Engenheiro de IA focado em aplicações LLM de produção, sistemas agênticos, pipelines de RAG e plataformas orientadas a avaliação.
Transformo problemas de negócio em software confiável: APIs, workflows de agentes, recuperação, avaliação, observabilidade, deploy e guardrails.
| Projeto | O que demonstra | Evidência |
|---|---|---|
| AutoDiag | Produto Python em um domínio de hardware real | PyPI, demo sem hardware, 89 testes, CLI e interface web |
| Forgehand | Entrega de software com múltiplos agentes | 95 testes, paralelismo, judge objetivo, gates humanos, estado durável e tracing |
| Enterprise RAG | Qualidade de recuperação medida | Busca híbrida, reranking, citações, Recall@K e MRR |
| SRAG Health Monitor | IA resiliente aplicada à saúde pública | 89 testes, ingestão DATASUS, jobs retomáveis, guardrails e relatório de exemplo |
| LoRA TweetSumm | Experimentação reproduzível em ML | Ablação de rank, ROUGE-L 0,357, CI, Docker e demo ao vivo |
| Sistema de Otimização Logística | Otimização aplicada a um problema brasileiro | OR-Tools, CVRP, comparação de algoritmos, testes e interface Streamlit |
- Qualidade: pytest, ruff, mypy e GitHub Actions
- Produção: Docker, filas/workers, health checks, retries e execução durável
- Avaliação: Recall@K, MRR, ROUGE, groundedness e datasets versionados
- Observabilidade: OpenTelemetry, Langfuse, Prometheus, custo e latência
- Dados: PostgreSQL, Qdrant, Neo4j e SQLite
- ML/LLM: PyTorch, Transformers, PEFT/LoRA, RAG, tool calling e JSON Schema
Forward Deployed AI Engineering: traduzir problemas de negócio complexos em sistemas de IA confiáveis, observáveis e mensuráveis.