python
Trajetória
- amazon web services grande modelo de linguagem nestjs python pytorch reconhecimento ótico de caracteres
Função: Desenvolvedor Full Stack & Desenvolvedor Líder dos Projetos Synthesia & Avapre
Expandiu o escopo de liderança além do projeto Synthesia para liderar Avalia Preenche (Avapre), um sistema avançado de extração de documentos alimentado por IA.
- Pipelines Inteligentes: Engenharia de fluxos robustos de OCR e extração de dados estruturados usando Pytorch, OpenCV e Grandes Modelos de Linguagem (LLMs), reduzindo significativamente a entrada manual de dados para provedores de saúde.
- Escalabilidade: Otimizou desempenho para processamento de alto volume em um ambiente de saúde crítico.
- Suporte a Sistemas Legados: Identificou e resolveu bugs críticos em sua plataforma legada, garantindo estabilidade e confiabilidade do sistema enquanto integrava novos recursos.
-
Uma solução de Aprendizado Profundo projetada para detectar cabeçalhos SMTP falsificados. Este projeto aborda a escassez de conjuntos de dados rotulados em cibersegurança empregando Geração de Dados Sintéticos para treinar modelos robustos capazes de identificar tentativas sofisticadas de phishing.
- Stack Tecnológico: Python, PyTorch.
- Resultado: Publicado como artigo completo em SBSeg 2025.
-
Função: Desenvolvedor Full Stack & Líder Synthesia
Promovido para o Setor de Inovação para arquitetar Synthesia, uma plataforma de IA personalizada para o mercado de saúde complementar utilizada por gigantes como Hapvida.
- Arquitetura RAG: Projetou e implementou um pipeline de Geração Aumentada por Recuperação (RAG) capaz de processar fontes de dados diversas com alta precisão.
- Agentes de IA: Desenvolveu agentes baseados em LLM customizáveis integrados com sistemas corporativos externos via API.
- Impacto: Entregou um conjunto de ferramentas flexível e fácil de usar que acelerou a adoção de IA para clientes, passando de conceito para solução pronta para produção.
-
Provedor: Alura
Especialização abrangente de 48 horas cobrindo o ciclo de vida completo de Aprendizado de Máquina. Focado em pré-processamento de dados, engenharia de características e implantação de modelos de classificação/regressão. Validou expertise em métricas de avaliação de modelos e fluxos de ML prontos para produção.
-
Provedor: Alura
Focado na operacionalização de AM. Desenvolveu painéis interativos baseados em web usando Plotly Dash para visualizar saídas de modelos, permitindo que stakeholders interajam com predições em tempo real e insights de dados.
-
Provedor: Alura
Focado em arquiteturas de dados sequenciais, utilizei PyTorch para projetar e implementar Long Short-Term Memory (LSTM) e Gated Recurrent Units (GRU), abordando efetivamente o problema do gradiente que desaparece para manter dependências temporais em tarefas complexas de time-series e linguagem natural.
-
Provedor: Alura
Implementação de técnicas de aprendizado não supervisionado. Focado em particionamento de dados usando algoritmos como K-Means, avaliação de validade de clusters e extração de padrões de conjuntos de dados de alta dimensionalidade sem rotulação prévia.
-
Provedor: Alura
Análise estatística e modelagem preditiva. Aplicou Regressão Linear para identificar correlações entre variáveis e quantificar o impacto de características em resultados-alvo usando testes de significância estatística.
-
Provedor: Alura
Desenvolvimento de pipelines robustos de classificação usando SKLearn. Focado em seleção de modelos, validação cruzada e métricas de desempenho (Precision, Recall, F1-Score) para resolver problemas de classificação multiclasse e binária.
-
Provedor: Alura
Análise aprofundada na mecânica matemática do treinamento. Explorou a lógica por trás da retropropagação, descida de gradiente e otimização de funções de perda para ajustar pesos internos e garantir convergência do modelo.
-
Provedor: Alura
Implementação prática de redes neurais usando a API de alto nível Keras. Focado em preparação de dados, construção de modelos Sequential, e execução de ciclos de treinamento para tarefas de aprendizado supervisionado.
-
Provedor: Alura
Aplicação de Keras para modelagem preditiva, focando em ajuste de hiperparâmetros, métricas de avaliação de modelos e otimização de redes neurais para previsões de alta precisão em ambientes de produção.
-
Provedor: Alura
Implementação fundamental de redes neurais. Cobriu pré-processamento de dados para aprendizado profundo, construção de modelos sequenciais e compreensão de funções de ativação em contexto de aprendizado supervisionado.
-
Provedor: Alura
Treinamento abrangente cobrindo o ciclo de vida completo de modelos de aprendizado profundo. Focado em operações com tensores, construção de arquiteturas neurais customizadas e implementação de ciclos de treinamento usando PyTorch para problemas não-lineares complexos.
-
Provedor: Alura
Dominei a mecânica de otimização de modelos profundos configurando solvers avançados como Adam e SGD, enquanto aplicava estrategicamente métodos de regularização como Dropout e weight decay para garantir generalização robusta e prevenir overfitting durante o processo de retropropagação.
-
Provedor: Alura
Focado em arquiteturas de dados sequenciais, utilizei PyTorch para projetar e implementar Long Short-Term Memory (LSTM) e Gated Recurrent Units (GRU), abordando efetivamente o problema do gradiente que desaparece para manter dependências temporais em tarefas complexas de time-series e linguagem natural.
-
Provedor: Alura
Implementação avançada de modelos de visão computacional. Focado em design de arquitetura CNN, incluindo camadas convolucionais, pooling e estratégias de dropout para extração de características e tarefas de classificação de imagens.
-
Provedor: Alura
Este certificado focou na implementação de baixo nível de arquiteturas neurais usando Tensors e grafos computacionais, onde aproveitei o módulo torch.nn para construir Perceptrons Multicamadas e definir estratégias customizadas de inicialização de pesos para desafios de classificação não-linear.