Desenvolvedor fullstack com foco em segurança e análise forense digital. Teresina, PI · Brasil
Construo sistemas para o setor público e ferramentas que cruzam dados abertos para encontrar o que não está evidente — risco societário, vínculos entre empresas, inconsistência documental. Também trabalho com análise forense digital: tratamento de evidência e cadeia de custódia.
| Área | O que faço |
|---|---|
| Backend | NestJS · Node · Python · PostgreSQL — arquitetura em camadas, sem exceção |
| Frontend | Next.js · React · TypeScript |
| Segurança | OSINT, análise de superfície, forense digital, LGPD |
| IA aplicada | RAG, fine-tuning (LoRA/QLoRA), pipelines de inferência |
lgpd-scan
Diagnóstico de conformidade LGPD sobre a superfície pública de um site:
encarregado indicado, canal do titular, rastreadores antes do consentimento e
higiene de transporte. Cada achado cita a base normativa — LGPD, Resoluções
CD/ANPD nº 2/2022 e nº 18/2024 e os guias orientativos da Autoridade.
Python · LGPD · compliance
Analisador de Risco CNPJ
Ferramenta OSINT que consulta Receita Federal, Portal da Transparência, DataJud,
PNCP e listas de sanções (CEIS, CNEP, CEPIM, CEAF), calcula score de risco por
empresa e exporta relatório. Feita para due diligence e apoio a investigação.
Python · OSINT · dados abertos
Pipeline RAG + QLoRA
Pipeline ponta a ponta para geração de relatórios clínicos: recuperação de ~15k
tokens de contexto, LLM quantizado e FlashAttention-2 + KV Cache para evitar OOM.
Python · RAG · QLoRA
RAG com HNSW, HyDE e Cross-Encoders
Arquitetura de recuperação avançada: indexação vetorial HNSW, expansão de
consulta com documentos hipotéticos (HyDE) e reranking por cross-encoder.
Python · RAG · retrieval
Alinhamento com DPO
Implementação de Direct Preference Optimization — a alternativa ao RLHF que
deriva a política ótima direto dos dados de preferência, sem reward model.
Python · LLM · alinhamento
Implementações do zero, do mecanismo de atenção ao pipeline completo de especialização de LLM. Cada uma documenta a lógica matemática por trás.
Self-Attention → Encoder → Decoder + Cross-Attention → Transformer completo
→ Treinamento fim-a-fim → Tokenizadores BPE/WordPiece → LoRA e QLoRA
→ DPO → Pipeline RAG completo
Alguns repositórios de laboratório tiveram partes geradas ou complementadas com apoio de IA, sempre revisadas e validadas por mim — está declarado em cada um.