Inicialmente, o cargo exercido no laboratório FEMTOLAB foi o de programador Front-End,utilizando React.JS para realizar a codificação de interface fornecida pelo designer da equipe. Houve a necessidade de realizar alterações no Back-End do projeto, feito em Node.JS, no entanto as alterações foram pontuais.Após a experiência de desenvolvedor Front-End, fui movido para o cargo de Designer, sendo responsável pela prototipação das telas e dos componentes do sistema. Os componentes foram criados no Figma e seguiu-se a metodologia de Atomic Design, tendo os átomos, moléculas, organismos e templates adicionados no Design System e fornecidos para a equipe de desenvolvimento. As interfaces, também feitas no Figma, foram amplamente testadas por meio de testes de usabilidade para verificação da Experiência de Usuário tanto com membros da equipe quanto com externos, que utilizavam o sistema pela primeira vez. Com o desenvolvimento pessoal dentro do laboratório, a participação em reuniões aumentou e, portanto, a validação e coleta de requisitos se tornou mais frequente, tornando o processo de Design de interfaces mais iterativo.Dentro do laboratório, também foi realizado um processo de branding, procurando representar não apenas o que o FEMTOLAB representava para os stakeholders mas também para os funcionários. Foram realizadas pesquisas com líderes e bolsistas para determinação de cores, formas, tipografia e outros elementos para a identidade. Durante o processo de branding, foi criada uma logo, crachás, broches, cabeçalhos para A4, carimbos, banners e assinaturas para e-mail. Também foram criados assets para serem utilizados para produção de novos elementos da identidade do laboratório.

Desenvolvimento de experiência em realidade virtual desenvolvida em Unity 3D votlada para o Vive Focus 3.O projeto constou com a modelagem e animação de maquinário industrial que simulava uma linha de montagem, com modelos feitos no Blender e animações realizadas utilizando as ferramentas do Unity de posicionamento de coordenadas. Na codificação, foram aplicados conceitos de Máquinas de Estado para que cada máquina da linha de montagem funcionasse isoladamente mas pudesse se comunicar com as restantes quando necessário.

Trabalho de pesquisa científica voltada em Inteligência Artificial, Machine Learning e CNNs. O dataset consistiu de 1400 imagens de sementes de cacau, dispostas de forma balanceada em 14 classes que apresentavam diferentes níveis de qualidade. As imagens propostas já haviam sido utilizadas em trabalho anteriores e obteve resultados altos com redes mais simpoles, o que gerou a pesquisa para verificar que resultados poderiam ser obtidos com redes mais complexas.O trabalho foi realizado em Python, utilizando os frameworks Keras e Tensorflow, onde o dataset foi passado em modelos conceituados na literatura para verificar o seu desempenho. Após apresentar desempenhos indesejáveis, decidiu-se utilizar a abordagem de Comitês de Redes Neurais, agrupando os 3 melhores modelos e obtendo os resultados a partir de votação majoritária simples.Com resultado de 89% de acurácia na detecção das classes das sementes, a pesquisa gerou um artigo que foi publicado no WCAMA 2022 e o código produzido foi adicionado à um repositório no GitHub para fácil reprodução do processo da pesquisa.