Decision Intelligence
Credit Risk, Pricing, Analytics, Decision Engines e inteligência comercial.
Liderança de plataformas de decisão corporativa, governança e inteligência artificial no setor financeiro.
São Paulo, Brasil · Português (Nativo) · Inglês (Fluente/Profissional) · Espanhol (Profissional)
“Transformar dados em informação já não é suficiente. As empresas modernas serão definidas não pelo volume bruto de dados, mas pela velocidade, governança e precisão das decisões que conseguem automatizar e escalar.”
Liderança conectando estratégia, tecnologia e negócio para modernizar operações, acelerar decisões e construir plataformas escaláveis em ambientes financeiros complexos.
Credit Risk, Pricing, Analytics, Decision Engines e inteligência comercial.
Data Engineering, Cloud, integração, governança, LGPD e plataformas analíticas.
Generative AI, MLOps, Intelligent Platforms, guardrails e sistemas de agentes.
MIT, Mackenzie, USP, FIAP; Microsoft Azure, Oracle OCA e outras certificações.
Uma plataforma multimodal para aprender, criar e operar com inteligência — conectando cursos, vídeo, RAG, agentes, observabilidade e arquitetura de produção.
Visão técnica do StudyFlow com diagramas Mermaid versionáveis. Cada aba explica uma responsabilidade específica, seus limites e a evidência que pode ser defendida hoje.
A produção atual é single-node em VPS Linux/Hetzner, com Nginx como reverse proxy. Multi-node load balancing é evolução, não claim atual.
flowchart TB USER["👥 Usuários
Web · Mobile · Admin"] subgraph EDGE["🌐 EDGE & SECURITY"] DNS["DNS / Domain"] TLS["HTTPS / TLS"] NGINX["🛡️ Nginx
Reverse Proxy"] end subgraph APP["🟢 APPLICATION PLANE"] WEB["Web / Flask
UI + APIs + Auth"] API["API Surface
REST + SSE"] I18N["i18n
PT · EN · ES"] end subgraph EXEC["⚙️ EXECUTION PLANE"] REDIS["Redis
Queue + Coordination"] WORKER["Worker Pool
CPU-heavy / async"] SCHED["Scheduler
Periodic jobs"] N8N["n8n
Automation"] CRAWL["Crawl4AI
Isolated crawler"] MPT["MoneyPrinterTurbo
Optional creator engine"] end subgraph DATA["💾 DATA & KNOWLEDGE PLANE"] PG["PostgreSQL"] VEC["pgvector
Vector Store"] MEDIA["Persistent Volumes
video · image · audio"] OBSVOL["Observability Data"] CACHE["Caches
HuggingFace · cookies"] end subgraph AI["✨ AI INTELLIGENCE PLANE"] ROUTER["Model Router
off · shadow · active"] GATE["AI Gateway
timeout · fallback · tracing"] GEM["Gemini"] OAI["OpenAI"] ANT["Anthropic"] LOCAL["Local AI / Ollama"] JUDGE["LLM-as-a-Judge"] RAG["RAG Engine
Hybrid · GraphRAG · Rerank"] end subgraph MEDIAAI["🎬 MEDIA INTELLIGENCE"] YTDLP["yt-dlp"] PROXY["Residential Proxy"] POT["PO Token / bgutil-pot"] FFMPEG["FFmpeg"] WHISPER["faster-whisper"] SHORTS["Cuts / Shorts / Courses"] end subgraph EXT["🔌 EXTERNAL INTEGRATIONS"] YTIN["YouTube Ingest"] YTOUT["YouTube Data API
OAuth publish"] IG["Instagram
OAuth / Publish"] CLOUD["Cloudinary"] WEBEXT["Web / APIs / Webhooks"] end subgraph CONTROL["🛡️ CONTROL & ASSURANCE"] GUARD["Guardrails
Input / Output / Policy"] TOOL["Tool Governance
least privilege"] APPROVAL["Human Approval
critical actions"] ATTACK["Attack Lab
security tests"] REL["Reliability
retry · breaker · DLQ"] SLO["SLO / Production Health"] TRACE["Observability
trace_id · latency · status"] FIN["FinOps
tokens · cost · outcome"] end subgraph DELIVERY["🚀 DELIVERY & OPERATIONS"] GIT["Git"] CI["CI Validation
Python · Jinja · JS · tests"] CD["CD / Hetzner"] BUILD["Docker Compose
build + deploy"] HEALTH["Health Checks"] ROLLBACK["Rollback
known-good baseline"] end USER --> DNS --> TLS --> NGINX --> WEB WEB --> API WEB --> I18N WEB --> REDIS REDIS --> WORKER REDIS --> SCHED WEB --> N8N WEB --> CRAWL WORKER --> MPT WEB --> PG WORKER --> PG PG --> VEC WORKER --> MEDIA WEB --> MEDIA WEB --> OBSVOL WORKER --> CACHE WEB --> ROUTER --> GATE GATE --> GEM GATE --> OAI GATE --> ANT GATE --> LOCAL WEB --> RAG RAG --> VEC RAG --> GATE GATE --> JUDGE WORKER --> YTDLP YTIN --> YTDLP PROXY --> YTDLP POT --> YTDLP YTDLP --> FFMPEG --> WHISPER --> SHORTS SHORTS --> MEDIA WORKER --> YTOUT WORKER --> IG WORKER --> CLOUD WEB --> WEBEXT WEB --> GUARD GUARD --> TOOL TOOL --> APPROVAL WEB --> TRACE WORKER --> TRACE GATE --> TRACE TRACE --> FIN TRACE --> SLO ATTACK --> GUARD REL --> WORKER GIT --> CI --> CD --> BUILD --> HEALTH HEALTH --> WEB HEALTH --> REDIS HEALTH --> PG HEALTH --> CRAWL HEALTH -->|failure| ROLLBACK --> BUILD classDef edge fill:#16101f,stroke:#b58cff,color:#fff,stroke-width:1.5px; classDef app fill:#071b14,stroke:#b7ff3c,color:#fff,stroke-width:1.5px; classDef exec fill:#21170a,stroke:#f59e0b,color:#fff,stroke-width:1.5px; classDef data fill:#0b1830,stroke:#60a5fa,color:#fff,stroke-width:1.5px; classDef ai fill:#16122a,stroke:#a78bfa,color:#fff,stroke-width:1.5px; classDef media fill:#102126,stroke:#2dd4bf,color:#fff,stroke-width:1.5px; classDef control fill:#231016,stroke:#fb7185,color:#fff,stroke-width:1.5px; classDef delivery fill:#102014,stroke:#4ade80,color:#fff,stroke-width:1.5px; class DNS,TLS,NGINX edge; class WEB,API,I18N app; class REDIS,WORKER,SCHED,N8N,CRAWL,MPT exec; class PG,VEC,MEDIA,OBSVOL,CACHE data; class ROUTER,GATE,GEM,OAI,ANT,LOCAL,JUDGE,RAG ai; class YTDLP,PROXY,POT,FFMPEG,WHISPER,SHORTS,YTIN,YTOUT,IG,CLOUD,WEBEXT media; class GUARD,TOOL,APPROVAL,ATTACK,REL,SLO,TRACE,FIN control; class GIT,CI,CD,BUILD,HEALTH,ROLLBACK delivery;
Ponto público de entrada. Reverse proxy hoje; load balancer multi-node é evolução.
HTTP, processamento pesado e periodicidade possuem ciclos de vida diferentes.
Modelo pode recomendar; autoridade de execução continua limitada por policy e aprovação.
Qualidade, custo, latência, segurança e outcome são tratados como evidência separada.
| Componente | Responsabilidade |
|---|---|
| web | Flask, interface e APIs. |
| worker | Tarefas pesadas e assíncronas. |
| scheduler | Tarefas periódicas e verificações agendadas. |
| redis | Fila, coordenação e desacoplamento entre web e execução. |
| postgres / pgvector | Persistência estruturada + banco vetorial do RAG. |
| crawl4ai | Crawling isolado em container próprio. |
| n8n | Automações e orquestrações auxiliares. |
| bgutil-pot | Suporte ao pipeline YouTube / PO Token. |
| MoneyPrinterTurbo | Motor de criação de vídeo; integração opcional. |
| volumes | Mídia, banco, cookies, observabilidade, modelos e cache persistentes. |
HTTP rápido, CPU-heavy assíncrono e periodicidade têm ciclos de vida diferentes. Isso permite escalar workers sem multiplicar schedulers.
flowchart LR B["Browser"] --> WEB["web / Flask
request curto"] WEB -->|tarefa pesada| R["Redis Queue"] R --> W1["worker 1"] R --> W2["worker N
escala independente"] W1 --> OUT["resultado / mídia / DB"] W2 --> OUT S["scheduler
1 réplica"] -->|jobs periódicos| R
flowchart TD I["Internet"] --> HTTPS["HTTPS"] HTTPS --> N["Nginx
Reverse Proxy"] N --> W["Web / Flask"] subgraph D["Docker Network — serviços internos"] W --> R["Redis"] W --> P["PostgreSQL / pgvector"] W --> C["Crawl4AI"] W --> B["bgutil-pot"] W --> N8["n8n"] end P -. "não publicar externamente" .-> X["🚫 Internet"] R -. "não publicar externamente" .-> X B -. "não publicar externamente" .-> X
Nginx funciona como reverse proxy. Serviços internos devem permanecer na rede Docker e não serem publicados externamente.
Multi-node + load balancer dedicado quando houver demanda de alta disponibilidade horizontal.
flowchart LR DC["Docker Compose"] --> R["Redis
redis-cli ping"] DC --> PG["Postgres
pg_isready"] DC --> C["Crawl4AI
/health"] DC --> WEB["Web
/healthz"] DC --> BG["bgutil-pot
endpoint interno"] DC --> MPT["MPT
/openapi.json"] R --> OK["✅ Healthy / Ready"] PG --> OK C --> OK WEB --> OK BG --> OK MPT --> OK
flowchart LR URL["YouTube URL"] --> YD["yt-dlp"] CK["cookies.txt"] --> YD PR["Residential Proxy
IP reputation"] --> YD POT["PO Token / bgutil-pot"] --> YD YD --> VID["Vídeo"] VID --> FF["FFmpeg
extrai áudio"] FF --> WH["faster-whisper"] HC["HuggingFace cache
persistente"] --> WH WH --> TR["Transcrição"] TR --> CUT["Cortes / Shorts"] TR --> RAG["RAG / conhecimento"]
flowchart LR U["👤 Usuário"] --> AUTH["🔐 Google OAuth 2.0"] AUTH --> CONSENT["Consentimento + scopes"] CONSENT --> TOK["Access token + refresh token"] TOK --> SF["StudyFlow Publisher"] SF --> YT["YouTube Data API"] YT --> VIDEO["▶ Vídeo publicado"] TOK --> STORE["🔒 Token renovável"] SECRET["client_secret.json
somente leitura"] --> SF
flowchart LR U["Usuário"] --> AUTH["OAuth / identidade"] AUTH --> SF["StudyFlow"] SF --> GOV["Tool Governance
publish_instagram"] GOV -->|approval quando aplicável| PUB["Publisher"] MEDIA["Asset de mídia"] --> PUB CL["Cloudinary
quando necessário"] --> PUB PUB --> IG["Instagram"]
O blueprint trata a integração como ferramenta governada. Versão/endpoint específico da Graph API só deve ser afirmado quando verificado no publisher em execução.
flowchart LR T["Task"] --> TP["Task Profile
quality · cost · latency"] TP --> RT["Model Router
off / shadow / active"] RT --> GW["AI Gateway
adapter + timeout + fallback + telemetry"] GW --> G["Gemini"] GW --> O["OpenAI"] GW --> A["Anthropic"] GW --> L["Local / Ollama"]
Como acessar modelos: adapters, timeout, fallback, tracing.
Qual modelo escolher: restrições, qualidade, custo e latência.
flowchart TD
I["Mesmo Prompt + Contexto"] --> G["Gemini"]
I --> O["OpenAI"]
I --> A["Anthropic"]
G --> J["LLM-as-a-Judge"]
O --> J
A --> J
J --> M1["Groundedness"]
J --> M2["Relevance"]
J --> M3["Source Fidelity"]
J --> M4["Completeness"]
J --> M5["Hallucination"]
J --> M6["Judge Score"]
B["Benchmark: fallback desativado"] -.-> I
No benchmark, isolamento experimental é mais importante que resiliência. Em produção, o Gateway pode usar fallback; no benchmark, não.
flowchart LR
D["Documento / Transcrição"] --> CH["Chunking"]
CH --> E["Embeddings"]
E --> V["PostgreSQL + pgvector"]
Q["Pergunta"] --> QA["Query Analyzer / Rewrite"]
QA --> H["Hybrid Retrieval"]
V --> H
H --> GR["GraphRAG opcional"]
GR --> RR["Reranking"]
RR --> TK["Top-K Context"]
TK --> LLM["LLM"]
LLM --> AN["Resposta grounded + evidência"]
flowchart LR
C["Context Budget"] --> M["Model Choice"]
M --> T["Tool Access"]
T --> A["Autonomy"]
A --> COST["Cost"]
COST --> O["Outcome"]
O --> AU["Audit"]
flowchart TD
ID["Identity"] --> LP["Least Privilege"]
LP --> SK["Skill"]
SK --> TL["Tool"]
TL --> AUT["Autonomy"]
AUT --> CC["Cost / Context"]
CC --> D{"Decision"}
D --> AL["ALLOW"]
D --> AP["APPROVAL"]
D --> DN["DENY"]
H["SUBMIT · UPLOAD · PUBLISH · DELETE · PURCHASE · DOWNLOAD"] --> AP
Princípio: inteligência não implica autoridade. Explicit DENY vence.
flowchart LR
ATT["Synthetic Attack Case"] --> GUARD["Guard / Policy"]
GUARD --> RES{"Resultado"}
RES -->|blocked| E["Evidence"]
RES -->|escaped| F["Failure Evidence"]
E --> NOTE["100% da suíte ≠ 100% seguro"]
F --> NOTE
flowchart LR
I["Idempotency"] --> CB["Circuit Breaker"]
CB --> EX["Execution"]
EX -->|falha transitória| BR["Bounded Retry"]
BR --> EX
EX -->|falha persistente| DLQ["Dead Letter Queue"]
DLQ --> RP["Explicit Replay"]
RP --> EX
flowchart LR
SLI["SLI"] --> TG["Target"]
TG --> W["Window"]
W --> EB["Error Budget"]
EB --> BR["Burn Rate"]
BR --> OR["Operating Response"]
DATA["Runtime telemetry"] --> SLI
UNKNOWN["Evidência insuficiente"] --> U["UNKNOWN"]
Mecanismo de SLO existe; sem amostra/telemetria observada suficiente, o estado permanece UNKNOWN. Simulação não é promovida a prova de produção.
flowchart LR
RQ["Request"] --> TR["trace_id"]
TR --> MOD["provider / model"]
TR --> LAT["latency"]
TR --> TOK["input / output tokens"]
TR --> RET["retrieval"]
TR --> EV["evaluation"]
TOK --> PRICE["Pricing Registry"]
PRICE --> COST["Cost Ledger"]
EV --> Q["Quality"]
COST --> FIN["FinOps"]
Q --> FIN
FIN --> OUT["Cost × Quality × SLA × Outcome"]
flowchart LR DEV["💻 Developer"] --> GIT["Git Commit / Push"] GIT --> CI["CI Validation
Python · Jinja · JS · tests · regressions"] CI -->|pass| ART["Versioned source"] ART --> CD["CD / Hetzner"] CD --> PULL["git pull"] PULL --> BUILD["docker compose
up -d --build"] BUILD --> HC["Health Checks"] HC -->|healthy| PROD["✅ Release"] HC -->|failure| RB["Rollback
known-good commit/baseline"] RB --> BUILD
flowchart LR
OFF["OFF"] --> SH["SHADOW"]
SH --> OB["OBSERVE"]
OB --> LI["LIMITED"]
LI --> PR["PRODUCTION"]
PR -->|regression| RB["ROLLBACK"]
Definition of Done: capability + policy + telemetry + evaluation + security + cost visibility + rollback + documentação.
Arquitetura defensável exige separar implementação, intenção e evidência observada.
Matriz para sair do conceito e chegar ao componente técnico correspondente durante a apresentação.
| Categoria | Capacidade / Termo | O que é | Função no StudyFlow | Implementação / Exemplo | Analogia |
|---|---|---|---|---|---|
| Fundamentos | LLM | Modelo de linguagem de grande escala | Motor de raciocínio e geração | Providers via AI Gateway | O cérebro |
| Fundamentos | Transformer | Arquitetura base dos LLMs modernos | Fundamento conceitual dos modelos consumidos | Não implementado internamente | Arquitetura do cérebro |
| Fundamentos | Tokens | Unidades processadas pelo modelo | Medição de contexto e custo | Context Intelligence / FinOps | Palavras ou pedaços que o cérebro lê |
| Contexto | Context Window | Limite de informação disponível numa inferência | Controlar quanto contexto chega ao LLM | context_intelligence / gateway | Mesa de trabalho |
| Contexto | Context Budgeting | Distribuição deliberada da janela de contexto | Priorizar informação relevante | Context Intelligence | Organizar espaço na mesa |
| Contexto | Context Observability | Observabilidade do uso do contexto | Entender consumo, pressão e composição | obs/context_observability.py | Painel da mesa de trabalho |
| Memória | Memory | Estado persistente entre interações | Manter informação útil além da janela | obs/memory.py | Memória de longo prazo |
| Memória | Memory Consolidation | Seleção do que merece persistir | Evitar guardar tudo indiscriminadamente | memory_consolidation/engine.py | Organizar lembranças |
| Modelos | Model Gateway | Abstração sobre modelos e providers | Evitar acoplamento direto ao provider | ai_gateway/gateway.py | Central telefônica |
| Modelos | Model Registry | Catálogo dos modelos disponíveis | Conhecer capacidades e configurações | ai_gateway/model_registry.py | Catálogo de especialistas |
| Modelos | Model Routing | Escolha do modelo por política/tarefa | Direcionar cada requisição | ai_gateway/router.py | Triagem médica |
| Modelos | Model Cascade | Escalonamento barato → poderoso | Otimizar custo x qualidade | model_cascade/cascade.py | Júnior → sênior → especialista |
| Modelos | Local Models | Execução de modelos open-weight | Privacidade, laboratório e alternativas | local_ai/provider.py | Especialista dentro de casa |
| Modelos | vLLM | Serving otimizado de modelos | Infraestrutura para inferência open-weight | Local Model Lab | Servidor especializado |
| Modelos | Fine-tuning / LoRA / DPO | Adaptação de modelos aos dados/tarefas | Especializar comportamento quando houver evidência | Model Adaptation Lab | Treinar um especialista |
| RAG | Embeddings | Representação vetorial de significado | Encontrar conteúdo semanticamente próximo | rag/index.py / embeddings | Coordenadas de significado |
| RAG | Chunking | Divisão de documentos em unidades recuperáveis | Indexar contexto em partes úteis | rag/chunker.py | Separar livro em fichas |
| RAG | Vector Search | Busca por similaridade vetorial | Recuperar evidência relevante | PostgreSQL + pgvector | Buscar ideias parecidas |
| RAG | Hybrid Search | Combinação semântica + lexical | Melhorar recall sem depender de uma única técnica | rag/hybrid.py | Duas lentes para a mesma busca |
| RAG | Query Rewrite / Expansion | Reformula e expande a pergunta | Aumentar chance de recuperar a evidência correta | Retrieval Intelligence | Traduzir a pergunta para o arquivo |
| RAG | HyDE | Hipótese documental para retrieval | Melhorar recuperação em perguntas difíceis | Retrieval Intelligence | Imaginar a resposta para procurar melhor |
| RAG | Reranking | Reordenação pós-retrieval | Promover chunks mais relevantes | rag reranker | Revisar a primeira seleção |
| RAG | Parent-Child Retrieval | Chunk pequeno aponta para contexto maior | Recuperar precisão sem perder contexto | Retrieval Intelligence 2.0 | Índice leva ao capítulo |
| RAG | Contextual Retrieval | Enriquece chunk com contexto do documento | Reduz ambiguidade na recuperação | Retrieval Intelligence 2.0 | Etiqueta com contexto |
| RAG | GraphRAG | Expansão via relações de conhecimento | Complementar recuperação vetorial com grafo controlado | GraphRAG | Mapa de conexões |
| RAG | RAG Citations | Evidência ligada à resposta | Tornar geração verificável | RAG evidence / citations | Nota de rodapé |
| Avaliação | LLM-as-a-Judge | LLM avalia resposta com critérios explícitos | Comparar qualidade automatizadamente | obs/judge.py | Segundo avaliador |
| Avaliação | Golden Dataset | Conjunto controlado de casos de referência | Benchmark reproduzível | Golden Dataset + Benchmark Lab | Prova padrão |
| Avaliação | Quality Gates | Critérios mínimos antes de promover resultado | Evitar avanço sem evidência suficiente | AI Evaluation / Quality Gates | Controle de qualidade |
| Segurança | Guardrails | Regras determinísticas pré/pós-modelo | Limitar entradas, saídas e ações | security/guards.py | Grades de proteção |
| Segurança | Zero Trust | Identidade não implica confiança | Aplicar least privilege e policy | Agent Gateway / Control Plane | Crachá não abre todas as portas |
| Segurança | Tool Governance | Registro de permissão, risco e aprovação | Controlar quais ferramentas podem executar | Tool Registry | Catálogo de ferramentas autorizadas |
| Segurança | Human Approval | Aprovação explícita para ações críticas | Separar inteligência de autoridade | approval policy | Dupla checagem humana |
| Segurança | AI Attack Lab | Suíte sintética de ataques | Testar controles sem alegar segurança absoluta | Attack Lab | Simulado de incêndio |
| Agentes | Agent Passport | Identidade, risco, autonomia e grants | Definir contrato operacional do agente | Agent Identity Passport | Passaporte funcional |
| Agentes | Agent Gateway | Policy antes da execução de tools | Decidir ALLOW / APPROVAL / DENY | Agent Gateway | Portaria de segurança |
| Agentes | Skills Registry | Skills governadas compostas por tools | Reuso com limites de autonomia | Agent Skill Store | Manual de competências |
| Agentes | MCP | Interface padronizada de tools/contexto | Expor capacidades de modo governado | MCP server | Adaptador universal |
| Agentes | A2A | Comunicação estruturada entre agentes | Delegação/handoff com permissões | A2A fabric | Protocolo entre equipes |
| Agentes | Planner → Executor → Verifier | Plano operacional executável e verificável | Separar planejamento, execução e checagem | agent execution DAG | Planejar, fazer, revisar |
| Agentes | Controlled Agent Swarm | Colaboração paralela com limites | Escalar trabalho sem autonomia ilimitada | Controlled Agent Swarm | Equipe com supervisor |
| Agentes | Self-Correction | Generate → Judge → Correct → Re-evaluate | Corrigir resposta de forma limitada | self-correction loop | Revisão antes de entregar |
| Observabilidade | Tracing | Rastreio por trace_id | Conectar requisição, modelo, latência, custo e resultado | obs/tracing.py | Número de protocolo |
| Observabilidade | FinOps | Tokens → custo → tarefa → outcome | Medir economia por resultado útil | Agent FinOps / Value Ledger | Livro-caixa por operação |
| Observabilidade | Drift Intelligence | Detectar mudança de comportamento/distribuição | Sinalizar degradação e investigação | Drift Intelligence Center | Radar de desvio |
| Observabilidade | AI Lineage | Proveniência de artefatos e decisões | Rastrear origem sem guardar conteúdo sensível | AI Lineage Graph | Árvore genealógica técnica |
| Reliability | Idempotency | Repetição sem duplicar efeito | Evitar efeitos colaterais duplicados | Reliability Control Plane | Botão que não cobra duas vezes |
| Reliability | Circuit Breaker | Interrompe chamadas a dependência degradada | Evitar cascata de falhas | Reliability Control Plane | Disjuntor elétrico |
| Reliability | Bounded Retry + DLQ | Retry limitado e fila de falhas permanentes | Recuperação controlada e replay explícito | Reliability Control Plane | Tentativas limitadas + caixa de exceções |
| Reliability | SLO / Error Budget | SLI → target → janela → orçamento de erro | Transformar telemetria em compromisso explícito | SLO & Production Health | Margem operacional |
| Dados | Synthetic Data Factory | Geração governada de dados sintéticos | Criar candidatos com proveniência, avaliação e deduplicação | Synthetic Data Factory | Laboratório de amostras |
| Creator AI | Content Intelligence | Análise semântica de conteúdo | Entender tema, intenção e estrutura | Creator OS | Editor analítico |
| Creator AI | Scoring Swarm | Hook, curiosidade, emoção e retenção | Priorizar cortes e conteúdos fortes | Creator OS evaluators | Banca de avaliadores |
| Creator AI | Viral Judge | Avaliação de potencial de distribuição | Comparar candidatos de conteúdo | Creator OS | Editor-chefe |
| Creator AI | Packaging Intelligence | Título, thumbnail e posicionamento | Otimizar apresentação do conteúdo | Creator OS | Embalagem do produto |
| Creator AI | Performance Intelligence | Métricas e feedback pós-publicação | Fechar loop criação → distribuição → aprendizado | Creator OS | Painel de audiência |
| Produção | CI/CD | Git → validação → deploy → health → rollback | Entregar mudanças de forma reproduzível | GitHub workflow + Hetzner + Docker Compose | Linha de montagem |
| Produção | Health Checks | Verificação ativa de dependências | Diferenciar running de ready | Docker healthchecks | Check-up operacional |
Data & AI Senior Manager · Decision Intelligence
Liderança de iniciativas em Data, Artificial Intelligence e Decision Intelligence, conectando estratégia de negócio, engenharia e analytics para modernização e escala.