Focado em MLOps, arquitetura distribuída e IA aplicada — incluindo NLP em produção e PINNs (Physics-Informed Neural Networks).
Sou estudante de Ciência da Computação e gosto de resolver problemas difíceis na interseção entre engenharia de software e inteligência artificial — do notebook ao código que roda em serviço.
No dia a dia, divido o tempo entre:
- Pesquisa / modelagem: Physics-Informed Neural Networks (PINNs) aplicadas a contextos industriais (fluidodinâmica e EDPs), unindo perda baseada em física com deep learning.
- Engenharia de ML e dados: pipelines ETL/ELT, APIs que expõem modelos, containers e mensageria para desacoplar treino e inferência.
🔭 Em foco agora: MLOps, arquiteturas orientadas a eventos e PINNs para fluidodinâmica.
🌱 Aprendendo: System design avançado e boas práticas de observabilidade em sistemas com ML.
💡 Interesses: AI engineering, cloud, arquitetura de microsserviços e produtos com impacto (agro, dados financeiros, APIs científicas).
⚡ Curiosidade: Gosto de ligar teoria matemática rigorosa a código legível e reproduzível.
Pipeline NLP end-to-end: modelo em produção consumido por uma API desacoplada, pensada para escalabilidade.
Tech: FastAPI, BERT / deep learning, Docker, filas e persistência.
Destaque: Separação producer/consumer e foco em inferência assíncrona.
Redes neurais guiadas pela física para problemas ligados à equação de Burgers / Navier-Stokes.
Tech: Python, TensorFlow / PyTorch, NumPy, SciPy.
Destaque: Perda física (physics loss) para aprender com menos dados rotulados e respeitar restrições do domínio.
Experiências em hackathon NASA: consumo de dados públicos, modelos para cenários de impacto e APIs pensadas para escala.
Tech: Python, APIs REST, integração com dados NASA.
ETL/ELT e análise para hipóteses de negócio no mercado de fundos imobiliários, com stack de dados moderna.
Tech: Python, PySpark, MinIO, estatística e análise espacial.
PoC com arquitetura orientada a eventos para reduzir latência na detecção de anomalias climáticas em estufas (precisão agrícola).
Tech: Jupyter, pipelines de dados, visão de MLOps/EDA.
API REST em Java / Spring Boot para registro, autenticação e validação — base sólida de backend e boas práticas de API.
Tech: Spring, Docker Compose, segurança em camadas.