Rio de Janeiro, Brasil · UTC−3 · Remoto ou relocação
Renan Sued
Senior AI Engineer · Solution Architect
Construo software de produção: plataformas corporativas, agentes de IA e os times de engenharia que os operam.
Entrego software desde 2014, de apps mobile a plataformas corporativas em Java e AWS. Hoje lidero times cujas plataformas alcançam mais de 93,4 milhões de usuários ativos em seis meses. Desde 2020 construo agentes com LLM, guardrails, recuperação de informação e revisão humana, no trabalho e no BikerWay, meu próprio produto.
whoami
Renan Sued
Senior AI Engineer · Solution Architect
Rio de Janeiro, Brasil · UTC−3
aberto a remoto ou relocação
Impacto em engenharia
Escala real, não adjetivos.
entregando software desde
2014
Cerca de 12 anos, de apps mobile a plataformas corporativas.
usuários ativos em seis meses
93,4 mi+
Usuários ativos em uma janela de seis meses nas plataformas corporativas entregues pelos times que lidero.
times · engenheiros liderados
5 · 15
Times multidisciplinares na Lumis, além de mentoria de engenheiros e arquitetos.
de transações diárias
Milhões
Pelas APIs, serviços orientados a eventos e DXPs que arquitetei.
sistemas de IA entregues na Lumis
4
Agentes de SDLC, agentes de automação de processos, um assistente com RAG, um agente de conteúdo.
trabalhando com LLMs desde
2020
Modelos Claude, OpenAI, Gemini e DeepSeek.
O que eu construo
Seis tipos de sistema, um jeito de trabalhar.
Sistemas de IA
Agentes e aplicações com LLM para cargas de trabalho reais: automação do SDLC, agentes de automação de processos com proteção contra prompt injection e um assistente com recuperação de informação (ambos em produção), além de agentes de conteúdo com revisão humana.
GuardrailsRAGHuman-in-the-loopMCPSistemas Distribuídos
Serviços orientados a eventos e plataformas de alta disponibilidade para clientes financeiros regulados, além de filas de eventos com execução garantida e sem processamento duplicado.
Orientado a eventosAlta disponibilidadeKafkaPythonPlataformas Backend
APIs em Java e Digital Experience Platforms levadas do desenho ao deploy, processando milhões de transações diárias com segurança e conformidade desde a concepção.
JavaSpring BootREST APIsDXPInfraestrutura em Nuvem
Arquitetura cloud-native na AWS com infraestrutura como código, containers e acesso de menor privilégio. Postgres gerenciado, edge functions e serverless quando atendem melhor à restrição.
AWSIaCDockerSupabasePlataformas de Desenvolvimento
A engrenagem que permite aos times entregar: DevSecOps e LLMOps, CI/CD, quality gates, OpenTelemetry e agentes que levam uma tarefa do início até o staging.
CI/CDSonarQubeOpenTelemetryClaude CodeEngenharia de Produto
Produtos de ponta a ponta: BikerWay em mobile, web, admin e dados; experimentação A/B e multivariada para plataformas de marketing; produtos fintech na Sued Team, que fundei.
MobileWebExperimentação0 → 1
IA em produção
O modelo é só uma peça. O sistema é o trabalho.
- Produção
- Roda com usuários reais ou dados de produção
- Em uso
- Ferramenta interna que uso ativamente
- Experimental
- Construído e testado, ainda sem operação regular
- Planejado
- Desenhado e no board, ainda não construído
Um pipeline de seis etapas. Selecione uma etapa para ver o que ela significa e onde eu a construí.
01 · intenção e aprovação
Humano
Define o objetivo e assume o risco. Qualquer coisa irreversível, paga ou pública espera um sim explícito.
Onde já fiz isso
Agente de conteúdo com revisão humana (human-in-the-loop)
ProduçãoUma nota de confiança decide quais itens uma pessoa revisa antes da publicação.
Aprovação obrigatória antes de qualquer execução paga
ProduçãoOs pipelines de dados do BikerWay param e pedem aprovação no Telegram antes de trabalho pago ou demorado.
Portões de risco exclusivos de humanos para o time de agentes
Em usoMerge na main, migrations em produção, primeira chamada de API paga e publicação pública sempre param para mim.
Os conceitos, com lastro
Orquestração de agentes
Um coordenador, vários especialistas de escopo restrito e regras explícitas sobre quem decide quando discordam.
Entrega AI-first na Lumis · time de agentes do BikerWay
Tool calling e MCP
Agentes agem por meio de ferramentas com credenciais restritas, não por acesso livre.
Ferramental da Lumis · pipelines do BikerWay
Saídas estruturadas
A saída do modelo é dado com schema. Se não valida, não vai para produção.
Plataforma de dados do BikerWay
RAG
Chunking, embeddings e busca vetorial por trás de um assistente usado pelos clientes de um escritório de advocacia.
Lumis · escritório de advocacia multinacional
Fluxos automatizados
Agentes que levam uma tarefa do início até o staging, ou um conteúdo da busca até a publicação.
Agentes de SDLC da Lumis · agente de conteúdo
Humano no circuito
A confiança decide o que uma pessoa precisa revisar; humanos aprovam tudo que é pago, público ou irreversível.
Agente de conteúdo da Lumis · aprovações do BikerWay
Observabilidade
Traces, histórico de execuções e custo por chamada, para que o comportamento de um agente possa ser explicado depois.
OpenTelemetry na Lumis · execuções dos pipelines do BikerWay
Avaliação e quality gates
Notas calculadas a partir de sinais objetivos, com limiares por domínio que decidem entre aprovação automática ou revisão.
Camada de ingestão do BikerWay · agente de conteúdo da Lumis
Guardrails
Validação de entrada e saída e proteção contra prompt injection. Conteúdo de terceiros é dado, nunca instrução.
Agentes em produção na Lumis
Confiabilidade em produção
CI/CD, menor privilégio, orçamentos que falham fechados e aprovações antes de etapas pagas ou arriscadas.
LLMOps na Lumis · runtime do BikerWay
Estudo de caso · BikerWay
Meu próprio produto, construído como um sistema de produção.
O problema
Motociclistas no Brasil planejam viagens em torno de perguntas que apps genéricos de mapa não respondem bem: em quais postos, oficinas e hospedagens dá para confiar, e quais estradas valem a pena de moto. Motoclubes e rolês em grupo vivem espalhados em grupos de mensagem. Nenhum produto reunia o mapa e a comunidade.
O objetivo é algo como um PlugShare para motociclistas: um mapa compartilhado que a comunidade confirma, corrige e amplia, onde quem chega já encontra rotas e lugares úteis no primeiro dia.
O produto
Comboios ao vivo
Rolês em grupo em um mapa ao vivo. Uma tarefa nativa de localização em segundo plano mantém o comboio visível com o celular no bolso.
Rotas e lugares confiáveis
Rotas recomendadas, lugares relevantes para motociclistas (postos, oficinas, mirantes), avaliações e um consenso da comunidade sobre o preço do combustível.
Motoclubes
Motoclubes com rankings, territórios, recrutamento e check-ins.
Eventos e convites
Eventos e encontros de motoclubes, com links de convite que abrem o app ou levam a uma página de download.
Garagem
Uma garagem virtual com consumo de combustível, gastos e histórico de manutenção por moto.
Diário de bordo
Um registro de rolês anteriores com distância, duração, número de motos e fotos.
A IA dentro dele, com status honesto
- Pipelines de descoberta de rotas e lugaresProdução
- Camada única de ingestãoProdução
- Time de agentes de desenvolvimentoEm uso
- Motor de marketing com IAExperimental
- Runtime de IA com controle de custoExperimental
- Time de agentes de conteúdo (AG-0…AG-7)Planejado
Força de trabalho de IA · minha tese de trabalho
Agentes como uma organização de engenharia, com um humano segurando as chaves.
O time de agentes do BikerWay, do fundador humano até os especialistas. Selecione um agente para ver seu papel.
Humano
Orquestração
tech-lead
Em usoOrquestração
Lê a história, escolhe os especialistas relevantes, consolida as posições em um plano e mantém a documentação de arquitetura e o board fiéis à realidade.
Sintetiza quando as posições convergem.
Arbitragem
Produto
Construção
Qualidade e risco
tech-lead
Em usoOrquestração
Lê a história, escolhe os especialistas relevantes, consolida as posições em um plano e mantém a documentação de arquitetura e o board fiéis à realidade.
Sintetiza quando as posições convergem.
O que isto é, com honestidade
Isto não é uma empresa autônoma. Os agentes não conversam entre si em segundo plano e nada roda agendado ainda. Uma sessão que eu abro invoca cada especialista, coleta as posições por escrito e aplica as regras de arbitragem. O valor está nas restrições: quem pode decidir o quê, o que precisa de um humano e o que fica registrado.
Como uma história vira código
- 1
História. Escrevo ou atualizo a história no board.
- 2
Triagem. O tech lead decide quais especialistas importam para ela.
- 3
Consulta. Cada especialista devolve uma posição curta por escrito: abordagem, riscos, custo.
- 4
Convergir ou arbitrar. Acordo → um plano. Divergência técnica → CTO. Divergência de negócio → CEO. Vulnerabilidade → veto de segurança.
- 5
Implementar. Os agentes de construção executam o plano único.
- 6
Verificar. O QA roda as suítes e lista o que ainda precisa de um aparelho real.
- 7
Revisar. Segurança (bloqueante) e jurídico revisam tudo que envolve autenticação, dados pessoais ou pagamentos.
- 8
Fechar. O board é atualizado para refletir a realidade, não as intenções.
Portões de risco que sempre param para um humano
- Merge na main / deploy em produção
- Aplicar uma migration de schema ou RLS em produção
- A primeira chamada de API paga numa sessão, e qualquer lote grande
- Publicar qualquer coisa publicamente
- Usar um token pessoal ou rotacionar credenciais
- Trocar de provedor de LLM no meio de uma história
O problema de design, dimensão por dimensão
- Produção
- Roda com usuários reais ou dados de produção
- Em uso
- Ferramenta interna que uso ativamente
- Experimental
- Construído e testado, ainda sem operação regular
Responsabilidades
Em usoUm papel por agente, escrito como definição versionada, com direitos de decisão explícitos.
Ferramentas
Em usoA definição de cada papel o restringe aos próprios repositórios. Próximo passo: agentes de conteúdo que agem apenas por um servidor MCP sobre uma única camada de ingestão.
Permissões
ProduçãoQuem verifica permissões é o banco, não o prompt. Hoje há uma service account restrita por pipeline; uma por agente de conteúdo está planejada.
Memória
Em usoUm repositório de contexto compartilhado (arquitetura, checklist de schema, roadmap, registro de status real) é carregado em toda sessão, em todos os repositórios.
Fluxos
Em usoO protocolo de consenso para construir; descobrir → enriquecer → pontuar → ingerir para dados.
Avaliação
ProduçãoConfiança calculada a partir de evidências. Próximo passo: taxa de aprovação por agente e custo por item aprovado na fila de curadoria.
Aprovação humana
Em usoPortões de risco para tudo que é irreversível, pago ou público; uma mensagem de aprovação antes de toda execução paga de pipeline.
Observabilidade
ProduçãoHistórico de execuções e etapas de cada pipeline; custo de tokens registrado por chamada.
Tratamento de falhas
ExperimentalRetomada idempotente por status, orçamentos que falham fechados e um botão de desligar por agente, planejado.
Próxima camada: agentes de conteúdo no caminho de dados de produção
PlanejadoUm time de agentes que mantém vivo o catálogo do BikerWay. Cada um terá identidade e permissões próprias no banco, gravará apenas pela camada de ingestão compartilhada e enviará tudo abaixo do seu limiar de confiança para uma fila de curadoria humana.
- AG-0 Editor-chefe
- AG-1 Lugares
- AG-2 Eventos
- AG-3 Rotas famosas
- AG-3B Rotas compostas
- AG-4 Desafios e insígnias
- AG-5 Peças e manuais
- AG-6 Ofertas
- AG-7 Verificador
Experiência
De entregar apps a liderar times de plataforma.
dez 2021 – atual · Rio de Janeiro
Solution Architect | Software AI-Systems Engineer · Lumis
Líder técnico de cinco times que constroem plataformas corporativas, e o engenheiro por trás dos sistemas de IA ao redor delas.
Impacto
- Lidero 5 times de engenharia (15 engenheiros) que entregam plataformas corporativas para mais de 93,4 milhões de usuários ativos em seis meses; faço mentoria de engenheiros e arquitetos; sou chapter leader de práticas e ferramentas.
- Arquitetei APIs escaláveis, serviços orientados a eventos e várias Digital Experience Platforms, do desenho ao deploy, processando milhões de transações diárias.
- Liderei engenharia e arquitetura para clientes críticos de bancos e seguradoras: segurança, conformidade e alta disponibilidade para cargas reguladas.
- Desenhei agentes de desenvolvimento que automatizam o SDLC do time de ponta a ponta, do início da tarefa à implementação, testes e entrega para staging.
- Construí e opero agentes de IA em produção para análise de processos e desenho de soluções, com guardrails de LLM, validação de entrada e saída e proteção contra prompt injection.
- Liderei a migração WordPress → Java/Lumis XP de um escritório de advocacia multinacional, incluindo um assistente de IA em produção com bancos vetoriais, embeddings e chunking.
- Entreguei um agente de conteúdo autônomo (buscar, gerar, analisar, publicar) com nota de confiança e revisão humana.
- Estabeleci práticas de DevSecOps e LLMOps: CI/CD, infraestrutura como código, Docker, SonarQube, OpenTelemetry e acesso de menor privilégio.
Principais desafios de engenharia
- Tornar a IA confiável para produção: validação, guardrails e revisão humana pensados desde o início.
- Requisitos de segurança, conformidade e disponibilidade de clientes financeiros regulados.
- Levar ferramentas AI-first a cinco times sem fragmentar a forma como trabalham.
Tecnologias
JavaAWSCloud-nativeAgent orchestrationMCPVector databasesDockerIaCSonarQubeOpenTelemetryClaude CodeCursorLumis XPjan 2017 – dez 2021 · Rio de Janeiro
Software Development Engineer · Lumis
Engenheiro full-stack que assumiu a liderança técnica de uma grande plataforma web de varejo e da modernização de DevOps do time.
Impacto
- Líder técnico da plataforma web de um grande grupo brasileiro de shopping centers: aplicações corporativas sobre plataformas de experimentação de conteúdo com Java, React, Vue.js, AWS e SQL.
- Líder técnico da modernização de DevOps (Git, Jenkins, Docker, SonarQube) e da arquitetura orientada a eventos; automatizei testes A/B, auto-targeting e multivariados para experimentos de marketing.
- Filas de eventos e processamento de arquivos com Python e Kafka, com execução garantida e sem processamento duplicado.
- Desenvolvimento full-stack com Java, JavaScript, Node, React, Redux, Lumis XP, jQuery e XSL.
Principais desafios de engenharia
- Introduzir CI, containers e quality gates de código em um processo de entrega que já estava rodando.
- Automatizar experimentos de marketing: testes A/B, auto-targeting e multivariados.
Tecnologias
JavaJavaScriptReactVue.jsNodePythonKafkaAWSSQLJenkinsDockerSonarQubejun 2015 – dez 2016 · Rio de Janeiro
Software Engineer · Fundador · Sued Team
Fundei o time e liderei a engenharia de aplicações fintech corporativas.
Impacto
- Construí produtos fintech de ponta a ponta com Java, Android, MVC, MySQL, Node e React.
- Gerenciei 4 projetos nos domínios militar, pet-tech e de pesquisa política.
Principais desafios de engenharia
- Ser dono de um produto da primeira linha de código até a entrega ao cliente.
Tecnologias
JavaAndroidMySQLNodeReactjan 2015 – dez 2016 · Rio de Janeiro
Software Engineer Mobile · Fluxo Consultoria UFRJ
Apps mobile com requisitos de segurança e de reconhecimento.
Impacto
- App de avaliação de aptidão física militar para a FAB (Força Aérea Brasileira): Android, Firebase, JWT, OAuth2 e criptografia customizada.
- Reconhecimento automático de medicamentos em receitas com OCR (Tesseract).
Principais desafios de engenharia
- Requisitos de segurança de um cliente militar em uma plataforma mobile.
Tecnologias
AndroidFirebaseJWTOAuth2Tesseract OCRjun 2014 – dez 2016 · Rio de Janeiro
Software Engineer Fullstack · Sued Team
Onde tudo começou: apps para alunos e professores.
Impacto
- Apps mobile e web para alunos e professores de duas instituições federais de ensino público (MySQL, PHP, push via GCM, Android, VPS Linux).
Principais desafios de engenharia
- Entregar e hospedar apps reais para escolas reais enquanto ainda estudava.
Tecnologias
AndroidPHPMySQLGCMLinux
Formação e certificações
Bacharelado em Engenharia de Controle e Automação, PUC-Rio · 2024
Domínio adicional em Engenharia de Software. TCC: GADEMO Web, simulação e otimização evolutiva com algoritmos genéticos.
Curso Técnico em Controle, Robótica e Automação, CEFET/RJ
Curso técnico de nível médio.
Google Generative AI Leader · Google Cloud · 2026
Certificação em IA generativa estratégica e aplicada.
Claude Certified Architect · Anthropic · em andamento
Ainda não obtida.
2º lugar, Hackathon de Sustentabilidade e Energia da PUC-Rio · 2018
Trabalhos selecionados
Problemas, decisões e resultados.
- Beta
Meu produto · fundador e engenheiro líder
BikerWay
Falta aos motociclistas um mapa confiável e específico de rotas e lugares, e as ferramentas para rolês em grupo e motoclubes estão espalhadas.
Abordagem, arquitetura, resultado e aprendizados
- Abordagem
- Um app nativo sobre um backend Supabase compartilhado, uma plataforma de dados em que a IA propõe itens do catálogo sob regras e aprovação humana, e um time de agentes Claude Code que refina e constrói o roadmap.
- Arquitetura
- Cinco repositórios, um projeto Supabase, uma camada de ingestão e aprovações antes de qualquer trabalho pago ou irreversível.
- Tecnologia
- Expo / React NativeTypeScriptSupabaseNext.jsViteZodn8nGemini · OpenAI · DeepSeekClaude Code
- Resultado
- App Android em beta com testadores reais; web app e painel administrativo em produção; pipelines de IA gravando dados com evidências em produção.
- O que aprendi
- Os bugs mais difíceis entre repositórios vieram da falta de contexto compartilhado, não de ter muitos repositórios. Contexto é infraestrutura.
Lumis · 2021 – atual
Sistemas de IA na Lumis
Times de entrega e clientes corporativos precisavam de IA que se sustentasse em produção, com validação, guardrails e revisão humana.
Agentes de desenvolvimento do SDLC
Em uso- Problema
- Repasses manuais entre pegar uma tarefa e entregá-la para staging.
- Abordagem
- Agentes de desenvolvimento autônomos que cobrem implementação e testes até a entrega para staging/homologação.
- Resultado
- Etapas manuais removidas do caminho de release; releases aceleradas.
Agentes de automação de processos
Produção- Problema
- Análise de processos e desenho de soluções feitos à mão.
- Abordagem
- Agentes em produção com treinamento de agentes, guardrails de LLM, validação de entrada e saída e proteção contra prompt injection.
- Resultado
- Em produção, construídos e operados por mim.
Assistente para um escritório de advocacia multinacional
Produção- Problema
- Uma plataforma em WordPress que precisava escalar, e um assistente voltado a clientes sobre ela.
- Abordagem
- Migração para Java / Lumis XP em escala; recuperação de informação com bancos vetoriais, embeddings e chunking.
- Resultado
- Assistente de IA em produção para casos de uso voltados a clientes.
Agente de conteúdo autônomo
- Problema
- Cadastrar conteúdo em plataformas emergentes.
- Abordagem
- Buscar → gerar → analisar → publicar, com uma nota de confiança decidindo quando um humano revisa.
- Resultado
- Entregue com revisão humana no circuito.
Tecnologia, resultado e aprendizados
- Tecnologia
- AI agentsAgent orchestrationMCPVector databasesEmbeddingsLLM guardrailsJavaAWS
- Resultado
- Quatro sistemas de IA entregues; dois deles rodam em produção.
- O que aprendi
- Em IA de produção, os caminhos de validação e revisão exigem mais desenho do que o prompt.
- Produção
Lumis · clientes de bancos e seguradoras
Plataformas reguladas e DXPs
Clientes críticos de bancos e seguradoras precisam de plataformas seguras, em conformidade e sempre disponíveis.
Abordagem, arquitetura, resultado e aprendizados
- Abordagem
- APIs escaláveis, serviços orientados a eventos e Digital Experience Platforms, desenhados e levados ao deploy, com práticas de DevSecOps e acesso de menor privilégio.
- Arquitetura
- Serviços cloud-native na AWS; integração orientada a eventos; CI/CD com quality gates e controles de segurança.
- Tecnologia
- JavaAWSEvent-driven architectureDockerSonarQubeIaCOpenTelemetry
- Resultado
- Milhões de transações diárias com alta disponibilidade, desempenho e segurança para cargas reguladas.
- O que aprendi
- Em sistemas regulados, conformidade é um insumo da arquitetura, não uma etapa de revisão no final.
Código aberto · Java
Rate limiter distribuído
Aplicar um limite de taxa global em uma frota de servidores sem uma chamada de rede a cada requisição.
Abordagem, arquitetura, resultado e aprendizados
- Abordagem
- Contadores particionados por chave em um key-value store distribuído, lotes locais enviados em intervalos e decisões não bloqueantes a partir da última contagem global conhecida mais os incrementos locais pendentes.
- Arquitetura
- Abstração do store, política de retry e circuit breaker para falhas do store, publicadores de métricas plugáveis (Prometheus, CloudWatch).
- Tecnologia
- JavaCompletableFuturePrometheusAWS CloudWatchMaven
- Resultado
- Repositório público com API em builder, um store simulado para testes e trade-offs operacionais documentados.
- O que aprendi
- Escolher consistência eventual em troca de latência é uma decisão de produto. A margem de erro deve ser explícita e observável.
FAB (Força Aérea Brasileira) · pela Fluxo Consultoria UFRJ
App de avaliação física militar
Um app mobile de avaliação de aptidão física para a Força Aérea Brasileira.
Abordagem, arquitetura, resultado e aprendizados
- Abordagem
- App Android nativo com Firebase, autenticação por token (JWT, OAuth2) e criptografia customizada.
- Tecnologia
- AndroidFirebaseJWTOAuth2Criptografia
- Resultado
- App mobile entregue para a Força Aérea Brasileira.
- O que aprendi
- Requisitos de segurança moldam o modelo de dados desde o primeiro dia, não o checklist de release.
TCC de Engenharia · PUC-Rio · 2024
GADEMO Web
Simulação e otimização evolutiva com algoritmos genéticos, uma das bases do aprendizado de máquina.
Abordagem, arquitetura, resultado e aprendizados
- Abordagem
- Uma abordagem computacional para simular algoritmos genéticos e otimização evolutiva, apresentada como meu trabalho de conclusão de curso.
- Tecnologia
- Algoritmos genéticosOtimização evolutivaSimulação
- Resultado
- Trabalho de conclusão do bacharelado em Engenharia, PUC-Rio.
- O que aprendi
- Otimização é busca sob restrições, o mesmo enquadramento que uso hoje em fluxos de agentes.
Stack de engenharia
Profundidade em vez de logos.
Linguagens
Java em uma década de trabalho corporativo, TypeScript em tudo do BikerWay.
- Java
- TypeScript
- Python
- JavaScript
- SQL
- Kotlin
- Go
Backend
APIs e plataformas feitas para sustentar produtos dos quais outras pessoas dependem.
- REST APIs
- Node.js
- Lumis XP (DXP)
- Edge Functions
- Spring Boot
- Hibernate / JPA
IA
Agentes e apps com LLM, com as peças que os tornam seguros para rodar.
- Agentes de IA
- Orquestração de agentes
- MCP
- RAG · embeddings · chunking
- Guardrails
- Defesa contra prompt injection
- Human-in-the-loop
- Saídas estruturadas (Zod)
- LLMOps
- Claude Code · Cursor
- Claude · OpenAI · Gemini · DeepSeek
- pgvector · Pinecone · Chroma
- LangChain
Cloud
AWS no corporativo; Postgres gerenciado e plataformas de edge quando o orçamento é a restrição.
- AWS
- Supabase
- Vercel
- Firebase
- Serverless / Lambda
- Azure
- Cloudflare
Infraestrutura
Pipelines que tornam o caminho seguro o caminho padrão.
- Docker
- Infraestrutura como código
- CI/CD
- Jenkins
- SonarQube
- DevSecOps
- Kubernetes
- Terraform
- GitLab CI
Dados
Eventos, dados relacionais e a procedência que os mantém confiáveis.
- Kafka
- Postgres + RLS
- MySQL
- Bancos vetoriais
- OpenStreetMap · Google Places
- Elasticsearch
- NoSQL
Observabilidade
Se um agente fez algo, quero conseguir explicar por quê.
- OpenTelemetry
- PostHog
- Sentry
- Rastreamento de execuções
- Prometheus
- Grafana
- Datadog
Arquitetura
Padrões escolhidos pela restrição, não pelo currículo.
- Arquitetura orientada a eventos
- Cloud-native
- Alta disponibilidade
- Digital Experience Platforms
- Experimentação (A/B, multivariada)
- Microsserviços
- Sistemas distribuídos
Como eu penso
Princípios com que construo.
- 01
Construa sistemas, não demos.
Uma demo responde "isso funciona?". Um sistema também responde "o que acontece quando não funciona?". Guardrails, validação, observabilidade e rollback vêm junto com a funcionalidade, não depois.
de: Agentes em produção na Lumis
- 02
IA é um problema de engenharia, não só um prompt.
Schemas, recuperação de informação, avaliação, permissões e custo importam mais do que a redação de um prompt quando usuários reais dependem da resposta.
de: Assistente com RAG · plataforma de dados do BikerWay
- 03
A IA propõe, a regra decide, o humano cura.
O modelo sugere. Uma nota determinística construída a partir de evidências decide o que é seguro publicar, e uma pessoa revisa o resto. O modelo nunca aprova o próprio trabalho.
de: Desenho dos agentes do BikerWay
- 04
Conteúdo de terceiros é dado, não instrução.
Tudo o que um agente lê do mundo externo pode ser hostil. A proteção contra prompt injection pertence à arquitetura, aplicada onde o prompt não consegue contorná-la.
de: Guardrails na Lumis · ingestão do BikerWay
- 05
Arquitetura existe para resolver restrições.
No setor financeiro regulado, disponibilidade e conformidade eram os insumos. Com um orçamento mensal fixo, planos gratuitos e gastos de IA que falham fechados viraram os insumos. Mesma disciplina, restrições diferentes.
de: Plataformas de bancos e seguradoras · BikerWay
- 06
Automação precisa de procedência e de um botão de desligar.
Toda gravação automatizada deve dizer quem gravou, com base em qual evidência, e poder ser interrompida sem deploy. É isso que torna a automação algo em que um time realmente pode confiar.
de: Camada de ingestão do BikerWay
Fora do expediente
Gosto de construir coisas que se movem.
Motos
Pilotar, e construir o BikerWay para outros motociclistas.
Ferrovias
Sistemas grandes, com horário e segurança crítica, em movimento em tempo real.
Eletrônica e IoT
Sensores, microcontroladores e a fronteira entre hardware e código.
Viagens
Novos lugares, novas restrições e um motivo para planejar rotas.
Contato
Tem um problema difícil de engenharia?Vamos conversar.
Rio de Janeiro, Brasil · UTC−3 · Remoto ou relocação. Aberto a vagas de AI Engineer, Applied AI, Forward Deployed, AI Platform e Staff / Senior Backend.