IG IGOR GIL
Data & AI Senior Manager · Decision Intelligence

Igor Henrique Nascimento Lourenço Gil

Liderança de plataformas de decisão corporativa, governança e inteligência artificial no setor financeiro.

São Paulo, Brasil · Português (Nativo) · Inglês (Fluente/Profissional) · Espanhol (Profissional)

2006→
trajetória em tecnologia
Data + AI
estratégia e engenharia
Decision
intelligence platforms
PT · EN · ES
idiomas profissionais
Igor Henrique Nascimento Lourenço Gil
Autor do StudyFlowData · AI · Decision
“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.

01

Decision Intelligence

Credit Risk, Pricing, Analytics, Decision Engines e inteligência comercial.

02

Enterprise Data Platforms

Data Engineering, Cloud, integração, governança, LGPD e plataformas analíticas.

03

AI & Generative Runtimes

Generative AI, MLOps, Intelligent Platforms, guardrails e sistemas de agentes.

04

Formação & Credenciais

MIT, Mackenzie, USP, FIAP; Microsoft Azure, Oracle OCA e outras certificações.

Projeto em destaque

StudyFlow: Da Matéria Bruta à Engenharia Defensável

Uma plataforma multimodal para aprender, criar e operar com inteligência — conectando cursos, vídeo, RAG, agentes, observabilidade e arquitetura de produção.

Módulo Georgina Módulo Marcos Cezar
35+ Views
no case técnico
AI Gateway 2.0
roteamento inteligente
RAG Verificável
fontes e evidências
<140ms P95
meta operacional
SFStudyFlow
CONTROL PLANE
CONTEXTO
78%
CAPABILITIES
24
RUNTIME
AI
Arquitetura operacional
Abrir documentação técnica →
Architecture Blueprint

Infraestrutura, fluxos, segurança e operação.

Visão técnica do StudyFlow com diagramas Mermaid versionáveis. Cada aba explica uma responsabilidade específica, seus limites e a evidência que pode ser defendida hoje.

Hetzner / Linux Docker Compose Flask + Redis + PostgreSQL/pgvector Gemini · OpenAI · Anthropic
01 · visão geral

Arquitetura geral do StudyFlow

A produção atual é single-node em VPS Linux/Hetzner, com Nginx como reverse proxy. Multi-node load balancing é evolução, não claim atual.

evidence-first
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;
Entry
Nginx + HTTPS

Ponto público de entrada. Reverse proxy hoje; load balancer multi-node é evolução.

Execution
Web ≠ Worker ≠ Scheduler

HTTP, processamento pesado e periodicidade possuem ciclos de vida diferentes.

Control
Guardrails + Approval

Modelo pode recomendar; autoridade de execução continua limitada por policy e aprovação.

Evidence
Trace + Eval + FinOps

Qualidade, custo, latência, segurança e outcome são tratados como evidência separada.

02 · componentes

Componentes e responsabilidades

ComponenteResponsabilidade
webFlask, interface e APIs.
workerTarefas pesadas e assíncronas.
schedulerTarefas periódicas e verificações agendadas.
redisFila, coordenação e desacoplamento entre web e execução.
postgres / pgvectorPersistência estruturada + banco vetorial do RAG.
crawl4aiCrawling isolado em container próprio.
n8nAutomações e orquestrações auxiliares.
bgutil-potSuporte ao pipeline YouTube / PO Token.
MoneyPrinterTurboMotor de criação de vídeo; integração opcional.
volumesMídia, banco, cookies, observabilidade, modelos e cache persistentes.
03 · runtime

Por que web, worker e scheduler são separados?

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
04 · edge & network

Nginx, entrada da aplicação e isolamento de rede

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
Claim atual

Nginx funciona como reverse proxy. Serviços internos devem permanecer na rede Docker e não serem publicados externamente.

Evolução

Multi-node + load balancer dedicado quando houver demanda de alta disponibilidade horizontal.

05 · health

Health checks: running não significa ready

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
06 · youtube ingest

Pipeline de vídeo + Whisper

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"]
07 · youtube publish

Publicação via OAuth 2.0

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
08 · instagram

Identidade e publicação desacopladas

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.

09 · ai gateway

Gateway ≠ Router

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"]
Gateway

Como acessar modelos: adapters, timeout, fallback, tracing.

Router

Qual modelo escolher: restrições, qualidade, custo e latência.

10 · evaluation

Model Benchmark + LLM-as-a-Judge

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.

11 · rag

RAG verificável

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"]
                
12 · control plane

Guardrails em profundidade

flowchart LR
  C["Context Budget"] --> M["Model Choice"]
  M --> T["Tool Access"]
  T --> A["Autonomy"]
  A --> COST["Cost"]
  COST --> O["Outcome"]
  O --> AU["Audit"]
                  

Human approval e least privilege

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.

13 · security testing

Attack Lab

Prompt Injection
Jailbreak
Prompt Leakage
Data Exfiltration
Tool Escalation
Indirect Injection
Memory Poisoning
Output Secret Leakage
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
                
14 · reliability

Confiabilidade e recuperação

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
                
15 · slo

SLO & Production Health

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.

16 · observability & finops

Trace → tokens → custo → outcome

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"]
                
TELEMETRIA
tokens · latency · status
ECONOMIA
cost / task / provider
RESULTADO
quality · outcome · ROI
17 · ci/cd

Git → validação → Hetzner → Docker → Health

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
git pull docker compose -f docker-compose.prod.yml up -d --build

Release discipline

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.

18 · evidence boundaries

O que eu não afirmo — e o que eu afirmo

Arquitetura defensável exige separar implementação, intenção e evidência observada.

NÃO AFIRMO
“Tenho load balancer em produção.”
AFIRMO
“Tenho Nginx reverse proxy; multi-node LB é evolução.”
NÃO AFIRMO
“Firewall bloqueia portas X/Y/Z” sem verificar.
AFIRMO
“Serviços internos não são publicados externamente.”
NÃO AFIRMO
“100% dos testes = sistema seguro.”
AFIRMO
“Testes fornecem evidência, não prova absoluta.”
NÃO AFIRMO
“Judge diz a verdade.”
AFIRMO
“Judge é avaliação automatizada probabilística.”
NÃO AFIRMO
“SLO está comprovado em produção.”
AFIRMO
“Mecanismo existe; evidência insuficiente permanece UNKNOWN.”
NÃO AFIRMO
“Router usa Judge para escalonar.”
AFIRMO
“Hoje são mecanismos separados.”
NÃO AFIRMO
“Todo 403 do YouTube é proxy.”
AFIRMO
“Cookie, IP reputation e PO Token atacam problemas diferentes.”
Mapa de capacidades

Capacidade → função → implementação → analogia.

Matriz para sair do conceito e chegar ao componente técnico correspondente durante a apresentação.

58 capacidades
CategoriaCapacidade / TermoO que éFunção no StudyFlowImplementação / ExemploAnalogia
FundamentosLLMModelo de linguagem de grande escalaMotor de raciocínio e geraçãoProviders via AI GatewayO cérebro
FundamentosTransformerArquitetura base dos LLMs modernosFundamento conceitual dos modelos consumidosNão implementado internamenteArquitetura do cérebro
FundamentosTokensUnidades processadas pelo modeloMedição de contexto e custoContext Intelligence / FinOpsPalavras ou pedaços que o cérebro lê
ContextoContext WindowLimite de informação disponível numa inferênciaControlar quanto contexto chega ao LLMcontext_intelligence / gatewayMesa de trabalho
ContextoContext BudgetingDistribuição deliberada da janela de contextoPriorizar informação relevanteContext IntelligenceOrganizar espaço na mesa
ContextoContext ObservabilityObservabilidade do uso do contextoEntender consumo, pressão e composiçãoobs/context_observability.pyPainel da mesa de trabalho
MemóriaMemoryEstado persistente entre interaçõesManter informação útil além da janelaobs/memory.pyMemória de longo prazo
MemóriaMemory ConsolidationSeleção do que merece persistirEvitar guardar tudo indiscriminadamentememory_consolidation/engine.pyOrganizar lembranças
ModelosModel GatewayAbstração sobre modelos e providersEvitar acoplamento direto ao providerai_gateway/gateway.pyCentral telefônica
ModelosModel RegistryCatálogo dos modelos disponíveisConhecer capacidades e configuraçõesai_gateway/model_registry.pyCatálogo de especialistas
ModelosModel RoutingEscolha do modelo por política/tarefaDirecionar cada requisiçãoai_gateway/router.pyTriagem médica
ModelosModel CascadeEscalonamento barato → poderosoOtimizar custo x qualidademodel_cascade/cascade.pyJúnior → sênior → especialista
ModelosLocal ModelsExecução de modelos open-weightPrivacidade, laboratório e alternativaslocal_ai/provider.pyEspecialista dentro de casa
ModelosvLLMServing otimizado de modelosInfraestrutura para inferência open-weightLocal Model LabServidor especializado
ModelosFine-tuning / LoRA / DPOAdaptação de modelos aos dados/tarefasEspecializar comportamento quando houver evidênciaModel Adaptation LabTreinar um especialista
RAGEmbeddingsRepresentação vetorial de significadoEncontrar conteúdo semanticamente próximorag/index.py / embeddingsCoordenadas de significado
RAGChunkingDivisão de documentos em unidades recuperáveisIndexar contexto em partes úteisrag/chunker.pySeparar livro em fichas
RAGVector SearchBusca por similaridade vetorialRecuperar evidência relevantePostgreSQL + pgvectorBuscar ideias parecidas
RAGHybrid SearchCombinação semântica + lexicalMelhorar recall sem depender de uma única técnicarag/hybrid.pyDuas lentes para a mesma busca
RAGQuery Rewrite / ExpansionReformula e expande a perguntaAumentar chance de recuperar a evidência corretaRetrieval IntelligenceTraduzir a pergunta para o arquivo
RAGHyDEHipótese documental para retrievalMelhorar recuperação em perguntas difíceisRetrieval IntelligenceImaginar a resposta para procurar melhor
RAGRerankingReordenação pós-retrievalPromover chunks mais relevantesrag rerankerRevisar a primeira seleção
RAGParent-Child RetrievalChunk pequeno aponta para contexto maiorRecuperar precisão sem perder contextoRetrieval Intelligence 2.0Índice leva ao capítulo
RAGContextual RetrievalEnriquece chunk com contexto do documentoReduz ambiguidade na recuperaçãoRetrieval Intelligence 2.0Etiqueta com contexto
RAGGraphRAGExpansão via relações de conhecimentoComplementar recuperação vetorial com grafo controladoGraphRAGMapa de conexões
RAGRAG CitationsEvidência ligada à respostaTornar geração verificávelRAG evidence / citationsNota de rodapé
AvaliaçãoLLM-as-a-JudgeLLM avalia resposta com critérios explícitosComparar qualidade automatizadamenteobs/judge.pySegundo avaliador
AvaliaçãoGolden DatasetConjunto controlado de casos de referênciaBenchmark reproduzívelGolden Dataset + Benchmark LabProva padrão
AvaliaçãoQuality GatesCritérios mínimos antes de promover resultadoEvitar avanço sem evidência suficienteAI Evaluation / Quality GatesControle de qualidade
SegurançaGuardrailsRegras determinísticas pré/pós-modeloLimitar entradas, saídas e açõessecurity/guards.pyGrades de proteção
SegurançaZero TrustIdentidade não implica confiançaAplicar least privilege e policyAgent Gateway / Control PlaneCrachá não abre todas as portas
SegurançaTool GovernanceRegistro de permissão, risco e aprovaçãoControlar quais ferramentas podem executarTool RegistryCatálogo de ferramentas autorizadas
SegurançaHuman ApprovalAprovação explícita para ações críticasSeparar inteligência de autoridadeapproval policyDupla checagem humana
SegurançaAI Attack LabSuíte sintética de ataquesTestar controles sem alegar segurança absolutaAttack LabSimulado de incêndio
AgentesAgent PassportIdentidade, risco, autonomia e grantsDefinir contrato operacional do agenteAgent Identity PassportPassaporte funcional
AgentesAgent GatewayPolicy antes da execução de toolsDecidir ALLOW / APPROVAL / DENYAgent GatewayPortaria de segurança
AgentesSkills RegistrySkills governadas compostas por toolsReuso com limites de autonomiaAgent Skill StoreManual de competências
AgentesMCPInterface padronizada de tools/contextoExpor capacidades de modo governadoMCP serverAdaptador universal
AgentesA2AComunicação estruturada entre agentesDelegação/handoff com permissõesA2A fabricProtocolo entre equipes
AgentesPlanner → Executor → VerifierPlano operacional executável e verificávelSeparar planejamento, execução e checagemagent execution DAGPlanejar, fazer, revisar
AgentesControlled Agent SwarmColaboração paralela com limitesEscalar trabalho sem autonomia ilimitadaControlled Agent SwarmEquipe com supervisor
AgentesSelf-CorrectionGenerate → Judge → Correct → Re-evaluateCorrigir resposta de forma limitadaself-correction loopRevisão antes de entregar
ObservabilidadeTracingRastreio por trace_idConectar requisição, modelo, latência, custo e resultadoobs/tracing.pyNúmero de protocolo
ObservabilidadeFinOpsTokens → custo → tarefa → outcomeMedir economia por resultado útilAgent FinOps / Value LedgerLivro-caixa por operação
ObservabilidadeDrift IntelligenceDetectar mudança de comportamento/distribuiçãoSinalizar degradação e investigaçãoDrift Intelligence CenterRadar de desvio
ObservabilidadeAI LineageProveniência de artefatos e decisõesRastrear origem sem guardar conteúdo sensívelAI Lineage GraphÁrvore genealógica técnica
ReliabilityIdempotencyRepetição sem duplicar efeitoEvitar efeitos colaterais duplicadosReliability Control PlaneBotão que não cobra duas vezes
ReliabilityCircuit BreakerInterrompe chamadas a dependência degradadaEvitar cascata de falhasReliability Control PlaneDisjuntor elétrico
ReliabilityBounded Retry + DLQRetry limitado e fila de falhas permanentesRecuperação controlada e replay explícitoReliability Control PlaneTentativas limitadas + caixa de exceções
ReliabilitySLO / Error BudgetSLI → target → janela → orçamento de erroTransformar telemetria em compromisso explícitoSLO & Production HealthMargem operacional
DadosSynthetic Data FactoryGeração governada de dados sintéticosCriar candidatos com proveniência, avaliação e deduplicaçãoSynthetic Data FactoryLaboratório de amostras
Creator AIContent IntelligenceAnálise semântica de conteúdoEntender tema, intenção e estruturaCreator OSEditor analítico
Creator AIScoring SwarmHook, curiosidade, emoção e retençãoPriorizar cortes e conteúdos fortesCreator OS evaluatorsBanca de avaliadores
Creator AIViral JudgeAvaliação de potencial de distribuiçãoComparar candidatos de conteúdoCreator OSEditor-chefe
Creator AIPackaging IntelligenceTítulo, thumbnail e posicionamentoOtimizar apresentação do conteúdoCreator OSEmbalagem do produto
Creator AIPerformance IntelligenceMétricas e feedback pós-publicaçãoFechar loop criação → distribuição → aprendizadoCreator OSPainel de audiência
ProduçãoCI/CDGit → validação → deploy → health → rollbackEntregar mudanças de forma reproduzívelGitHub workflow + Hetzner + Docker ComposeLinha de montagem
ProduçãoHealth ChecksVerificação ativa de dependênciasDiferenciar running de readyDocker healthchecksCheck-up operacional
Experiência atual

Santander Brasil

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.

Trajetória
SantanderBradescoHDI SegurosI4PROFOURSYSOraclePrime IT