Gosto de resolver problemas desafiadores.

A alocação dependia de alguém cruzar manualmente disponibilidade, senioridade e histórico. O agente faz esse cruzamento a cada atribuição.

• Construí um agente de recomendação para atribuição de trabalho que considera senioridade, adequação aos requisitos, férias programadas e similaridade semântica com as experiências anteriores de cada pessoa.
• Desenhei a arquitetura multiagentes por trás do chatbot interno e dos dashboards automatizados, para que gestores consultem capacidade operacional e férias direto, sem montar relatórios à mão.
• Automatizei a análise de dados da feature de capacidade operacional, trocando a consolidação manual em planilhas por dashboards que se atualizam sozinhos.

• Fiz deploy de modelos locais em máquinas virtuais para uso em produção, mantendo a inferência dentro de casa.
• Usei OpenRouter para levar modelos às features de forma rápida e direta, trocando de modelo sem reescrever integrações.
• Atuo como back-end em toda a codebase: code review, correção de bugs e manutenção de serviços em produção.
• Desenvolvo as features de IA com spec-driven development (Spec Kit / SDD) e uso o Orca para orquestrar agentes de código em worktrees paralelas.

A primeira versão usava Tesseract e templates por coordenadas anotados no Label Studio: cada companhia nova exigia anotar as áreas da fatura à mão, e qualquer mudança de layout quebrava a extração. Reconstruí a solução com LLMs e verificação matemática.

• Desenhei uma pipeline em etapas: um modelo barato classifica a fatura primeiro e depois três extrações rodam em paralelo: dados base, tributos e dados específicos de energia, água ou gás.
• Tornei as etapas combináveis sob demanda: 5 pipelines prontas ou só as etapas que a requisição pedir; se uma etapa falha, as outras seguem e o resultado volta como parcial.
• Construí uma validação sem IA: dígitos verificadores da linha digitável (formatos de 44, 47 e 48 dígitos), valor do código de barras contra o total da fatura, base × alíquota dos tributos, soma dos itens e datas.
• Implementei correção automática: quando o modelo erra a linha digitável ou o CNPJ, o sistema corrige pelo texto do PDF.
• Deixei a solução robusta para produção: saída validada contra schema, fallback entre provedores (Google e OpenAI) e detecção de quando o modelo entra em loop.
• Garanti rastreabilidade com 7 prompts versionados e registro de custo, tokens e latência por resposta.
• Disponibilizei o acesso por API REST síncrona, processamento assíncrono por fila RabbitMQ e linha de comando.

Cada rodada atacou um problema observado (loops do modelo, limite de requisições, resolução da imagem, erro de dígitos) e foi registrada num gabarito comparativo com 3 tipos de serviço.

• O consumo extraído corretamente foi de 75% (6/8) para 100% (8/8), e o valor total extraído corretamente subiu 20 pontos percentuais.
• As etapas com falha caíram 100%, o tempo médio por fatura caiu 44% e o tempo máximo por fatura foi de 259,9 s para 45,5 s (−82%).
• O custo por fatura caiu pelo menos 54%, e cada companhia nova deixou de exigir template ou anotação manual.
• Fiz um estudo de viabilidade de modelos abertos em GPU própria ou alugada, estimando de US$ 3 a US$ 15 por 1.000 faturas numa VM com L40S.

• Construí a pipeline original de OCR em Python com Tesseract em hardware limitado, mantendo baixo o uso de CPU/RAM.
• Anotei os campos das contas no Label Studio e treinei modelos específicos por companhia e um modelo generalista, com reconhecimento automático da companhia e do padrão da conta.

Bolsista de pesquisa e desenvolvimento no projeto “Pesquisa sobre modelos de inteligência artificial aplicados a documentos jurídicos no Ministério Público do Rio Grande do Norte (MPRN) como apoio ao desenvolvimento de um projeto de Laboratório de Inteligência Artificial”.

• Construí a extração estruturada de PDFs jurídicos com mais de 500 páginas usando PyTesseract e Azure, reduzindo o tempo de extração de 15 para 3 minutos por documento.
• Trabalhei o paralelismo do OCR na GPU, com ganho de aproximadamente 200% na velocidade de processamento.
• Transformei o texto extraído em insumo para embeddings que alimentam uma pipeline de IA usada como pré-análise de cada caso.
• Desenvolvi uma API de extração de texto de processos jurídicos com diferentes métodos de extração, usando Tesseract OCR, PyMuPDF e FastAPI.

• Atuei como desenvolvedora back-end com FastAPI.
• Comparei o desempenho de Apache Cassandra, MongoDB e PostgreSQL (vetorial) em inserção, busca, busca por regex e busca vetorial, em ambiente Docker.
• Pesquisei modelos DeepSeek rodando no Ollama para aplicação em sistemas internos.
• Implementei uma API de integração com a IA do Google usando FastAPI.
• Estudei a arquitetura Transformer e métodos de representação textual como Bag of Words, TF-IDF e Word2Vec.

• Construí o módulo de cadastro e identificação de pacientes oncológicos, facilitando o acesso ao hospital e diminuindo o tempo de espera no atendimento.
• Corrigi bugs no sistema existente do hospital como desenvolvedora full stack.

• Construí páginas de concursos e páginas de avisos usadas pelos candidatos para acompanhar cada processo seletivo.
• Corrigi bugs e mantive a plataforma em produção, no front-end e no back-end.