Código público, problema de negócio claro e número na mesa. Cada projeto abaixo tem repositório no GitHub — e os principais têm a história completa contada no blog.
Cinco agentes de IA que atendem por e-mail os três momentos da jornada do cliente de uma agência de turismo: vender, acompanhar e reativar. Avaliador identifica o remetente na base antes de qualquer resposta, orquestrador roteia para o especialista certo, e os três especialistas respondem ancorados no portfólio real via RAG (pgvector) — com memória por conversa, agendamento no calendário e workflow de tratamento de erro.
Automação que monitora uma caixa de e-mail, lê notas fiscais em PDF com IA multimodal, classifica entre serviço e venda, extrai os campos em schema estruturado e concilia contra o controle interno — substituindo horas diárias de digitação. A tese do projeto: IA onde há ambiguidade (nenhum leiaute de NF é igual), automação onde há regra.
Projeto completo de classificação para decidir concessão de crédito pessoal: estima a probabilidade de 90+ dias de atraso em dois anos e converte essa probabilidade em política de aprovação. Cinco candidatos comparados com validação cruzada estratificada e intervalos por bootstrap, pipeline com vazamento impossível por construção, e calibração tratada como requisito — porque a decisão opera sobre a probabilidade, não sobre o ranking.
Três formatos: a documentação técnica fase a fase, a série de 12 artigos com a narrativa, e o explicador interativo de curva ROC.
Projeto completo de regressão supervisionada sobre 38.753 clientes de uma empresa de educação online, seguindo CRISP-DM do dado bruto ao deploy. Restrição central: apenas features disponíveis na primeira compra (zero data leakage). Quatro modelos comparados com validação cruzada em 5 folds; deploy como ferramenta de decisão com teto de CAC por segmento, decomposição de coeficientes e faixa de erro.
Algoritmo em Python para classificação e detecção de poros predominantes (PPD) e efetivos (EP) em imagens microtomográficas 2D/3D de rochas reservatório. Particiona o espaço poroso, calcula métricas de porosidade e melhora a compreensão do fluxo de fluidos — publicado no Journal of Petroleum Exploration and Production Technology (Springer) e entre os melhores artigos do congresso do IBP.
Painel Streamlit em que agentes de IA orquestrados com LangChain coletam estatísticas do IBGE via web scraping, buscam vagas com pesquisa inteligente na web e mapeiam as habilidades mais demandadas por área — transformando dados dispersos em orientação de carreira acionável. Projeto de extensão universitária com licença MIT.
Trilha prática de deep learning: criação de base de dados e treinamento de rede YOLO para detecção de objetos, classificação de gestos numéricos com redes neurais, transfer learning para aproveitar pesos de redes robustas e avaliação de modelos sobre o MNIST — cada etapa em seu repositório, com notebooks documentados.
Desenvolvimento de APIs em Python guiado por testes: FastAPI com TDD e uma API de gestão de atletas com operações CRUD. A ponte direta entre meus 5+ anos sustentando APIs em produção e o ecossistema Python de dados — engenharia de software aplicada a serviços de ML.
Dashboard de indicadores com Streamlit, app de evolução de preço de ações e análises exploratórias com pandas sobre bases CSV e dados do Instagram — o ciclo completo de transformar dado bruto em visualização que responde pergunta de negócio.
No blog eu abro o processo: as decisões, os erros, e o que os dados tentaram esconder no caminho.