Demo Industry Dashboard
Demo de produção e inteligência para controle de manufatura, com agente conversacional que cria tarefas e monitora indicadores via chat.
Experiência
Cientista de Dados
FIT — Instituto de Tecnologia · Manaus, Brasil
- Arquitetura multi-agente com LangGraph para análise de telemetria industrial e dados estruturados de produção.
- RAG com FAISS correlacionando métricas em tempo real com logs históricos, reduzindo alucinações em diagnósticos de falhas.
- MCP Servers em Python desacoplando acesso a dados (SQL/NoSQL) da lógica dos modelos.
- Engenharia de contexto avançada: redução de 30–50% no consumo de tokens na AWS Bedrock.
- Observabilidade completa via Langfuse (tracing, benchmarking e avaliação qualitativa em produção).
Analista de Machine Learning
Venturus · Manaus, Brasil
- Arquitetura RAG on-premise com LLMs locais (Llama quantizado) — zero exposição de dados a APIs externas.
- Migração de pipelines lineares LangChain para sistemas stateful com LangGraph (memória, ramificações, recuperação de erros).
- Observabilidade com LangSmith para tracing, debugging e evals em todo o fluxo generativo.
- Busca semântica de alta escala com embeddings HuggingFace + FAISS sobre grandes corpora.
Cientista de Dados
European Bioinformatics Institute (EMBL-EBI) · Cambridge, Reino Unido
- Algoritmos de object tracking e processamento digital de sinais em Python/OpenCV para detecção automatizada de frequência cardíaca em vídeos de alta resolução.
- Pipelines escaláveis em infraestrutura Linux/HPC para análise de imagem biológica em larga escala.
- Publicação no journal Bioinformatics (Oxford Academic) — doi:10.1093/bioinformatics/btae664.
Pesquisador Pós-Doutorado
INPA — Instituto Nacional de Pesquisas da Amazônia · Manaus, Brasil
- Redes LSTM/RNN em TensorFlow/Keras para modelagem preditiva de séries temporais e classificação comportamental.
- PCA e clustering para engenharia de features em dados biológicos de alta dimensionalidade.
- Integração de sensores IoT com visão computacional em pipelines multimodais validados estatisticamente.
- Publicação no periódico FACETS — doi:10.1139/facets-2023-0221.
Formação
Ph.D.
Biologia Computacional
INPA · 2011 – 2015
Mestrado
Biologia Computacional
INPA · 2004 – 2006
Bacharel
Ciências Biológicas
UNIARA · 1999 – 2003
Tecnólogo
Ciência de Dados
Estácio · 2024 – 2026
▸ demos & sistemas em produção
Highlight · Projeto recente
Agente que automatiza o trabalho de gerentes de manufatura
Orquestrador multi-agente em LangGraph que substitui rotinas manuais de gerentes industriais. Conversa em linguagem natural, escreve código Python sob demanda e executa de forma autônoma em sandbox isolado. Demo ao vivo →
Start
↓
🤖 Orquestrador
↙
🔍 Analista (ReAct)
↘
📅 Scheduling (ReAct)
SchedulingGraph (StateGraph)
⚡ Gerar Código
↓
🧪 Testar Sandbox
← Erro
🔧 Auto-Corrigir
↑ Retry
↓
💾 Banco SQLite
↓
End
langgraph_agent_runtime.log
> Selecione uma tarefa acima e clique em "Executar Agent Loop" para iniciar a simulação...
⤢ ampliar
graph TD
User["Usuário"]
subgraph Orch["Orquestrador"]
OT["🤖 Orquestrador (LLM)"]
end
User --> OT
OT -->|resposta via chat| User
subgraph ANA["Sub-Agente Analista"]
AT["🔍 Analista ReAct (LLM)"]
end
OT -->|delega analise| AT
AT -->|dados e relatorios| OT
subgraph SCH["Sub-Agente Scheduling"]
ST["📅 Scheduler ReAct (LLM)"]
end
OT -->|gerencia agenda| ST
subgraph SG["SchedulingGraph (StateGraph)"]
SG1["⚡ Criar Tarefa (LLM)"]
SG2["✓ Consultar Dados"]
SG_G["⚡ Gerar Codigo (LLM)"]
SG3["✓ Testar Sandbox"]
SG_E["⚡ Editar Codigo (LLM)"]
SG4["⚡ Corrigir Codigo (LLM)"]
SG5["✓ Salvar SQLite"]
SG6["✓ Retornar Status"]
end
SG1 -->|busca dados| SG2
SG2 -->|cria codigo| SG_G
SG_G -->|testa sandbox| SG3
SG_E -->|testa sandbox| SG3
SG3 -->|erro retry| SG4
SG4 -->|retestar| SG3
SG3 -->|sucesso| SG5
SG5 -->|concluido| SG6
OT -->|criar agendamento| SG1
OT -->|editar agendamento| SG_E
SG2 -->|solicita analise| AT
AT -->|envia dados| SG2
DB[("mfg.db - SQLite")]
SG5 -->|persiste script| DB
ST -->|CRUD banco| DB
SG6 -->|sucesso| OT
subgraph DAEMON["Daemon (60s)"]
RUNNER["⚙️ Daemon Runner"]
end
DB -->|executa pendente| RUNNER
RUNNER -->|registra log| DB
RUNNER -->|envia e-mails| User
classDef default fill:#1E293B,stroke:#475569,stroke-width:1px,color:#F8FAFC;
classDef agent fill:#312E81,stroke:#6366F1,stroke-width:1px,color:#E0E7FF;
classDef agentllm fill:#312E81,stroke:#facc15,stroke-width:2px,color:#E0E7FF;
classDef sg fill:#1e3a1e,stroke:#4ade80,stroke-width:1.5px,color:#bbf7d0;
classDef sgllm fill:#1e3a1e,stroke:#facc15,stroke-width:2px,color:#bbf7d0;
classDef storage fill:#0F2027,stroke:#0EA5E9,stroke-width:1px,color:#7DD3FC;
classDef daemon fill:#0c1a2e,stroke:#38BDF8,stroke-width:1.5px,color:#7DD3FC;
classDef user fill:#1a2535,stroke:#38BDF8,stroke-width:2px,color:#E0F2FE,font-weight:bold;
class OT,AT,ST agentllm;
class SG2,SG3,SG5,SG6 sg;
class SG1,SG_G,SG_E,SG4 sgllm;
class DB storage;
class RUNNER daemon;
class User user;
Live Demo · Padrão MCP + LLM
MCP Agent — Demonstração Real
4 ferramentas industriais expostas como MCP tools — o LLM decide qual chamar e com quais argumentos, o servidor executa e retorna dados dinâmicos de verdade.
Faça uma pergunta ao agente:
Tools expostas pelo servidor MCP:
query_oee_telemetry(line_id, timeframe_hours)
get_machine_status(machine_id)
list_production_lines()
send_alert(message, level)
mcp_agent_runtime.log
// Clique num chip ou escreva uma pergunta e pressione "Executar via MCP Agent"…
Meus Projetos em Destaque
Agentes de IA — projetos recentes em produção
Acing Interviews
Plataforma de simulação de entrevistas com agente de IA — perguntas específicas ao cargo, feedback instantâneo (texto e voz) e scorecards personalizados.
Visão Computacional — trabalhos publicados
Fish Behaviour Detection
Análise de movimento e comportamento de peixes via Python, Jupyter e processamento de vídeo. Repositório com notebooks e scripts.
Publicação — Bioinformatics (Oxford)
Trabalho de análise e bioinformática publicado na revista Bioinformatics da Oxford Academic.
Vídeos Técnicos Produzidos
LangGraph, LangChain e IA agêntica na prática — canal no YouTube →
