Machine Learning Engineer · AI Engineer · Cientista de Dados Sênior
Eu gosto de projetos em que outra pessoa consegue abrir o repositório e entender o que foi executado, como foi medido e onde estão os limites.
Meu foco hoje está na parte que conecta modelagem e software: MLOps, RAG e visão computacional.
Neste recorte, o YOLO11n detecta veículos e o ByteTrack associa quatro deles ao longo dos frames. As outras caixas permanecem como detecções do frame. Limitei os IDs para não esconder a estrada.
É uma demonstração local sobre vídeo licenciado. Não mede acurácia, throughput de vídeo ou capacidade de uma estrada em produção.
Uma pergunta entra. A resposta volta com fontes. No modo Demo determinístico, o fluxo registra as fontes recuperadas, o motor usado, a latência e um hash da consulta.
É uma prova de conceito pública com dados fictícios. Não é produto em produção nem recomendação financeira.
Ver o commit usado na demonstração
A função desta interface é responder se existe evidência suficiente para promover um modelo. Ela
lê reports/metrics_extended.csv por um contrato tipado, apresenta as métricas registradas e
mantém o gate bloqueado quando a evidência não sustenta uma decisão.
No snapshot versionado, RF com PCA versus o baseline resulta em Recall +0,0559, Precision -0,0298, FP +405 e FN -112. O ganho de recall encontra mais positivos, mas vem acompanhado de mais falsos positivos. Sem custo e threshold, esse trade-off não define uma promoção.
O gate está bloqueado porque faltam cinco evidências: custo de falso positivo, custo de falso negativo, threshold escolhido, validação temporal e plano de monitoramento.
Por baixo da função, a arquitetura conecta CSV versionado, validação de schema, gráficos em Streamlit e runs rastreadas no MLflow. O projeto é acadêmico: não aprova ou recusa crédito e não foi validado para produção.
Ver o código e as evidências no commit usado
Um cenário fictício percorre POST /api/analyze, PipelineService e uma resposta JSON com
sentimento, entidades, tópico e textos similares. A interface mostra o caminho executado sem
tratar a demonstração como produto financeiro.
- Código executável: a interface precisa apontar para um caminho que outra pessoa consiga revisar.
- Métrica com protocolo: um número público precisa informar ambiente, método e o que ele não mede.
- Limite visível: experimento, demonstração e produção não são tratados como a mesma coisa.
Python · FastAPI · scikit-learn · MLflow · RAG/LLM evaluation · Computer Vision · MLOps · testes · governança de dados
Pós-graduação em Inteligência Artificial, Machine Learning e Deep Learning pelo Instituto Infnet, concluída em 2026.