Engenheiro Sênior de ML & IA
Mais de 6 anos construindo sistemas de ML e IA em produção em startups e grandes empresas. Engenheiro de ML certificado pela AWS, com expertise em Kubernetes, LLMs e MLOps. Orientado por código limpo, infraestrutura sólida e impacto mensurável.
Online
Stack
Disciplines
Projetos, treinamento e colocação em produção de modelos ao longo de todo o ciclo de vida — da experimentação à inferência confiável e de baixa latência em escala. Plataformas construídas para servir dezenas de milhões de predições por semana.
Desenvolvimento de aplicações com LLMs e chatbots, pipelines RAG e agentes de IA. Instrumentação e monitoramento de sistemas de IA para qualidade, drift e custo em ambientes de produção.
Workflows de treinamento em containers, rastreamento de experimentos com MLflow, pipelines de CI/CD automatizados e versionamento de modelos para entrega reproduzível e auditável no SageMaker e Kubernetes.
Construção de pipelines robustos de ingestão e transformação com Spark e Airflow. Design de feature stores — online e offline — que mantêm as distribuições de treinamento e serving consistentes.
Instrumentação de modelos e infraestrutura com Prometheus e Grafana. Detecção de data drift, degradação de scores e regressões de qualidade em chatbots por meio de alertas automatizados e dashboards estruturados.
Arquitetura de plataformas de ML nativas em nuvem na AWS — clusters de computação, registros de modelos, infraestrutura gerenciada com Terraform e a espinha dorsal Kubernetes que conecta experimentação, treinamento e serving.
Selected Work
Arquitetura e construção de uma plataforma de serving de ML em produção que atingiu dezenas de milhões de predições por semana. Entregou microsserviços para treinamento, busca de hiperparâmetros com AutoML, medição de fairness e explicabilidade de modelos — todos rodando em Kubernetes com CI/CD automatizado.
Design e implementação de monitoramento end-to-end para chatbots com LLMs e modelos de scoring com IA. Criação de dashboards e pipelines de alerta cobrindo qualidade de respostas, saúde da ingestão de dados e drift de scores de modelos, usando Prometheus e Grafana em caminhos de features online e offline.
Migração de uma suite de jobs ETL em PySpark para Scala/Spark idiomático, atingindo até 6× de melhoria em throughput. Simultaneamente, simplificação de um pipeline de Visão Computacional substituindo um modelo pesado por um algoritmo mais leve que melhorou tanto a acurácia quanto o custo — menos complexidade, melhores resultados.
Tools & Technologies
Vamos conversar
Disponível para consultoria, freelance e posições sênior em tempo integral.
Entre em Contato