Atuo na interseção entre produto, software e inteligência artificial aplicada. Estruturo problemas, transformo regras de negócio em arquiteturas documentadas e uso IA como apoio à pesquisa, implementação, revisão e criação. Meu foco é construir sistemas úteis, rastreáveis e preparados para evoluir.
Estou construindo presença pública com projetos próprios, GitHub Pages, automações com a API do GitHub e contribuições em organizações reais.
| Frente | Evidência |
|---|---|
| Developer Program | Membro do GitHub Developer Program, com integração própria usando GitHub API e dashboard público. |
| Projeto publicado | GitHub Repo Health Dashboard analisa saúde de repositórios e publica relatórios no GitHub Pages. |
| Contribuições externas | PRs abertos em pythonnative, open-hallucination-index e wcc-qa. |
Minha atuação está se especializando em três frentes complementares:
| Frente | O que desenvolvo |
|---|---|
| Sistemas de produto | Descoberta do problema, modelagem de domínio, arquitetura, roadmap, critérios de aceite e evolução por etapas. |
| Operações assistidas por IA | Organização de contexto, combinação de modelos e ferramentas, automações com supervisão humana e documentação das decisões. |
| Dados e ML aplicado | Feature engineering, validação temporal, métricas, backtesting e análise crítica de resultados experimentais. |
A NEXO é um ecossistema de CRM e inteligência operacional pensado para conectar dados, contexto e ações em um fluxo de trabalho coerente. Meu trabalho envolve definição de produto, arquitetura, experiência, documentação técnica e implementação.
O roadmap Enterprise está estruturado para explorar:
- enriquecimento de dados empresariais e contatos;
- transcrição e análise de reuniões;
- recomendações de próxima melhor ação e previsão;
- integrações com Google Drive e sistemas ERP;
- contratos de API, gates de entrega, testes e requisitos de LGPD.
O tier Enterprise está em fase de planejamento técnico. O repositório documenta arquitetura, contratos, etapas de implementação e critérios de validação antes da construção das funcionalidades.
Next.js · React · TypeScript · Tailwind CSS · Neon · Vercel
Laboratório reproduzível de machine learning aplicado a séries temporais financeiras. O projeto investiga como construir e avaliar um baseline de classificação direcional sem tratar desempenho histórico como evidência automática de capacidade preditiva.
| Camada | Implementação |
|---|---|
| Dados | Candles OHLCV via CCXT, normalização, rate limiting e novas tentativas com espera exponencial. |
| Inteligência | Indicadores técnicos, feature engineering temporal, Random Forest interpretável e LSTM opcional. |
| Validação | Split cronológico, TimeSeriesSplit, target sem futuro conhecido e alinhamento por timestamp. |
| Simulação | Taxas de entrada e saída, slippage adverso, stop-loss, take-profit e encerramento por sinal. |
| Qualidade | GitHub Actions, lint, formatação, 15 testes automatizados e cobertura mínima exigida no CI. |
O resultado mais importante não é prometer lucro: é tornar hipóteses, custos, limitações e métricas auditáveis. O repositório inclui execução sintética reproduzível e documentação das próximas etapas para uma avaliação walk-forward mais rigorosa.
Projeto educacional. Não executa ordens, não utiliza dinheiro real e não representa recomendação financeira.
01Compreender — contexto, problema, usuário e restrições02Estruturar — domínio, requisitos, riscos e critérios de sucesso03Projetar — arquitetura, contratos, etapas e experiência04Construir — implementação incremental com IA como apoio operacional05Validar — testes, revisão, métricas e registro das decisões
Uso diferentes modelos e ferramentas de forma complementar, escolhendo cada um pelo papel que desempenha no processo. A IA acelera exploração e execução; contexto, critérios técnicos e revisão humana continuam responsáveis pela qualidade do resultado.
Tenho interesse em colaborar em produtos com IA aplicada, sistemas internos, automações, experiências orientadas por dados e projetos que precisam transformar uma ideia ainda difusa em uma implementação clara e verificável.
Contexto antes do prompt. Critério antes da automação. Evidência antes da conclusão.