu\u00eddos deliberadamente \u2014 \u00e9 o que separa a IA experimental da capacidade duradoura.<\/p>

                  Se os modelos s\u00e3o a ponta vis\u00edvel do icebergue, os oleodutos s\u00e3o a estrutura sob a superf\u00edcie. Ignora-os, e o sistema acaba por colapsar. Investe neles, e a IA torna-se um ativo cumulativo em vez de uma desilus\u00e3o recorrente. <\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t

                  Perguntas Frequentes<\/h2>\t\t\t\t<\/div>\n\t\t\t\t
                  \n\t\t\t\t\t\t\t
                  \n\t\t\t\t\t\t
                  \n\t\t\t\t\n\t\t\t\t\t

                  1. O que s\u00e3o pipelines de dados de IA? <\/h3><\/span>\n\t\t\t\t\t\t\t\n\t\t\t<\/path><\/svg><\/span>\n\t\t\t<\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t
                  \n\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  Os pipelines de dados de IA s\u00e3o sistemas que ingerem, transformam, armazenam e fornecem dados aos modelos de IA atrav\u00e9s do treino e infer\u00eancia, incluindo camadas de monitoriza\u00e7\u00e3o e governa\u00e7\u00e3o.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t

                  \n\t\t\t\t\n\t\t\t\t\t

                  2. Porque \u00e9 que os pipelines de dados s\u00e3o mais importantes do que os modelos de IA? <\/h3><\/span>\n\t\t\t\t\t\t\t\n\t\t\t<\/path><\/svg><\/span>\n\t\t\t<\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t
                  \n\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  Os modelos transformam-se rapidamente em comoditiza\u00e7\u00e3o, enquanto os pipelines codificam o conhecimento organizacional, garantem fiabilidade e acumulam valor ao longo do tempo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t

                  \n\t\t\t\t\n\t\t\t\t\t

                  3. Qual \u00e9 o papel das feature stores nos pipelines de IA? <\/h3><\/span>\n\t\t\t\t\t\t\t\n\t\t\t<\/path><\/svg><\/span>\n\t\t\t<\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t
                  \n\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  As lojas de funcionalidades padronizam e reutilizam funcionalidades entre modelos, garantindo consist\u00eancia, governa\u00e7\u00e3o e experimenta\u00e7\u00e3o mais r\u00e1pida.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t

                  \n\t\t\t\t\n\t\t\t\t\t

                  4. Como \u00e9 que os pipelines de dados suportam a governa\u00e7\u00e3o da IA? <\/h3><\/span>\n\t\t\t\t\t\t\t\n\t\t\t<\/path><\/svg><\/span>\n\t\t\t<\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t
                  \n\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  Operacionalizam a governa\u00e7\u00e3o atrav\u00e9s da aplica\u00e7\u00e3o de controlos de acesso, registo de decis\u00f5es, possibilita\u00e7\u00e3o de auditorias e gest\u00e3o da linha de dados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t\t

                  \n\t\t\t\t\n\t\t\t\t\t

                  5. Os pipelines de dados de IA devem ser tratados como produtos? <\/h3><\/span>\n\t\t\t\t\t\t\t\n\t\t\t<\/path><\/svg><\/span>\n\t\t\t<\/path><\/svg><\/span>\n\t\t<\/span>\n\n\t\t\t\t\t\t<\/summary>\n\t\t\t\t
                  \n\t\t
                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  Sim. Tratar pipelines como produtos melhora a fiabilidade, usabilidade e escalabilidade a longo prazo dos sistemas de IA. <\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/details>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

                  Os modelos de IA transformam-se rapidamente em mercadorias. Os pipelines de dados n\u00e3o. Porque \u00e9 que pipelines robustos de dados de IA s\u00e3o o verdadeiro produto \u2014 e a verdadeira fonte de vantagem a longo prazo.<\/p>","protected":false},"author":1,"featured_media":3162,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"googlesitekit_rrm_CAow74HBDA:productID":"","footnotes":""},"categories":[395],"tags":[802,410,699,840,756,838,841,837,839],"class_list":["post-3160","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-engenharia-em-ia","tag-engenharia-de-ia","tag-estrategia-de-ia","tag-governacao-de-dados","tag-ia-de-producao","tag-infraestrutura-de-ia-2","tag-lojas-de-destaque","tag-mlops","tag-pipelines-de-dados","tag-sistemas-de-aprendizagem-automatica"],"_links":{"self":[{"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/posts\/3160","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/comments?post=3160"}],"version-history":[{"count":2,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/posts\/3160\/revisions"}],"predecessor-version":[{"id":3165,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/posts\/3160\/revisions\/3165"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/media\/3162"}],"wp:attachment":[{"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/media?parent=3160"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/categories?post=3160"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/nuno.digital\/pt-pt\/wp-json\/wp\/v2\/tags?post=3160"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}