Como Engenheiro de Machine Learning (MLOps), trabalho em estreita colaboração com as equipes de DevOps, Engenharia de Dados e Ciência de Dados, executando diversas demandas de desenvolvimento relacionadas à Inteligência Artificial. O objetivo é otimizar o fluxo de desenvolvimento entre as equipes, considerando todos os aspectos das áreas envolvidas. Minhas atividades incluem principalmente:- Desenvolvimento de modelos e aplicações de Machine Learning utilizando a cultura MLOps.- Versionamento de modelos e métricas com ferramentas como MLFlow.- Disponibilização de modelos para predição em ferramentas como FastAPI e API Gateway (AWS).- Preparação e transformação de bases de dados em diferentes formatos (grafos, vetoriais, relacionais, colunares e documentos) e sua disponibilização em nuvem (AWS).- Suporte às boas práticas de desenvolvimento e versionamento de código em Python.- Criação de pipelines para CI/CD para deploy de aplicações.- Disponibilização de ambientes e ferramentas para o desenvolvimento de modelos de Machine Learning, como SageMaker.- Documentação técnica de processos.- Auxílio na construção de modelos e features, especialmente usando NLP.

Projeto: Casos ClínicosProjeto de desenvolvimento para simulação de consultas médicas, visando auxiliar alunos em formação na área de medicina. Utilizando diversas ferramentas de inteligência artificial e de realidade virtual, o software simula a interação com pacientes virtuais, proporcionando um ambiente de treinamento para alunos ainda em formação.Como arquiteto, atuo para garantir a disponibilidade de serviços juntamente com a equipe de DevOps, como rastreamento de experimentos, disponibilização de modelos de IA, criação de pipelines para CI/CD, criação de máquinas virtuais e configuração de ambiente em nuvem (AWS) e dou suporte de boas práticas de desenvolvimento e versionamento de códigos em Python. Paralelamente, também ofereço suporte na construção de novos modelos e melhoramento de metodologias para equipe de IA, além de executar pesquisa científica na área de NLP e codificação de ferramentas para integrar os sistemas da empresa com IA.

Projeto: CuriosityProjeto de desenvolvimento destinado à análise, processamento e enriquecimento de dados para a criação de modelos estatísticos e de machine learning, com o objetivo de detectar anomalias e fraudes utilizando dados de diferentes níveis de complexidade e estrutura oriundos de medidores elétricos.Como cientista de dados, atuei no ciclo completo do projeto, desenvolvendo etapas como: criação de scripts em Python para o processamento dos dados, enriquecimento e persistência dos dados em diferentes formatos, a realização de análises exploratórias alinhadas com a equipe de hardware para detectar possíveis pontos de melhoria ou bugs na geração dos dados, e a criação de modelos supervisionados e não supervisionados para a detecção de anomalias ou novos padrões nos dados gerados pelos medidores.Além disso, trabalhei na disponibilização desses modelos por meio de ferramentas de linha de comando, facilitando sua integração em pipelines já existentes na plataforma Azure DevOps, aumentando a robustez da validação do sistema. Ocasionalmente, também executava pesquisas científicas relacionadas à detecção de fraude, utilizando dados de origem analógica, como tensão, corrente e potência elétrica, com o objetivo de detectar fraudes em grids elétricos.

Projeto: lgDATSistema de gerenciamento e configuração de medidores elétricos e industriais, focado no mercado nacional brasileiro. O software abstraía os detalhes técnicos, permitindo uma rápida configuração e conferência dos dados dos medidores.Como programador Full-Stack, trabalhei em todas as partes da aplicação, incluindo a simulação de medidores físicos utilizando Mocks em Python, a criação de uma API REST em Flask para comunicação dos medidores, o desenvolvimento do Front-end utilizando jQuery, Bootstrap e Electron, e a criação de regras para leitura e persistência de dados nos medidores.

Projeto: Data Science Butler (DSB)Plataforma de suporte para versionamento, gerenciamento e controle de experimentos em machine learning, especialmente focada nas necessidades de cientistas de dados e inspirada na metodologia CRISP-DM. Por meio de um sistema com interface web ou um sistema de linha de comando (CLI) é possível executar e analisar projetos ciência de dados de forma padronizada entre diferentes equipes.Como programador Full-Stack, trabalhei em todas as partes da aplicação, desde o módulo de gerenciamento, versionamento e controle (o núcleo da aplicação), até a API REST de comunicação, utilizando Python e Flask. Além disso, desenvolvi as interfaces de interação com o usuário, que incluíam um sistema web feito em Angular e uma interface de linha de comando (CLI) feita em Python.