Sou Engenheiro de AI/ML e trabalho construindo soluções de IA que conectam dados, negócios e pessoas para gerar impacto real.

Tenho mais de 15 anos de experiência em dados e tecnologia, desenvolvendo soluções de ponta a ponta com Machine Learning, Deep Learning e IA Generativa — da experimentação até sistemas robustos em produção.

Ao longo da carreira participei de projetos para empresas como Ambev, Danone, Fiat, L'Oréal e Globo, criando soluções orientadas por dados que apoiam decisões estratégicas e viabilizam novos produtos digitais.

Interesses principais:

• ML Systems
• LLM Engineering
• Arquiteturas Multiagentes
• IA aplicada a produtos e decisões de negócio

Runtime open source para criar e executar agentes de IA definidos em Markdown. A proposta é transformar um simples arquivo .md em um agente executável, com suporte a chat, agendamentos, watch de arquivos, tools nativas e integração via MCP.

Implementação educacional de um Large Language Model do zero, construindo os principais componentes da arquitetura Transformer com PyTorch.

Modelo de Machine Learning para prever churn de assinantes em um marketplace, com engenharia de features e avaliação de modelos.

Projetos desenvolvidos em ambiente profissional com código proprietário que podemos conversar sobre :)

• Problema: Dificuldade de acesso a dados complexos para usuários não técnicos. Dependência da área de BI para Insights e Relatórios.
• Solução: Interface conversacional integrada ao GCP/BigQuery com geração automática de gráficos e Big Numbers. Implementação de Guardrails e observabilidade para garantir segurança e precisão.
• Stack: Python, LLMs, BigQuery, GCP, ADK.

• Problema: Fragmentação de pesquisas de usuários e recomendações de design inconsistentes.
• Solução: Sistema de Retrieval-Augmented Generation (RAG) para consulta de evidências históricas de UX, garantindo que novas decisões sejam baseadas em dados reais.
• Stack: Python, vLLM, Milvus, LLMs.

• Problema: Gargalo manual na triagem de feedbacks, levando 48h para processamento.
• Solução: Fine-tuning de modelos de NLP para classificação multiclasse (Elogio, Reclamação, Sugestão).
• Resultado: Redução do tempo de resposta de 48h para 8h.
• Stack: HuggingFace, Python, S3, Looker.

• Problema: Necessidade de entender como diferentes LLMs interpretam e "falam" de produtos da marca.
• Solução: Pipeline de agentes (CrewAI) que consulta múltiplos modelos (ChatGPT/Gemini/Perplexity/Anthropic) e consolida um dashboard comparativo de percepção de marca.
• Stack: Python, CrewAI, openAI, Streamlit.

• Problema: Volume massivo de dados não estruturados (200k+ tickets/ano) sem categorização clara.
• Solução: Modelo de Machine Learning para agrupamento semântico, identificando padrões de falhas recorrentes e otimizando o roadmap de produto.
• Stack: Python, NLP, ETL, Streamlit.

• Problema: Excesso de tarefas manuais em ritos de agilidade (acompanhamento de bugs e progresso).
• Solução: Bot integrado via API (Slack/Notion) para automação de workflows e atualização automática de status de projetos.
• Stack: Python, APIs, Slack, Notion, LLMs.

✉️ Email: me@zfab.me
🌐 Site: http://zfab.me
💼 LinkedIn: https://www.linkedin.com/in/fazillig/