avatar

CONTATO

Atenciosamente,
avatar

DANILLO XAVIER

Senior Software Engineer | AI, Automation & Tech Lead
Endereço: Petrolina, Pernambuco, BrasilTelefone: +55 87 98133-6310Email: danillox5@hotmail.comLinkedIn: linkedin.com/in/cientista-de-dados
8x vencedor do QMS Contest LATAM 20252x vencedor do ICS Global 2025 — People's Choice & FellowsInformation Security Manager (ISM) para Brazil Pipeline Delivery

Desenvolvimento e evolução de sistemas corporativos, web/mobile, APIs e integrações. Python · JavaScript/TypeScript · Java · React · Node.js · SQL.

Experiência profissional

TECHNOLOGY ENABLEMENT LEAD

BAYER CROP SCIENCE

mai de 2024 - atual · Tempo integral · Petrolina, Pernambuco, Brasil

  • 8x QMS LATAM 2025
  • 2x ICS Global 2025
  • ISM Brazil Pipeline Delivery
  • Desenvolvimento de soluções de IA, ML e automação com Python, BigQuery, Azure e Power Platform para pipelines de P&D em milho e soja, integrando plataformas de dados, sistemas de apoio à decisão e RPA.
  • Liderança técnica de iniciativas multifuncionais, conectando engenharia de software, Machine Learning e automação corporativa à produtividade da pesquisa e à eficiência operacional.

Tecnologias relacionadas no histórico: Power BI, Power Automate, BigQuery, Azure, Python, ML, MCP, RAG, Agentic AI, React.js, JavaScript, SQL

GERENTE ADMINISTRATIVO - SUPPLY CHAIN, CONTROLADORIA E OPERAÇÕES DE RH

AGRODAN AGROPECUÁRIA RORIZ DANTAS

nov de 2023 - abr de 2024 · Tempo integral · Belém do São Francisco, Pernambuco, Brasil · Presencial

  • R$ 1,2 milhão/ano em mão de obra
  • R$ 500 mil/mês em solicitações evitadas
  • Auditoria de estoques e pessoas
  • Automação do fluxo de solicitações com análise crítica baseada em IA, classificação de classes contábeis e acompanhamento orçado x realizado com alertas em tempo real no Telegram. Contribuição: auditoria e gestão do controle crítico das solicitações, associado a R$ 500 mil/mês em pedidos desnecessários evitados.
  • Atuação de engenharia de software e gestão sobre o SIA, plataforma desenvolvida e evoluída na trajetória de tecnologia com React, Node.js, Oracle e SQL, aplicada à governança operacional, auditoria e tomada de decisão.
  • Gestão de indicadores de pessoas e processos, cobrindo folha, equidade salarial, ponto, produção, contabilidade, finanças, compras e desempenho de fornecedores. Contribuição: auditoria operacional e gestão dos controles de pessoas, associadas a R$ 1,2 milhão/ano de redução em mão de obra e R$ 780 mil/ano em custos de absenteísmo.
  • Auditoria da movimentação física e financeira de estoques, controle de ponto de ressuprimento, renegociação contratual e otimização por notas-mestre. Contribuição: gestão e auditoria dos controles de estoque, apoiando reduções de R$ 1,8 milhão/mês em estoques de alto giro e R$ 150 mil/mês em itens obsoletos ou de baixa movimentação.

Tecnologias relacionadas no histórico: React.js, Node.js, Oracle Database, Python, Power BI, Telegram Bot API, RPA, AI/ML, ERP Integration, SQL

HEAD DE TECNOLOGIA: TI E INOVAÇÃO

AGRODAN AGROPECUÁRIA RORIZ DANTAS

mar de 2021 - nov de 2023 · Tempo integral · Belém do São Francisco, Pernambuco, Brasil

  • 85% dos processos digitalizados
  • 150+ visões estratégicas
  • 24 jobs de ETL
  • Desenvolvimento e entrega de formulários digitais, coleta offline com GPS, integrações ERP, dashboards, 24 jobs de ETL e automações com IA/ML, com React, Python e SQL; digitalização de 85% dos processos antes manuais.
  • Contribuição: desenvolvimento e evolução de ferramentas de auditoria de processos e de pulverização, com R$ 850 mil/ano economizados em defensivos, redução de 90% dos problemas de pulverização/uso de produtos e R$ 400 mil/ano em combustível; acompanhamento de impacto e ROI para decisões corporativas.
  • Função exercida simultaneamente à Gerência de TIC de mar/2021 a nov/2023, acumulando liderança de tecnologia e inovação com a gestão de TIC.
  • Liderança da transformação digital da companhia com PMBoK, Agile e gamificação para institucionalizar processos e cultura de inovação.
  • Identificação de oportunidades, formação de líderes internos e disseminação de métodos, ferramentas e mindset de inovação.
  • Condução do programa de inovação aberta Agrodan Tech, com sete startups selecionadas; renegociação contratual associada a R$ 800 mil/ano de economia.

Tecnologias relacionadas no histórico: React.js, Python, Power BI, ETL, Machine Learning, Deep Learning, IoT, ERP

GERENTE DE TIC

AGRODAN AGROPECUÁRIA RORIZ DANTAS

out de 2019 - nov de 2023 · Tempo integral · Belém do São Francisco e Recife, Pernambuco · Presencial

    • Administração de ambientes Windows e Linux com Active Directory, Zabbix/GLPI, sincronização de bases, redes corporativas, ERP, integrações, dashboards, automações e projetos de IoT e segurança da informação. Contribuição: evolução técnica dos módulos e integrações ERP com redução de terceirizações associada a R$ 240 mil/ano de economia.
    • Gestão das rotinas da equipe de TI, help desk, parque de dispositivos, servidores, backup e recovery, virtualização e projetos de alta disponibilidade.
    • De mar/2021 a nov/2023, acumulei esta função com a de Head de Tecnologia: TI e Inovação.

    Tecnologias relacionadas no histórico: Windows Server, Linux, Firewall, Active Directory, Zabbix, GLPI, Mikrotik, Unifi, Arduino, Raspberry Pi

    IT BUSINESS PARTNER

    AGRODAN AGROPECUÁRIA RORIZ DANTAS

    jan de 2019 - out de 2019 · Tempo integral · Belém do São Francisco, Pernambuco, Brasil

      • Criação e evolução do SIA com React, Node.js e SQL: dashboards em tempo real, APIs, mapas de acompanhamento, coletores offline sincronizados e módulos com IA para decisões operacionais e estratégicas.
      • Tradução de necessidades de negócio em tecnologias aplicadas, com forte foco em resultado e cadência de transformação digital.

      Tecnologias relacionadas no histórico: React.js, Node.js, SQL, Power BI, AI, Offline Sync

      Perfil

      Engenheiro de software com mais de 10 anos de experiência no desenvolvimento e evolução de sistemas corporativos, aplicações web e mobile, APIs, integrações ERP, pipelines de dados e soluções de IA.

      Python, JavaScript/TypeScript, Java, React, Node.js e SQL. Atualmente Technology Enablement Lead na Bayer Crop Science, com trajetória de desenvolvimento, arquitetura e liderança técnica na Agrodan, Labrunier e em produtos independentes.

      QMS LATAM 2025: Concurso anual promovido pelo time de Excelência Operacional da Bayer LATAM, que avalia projetos de melhoria de processos, melhoria da qualidade e redução de custos.

      ICS Global 2025: Congresso interno anual da Bayer que avalia e premia os projetos mais inovadores do ano nas áreas de Crop Science.

      Resultados de impacto

      Resultados de iniciativas desenvolvidas e evoluídas entre 2020 e abril de 2024, com contribuições em diferentes funções na Agrodan. Bases mensais/anuais preservadas, sem somatório.

      Formação

      DOUTORADO PROFISSIONAL
      EM ENGENHARIA DE SOFTWARE

      CÉSAR SCHOOL

      2020 — 2025

      • Concluído em 2025.
      • Tese: Algoritmos Evolutivos na problemática do Feature Selection em algoritmos de regressão.
      • BDs: Irrigação (Kc), Calibres da Manga, Produtividade

      ESPECIALIZAÇÃO EM
      ENGENHARIA DE SEGURANÇA DO
      TRABALHO

      UNIMAIS

      JULHO 2022 — JULHO 2023

      • TCC: AgriGuard — Software georreferenciado para monitoramento de riscos em ambiente agrícola

      ESPECIALIZAÇÃO EM
      ENGENHARIA DE SOFTWARE E
      GERENCIAMENTO DE PROJETOS

      UNINASSAU

      JANEIRO 2017 — MARÇO 2018

      • TCC: Implementação da metodologia SCRUM em uma Plataforma Web

      ENGENHARIA DE PRODUÇÃO

      UNIVASF

      2013 — 2016

      • TCC: F-AHP: Software Java para a aplicação do Método de Decisão Multicritério AHP

      MBA OPERATIONAL EXCELLENCE — EM ANDAMENTO

      FM2S EDUCAÇÃO E CONSULTORIA

      MAIO 2026 — MARÇO 2027 (PREVISÃO)

      • Administração, gestão e operações.
      • Formação relacionada aos projetos independentes de Lean e melhoria contínua do Utilibox: VSM, SMED, PDSA, A3, Pareto e cronoanálise.

      Trajetória adicional

      FUNDADOR DE STARTUPS E EMPREENDEDOR

      D & E SOFTWARES E GAMES | SYRINX TECNOLOGIA | SILO STUDIO | CASA DOS ESMALTES

      fev de 2012 - out de 2019 · Empreendedorismo · Petrolina, Pernambuco, Brasil

        • Desenvolvimento de produtos de software e aplicativos em iniciativas empreendedoras, conectando implementação, evolução do produto e validação de mercado.
        • Atuação na fundação de diversas startups, exercendo o papel de CEO na maior parte das iniciativas.
        • Vivência prática em validação de mercado, desenvolvimento de produto, inovação e liderança sob incerteza.
        • Projetos autorais chegaram a ser destacados pela Nokia em seleção de aplicativos brasileiros para smartphones.

        ENGENHEIRO DE SOFTWARE SÊNIOR

        GRUPO JD (FAZENDAS LABRUNIER)

        jan de 2017 - nov de 2018 · Tempo integral · Petrolina e Região, Brasil · Presencial

          • Liderança do desenvolvimento de ferramentas de gestão e monitoramento para operações de packing de uvas.
          • Construção de softwares sob medida, procedimentos operacionais e indicadores que transformaram dados brutos em insights acionáveis.
          • Atuação como líder técnico e cocriador da iniciativa Fazenda de Software, com BI avançado e dashboards interativos via SQL.

          ENGENHEIRO DE SOFTWARE JÚNIOR

          GRUPO JD (FAZENDAS LABRUNIER)

          set de 2016 - dez de 2016 · Tempo integral · Petrolina, Pernambuco, Brasil

            • Implementação de sistema de coleta de dados com RFID no setor de packing de uvas.
            • Desenho, monitoramento e gestão de indicadores operacionais para linhas de produção e equipe de TI.
            • Entrega de rastreabilidade em tempo real, maior acurácia de dados e suporte à decisão operacional.

            ESTAGIÁRIO - DESEMPENHO HOSPITALAR E PLANEJAMENTO ESTRATÉGICO

            HOSPITAL UNIVERSITÁRIO DE PETROLINA

            mai de 2015 - ago de 2015 · Estágio · Petrolina, Pernambuco, Brasil

              • Desenvolvimento de sistema de gestão de indicadores hospitalares e apoio à criação e implementação do Planejamento Estratégico 2015.
              • Realização de treinamentos, apresentações e seminários para acelerar a adoção das novas ferramentas.
              03 / PANORAMA PROFISSIONAL

              Habilidades, stacks e áreas de atuação

              Engenharia de software, IA, dados e decisões conectadas à operação e ao desenvolvimento de produtos.

              19projetos no panorama
              8frentes técnicas
              7áreas de aplicação

              Cobertura técnica · projetos associados

              Projetos associados por competênciaSoftware e produtos9 projetosDados e integração7 projetosIA e automação8 projetosML e visão6 projetosMobile e offline2 projetosMLOps e ciclo de modelos2 projetosDecisão e otimização6 projetos3D e geoespacial3 projetos

              Stack · presença nos projetos

              Python / dados / ML
              6
              Web / APIs
              14
              SQL / persistência
              11
              Mobile / offline
              2
              3D / mapas
              2
              Automação / integração
              7

              Número de projetos que usam ao menos uma tecnologia de cada família.

              Python · SQL · JavaScript · TypeScript · Java
              React · Node.js · Java EE · React Native
              Oracle · PostgreSQL · SQLite · Supabase
              scikit-learn · PyTorch · OpenCV · TensorFlow.js

              Onde apliquei essas competências

              Agro e indústria
              3
              Educação e pesquisa
              3
              Finanças e decisões
              4
              Operações e logística
              3
              Saúde
              1
              Produtos digitais e CRM
              5
              Interação e visão
              2

              Diferenciais conectados à trajetória

              Liderança e operação
              Bayer, Agrodan e Labrunier: tecnologia, transformação, indicadores e integração com o negócio.

              Agentic AI / MLOps
              Planejamento Xavier: coordenação multiagente. TraderMind: ciclo de modelos. Globalcom: arquitetura entregue com RAG, MCP e auditoria, em implementação.

              Pesquisa e melhoria contínua
              EFS-AHP no doutorado; Utilibox em decisão, Lean e finanças; visão industrial na Agritech.NE.

              Radar e barras: quantidade de projetos associados, com referências abaixo; não representam notas de proficiência. Um projeto pode apoiar várias frentes. Backups e referências de terceiros não entram na contagem. Globalcom é apresentada separadamente como arquitetura entregue, em implementação.

              Projetos de referência por competência

              03 / PROFESSIONAL OVERVIEW

              Capabilities, stacks and application domains

              Software engineering, AI, data and decisions connected to operations and product development.

              19projects in this overview
              8technical capabilities
              7application domains

              Technical coverage · related projects

              Related projects by capabilitySoftware & products9 projectsData & integration7 projectsAI & automation8 projectsML & vision6 projectsMobile & offline2 projectsMLOps & model lifecycle2 projectsDecision & optimization6 projects3D & geospatial3 projects

              Stack · presence across projects

              Python / data / ML
              6
              Web / APIs
              14
              SQL / persistence
              11
              Mobile / offline
              2
              3D / maps
              2
              Automation / integration
              7

              Projects using at least one technology in each family.

              Python · SQL · JavaScript · TypeScript · Java
              React · Node.js · Java EE · React Native
              Oracle · PostgreSQL · SQLite · Supabase
              scikit-learn · PyTorch · OpenCV · TensorFlow.js

              Where I applied these capabilities

              Agriculture & industry
              3
              Education & research
              3
              Finance & decisions
              4
              Operations & logistics
              3
              Healthcare
              1
              Digital products & CRM
              5
              Interaction & vision
              2

              Strengths connected to career experience

              Leadership & operations
              Bayer, Agrodan and Labrunier: technology, transformation, indicators and business integration.

              Agentic AI / MLOps
              Planejamento Xavier: multiagent coordination. TraderMind: model lifecycle. Globalcom: delivered architecture with RAG, MCP and audit, being implemented.

              Research & continuous improvement
              Doctoral EFS-AHP; Utilibox for decisions, Lean and finance; industrial vision at Agritech.NE.

              Radar and bars: related project counts, with references below; these are not proficiency ratings. A project may support several capabilities. Backups and third-party references are excluded. Globalcom is presented separately as delivered architecture, being implemented.

              Reference projects by capability

              Stack principal

              PythonSQLJavaScriptTypeScriptJavaReactNode.jsReact Native / ExpoOracle / PostgreSQLBigQueryAzurePower Platformscikit-learnYOLO / OpenCVAPIs de LLMETL

              Habilidades

              Engenharia de software

              Aplicações web e mobile, modelagem de domínio, APIs, persistência, coleta offline, sincronização e integrações desktop.

              SIA/SIAgro, EBSERH, The Game Project e produtos independentes.

              Dados e decisão

              ETL, integração ERP, SQL, indicadores, auditoria operacional, métodos multicritério e otimização com restrições.

              Agrodan, Labrunier, Utilibox, Cartola Oracle e Logística.

              Qualidade, entrega e manutenção de software

              Smoke tests, validação de contratos e contexto concorrente, verificação de tipos, lint, versionamento e workflow de deploy; supervisão de processos e logs.

              Planejamento Xavier: testes do motor, cenários de contexto obsoleto, TypeScript e workflow GitHub Actions/Supabase. Launch With Me: ESLint. TraderMind: supervisor e logs; pesquisa e operação demo.

              IA, agentes e automação

              Integração de LLMs, saídas estruturadas, contexto, fallback e coordenação por regras; visão computacional e automação de processos.

              Planejamento Xavier, ClassPlanner, CRM, DVR e trajetória na Bayer.

              Machine Learning e pesquisa

              Seleção de atributos, algoritmos evolutivos, experimentos comparativos, ensembles e validação temporal.

              EFS-AHP no doutorado, TraderMind e modelagem exploratória de irrigação.

              Liderança e operações

              Gestão de tecnologia, interface com o negócio, desenvolvimento de equipes, PMBOK, Scrum, Kanban, governança, infraestrutura e segurança.

              Technology Enablement Lead, Head de Tecnologia, Gerente de TIC e IT Business Partner.

              Produtos e métodos aplicados

              Desenvolvimento de produtos, métodos multicritério, pesquisa operacional, análise financeira, melhoria contínua, aprendizagem e gestão do conhecimento.

              Utilibox: AHP, TOPSIS, PROMETHEE, filas, VSM/SMED, PDSA, VPL/TIR, Narra e UtiliNotas; SIA: qualidade, packing e gestão operacional. Formação relacionada: MBA Operational Excellence em andamento na FM2S.

              Arquitetura Agentic AI e governança

              Desenho de orquestradores, agentes especialistas, ferramentas autorizadas, RAG contextual, auditoria independente e aprovação humana.

              Globalcom Certification OS — arquitetura entregue pela Modern Concept; implementação em andamento.

              MLOps e ciclo de vida de modelos

              Pipelines de dados e features, checkpoints, artefatos de modelos, validação temporal, serving por API, supervisão, retreino e observabilidade.

              TraderMind — pesquisa quantitativa e operação demo integrada ao MetaTrader5.

              Algoritmos e resolução de problemas

              Prática de estruturas de dados, estratégias algorítmicas, análise de complexidade e tratamento de casos de borda.

              120 horas de prática no LeetCode.

              Visão computacional e integração industrial

              Desenvolvimento de plataforma com contagem/rastreamento de frutos, integração ERP/classificadora, estimativa de peso, dashboard e alertas operacionais.

              Agrodan / Plataforma Agritech.NE — projeto de P&D, relatório final de março/2024.

              Ferramentas

              Linguagens: Python, SQL, JavaScript, TypeScript e Java.

              Web, APIs e produtos: React, Next.js, Astro, Node.js, Express, Flask, Java EE, JSF, PrimeFaces e Supabase.

              Mobile e offline: React Native, Expo, AsyncStorage, IndexedDB e Dexie.

              Dados e persistência: Oracle, PostgreSQL, SQL Server, SQLite, BigQuery, pandas, NumPy, Parquet e Sequelize.

              Qualidade e entrega: Git, GitHub Actions, TypeScript, ESLint; smoke tests, validação de contratos e workflow de deploy de Supabase Edge Functions.

              ML e visão computacional: scikit-learn, XGBoost, LightGBM, CatBoost, SciPy, DEAP, PyTorch, YOLO, OpenCV, TensorFlow.js e MediaPipe.

              Decisão e visualização: AHP, TOPSIS, PROMETHEE, OR-Tools, GLPK, Power BI, Leaflet, Three.js e React Three Fiber.

              Automação e integração: APIs de LLM, Gemini, Playwright, Puppeteer, Telegram Bot API, Power Platform e RPA.

              Cloud e operação: Azure, GCP, AWS, Docker, Kubernetes, Terraform, Airflow, dbt, MLflow, Windows/Linux, Active Directory e Zabbix/GLPI.

              Stack especificada na arquitetura — Globalcom Agentic AI: React/TypeScript, Node.js, Python/FastAPI, Supabase/PostgreSQL, pgvector, RAG, MCP e Playwright; NestJS/Fastify e BullMQ como alternativas sugeridas, Temporal opcional.

              MLOps — TraderMind: Python, pandas, NumPy, Parquet, scikit-learn, DEAP/EFS-AHP, joblib, Flask, MetaTrader5; checkpoints, validação temporal, supervisor, logs e dashboard.

              Integração de IA no packing: Visão computacional, Deep Learning, câmeras, APIs, ERP, classificadora, dashboard, Telegram e servidor dedicado; CRISP-DM como metodologia do projeto.

              SIA / AgrodanUtilibox e métodos aplicadosIA e multiagentes

              Projetos e engenharia aplicada na Agrodan

              Ecossistema SIA / SIAgro · experiência profissional

              Desenvolvimento da plataforma de visão computacional no packing

              Atuei como desenvolvedor no projeto da plataforma, durante meu vínculo na Agrodan, conectando a solução de contagem e rastreamento de frutos ao acompanhamento operacional do packing.

              • Plataforma para identificar e registrar mangas na esteira de refugo, com contagem e rastreamento para evitar duplicidades.
              • Integração entre aplicação de contagem, API de dados industriais, dashboard e notificações; o relatório descreve duas câmeras em funcionamento.

              Engenharia e tecnologias: Visão computacional · Deep Learning · Câmeras · APIs · ERP · Integração com classificadora · Dashboard · Telegram · Servidor dedicado · CRISP-DM.

              Trajetória Agrodan · Detalhes técnicos

              Integração ERP, classificadora e rastreabilidade de lotes

              A plataforma relaciona o lote recebido, a quantidade embalada e o refugo para acompanhar a origem da fruta e apoiar a transição entre lotes.

              • API para acessar dados da classificadora e de embalagem, combinados com registros de lote do ERP e informações de variedade, colheita e manejo.
              • A contagem de frutos é combinada com a distribuição de calibres da classificadora e faixas de peso por variedade para estimar o peso do refugo.

              Engenharia e tecnologias: Visão computacional · Deep Learning · Câmeras · APIs · ERP · Integração com classificadora · Dashboard · Telegram · Servidor dedicado · CRISP-DM.

              Trajetória Agrodan · Detalhes técnicos

              Dashboard, alertas e apoio à decisão operacional

              Desenvolvimento da plataforma de acompanhamento e notificações para dar aos operadores informação sobre o processamento e o momento de troca de lote.

              • Acompanhamento dos dados integrados de produção e preparação de avisos via Telegram quando o volume processado se aproxima do volume de entrada.
              • O escopo prevê aplicações de contagem e acompanhamento em servidor dedicado; o relatório registra treinamento e acompanhamento em fevereiro/2024.

              Engenharia e tecnologias: Visão computacional · Deep Learning · Câmeras · APIs · ERP · Integração com classificadora · Dashboard · Telegram · Servidor dedicado · CRISP-DM.

              Trajetória Agrodan · Detalhes técnicos

              Resultados do projeto e melhoria do processo industrial

              A integração da plataforma ao processo de packing apresentou ganhos registrados no relatório final do projeto, relacionados à produtividade, paradas e custos operacionais.

              • Produção registrada no relatório: de 30 para 37,5 caixas por hora; paradas por troca de controle: de 45 para 5 minutos por dia.
              • O relatório registra redução de 17% dos custos operacionais relacionados à mão de obra e ao tempo de processamento.

              Engenharia e tecnologias: Visão computacional · Deep Learning · Câmeras · APIs · ERP · Integração com classificadora · Dashboard · Telegram · Servidor dedicado · CRISP-DM.

              Trajetória Agrodan · Detalhes técnicos

              PLANAGRO — insumos, aplicações e regras agronômicas

              Desenvolvi componentes de planejamento agrícola no PLANAGRO, traduzindo aplicação de insumos, dosagem, carência, deriva e orçamento em regras e interfaces ligadas aos dados operacionais.

              • PLANAGRO.js concentra uma interface de planejamento e funções especializadas.
              • Funções avisoAplicacoes, avisoCarencia, avisoDosagem, avisoDeriva, avisoInsumo e avisoOrcamento representam verificações do domínio.

              Engenharia e tecnologias: React · JavaScript · Node.js · APIs operacionais · regras agronômicas.

              Trajetória Agrodan · Detalhes técnicos

              Irrigação — programação, algoritmos genéticos e rede neural para Kc

              Explorei programação de irrigação, algoritmos genéticos e modelagem neural de Kc, trabalhando com codificação de variáveis, normalização, parâmetros de rede e integração ao backend operacional.

              • ProgIrrig recebe horários, limites de rega, intervalos e dados de válvulas; organiza programação por cabeçal.
              • indexIrrigacao contém população, estrutura de cromossomo, avaliação e evolução genética.

              Engenharia e tecnologias: JavaScript · Node.js · algoritmos genéticos · rede neural · normalização.

              Modelagem exploratória; desempenho fora da amostra ainda não demonstrado.

              Trajetória Agrodan · Detalhes técnicos

              Auditoria de pulverização — mapas e execução

              Construí componentes de auditoria da pulverização com dados espaciais e operacionais, relacionando trajetória, velocidade, talhões e serviços para apoiar investigação da execução em campo.

              • Interface utiliza dados e camadas cartográficas para analisar trajetos.
              • O arquivo contém Dist, cálculo de média/desvio, avaliar_pulv e velocidadeAcimaPorc.

              Engenharia e tecnologias: React · dados geoespaciais · trajetória · velocidade · APIs operacionais.

              Trajetória Agrodan · Detalhes técnicos

              Matéria seca — previsão e ponto de colheita

              Implementei componentes de análise de matéria seca e previsão de colheita, relacionando leituras, variedades e parâmetros a gráficos e regras de acompanhamento.

              • Funções calcular_previsao, calcular_alpha, equacoes e isPontoColheita aparecem na implementação.
              • Filtros por fazenda, semana/ano e variedades ligam resultado ao contexto da colheita.

              Engenharia e tecnologias: React · JavaScript · curvas e equações · gráficos · dados de campo.

              Trajetória Agrodan · Detalhes técnicos

              Caderno de campo e compras — dados locais e sincronização

              Desenvolvi fluxos de coleta de campo e solicitações de compras com dados locais, componentes de processo e rotinas de sincronização, integrados ao backend por domínio.

              • CadernoCampo/Apontamentos utiliza Dexie e módulos de localDb/downloadData.
              • Handlers tratam colaboradores, seleção, rateio, data, processo e serviços.

              Engenharia e tecnologias: React · Dexie · IndexedDB · Node.js · sincronização.

              Trajetória Agrodan · Detalhes técnicos

              Gestão UGB, pessoas e sugestões de melhoria

              Modelei aplicações de gestão de unidades e pessoas e fluxos de sugestão de melhorias, articulando dados organizacionais, histórico, avaliações, papéis e documentos.

              • GestaoUGBs organiza módulos para unidades, funcionários, avaliação humana, 5S, planos, qualificação e sugestões.
              • Funcionários inclui componentes de histórico/cadastro/faltas e banco local no acervo.

              Engenharia e tecnologias: React · Node.js · modelagem organizacional · avaliações · histórico.

              Trajetória Agrodan · Detalhes técnicos

              Comercial, previsão de resultados e movimentação de pallets

              Desenvolvi componentes de acompanhamento comercial e logística, relacionando lançamentos e previsões a interfaces de gestão e dados operacionais de pallets e containers.

              • COMERCIAL/Resultados contém lançamentos, auditorias e visão gerencial.
              • PrevisaoResultados compõe previsão, acompanhamento e câmbio em telas próprias.

              Engenharia e tecnologias: React · Node.js · dados comerciais · pallets · containers.

              Trajetória Agrodan · Detalhes técnicos

              ETL modular e qualidade de dados

              Estruturei pipelines de integração com importadores reutilizáveis, processamento em lotes e regras específicas para produção, packing, qualidade e pessoas, organizando dados operacionais para análise e apoio à decisão.

              • Base de importação reutilizável com callbacks por lote.
              • Importadores from_queries obtêm dados em SQL; from_dwh cruza registros já disponíveis.

              Engenharia e tecnologias: Node.js · SQL · Oracle · Sequelize · ETL · importação em lotes.

              Trajetória Agrodan · Detalhes técnicos

              SIAgro — coleta operacional mobile

              Desenvolvi módulos mobile do SIAgro para ordens de serviço, apontamentos e qualidade, combinando React Native/Expo, modelagem de objetos de negócio, persistência local e visualização de indicadores.

              • React Native/Expo e React Navigation para as telas e navegação.
              • Objetos de ordem de serviço, apontamento, funcionário e qualidade.

              Engenharia e tecnologias: React Native · Expo · AsyncStorage · React Navigation · APIs.

              Trajetória Agrodan · Detalhes técnicos

              Gestão de TIC — Agrodan

              Gerenciei a operação de TIC, integrando suporte, servidores, redes, continuidade, ERP e iniciativas de IoT à entrega de serviços e soluções para a empresa.

              • Rotinas de equipe, help desk e parque de dispositivos constam no cargo de Gerente de TIC.
              • Administração Windows/Linux, Active Directory e redes corporativas consta no relato profissional.

              Engenharia e tecnologias: Windows Server · Linux · Active Directory · Zabbix · GLPI · redes · IoT.

              Trajetória Agrodan · Detalhes técnicos

              SGQ — auditorias, registros e gestão da qualidade

              Desenvolvimento de módulos de qualidade com organização de auditorias, registros e papéis, articulando acompanhamento do processo e armazenamento local.

              • Modelagem de auditorias, configurações e responsabilidades em interfaces de gestão.
              • Camada de dados local com Dexie/IndexedDB e handlers de sincronização.

              Engenharia e tecnologias: @material-ui/core · @material-ui/icons · dexie · moment · react · react-file-base64 · react-select.

              Trajetória Agrodan · Módulo

              Qualidade de campo — checklists e avaliações operacionais

              Desenvolvimento de fluxos de avaliação da qualidade em campo, com checklists, respostas e integração entre a interface e o backend do domínio.

              • Organização de checklists e respostas com persistência local via Dexie/IndexedDB.
              • Rotinas de sincronização e rotas de backend correspondentes localizadas no acervo.

              Engenharia e tecnologias: @material-ui/core · dexie · react · react-select.

              Trajetória Agrodan · Módulo

              Packing e caixaria — interfaces de acompanhamento da operação

              Desenvolvimento de interfaces de packing e caixaria para organizar acesso à operação e integrar eventos aos componentes de acompanhamento.

              • Separação dos componentes de packing e caixaria no frontend corporativo.
              • Integração de eventos via socket observada no código do módulo.

              Engenharia e tecnologias: @material-ui/core · @material-ui/icons · @nivo/bar · audio-loader · audio-play · moment · play-sound · react · react-router-dom · socket.io-client.

              Trajetória Agrodan · Módulo

              Utilibox — produtos e métodos aplicados

              Decisão, pesquisa operacional, engenharia de produção, finanças e conhecimento · produto independente

              AHP Online — decisão multicritério com consistência

              Desenvolvimento de uma ferramenta de decisão multicritério que organiza critérios, comparações e alternativas em um fluxo de análise e exportação de projetos.

              • Comparações pela escala de Saaty e cálculo de consistência para avaliar a coerência dos julgamentos.
              • Modelagem da decisão em interface interativa, com apresentação dos resultados e exportação do projeto.

              Engenharia e tecnologias: Astro · JavaScript · AHP · matrizes de comparação · consistência.

              Abrir ferramenta — ahp-online

              TOPSIS e PROMETHEE — ranking e sensibilidade de alternativas

              Implementação de ferramentas para comparar alternativas com critérios, pesos e preferências configuráveis, tornando os métodos multicritério utilizáveis em decisões de gestão.

              • TOPSIS: classificação pela proximidade à solução ideal, com pesos e direções de critérios configuráveis.
              • PROMETHEE I e II: funções de preferência e análise de sensibilidade em tempo real.

              Engenharia e tecnologias: Astro · JavaScript · TOPSIS · PROMETHEE · análise de sensibilidade.

              Abrir ferramenta — topsis · Abrir ferramenta — promethee

              Teoria das Filas — capacidade, espera e dimensionamento

              Desenvolvimento de calculadoras e visualizações para relacionar demanda, capacidade de atendimento e espera, apoiando estudo e comparação de configurações de serviço.

              • Modelos M/M/1, M/M/c, M/D/1, M/M/1/K e Erlang-B/C implementados nas rotinas de cálculo.
              • Comparação por número de servidores e curvas de sensibilidade para explorar mudanças na taxa de chegada.

              Engenharia e tecnologias: JavaScript · pesquisa operacional · modelos de filas · curvas de sensibilidade.

              Abrir ferramenta — teoria-das-filas · Abrir ferramenta — queueing-theory

              VSM, SMED, PDSA e A3 — engenharia de produção e melhoria contínua

              Tradução de métodos de melhoria de processos em ferramentas digitais para mapear fluxos, analisar setup, estruturar problemas e acompanhar ciclos de aprendizagem.

              • VSM: etapas, processamento, espera, uptime, inventário e gargalos; indicadores de lead time, takt e PCE.
              • SMED: atividades internas/externas e possibilidades de conversão e paralelização; PDSA e A3 estruturam acompanhamento e planos de ação.

              Engenharia e tecnologias: Astro · JavaScript · Lean · VSM · SMED · PDSA · A3.

              MBA Operational Excellence · Abrir ferramenta — vsm · Abrir ferramenta — smed · Abrir ferramenta — pdsa-manager · Abrir ferramenta — folha-a3

              Avaliação econômica — VPL, TIR, payback e cenários

              Implementação de ferramentas de análise econômica para transformar fluxos de caixa, custos e condições de financiamento em indicadores comparáveis.

              • Cálculos de payback simples e descontado, VPL e TIR para avaliação de investimentos.
              • Ferramentas complementares para WACC, ponto de equilíbrio e comparação dos sistemas Price, SAC e SAM.

              Engenharia e tecnologias: JavaScript · matemática financeira · fluxos de caixa · análise de investimentos.

              Abrir ferramenta — calculadora-payback-vpl-tir · Abrir ferramenta — calculadora-wacc · Abrir ferramenta — simulador-ponto-de-equilibrio · Abrir ferramenta — simulador-emprestimo

              Pareto, GUT e SWOT — priorização e análise gerencial

              Desenvolvimento de ferramentas de gestão que organizam problemas, critérios e cenários em rankings, gráficos e estruturas de decisão.

              • Pareto com curva acumulada; GUT com ranking por gravidade, urgência e tendência; SWOT com estratégias cruzadas.
              • Árvore de decisão com nós de chance e resultado, valor monetário esperado e identificação do caminho ótimo.

              Engenharia e tecnologias: JavaScript · Pareto · GUT · SWOT · EMV · visualização de decisões.

              MBA Operational Excellence · Abrir ferramenta — analise-pareto · Abrir ferramenta — matriz-gut · Abrir ferramenta — matriz-swot · Abrir ferramenta — arvore-decisao

              Narra e UtiliNotas — conhecimento, contexto e persistência

              Construção de aplicações de organização narrativa e conhecimento com entidades relacionadas, notas conectadas e assistência contextual.

              • Editor Markdown, links internos e árvore de arquivos; integração entre organização das notas e contexto de uso.
              • Camada de persistência IndexedDB com controle de transações e tratamento de falhas; assistência de IA em módulos próprios.

              Engenharia e tecnologias: Astro · JavaScript · Markdown · IndexedDB · modelagem de entidades · IA contextual.

              Abrir ferramenta — narra · Abrir ferramenta — utilinotas

              Flashcards — repetição espaçada e acompanhamento de estudo

              Implementação de uma aplicação de estudo que organiza cartões e revisões com repetição espaçada, acompanhamento de retenção e exportação.

              • Algoritmo SM-2, seleção de cartões devidos e rotinas de suspensão, retomada e previsão de revisões.
              • Exportação para Anki Desktop em TSV e PDF, com decks e conteúdo estruturado.

              Engenharia e tecnologias: JavaScript · SM-2 · persistência local · TSV · PDF.

              Abrir ferramenta — anki-flashcards

              Pesquisa aplicada e formação

              Doutorado, estágio hospitalar e projetos de faculdade

              EFS-AHP — framework de pesquisa

              Desenvolvi a pesquisa EFS-AHP no doutorado, combinando seleção de atributos, algoritmos evolutivos e decisão multicritério, com comparação de alternativas de ML e análise experimental de desempenho, dimensionalidade e custo.

              • Rotinas de busca evolutiva e avaliação de subconjuntos.
              • Julgamentos e pesos AHP para estruturar prioridades entre alternativas.

              Engenharia e tecnologias: Python · scikit-learn · pandas · NumPy · SciPy · DEAP · AHP.

              Doutorado · Repositório público — EFS-AHP

              Indicadores hospitalares e gamificação acadêmica

              No estágio hospitalar, desenvolvi sistema web de indicadores e avaliações com Java EE. Na faculdade, construí uma aplicação de gestão de projetos com gamificação e persistência, explorando regras de progressão e organização de tarefas.

              • EBSERH separa módulo EJB de negócio e módulo WAR/JSF de apresentação.
              • Entidades e beans representam indicadores e avaliações.

              Engenharia e tecnologias: Java EE · EJB · JSF · PrimeFaces · JPA/Hibernate · JPQL · Quartz.

              Estágio hospitalar · Contexto e projetos · Repositório público — EBSERH · Repositório público — The Game Project

              Agentic AI — Globalcom Certification OS

              Modern Concept · arquitetura entregue para certificação e compliance educacional · implementação em andamento

              Globalcom Certification OS

              Desenhei e entreguei a arquitetura funcional e técnica do Globalcom Certification OS. O escopo integra 10 agentes especialistas, orquestrador e auditor independente, RAG, workflows persistentes, modelagem de domínio, segurança multi-tenant e integrações API/MCP/RPA. A arquitetura entregue orienta a implementação em andamento.

              Stack especificada: TypeScript · React · Node.js · Python · FastAPI · Supabase · PostgreSQL · pgvector · RAG · MCP · Playwright · RLS · RBAC · Filas e workers.

              Entrega de arquitetura concluída; implementação em andamento. Resultados operacionais ainda não declarados.

              MLOps — TraderMind

              Pipeline de ML, validação, inferência, supervisão e manutenção · pesquisa e operação demo

              Conector desktop MetaTrader5 — TraderMind

              Construí um conector Python para o terminal desktop MetaTrader5, integrando dados de mercado e conta ao fluxo de pesquisa e operação documentado no projeto.

              • Conector utiliza o pacote MetaTrader5 oficial e depende do terminal aberto/autenticado.
              • Consulta conta e dados de candles; prepara o fluxo de operação ligado à política/inferência.

              Engenharia e tecnologias: Python · MetaTrader5 · Flask · SQLite · APIs locais.

              Contexto e projetos · Detalhes técnicos

              Pipeline de dados, features e contratos de qualidade

              Integração de extração, atualização de dados, construção de datasets e seleção de atributos em fases operacionais do TraderMind.

              • Dados de mercado e indicadores em múltiplos timeframes, datasets Parquet e seleção evolutiva de atributos com EFS-AHP.
              • Verificações por fase cobrem integridade temporal, disponibilidade e saúde de features, consistência de configuração e sincronização de artefatos.

              Engenharia e tecnologias: Python · pandas · NumPy · Parquet · DEAP · EFS-AHP.

              Contexto e projetos · Detalhes técnicos

              Treinamento, checkpoints e gestão de artefatos

              Organização de experimentos, treinamento e recuperação de execução, preservando a relação entre modelo, features e parâmetros.

              • Rotinas de treinamento e comparação de classificadores, seleção de atributos e modelos de entrada e saída antecipada.
              • Checkpoints permitem retomar a busca evolutiva; modelos serializados, listas de features, configurações e logs apoiam a reprodução do fluxo.

              Engenharia e tecnologias: Python · scikit-learn · XGBoost · LightGBM · CatBoost · joblib · checkpoints.

              Contexto e projetos · Detalhes técnicos

              Validação temporal, leakage e avaliação fora da amostra

              Separação entre seleção, calibração e avaliação temporal para comparar modelos e políticas sem contaminar o período final.

              • Walk-forward, holdouts temporais, backtests e auditorias de leakage complementam o treinamento; alinhamento causal das fontes externas evita usar informação futura.
              • Políticas são escolhidas antes do teste final OOS; comparação entre operação registrada e replay/backtest apoia a investigação de divergências.

              Engenharia e tecnologias: Python · validação temporal · walk-forward · OOS · backtesting.

              Contexto e projetos · Detalhes técnicos

              Serving de modelos e integração com MetaTrader5

              Integração entre artefatos de ML, serviço de inferência e terminal desktop para conectar pesquisa e operação de demonstração.

              • API Flask carrega modelos e respectivas features por par/direção, produz predições e probabilidades e atende verificações de saída.
              • Conector Python integra dados e execução ao MetaTrader5; o serviço expõe saúde, status, modelos carregados e uptime.

              Engenharia e tecnologias: Python · Flask · REST APIs · joblib · MetaTrader5.

              Contexto e projetos · Detalhes técnicos

              Orquestração, retreino e atualização operacional

              Coordenação do ciclo de dados, treinamento, avaliação e serviço com modos de execução distintos.

              • Supervisor organiza extração, dataset, EFS-AHP, treinamento, backtest e serviço; diferencia atualização de dados sem retreino e ciclo completo de retreino.
              • Execuções usam identificação de rodada e logs; rotinas de agendamento e checagem operacional apoiam manutenção do pipeline.

              Engenharia e tecnologias: Python · supervisor · agendamento · logs · automação de pipeline.

              Contexto e projetos · Detalhes técnicos

              Observabilidade e acompanhamento de modelos

              Conexão entre painel operacional, saúde das fases e revisão de desempenho com dados recentes.

              • Dashboard e registros de saúde acompanham fases, treinamento e operação; APIs permitem inspecionar disponibilidade dos modelos e serviço.
              • Atualização da janela OOS e comparação entre trades registrados e backtest apoiam análise de mudança de regime e decisões de revisão do modelo.

              Engenharia e tecnologias: Python · Flask · dashboard · logs · OOS · monitoramento.

              Contexto e projetos · Detalhes técnicos

              Projetos de IA, sistemas multiagentes e Machine Learning

              Desenvolvimento independente e pesquisa quantitativa

              Conselho de seis agentes — Planejamento Xavier

              Implementei um conselho de seis agentes especializados para apoiar planejamento e replanejamento, com evidências por recomendação, resolução determinística de conflitos e geração de ações rastreáveis.

              • Estratégico: identifica impacto sistêmico e áreas prioritárias sem objetivos.
              • Execução: observa tarefas atrasadas e tarefas sem vínculo com metas; considera capacidade semanal.

              Engenharia e tecnologias: TypeScript · Deno · Supabase · contratos tipados · resolução de conflitos.

              Coordenação de agentes por regras; integração de LLMs em camada própria.

              Contexto e projetos · Site publicado — Planejamento Xavier

              Ensemble de agentes financeiros — TraderMind

              Estruturei experimentos de políticas multiagentes com votação de sinais, quórum e otimização por simulated annealing, organizando calibração, validação temporal e teste fora da amostra.

              • Sinais de RSI, CCI, Williams, Bollinger, posição de preço e médias são combinados com Nasdaq, ETH, MFI, MACD e funding.
              • A política BTC consultada tem doze sinais/agentes, votos ternários e regras de concordância e mínimo de agentes ativos.

              Engenharia e tecnologias: Python · pandas · NumPy · simulated annealing · validação temporal.

              Pesquisa com agentes de sinais; sem resultado financeiro validado neste levantamento.

              Contexto e projetos · Detalhes técnicos

              Motor compartilhado de IA — Planejamento Xavier

              Desenvolvi uma camada compartilhada de integração de IA com adaptação de provedores, respostas estruturadas, validação, orçamento de tempo e tratamento de falhas por tarefa.

              • Abstração de provedores e capacidades json, text e grounded_search.
              • Seleção de Gemini, DeepSeek, OpenAI e APIs compatíveis conforme configuração; presença de adaptador não prova uso de todos em produção.

              Engenharia e tecnologias: TypeScript · Deno · APIs de LLM · JSON · telemetria · fallback.

              Contexto e projetos · Site publicado — Planejamento Xavier

              Revisão de planos com IA e regras

              Modelei propostas de revisão assistidas por IA com validação de referências, alternativas, operações e acompanhamento, preservando o vínculo das mudanças com o plano real.

              • Contexto autorizado contém IDs reais, fatos, capacidade, diagnóstico e decisões anteriores.
              • O contrato compara manter, simplificar, ajustar estratégia, pedir informação ou rodar experimento.

              Engenharia e tecnologias: TypeScript · Supabase · contratos de operações · validação referencial.

              Contexto e projetos · Site publicado — Planejamento Xavier

              Planejamento pedagógico assistido — ClassPlanner

              Integrei geração de planos de aula com Gemini a uma aplicação web, usando contexto pedagógico, referências BNCC e saída estruturada para objetivos, metodologia e avaliação.

              • Prompt combina turma, disciplina, contexto, duração, recursos, avaliação e habilidades BNCC.
              • Instrução de domínio pede objetivos, metodologia por etapas, recursos e avaliação em JSON.

              Engenharia e tecnologias: React · Node.js · Express · SQLite · Gemini · BNCC.

              Contexto e projetos · Detalhes técnicos

              CRM conversacional híbrido — Instagram Conversion CRM

              Construí um fluxo conversacional híbrido de IA e regras, com memória de interação, contrato de ações, tratamento de falhas e encaminhamento humano.

              • Motor SPIN por regras calcula o fallback antes da chamada ao modelo.
              • Contexto inclui etapa atual, últimas mensagens e perguntas já feitas.

              Engenharia e tecnologias: Node.js · Express · SQLite · Gemini · memória conversacional.

              Contexto e projetos · Detalhes técnicos

              TraderMind — do experimento à inferência

              Estruturei experimentos quantitativos e componentes de inferência, conectando preparação de dados, avaliação de modelos e políticas a uma API e ao terminal MetaTrader5.

              • Acervo de notebooks e scripts com pandas, NumPy, scikit-learn, boosting e bibliotecas de deep learning.
              • Features e dados históricos alimentam estudos e experimentos temporais.

              Engenharia e tecnologias: Python · scikit-learn · XGBoost · pandas · Flask · MetaTrader5.

              Contexto e projetos · Detalhes técnicos

              DVR — feedback, dataset e treinamento

              Implementei um fluxo de visão computacional com detecção, revisão de exemplos e treinamento de classificador personalizado a partir de modelo pré-treinado, integrando acompanhamento de épocas, checkpoint, estabilização temporal e alertas persistentes.

              • Detecção produz candidatos e recortes; a revisão no dashboard/Telegram pode alimentar classes do dataset.
              • prepare_dataset separa treino/validação por classe com embaralhamento determinístico.

              Engenharia e tecnologias: Python · OpenCV · Ultralytics/YOLO · PyTorch · Flask · RTSP.

              Contexto e projetos · Detalhes técnicos

              Mocap — ML no cliente e visualização

              Desenvolvi protótipos de estimação de pose no navegador, integrando inferência, visualização de keypoints e suavização temporal para explorar captura de movimento e interação com recursos 3D.

              • Alternativas MoveNet e BlazePose/MediaPipe no acervo.
              • Inferência TensorFlow.js/MediaPipe e coordenação do ciclo de vídeo/renderização.

              Engenharia e tecnologias: JavaScript · TensorFlow.js · MoveNet · BlazePose · MediaPipe · WebGL.

              Protótipos e estudos de interação e visualização.

              Contexto e projetos · Detalhes técnicos

              Otimização e integração de sistemas

              Pesquisa quantitativa e desenvolvimento independente

              Cartola e Logística — decisão com restrições

              Desenvolvi pipelines que conectam dados e otimização à decisão, explorando escalações sob orçamento/formação e roteamento com visualização geográfica.

              • Cartola: ETL de históricos, representação probabilística por Markov e programação inteira OR-Tools/CBC para orçamento/formação.
              • Logística: mapas Leaflet, desenho de áreas e experimentos de roteamento/TSP com heurísticas e algoritmos genéticos.

              Engenharia e tecnologias: Python · pandas · Parquet · OR-Tools/CBC · React · Leaflet.

              Contexto e projetos · Repositório público — Cartola Oracle

              Experiência em P&D industrial — Agrodan / Agritech.NE

              Desenvolvedor da plataforma de contagem e rastreabilidade de frutas

              Durante o vínculo na Agrodan · relatório final: março/2024

              Atuação como desenvolvedor na plataforma de identificação e contagem de frutos na esteira de refugo do packing, integrando visão computacional, dados do ERP, classificadora, dashboard e alertas Telegram para apoiar rastreabilidade, acompanhamento dos lotes e redução das paradas de troca.

              Projeto e participação técnica

              Experiência adicional e prática técnica

              LeetCode — 120 horas de prática em algoritmos e estruturas de dados

              Prática complementar em resolução de problemas de engenharia de software, análise de complexidade de tempo e espaço, escolha de estruturas de dados e depuração de casos de borda.

              Temas e desafios de referência

              • Arrays, strings e hashing: Two Sum, Group Anagrams, Product of Array Except Self.
              • Dois ponteiros, janela deslizante e busca binária: Longest Substring Without Repeating Characters, Binary Search, Search in Rotated Sorted Array.
              • Pilhas, listas encadeadas e intervalos: Valid Parentheses, Reverse Linked List, Merge Intervals.
              • Árvores, grafos e heaps: Binary Tree Level Order Traversal, Number of Islands, Course Schedule, Top K Frequent Elements.
              • Programação dinâmica e backtracking: Coin Change, House Robber, Longest Increasing Subsequence, Subsets.
              Detalhamento dos projetos · áreas, métodos e tecnologias

              Vínculos entre projetos e trajetória

              Agrodan — ecossistema SIA / SIAgro

              Atuação profissional de jan/2019 a abr/2024. Head de Tecnologia e Gerente de TIC foram funções exercidas simultaneamente de mar/2021 a nov/2023. Os projetos de campo, packing, pessoas, planejamento, compras, qualidade e comercial estão associados à trajetória na empresa. Resultados de iniciativas desenvolvidas e evoluídas entre 2020 e abril de 2024, com contribuições em diferentes funções na Agrodan. Os períodos dos cargos identificam a atuação em cada função. Os indicadores mantêm suas bases mensais ou anuais e não são somados em um total de savings.

              Resultados de impacto · Cases de negócio e métodos · Módulos de negócio · ETL e mobile

              EFS-AHP — doutorado

              A pesquisa de seleção de atributos e decisão multicritério está vinculada ao doutorado profissional em Engenharia de Software.

              Formação · Case de pesquisa EFS-AHP

              The Game Project — faculdade

              Projeto acadêmico de gestão de projetos com gamificação. O vínculo com a faculdade foi confirmado; não é atribuído a uma empresa nem constitui outra experiência hospitalar.

              Case acadêmico

              Demais projetos — pesquisa, produtos e empreendedorismo

              As iniciativas independentes integram o portfólio de desenvolvimento, pesquisa e empreendedorismo de Danillo Xavier. Cada entrada apresenta a aplicação, a engenharia e as evidências disponíveis. Backups, templates e estudos com bibliotecas ou exemplos de terceiros têm seu contexto identificado no catálogo.

              Catálogo completo

              Extensão da experiência e contextos de atuação

              A trajetória combina engenharia de software, dados e automação com liderança de tecnologia e aplicações em agronegócio, operações, educação, finanças, produção, planejamento e produtos digitais.

              Trabalho e operações

              Na Agrodan, o ecossistema SIA reúne módulos de campo, planejamento, qualidade, packing, pessoas, comercial, compras e gestão, com aplicações componentes da aplicação, APIs e dados. A Bayer, Labrunier e a gestão de TIC mantêm os relatos profissionais já apresentados neste currículo.

              Ver experiência profissional

              Pesquisa do doutorado

              EFS-AHP é a pesquisa vinculada ao doutorado profissional em Engenharia de Software. Relaciona seleção de atributos, algoritmos evolutivos, AHP e avaliação experimental.

              Ver doutorado

              Estágio e faculdade

              EBSERH está ligado ao estágio no Hospital Universitário de Petrolina. The Game Project foi desenvolvido na faculdade como aplicação de gestão de projetos com gamificação.

              Ver projetos acadêmicos e de estágio

              Produtos e iniciativas próprias

              O acervo também inclui produtos, pesquisa, estudos e experimentação empreendedora. Cada projeto independente mantém seu contexto; sua existência não estabelece vínculo com Bayer, Labrunier ou outra empresa.

              Ver catálogo de projetos

              Como ler a profundidade dos projetos

              A profundidade é descrita pela engenharia observada: aplicações com domínio e persistência, pipelines de dados, pesquisa com experimentos, integração de modelos, interfaces de visualização e protótipos. Os termos não representam uma classificação de senioridade por contagem de projetos.

              Sistemas multiagentes, coordenação e decisões

              Dois tipos de arquitetura aparecem concretamente: um conselho de funções especializadas no planejamento e um ensemble de sinais com votação na pesquisa quantitativa. As integrações LLM do produto de planejamento acrescentam uma camada de geração e validação de propostas.

              Trabalhei com decomposição de decisões em papéis especializados e mecanismos de coordenação. No Planejamento Xavier, um conselho de agentes examina estratégia, execução, risco, aprendizado, integridade e mentoria, produzindo manifestações com evidências, confiança, pesos e referências às entidades do plano.

              Explorei também políticas multiagentes para pesquisa quantitativa no TraderMind, combinando votos de indicadores e fontes externas. A seleção de agentes e de regras de concordância utiliza simulated annealing, com calibração e avaliação posterior em janelas separadas.

              Essa experiência envolve contratos de comunicação, tratamento de divergências, quórum, abstinência e rastreabilidade da decisão. No planejamento, propostas produzidas por IA são normalizadas e validadas contra as entidades reais antes de virar operações de replanejamento.

              1. Contexto e estado
              2. Papéis/sinais especializados
              3. Manifestações e evidências
              4. Conflitos ou votação
              5. Proposta/política
              6. Validação e ação

              Case · Projeto independente; vínculo individual a contextualizar

              Conselho de seis agentes — Planejamento Xavier

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Relacionar prioridades, capacidade, execução e consistência sem perder a origem de cada recomendação

              Contribuição e entrega: Implementei um conselho de seis agentes especializados para apoiar planejamento e replanejamento, com evidências por recomendação, resolução determinística de conflitos e geração de ações rastreáveis.

              Área de aplicação: Planejamento pessoal, produtividade e desenvolvimento profissional.

              Público e contexto: Pessoas que organizam objetivos, atividades e planos de desenvolvimento.

              Objetivo: Relacionar objetivos, capacidade e execução com planejamento e revisão assistidos por IA.

              Engenharia, métodos e profundidade

              • Estratégico: identifica impacto sistêmico e áreas prioritárias sem objetivos.
              • Execução: observa tarefas atrasadas e tarefas sem vínculo com metas; considera capacidade semanal.
              • Risco: utiliza riscos cadastrados e sobrecarga; a concentração de alertas aparece como proxy documentado quando necessário.
              • Aprendizado: examina registros e pendências de aprendizagem/experimentos.
              • Integridade: identifica associações e dados incompletos, podendo sugerir patches.
              • Mentoria: contextualiza divergências e pontos de reflexão.
              • Cada manifestação carrega claim, evidence, confidence, polarity, weight, nodeIds e suggestedPatch opcional.
              • Conflitos são resolvidos por prioridade do agente, confiança, peso e desempate determinístico; ações têm vínculo com as manifestações de origem.

              Competências evidenciadas

              • Arquitetura por papéis
              • Contratos tipados
              • Coordenação de agentes
              • Resolução de conflitos
              • Explicabilidade e provenance

              Links do projeto

              Site publicado — Planejamento Xavier

              Case · Pesquisa quantitativa; ambiente demo documentado

              Ensemble de agentes financeiros — TraderMind

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Transformar sinais heterogêneos em uma política verificável

              Contribuição e entrega: Estruturei experimentos de políticas multiagentes com votação de sinais, quórum e otimização por simulated annealing, organizando calibração, validação temporal e teste fora da amostra.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Sinais de RSI, CCI, Williams, Bollinger, posição de preço e médias são combinados com Nasdaq, ETH, MFI, MACD e funding.
              • A política BTC consultada tem doze sinais/agentes, votos ternários e regras de concordância e mínimo de agentes ativos.
              • A busca escolhe seguir, inverter ou ignorar cada sinal e ajusta quórum/concordância.
              • O campeão é escolhido antes do OOS final; a política registra sua origem e congelamento.
              • Fontes externas usam merge_asof backward, tolerância de atualização e atraso de publicação; indisponibilidade externa gera neutralidade no fluxo documentado.

              Competências evidenciadas

              • Ensembles
              • Votação e quórum
              • Simulated annealing
              • Validação temporal
              • Alinhamento de dados

              Engenharia de IA generativa e assistentes de domínio

              As evidências vão da composição do prompt à integração no fluxo do produto: contexto, contrato de resposta, validação, recuperação de falha e operação supervisionada.

              Integrei modelos de linguagem a aplicações de educação, planejamento e relacionamento comercial, construindo contextos específicos do domínio e saídas estruturadas para uso pela aplicação.

              No planejamento, a camada de IA reúne seleção de provedores, limites de tempo, validação de respostas e sinais de saúde por provedor/tarefa. As propostas de revisão precisam respeitar a árvore real de objetivos, metas, estratégias e atividades.

              No CRM, combinei geração com um motor de regras e ações explícitas de resposta, esclarecimento, agendamento, encerramento e encaminhamento humano. O histórico e as perguntas anteriores alimentam o contexto para reduzir repetição e apoiar continuidade.

              1. Entrada do usuário
              2. Contexto autorizado
              3. Modelo/provedor
              4. Resposta estruturada
              5. Validação e fallback
              6. Operação do produto

              Case · Projeto de planejamento

              Motor compartilhado de IA — Planejamento Xavier

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Manter chamadas de IA úteis quando há latência, erro ou resposta fora do contrato

              Contribuição e entrega: Desenvolvi uma camada compartilhada de integração de IA com adaptação de provedores, respostas estruturadas, validação, orçamento de tempo e tratamento de falhas por tarefa.

              Área de aplicação: Planejamento pessoal, produtividade e desenvolvimento profissional.

              Público e contexto: Pessoas que organizam objetivos, atividades e planos de desenvolvimento.

              Objetivo: Relacionar objetivos, capacidade e execução com planejamento e revisão assistidos por IA.

              Engenharia, métodos e profundidade

              • Abstração de provedores e capacidades json, text e grounded_search.
              • Seleção de Gemini, DeepSeek, OpenAI e APIs compatíveis conforme configuração; presença de adaptador não prova uso de todos em produção.
              • Orçamento global de tempo e teto por tentativa; validação pode rejeitar JSON e permitir tentar outro provedor.
              • Saúde com sucesso, latência, falhas consecutivas, pausa temporária de provedor e qualidade por tarefa.
              • Para a busca fundamentada, preserva fontes e a ligação de trechos aos índices das fontes.

              Competências evidenciadas

              • Abstração de provedores
              • Resiliência de APIs
              • Validação de saída
              • Grounding com fontes
              • Telemetria de chamadas

              Links do projeto

              Site publicado — Planejamento Xavier

              Case · Planejamento Xavier

              Revisão de planos com IA e regras

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Converter sugestões em mudanças coerentes com um plano existente

              Contribuição e entrega: Modelei propostas de revisão assistidas por IA com validação de referências, alternativas, operações e acompanhamento, preservando o vínculo das mudanças com o plano real.

              Área de aplicação: Planejamento pessoal, produtividade e desenvolvimento profissional.

              Público e contexto: Pessoas que organizam objetivos, atividades e planos de desenvolvimento.

              Objetivo: Relacionar objetivos, capacidade e execução com planejamento e revisão assistidos por IA.

              Engenharia, métodos e profundidade

              • Contexto autorizado contém IDs reais, fatos, capacidade, diagnóstico e decisões anteriores.
              • O contrato compara manter, simplificar, ajustar estratégia, pedir informação ou rodar experimento.
              • Normalização transforma o retorno em operações, dependências, ocorrências afetadas e acompanhamento.
              • Operações incluem expected_updated_at, fingerprints de contexto, preservação de objetivos e issues de validação.

              Competências evidenciadas

              • Context engineering
              • Modelagem de operações
              • Validação referencial
              • Gestão de contexto
              • Replanejamento

              Links do projeto

              Site publicado — Planejamento Xavier

              Case · Educação

              Planejamento pedagógico assistido — ClassPlanner

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Transformar dados de aula em uma proposta pedagógica estruturada

              Contribuição e entrega: Integrei geração de planos de aula com Gemini a uma aplicação web, usando contexto pedagógico, referências BNCC e saída estruturada para objetivos, metodologia e avaliação.

              Área de aplicação: Educação e planejamento pedagógico.

              Público e contexto: Professores.

              Objetivo: Organizar planos de aula com contexto pedagógico, BNCC, objetivos, metodologia e avaliação.

              Engenharia, métodos e profundidade

              • Prompt combina turma, disciplina, contexto, duração, recursos, avaliação e habilidades BNCC.
              • Instrução de domínio pede objetivos, metodologia por etapas, recursos e avaliação em JSON.
              • Backend chama GoogleGenAI, extrai o texto e tenta converter a resposta para JSON.
              • Controllers e persistência integram a geração à aplicação web.

              Competências evidenciadas

              • Integração Gemini
              • Prompts de domínio
              • Saída estruturada
              • Backend de produto
              • Modelagem pedagógica

              Case · Produto e vendas

              CRM conversacional híbrido — Instagram Conversion CRM

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Apoiar decisões conversacionais com histórico e alternativas de ação

              Contribuição e entrega: Construí um fluxo conversacional híbrido de IA e regras, com memória de interação, contrato de ações, tratamento de falhas e encaminhamento humano.

              Área de aplicação: Marketing, vendas e relacionamento com clientes.

              Público e contexto: Operações comerciais e atendimento por conversas.

              Objetivo: Organizar o funil e apoiar decisões conversacionais com histórico e sugestões de ação.

              Engenharia, métodos e profundidade

              • Motor SPIN por regras calcula o fallback antes da chamada ao modelo.
              • Contexto inclui etapa atual, últimas mensagens e perguntas já feitas.
              • Retorno é normalizado para reply, schedule, handoff, exit ou clarify, com motivo e confiança.
              • Há até quatro tentativas com espera exponencial e retorno para regras quando falta chave ou a chamada falha.

              Competências evidenciadas

              • Stateful conversation
              • Fallback determinístico
              • Normalização de ações
              • Retries
              • Encaminhamento humano

              Machine Learning, seleção de atributos e pesquisa do doutorado

              O EFS-AHP constitui um case de pesquisa ligado ao doutorado. A trajetória inclui comparação de métodos, seleção de atributos e avaliação experimental, além de pesquisa de séries temporais no TraderMind.

              Na pesquisa EFS-AHP vinculada ao doutorado profissional em Engenharia de Software, explorei seleção de atributos com algoritmos evolutivos e AHP, articulando qualidade preditiva, dimensionalidade e custo computacional.

              Organizei experimentos, métodos de comparação e análises estatísticas com Python, JavaScript e Jupyter. O acervo inclui Random Forest, LASSO, PCA, t-SNE e UMAP em papéis distintos de modelagem, seleção e representação de dados.

              Em pesquisa quantitativa, explorei classificadores e modelos com engenharia de atributos, pipelines de inferência e avaliação temporal. A descrição dos resultados deve identificar o experimento, a janela de dados e o critério de seleção correspondente.

              1. Base e hipótese
              2. Atributos e alternativas
              3. Busca/modelagem
              4. Critérios e baselines
              5. Avaliação experimental
              6. Resultados por experimento

              Case · Doutorado confirmado por Danillo

              EFS-AHP — framework de pesquisa

              Vínculo: Doutorado · CÉSAR School

              Problema: Escolher subconjuntos de atributos e conciliar critérios de avaliação

              Contribuição e entrega: Desenvolvi a pesquisa EFS-AHP no doutorado, combinando seleção de atributos, algoritmos evolutivos e decisão multicritério, com comparação de alternativas de ML e análise experimental de desempenho, dimensionalidade e custo.

              Área de aplicação: Ciência de dados, Machine Learning e decisão multicritério.

              Público e contexto: Pesquisa aplicada no doutorado em Engenharia de Software.

              Objetivo: Selecionar atributos e comparar alternativas de modelos por desempenho, dimensionalidade e custo.

              Engenharia, métodos e profundidade

              • Rotinas de busca evolutiva e avaliação de subconjuntos.
              • Julgamentos e pesos AHP para estruturar prioridades entre alternativas.
              • Três conjuntos de experimentos, scripts auxiliares e notebooks estatísticos.
              • Comparações com métodos de seleção/modelagem e redução dimensional.
              • Formação atual relaciona a tese a bases de irrigação/Kc, calibres de manga e produtividade; especificar quais aparecem em cada experimento.

              Competências evidenciadas

              • Feature selection
              • Computação evolutiva
              • AHP
              • Desenho experimental
              • Estatística e avaliação de modelos

              Links do projeto

              Repositório público — EFS-AHP

              Case · Pesquisa quantitativa

              TraderMind — do experimento à inferência

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Organizar dados, modelos e políticas para avaliação e uso por API

              Contribuição e entrega: Estruturei experimentos quantitativos e componentes de inferência, conectando preparação de dados, avaliação de modelos e políticas a uma API e ao terminal MetaTrader5.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Acervo de notebooks e scripts com pandas, NumPy, scikit-learn, boosting e bibliotecas de deep learning.
              • Features e dados históricos alimentam estudos e experimentos temporais.
              • API Flask e conector Python MetaTrader5 aproximam pesquisa, inferência e ambiente demo.
              • Scripts específicos controlam janela de calibração e avaliação fora da amostra; exemplos antigos de TPOT/PCA usam split aleatório.

              Competências evidenciadas

              • Engenharia de atributos
              • Modelos tabulares
              • Pipelines de pesquisa
              • Validação temporal
              • Inferência e integração

              Visão computacional, treinamento e computação visual

              Há um ciclo mais amplo do que chamar um detector: eventos de vídeo, recortes, revisão de exemplos, preparação de dataset, treinamento de classificador e estabilização temporal; em outra frente, inferência de pose no browser e renderização.

              Construí componentes de visão computacional para transformar vídeo em detecções, eventos e alertas, combinando inferência, tratamento temporal e persistência de estado.

              No DVR Person Alert, o material inclui coleta/revisão de exemplos e um fluxo de treinamento supervisionado de classificação a partir de um modelo pré-treinado. A estabilização entre frames e a fila persistente de notificações conectam o modelo a uma operação acompanhável.

              Em Mocap e protótipos de esqueleto, integrei modelos de estimação de pose no navegador à visualização de keypoints, suavização temporal e recursos 3D, explorando captura de movimento e interação.

              1. Vídeo e candidatos
              2. Inferência/classificação
              3. Estado temporal
              4. Revisão e exemplos
              5. Treino/checkpoint
              6. Visualização ou alerta

              Case · Projeto de monitoramento

              DVR — feedback, dataset e treinamento

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Adaptar classificação ao contexto das câmeras e coletar exemplos revisados

              Contribuição e entrega: Implementei um fluxo de visão computacional com detecção, revisão de exemplos e treinamento de classificador personalizado a partir de modelo pré-treinado, integrando acompanhamento de épocas, checkpoint, estabilização temporal e alertas persistentes.

              Área de aplicação: Segurança, monitoramento por vídeo e visão computacional.

              Público e contexto: Monitoramento de câmeras e revisão de eventos.

              Objetivo: Detectar eventos, coletar exemplos revisados e adaptar a classificação ao contexto das câmeras.

              Engenharia, métodos e profundidade

              • Detecção produz candidatos e recortes; a revisão no dashboard/Telegram pode alimentar classes do dataset.
              • prepare_dataset separa treino/validação por classe com embaralhamento determinístico.
              • uvinha_training.py chama YOLO(args.base_model).train com pretrained=True, callbacks por época e parâmetros de treino.
              • O script registra status/métricas e copia o melhor checkpoint para o modelo de classificação.
              • TemporalIdentityTracker combina posição, IoU, observações e votação temporal; outbox persiste alertas pendentes.

              Competências evidenciadas

              • Coleta e rotulagem
              • Treinamento supervisionado
              • Transfer learning
              • Dataset split
              • Checkpoint e callbacks
              • Processamento temporal
              • Confiabilidade operacional

              Case · Protótipo de captura de movimento

              Mocap — ML no cliente e visualização

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Conectar vídeo, landmarks e interação visual no navegador

              Contribuição e entrega: Desenvolvi protótipos de estimação de pose no navegador, integrando inferência, visualização de keypoints e suavização temporal para explorar captura de movimento e interação com recursos 3D.

              Área de aplicação: Movimento humano, captura de pose e interação com avatares.

              Público e contexto: Experimentos de interação corporal e visualização de movimento.

              Objetivo: Estimar a pose em vídeo e conectar pontos do corpo à visualização no navegador.

              Área de aplicação: Visão computacional e análise de movimento.

              Público e contexto: Experimentação com vídeos e representação corporal.

              Objetivo: Extrair e visualizar esqueletos a partir de vídeo.

              Engenharia, métodos e profundidade

              • Alternativas MoveNet e BlazePose/MediaPipe no acervo.
              • Inferência TensorFlow.js/MediaPipe e coordenação do ciclo de vídeo/renderização.
              • Keypoints, esqueleto e suavização temporal para explorar estabilidade do movimento.
              • Three.js/VRM, p5 e WebGL no conjunto de implementações e recursos.

              Competências evidenciadas

              • Inferência no browser
              • Estimação de pose
              • Geometria e coordenadas
              • Suavização temporal
              • Renderização 3D

              SIA — projetos de negócio, agricultura e gestão

              As branches locais revelam um sistema muito mais amplo do que o checkout master: 668 arquivos frontend na referência development, dezenas de módulos de negócio, backend por domínio e bibliotecas adicionais. Os cases abaixo mostram processos específicos e sua fonte.

              Na Agrodan, desenvolvi e evoluí soluções ligadas a planejamento agrícola, irrigação, auditoria de pulverização, qualidade, colheita, packing, comercial, compras, pessoas e melhoria contínua. Essa amplitude envolve aplicações e modelos de domínio, além da integração de relatórios existentes.

              No PLANAGRO, o código relaciona insumos, aplicações, dosagem, carência, deriva e orçamento. Em irrigação, há programação por válvulas/cabeçais, experimentos evolutivos e um módulo de rede neural para sugestão de Kc. Em matéria seca, funções de previsão e ponto de colheita conectam leituras e variedades.

              Na gestão, o sistema reúne coleta local de campo, solicitações de compras, avaliações, unidades de negócio, sugestões de melhoria e acompanhamento comercial. Cada case deve ser atribuído à minha participação real, distinguindo implementação própria, integração de BI e recursos incorporados.

              1. Processo de negócio
              2. Tela e modelo de domínio
              3. Regras/cálculos
              4. Dados locais ou API
              5. Auditoria e acompanhamento
              6. Resultado a contextualizar

              Case · Experiência profissional Agrodan

              PLANAGRO — insumos, aplicações e regras agronômicas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Apoiar planejamento e verificação de operações agrícolas com critérios de aplicação

              Contribuição e entrega: Desenvolvi componentes de planejamento agrícola no PLANAGRO, traduzindo aplicação de insumos, dosagem, carência, deriva e orçamento em regras e interfaces ligadas aos dados operacionais.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • PLANAGRO.js concentra uma interface de planejamento e funções especializadas.
              • Funções avisoAplicacoes, avisoCarencia, avisoDosagem, avisoDeriva, avisoInsumo e avisoOrcamento representam verificações do domínio.
              • Há componentes para representação de planos e informações geográficas no módulo.
              • A rota backend correspondente organiza acesso e operações de dados para o planejamento.

              Competências evidenciadas

              • Modelagem agronômica
              • Motores de regras
              • Planejamento
              • Validação de aplicação
              • Geoinformação
              • Full stack

              Case · Agrodan — material em branch local

              Irrigação — programação, algoritmos genéticos e rede neural para Kc

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Explorar programação de irrigação e estimativa/sugestão do coeficiente de cultura

              Contribuição e entrega: Explorei programação de irrigação, algoritmos genéticos e modelagem neural de Kc, trabalhando com codificação de variáveis, normalização, parâmetros de rede e integração ao backend operacional.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • ProgIrrig recebe horários, limites de rega, intervalos e dados de válvulas; organiza programação por cabeçal.
              • indexIrrigacao contém população, estrutura de cromossomo, avaliação e evolução genética.
              • KcAutomatico utiliza a biblioteca nn, codificação de fazenda/fase/mês/solo e normalização de dados numéricos.
              • O módulo chama train, restaura rede de JSON e produz KC_SUGERIDO; rotas de irrigação instanciam ProgIrrig e KcAutomatico.
              • Camadas ocultas, ativação, learning rate, momentum e limite de erro aparecem como parâmetros explícitos.

              Competências evidenciadas

              • Programação de recursos
              • Algoritmos genéticos
              • Redes neurais
              • Feature engineering
              • Codificação categórica
              • Normalização
              • Serialização de modelo

              Case · Agrodan

              Auditoria de pulverização — mapas e execução

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Relacionar execução em campo com posição, velocidade, talhão e serviço

              Contribuição e entrega: Construí componentes de auditoria da pulverização com dados espaciais e operacionais, relacionando trajetória, velocidade, talhões e serviços para apoiar investigação da execução em campo.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • Interface utiliza dados e camadas cartográficas para analisar trajetos.
              • O arquivo contém Dist, cálculo de média/desvio, avaliar_pulv e velocidadeAcimaPorc.
              • Filtros por trator/data e contextualização por talhão/serviço compõem a investigação.
              • O backend tem rotas relacionadas ao monitoramento/auditoria.

              Competências evidenciadas

              • Analytics geoespacial
              • Auditoria operacional
              • Estatística descritiva
              • Mapas
              • Dados de execução
              • Indicadores de velocidade

              Case · Agrodan

              Matéria seca — previsão e ponto de colheita

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Transformar leituras do fruto em acompanhamento e estimativas por variedade

              Contribuição e entrega: Implementei componentes de análise de matéria seca e previsão de colheita, relacionando leituras, variedades e parâmetros a gráficos e regras de acompanhamento.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • Funções calcular_previsao, calcular_alpha, equacoes e isPontoColheita aparecem na implementação.
              • Filtros por fazenda, semana/ano e variedades ligam resultado ao contexto da colheita.
              • Gráficos e resumos apresentam combinações e resultados previstos.
              • Rotas de matéria seca integram acesso aos dados; o frontend contém a lógica de cálculo observada.

              Competências evidenciadas

              • Modelagem de previsão
              • Regras por variedade
              • Equações e parâmetros
              • Analytics agrícola
              • Visualização

              Case · Agrodan

              Caderno de campo e compras — dados locais e sincronização

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Registrar operações e solicitações com continuidade no cliente

              Contribuição e entrega: Desenvolvi fluxos de coleta de campo e solicitações de compras com dados locais, componentes de processo e rotinas de sincronização, integrados ao backend por domínio.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • CadernoCampo/Apontamentos utiliza Dexie e módulos de localDb/downloadData.
              • Handlers tratam colaboradores, seleção, rateio, data, processo e serviços.
              • SolicitacaoCompras representa itens/centros e tem handlers de remoção e sincronização.
              • Rotas backend de caderno de campo e compras completam a evidência de integração por domínio.

              Competências evidenciadas

              • IndexedDB/Dexie
              • Coleta web
              • Modelagem de processo
              • Sincronização
              • Formulários
              • Compras e apontamentos

              Case · Agrodan

              Gestão UGB, pessoas e sugestões de melhoria

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Organizar unidades, colaboradores, avaliações e ciclos de melhoria

              Contribuição e entrega: Modelei aplicações de gestão de unidades e pessoas e fluxos de sugestão de melhorias, articulando dados organizacionais, histórico, avaliações, papéis e documentos.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • GestaoUGBs organiza módulos para unidades, funcionários, avaliação humana, 5S, planos, qualificação e sugestões.
              • Funcionários inclui componentes de histórico/cadastro/faltas e banco local no acervo.
              • Sugestões têm interfaces de submissão, administração e avaliação.
              • Backend de sugestões usa uploads, geração documental e rotas de pesquisa/filtros.

              Competências evidenciadas

              • Modelagem organizacional
              • Gestão de pessoas
              • Workflow de melhoria
              • Documentos e uploads
              • Reuso de componentes
              • Full stack corporativo

              Case · Agrodan

              Comercial, previsão de resultados e movimentação de pallets

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Relacionar lançamentos, previsões, câmbio e operação de logística/packing

              Contribuição e entrega: Desenvolvi componentes de acompanhamento comercial e logística, relacionando lançamentos e previsões a interfaces de gestão e dados operacionais de pallets e containers.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • COMERCIAL/Resultados contém lançamentos, auditorias e visão gerencial.
              • PrevisaoResultados compõe previsão, acompanhamento e câmbio em telas próprias.
              • MovimentacaoPallet organiza movimentação, dados de container e conferência.
              • Backend separado por comercial, previsão e containers representa operações correspondentes.

              Competências evidenciadas

              • Modelagem comercial
              • Planejamento de resultados
              • Fluxos de logística
              • Rastreabilidade
              • Interfaces e APIs

              Engenharia de dados e sistemas operacionais — Agrodan/SIA

              As capacidades de ETL e analytics vêm de fluxos identificáveis: apontamentos, jornadas, qualidade, packing, metas, catracas e meteorologia. O catálogo SIA abaixo abre esses fluxos em módulos, com suas fontes.

              Na experiência profissional da Agrodan, trabalhei na integração de dados e processos do campo ao packing, articulando consultas SQL, importadores, transformações, modelos persistentes e visualização operacional.

              A arquitetura do material local separa cargas a partir de consultas e transformações a partir do próprio data warehouse. As especializações incluem produção por fazenda, origem de pallets, metas, qualidade por colaborador/dia, rendimento e consolidadores de packing.

              Também desenvolvi frentes de indicadores de pessoas a partir de eventos de catracas, dados meteorológicos e formulários corporativos. O valor técnico está na tradução de processos reais para granularidades, regras, vínculos e indicadores verificáveis.

              1. Fontes operacionais
              2. Consulta e normalização
              3. Lotes e validação
              4. Modelos e data warehouse
              5. Cruzamentos e indicadores
              6. Web/mobile e decisão

              Case · Experiência profissional Agrodan

              ETL modular e qualidade de dados

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Reutilizar infraestrutura de carga sem perder regras específicas de cada domínio

              Contribuição e entrega: Estruturei pipelines de integração com importadores reutilizáveis, processamento em lotes e regras específicas para produção, packing, qualidade e pessoas, organizando dados operacionais para análise e apoio à decisão.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • Base de importação reutilizável com callbacks por lote.
              • Importadores from_queries obtêm dados em SQL; from_dwh cruza registros já disponíveis.
              • Persistência bulkCreate, normalização de propriedades e validações no acervo.
              • Migrations/Umzug e registro de erros apoiam evolução de schemas e rastreabilidade.

              Competências evidenciadas

              • ETL
              • Arquitetura reutilizável
              • SQL
              • Modelagem de granularidade
              • Persistência em lote
              • Qualidade de dados

              Desenvolvimento mobile, web corporativo e modelagem de processos

              SIAgro demonstra uma aplicação mobile de negócio. EBSERH e The Game Project acrescentam Java corporativo, persistência, regras e interfaces; os produtos mais recentes ampliam o repertório web.

              Desenvolvi aplicações e interfaces que representam processos operacionais, combinando modelos de domínio, persistência e experiência do usuário. No SIAgro, a coleta mobile organiza ordens de serviço, apontamentos, colaboradores, metas e qualidade.

              A experiência web inclui aplicações React/Next/Astro e backend em Node/Python, além de sistemas Java EE com JSF, PrimeFaces, EJB e JPA/Hibernate. Trabalhei com diferentes formas de separar apresentação, regras e acesso a dados.

              Essa extensão permite apresentar decisões de engenharia concretas: armazenamento local no mobile, componentes reutilizáveis no frontend, rotas/DAOs no backend e esquemas/relacionamentos para manter consistência do domínio.

              1. Processo real
              2. Entidades e regras
              3. Persistência e APIs
              4. Telas e componentes
              5. Estado e interação
              6. Acompanhamento operacional

              Case · Agrodan

              SIAgro — coleta operacional mobile

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Representar registros e gestão de campo em um dispositivo móvel

              Contribuição e entrega: Desenvolvi módulos mobile do SIAgro para ordens de serviço, apontamentos e qualidade, combinando React Native/Expo, modelagem de objetos de negócio, persistência local e visualização de indicadores.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • React Native/Expo e React Navigation para as telas e navegação.
              • Objetos de ordem de serviço, apontamento, funcionário e qualidade.
              • ObjetoPadrao centraliza operações de persistência com AsyncStorage.
              • Componentes para metas, UGBs, período e colaboradores; dashboard com gráficos.
              • Recursos de arquivos e imagens constam na stack; configuração não comprova publicação em loja.

              Competências evidenciadas

              • React Native/Expo
              • Persistência local
              • Modelagem operacional
              • Componentes mobile
              • Visualização de indicadores

              Case · EBSERH: estágio; The Game Project: faculdade

              Indicadores hospitalares e gamificação acadêmica

              Vínculo: Estágio · Hospital Universitário de Petrolina · Projeto acadêmico · The Game Project

              Problema: Traduzir indicadores/avaliações e regras de progressão em sistemas persistentes

              Contribuição e entrega: No estágio hospitalar, desenvolvi sistema web de indicadores e avaliações com Java EE. Na faculdade, construí uma aplicação de gestão de projetos com gamificação e persistência, explorando regras de progressão e organização de tarefas.

              Área de aplicação: Saúde, gestão hospitalar e planejamento estratégico.

              Público e contexto: Equipes e gestores do Hospital Universitário de Petrolina.

              Objetivo: Organizar indicadores, avaliações e acompanhamento do planejamento hospitalar.

              Área de aplicação: Gestão de projetos, gamificação e colaboração.

              Público e contexto: Equipes de projetos; desenvolvimento acadêmico na faculdade.

              Objetivo: Representar projetos, etapas e progressão por missões, experiência e recompensas.

              Engenharia, métodos e profundidade

              • EBSERH separa módulo EJB de negócio e módulo WAR/JSF de apresentação.
              • Entidades e beans representam indicadores e avaliações.
              • The Game Project separa entidades, DAOs, managed beans, converters e regras de mundo.
              • A aplicação acadêmica relaciona aventuras, tarefas, personagens, histórico e progressão RPG.

              Competências evidenciadas

              • Java EE
              • JSF/PrimeFaces
              • EJB
              • JPA/Hibernate
              • DAO
              • Regras de negócio
              • Gamificação

              Links do projeto

              Repositório público — EBSERH · Repositório público — The Game Project

              Pesquisa operacional, finanças, produção e aprendizagem

              Utilibox revela uma extensão temática e metodológica: métodos multicritério, filas, Lean, matemática financeira, growth e repetição espaçada. Cartola e Logística trazem otimização em problemas específicos.

              Transformei métodos quantitativos e regras de domínio em ferramentas de software para comparar alternativas, simular cenários e apoiar decisões. O repertório inclui AHP, TOPSIS, PROMETHEE, árvores de valor esperado, filas e otimização sob restrições.

              Em produção, explorei tempos padrão, SMED, VSM, takt time, capacidade, gargalos e ciclos PDSA. Em finanças e crescimento, modelei cálculos de WACC/CAPM, VPL/TIR, payback e LTV/CAC. Em aprendizagem, implementei regras de repetição espaçada SM-2.

              Esses cases mostram conexão entre engenharia de produção, análise e software. Cada método é apresentado com sua aplicação e fonte, sem transformar o tema da ferramenta em habilitação profissional.

              1. Problema e critérios
              2. Modelo matemático
              3. Cálculo/otimização
              4. Sensibilidade e cenários
              5. Interpretação
              6. Escolha e acompanhamento

              Case · Produto de ferramentas

              Utilibox — multicritério, filas e métodos aplicados

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Disponibilizar métodos especializados com entrada, cálculo e interpretação

              Contribuição e entrega: Implementei ferramentas de apoio à decisão e aprendizagem com métodos multicritério, filas, simulação, matemática financeira e repetição espaçada, traduzindo modelos em interfaces e cálculos explicáveis.

              Área de aplicação: Finanças, trabalho, engenharia de produção, decisão, educação, escrita, saúde, beleza, documentos, design e marketing.

              Público e contexto: Público geral, estudantes, autores e profissionais.

              Objetivo: Transformar cálculos, métodos e organização do conhecimento em ferramentas interativas acessíveis.

              Engenharia, métodos e profundidade

              • AHP: pesos, consistência e julgamentos em grupo.
              • TOPSIS: normalização, pesos, ideais e proximidade relativa.
              • PROMETHEE: funções de preferência, fluxos e sensibilidade.
              • Filas: modelos analíticos, variabilidade, buffers e simulação.
              • SMED/VSM: setup, tempos de processo/espera, PCE, takt e cenários.
              • Anki: agendamento SM-2, intervalos e estatísticas do deck.

              Competências evidenciadas

              • Decisão multicritério
              • Simulação
              • Pesquisa operacional
              • Lean
              • Matemática financeira
              • Modelagem de aprendizagem

              Links do projeto

              Abrir ferramenta — ahp-online · Abrir ferramenta — topsis · Abrir ferramenta — promethee · Abrir ferramenta — queueing-theory · Abrir ferramenta — vsm · Abrir ferramenta — anki-flashcards

              Case · Projetos analíticos

              Cartola e Logística — decisão com restrições

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Transformar estimativas e estruturas geográficas em escolhas executáveis

              Contribuição e entrega: Desenvolvi pipelines que conectam dados e otimização à decisão, explorando escalações sob orçamento/formação e roteamento com visualização geográfica.

              Área de aplicação: Esportes, fantasy football, previsão probabilística e otimização.

              Público e contexto: Pesquisa de desempenho e composição de escalações no Cartola.

              Objetivo: Estimar desempenho e selecionar escalações considerando orçamento e restrições.

              Área de aplicação: Logística, roteamento e análise geoespacial.

              Público e contexto: Planejamento de deslocamentos e operações logísticas.

              Objetivo: Representar pontos e rotas em mapas e apoiar decisões de percurso.

              Engenharia, métodos e profundidade

              • Cartola: ETL de históricos, representação probabilística por Markov e programação inteira OR-Tools/CBC para orçamento/formação.
              • Logística: mapas Leaflet, desenho de áreas e experimentos de roteamento/TSP com heurísticas e algoritmos genéticos.

              Competências evidenciadas

              • Modelagem probabilística
              • Programação inteira
              • Heurísticas
              • Geoinformação
              • Otimização com restrições

              Links do projeto

              Repositório público — Cartola Oracle

              Produtos, conhecimento, automação e computação gráfica

              Construção de produto aparece em módulos e fluxos: marketplace, conhecimento narrativo, notas, coleta comercial, finanças pessoais, carreira e experiências 3D. Esta seção amplia a narrativa de iniciativa e engenharia.

              Desenvolvi e experimentei produtos em diferentes domínios, articulando catálogo, acesso, persistência, integrações e conteúdo. No Launch With Me, o modelo organiza campanhas, missões, evidências e papéis; na Utilibox, a base compartilhada reúne ferramentas e módulos de conhecimento.

              Narra e Utilinotas exploram organização de obras, personagens, cenas, notas e relações, com assistência contextual e referências de evidência. Scrapers, Job Assistant e Minhas Finanças conectam coleta e processamento de dados a fluxos de uso e revisão.

              Em computação gráfica, construí protótipos 3D com cena, câmera, personagem, física e interface. Esse repertório liga software, modelagem de domínio, interação e experimentação de produto.

              1. Necessidade e domínio
              2. Modelo e regras
              3. Dados/integrações
              4. Experiência de uso
              5. Operação e revisão
              6. Aprendizagem de produto

              Case · Utilibox

              Narra/Utilinotas — domínio e conhecimento

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Organizar informação criativa e responder com referência ao estado do usuário

              Contribuição e entrega: Construí módulos de organização narrativa e conhecimento, com relações entre entidades, assistência contextual, rastreabilidade de respostas e interoperabilidade de notas.

              Área de aplicação: Finanças, trabalho, engenharia de produção, decisão, educação, escrita, saúde, beleza, documentos, design e marketing.

              Público e contexto: Público geral, estudantes, autores e profissionais.

              Objetivo: Transformar cálculos, métodos e organização do conhecimento em ferramentas interativas acessíveis.

              Engenharia, métodos e profundidade

              • Narra modela obras, personagens, cenas, relações e cânone.
              • Writing companion encaminha intenções para funções do domínio.
              • Evidence engine apresenta fontes, confiança e sinalização de inferência.
              • Utilinotas trabalha vaults, Markdown/YAML, wikilinks/backlinks e importação/exportação.

              Competências evidenciadas

              • Modelagem de conhecimento
              • Assistência contextual
              • Evidence tracing
              • Interoperabilidade de notas
              • Engenharia de domínio

              Links do projeto

              Abrir ferramenta — narra · Abrir ferramenta — utilinotas

              Case · Vínculos individuais a contextualizar

              Marketplace, automações e produtos

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Ligar regras de produto, fontes externas e interfaces a experiências completas

              Contribuição e entrega: Estruturei produtos e protótipos com regras de acesso, integrações e fluxos supervisionados, incluindo marketplace, coleta comercial e finanças pessoais.

              Área de aplicação: Empreendedorismo, marketplace e validação de produtos.

              Público e contexto: Criadores de produtos e potenciais usuários.

              Objetivo: Conectar propostas de produtos, descoberta e validação em uma plataforma web.

              Área de aplicação: Carreira, recrutamento e automação supervisionada.

              Público e contexto: Organização de oportunidades profissionais.

              Objetivo: Coletar oportunidades e ordenar aderência com supervisão do usuário.

              Área de aplicação: Finanças pessoais, Open Finance e análise de transações.

              Público e contexto: Organização financeira pessoal.

              Objetivo: Integrar e analisar transações para apoiar o acompanhamento das finanças.

              Área de aplicação: Coleta de dados, ofertas e distribuição de conteúdo.

              Público e contexto: Operações de acompanhamento e divulgação de ofertas.

              Objetivo: Estruturar a coleta, o tratamento e a distribuição de informações de ofertas.

              Engenharia, métodos e profundidade

              • Launch With Me: rotas por papéis, schema, migrations, RLS/RPC e missões/evidências.
              • Scrapers: adaptadores por site, runner, supervisão e distribuição de ofertas.
              • Job Assistant: Playwright, ranking por regras, CLI e revisão humana.
              • Minhas Finanças: Pluggy, classificação por regras, agregações e SQLite.

              Competências evidenciadas

              • Product engineering
              • RLS e modelagem de acesso
              • Automação supervisionada
              • Open Finance

              Infraestrutura, integração desktop, IoT e operação de tecnologia

              A experiência em TIC registrada no CV complementa o código dos projetos: servidores, redes, suporte, continuidade, ERP, segurança e IoT. A integração com MetaTrader5 é um case local de conexão com software desktop.

              Na gestão de TIC, atuei com rotinas de equipe, suporte, servidores, redes, backup/recovery, virtualização e iniciativas de disponibilidade. O currículo atual relaciona Windows/Linux, Active Directory, Zabbix/GLPI, Mikrotik, Unifi, ERP, Arduino e Raspberry Pi a essa experiência.

              Essa atuação conecta operação de tecnologia, integração e entrega de aplicações: acompanhar ambientes, organizar necessidades dos usuários e relacionar dados e serviços às operações do negócio.

              No TraderMind, desenvolvi componentes Python para integrar pesquisa e inferência ao terminal desktop MetaTrader5, conectando dados de mercado, contexto da conta e envio de ordens. Essa integração deve ser diferenciada de desenvolvimento de uma interface desktop nativa própria.

              1. Necessidade operacional
              2. Ambiente e acesso
              3. Serviços e integração
              4. Monitoramento
              5. Continuidade
              6. Suporte e melhoria

              Case · Experiência já declarada no CV; contexto Agrodan confirmado

              Gestão de TIC — Agrodan

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Sustentar ambiente e serviços de tecnologia utilizados pela operação

              Contribuição e entrega: Gerenciei a operação de TIC, integrando suporte, servidores, redes, continuidade, ERP e iniciativas de IoT à entrega de serviços e soluções para a empresa.

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Engenharia, métodos e profundidade

              • Rotinas de equipe, help desk e parque de dispositivos constam no cargo de Gerente de TIC.
              • Administração Windows/Linux, Active Directory e redes corporativas consta no relato profissional.
              • Backup/recovery, virtualização e alta disponibilidade fazem parte do escopo declarado.
              • Zabbix/GLPI, firewall, Mikrotik, Unifi, Arduino e Raspberry Pi estão relacionados à função no CV.

              Competências evidenciadas

              • Operação de TI
              • Redes e servidores
              • Gestão de suporte
              • Continuidade
              • Segurança
              • IoT

              Case · Projeto de pesquisa quantitativa

              Conector desktop MetaTrader5 — TraderMind

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Ligar a aplicação Python ao terminal de negociação instalado localmente

              Contribuição e entrega: Construí um conector Python para o terminal desktop MetaTrader5, integrando dados de mercado e conta ao fluxo de pesquisa e operação documentado no projeto.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Conector utiliza o pacote MetaTrader5 oficial e depende do terminal aberto/autenticado.
              • Consulta conta e dados de candles; prepara o fluxo de operação ligado à política/inferência.
              • API/dashboard e bot têm responsabilidades separadas no acervo.
              • A política registra fonte e congelamento para relacionar pesquisa e execução documentada.

              Competências evidenciadas

              • Integração desktop
              • Python
              • Integração de APIs locais
              • Separação de serviços
              • Rastreabilidade de política

              Computação gráfica, experiência 3D e geoinformação

              O repertório visual inclui pose, avatares 3D, interação e mapas, com origem no Mocap e nos experimentos de logística.

              Desenvolvi protótipos de interação e visualização no navegador, explorando estimação de pose, avatares 3D, mapas e interfaces de acompanhamento.

              Em geoinformação, utilizei Leaflet para representar áreas, desenho e roteamento, conectando visualização espacial a experimentos de planejamento logístico. No Mocap, a representação visual também é ligada à inferência de pose e ao movimento.

              1. Dados/recursos
              2. Espaço e geometria
              3. Cena ou mapa
              4. Câmera e input
              5. Estado/física
              6. Interação e visualização

              Case · Logística

              Mapas e exploração espacial

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Representar informação e percursos em espaços geográficos

              Contribuição e entrega: Explorei visualização espacial com Leaflet no protótipo de Logística, construindo interfaces de mapa, desenho de áreas e roteamento.

              Área de aplicação: Logística, roteamento e análise geoespacial.

              Público e contexto: Planejamento de deslocamentos e operações logísticas.

              Objetivo: Representar pontos e rotas em mapas e apoiar decisões de percurso.

              Engenharia, métodos e profundidade

              • Logística reúne componentes de mapa, canvas, desenho e roteirização.
              • Loaders/bibliotecas incluídos são componentes reutilizados; não autoria própria.

              Competências evidenciadas

              • Mapas interativos
              • Visualização geoespacial
              • Geometria
              • Prototipação visual

              Globalcom — arquitetura Agentic AI, compliance e automação

              Arquitetura funcional e técnica entregue pela Modern Concept; implementação em andamento.

              A arquitetura entregue relaciona educação, acreditação, compliance, gestão documental, operações, governança e automação. O material entregue descreve a arquitetura e o roadmap da implementação em andamento.

              1. Domínio e workflow
              2. Conhecimento e evidências
              3. Agentes especialistas
              4. Validação e aprovação humana
              5. Integrações e auditoria contínua

              Stack especificada na arquitetura: TypeScript · React · Node.js · Python · FastAPI · Supabase · PostgreSQL · pgvector · RAG · MCP · Playwright · RLS · RBAC · Filas e workers

              Competências aplicadas

              • Arquitetura Agentic AI
              • Orquestração multiagente
              • RAG e recuperação híbrida
              • Inteligência documental
              • Modelagem de domínio
              • Workflow e eventos
              • Integrações API/MCP/RPA
              • Governança e aprovação humana
              • Arquitetura multi-tenant
              • Consultoria e desenho de produto

              Arquitetura Agentic AI e orquestração de especialistas

              Objetivo: Coordenar tarefas especializadas com evidências e supervisão humana

              • Desenho de 10 agentes especialistas: compliance, evidências, documentos, pesquisa, redação, comunicação, prazos, risco, auditoria de sistemas e integração/RPA.
              • Orquestrador dedicado verifica pré-condições, distribui tarefas e consolida resultados; um auditor independente revisa agentes, ferramentas, fontes e decisões.
              • Contratos de execução associam escola, processo, requisito e tarefa a ferramentas autorizadas, evidências, confiança e escalonamento humano.

              RAG gerenciado e inteligência documental

              Objetivo: Recuperar conhecimento adequado à escola, requisito e versão documental

              • Desenho de seis coleções: normativas oficiais, conhecimento operacional, contexto gerencial, precedentes de e-mails, documentos por escola e templates aprovados.
              • Arquitetura de recuperação híbrida com embeddings e pgvector, filtros por tenant, escola, framework, requisito, versão, validade e aprovação.
              • Previsão de ingestão, classificação, extração, versionamento, reprocessamento de embeddings, linhagem de chunks e persistência de citações.

              Workflow, eventos e execução persistente

              Objetivo: Manter processos e tarefas em execução mesmo sem usuário conectado

              • Máquina de estados especificada controla dependências, responsáveis, prazos, pré-condições e critérios de conclusão das nove fases do processo.
              • Desenho de filas, eventos, webhooks e jobs agendados, com workers especializados para workflow, agentes, documentos, RAG, notificações, RPA e auditoria.
              • Stack sugerida: Node.js/TypeScript, NestJS ou Fastify, Zod e BullMQ ou alternativa; Temporal aparece como opção para workflows duráveis.

              Governança de IA, segurança e auditoria contínua

              Objetivo: Controlar autonomia, acesso aos dados e qualidade das decisões

              • Política de execução especificada distingue execução automática, ações que exigem aprovação humana e decisões críticas reservadas a pessoas.
              • Desenho de isolamento por parceiro/escola com RLS e RBAC, menor privilégio, cofre de segredos, logs, retenção, backup e recuperação.
              • Auditor independente verifica correspondência entre citação e evidência, versão normativa, integridade de dados e respeito às etapas; planejamento de auditoria trimestral e reuniões a cada quatro meses.

              Integrações API, MCP e RPA para operações externas

              Objetivo: Conectar a plataforma a fontes e portais com execução controlada

              • Estratégia de integração prioriza APIs, usa MCP para acesso padronizado a ferramentas e prevê RPA quando não há integração formal.
              • Especificação de workers de navegador isolados com Playwright, políticas de retry, idempotência, detecção de mudança de layout e fallback manual.
              • Escopo arquitetural inclui migração/sincronização do Notion, e-mails, portais e conectores futuros para sistemas escolares e financeiros; QuickSchools, QuickBooks e Wave são referências iniciais.

              Modelagem de domínio e produto para certificação

              Objetivo: Traduzir uma operação de certificação em entidades e fluxos de produto

              • Modelagem de domínio entregue relaciona parceiros, escolas, frameworks, fases, requisitos, tarefas, documentos, evidências, riscos, decisões e histórico.
              • Supabase/PostgreSQL é a fonte canônica projetada, com Storage para documentos, Auth, Realtime e vetores pgvector; frontend React/TypeScript com visualização de fluxos.
              • Arquitetura contempla readiness, gaps, planos corretivos, self-study e reutilização de artefatos; resultados esperados são objetivos do produto, sem métricas de impacto realizadas.

              Consultoria, arquitetura de soluções e roadmap

              Objetivo: Entregar a arquitetura e o roadmap de implantação incremental

              • Entrega documental combina visão executiva, arquitetura detalhada, apresentação navegável PT/EN e planejamento de implantação.
              • Roadmap parte da descoberta e domínio operacional, evolui para RAG/documentos, agentes, compliance contínuo, integrações e inteligência de certificação.
              • Definição de indicadores a acompanhar: tempo por fase, completude de evidências, reutilização, aprovação de drafts, erros de agentes, saúde das integrações e cobertura de auditoria.

              MLOps — ciclo de vida de modelos no TraderMind

              Engenharia do ciclo de vida de ML: dos dados e experimentos à inferência, supervisão e manutenção operacional.

              O TraderMind integra pipeline local de dados, seleção de atributos, treinamento, avaliação temporal, API de inferência, dashboard e conector MetaTrader5. O contexto é de pesquisa e operação de demonstração.

              1. Dados e qualidade
              2. Features e treinamento
              3. Validação temporal
              4. Artefatos e inferência
              5. Supervisão e acompanhamento

              Case · TraderMind · projeto independente de MLOps e pesquisa quantitativa

              Pipeline de dados, features e contratos de qualidade

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Integração de extração, atualização de dados, construção de datasets e seleção de atributos em fases operacionais do TraderMind.

              Contribuição e entrega: Integração de extração, atualização de dados, construção de datasets e seleção de atributos em fases operacionais do TraderMind.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Dados de mercado e indicadores em múltiplos timeframes, datasets Parquet e seleção evolutiva de atributos com EFS-AHP.
              • Verificações por fase cobrem integridade temporal, disponibilidade e saúde de features, consistência de configuração e sincronização de artefatos.

              Competências evidenciadas

              • MLOps
              • ML lifecycle
              • Data pipelines
              • Model serving
              • Temporal validation
              • Observability

              Case · TraderMind · projeto independente de MLOps e pesquisa quantitativa

              Treinamento, checkpoints e gestão de artefatos

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Organização de experimentos, treinamento e recuperação de execução, preservando a relação entre modelo, features e parâmetros.

              Contribuição e entrega: Organização de experimentos, treinamento e recuperação de execução, preservando a relação entre modelo, features e parâmetros.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Rotinas de treinamento e comparação de classificadores, seleção de atributos e modelos de entrada e saída antecipada.
              • Checkpoints permitem retomar a busca evolutiva; modelos serializados, listas de features, configurações e logs apoiam a reprodução do fluxo.

              Competências evidenciadas

              • MLOps
              • ML lifecycle
              • Data pipelines
              • Model serving
              • Temporal validation
              • Observability

              Case · TraderMind · projeto independente de MLOps e pesquisa quantitativa

              Validação temporal, leakage e avaliação fora da amostra

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Separação entre seleção, calibração e avaliação temporal para comparar modelos e políticas sem contaminar o período final.

              Contribuição e entrega: Separação entre seleção, calibração e avaliação temporal para comparar modelos e políticas sem contaminar o período final.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Walk-forward, holdouts temporais, backtests e auditorias de leakage complementam o treinamento; alinhamento causal das fontes externas evita usar informação futura.
              • Políticas são escolhidas antes do teste final OOS; comparação entre operação registrada e replay/backtest apoia a investigação de divergências.

              Competências evidenciadas

              • MLOps
              • ML lifecycle
              • Data pipelines
              • Model serving
              • Temporal validation
              • Observability

              Case · TraderMind · projeto independente de MLOps e pesquisa quantitativa

              Serving de modelos e integração com MetaTrader5

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Integração entre artefatos de ML, serviço de inferência e terminal desktop para conectar pesquisa e operação de demonstração.

              Contribuição e entrega: Integração entre artefatos de ML, serviço de inferência e terminal desktop para conectar pesquisa e operação de demonstração.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • API Flask carrega modelos e respectivas features por par/direção, produz predições e probabilidades e atende verificações de saída.
              • Conector Python integra dados e execução ao MetaTrader5; o serviço expõe saúde, status, modelos carregados e uptime.

              Competências evidenciadas

              • MLOps
              • ML lifecycle
              • Data pipelines
              • Model serving
              • Temporal validation
              • Observability

              Case · TraderMind · projeto independente de MLOps e pesquisa quantitativa

              Orquestração, retreino e atualização operacional

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Coordenação do ciclo de dados, treinamento, avaliação e serviço com modos de execução distintos.

              Contribuição e entrega: Coordenação do ciclo de dados, treinamento, avaliação e serviço com modos de execução distintos.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Supervisor organiza extração, dataset, EFS-AHP, treinamento, backtest e serviço; diferencia atualização de dados sem retreino e ciclo completo de retreino.
              • Execuções usam identificação de rodada e logs; rotinas de agendamento e checagem operacional apoiam manutenção do pipeline.

              Competências evidenciadas

              • MLOps
              • ML lifecycle
              • Data pipelines
              • Model serving
              • Temporal validation
              • Observability

              Case · TraderMind · projeto independente de MLOps e pesquisa quantitativa

              Observabilidade e acompanhamento de modelos

              Vínculo: Projetos independentes, pesquisa e produtos

              Problema: Conexão entre painel operacional, saúde das fases e revisão de desempenho com dados recentes.

              Contribuição e entrega: Conexão entre painel operacional, saúde das fases e revisão de desempenho com dados recentes.

              Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

              Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

              Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

              Engenharia, métodos e profundidade

              • Dashboard e registros de saúde acompanham fases, treinamento e operação; APIs permitem inspecionar disponibilidade dos modelos e serviço.
              • Atualização da janela OOS e comparação entre trades registrados e backtest apoiam análise de mudança de regime e decisões de revisão do modelo.

              Competências evidenciadas

              • MLOps
              • ML lifecycle
              • Data pipelines
              • Model serving
              • Temporal validation
              • Observability

              Agrodan / Agritech.NE — desenvolvimento de plataforma e visão computacional industrial

              Experiência como desenvolvedor durante o vínculo na Agrodan. Projeto de contagem automatizada de frutas, integração industrial e rastreabilidade no packing; relatório final de março/2024.

              O projeto integra fruticultura, indústria de alimentos, visão computacional, Deep Learning, dados de produção, APIs, dashboards, notificações e melhoria de processos. Os resultados apresentados são os registrados para o projeto/equipe.

              1. Contagem e rastreamento
              2. Integração ERP e classificadora
              3. Estimativa de peso e reconciliação de volumes
              4. Acompanhamento e notificações
              5. Avaliação operacional

              Case · Agrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

              Desenvolvimento da plataforma de visão computacional no packing

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Apoiar rastreabilidade, acompanhamento de lotes e redução de interrupções no packing

              Contribuição e entrega: Atuei como desenvolvedor no projeto da plataforma, durante meu vínculo na Agrodan, conectando a solução de contagem e rastreamento de frutos ao acompanhamento operacional do packing.

              Área de aplicação: Agronegócio, fruticultura, packing, visão computacional, rastreabilidade e eficiência operacional.

              Público e contexto: Operadores da classificadora, equipes de packing e gestores da Agrodan.

              Objetivo: Integrar contagem de frutos e dados industriais para acompanhar lotes, indicar trocas e reduzir interrupções.

              Engenharia, métodos e profundidade

              • Plataforma para identificar e registrar mangas na esteira de refugo, com contagem e rastreamento para evitar duplicidades.
              • Integração entre aplicação de contagem, API de dados industriais, dashboard e notificações; o relatório descreve duas câmeras em funcionamento.
              • Projeto de P&D em parceria com a Agrodan no contexto da Plataforma Agritech.NE, com metodologia CRISP-DM e acompanhamento dos resultados.

              Competências evidenciadas

              • Desenvolvimento de plataforma
              • Visão computacional aplicada
              • Integração de dados industriais
              • APIs
              • Rastreabilidade de lotes
              • Indicadores operacionais
              • Automação de notificações
              • CRISP-DM
              • P&D aplicado
              • Eficiência operacional

              Case · Agrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

              Integração ERP, classificadora e rastreabilidade de lotes

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Apoiar rastreabilidade, acompanhamento de lotes e redução de interrupções no packing

              Contribuição e entrega: A plataforma relaciona o lote recebido, a quantidade embalada e o refugo para acompanhar a origem da fruta e apoiar a transição entre lotes.

              Área de aplicação: Agronegócio, fruticultura, packing, visão computacional, rastreabilidade e eficiência operacional.

              Público e contexto: Operadores da classificadora, equipes de packing e gestores da Agrodan.

              Objetivo: Integrar contagem de frutos e dados industriais para acompanhar lotes, indicar trocas e reduzir interrupções.

              Engenharia, métodos e profundidade

              • API para acessar dados da classificadora e de embalagem, combinados com registros de lote do ERP e informações de variedade, colheita e manejo.
              • A contagem de frutos é combinada com a distribuição de calibres da classificadora e faixas de peso por variedade para estimar o peso do refugo.
              • Reconciliação entre volume de entrada, volume embalado e peso estimado do refugo; verificação de proximidade de 98% do volume de entrada para apoiar a troca de lote.

              Competências evidenciadas

              • Desenvolvimento de plataforma
              • Visão computacional aplicada
              • Integração de dados industriais
              • APIs
              • Rastreabilidade de lotes
              • Indicadores operacionais
              • Automação de notificações
              • CRISP-DM
              • P&D aplicado
              • Eficiência operacional

              Case · Agrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

              Dashboard, alertas e apoio à decisão operacional

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Apoiar rastreabilidade, acompanhamento de lotes e redução de interrupções no packing

              Contribuição e entrega: Desenvolvimento da plataforma de acompanhamento e notificações para dar aos operadores informação sobre o processamento e o momento de troca de lote.

              Área de aplicação: Agronegócio, fruticultura, packing, visão computacional, rastreabilidade e eficiência operacional.

              Público e contexto: Operadores da classificadora, equipes de packing e gestores da Agrodan.

              Objetivo: Integrar contagem de frutos e dados industriais para acompanhar lotes, indicar trocas e reduzir interrupções.

              Engenharia, métodos e profundidade

              • Acompanhamento dos dados integrados de produção e preparação de avisos via Telegram quando o volume processado se aproxima do volume de entrada.
              • O escopo prevê aplicações de contagem e acompanhamento em servidor dedicado; o relatório registra treinamento e acompanhamento em fevereiro/2024.
              • A contagem, os calibres e o volume de processamento apoiam a decisão operacional sem depender apenas da retirada manual da fruta do tanque.

              Competências evidenciadas

              • Desenvolvimento de plataforma
              • Visão computacional aplicada
              • Integração de dados industriais
              • APIs
              • Rastreabilidade de lotes
              • Indicadores operacionais
              • Automação de notificações
              • CRISP-DM
              • P&D aplicado
              • Eficiência operacional

              Case · Agrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

              Resultados do projeto e melhoria do processo industrial

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Problema: Apoiar rastreabilidade, acompanhamento de lotes e redução de interrupções no packing

              Contribuição e entrega: A integração da plataforma ao processo de packing apresentou ganhos registrados no relatório final do projeto, relacionados à produtividade, paradas e custos operacionais.

              Área de aplicação: Agronegócio, fruticultura, packing, visão computacional, rastreabilidade e eficiência operacional.

              Público e contexto: Operadores da classificadora, equipes de packing e gestores da Agrodan.

              Objetivo: Integrar contagem de frutos e dados industriais para acompanhar lotes, indicar trocas e reduzir interrupções.

              Engenharia, métodos e profundidade

              • Produção registrada no relatório: de 30 para 37,5 caixas por hora; paradas por troca de controle: de 45 para 5 minutos por dia.
              • O relatório registra redução de 17% dos custos operacionais relacionados à mão de obra e ao tempo de processamento.
              • Precisão de contagem reportada de 98%; a calibração por variedade continuava necessária, com ajuste específico para manga Kent indicado no relatório.

              Competências evidenciadas

              • Desenvolvimento de plataforma
              • Visão computacional aplicada
              • Integração de dados industriais
              • APIs
              • Rastreabilidade de lotes
              • Indicadores operacionais
              • Automação de notificações
              • CRISP-DM
              • P&D aplicado
              • Eficiência operacional

              Projetos vinculados a formação, estágio e faculdade

              EBSERH — gestão de indicadores hospitalares

              Estágio no Hospital Universitário de Petrolina — EBSERH

              Vínculo: Estágio · Hospital Universitário de Petrolina

              Sistema de gestão de indicadores e avaliações desenvolvido no contexto do estágio no Hospital Universitário de Petrolina. Organiza indicadores, responsáveis, setores de coleta e registros de avaliação em uma aplicação Java EE com persistência relacional e interfaces JSF/PrimeFaces para cadastro, consulta e visualização.

              Aplicação Java EE com entidades e persistência, serviços de negócio e interface JSF para gestão de indicadores e avaliações.

              • Java
              • Java EE
              • EJB
              • JPA
              • Hibernate
              • JSF
              • PrimeFaces
              • XHTML
              • JPQL
              • Apache Ant
              • NetBeans

              Repositório público — EBSERH

              The Game Project — gestão de projetos com gamificação

              Projeto desenvolvido na faculdade

              Vínculo: Projeto acadêmico · The Game Project

              Aplicação acadêmica de gestão de projetos que utiliza conceitos de RPG para representar projetos, tarefas, participantes, progressão e recompensas. Organiza aventuras, batalhas e históricos em entidades persistidas e interfaces web, incluindo uma visualização de cronograma para tornar o acompanhamento de atividades mais interativo.

              Aplicação web com entidades, acesso a dados, controle de interface e persistência MySQL; a gamificação relaciona aventuras, batalhas e progressão.

              • Java
              • JSF
              • PrimeFaces
              • JPA
              • Hibernate
              • MySQL
              • JPQL
              • Quartz
              • XHTML
              • JavaScript
              • jQuery
              • Apache Ant
              • NetBeans

              Repositório público — The Game Project

              EFS-AHP — seleção de atributos e decisão multicritério

              Pesquisa vinculada ao doutorado profissional em Engenharia de Software — confirmado por Danillo

              Vínculo: Doutorado · CÉSAR School

              Framework de pesquisa que combina seleção de atributos, algoritmos evolutivos e decisão multicritério AHP para estudar modelos em diferentes bases. Reúne experimentos comparativos, métodos como Random Forest, LASSO e PCA e análises estatísticas para investigar o equilíbrio entre qualidade preditiva, quantidade de atributos e custo de treinamento.

              Experimentos organizados por bases e métodos, com rotinas evolutivas, avaliação multicritério, notebooks estatísticos e ambiente conteinerizado.

              • JavaScript
              • Node.js
              • Python
              • Jupyter
              • Random Forest
              • LASSO
              • PCA
              • t-SNE
              • UMAP
              • AHP
              • Docker
              • pandas
              • NumPy
              • scikit-learn
              • SciPy
              • DEAP

              Repositório público — EFS-AHP

              SIA — catálogo de módulos e projetos de negócio

              Experiência profissional na Agrodan. O acervo de 23 referências Git locais inclui 94 módulos e submódulos de negócio. São partes do mesmo ecossistema; versões, integrações e componentes compartilhados não são produtos independentes.

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              O catálogo inclui implementação de regras e processos e páginas de integração de relatórios/dashboards. Em cada entrada, o alcance é descrito conforme o material encontrado.

              Frota e custos

              Abastecimento da frota

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Acompanhar abastecimentos e sua leitura gerencial.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Pessoas e operação

              Absenteísmo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de absenteísmo.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão

              Acompanhamentos operacionais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Compor cartões, filtros, gráficos e tabelas de acompanhamento.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, @material-ui/lab, @nivo/bar, @nivo/pie, color-interpolate, dexie, react, react-csv, react-custom-scrollbars, react-redux, thenby.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Navegação operacional

              Áreas de campo e packing

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar acesso a informações de campo, packing e qualidade.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Estado por hooks.

              Stack observada: @material-ui/core, @nivo/bar, moment, react, react-router-dom.

              Mecanismos: Estado por hooks.

              Monitoramento ambiental

              Monitoramento Atel Escola

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar dados e leituras de monitoramento de umidade no contexto do módulo.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Operações agrícolas e geoinformação

              Auditoria de pulverização

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar trajeto, velocidade, talhões e serviços para avaliar a execução da pulverização.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, @use-it/event-listener, crypto-js, leaflet, moment, react, react-bootstrap, react-dom, react-leaflet, react-leaflet-canvas-layer, react-leaflet-multi-options-polyline, react-router-dom, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Auditoria operacional

              Auditoria SGA

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão de auditoria relacionada ao SGA.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Governança de dados

              Auditoria SIA

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão de auditoria no SIA.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, moment-duration-format, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              RH e desempenho

              Avaliação de equipes

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar respostas, avaliação, qualidade e resumo de equipes.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              RH e desempenho

              Avaliação de equipes administrativas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar o processo de avaliação de equipes administrativas.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Educação e avaliação

              Avaliação aluno–professor

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Modelar a avaliação entre alunos e professores.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Educação e avaliação

              Avaliação gestor–gestor

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Modelar avaliação entre gestores no contexto escolar.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Educação e avaliação

              Avaliação professor–gestor

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Modelar o processo de avaliação de gestores por professores.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Educação e avaliação

              Avaliação professor–professor

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Modelar avaliação entre professores.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              RH e avaliação

              Avaliação invertida

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar uma perspectiva invertida no processo de avaliação.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              RH e avaliação

              Avaliação por pares

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Modelar avaliações entre pares e seus resumos.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              RH e jornadas

              Batidas de ponto

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar leitura de registros de ponto.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão financeira

              Visão CFO

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão gerencial identificada como CFO.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Comercial

              Resultados comerciais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar lançamentos, resultados, auditorias e visão gerencial comercial.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, fs, moment, pdfreader, react, react-file-base64, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Rotas backend correspondentes localizadas.

              Finanças

              Contas a pagar

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de contas a pagar.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão agrícola

              Cadastro de talhões

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar consulta/gestão do cadastro de talhões.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Coleta agrícola

              Caderno de campo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar apontamentos, seleção de equipe, atividade e qualidade, com armazenamento local e sincronização no código.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, @mui/material, dexie, moment, react, react-chartjs-2, react-select, uuidv4.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Rotas backend correspondentes localizadas.

              Packing

              Caixas embaladas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de caixas embaladas.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Packing e unidades de gestão

              Caixas embaladas por UGB

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar a leitura de embalagem às unidades de gestão.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Suprimentos e operação

              Conferência de insumos

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações para conferência de insumos.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Packing e rastreabilidade

              Controle de pallets

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar leitura de controle dos pallets.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Qualidade

              Controle de qualidade

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de controle de qualidade.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Packing e suprimentos

              Controle de recebimento

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a leitura do recebimento operacional.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Estado por hooks; Efeitos e carregamento por hooks; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Estado por hooks; Efeitos e carregamento por hooks; Mapas e informação espacial; Mapas Leaflet.

              Planejamento agrícola

              Cronograma de safra

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar cronograma, colheita e edição da programação.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-touch-screen-keyboard, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Coleta e planejamento

              Formulário do cronograma de safra

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar a entrada/edição de cronograma e talhões.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, moment, react, react-touch-screen-keyboard.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização.

              Planejamento e sincronização

              Cronograma de safra integrado ao SIA

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar edição, visualização e sincronização da programação de safra.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, moment, react.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Rotas backend correspondentes localizadas.

              Informação espacial

              Croquis

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar representação de croquis.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados.

              Stack observada: @material-ui/core, @nivo/pie, moment, react.

              Controladoria

              Custos

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento dos custos operacionais.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Qualidade de serviço

              Dashboard de satisfação

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar visão consolidada de satisfação.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Packing

              Embalagem

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar indicadores da operação de embalagem.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados.

              Stack observada: @material-ui/core, @nivo/bar, moment, react.

              Estoques

              Estoque virtual

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Integrar a consulta ao dashboard de estoque virtual.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Comercial e finanças

              Faturamento

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de faturamento.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Planejamento agrícola

              Fechamento de talhões

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de fechamento dos talhões.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Comercial

              Flutuação de preços

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar leitura da variação de preços.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              RH e finanças

              Folha de pagamento

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento da folha de pagamento.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Supply chain

              Gestão de estoque

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão de gestão de estoque.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão organizacional

              Gestão de unidades de negócio

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Articular UGBs, colaboradores, avaliações, planos e melhorias em uma estrutura modular.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Planilhas; Integração HTTP.

              Stack observada: @material-ui/core, @material-ui/icons, @material-ui/styles, @react-pdf/renderer, axios, dexie, file-saver, moment, prop-types, react, react-icons, react-pdf, react-router-dom, react-select, react-to-pdf, xlsx.

              Mecanismos: Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Planilhas; Integração HTTP; Rotas backend correspondentes localizadas.

              Frota e equipamentos

              Horímetro

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento de horas dos equipamentos.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão de processos

              Indicadores e satisfação BPM

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar indicadores e registros de satisfação do serviço.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, dexie, leaflet, moment, prop-types, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf, uuidv4.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Logística e qualidade de serviço

              Satisfação da logística

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar satisfação relacionada à logística.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, moment, react.

              Gestão de TIC

              Indicadores de TI e fila de chamados

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar indicadores, satisfação e fila de chamados.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Irrigação agrícola

              Monitoramento de irrigação

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar monitoramento e entrada de dados relacionados à irrigação.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, moment-duration-format, react, react-csv-reader, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Irrigação

              Visão Irrigas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão identificada como Irrigas.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Produção e aprendizagem

              Lean Packing Game

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Integrar acesso ao simulador de operações Lean Packing Game.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Operação e jornadas

              Registro de horas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar o registro e a leitura de horas.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, moment, react, react-chartjs-2, trabalho-eficiente.jpg.

              Mecanismos: Rotas backend correspondentes localizadas.

              Monitoramento agrícola

              Monitoramento MAD

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar dados de umidade/monitoramento presentes neste módulo.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Camada de dados local; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf.

              Mecanismos: Camada de dados local; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Qualidade do fruto

              Monitoramento MAF e manga

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar manga, posições de linhas e dados do monitoramento MAF.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Estado por hooks; Efeitos e carregamento por hooks; Eventos via socket; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @nivo/bar, moment, react, socket.io-client.

              Mecanismos: Estado por hooks; Efeitos e carregamento por hooks; Eventos via socket; Rotas backend correspondentes localizadas.

              Agricultura e geoinformação

              Monitoramento integrado de pragas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar dados de pragas no módulo MIP.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Camada de dados local; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Camada de dados local; Mapas e informação espacial; Mapas Leaflet.

              Qualidade e maturação

              Matéria seca e previsão de colheita

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar leituras, variedades e equações para explorar previsão e ponto de colheita.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Função de previsão; Regra de ponto de colheita; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @nivo/pie, moment, react.

              Mecanismos: Função de previsão; Regra de ponto de colheita; Rotas backend correspondentes localizadas.

              Suprimentos

              Materiais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações de materiais.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @nivo/pie, moment, react.

              Mecanismos: Rotas backend correspondentes localizadas.

              Suprimentos e rastreabilidade

              Movimentação de materiais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações de movimentação de materiais.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @nivo/pie, moment, react.

              Mecanismos: Rotas backend correspondentes localizadas.

              Packing e logística

              Movimentação de pallets e containers

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar movimentações, dados de container e conferências.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, dexie, moment, react, react-touch-screen-keyboard.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              Controladoria

              Orçamento

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acompanhamento do orçamento.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet; Rotas backend correspondentes localizadas.

              RH e estrutura organizacional

              Organograma e áreas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar áreas, indicadores e organização das fazendas.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react.

              Mecanismos: Persistência IndexedDB via Dexie; Referências a sincronização; Estado por hooks.

              Gestão e melhoria contínua

              PDCA de mão de obra

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar planos, auditorias e acompanhamento gerencial de mão de obra.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, moment, react, react-file-base64, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Produção e embalagem

              Packing e caixaria

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar acesso à operação de packing e caixaria.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Eventos via socket.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/bar, audio-loader, audio-play, moment, play-sound, react, react-router-dom, socket.io-client.

              Mecanismos: Eventos via socket.

              Planejamento agronômico e governança

              PLANAGRO — planejamento e regras agrícolas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar atividades, insumos, orçamento e verificações de aplicação, carência, dosagem e deriva.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, leaflet, moment, path, prop-types, react, react-custom-scrollbars, react-data-table-component, react-leaflet, react-leaflet-canvas-layer, react-leaflet-control, react-select, react-to-pdf, react-to-print, recharts, turf, uuidv4, xlsx.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Mapas e informação espacial; Mapas Leaflet; Planilhas; Impressão; Regra de carência; Regra de dosagem; Regra de deriva; Rotas backend correspondentes localizadas.

              Planejamento comercial

              Previsão de resultados e câmbio

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar previsões, acompanhamento de resultados e contexto de câmbio.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Planilhas.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, moment, prop-types, react, react-select, uuidv4, xlsx.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Planilhas; Rotas backend correspondentes localizadas.

              Packing e capacidade

              Programação de processamento

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a programação de processamento.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão de projetos

              Projetos

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações de projetos.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              RH e operação

              Quantidade de funcionários

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar indicadores de quantidade de colaboradores.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Qualidade agrícola

              Qualidade de campo e checklists

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar checklists, respostas e avaliação de qualidade de campo.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, dexie, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              Gestão de pessoas

              Visão de RH

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar acesso às informações de recursos humanos.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              SST e geoinformação

              Riscos de segurança do trabalho

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar riscos de segurança do trabalho no contexto agrícola.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Serviços corporativos

              Ramais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar consulta aos ramais corporativos.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Packing e qualidade

              Refugo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar leitura de refugo na operação.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Analytics

              Relatórios BI

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Integrar o acesso a relatórios de BI.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              RH e operação

              Resumo de mão de obra

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar leitura consolidada de mão de obra.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Gestão

              Ritual gerencial

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações para acompanhamento gerencial.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Auditoria e qualidade

              Sistema de gestão da qualidade

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar auditorias, registros, papéis e acompanhamento da qualidade.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, moment, react, react-file-base64, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Qualidade e analytics

              Relatórios de qualidade

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar relatórios vinculados ao SGQ.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, react, react-file-base64, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks.

              RH e jornadas

              Saldo de banco de horas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar o acompanhamento do saldo de horas.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Qualidade de serviço

              Satisfação

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações de satisfação.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, moment, react.

              Segurança e gestão

              Segurança

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar informações do módulo identificado como Segurança.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados.

              Stack observada: @material-ui/core, @nivo/bar, moment, react.

              Compras e orçamento

              Solicitações de compras

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar itens, centros e solicitações, com contexto local e sincronização no código.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks.

              Stack observada: @material-ui/core, @material-ui/icons, dexie, moment, react, react-select.

              Mecanismos: Persistência IndexedDB via Dexie; Camada de dados local; Handlers de sincronização; Referências a sincronização; Estado por hooks; Rotas backend correspondentes localizadas.

              Inovação e melhoria contínua

              Sugestões de melhoria

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar submissão, avaliação e tratamento de sugestões e registros associados.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Integração HTTP; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @material-ui/icons, axios, moment, react.

              Mecanismos: Referências a sincronização; Estado por hooks; Efeitos e carregamento por hooks; Integração HTTP; Rotas backend correspondentes localizadas.

              Manutenção e gestão

              UGB Oficina

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão da unidade de oficina.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Operação agrícola

              Validação de colheita

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a leitura de validação da colheita.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Pessoas e operação

              Validação MDO

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar validação de mão de obra no módulo MDO.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Rotas backend correspondentes localizadas.

              Stack observada: @material-ui/core, @nivo/pie, moment, react.

              Mecanismos: Rotas backend correspondentes localizadas.

              Pessoas e operação

              Validação de mão de obra

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a visão de validação de mão de obra.

              Competências: Integração de informações; Interface React; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Operação e vigilância

              Monitoramento de vigias

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar acompanhamento de vigias e informação espacial.

              Competências: Modelagem de processo; Engenharia frontend; Estado e interação; Integração de dados; Mapas e informação espacial; Mapas Leaflet.

              Stack observada: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf.

              Mecanismos: Mapas e informação espacial; Mapas Leaflet.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — colaboradores e histórico

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar colaboradores e histórico no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — unidades e papéis

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar unidades e papéis no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — 5S

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar 5S no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — avaliação humana

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar avaliação humana no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — plano de ação

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar plano de ação no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — qualificação técnica

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar qualificação técnica no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — requalificação técnica

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar requalificação técnica no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              Submódulo de Gestão UGB; relacionado ao case principal

              Gestão UGB — sugestões de melhoria

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar sugestões de melhoria no fluxo de gestão das unidades.

              Competências: Modelagem organizacional; Interfaces de gestão; Reuso de componentes.

              Stack observada: React, JavaScript.

              Mecanismos: Código do fluxo de gestão UGB.

              SIA / SIAgro — fluxos de dados, indicadores e desenvolvimento mobile

              Detalhamento de 48 fluxos e módulos técnicos do checkout, ETL e aplicativo mobile. Há sobreposição com o catálogo de negócio: um processo pode ter tela, API, importação e visualização, apresentados em suas respectivas camadas.

              Produção agrícola

              Apontamentos de produção

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Integrar registros de produção para análise operacional.

              Competências: ETL SQL; persistência em lote; modelagem de apontamentos.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Relacionamento entre tabelas na consulta.

              Pessoas e capacidade

              Jornadas operacionais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Consolidar jornadas para relacionar tempo e operação.

              Competências: Integração de bases; jornadas; transformações SQL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Relacionamento entre tabelas na consulta.

              Qualidade

              Inspeções de UGB

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Normalizar inspeções e evitar duplicação pelo identificador do registro.

              Competências: Deduplicação; normalização; inspeções; ETL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote.

              Packing e rastreabilidade

              Origem de pallets

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Consolidar a origem de pallets para relacionar produção e inspeções.

              Competências: Rastreabilidade de dados; integração SQL; persistência.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Agregação na consulta SQL.

              Gestão de produção

              Metas de produção

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Importar metas para comparar a operação com seus referenciais.

              Competências: Modelagem de metas; SQL; integração de fontes.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Relacionamento entre tabelas na consulta.

              Gestão de desempenho

              Percentuais de metas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Consolidar percentuais relacionados às metas de produção.

              Competências: Indicadores; modelagem de dados; ETL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Agregação na consulta SQL.

              Rendimento e packing

              Rendimento por ficha e dia

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Integrar rendimento diário por ficha.

              Competências: Granularidade temporal; indicadores de rendimento; SQL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote.

              Rendimento e packing

              Atualização de rendimento

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Manter uma segunda leitura de rendimentos para cruzamentos posteriores.

              Competências: Integração de versões de dados; persistência; modelagem temporal.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Agregação na consulta SQL.

              Produção

              Total produzido

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar totais produzidos no data warehouse.

              Competências: Agregação SQL; carga de dados; análise operacional.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Agregação na consulta SQL.

              Gestão agrícola

              Produção por fazenda

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Separar os totais de produção pela dimensão fazenda.

              Competências: Dimensões analíticas; agregação; integração SQL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Cadastros e organização

              UGBs e fazendas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Integrar a relação entre unidades de gestão e fazendas.

              Competências: Modelagem organizacional; dados de referência; ETL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Relacionamento entre tabelas na consulta.

              Packing

              Embalagem por UGB

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Consolidar registros de embalagem ligados à unidade de gestão.

              Competências: ETL; períodos; embalagem; persistência relacional.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Packing

              Embalagem diária

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a granularidade diária dos registros de embalagem.

              Competências: Granularidade diária; normalização; indicadores operacionais.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Operações de campo

              Base de LUGB Campo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Estruturar a base para análises das operações de campo.

              Competências: Camada analítica; SQL; cargas reutilizáveis.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Agregação na consulta SQL.

              Pessoas e campo

              Vínculo funcionário–UGB

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Consolidar a relação entre colaboradores e unidades de gestão.

              Competências: Modelagem de vínculos; parametrização semanal; SQL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Relacionamento entre tabelas na consulta.

              Campo e produtividade

              Metas de produção de campo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Importar metas de produção para as operações de campo.

              Competências: Metas operacionais; ETL; integração de domínios.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Relacionamento entre tabelas na consulta.

              Campo e qualidade

              Meta de qualidade por UGB

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Estruturar referenciais de qualidade por unidade de gestão.

              Competências: Qualidade; modelagem de metas; SQL.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Planejamento de campo

              Composição de metas de campo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar jornadas, colaboradores e metas no processamento do campo.

              Competências: Cruzamento de entidades; regra de negócio; períodos e metas.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Estrutura operacional de campo

              NUGB de campo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Importar a estrutura NUGB usada nas análises de campo.

              Competências: Dados de referência; consultas parametrizadas; integração.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas.

              Campo e pessoas

              Qualidade por funcionário e dia

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Disponibilizar a qualidade na granularidade colaborador/dia.

              Competências: Granularidade analítica; qualidade; parametrização semanal.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Qualidade agrícola

              Qualidade de campo

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Consolidar os dados de qualidade das atividades de campo.

              Competências: Qualidade operacional; SQL; integração de fontes.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Agregação na consulta SQL; Relacionamento entre tabelas na consulta.

              Qualidade e gestão

              Desdobramento de qualidade

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar metas de qualidade e resultados por funcionário/dia.

              Competências: Cruzamento de dados; metas; processamento em lotes.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas.

              Packing e qualidade

              Qualidade do packing

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar inspeções, origem de pallets e dados de qualidade.

              Competências: Rastreabilidade; integração entre tabelas; regras de transformação.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Cruzamento com registro específico.

              Packing e rendimento

              Qualidade NUGB no packing

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Cruzar dados de rendimento por ficha/dia para uma visão de qualidade.

              Competências: Cruzamento temporal; indicadores de qualidade; modelos relacionais.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Cruzamento com registro específico.

              Packing e gestão

              Consolidação LUGB Packing

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Reunir qualidade, metas, fazendas, produção e percentuais.

              Competências: Integração de indicadores; camada analítica; múltiplos domínios.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Cruzamento com registro específico.

              Packing e capacidade

              Metas do packing

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar apontamentos, jornadas e metas da embalagem.

              Competências: Metas; capacidade operacional; relacionamento de entidades.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas.

              Integração corporativa

              APPT e integração Farmlog

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar apontamentos e vínculos com colaboradores Farmlog.

              Competências: Oracle driver; integração entre sistemas; persistência em lotes.

              Stack observada: Node.js, JavaScript, SQL, Sequelize.

              Mecanismos: Persistência de registros em lote; Leitura de coleções persistidas; Relacionamento entre tabelas na consulta.

              Catracas, pessoas e operação

              Movimentação e sentido de acesso

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar entradas, saídas e sentido de circulação.

              Competências: Modelagem de eventos; análise temporal.

              Stack observada: Node.js, Moment.js, SQL Server, Oracle.

              Mecanismos: Agrupamento de registros; Persistência de registros em lote.

              Catracas, pessoas e operação

              Distribuição horária de acessos

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Agregar entradas e saídas por faixas de horário.

              Competências: Agregação temporal; distribuição de eventos.

              Stack observada: Node.js, Moment.js, SQL Server, Oracle.

              Mecanismos: Agrupamento de registros; Persistência de registros em lote.

              Catracas, pessoas e operação

              Disponibilidade operacional

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Calcular disponibilidade a partir dos eventos observados.

              Competências: Indicadores de pessoas; regras temporais.

              Stack observada: Node.js, Moment.js, SQL Server, Oracle.

              Mecanismos: Agrupamento de registros; Persistência de registros em lote.

              Catracas, pessoas e operação

              Utilização das catracas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Examinar utilização e caminhos de entrada e saída.

              Competências: Indicadores de utilização; análise de fluxo.

              Stack observada: Node.js, Moment.js, SQL Server, Oracle.

              Mecanismos: Agrupamento de registros; Persistência de registros em lote.

              Catracas, pessoas e operação

              Visitantes e circulação por setor

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Relacionar acesso com setores e visitantes.

              Competências: Segmentação; dimensões organizacionais.

              Stack observada: Node.js, Moment.js, SQL Server, Oracle.

              Mecanismos: Agrupamento de registros; Persistência de registros em lote.

              Catracas, pessoas e operação

              Frequência de pessoas

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar frequência de visitas e recorrência.

              Competências: Frequência; períodos; analytics operacional.

              Stack observada: Node.js, Moment.js, SQL Server, Oracle.

              Mecanismos: Agrupamento de registros; Persistência de registros em lote.

              Coleta corporativa

              Construtor dinâmico de formulários

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Compor páginas, painéis, linhas e componentes com estado Redux.

              Competências: Modelagem de interfaces; reducers; composição de componentes.

              Stack observada: React, Redux, Material UI.

              Operação de dados

              Agenda de rotinas operacionais

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Definir rotinas periódicas de importação e meteorologia.

              Competências: Agendamento; orquestração; integração de jobs.

              Stack observada: Agenda, MongoDB, Agendash.

              Mecanismos: Registro de tarefas agendadas; Definição de periodicidade.

              Planejamento agrícola

              Reestimativa e datas reais de colheita

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar integração com reestimativas e datas de colheita.

              Competências: Integração de processos; planejamento; modelagem agrícola.

              Stack observada: Node.js, SQL, Sequelize.

              Qualidade dos dados

              Validação e rastreabilidade de erros

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Validar campos e organizar registros de erros na integração.

              Competências: Validação de dados; regras; rastreabilidade.

              Stack observada: JavaScript, Sequelize.

              Mecanismos: Persistência de registros em lote.

              Operações de campo

              Ordens de serviço mobile

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar ordens de serviço e seus dados na aplicação SIAgro.

              Competências: Desenvolvimento mobile; regras de negócio; interfaces operacionais.

              Stack observada: React Native, Expo.

              Mecanismos: Relacionamento entre tabelas na consulta.

              Operações de campo

              Apontamentos mobile

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Registrar apontamentos e dados da atividade no aplicativo.

              Competências: Coleta mobile; modelagem de registros; interação.

              Stack observada: React Native, Expo.

              Mecanismos: Armazenamento local no aplicativo.

              Pessoas e campo

              Colaboradores nos apontamentos

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Associar colaboradores ao registro operacional.

              Competências: Modelagem de vínculos; componentes mobile; cadastros.

              Stack observada: React Native.

              Mecanismos: Armazenamento local no aplicativo.

              Qualidade agrícola

              Qualidade mobile

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Capturar informações de qualidade no fluxo de apontamento.

              Competências: Captura de qualidade; modelagem de domínio; formulários mobile.

              Stack observada: React Native, Expo.

              Mecanismos: Armazenamento local no aplicativo.

              Gestão de campo

              Metas e UGBs nas ordens

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Representar metas e unidades de gestão no fluxo de ordens de serviço.

              Competências: Modelagem operacional; componentes; contexto da ordem.

              Stack observada: React Native.

              Mecanismos: Armazenamento local no aplicativo.

              Indicadores

              Dashboard operacional mobile

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Apresentar indicadores e gráficos na aplicação mobile.

              Competências: Visualização de dados; gráficos; experiência mobile.

              Stack observada: React Native, Victory Native.

              Mecanismos: Armazenamento local no aplicativo.

              Engenharia mobile

              Persistência local reutilizável

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Finalidade: Organizar operações de armazenamento local para objetos do aplicativo.

              Competências: Persistência local; abstração de CRUD; reuso.

              Stack observada: React Native, AsyncStorage.

              Mecanismos: Armazenamento local no aplicativo.

              Catálogo completo de projetos e repertório

              38 projetos e referências, incluindo produtos, pesquisa, protótipos, estudos, versões anteriores e referências. O contexto e o alcance de cada entrada determinam como ela contribui para a trajetória.

              Engenharia de software · Projeto do estágio hospitalar

              EBSERH — gestão de indicadores hospitalares

              Contexto: Estágio no Hospital Universitário de Petrolina — EBSERH

              Vínculo: Estágio · Hospital Universitário de Petrolina

              Área de aplicação: Saúde, gestão hospitalar e planejamento estratégico.

              Público e contexto: Equipes e gestores do Hospital Universitário de Petrolina.

              Objetivo: Organizar indicadores, avaliações e acompanhamento do planejamento hospitalar.

              Sistema de gestão de indicadores e avaliações desenvolvido no contexto do estágio no Hospital Universitário de Petrolina. Organiza indicadores, responsáveis, setores de coleta e registros de avaliação em uma aplicação Java EE com persistência relacional e interfaces JSF/PrimeFaces para cadastro, consulta e visualização.

              Problema e público: Organizar indicadores e suas avaliações — Gestores e equipes administrativas do hospital.

              Entrega: Entidades de indicadores e avaliações, beans de negócio e telas administrativas.

              Profundidade demonstrada: Projeto do estágio hospitalar: profundidade expressa pela arquitetura, métodos e artefatos.

              Estrutura: Aplicação Java EE com entidades e persistência, serviços de negócio e interface JSF para gestão de indicadores e avaliações.

              Métodos: Modelagem de entidades; CRUD; camadas EJB/JPA e apresentação JSF.

              Áreas de aplicação: Gestão hospitalar; indicadores e avaliação organizacional.

              Stack

              • Java
              • Java EE
              • EJB
              • JPA
              • Hibernate
              • JSF
              • PrimeFaces
              • XHTML
              • JPQL
              • Apache Ant
              • NetBeans

              Habilidades

              • Modelagem de domínio hospitalar
              • Arquitetura em camadas
              • Persistência ORM
              • Consultas JPQL
              • Gestão de indicadores
              • Visualização de dados
              • CRUD

              Repositório público — EBSERH

              Engenharia de software · Projeto da faculdade

              The Game Project — gestão de projetos com gamificação

              Contexto: Projeto desenvolvido na faculdade

              Vínculo: Projeto acadêmico · The Game Project

              Área de aplicação: Gestão de projetos, gamificação e colaboração.

              Público e contexto: Equipes de projetos; desenvolvimento acadêmico na faculdade.

              Objetivo: Representar projetos, etapas e progressão por missões, experiência e recompensas.

              Aplicação acadêmica de gestão de projetos que utiliza conceitos de RPG para representar projetos, tarefas, participantes, progressão e recompensas. Organiza aventuras, batalhas e históricos em entidades persistidas e interfaces web, incluindo uma visualização de cronograma para tornar o acompanhamento de atividades mais interativo.

              Problema e público: Representar tarefas e progressão de projetos através de aventuras — Equipes e alunos em atividades de projeto.

              Entrega: Aplicação web acadêmica com aventuras, personagens, histórico, tarefas e progressão.

              Profundidade demonstrada: Projeto da faculdade: profundidade expressa pela arquitetura, métodos e artefatos.

              Estrutura: Aplicação web com entidades, acesso a dados, controle de interface e persistência MySQL; a gamificação relaciona aventuras, batalhas e progressão.

              Métodos: Regras de mundo e progressão; persistência relacional; sessão e autorização; DAO.

              Áreas de aplicação: Gestão de projetos; gamificação; RPG.

              Stack

              • Java
              • JSF
              • PrimeFaces
              • JPA
              • Hibernate
              • MySQL
              • JPQL
              • Quartz
              • XHTML
              • JavaScript
              • jQuery
              • Apache Ant
              • NetBeans

              Habilidades

              • Modelagem de domínio
              • Gamificação de processos
              • Arquitetura MVC
              • Persistência relacional
              • Regras de negócio
              • Visualização de cronogramas
              • Gerenciamento de sessões

              Repositório público — The Game Project

              Ciência de dados · Pesquisa aplicada

              EFS-AHP — seleção de atributos e decisão multicritério

              Contexto: Pesquisa vinculada ao doutorado profissional em Engenharia de Software — confirmado por Danillo

              Vínculo: Doutorado · CÉSAR School

              Área de aplicação: Ciência de dados, Machine Learning e decisão multicritério.

              Público e contexto: Pesquisa aplicada no doutorado em Engenharia de Software.

              Objetivo: Selecionar atributos e comparar alternativas de modelos por desempenho, dimensionalidade e custo.

              Framework de pesquisa que combina seleção de atributos, algoritmos evolutivos e decisão multicritério AHP para estudar modelos em diferentes bases. Reúne experimentos comparativos, métodos como Random Forest, LASSO e PCA e análises estatísticas para investigar o equilíbrio entre qualidade preditiva, quantidade de atributos e custo de treinamento.

              Problema e público: Selecionar atributos conciliando critérios de desempenho — Pesquisadores e analistas de modelos.

              Entrega: Três frentes de experimentos, scripts e notebooks de comparação estatística.

              Profundidade demonstrada: Pesquisa aplicada do doutorado: métodos, baselines e avaliação experimental.

              Estrutura: Experimentos organizados por bases e métodos, com rotinas evolutivas, avaliação multicritério, notebooks estatísticos e ambiente conteinerizado.

              Métodos: Algoritmos genéticos; AHP; comparação com Random Forest, LASSO, PCA, t-SNE e UMAP; estatística inferencial.

              Áreas de aplicação: Ciência de dados; pesquisa experimental; decisão multicritério.

              Stack

              • JavaScript
              • Node.js
              • Python
              • Jupyter
              • Random Forest
              • LASSO
              • PCA
              • t-SNE
              • UMAP
              • AHP
              • Docker
              • pandas
              • NumPy
              • scikit-learn
              • SciPy
              • DEAP

              Habilidades

              • Seleção de atributos
              • Otimização evolutiva
              • Decisão multicritério
              • Desenho experimental
              • Análise estatística

              Repositório público — EFS-AHP

              Engenharia de software · Aplicação corporativa histórica

              Agrodan — integração de dados e sistemas operacionais componentes da aplicação

              Contexto: Experiência profissional na Agrodan

              Vínculo: Experiência profissional · Agrodan — trajetória de cargos

              Área de aplicação: Agronegócio, operações de campo, packing, qualidade, logística e gestão.

              Público e contexto: Equipes de campo, operação, administração e gestores da Agrodan.

              Objetivo: Integrar registros operacionais, regras de negócio e indicadores para apoiar a execução e a gestão.

              Ecossistema de aplicações da experiência profissional na Agrodan que reúne integração de dados agrícolas, indicadores de acesso e disponibilidade, formulários corporativos, coleta meteorológica e módulos mobile SIAgro. Combina backend Node.js, SQL e persistência relacional com interfaces React e React Native/Expo para digitalizar processos e apoiar a leitura das operações.

              Problema e público: Integrar dados e apoiar registro e acompanhamento das operações — Equipes operacionais, gestores e colaboradores da Agrodan.

              Entrega: Ecossistema web, backend de integração e aplicativo SIAgro; nove frentes documentadas em AGRODAN_PROJETOS.md.

              Profundidade demonstrada: Sistema corporativo modular: processos de negócio, dados e interfaces componentes da aplicação

              Estrutura: Frontend React/Redux, backend Express modular, camadas de integração e processamento de dados e aplicativo React Native/Expo para processos SIAgro.

              Métodos: ETL SQL; importação em lotes; modelagem de domínio; formulários; indicadores; jobs; persistência mobile.

              Áreas de aplicação: Agronegócio; operações; produção; qualidade; pessoas; meteorologia.

              Stack

              • JavaScript
              • Node.js
              • Express
              • SQL
              • Sequelize
              • Oracle
              • oracledb
              • Moment.js
              • mssql
              • React
              • Redux
              • Nivo
              • Umzug
              • React Redux
              • Material UI
              • JSS
              • Jest / react-scripts
              • Axios
              • axios-https-proxy-fix
              • Agenda
              • MongoDB
              • Agendash
              • Cron
              • React Native
              • Expo
              • React Navigation
              • AsyncStorage
              • Victory Native
              • Galio Framework
              • Expo File System
              • Expo Image Manipulator

              Habilidades

              • Engenharia de dados
              • ETL
              • Integração de bases operacionais
              • Transformação SQL
              • Modelagem de dados
              • Persistência em lote
              • Reuso de arquitetura
              • Analytics operacional
              • Agregação temporal
              • Definição de indicadores
              • Modelagem de eventos
              • Integração SQL Server/Oracle
              • Visualização de dados
              • Modelagem de domínio
              • APIs HTTP
              • CRUD
              • Camada de acesso a dados
              • Modelagem relacional
              • Evolução de schemas
              • Engenharia frontend
              • Modelagem de interfaces dinâmicas
              • Gerenciamento de estado
              • Composição de componentes
              • Testes de reducers
              • Ingestão de APIs
              • Normalização de JSON
              • Modelagem temporal
              • Integração de dados ambientais
              • Persistência relacional
              • Orquestração de jobs
              • Automação de processos
              • Agendamento
              • Separação de execução e lógica de domínio
              • Integração de sistemas
              • Modelagem do domínio agrícola
              • Transformação de dados
              • Automação de atualização operacional
              • Desenvolvimento mobile
              • Digitalização de processos agrícolas
              • Persistência local
              • Integração de APIs
              • Visualização de indicadores
              • Interfaces de apontamento e qualidade
              • Qualidade de dados
              • Validação de regras de negócio
              • Rastreabilidade de erros
              • Migrations
              • Arquitetura reutilizável

              Ciência de dados · Laboratório

              Algoritmos genéticos — irrigação e pesquisa operacional

              Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

              Vínculo: Projetos independentes, pesquisa e produtos

              Área de aplicação: Pesquisa operacional e programação de irrigação.

              Público e contexto: Estudos de otimização agrícola.

              Objetivo: Explorar algoritmos genéticos para problemas de programação e restrições.

              Laboratório em JavaScript para explorar algoritmos genéticos, aplicações em irrigação e formulações de pesquisa operacional. Mantém funções, bases e resultados separados para estudar soluções de otimização e critérios de avaliação.

              Problema e público: Explorar soluções para problemas com restrições — Estudos de alocação e planejamento de recursos.

              Entrega: Scripts e experimentos de algoritmos genéticos e otimização de irrigação.

              Profundidade demonstrada: Laboratório: profundidade expressa pela arquitetura, métodos e artefatos.

              Estrutura: Rotinas experimentais de representação, evolução e avaliação de soluções, com formulações de pesquisa operacional e registro de bases e resultados.

              Métodos: Busca evolutiva; avaliação de candidatos; formulação matemática com GLPK.

              Áreas de aplicação: Irrigação; agricultura; pesquisa operacional.

              Stack

              • JavaScript
              • Node.js
              • GLPK.js
              • ml-confusion-matrix
              • Blessed

              Habilidades

              • Otimização evolutiva
              • Pesquisa operacional
              • Modelagem de restrições
              • Avaliação de modelos

              Arquivo e estudos · Backup

              Backup da pesquisa EFS-AHP

              Contexto: Backup do acervo técnico

              Vínculo: Projetos independentes, pesquisa e produtos

              Área de aplicação: Ciência de dados, Machine Learning e decisão multicritério.

              Público e contexto: Pesquisa aplicada no doutorado em Engenharia de Software.

              Objetivo: Selecionar atributos e comparar alternativas de modelos por desempenho, dimensionalidade e custo.

              Cópia de materiais da pesquisa EFS-AHP, incluindo experimentos, modelos e análises estatísticas. Serve como acervo de versões e recuperação de estudos.

              Problema e público: Guardar uma versão da pesquisa — Pesquisador.

              Entrega: Cópia da família EFS-AHP; não constitui novo resultado independente.

              Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

              Estrutura: Experimentos organizados por bases e métodos, com rotinas evolutivas, avaliação multicritério, notebooks estatísticos e ambiente conteinerizado.

              Métodos: Versionamento e preservação de experimentos.

              Áreas de aplicação: Preservação de pesquisa EFS-AHP.

              Stack

              • JavaScript
              • Python
              • Jupyter
              • Docker
              • pandas
              • NumPy
              • scikit-learn
              • SciPy
              • DEAP

              Habilidades

              • Organização de experimentos

              Ciência de dados · MVP analítico

              Cartola Oracle — previsão probabilística e otimização de escalações

              Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

              Vínculo: Projetos independentes, pesquisa e produtos

              Área de aplicação: Esportes, fantasy football, previsão probabilística e otimização.

              Público e contexto: Pesquisa de desempenho e composição de escalações no Cartola.

              Objetivo: Estimar desempenho e selecionar escalações considerando orçamento e restrições.

              Pipeline para transformar históricos de desempenho do Cartola em estimativas probabilísticas e escalações sob restrições. Usa estados e cadeias de Markov para representar desempenho e programação inteira para escolher atletas respeitando orçamento e formação, conectando previsão a uma decisão executável.

              Problema e público: Apoiar escalações sob orçamento e formação — Participantes e analistas do Cartola.

              Entrega: Pipeline de dados, modelos probabilísticos e otimizador de escalações.

              Profundidade demonstrada: MVP analítico: profundidade expressa pela arquitetura, métodos e artefatos.

              Estrutura: Pipeline que separa coleta e preparação dos dados, construção de atributos, modelos probabilísticos, otimização e aplicação de consulta; notebooks apoiam a exploração.

              Métodos: ETL histórico; engenharia de atributos; estados de Markov; programação inteira OR-Tools/CBC.

              Áreas de aplicação: Esporte; fantasy football; análise probabilística.

              Stack

              • Python
              • pandas
              • NumPy
              • PyArrow
              • Parquet
              • OR-Tools
              • CBC
              • Jupyter
              • Requests

              Habilidades

              • Engenharia de dados
              • Modelagem probabilística
              • Otimização inteira
              • ETL
              • Arquitetura de pipelines

              Repositório público — Cartola Oracle

              IA aplicada · Aplicação em desenvolvimento

              ClassPlanner — planejamento de aulas assistido por IA

              Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

              Vínculo: Projetos independentes, pesquisa e produtos

              Área de aplicação: Educação e planejamento pedagógico.

              Público e contexto: Professores.

              Objetivo: Organizar planos de aula com contexto pedagógico, BNCC, objetivos, metodologia e avaliação.

              Aplicação para apoiar a criação e a organização de planos de aula, com interface baseada em informações da BNCC e integração com Gemini. Reúne frontend, API, autenticação e persistência para transformar escolhas pedagógicas em um fluxo de planejamento assistido por IA.

              Problema e público: Apoiar a elaboração e organização de planos de aula — Professores.

              Entrega: Aplicação web com planejamento assistido e backend persistente; demos e partes incompletas devem ser contextualizadas.

              Profundidade demonstrada: Aplicação em desenvolvimento: profundidade expressa pela arquitetura, métodos e artefatos.

              Estrutura: Frontend organizado por páginas e hooks e backend com controladores, serviços, repositórios, rotas, banco de dados e integração com modelos de linguagem.

              Métodos: Integração Gemini; contexto BNCC; autenticação; controllers/services/repositories.

              Áreas de aplicação: Educação; planejamento pedagógico.

              Stack

              • JavaScript
              • React
              • Node.js
              • Express
              • SQLite
              • Gemini
              • JWT
              • bcrypt
              • styled-components

              Habilidades

              • Integração de LLMs
              • Desenvolvimento full stack
              • APIs REST
              • Autenticação
              • Modelagem de fluxos

              IA aplicada · Sistema local

              DVR Person Alert — visão computacional e alertas operacionais

              Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

              Vínculo: Projetos independentes, pesquisa e produtos

              Área de aplicação: Segurança, monitoramento por vídeo e visão computacional.

              Público e contexto: Monitoramento de câmeras e revisão de eventos.

              Objetivo: Detectar eventos, coletar exemplos revisados e adaptar a classificação ao contexto das câmeras.

              Sistema de monitoramento de canais RTSP que detecta pessoas e envia alertas com imagens ou vídeos pelo Telegram. Um painel local permite acompanhar o serviço, configurar regiões de interesse e revisar detecções; módulos de estado e transporte organizam a continuidade operacional.

              Problema e público: Transformar detecções de vídeo em eventos e notificações — Operadores de câmeras.

              Entrega: Monitor de vídeo, dashboard e componentes de envio Telegram com estado persistente.

              Profundidade demonstrada: Sistema local: profundidade expressa pela arquitetura, métodos e artefatos.

              Estrutura: Monitoramento de vídeo, painel de gestão, tratamento temporal de identidade, revisão de eventos e entrega de alertas por Telegram em componentes separados.

              Métodos: YOLO; inferência OpenCV/PyTorch; identidade temporal; persistência; outbox e transporte de alertas.

              Áreas de aplicação: Monitoramento de vídeo; detecção de pessoas; alertas.

              Stack

              • Python
              • OpenCV
              • Ultralytics
              • YOLO
              • Flask
              • RTSP
              • FFmpeg
              • Telegram Bot API
              • psutil
              • PyTorch

              Habilidades

              • Visão computacional
              • Inferência em vídeo
              • Integração de serviços
              • Persistência de estado
              • Resiliência operacional

              Arquivo e estudos · Configuração

              Google Auth — configuração de integração

              Contexto: Configuração de integração e autenticação

              Vínculo: Projetos independentes, pesquisa e produtos

              Área de aplicação: Autenticação e integração com serviços Google.

              Público e contexto: Configuração de integração de aplicações.

              Objetivo: Explorar a configuração de autenticação e acesso a serviços.

              Pasta de configuração de autenticação Google, sem uma aplicação própria identificada no inventário. Serve de apoio a integrações externas.

              Problema e público: Preparar acesso a serviços externos — Preparação de ambiente.

              Entrega: Material de configuração; não comprova entrega de integração e não deve expor credenciais.

              Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

              Estrutura: Configuração de autenticação e integração, com escopo de estudo e preparação de acesso.

              Métodos: Configuração de autenticação; sem aplicação identificada.

              Áreas de aplicação: Configuração de integração Google.

              Stack

                Habilidades

                  Automação e dados · Ferramenta local

                  Instabot — automação de navegador com estado persistente

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Marketing digital e automação de navegador.

                  Público e contexto: Rotinas operacionais em redes sociais.

                  Objetivo: Automatizar interações com estado persistente e controle de execução.

                  Ferramenta local que automatiza rotinas do Instagram em navegador real e registra usuários processados e interações. Utiliza configuração, sessão persistente e histórico para organizar execuções e reduzir repetição de operações.

                  Problema e público: Organizar rotinas de navegador e manter estado — Operação de rotinas sociais.

                  Entrega: Scripts de automação com organização de configuração e estado.

                  Profundidade demonstrada: Ferramenta local: profundidade expressa pela arquitetura, métodos e artefatos.

                  Estrutura: Configuração, gerenciamento de sessão, coleta de interações e execução de rotinas com persistência do estado operacional.

                  Métodos: Automação de navegador; sessão; coleta de interações; persistência de execução.

                  Áreas de aplicação: Redes sociais; automação de interação.

                  Stack

                  • JavaScript
                  • Node.js
                  • Playwright
                  • Chrome DevTools Protocol
                  • JSON
                  • dotenv

                  Habilidades

                  • Automação de navegador
                  • Persistência de estado
                  • Integração com interfaces
                  • Diagnóstico de execução

                  IA aplicada · MVP

                  Conversion CRM — funil conversacional e IA assistida

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Marketing, vendas e relacionamento com clientes.

                  Público e contexto: Operações comerciais e atendimento por conversas.

                  Objetivo: Organizar o funil e apoiar decisões conversacionais com histórico e sugestões de ação.

                  CRM local para organizar campanhas, leads e conversas com um fluxo SPIN assistido, fila de saída e histórico. Combina API, banco de dados e um motor de decisão com integração Gemini para apoiar respostas e encaminhamentos ao longo do funil.

                  Problema e público: Acompanhar conversas e apoiar conversão — Operadores comerciais.

                  Entrega: API e dashboard de CRM com motor conversacional; integração Gemini depende de outro ambiente local.

                  Profundidade demonstrada: MVP: profundidade expressa pela arquitetura, métodos e artefatos.

                  Estrutura: API, banco de dados, serviços, motor de decisão SPIN e integração Gemini; processamento de eventos e dashboard apoiam o fluxo conversacional.

                  Métodos: Modelagem de funil SPIN; filas; listeners/dispatchers; Gemini; persistência SQLite.

                  Áreas de aplicação: Vendas; marketing; relacionamento conversacional.

                  Stack

                  • JavaScript
                  • Node.js
                  • Express
                  • SQLite
                  • Gemini
                  • HTML
                  • CSS

                  Habilidades

                  • Modelagem de workflows
                  • Integração de LLMs
                  • Filas
                  • APIs REST
                  • Rastreabilidade

                  Engenharia de software · MVP de produto

                  Launch With Me — marketplace de validação de produtos

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Empreendedorismo, marketplace e validação de produtos.

                  Público e contexto: Criadores de produtos e potenciais usuários.

                  Objetivo: Conectar propostas de produtos, descoberta e validação em uma plataforma web.

                  Plataforma para conectar empresas que precisam validar produtos a usuários que executam missões e submetem evidências. A aplicação organiza papéis, campanhas e fluxos financeiros com Next.js e Supabase, oferecendo um case de modelagem de negócio em software.

                  Problema e público: Organizar missões e evidências para validação de produtos — Empresas, criadores e participantes de campanhas.

                  Entrega: Aplicação Next.js e estrutura Supabase para campanhas, missões e evidências; pagamentos e recursos planejados exigem confirmação.

                  Profundidade demonstrada: MVP de produto: profundidade expressa pela arquitetura, métodos e artefatos.

                  Estrutura: Rotas organizadas por papéis, operações de servidor, integrações centralizadas e persistência Supabase com funções e regras de acesso por linha.

                  Métodos: Papéis de acesso; RLS; RPC; migrations; créditos; fluxos de pagamento.

                  Áreas de aplicação: Empreendedorismo; validação de produtos; marketplace.

                  Stack

                  • TypeScript
                  • Next.js
                  • React
                  • Tailwind CSS
                  • Supabase
                  • PostgreSQL
                  • Stripe
                  • Zod
                  • React Hook Form

                  Habilidades

                  • Arquitetura full stack
                  • Modelagem de domínio
                  • Controle de acesso
                  • Fluxos transacionais
                  • Integração de pagamentos

                  Automação e dados · Ferramenta local

                  Job Assistant — automação supervisionada e ranking de aderência

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Carreira, recrutamento e automação supervisionada.

                  Público e contexto: Organização de oportunidades profissionais.

                  Objetivo: Coletar oportunidades e ordenar aderência com supervisão do usuário.

                  Assistente local para coletar e classificar vagas, organizar critérios de aderência e apoiar o preenchimento de candidaturas com revisão humana. Mantém configuração tipada, histórico SQLite e uma CLI para executar o fluxo e registrar decisões.

                  Problema e público: Organizar análise de aderência e rotinas de candidatura — Pessoa candidata a vagas.

                  Entrega: Assistente CLI com coleta, ranking, armazenamento e fluxo de revisão.

                  Profundidade demonstrada: Ferramenta local: profundidade expressa pela arquitetura, métodos e artefatos.

                  Estrutura: Automação de navegador, fluxo de candidatura, ranking de aderência, configuração, banco de dados e execução supervisionada.

                  Métodos: Playwright; regras de ranking; modelos Pydantic; CLI Typer; revisão humana.

                  Áreas de aplicação: Carreira; recrutamento; automação supervisionada.

                  Stack

                  • Python
                  • Playwright
                  • Pydantic
                  • Typer
                  • Rich
                  • PyYAML
                  • SQLite
                  • pytest
                  • Ruff

                  Habilidades

                  • Automação supervisionada
                  • Ranking baseado em regras
                  • Validação de dados
                  • Arquitetura modular
                  • Ferramentas CLI

                  Ciência de dados · Protótipo

                  Logística — roteamento e visualização geoespacial

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Logística, roteamento e análise geoespacial.

                  Público e contexto: Planejamento de deslocamentos e operações logísticas.

                  Objetivo: Representar pontos e rotas em mapas e apoiar decisões de percurso.

                  Protótipo web para explorar pontos, polígonos de fazenda e rotas em mapas. Combina visualização geoespacial com rotinas de roteamento e experimentos de algoritmos genéticos para estudar problemas de deslocamento e apoio à operação agrícola.

                  Problema e público: Explorar rotas e representar áreas geográficas — Estudos de planejamento operacional.

                  Entrega: Interface React/Leaflet de desenho e roteamento; pipeline completo de sensoriamento não demonstrado.

                  Profundidade demonstrada: Protótipo/experimentação: implementação exploratória sem escala comprovada.

                  Estrutura: Componentes de mapas, desenho e roteirização, funções de apoio e experimentos com algoritmos genéticos.

                  Métodos: Heurísticas de TSP; algoritmos genéticos; polígonos e mapas; exploração NDVI.

                  Áreas de aplicação: Logística; roteamento; geoinformação agrícola.

                  Stack

                  • JavaScript
                  • React
                  • Leaflet
                  • Leaflet Routing Machine
                  • Axios
                  • Canvas

                  Habilidades

                  • Modelagem geoespacial
                  • Heurísticas de roteamento
                  • Visualização de dados
                  • Otimização evolutiva

                  Automação e dados · Protótipo

                  Minhas Finanças — Open Finance e insights de transações

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Finanças pessoais, Open Finance e análise de transações.

                  Público e contexto: Organização financeira pessoal.

                  Objetivo: Integrar e analisar transações para apoiar o acompanhamento das finanças.

                  Aplicação local que integra dados bancários via Pluggy, persiste transações em SQLite e produz análises de despesas, recorrência e disponibilidade diária. Inclui modo demonstração e dashboard para tornar dados financeiros acessíveis em uma interface simples.

                  Problema e público: Consolidar transações e produzir leituras financeiras — Usuários de análise de transações.

                  Entrega: Servidor Python, motor analítico e dashboard demonstrativo.

                  Profundidade demonstrada: Protótipo/experimentação: implementação exploratória sem escala comprovada.

                  Estrutura: Servidor web, integração com a fonte de dados financeiros, motor de análise de transações e dashboard.

                  Métodos: Integração Pluggy; classificação por regras; agregações; SQLite.

                  Áreas de aplicação: Finanças pessoais; Open Finance.

                  Stack

                  • Python
                  • Biblioteca padrão Python
                  • SQLite
                  • Pluggy
                  • JavaScript
                  • HTML
                  • CSS

                  Habilidades

                  • Integração de APIs
                  • ETL
                  • Classificação por regras
                  • Analytics
                  • Visualização de dados

                  IA aplicada · Protótipo experimental

                  Mocap — estimação de pose e movimento no navegador

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Movimento humano, captura de pose e interação com avatares.

                  Público e contexto: Experimentos de interação corporal e visualização de movimento.

                  Objetivo: Estimar a pose em vídeo e conectar pontos do corpo à visualização no navegador.

                  Aplicação de motion capture que processa vídeo ou webcam para estimar poses e visualizar keypoints e esqueletos no navegador. Explora suavização de movimento e recursos 3D para aproximar inferência de visão computacional de ferramentas interativas de animação.

                  Problema e público: Capturar pose em vídeo e representar movimento — Experimentos de interação corporal.

                  Entrega: Aplicação de estimação de pose e visualização de movimento no navegador.

                  Profundidade demonstrada: Protótipo/experimentação: implementação exploratória sem escala comprovada.

                  Estrutura: Coordenação da inferência e da renderização, processamento de vídeo, estimação de pose e recursos para visualização do movimento.

                  Métodos: MoveNet; BlazePose/MediaPipe; inferência browser; mapeamento de pose; renderização Three/VRM.

                  Áreas de aplicação: Movimento humano; visão computacional; avatares.

                  Stack

                  • JavaScript
                  • Vite
                  • TensorFlow.js
                  • MoveNet
                  • BlazePose
                  • MediaPipe
                  • WebGL
                  • p5.js
                  • Three.js
                  • VRM

                  Habilidades

                  • Estimação de pose
                  • Inferência no navegador
                  • Processamento temporal
                  • Computação gráfica
                  • Integração de modelos

                  Ciência de dados · Laboratório com operação demo documentada

                  TraderMind — pesquisa quantitativa e pipeline de modelos

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: IA, Machine Learning e MLOps aplicados à pesquisa quantitativa.

                  Público e contexto: Pesquisa e experimentação de modelos e estratégias em mercados financeiros.

                  Objetivo: Estruturar o ciclo de dados, treinamento, validação temporal, inferência e supervisão de modelos; integrar sinais e políticas ao MetaTrader5.

                  Laboratório de pesquisa quantitativa e painel operacional para modelos de trading no MetaTrader 5. Reúne coleta de séries temporais, construção de features, treinamento, backtests, validação fora da amostra e integração de inferência por API a um bot, mantendo pesquisa e operação em módulos identificáveis.

                  Problema e público: Investigar modelos e conectar políticas ao terminal de negociação — Pesquisador e operação de demonstração.

                  Entrega: Notebooks, experimentos, API Flask, dashboard e conector Python ao terminal desktop MetaTrader5; não equivale a GUI desktop nativa própria.

                  Profundidade demonstrada: Laboratório com operação demo documentada: profundidade expressa pela arquitetura, métodos e artefatos.

                  Estrutura: Estudos e notebooks conectados a API de inferência, conector Python para MetaTrader5, configuração, supervisão e painéis operacionais.

                  Métodos: Validação temporal; classificação; features; ensembles; votação de agentes; simulated annealing; API de inferência.

                  Áreas de aplicação: Mercados financeiros; pesquisa quantitativa; automação de negociação.

                  Stack

                  • Python
                  • JavaScript
                  • MetaTrader 5
                  • pandas
                  • NumPy
                  • scikit-learn
                  • XGBoost
                  • Flask
                  • SQLite
                  • Jupyter
                  • PyTorch
                  • TensorFlow
                  • LightGBM
                  • CatBoost
                  • SciPy
                  • statsmodels
                  • DEAP
                  • joblib

                  Habilidades

                  • Séries temporais
                  • Feature engineering
                  • Validação fora da amostra
                  • Integração de inferência
                  • Arquitetura de pipelines

                  IA aplicada · Produto em evolução

                  Planejamento Xavier — produto de planejamento com IA

                  Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Planejamento pessoal, produtividade e desenvolvimento profissional.

                  Público e contexto: Pessoas que organizam objetivos, atividades e planos de desenvolvimento.

                  Objetivo: Relacionar objetivos, capacidade e execução com planejamento e revisão assistidos por IA.

                  Aplicação de planejamento pessoal que reúne objetivos, atividades, agenda e fluxos assistidos por IA. A arquitetura combina frontend tipado, banco e funções de backend com módulos de contexto e replanejamento para apoiar a evolução dos planos a partir das informações do usuário.

                  Problema e público: Relacionar contexto, metas, execução e replanejamento — Pessoas que organizam metas e atividades.

                  Entrega: Produto React/TypeScript com Supabase, funções de backend e configuração Capacitor.

                  Profundidade demonstrada: Produto em evolução: profundidade expressa pela arquitetura, métodos e artefatos.

                  Estrutura: Domínios de planejamento e contexto, componentes de interface, APIs, workers, persistência versionada e rotinas de simulação.

                  Métodos: Modelagem de contexto; grafo; simulação; aprendizagem; conselho de seis agentes por regras; funções de IA.

                  Áreas de aplicação: Planejamento pessoal; produtividade; apoio à decisão.

                  Stack

                  • TypeScript
                  • React
                  • Vite
                  • Tailwind CSS
                  • Radix UI
                  • TanStack Query
                  • Supabase
                  • PostgreSQL
                  • Deno
                  • Capacitor
                  • Recharts
                  • Zod

                  Habilidades

                  • Engenharia de produto
                  • Integração de LLMs
                  • Modelagem de workflows
                  • APIs
                  • Migrations
                  • Controle de acesso

                  Site publicado — Planejamento Xavier

                  Arquivo e estudos · Backup

                  Backup do Planejamento Xavier

                  Contexto: Backup do Planejamento Xavier

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Planejamento pessoal, produtividade e desenvolvimento profissional.

                  Público e contexto: Pessoas que organizam objetivos, atividades e planos de desenvolvimento.

                  Objetivo: Relacionar objetivos, capacidade e execução com planejamento e revisão assistidos por IA.

                  Cópia de uma versão do Planejamento Xavier, com interface React e scripts operacionais. Serve para preservar uma etapa anterior da evolução do produto.

                  Problema e público: Guardar uma versão do projeto — Desenvolvimento e manutenção.

                  Entrega: Cópia da família Planejamento Xavier; não constitui produto adicional.

                  Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

                  Estrutura: Domínios de planejamento e contexto, componentes de interface, APIs, workers, persistência versionada e rotinas de simulação.

                  Métodos: Backup e scripts operacionais.

                  Áreas de aplicação: Preservação do produto de planejamento.

                  Stack

                  • TypeScript
                  • React
                  • Supabase
                  • Tailwind CSS

                  Habilidades

                  • Evolução de produto

                  Arquivo e estudos · Exemplos de terceiros

                  PoseNet / ml5 — coleção de referências de ML

                  Contexto: Estudo de exemplos de terceiros

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Machine Learning e estimação de pose.

                  Público e contexto: Estudos e referências de modelos de visão computacional.

                  Objetivo: Explorar a integração de modelos existentes para identificar pontos do corpo.

                  Coleção local de exemplos da comunidade ml5 para explorar conceitos de Machine Learning em JavaScript, incluindo pose, segmentação e modelos generativos. Serve como material de estudo e referência de integração.

                  Problema e público: Consultar exemplos de inferência e interação — Estudo individual.

                  Entrega: Coleção ml5-examples de terceiros; autoria das implementações não atribuída a Danillo.

                  Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

                  Estrutura: Coleção de exemplos organizados por bibliotecas e tarefas de Machine Learning; integração de modelos existentes.

                  Métodos: Leitura e experimentação com exemplos ml5/PoseNet.

                  Áreas de aplicação: Referências educacionais de Machine Learning.

                  Stack

                  • JavaScript
                  • ml5.js
                  • p5.js
                  • TensorFlow.js

                  Habilidades

                  • Exploração de modelos no navegador

                  Arquivo e estudos · Template

                  React Native — ambiente inicial mobile

                  Contexto: Template de referência para desenvolvimento mobile

                  Vínculo: Projetos independentes, pesquisa e produtos

                  Área de aplicação: Desenvolvimento mobile.

                  Público e contexto: Estudos de interfaces e aplicações móveis.

                  Objetivo: Explorar a estrutura inicial de aplicações com React Native.

                  Projeto inicial gerado com React Native, contendo a tela padrão e configuração de desenvolvimento mobile. Serve como ambiente de exploração da ferramenta.

                  Problema e público: Preparar uma aplicação React Native — Estudo individual.

                  Entrega: Template hello; experiência de aplicativo de negócio aparece em Agrodan/sia_app.

                  Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

                  Estrutura: Template inicial de aplicação mobile e configuração de desenvolvimento.

                  Métodos: Scaffold React Native/TypeScript.

                  Áreas de aplicação: Desenvolvimento mobile; preparação de ambiente.

                  Stack

                  • TypeScript
                  • React Native
                  • React
                  • Metro
                  • Jest

                  Habilidades

                    Automação e dados · Legado

                    Scraper legado — coleta inicial de ofertas

                    Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                    Vínculo: Projetos independentes, pesquisa e produtos

                    Área de aplicação: Coleta de dados, ofertas e distribuição de conteúdo.

                    Público e contexto: Operações de acompanhamento e divulgação de ofertas.

                    Objetivo: Estruturar a coleta, o tratamento e a distribuição de informações de ofertas.

                    Versão inicial de scripts de coleta e comparação de ofertas, com requisições HTTP, parsing HTML e exportação tabular. Ajuda a documentar a evolução até o pipeline modular Scrapers.

                    Problema e público: Coletar e comparar ofertas — Exploração de coleta comercial.

                    Entrega: Scripts legados de coleta; etapa anterior da família Scrapers.

                    Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

                    Estrutura: Núcleo de coleta com adaptadores por site, execução, supervisão, dashboard e persistência; versões legadas estão separadas.

                    Métodos: Requisições HTTP; parsing; busca de produtos.

                    Áreas de aplicação: Comércio eletrônico; pesquisa de ofertas.

                    Stack

                    • JavaScript
                    • Node.js
                    • Axios
                    • Cheerio
                    • XLSX

                    Habilidades

                    • Web scraping
                    • Transformação de dados

                    Automação e dados · Pipeline operacional local

                    Scrapers — pipeline de ofertas e distribuição

                    Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                    Vínculo: Projetos independentes, pesquisa e produtos

                    Área de aplicação: Coleta de dados, ofertas e distribuição de conteúdo.

                    Público e contexto: Operações de acompanhamento e divulgação de ofertas.

                    Objetivo: Estruturar a coleta, o tratamento e a distribuição de informações de ofertas.

                    Pipeline Node.js para coletar ofertas de marketplaces, processar links e organizar distribuição por canais. A estrutura separa núcleo, adaptadores por site e entradas operacionais, incluindo supervisão, painel e evolução da persistência entre SQLite e PostgreSQL/Supabase.

                    Problema e público: Coletar, estruturar e distribuir ofertas de várias fontes — Operação de curadoria de ofertas.

                    Entrega: Pipeline modular de coleta e operação de ofertas com integrações e scripts de manutenção.

                    Profundidade demonstrada: Pipeline operacional local: profundidade expressa pela arquitetura, métodos e artefatos.

                    Estrutura: Núcleo de coleta com adaptadores por site, execução, supervisão, dashboard e persistência; versões legadas estão separadas.

                    Métodos: Adaptadores por site; automação e parsing; runner; supervisão; dashboard; persistência.

                    Áreas de aplicação: Comércio eletrônico; ofertas; distribuição comercial.

                    Stack

                    • JavaScript
                    • Node.js
                    • Axios
                    • Cheerio
                    • Puppeteer
                    • Express
                    • SQLite
                    • PostgreSQL
                    • Supabase
                    • Telegram
                    • WhatsApp Web

                    Habilidades

                    • Web scraping
                    • ETL
                    • Integração de APIs
                    • Arquitetura modular
                    • Observabilidade
                    • Automação operacional

                    Computação visual · Protótipo

                    Skeleton from Video — extração de esqueletos

                    Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                    Vínculo: Projetos independentes, pesquisa e produtos

                    Área de aplicação: Visão computacional e análise de movimento.

                    Público e contexto: Experimentação com vídeos e representação corporal.

                    Objetivo: Extrair e visualizar esqueletos a partir de vídeo.

                    Experimentos para detectar poses em vídeo e desenhar esqueletos a partir de keypoints. Inclui alternativas com BlazePose e scripts de renderização que ajudam a contextualizar a evolução do projeto Mocap.

                    Problema e público: Extrair e armazenar poses de pessoas — Experimentos de vídeo.

                    Entrega: Protótipos de extração de esqueleto; parte da mesma linha de pesquisa de Mocap.

                    Profundidade demonstrada: Protótipo/experimentação: implementação exploratória sem escala comprovada.

                    Estrutura: Variantes de detecção de pose com BlazePose e representação de posições corporais registradas.

                    Métodos: BlazePose; inferência em vídeo; variantes de detecção.

                    Áreas de aplicação: Visão computacional; captura de movimento.

                    Stack

                    • JavaScript
                    • HTML
                    • TensorFlow.js
                    • BlazePose
                    • p5.js

                    Habilidades

                    • Estimação de pose
                    • Visualização de keypoints

                    Arquivo e estudos · Script exploratório

                    SpeedTest — diagnóstico exploratório de rede

                    Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                    Vínculo: Projetos independentes, pesquisa e produtos

                    Área de aplicação: Redes e diagnóstico de conectividade.

                    Público e contexto: Exploração de desempenho da conexão.

                    Objetivo: Investigar medições e apresentação de dados de conectividade.

                    Script Node.js para executar um teste de velocidade e formatar dados de ping, download e upload. Serve como exercício de integração com processos externos e saída estruturada.

                    Problema e público: Experimentar medição de conectividade — Estudo de monitoramento.

                    Entrega: Script exploratório; referência indefinida a res impede afirmar funcionamento.

                    Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

                    Estrutura: Rotinas exploratórias de execução e requisições para diagnóstico de conectividade.

                    Métodos: Invocação de ferramenta externa; requisições.

                    Áreas de aplicação: Redes; diagnóstico de conectividade.

                    Stack

                    • JavaScript
                    • Node.js
                    • child_process
                    • speedtest-net
                    • fast-speedtest-api
                    • Axios

                    Habilidades

                    • Integração de processos

                    Arquivo e estudos · Sem código identificável

                    Unity — pasta de exploração

                    Contexto: Referência de estudo; sem código identificável

                    Vínculo: Projetos independentes, pesquisa e produtos

                    Área de aplicação: Desenvolvimento de jogos e ambientes interativos.

                    Público e contexto: Exploração de ferramentas de desenvolvimento.

                    Objetivo: Explorar o ambiente Unity; escopo de implementação limitado no inventário.

                    Pasta presente no inventário sem código de aplicação identificável nesta revisão. É uma referência a ser investigada antes de gerar conteúdo de experiência.

                    Problema e público: Contextualizar o material disponível — Estudo individual.

                    Entrega: Pasta de exploração; competência de implementação Unity ainda sem evidência.

                    Profundidade demonstrada: Estudo, referência, configuração ou versão histórica; alcance detalhado abaixo.

                    Estrutura: Exploração do ambiente; o inventário não contém uma implementação detalhada para descrever.

                    Métodos: Sem código identificável nesta pasta.

                    Áreas de aplicação: Exploração de desenvolvimento de jogos.

                    Stack

                      Habilidades

                        Engenharia de software · Produto em evolução

                        Utilibox — plataforma de ferramentas e produtos de conhecimento

                        Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                        Vínculo: Projetos independentes, pesquisa e produtos

                        Área de aplicação: Finanças, trabalho, engenharia de produção, decisão, educação, escrita, saúde, beleza, documentos, design e marketing.

                        Público e contexto: Público geral, estudantes, autores e profissionais.

                        Objetivo: Transformar cálculos, métodos e organização do conhecimento em ferramentas interativas acessíveis.

                        Plataforma web que reúne ferramentas de produtividade, análise e decisão, além de módulos de escrita e organização de conhecimento. A arquitetura combina processamento no navegador, funções externas, persistência e integrações comerciais para construir um ecossistema de utilidades com uma base comum.

                        Problema e público: Transformar métodos, cálculos e organização de conhecimento em ferramentas acessíveis — Público geral, estudantes, autores e profissionais usuários das ferramentas.

                        Entrega: Catálogo com 136 ferramentas únicas em 17 categorias comerciais, módulos Narra/Utilinotas e arquivos adicionais; status live é declarado, não validado em produção.

                        Profundidade demonstrada: Produto em evolução: profundidade expressa pela arquitetura, métodos e artefatos.

                        Estrutura: Ferramentas por domínio, módulos Narra e UtiliNotas, páginas e layouts compartilhados, políticas e integrações centralizadas e backend Supabase.

                        Métodos: Cálculos financeiros; MCDA; filas; Lean; SM-2; regras de domínio; edição documental; conhecimento narrativo; engenharia de produto.

                        Áreas de aplicação: Finanças; trabalho; produção; decisões; educação; escrita; saúde; beleza; documentos; design; marketing; cotidiano.

                        Stack

                        • JavaScript
                        • TypeScript
                        • Astro
                        • Node.js
                        • Supabase
                        • PostgreSQL
                        • Stripe
                        • Gemini
                        • CodeMirror
                        • KaTeX
                        • pdf-lib
                        • Playwright

                        Habilidades

                        • Arquitetura de produto
                        • Processamento de documentos
                        • Integração de LLMs
                        • Sincronização de dados
                        • Pagamentos
                        • Analytics

                        Abrir ferramenta — utilinotas

                        Engenharia de software · Variante

                        Utilibox Manga — variante de produto criativo

                        Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                        Vínculo: Projetos independentes, pesquisa e produtos

                        Área de aplicação: Finanças, trabalho, engenharia de produção, decisão, educação, escrita, saúde, beleza, documentos, design e marketing.

                        Público e contexto: Público geral, estudantes, autores e profissionais.

                        Objetivo: Transformar cálculos, métodos e organização do conhecimento em ferramentas interativas acessíveis.

                        Variante da base Utilibox com recursos e referências de apresentação ligados a narrativas e quadrinhos. Reutiliza a arquitetura de ferramentas, escrita e backend para explorar uma experiência criativa especializada.

                        Problema e público: Explorar uma variante da plataforma Utilibox — Exploração de segmento criativo.

                        Entrega: Variante da família Utilibox; contar recursos compartilhados uma vez e confirmar diferenciais de produto.

                        Profundidade demonstrada: Variante: profundidade expressa pela arquitetura, métodos e artefatos.

                        Estrutura: Ferramentas por domínio, módulos Narra e UtiliNotas, páginas e layouts compartilhados, políticas e integrações centralizadas e backend Supabase.

                        Métodos: Reuso de arquitetura Astro/Supabase; personalização visual e tipográfica.

                        Áreas de aplicação: Produtos criativos; escrita; apresentação visual de manga.

                        Stack

                        • JavaScript
                        • TypeScript
                        • Astro
                        • Supabase
                        • Stripe
                        • CodeMirror
                        • Gemini

                        Habilidades

                        • Evolução de produto
                        • Reuso de arquitetura
                        • Interfaces criativas

                        Web e documentos · Implementação local

                        Meu CV — apresentação profissional digital

                        Contexto: Iniciativa independente — portfólio de desenvolvimento, pesquisa e empreendedorismo

                        Vínculo: Projetos independentes, pesquisa e produtos

                        Área de aplicação: Apresentação profissional e desenvolvimento web.

                        Público e contexto: Recrutadores e leitores do currículo.

                        Objetivo: Apresentar trajetória, competências e projetos com idiomas e exportação para PDF.

                        Interface web para apresentar currículo e carta de apresentação, com conteúdo estruturado em JSON, modos de visualização e estilos de impressão. A pasta contém configuração de desenvolvimento e hospedagem Vercel; o arquivo de API PDF está vazio e não demonstra serviço de conversão implementado.

                        Problema e público: Apresentar a trajetória em interface web e impressão — Danillo e leitores do currículo.

                        Entrega: Currículo web e recursos de impressão; endpoint api/pdf.js vazio não comprova geração PDF no servidor.

                        Profundidade demonstrada: Implementação local: profundidade expressa pela arquitetura, métodos e artefatos.

                        Estrutura: HTML principal com dados estruturados, conteúdo bilíngue, controles de visualização e impressão pelo navegador.

                        Métodos: HTML/CSS/JavaScript; dados JSON; layouts de impressão; configuração Vercel.

                        Áreas de aplicação: Apresentação profissional; currículo digital; documentos.

                        Stack

                        • HTML
                        • CSS
                        • JavaScript
                        • JSON
                        • Vercel

                        Habilidades

                        • Interfaces responsivas
                        • Separação de conteúdo e apresentação
                        • Layouts de impressão
                        • Configuração de hospedagem

                        Repositório público — CV digital

                        Agentic AI, arquitetura de soluções e compliance educacional · Arquitetura funcional e técnica entregue; implementação em andamento

                        Globalcom Certification OS — arquitetura Agentic AI para certificação e compliance

                        Contexto: Modern Concept · Globalcom · arquitetura entregue · implementação em andamento

                        Vínculo: Projetos independentes, pesquisa e produtos

                        Área de aplicação: Educação, certificação, acreditação, compliance, gestão documental, auditoria e Agentic AI.

                        Público e contexto: Gestores Globalcom, parceiros, escolas e equipes de certificação.

                        Objetivo: Projetar uma operação de certificação orientada a evidências, agentes especialistas e aprovação humana.

                        Desenho e entrega da arquitetura de uma plataforma de certificação e compliance educacional que combina workflow determinístico, orquestração de agentes especialistas, RAG gerenciado, evidências versionadas e integrações para acompanhar escolas nos processos CEA + SEVP.

                        Problema e público: Organizar fases, responsáveis, requisitos e evidências de certificação, com assistência de agentes e controle das decisões críticas — Gestores Globalcom, parceiros, escolas e equipes de certificação.

                        Entrega: Arquitetura funcional e técnica entregue, apresentação interativa bilíngue, modelo de agentes, arquitetura de dados, política de execução e roadmap de implementação.

                        Profundidade demonstrada: Arquitetura funcional e técnica entregue; implementação em andamento: profundidade expressa pela arquitetura, métodos e artefatos.

                        Estrutura: Arquitetura entregue, em implementação, com workflow determinístico, 10 especialistas, orquestrador e auditor independente; RAG gerenciado, Supabase/PostgreSQL, workers persistentes e integrações API/MCP/RPA.

                        Métodos: Máquina de estados; agentes especializados; RAG contextual; rastreabilidade de evidências; auditoria contínua; human-in-the-loop.

                        Áreas de aplicação: Educação; Certificação e acreditação; Compliance; Auditoria; Gestão documental; Operações; Agentic AI.

                        Stack

                        • TypeScript
                        • React
                        • Node.js
                        • Python
                        • FastAPI
                        • Supabase
                        • PostgreSQL
                        • pgvector
                        • RAG
                        • MCP
                        • Playwright
                        • RLS
                        • RBAC
                        • Filas e workers

                        Habilidades

                        • Arquitetura Agentic AI
                        • Orquestração multiagente
                        • RAG e recuperação híbrida
                        • Inteligência documental
                        • Modelagem de domínio
                        • Workflow e eventos
                        • Integrações API/MCP/RPA
                        • Governança e aprovação humana
                        • Arquitetura multi-tenant
                        • Consultoria e desenho de produto

                        Visão computacional, integração industrial e eficiência operacional · Projeto de P&D com implementação e resultados registrados em relatório final de março/2024

                        Agrodan / Agritech.NE — plataforma de contagem de frutas e rastreabilidade no packing

                        Contexto: Agrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

                        Vínculo: Experiência profissional · Agrodan — trajetória de cargos

                        Área de aplicação: Agronegócio, fruticultura, packing, visão computacional, rastreabilidade e eficiência operacional.

                        Público e contexto: Operadores da classificadora, equipes de packing e gestores da Agrodan.

                        Objetivo: Integrar contagem de frutos e dados industriais para acompanhar lotes, indicar trocas e reduzir interrupções.

                        Atuação como desenvolvedor na plataforma de identificação e contagem de frutos na esteira de refugo do packing, integrando visão computacional, dados do ERP, classificadora, dashboard e alertas Telegram para apoiar rastreabilidade, acompanhamento dos lotes e redução das paradas de troca.

                        Problema e público: Acompanhar o processamento dos lotes e indicar a troca de origem da fruta, reduzindo interrupções e mantendo a rastreabilidade — Operadores da classificadora, equipes de packing e gestores da Agrodan.

                        Entrega: Desenvolvimento de plataforma, integração por API, aplicação de contagem e sistema de notificações, com dashboard e hospedagem dedicada no escopo; o relatório registra treinamento e acompanhamento em fevereiro/2024.

                        Profundidade demonstrada: Projeto de P&D com implementação e resultados registrados em relatório final de março/2024: profundidade expressa pela arquitetura, métodos e artefatos.

                        Estrutura: Aplicação de contagem e rastreamento por câmeras, integração por API com ERP/classificadora, estimativa de peso por calibre e variedade, dashboard e notificações Telegram; hospedagem dedicada prevista no escopo.

                        Métodos: CRISP-DM; contagem e rastreamento para evitar duplicidades; estimativa de peso por calibre e variedade; reconciliação entre entrada, embalagem e refugo; acompanhamento em tempo real.

                        Áreas de aplicação: Agronegócio; Fruticultura; Packing house; Indústria de alimentos; Visão computacional; Rastreabilidade; Automação industrial; Melhoria de processos.

                        Stack

                        • Visão computacional
                        • Deep Learning
                        • Câmeras
                        • APIs
                        • ERP
                        • Integração com classificadora
                        • Dashboard
                        • Telegram
                        • Servidor dedicado
                        • CRISP-DM

                        Habilidades

                        • Desenvolvimento de plataforma
                        • Visão computacional aplicada
                        • Integração de dados industriais
                        • APIs
                        • Rastreabilidade de lotes
                        • Indicadores operacionais
                        • Automação de notificações
                        • CRISP-DM
                        • P&D aplicado
                        • Eficiência operacional

                        Matriz de habilidades e cases de origem

                        Competências organizadas por especialidade, com aplicações, métodos e projetos de origem. Cada grupo conecta o trabalho técnico ao seu contexto profissional, acadêmico ou independente; os links abrem os cases correspondentes.

                        Agentic AI, sistemas multiagentes e governança

                        Arquitetura de soluções com papéis especializados, coordenação de agentes, contexto compartilhado e controle das decisões. Planejamento Xavier traz coordenação por regras; Globalcom amplia o repertório com uma arquitetura entregue para certificação e compliance, atualmente em implementação.

                        Competências aplicadas

                        • Decomposição de responsabilidades, orquestração e resolução de conflitos
                        • RAG, recuperação documental, MCP e integração de sistemas no desenho Globalcom
                        • Workflows persistentes, auditoria independente, permissões e aprovação humana

                        Cases e contextos de origem

                        Tecnologias e métodos: TypeScript · Deno · Supabase · contratos tipados · resolução de conflitos · React · Node.js · Python · FastAPI · PostgreSQL · pgvector · RAG · MCP · Playwright · RLS · RBAC · Filas e workers

                        LLMs, aplicações de IA e automação conversacional

                        Integração de modelos de linguagem em produtos de planejamento, educação e relacionamento comercial. O trabalho conecta respostas de IA ao domínio da aplicação, com estruturas de dados, validação e tratamento de falhas para transformar a saída do modelo em ações utilizáveis.

                        Competências aplicadas

                        • Integração de provedores, seleção de modelos e fallback
                        • Saídas estruturadas, contratos de operações e validação referencial
                        • Contexto conversacional e revisão de planos com apoio de IA

                        Cases e contextos de origem

                        • Motor compartilhado de IA — Planejamento XavierProjeto de planejamento

                          Desenvolvi uma camada compartilhada de integração de IA com adaptação de provedores, respostas estruturadas, validação, orçamento de tempo e tratamento de falhas por tarefa.

                        • Revisão de planos com IA e regrasPlanejamento Xavier

                          Modelei propostas de revisão assistidas por IA com validação de referências, alternativas, operações e acompanhamento, preservando o vínculo das mudanças com o plano real.

                        • Planejamento pedagógico assistido — ClassPlannerEducação

                          Integrei geração de planos de aula com Gemini a uma aplicação web, usando contexto pedagógico, referências BNCC e saída estruturada para objetivos, metodologia e avaliação.

                        • CRM conversacional híbrido — Instagram Conversion CRMProduto e vendas

                          Construí um fluxo conversacional híbrido de IA e regras, com memória de interação, contrato de ações, tratamento de falhas e encaminhamento humano.

                        Tecnologias e métodos: TypeScript · Deno · APIs de LLM · JSON · telemetria · fallback · Supabase · contratos de operações · validação referencial · React · Node.js · Express · SQLite · Gemini · BNCC · memória conversacional

                        Machine Learning, pesquisa quantitativa e experimentação

                        Pesquisa aplicada que combina preparação de dados, seleção de atributos, algoritmos evolutivos, modelos preditivos e avaliação experimental. EFS-AHP pertence ao doutorado; TraderMind explora séries temporais e ensembles de sinais em pesquisa quantitativa, sem presumir retorno financeiro validado.

                        Competências aplicadas

                        • Seleção de atributos, AHP, baselines e comparação de modelos
                        • Algoritmos evolutivos, ensembles e combinação de sinais
                        • Engenharia de atributos, avaliação temporal e prevenção de vazamento de dados

                        Cases e contextos de origem

                        • EFS-AHP — framework de pesquisaDoutorado confirmado por Danillo

                          Desenvolvi a pesquisa EFS-AHP no doutorado, combinando seleção de atributos, algoritmos evolutivos e decisão multicritério, com comparação de alternativas de ML e análise experimental de desempenho, dimensionalidade e custo.

                        • TraderMind — do experimento à inferênciaPesquisa quantitativa

                          Estruturei experimentos quantitativos e componentes de inferência, conectando preparação de dados, avaliação de modelos e políticas a uma API e ao terminal MetaTrader5.

                        • Ensemble de agentes financeiros — TraderMindPesquisa quantitativa; ambiente demo documentado

                          Estruturei experimentos de políticas multiagentes com votação de sinais, quórum e otimização por simulated annealing, organizando calibração, validação temporal e teste fora da amostra.

                        Tecnologias e métodos: Python · scikit-learn · pandas · NumPy · SciPy · DEAP · AHP · XGBoost · Flask · MetaTrader5 · simulated annealing · validação temporal

                        MLOps, pipelines e ciclo de vida de modelos

                        No TraderMind, a experiência se concentra na engenharia que conecta dados, treinamento, validação, artefatos, inferência e acompanhamento dos modelos. A integração MetaTrader5 é uma parte desse fluxo; os cases detalham pesquisa e operação demo, com responsabilidades separadas entre experimentação, API e execução.

                        Competências aplicadas

                        • Contratos de dados, preparação de features e validação fora da amostra
                        • Checkpoints, persistência de artefatos e serving de modelos
                        • Supervisão de processos, retreino, atualização e observabilidade

                        Cases e contextos de origem

                        Tecnologias e métodos: Python · pandas · NumPy · Parquet · DEAP · EFS-AHP · scikit-learn · XGBoost · LightGBM · CatBoost · joblib · checkpoints · validação temporal · walk-forward · OOS · backtesting · Flask · REST APIs · MetaTrader5 · supervisor · agendamento · logs · automação de pipeline · dashboard · monitoramento · SQLite · APIs locais

                        Visão computacional e integração industrial

                        Aplicações de visão que vão de detecção e notificações em vídeo à estimação de pose no navegador e contagem de frutas na indústria. Na Agrodan/Agritech.NE, a participação como desenvolvedor conecta a plataforma aos dados do ERP, classificadora, lotes e indicadores operacionais; os resultados industriais são os registrados para o projeto.

                        Competências aplicadas

                        • Inferência em vídeo, datasets de feedback e treinamento de classificadores
                        • Estimação de pose, processamento no cliente e visualização
                        • Contagem, rastreabilidade, reconciliação de volumes e alertas industriais

                        Cases e contextos de origem

                        • DVR — feedback, dataset e treinamentoProjeto de monitoramento

                          Implementei um fluxo de visão computacional com detecção, revisão de exemplos e treinamento de classificador personalizado a partir de modelo pré-treinado, integrando acompanhamento de épocas, checkpoint, estabilização temporal e alertas persistentes.

                        • Mocap — ML no cliente e visualizaçãoProtótipo de captura de movimento

                          Desenvolvi protótipos de estimação de pose no navegador, integrando inferência, visualização de keypoints e suavização temporal para explorar captura de movimento e interação com recursos 3D.

                        • Desenvolvimento da plataforma de visão computacional no packingAgrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

                          Atuei como desenvolvedor no projeto da plataforma, durante meu vínculo na Agrodan, conectando a solução de contagem e rastreamento de frutos ao acompanhamento operacional do packing.

                        • Integração ERP, classificadora e rastreabilidade de lotesAgrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

                          A plataforma relaciona o lote recebido, a quantidade embalada e o refugo para acompanhar a origem da fruta e apoiar a transição entre lotes.

                        • Dashboard, alertas e apoio à decisão operacionalAgrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

                          Desenvolvimento da plataforma de acompanhamento e notificações para dar aos operadores informação sobre o processamento e o momento de troca de lote.

                        • Resultados do projeto e melhoria do processo industrialAgrodan · projeto de P&D da Plataforma Agritech.NE · atuação como desenvolvedor

                          A integração da plataforma ao processo de packing apresentou ganhos registrados no relatório final do projeto, relacionados à produtividade, paradas e custos operacionais.

                        Tecnologias e métodos: Python · OpenCV · Ultralytics/YOLO · PyTorch · Flask · RTSP · JavaScript · TensorFlow.js · MoveNet · BlazePose · MediaPipe · WebGL · Visão computacional · Deep Learning · Câmeras · APIs · ERP · Integração com classificadora · Dashboard · Telegram · Servidor dedicado · CRISP-DM

                        Engenharia de dados, ETL e integração ERP

                        Integração de dados operacionais para sustentar indicadores e processos corporativos na Agrodan. A engenharia envolve importação em lotes, persistência, APIs e rotinas de atualização, aproximando os registros do ERP das aplicações web, análises e decisões de gestão.

                        Competências aplicadas

                        • Modelagem de dados e consultas SQL
                        • ETLs modulares, ingestão em lotes e qualidade de dados
                        • Integração ERP, rastreabilidade de erros e atualização operacional

                        Cases e contextos de origem

                        • ETL modular e qualidade de dadosExperiência profissional Agrodan

                          Estruturei pipelines de integração com importadores reutilizáveis, processamento em lotes e regras específicas para produção, packing, qualidade e pessoas, organizando dados operacionais para análise e apoio à decisão.

                        Tecnologias e métodos: Node.js · SQL · Oracle · Sequelize · ETL · importação em lotes

                        Engenharia de software web, mobile e produtos

                        Desenvolvimento de sistemas com regras de domínio, interfaces, APIs e persistência em contextos corporativos, hospitalares, acadêmicos e empreendedores. SIAgro amplia essa experiência para coleta mobile; os produtos independentes agregam modelagem de entidades, autenticação, serviços e integrações comerciais.

                        Competências aplicadas

                        • Aplicações web, arquitetura de APIs e persistência relacional
                        • React Native, navegação, coleta operacional e armazenamento local
                        • Sistemas Java EE, gestão de indicadores, gamificação e produtos digitais

                        Cases e contextos de origem

                        • SIAgro — coleta operacional mobileAgrodan

                          Desenvolvi módulos mobile do SIAgro para ordens de serviço, apontamentos e qualidade, combinando React Native/Expo, modelagem de objetos de negócio, persistência local e visualização de indicadores.

                        • Indicadores hospitalares e gamificação acadêmicaEBSERH: estágio; The Game Project: faculdade

                          No estágio hospitalar, desenvolvi sistema web de indicadores e avaliações com Java EE. Na faculdade, construí uma aplicação de gestão de projetos com gamificação e persistência, explorando regras de progressão e organização de tarefas.

                        • Marketplace, automações e produtosVínculos individuais a contextualizar

                          Estruturei produtos e protótipos com regras de acesso, integrações e fluxos supervisionados, incluindo marketplace, coleta comercial e finanças pessoais.

                        Tecnologias e métodos: React Native · Expo · AsyncStorage · React Navigation · APIs · Java EE · EJB · JSF · PrimeFaces · JPA/Hibernate · JPQL · Quartz · Next.js · Supabase · PostgreSQL · Stripe · Playwright · SQLite

                        Agronegócio, gestão operacional e sistemas corporativos

                        No SIA/SIAgro, a tecnologia atende planejamento agrícola, irrigação, pulverização, compras, pessoas, qualidade e packing. Os cases mostram a tradução de regras do negócio em módulos, dados e interfaces, conectando desenvolvimento de software à experiência profissional de transformação digital e gestão na Agrodan.

                        Competências aplicadas

                        • Regras agronômicas, modelagem de irrigação e previsão de colheita
                        • Coleta offline, sincronização, auditoria de campo e dados geoespaciais
                        • Compras, avaliações, UGB, indicadores comerciais e gestão da qualidade

                        Cases e contextos de origem

                        Tecnologias e métodos: React · JavaScript · Node.js · APIs operacionais · regras agronômicas · algoritmos genéticos · rede neural · normalização · dados geoespaciais · trajetória · velocidade · curvas e equações · gráficos · dados de campo · Dexie · IndexedDB · sincronização · modelagem organizacional · avaliações · histórico · dados comerciais · pallets · containers · @material-ui/core · @material-ui/icons · dexie · moment · react · react-file-base64 · react-select · @nivo/bar · audio-loader · audio-play · play-sound · react-router-dom · socket.io-client

                        Decisão multicritério, otimização e pesquisa operacional

                        Métodos analíticos transformados em ferramentas para comparar alternativas, dimensionar capacidade e decidir sob restrições. Utilibox reúne aplicações de AHP, TOPSIS, PROMETHEE e filas; Cartola e logística ampliam o repertório para decisões quantitativas e otimização aplicada.

                        Competências aplicadas

                        • Pesos, consistência, rankings e análise de sensibilidade
                        • Teoria das filas, capacidade e dimensionamento de serviços
                        • Otimização com restrições, análise probabilística e roteamento

                        Cases e contextos de origem

                        Tecnologias e métodos: Astro · JavaScript · TypeScript · AHP · TOPSIS · PROMETHEE · simulação · Python · pandas · Parquet · OR-Tools/CBC · React · Leaflet · matrizes de comparação · consistência · análise de sensibilidade · pesquisa operacional · modelos de filas · curvas de sensibilidade

                        Lean, melhoria contínua e análise econômica

                        Aplicação de métodos de engenharia de produção e gestão em ferramentas digitais do Utilibox. O repertório relaciona fluxo de valor, redução de setup, resolução estruturada de problemas, priorização e avaliação econômica; as ferramentas Lean também se conectam ao MBA Operational Excellence em andamento.

                        Competências aplicadas

                        • VSM, SMED, PDSA e A3 para análise e melhoria de processos
                        • Pareto, GUT e SWOT para priorização e diagnóstico
                        • VPL, TIR, payback e cenários para avaliação de investimentos

                        Cases e contextos de origem

                        Tecnologias e métodos: Astro · JavaScript · Lean · VSM · SMED · PDSA · A3 · matemática financeira · fluxos de caixa · análise de investimentos · Pareto · GUT · SWOT · EMV · visualização de decisões

                        Gestão do conhecimento, aprendizagem e modelagem de domínio

                        Produtos que organizam conhecimento, relações e rotinas de aprendizagem. Narra, UtiliNotas e flashcards evidenciam modelagem de entidades, contexto e persistência, além de métodos de estudo, revisão espaçada e exportação de conteúdos.

                        Competências aplicadas

                        • Entidades, relações, contexto e organização de conhecimento
                        • Persistência de conteúdo, Markdown e exportação
                        • Repetição espaçada, planejamento de revisão e acompanhamento de estudo

                        Cases e contextos de origem

                        Tecnologias e métodos: JavaScript · TypeScript · Astro · entidades e relações · Markdown · IndexedDB · modelagem de entidades · IA contextual · SM-2 · persistência local · TSV · PDF

                        Infraestrutura, segurança e liderança de tecnologia

                        Experiência de gestão de TIC na Agrodan com ambientes corporativos, suporte, servidores, redes e continuidade operacional. Esse repertório complementa a atuação como líder de tecnologia e integra operação, equipe técnica, sistemas empresariais e necessidades do negócio.

                        Competências aplicadas

                        • Windows/Linux, Active Directory, redes e administração de servidores
                        • Monitoramento, service desk, backup, recuperação e disponibilidade
                        • Gestão de equipe, priorização e integração entre tecnologia e operação

                        Cases e contextos de origem

                        • Gestão de TIC — AgrodanExperiência já declarada no CV; contexto Agrodan confirmado

                          Gerenciei a operação de TIC, integrando suporte, servidores, redes, continuidade, ERP e iniciativas de IoT à entrega de serviços e soluções para a empresa.

                        Tecnologias e métodos: Windows Server · Linux · Active Directory · Zabbix · GLPI · redes · IoT

                        Interfaces 3D, mapas e experiências interativas

                        Exploração de interfaces espaciais, mapas, pose e avatares 3D em projetos independentes. O trabalho combina renderização no navegador, interação e visualização geográfica; os cases mantêm o contexto de protótipos.

                        Competências aplicadas

                        • Estimação de pose e avatares 3D
                        • Interação e renderização no navegador
                        • Mapas, rotas e visualização geoespacial

                        Cases e contextos de origem

                        • Mapas e exploração espacialLogística

                          Explorei visualização espacial com Leaflet no protótipo de Logística, construindo interfaces de mapa, desenho de áreas e roteamento.

                        Tecnologias e métodos: JavaScript · React · Leaflet · Canvas

                        Algoritmos, estruturas de dados e resolução de problemas

                        Prática complementar de 120 horas de LeetCode: arrays, hashing, busca binária, árvores, grafos, heaps, programação dinâmica e backtracking. O repertório apoia a análise de complexidade e a escolha de estruturas e estratégias de solução.

                        Ver experiência complementar e desafios de referência

                        Contexto das iniciativas

                        Os projetos abrangem aplicações profissionais na Agrodan, pesquisa EFS-AHP no doutorado, gestão hospitalar durante o estágio e gamificação de projetos na faculdade. As iniciativas independentes incluem produtos digitais, ferramentas de decisão, educação, finanças, automação e experiências interativas.

                        SIA / AgrodanUtilibox and applied methodsAI and multiagent systems

                        Projects and applied engineering at Agrodan

                        SIA / SIAgro ecosystem · professional experience

                        Computer vision platform development for packing operations

                        Worked as a developer on the platform project during my Agrodan employment period, connecting fruit counting and tracking to operational packing monitoring.

                        • Platform for identifying and recording mangoes on the reject conveyor, with counting and tracking to avoid duplicates.
                        • Connected the counting application, industrial data API, dashboard and notifications; the report describes two operating cameras.

                        Engineering and technologies: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM.

                        Agrodan career context · Technical details

                        ERP, sorting-machine integration and batch traceability

                        The platform connects incoming batches, packed volume and rejected fruit to track fruit origin and support batch transitions.

                        • API access to sorting-machine and packing data, combined with ERP batch records and variety, harvest and handling information.
                        • Fruit counts are combined with the sorting-machine size distribution and variety-specific weight ranges to estimate reject weight.

                        Engineering and technologies: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM.

                        Agrodan career context · Technical details

                        Dashboard, alerts and operational decision support

                        Developed the monitoring and notification platform to provide operators with processing information and batch-change timing.

                        • Monitored integrated production data and prepared Telegram alerts when processed volume approaches incoming volume.
                        • The scope includes dedicated-server counting and monitoring applications; the report records training and follow-up in February 2024.

                        Engineering and technologies: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM.

                        Agrodan career context · Technical details

                        Project outcomes and industrial process improvement

                        Platform integration into the packing workflow produced project-level outcomes recorded in the final report, covering throughput, downtime and operating costs.

                        • Reported throughput increased from 30 to 37.5 boxes per hour; daily control-change downtime decreased from 45 to 5 minutes.
                        • The report records a 17% reduction in operating costs associated with labor and processing time.

                        Engineering and technologies: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM.

                        Agrodan career context · Technical details

                        PLANAGRO — inputs, applications and agronomic rules

                        Developed agricultural planning components in PLANAGRO, translating input application, dosage, withholding periods, drift and budgets into rules and interfaces connected to operational data.

                        • Domain rules represent dosage, withholding periods, drift and application constraints.
                        • Planning interfaces connect operational inputs and budget information to the application workflow.

                        Engineering and technologies: React · JavaScript · Node.js · operational APIs · agronomic rules.

                        Agrodan career context · Technical details

                        Irrigation — scheduling, genetic algorithms and Kc modeling

                        Explored irrigation scheduling, genetic algorithms and neural modeling of crop coefficient Kc, working with variable encoding, normalization, network parameters and operational backend integration.

                        • Categorical encoding and normalization prepare variables such as farm, phase, month and soil.
                        • Neural training, serialized model restoration and evolutionary experiments explore irrigation-related decisions.

                        Engineering and technologies: JavaScript · Node.js · genetic algorithms · neural network · normalization.

                        Exploratory modeling; out-of-sample performance is not established.

                        Agrodan career context · Technical details

                        Spraying audit — maps and field execution

                        Built spraying-audit components using spatial and operational data, relating trajectories, speed, field blocks and services to support investigation of field execution.

                        • Maps connect movement and speed to field blocks and operational records.
                        • Audit interfaces make execution patterns available for operational review.

                        Engineering and technologies: React · geospatial data · trajectory · speed · operational APIs.

                        Agrodan career context · Technical details

                        Dry matter — harvest forecasting and readiness

                        Implemented dry-matter analysis and harvest-forecast components connecting readings, varieties and parameters to charts and monitoring rules.

                        • Equations and parameters relate dry-matter observations to harvest readiness.
                        • Charts and operational interfaces support monitoring by variety and field context.

                        Engineering and technologies: React · JavaScript · curves and equations · charts · field data.

                        Agrodan career context · Technical details

                        Field notebook and purchasing — local data and synchronization

                        Developed field-data collection and purchase-request workflows with local storage, process components and synchronization routines integrated with domain-specific backend services.

                        • Dexie/IndexedDB stores field and purchasing data locally.
                        • Synchronization handlers and domain APIs connect local records to the backend.

                        Engineering and technologies: React · Dexie · IndexedDB · Node.js · synchronization.

                        Agrodan career context · Technical details

                        UGB management, people and improvement suggestions

                        Modeled business-unit and people-management applications and improvement-suggestion workflows combining organizational records, history, assessments, roles and documents.

                        • Business units, employees and roles share domain models and reusable components.
                        • Assessments, history, 5S and improvement workflows organize management information.

                        Engineering and technologies: React · Node.js · organizational modeling · assessments · history.

                        Agrodan career context · Technical details

                        Commercial monitoring, forecasts and pallet movements

                        Developed commercial and logistics components connecting records and forecasts to management interfaces and operational pallet/container data.

                        • Commercial entries, forecasts and exchange-rate information support operational views.
                        • Pallet and container movements link logistics records to management interfaces.

                        Engineering and technologies: React · Node.js · commercial data · pallets · containers.

                        Agrodan career context · Technical details

                        Modular ETL and operational data quality

                        Structured integration pipelines with reusable importers, batch processing and domain rules for production, packing, quality and people, organizing operational data for analysis and decisions.

                        • Node.js and SQL importers separate extraction, transformation and domain-specific processing.
                        • Batch persistence, joins and aggregation connect ERP and operational records to indicators.

                        Engineering and technologies: Node.js · SQL · Oracle · Sequelize · ETL · batch import.

                        Agrodan career context · Technical details

                        SIAgro — mobile operational data collection

                        Developed SIAgro mobile modules for work orders, production records and quality using React Native/Expo, business-object modeling, local persistence and operational indicators.

                        • Mobile workflows organize work orders, employees, targets and quality records.
                        • Reusable local persistence and API integration connect collection and dashboard components.

                        Engineering and technologies: React Native · Expo · AsyncStorage · React Navigation · APIs.

                        Agrodan career context · Technical details

                        IT operations management — Agrodan

                        Managed IT operations, integrating support, servers, networks, continuity, ERP and IoT initiatives with delivery of technology services and solutions.

                        • Professional responsibilities cover support, Windows/Linux administration, Active Directory and corporate networks.
                        • Backup/recovery, virtualization, monitoring, security and IoT belong to the declared IT management scope.

                        Engineering and technologies: Windows Server · Linux · Active Directory · Zabbix · GLPI · networks · IoT.

                        Agrodan career context · Technical details

                        QMS — audits, records and quality management

                        Developed quality-management modules organizing audits, records and roles with process follow-up and local storage.

                        • Audit, configuration and responsibility models support management interfaces.
                        • Dexie/IndexedDB local data and synchronization handlers connect workflows.

                        Engineering and technologies: React · JavaScript · Dexie · IndexedDB · synchronization.

                        Agrodan career context · Module

                        Field quality — checklists and operational assessments

                        Developed field-quality assessment workflows with checklists, responses and integration between interfaces and the domain backend.

                        • Checklists and responses use Dexie/IndexedDB local persistence.
                        • Synchronization routines and corresponding backend routes were located in the archive.

                        Engineering and technologies: React · JavaScript · Dexie · IndexedDB · Node.js · domain APIs.

                        Agrodan career context · Module

                        Packing and box handling — operational interfaces

                        Developed packing and box-handling interfaces organizing access to operations and connecting events to monitoring components.

                        • Separate packing and box-handling components structure the corporate frontend.
                        • Socket event integration is present in the module code.

                        Engineering and technologies: React · JavaScript · socket events · operational interfaces.

                        Agrodan career context · Module

                        Utilibox — products and applied methods

                        Decisions, operations research, production engineering, finance and knowledge · independent product

                        AHP Online — multicriteria decisions and consistency

                        Developed a multicriteria decision tool organizing criteria, comparisons and alternatives into an analysis and project-export workflow.

                        • Saaty-scale comparisons and consistency calculations assess the coherence of judgments.
                        • Interactive decision modeling presents results and supports project export.

                        Engineering and technologies: Astro · JavaScript · AHP · comparison matrices · consistency.

                        Open tool — ahp-online

                        TOPSIS and PROMETHEE — rankings and sensitivity

                        Implemented tools for comparing alternatives with configurable criteria, weights and preferences, applying multicriteria methods to management decisions.

                        • TOPSIS ranks alternatives by closeness to the ideal solution, with configurable weights and criterion directions.
                        • PROMETHEE I and II include preference functions and real-time sensitivity analysis.

                        Engineering and technologies: Astro · JavaScript · TOPSIS · PROMETHEE · sensitivity analysis.

                        Open tool — topsis · Open tool — promethee

                        Queueing theory — capacity, waiting and service sizing

                        Developed calculators and visualizations relating demand, service capacity and waiting, supporting study and comparison of service configurations.

                        • Calculation routines implement M/M/1, M/M/c, M/D/1, M/M/1/K and Erlang-B/C models.
                        • Server-count comparisons and sensitivity curves explore changes in arrival rates.

                        Engineering and technologies: JavaScript · operations research · queueing models · sensitivity curves.

                        Open tool — teoria-das-filas · Open tool — queueing-theory

                        VSM, SMED, PDSA and A3 — production engineering and continuous improvement

                        Translated process-improvement methods into digital tools for mapping flows, analyzing setup, structuring problems and tracking learning cycles.

                        • VSM models steps, processing, waiting, uptime, inventory and bottlenecks, with lead-time, takt and PCE metrics.
                        • SMED explores internal/external activities, conversion and parallelization; PDSA and A3 structure follow-up and action plans.

                        Engineering and technologies: Astro · JavaScript · Lean · VSM · SMED · PDSA · A3.

                        MBA Operational Excellence · Open tool — vsm · Open tool — smed · Open tool — pdsa-manager · Open tool — folha-a3

                        Economic analysis — NPV, IRR, payback and scenarios

                        Implemented economic-analysis tools transforming cash flows, costs and financing conditions into comparable indicators.

                        • Simple and discounted payback, NPV and IRR calculations support investment analysis.
                        • Complementary tools address WACC, break-even and Price, SAC and SAM repayment systems.

                        Engineering and technologies: JavaScript · financial mathematics · cash flows · investment analysis.

                        Open tool — calculadora-payback-vpl-tir · Open tool — calculadora-wacc · Open tool — simulador-ponto-de-equilibrio · Open tool — simulador-emprestimo

                        Pareto, GUT and SWOT — prioritization and management analysis

                        Developed management tools organizing problems, criteria and scenarios into rankings, charts and decision structures.

                        • Pareto includes cumulative curves; GUT ranks severity, urgency and trend; SWOT supports cross-analysis of strategies.
                        • Decision trees include chance/outcome nodes, expected monetary value and optimal-path identification.

                        Engineering and technologies: JavaScript · Pareto · GUT · SWOT · EMV · decision visualization.

                        MBA Operational Excellence · Open tool — analise-pareto · Open tool — matriz-gut · Open tool — matriz-swot · Open tool — arvore-decisao

                        Narra and UtiliNotas — knowledge, context and persistence

                        Built narrative and knowledge-organization applications with related entities, linked notes and contextual assistance.

                        • Markdown editing, internal links and file trees connect note organization to usage context.
                        • IndexedDB persistence manages transactions and failures; AI assistance resides in dedicated modules.

                        Engineering and technologies: Astro · JavaScript · Markdown · IndexedDB · entity modeling · contextual AI.

                        Open tool — narra · Open tool — utilinotas

                        Flashcards — spaced repetition and study tracking

                        Implemented a study application organizing cards and reviews through spaced repetition, retention tracking and export.

                        • SM-2, due-card selection, suspension/resumption and review forecasting organize study.
                        • Anki Desktop TSV and PDF exports support structured decks and content.

                        Engineering and technologies: JavaScript · SM-2 · local persistence · TSV · PDF.

                        Open tool — anki-flashcards

                        Applied research and education

                        Doctoral research, hospital internship and university projects

                        EFS-AHP — doctoral research framework

                        Developed EFS-AHP as doctoral research combining feature selection, evolutionary algorithms and multicriteria decision analysis, comparing ML alternatives and analyzing performance, dimensionality and computational cost.

                        • Experiments compare methods including Random Forest, LASSO and dimensionality-reduction approaches.
                        • Python notebooks and evolutionary routines organize datasets, baselines and statistical analysis; AHP supports comparison of alternatives.

                        Engineering and technologies: Python · scikit-learn · pandas · NumPy · SciPy · DEAP · AHP.

                        Doctoral research · Public repository — EFS-AHP

                        Hospital indicators and academic gamification

                        During the hospital internship, developed a Java EE web system for indicators and assessments. At university, built a project-management application with gamification and persistence, exploring progression rules and task organization.

                        • EBSERH: Java EE, EJB, JSF, PrimeFaces and JPA/Hibernate for hospital indicators and assessments.
                        • The Game Project: persistent tasks, progression rules, scheduling and an interactive project timeline.

                        Engineering and technologies: Java EE · EJB · JSF · PrimeFaces · JPA/Hibernate · JPQL · Quartz.

                        Hospital internship · Context and projects · Public repository — EBSERH · Public repository — The Game Project

                        Agentic AI — Globalcom Certification OS

                        Modern Concept · delivered educational certification and compliance architecture · implementation in progress

                        Globalcom Certification OS

                        Designed and delivered the functional and technical architecture for Globalcom Certification OS. The scope integrates 10 specialist agents, an orchestrator and independent auditor, RAG, persistent workflows, domain modeling, multi-tenant security and API/MCP/RPA integrations. The delivered architecture guides the ongoing implementation.

                        Specified stack: TypeScript · React · Node.js · Python · FastAPI · Supabase · PostgreSQL · pgvector · RAG · MCP · Playwright · RLS · RBAC · Queues and workers.

                        Architecture delivery completed; implementation in progress. Operational results have not yet been declared.

                        MLOps — TraderMind

                        ML pipeline, validation, inference, supervision and maintenance · research and demo operation

                        MetaTrader5 desktop connector — TraderMind

                        Built a Python connector to the MetaTrader5 desktop terminal, integrating market/account data with the documented research and execution workflow.

                        • The connector uses the MetaTrader5 package and requires an authenticated local terminal.
                        • Candles and account data connect policy research with separate API, dashboard and execution components.

                        Engineering and technologies: Python · MetaTrader5 · Flask · SQLite · local APIs.

                        Context and projects · Technical details

                        Data pipelines, features and quality contracts

                        Integrated extraction, data updates, dataset construction and feature selection into operational TraderMind pipeline stages.

                        • Market data and multitimeframe indicators, Parquet datasets and evolutionary feature selection with EFS-AHP.
                        • Stage checks cover temporal integrity, feature availability and health, configuration consistency and artifact synchronization.

                        Engineering and technologies: Python · pandas · NumPy · Parquet · DEAP · EFS-AHP.

                        Context and projects · Technical details

                        Training, checkpoints and artifact management

                        Organized experiments, training and execution recovery while preserving the relationship between models, features and parameters.

                        • Classifier training and comparison routines, feature selection and entry and early-exit models.
                        • Checkpoints resume evolutionary search; serialized models, feature lists, configuration and logs support workflow reproduction.

                        Engineering and technologies: Python · scikit-learn · XGBoost · LightGBM · CatBoost · joblib · checkpoints.

                        Context and projects · Technical details

                        Temporal validation, leakage and out-of-sample evaluation

                        Separated selection, calibration and temporal evaluation to compare models and policies without contaminating the final evaluation period.

                        • Walk-forward, temporal holdouts, backtests and leakage audits complement training; causal external-data alignment avoids future information.
                        • Policies are selected before final OOS testing; comparisons between logged operation and replay/backtest help investigate discrepancies.

                        Engineering and technologies: Python · temporal validation · walk-forward · OOS · backtesting.

                        Context and projects · Technical details

                        Model serving and MetaTrader5 integration

                        Connected ML artifacts, an inference service and the desktop terminal to bridge research and demonstration operation.

                        • A Flask API loads models and their features by pair/direction, returns predictions and probabilities and supports exit checks.
                        • A Python connector integrates data and execution with MetaTrader5; service endpoints expose health, status, loaded models and uptime.

                        Engineering and technologies: Python · Flask · REST APIs · joblib · MetaTrader5.

                        Context and projects · Technical details

                        Orchestration, retraining and operational updates

                        Coordinated data, training, evaluation and serving cycles through distinct execution modes.

                        • The supervisor organizes extraction, datasets, EFS-AHP, training, backtesting and serving; it distinguishes data updates without retraining from full retraining cycles.
                        • Runs use identifiers and logs; scheduling and operational checks support pipeline maintenance.

                        Engineering and technologies: Python · supervisor · scheduling · logs · pipeline automation.

                        Context and projects · Technical details

                        Observability and model follow-up

                        Connected the operational dashboard, pipeline stage health and performance review using recent data.

                        • Dashboard and health records track stages, training and operation; APIs expose model and service availability.
                        • OOS window updates and comparisons between logged trades and backtests support regime-change analysis and model review decisions.

                        Engineering and technologies: Python · Flask · dashboard · logs · OOS · monitoring.

                        Context and projects · Technical details

                        AI, multiagent systems and Machine Learning projects

                        Independent development and quantitative research

                        Six-agent planning council — Planejamento Xavier

                        Implemented a council of six specialized agents to support planning and replanning, with evidence for each recommendation, deterministic conflict resolution and traceable actions.

                        • Strategy, execution, risk, learning, integrity and mentoring agents analyze the same planning snapshot.
                        • Claims carry evidence, confidence, polarity, weight and node references; priorities and deterministic tie-breaking resolve conflicts.

                        Engineering and technologies: TypeScript · Deno · Supabase · typed contracts · conflict resolution.

                        Rule-based agent coordination; LLM integration in a separate layer.

                        Context and projects · Live website — Planejamento Xavier

                        Financial signal ensemble — TraderMind

                        Designed multiagent policy experiments with signal voting, quorum and simulated annealing, separating calibration, temporal validation and out-of-sample evaluation.

                        • Twelve signals support ternary voting, minimum active-agent counts and agreement thresholds.
                        • Policies choose whether to follow, invert or ignore signals; the selected policy is frozen before final out-of-sample evaluation. Backward as-of joins respect publication delays.

                        Engineering and technologies: Python · pandas · NumPy · simulated annealing · temporal validation.

                        Signal-agent research; financial returns were not validated in this review.

                        Context and projects · Technical details

                        Shared AI integration engine — Planejamento Xavier

                        Developed a shared AI integration layer with provider adapters, structured responses, validation, time budgets and task-specific failure handling.

                        • Provider capabilities include JSON, text and grounded search; adapters support Gemini, DeepSeek, OpenAI and compatible APIs.
                        • Global and per-attempt time budgets, output rejection, fallback and provider health tracking organize execution. Grounded search preserves source references.

                        Engineering and technologies: TypeScript · Deno · LLM APIs · JSON · telemetry · fallback.

                        Context and projects · Live website — Planejamento Xavier

                        AI-assisted plan review and operation contracts

                        Modeled AI-assisted review proposals with reference validation, alternatives, operations and follow-up, connecting suggested changes to the actual plan.

                        • Authorized context contains real IDs, capacity, diagnostics and prior decisions.
                        • Normalized operations include dependencies, affected occurrences, expected update timestamps, context fingerprints and validation issues.

                        Engineering and technologies: TypeScript · Supabase · operation contracts · reference validation.

                        Context and projects · Live website — Planejamento Xavier

                        AI-assisted lesson planning — ClassPlanner

                        Integrated Gemini lesson-plan generation into a web application using pedagogical context, Brazilian BNCC curriculum references and structured objectives, methodology and assessment.

                        • Prompts combine class, subject, duration, resources, assessment and curriculum skills.
                        • Structured JSON responses are parsed into the planning workflow.

                        Engineering and technologies: React · Node.js · Express · SQLite · Gemini · BNCC.

                        Context and projects · Technical details

                        Hybrid conversational CRM — Instagram Conversion CRM

                        Built a hybrid AI-and-rules conversation flow with interaction history, action contracts, failure handling and human handoff.

                        • Conversation state and history provide context for the decision engine.
                        • Action normalization, retries and handoff connect suggestions to the CRM workflow.

                        Engineering and technologies: Node.js · Express · SQLite · Gemini · conversation history.

                        Context and projects · Technical details

                        TraderMind — experiments and inference integration

                        Structured quantitative experiments and inference components, connecting data preparation and model/policy evaluation to an API and the MetaTrader5 terminal.

                        • Time-series preparation and feature engineering feed model and policy experiments.
                        • API and desktop connector components keep research, inference and execution responsibilities separate.

                        Engineering and technologies: Python · scikit-learn · XGBoost · pandas · Flask · MetaTrader5.

                        Context and projects · Technical details

                        DVR — feedback, datasets and classifier training

                        Implemented a computer-vision workflow with detection, example review and custom classifier training from a pretrained model, integrating epoch monitoring, checkpoints, temporal stabilization and persistent alerts.

                        • Reviewed examples form a training dataset; transfer learning and callbacks organize training and checkpoints.
                        • Temporal voting and a persistent alert outbox connect detection to operational notifications.

                        Engineering and technologies: Python · OpenCV · Ultralytics/YOLO · PyTorch · Flask · RTSP.

                        Context and projects · Technical details

                        Mocap — browser inference and visualization

                        Developed browser pose-estimation prototypes integrating inference, keypoint visualization and temporal smoothing to explore motion capture and 3D interaction.

                        • Existing pose models process video and webcam input in the browser.
                        • Keypoint rendering, smoothing and 3D resources connect inference to interactive visualization.

                        Engineering and technologies: JavaScript · TensorFlow.js · MoveNet · BlazePose · MediaPipe · WebGL.

                        Interaction and visualization prototypes and studies.

                        Context and projects · Technical details

                        Optimization and systems integration

                        Quantitative research and independent development

                        Cartola and logistics — decisions under constraints

                        Developed pipelines connecting data and optimization to decisions, exploring team selection under budget/formation constraints and routing with geographical visualization.

                        • Cartola combines performance data and probabilistic estimates with constrained team selection.
                        • Logistics prototypes combine routes, maps and optimization experiments.

                        Engineering and technologies: Python · pandas · Parquet · OR-Tools/CBC · React · Leaflet.

                        Context and projects · Public repository — Cartola Oracle

                        Industrial R&D experience — Agrodan / Agritech.NE

                        Fruit counting and traceability platform developer

                        During the Agrodan employment period · final report: March 2024

                        Worked as a platform developer during the Agrodan employment period, connecting fruit counting and tracking on the reject conveyor with ERP and sorting-machine data, an operational dashboard and Telegram alerts for batch traceability and changeover decisions. The final project report is dated March 2024.

                        Project and technical contribution

                        Additional experience and technical practice

                        LeetCode — 120 hours of algorithm and data structure practice

                        Complementary software engineering problem-solving practice, including time and space complexity, data structure selection and edge-case debugging.

                        Topics and reference challenges

                        • Arrays, strings and hashing: Two Sum, Group Anagrams, Product of Array Except Self.
                        • Two pointers, sliding windows and binary search: Longest Substring Without Repeating Characters, Binary Search, Search in Rotated Sorted Array.
                        • Stacks, linked lists and intervals: Valid Parentheses, Reverse Linked List, Merge Intervals.
                        • Trees, graphs and heaps: Binary Tree Level Order Traversal, Number of Islands, Course Schedule, Top K Frequent Elements.
                        • Dynamic programming and backtracking: Coin Change, House Robber, Longest Increasing Subsequence, Subsets.
                        Project details · applications, methods and technologies

                        Projects and career context

                        Agrodan — professional SIA / SIAgro ecosystem

                        Professional tenure: Jan 2019–Apr 2024. Head of Technology and ICT Manager were concurrent roles from Mar 2021 to Nov 2023. Field operations, packing, people, planning, purchasing, quality and commercial modules are associated with this tenure. Results of initiatives developed and evolved between 2020 and April 2024, with contributions across different Agrodan roles. Role periods identify tenure in each position. Indicators retain their monthly or annual basis and are not added into a total savings figure.

                        • IT Business Partner
                        • ICT Manager
                        • Head of Technology
                        • Administrative management — supply chain, controlling and HR operations
                        Professional experience · Impact results

                        EFS-AHP — doctoral research

                        Feature selection, evolutionary algorithms and multicriteria analysis are associated with doctoral research at CÉSAR School.

                        Education

                        EBSERH and The Game Project

                        EBSERH belongs to the hospital internship. The Game Project was university work. Other projects include independent products, research, studies and entrepreneurial initiatives; individual company/date attribution is not inferred.

                        Scope of professional and technical experience

                        The trajectory combines software, data and automation engineering with technology leadership and applications in agriculture, operations, education, finance, production, planning and digital products.

                        Depth is described by implemented domain models, persistence, integrations, data pipelines, research methods, interfaces and prototypes. The number of modules does not establish independent products or a seniority rating.

                        Technical cases — multiagent coordination

                        Six-agent planning council — Planejamento Xavier

                        Independent projects, prototypes and research

                        Implemented a council of six specialized agents to support planning and replanning, with evidence for each recommendation, deterministic conflict resolution and traceable actions.

                        Application area: Personal planning, productivity and professional development.

                        Users and context: People managing goals, activities and development plans.

                        Objective: Connect goals, capacity and execution through AI-assisted planning and review.

                        Engineering and implementation

                        • Strategy, execution, risk, learning, integrity and mentoring agents analyze the same planning snapshot.
                        • Claims carry evidence, confidence, polarity, weight and node references; priorities and deterministic tie-breaking resolve conflicts.

                        Technologies and methods: TypeScript · Deno · Supabase · typed contracts · conflict resolution

                        Project links

                        Live website — Planejamento Xavier

                        Financial signal ensemble — TraderMind

                        Independent projects, prototypes and research

                        Designed multiagent policy experiments with signal voting, quorum and simulated annealing, separating calibration, temporal validation and out-of-sample evaluation.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • Twelve signals support ternary voting, minimum active-agent counts and agreement thresholds.
                        • Policies choose whether to follow, invert or ignore signals; the selected policy is frozen before final out-of-sample evaluation. Backward as-of joins respect publication delays.

                        Technologies and methods: Python · pandas · NumPy · simulated annealing · temporal validation

                        Technical cases — AI integration

                        Shared AI integration engine — Planejamento Xavier

                        Independent projects, prototypes and research

                        Developed a shared AI integration layer with provider adapters, structured responses, validation, time budgets and task-specific failure handling.

                        Application area: Personal planning, productivity and professional development.

                        Users and context: People managing goals, activities and development plans.

                        Objective: Connect goals, capacity and execution through AI-assisted planning and review.

                        Engineering and implementation

                        • Provider capabilities include JSON, text and grounded search; adapters support Gemini, DeepSeek, OpenAI and compatible APIs.
                        • Global and per-attempt time budgets, output rejection, fallback and provider health tracking organize execution. Grounded search preserves source references.

                        Technologies and methods: TypeScript · Deno · LLM APIs · JSON · telemetry · fallback

                        Project links

                        Live website — Planejamento Xavier

                        AI-assisted plan review and operation contracts

                        Independent projects, prototypes and research

                        Modeled AI-assisted review proposals with reference validation, alternatives, operations and follow-up, connecting suggested changes to the actual plan.

                        Application area: Personal planning, productivity and professional development.

                        Users and context: People managing goals, activities and development plans.

                        Objective: Connect goals, capacity and execution through AI-assisted planning and review.

                        Engineering and implementation

                        • Authorized context contains real IDs, capacity, diagnostics and prior decisions.
                        • Normalized operations include dependencies, affected occurrences, expected update timestamps, context fingerprints and validation issues.

                        Technologies and methods: TypeScript · Supabase · operation contracts · reference validation

                        Project links

                        Live website — Planejamento Xavier

                        AI-assisted lesson planning — ClassPlanner

                        Independent projects, prototypes and research

                        Integrated Gemini lesson-plan generation into a web application using pedagogical context, Brazilian BNCC curriculum references and structured objectives, methodology and assessment.

                        Application area: Education and lesson planning.

                        Users and context: Teachers.

                        Objective: Organize lesson plans using curriculum context, objectives, methodology and assessment.

                        Engineering and implementation

                        • Prompts combine class, subject, duration, resources, assessment and curriculum skills.
                        • Structured JSON responses are parsed into the planning workflow.

                        Technologies and methods: React · Node.js · Express · SQLite · Gemini · BNCC

                        Hybrid conversational CRM — Instagram Conversion CRM

                        Independent projects, prototypes and research

                        Built a hybrid AI-and-rules conversation flow with interaction history, action contracts, failure handling and human handoff.

                        Application area: Marketing, sales and customer relationships.

                        Users and context: Conversational sales and customer service operations.

                        Objective: Organize the sales funnel and support conversational decisions with history and suggested actions.

                        Engineering and implementation

                        • Conversation state and history provide context for the decision engine.
                        • Action normalization, retries and handoff connect suggestions to the CRM workflow.

                        Technologies and methods: Node.js · Express · SQLite · Gemini · conversation history

                        Technical cases — Machine Learning and research

                        EFS-AHP — doctoral research framework

                        Doctoral research

                        Developed EFS-AHP as doctoral research combining feature selection, evolutionary algorithms and multicriteria decision analysis, comparing ML alternatives and analyzing performance, dimensionality and computational cost.

                        Application area: Data science, Machine Learning and multicriteria decision making.

                        Users and context: Applied doctoral research in Software Engineering.

                        Objective: Select features and compare model alternatives by performance, dimensionality and cost.

                        Engineering and implementation

                        • Experiments compare methods including Random Forest, LASSO and dimensionality-reduction approaches.
                        • Python notebooks and evolutionary routines organize datasets, baselines and statistical analysis; AHP supports comparison of alternatives.

                        Technologies and methods: Python · scikit-learn · pandas · NumPy · SciPy · DEAP · AHP

                        Project links

                        Public repository — EFS-AHP

                        TraderMind — experiments and inference integration

                        Independent projects, prototypes and research

                        Structured quantitative experiments and inference components, connecting data preparation and model/policy evaluation to an API and the MetaTrader5 terminal.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • Time-series preparation and feature engineering feed model and policy experiments.
                        • API and desktop connector components keep research, inference and execution responsibilities separate.

                        Technologies and methods: Python · scikit-learn · XGBoost · pandas · Flask · MetaTrader5

                        Technical cases — computer vision

                        DVR — feedback, datasets and classifier training

                        Independent projects, prototypes and research

                        Implemented a computer-vision workflow with detection, example review and custom classifier training from a pretrained model, integrating epoch monitoring, checkpoints, temporal stabilization and persistent alerts.

                        Application area: Security, video monitoring and computer vision.

                        Users and context: Camera monitoring and event review.

                        Objective: Detect events, collect reviewed examples and adapt classification to the camera context.

                        Engineering and implementation

                        • Reviewed examples form a training dataset; transfer learning and callbacks organize training and checkpoints.
                        • Temporal voting and a persistent alert outbox connect detection to operational notifications.

                        Technologies and methods: Python · OpenCV · Ultralytics/YOLO · PyTorch · Flask · RTSP

                        Mocap — browser inference and visualization

                        Independent projects, prototypes and research

                        Developed browser pose-estimation prototypes integrating inference, keypoint visualization and temporal smoothing to explore motion capture and 3D interaction.

                        Application area: Human movement, pose capture and avatar interaction.

                        Users and context: Body interaction and movement visualization experiments.

                        Objective: Estimate pose in video and connect body landmarks to browser visualization.

                        Application area: Computer vision and movement analysis.

                        Users and context: Video and body representation experimentation.

                        Objective: Extract and visualize skeletons from video.

                        Engineering and implementation

                        • Existing pose models process video and webcam input in the browser.
                        • Keypoint rendering, smoothing and 3D resources connect inference to interactive visualization.

                        Technologies and methods: JavaScript · TensorFlow.js · MoveNet · BlazePose · MediaPipe · WebGL

                        Technical cases — agricultural and business applications

                        PLANAGRO — inputs, applications and agronomic rules

                        Professional experience — Agrodan

                        Developed agricultural planning components in PLANAGRO, translating input application, dosage, withholding periods, drift and budgets into rules and interfaces connected to operational data.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Domain rules represent dosage, withholding periods, drift and application constraints.
                        • Planning interfaces connect operational inputs and budget information to the application workflow.

                        Technologies and methods: React · JavaScript · Node.js · operational APIs · agronomic rules

                        Irrigation — scheduling, genetic algorithms and Kc modeling

                        Professional experience — Agrodan

                        Explored irrigation scheduling, genetic algorithms and neural modeling of crop coefficient Kc, working with variable encoding, normalization, network parameters and operational backend integration.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Categorical encoding and normalization prepare variables such as farm, phase, month and soil.
                        • Neural training, serialized model restoration and evolutionary experiments explore irrigation-related decisions.

                        Technologies and methods: JavaScript · Node.js · genetic algorithms · neural network · normalization

                        Spraying audit — maps and field execution

                        Professional experience — Agrodan

                        Built spraying-audit components using spatial and operational data, relating trajectories, speed, field blocks and services to support investigation of field execution.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Maps connect movement and speed to field blocks and operational records.
                        • Audit interfaces make execution patterns available for operational review.

                        Technologies and methods: React · geospatial data · trajectory · speed · operational APIs

                        Dry matter — harvest forecasting and readiness

                        Professional experience — Agrodan

                        Implemented dry-matter analysis and harvest-forecast components connecting readings, varieties and parameters to charts and monitoring rules.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Equations and parameters relate dry-matter observations to harvest readiness.
                        • Charts and operational interfaces support monitoring by variety and field context.

                        Technologies and methods: React · JavaScript · curves and equations · charts · field data

                        Field notebook and purchasing — local data and synchronization

                        Professional experience — Agrodan

                        Developed field-data collection and purchase-request workflows with local storage, process components and synchronization routines integrated with domain-specific backend services.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Dexie/IndexedDB stores field and purchasing data locally.
                        • Synchronization handlers and domain APIs connect local records to the backend.

                        Technologies and methods: React · Dexie · IndexedDB · Node.js · synchronization

                        UGB management, people and improvement suggestions

                        Professional experience — Agrodan

                        Modeled business-unit and people-management applications and improvement-suggestion workflows combining organizational records, history, assessments, roles and documents.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Business units, employees and roles share domain models and reusable components.
                        • Assessments, history, 5S and improvement workflows organize management information.

                        Technologies and methods: React · Node.js · organizational modeling · assessments · history

                        Commercial monitoring, forecasts and pallet movements

                        Professional experience — Agrodan

                        Developed commercial and logistics components connecting records and forecasts to management interfaces and operational pallet/container data.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Commercial entries, forecasts and exchange-rate information support operational views.
                        • Pallet and container movements link logistics records to management interfaces.

                        Technologies and methods: React · Node.js · commercial data · pallets · containers

                        Technical cases — data engineering

                        Modular ETL and operational data quality

                        Professional experience — Agrodan

                        Structured integration pipelines with reusable importers, batch processing and domain rules for production, packing, quality and people, organizing operational data for analysis and decisions.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Node.js and SQL importers separate extraction, transformation and domain-specific processing.
                        • Batch persistence, joins and aggregation connect ERP and operational records to indicators.

                        Technologies and methods: Node.js · SQL · Oracle · Sequelize · ETL · batch import

                        Technical cases — mobile and enterprise web

                        SIAgro — mobile operational data collection

                        Professional experience — Agrodan

                        Developed SIAgro mobile modules for work orders, production records and quality using React Native/Expo, business-object modeling, local persistence and operational indicators.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Mobile workflows organize work orders, employees, targets and quality records.
                        • Reusable local persistence and API integration connect collection and dashboard components.

                        Technologies and methods: React Native · Expo · AsyncStorage · React Navigation · APIs

                        Hospital indicators and academic gamification

                        Hospital internship and university project

                        During the hospital internship, developed a Java EE web system for indicators and assessments. At university, built a project-management application with gamification and persistence, exploring progression rules and task organization.

                        Application area: Healthcare, hospital management and strategic planning.

                        Users and context: Hospital Universitário de Petrolina teams and managers.

                        Objective: Organize indicators, assessments and hospital planning monitoring.

                        Application area: Project management, gamification and collaboration.

                        Users and context: Project teams; university development project.

                        Objective: Represent projects, stages and progression through quests, experience and rewards.

                        Engineering and implementation

                        • EBSERH: Java EE, EJB, JSF, PrimeFaces and JPA/Hibernate for hospital indicators and assessments.
                        • The Game Project: persistent tasks, progression rules, scheduling and an interactive project timeline.

                        Technologies and methods: Java EE · EJB · JSF · PrimeFaces · JPA/Hibernate · JPQL · Quartz

                        Project links

                        Public repository — EBSERH · Public repository — The Game Project

                        Technical cases — decision support

                        Utilibox — multicriteria analysis, queues and applied methods

                        Independent projects, prototypes and research

                        Implemented decision-support and learning tools using multicriteria methods, queueing theory, simulation, financial mathematics and spaced repetition, translating models into explainable interfaces and calculations.

                        Application area: Finance, employment, production engineering, decision making, education, writing, health, beauty, documents, design and marketing.

                        Users and context: General users, students, writers and professionals.

                        Objective: Turn calculations, methods and knowledge organization into accessible interactive tools.

                        Engineering and implementation

                        • AHP, TOPSIS and PROMETHEE connect criteria and alternatives to decision analysis.
                        • Queueing, financial and spaced-repetition tools apply domain methods in interactive software.

                        Technologies and methods: Astro · JavaScript · TypeScript · AHP · TOPSIS · PROMETHEE · simulation

                        Project links

                        Open tool — ahp-online · Open tool — topsis · Open tool — promethee · Open tool — queueing-theory · Open tool — vsm · Open tool — anki-flashcards

                        Cartola and logistics — decisions under constraints

                        Independent projects, prototypes and research

                        Developed pipelines connecting data and optimization to decisions, exploring team selection under budget/formation constraints and routing with geographical visualization.

                        Application area: Sports, fantasy football, probabilistic forecasting and optimization.

                        Users and context: Performance research and Cartola lineup construction.

                        Objective: Estimate performance and select lineups under budget and other constraints.

                        Application area: Logistics, routing and geospatial analysis.

                        Users and context: Travel planning and logistics operations.

                        Objective: Represent locations and routes on maps and support routing decisions.

                        Engineering and implementation

                        • Cartola combines performance data and probabilistic estimates with constrained team selection.
                        • Logistics prototypes combine routes, maps and optimization experiments.

                        Technologies and methods: Python · pandas · Parquet · OR-Tools/CBC · React · Leaflet

                        Project links

                        Public repository — Cartola Oracle

                        Technical cases — products and knowledge

                        Narra and UtiliNotas — domain and knowledge applications

                        Independent projects, prototypes and research

                        Built narrative and knowledge-organization modules with entity relationships, contextual assistance, response traceability and note interoperability.

                        Application area: Finance, employment, production engineering, decision making, education, writing, health, beauty, documents, design and marketing.

                        Users and context: General users, students, writers and professionals.

                        Objective: Turn calculations, methods and knowledge organization into accessible interactive tools.

                        Engineering and implementation

                        • Related entities and linked notes organize narrative and knowledge contexts.
                        • Contextual assistance and interoperability connect editing, information and responses.

                        Technologies and methods: JavaScript · TypeScript · Astro · entities and relationships · Markdown

                        Project links

                        Open tool — narra · Open tool — utilinotas

                        Marketplace, automation and products

                        Independent projects, prototypes and research

                        Structured products and prototypes with access rules, integrations and supervised workflows, including a marketplace, commercial collection and personal finance.

                        Application area: Entrepreneurship, marketplaces and product validation.

                        Users and context: Product creators and potential users.

                        Objective: Connect product proposals, discovery and validation in a web platform.

                        Application area: Careers, recruitment and supervised automation.

                        Users and context: Professional opportunity organization.

                        Objective: Collect opportunities and rank fit under user supervision.

                        Application area: Personal finance, Open Finance and transaction analysis.

                        Users and context: Personal financial organization.

                        Objective: Integrate and analyze transactions to support financial monitoring.

                        Application area: Data collection, offers and content distribution.

                        Users and context: Offer monitoring and publishing operations.

                        Objective: Structure offer information collection, processing and distribution.

                        Engineering and implementation

                        • Product roles and integrations organize campaigns and commercial workflows.
                        • Supervised automation explores different product domains.

                        Technologies and methods: Next.js · Supabase · PostgreSQL · Stripe · Playwright · SQLite

                        Technical cases — infrastructure and desktop integration

                        IT operations management — Agrodan

                        Professional experience — Agrodan

                        Managed IT operations, integrating support, servers, networks, continuity, ERP and IoT initiatives with delivery of technology services and solutions.

                        Application area: Agribusiness, field operations, packing, quality, logistics and management.

                        Users and context: Agrodan field, operational, administrative and management teams.

                        Objective: Integrate operational records, business rules and indicators to support execution and management.

                        Engineering and implementation

                        • Professional responsibilities cover support, Windows/Linux administration, Active Directory and corporate networks.
                        • Backup/recovery, virtualization, monitoring, security and IoT belong to the declared IT management scope.

                        Technologies and methods: Windows Server · Linux · Active Directory · Zabbix · GLPI · networks · IoT

                        MetaTrader5 desktop connector — TraderMind

                        Independent projects, prototypes and research

                        Built a Python connector to the MetaTrader5 desktop terminal, integrating market/account data with the documented research and execution workflow.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • The connector uses the MetaTrader5 package and requires an authenticated local terminal.
                        • Candles and account data connect policy research with separate API, dashboard and execution components.

                        Technologies and methods: Python · MetaTrader5 · Flask · SQLite · local APIs

                        Technical cases — 3D and spatial visualization

                        Maps and spatial exploration

                        Independent projects, prototypes and research

                        Explored spatial visualization with Leaflet in the Logistics prototype, building map, area-drawing and routing interfaces.

                        Application area: Logistics, routing and geospatial analysis.

                        Users and context: Travel planning and logistics operations.

                        Objective: Represent locations and routes on maps and support routing decisions.

                        Engineering and implementation

                        • The Logistics project combines map interfaces, drawing and routing components.
                        • Routing experiments connect spatial visualization with logistics planning.

                        Technologies and methods: JavaScript · React · Leaflet · Canvas

                        Technical cases — Globalcom Agentic AI solution architecture

                        Modern Concept · functional and technical architecture delivered; implementation in progress.

                        Contribution: functional and technical architecture design and delivery. Implementation is in progress; production operation and operational metrics have not yet been declared.

                        Architecture-specified stack: TypeScript · React · Node.js · Python · FastAPI · Supabase · PostgreSQL · pgvector · RAG · MCP · Playwright · RLS · RBAC · Queues and workers

                        Agentic AI architecture and specialist orchestration

                        Objective: Coordinate specialized tasks with evidence and human oversight

                        • Designed 10 specialist roles: compliance, evidence, documents, research, writing, communication, deadlines, risk, systems audit and integration/RPA.
                        • A dedicated orchestrator checks preconditions, distributes tasks and consolidates results; an independent auditor reviews agents, tools, sources and decisions.
                        • Execution contracts connect school, process, requirement and task context to approved tools, evidence, confidence and human escalation.

                        Managed RAG and document intelligence

                        Objective: Retrieve knowledge matching school, requirement and document version

                        • Designed six collections: official regulations, operational knowledge, management context, email precedents, school-specific documents and approved templates.
                        • Hybrid retrieval architecture with embeddings and pgvector; tenant, school, framework, requirement, version, validity and approval filters.
                        • Specified ingestion, classification, extraction, versioning, embedding reprocessing, chunk lineage and citation persistence.

                        Workflow, events and persistent execution

                        Objective: Keep processes and tasks running without an active user session

                        • The specified state machine controls dependencies, owners, deadlines, preconditions and completion criteria across nine process phases.
                        • Designed queues, events, webhooks and scheduled jobs, with specialist workflow, agent, document, RAG, notification, RPA and audit workers.
                        • Suggested Node.js/TypeScript, NestJS or Fastify, Zod and BullMQ or an alternative queue; Temporal is an optional durable workflow engine.

                        AI governance, security and continuous audit

                        Objective: Control autonomy, data access and decision quality

                        • The specified execution policy separates automatic execution, human approval actions and critical decisions reserved for people.
                        • Designed partner/school isolation with RLS and RBAC, least privilege, secret management, logs, retention, backup and recovery.
                        • An independent auditor checks citation/evidence alignment, regulation versions, data integrity and workflow compliance; quarterly audits and four-month review meetings are planned.

                        API, MCP and RPA integrations for external operations

                        Objective: Connect sources and portals with controlled execution

                        • Integration strategy prioritizes APIs, uses MCP for standardized tool access and proposes RPA when formal integration is unavailable.
                        • Specified isolated Playwright browser workers, retry policies, idempotency, layout change detection and manual fallback.
                        • Architectural scope includes Notion migration/synchronization, email, portals and future school/financial system connectors; QuickSchools, QuickBooks and Wave are initial references.

                        Certification domain and product modeling

                        Objective: Translate certification operations into product entities and workflows

                        • Delivered domain design connects partners, schools, frameworks, phases, requirements, tasks, documents, evidence, risks, decisions and history.
                        • Supabase/PostgreSQL is the designed canonical store, with document Storage, Auth, Realtime and pgvector; a React/TypeScript frontend includes workflow visualization.
                        • Architecture covers readiness, gaps, corrective plans, self-study and artifact reuse; expected outcomes are product goals rather than achieved impact metrics.

                        Consulting, solution architecture and roadmap

                        Objective: Deliver the architecture and roadmap for incremental implementation

                        • Documented deliverables combine an executive view, detailed architecture, navigable PT/EN presentation and implementation planning.
                        • Roadmap starts with discovery and operational domain, then adds RAG/documents, agents, continuous compliance, integrations and certification intelligence.
                        • Defined target measures: phase duration, evidence completeness, reuse, draft approval, agent errors, integration health and audit coverage.

                        Technical cases — TraderMind MLOps and model lifecycle

                        Data pipelines, features and quality contracts

                        TraderMind · independent MLOps and quantitative research project

                        Integrated extraction, data updates, dataset construction and feature selection into operational TraderMind pipeline stages.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • Market data and multitimeframe indicators, Parquet datasets and evolutionary feature selection with EFS-AHP.
                        • Stage checks cover temporal integrity, feature availability and health, configuration consistency and artifact synchronization.

                        Technologies and methods: Python · pandas · NumPy · Parquet · DEAP · EFS-AHP

                        Training, checkpoints and artifact management

                        TraderMind · independent MLOps and quantitative research project

                        Organized experiments, training and execution recovery while preserving the relationship between models, features and parameters.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • Classifier training and comparison routines, feature selection and entry and early-exit models.
                        • Checkpoints resume evolutionary search; serialized models, feature lists, configuration and logs support workflow reproduction.

                        Technologies and methods: Python · scikit-learn · XGBoost · LightGBM · CatBoost · joblib · checkpoints

                        Temporal validation, leakage and out-of-sample evaluation

                        TraderMind · independent MLOps and quantitative research project

                        Separated selection, calibration and temporal evaluation to compare models and policies without contaminating the final evaluation period.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • Walk-forward, temporal holdouts, backtests and leakage audits complement training; causal external-data alignment avoids future information.
                        • Policies are selected before final OOS testing; comparisons between logged operation and replay/backtest help investigate discrepancies.

                        Technologies and methods: Python · temporal validation · walk-forward · OOS · backtesting

                        Model serving and MetaTrader5 integration

                        TraderMind · independent MLOps and quantitative research project

                        Connected ML artifacts, an inference service and the desktop terminal to bridge research and demonstration operation.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • A Flask API loads models and their features by pair/direction, returns predictions and probabilities and supports exit checks.
                        • A Python connector integrates data and execution with MetaTrader5; service endpoints expose health, status, loaded models and uptime.

                        Technologies and methods: Python · Flask · REST APIs · joblib · MetaTrader5

                        Orchestration, retraining and operational updates

                        TraderMind · independent MLOps and quantitative research project

                        Coordinated data, training, evaluation and serving cycles through distinct execution modes.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • The supervisor organizes extraction, datasets, EFS-AHP, training, backtesting and serving; it distinguishes data updates without retraining from full retraining cycles.
                        • Runs use identifiers and logs; scheduling and operational checks support pipeline maintenance.

                        Technologies and methods: Python · supervisor · scheduling · logs · pipeline automation

                        Observability and model follow-up

                        TraderMind · independent MLOps and quantitative research project

                        Connected the operational dashboard, pipeline stage health and performance review using recent data.

                        Application area: AI, Machine Learning and MLOps for quantitative research.

                        Users and context: Financial-market model and strategy research and experimentation.

                        Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                        Engineering and implementation

                        • Dashboard and health records track stages, training and operation; APIs expose model and service availability.
                        • OOS window updates and comparisons between logged trades and backtests support regime-change analysis and model review decisions.

                        Technologies and methods: Python · Flask · dashboard · logs · OOS · monitoring

                        Technical cases — Agrodan industrial computer vision platform

                        Computer vision platform development for packing operations

                        Agrodan · Agritech.NE applied R&D project · platform developer

                        Worked as a developer on the platform project during my Agrodan employment period, connecting fruit counting and tracking to operational packing monitoring.

                        Application area: Agribusiness, fruit production, packing, computer vision, traceability and operational efficiency.

                        Users and context: Sorting-machine operators, packing teams and Agrodan managers.

                        Objective: Integrate fruit counts and industrial data to monitor batches, indicate transitions and reduce interruptions.

                        Engineering and implementation

                        • Platform for identifying and recording mangoes on the reject conveyor, with counting and tracking to avoid duplicates.
                        • Connected the counting application, industrial data API, dashboard and notifications; the report describes two operating cameras.
                        • Applied R&D project with Agrodan in the Agritech.NE context, using CRISP-DM and project result follow-up.

                        Technologies and methods: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM

                        ERP, sorting-machine integration and batch traceability

                        Agrodan · Agritech.NE applied R&D project · platform developer

                        The platform connects incoming batches, packed volume and rejected fruit to track fruit origin and support batch transitions.

                        Application area: Agribusiness, fruit production, packing, computer vision, traceability and operational efficiency.

                        Users and context: Sorting-machine operators, packing teams and Agrodan managers.

                        Objective: Integrate fruit counts and industrial data to monitor batches, indicate transitions and reduce interruptions.

                        Engineering and implementation

                        • API access to sorting-machine and packing data, combined with ERP batch records and variety, harvest and handling information.
                        • Fruit counts are combined with the sorting-machine size distribution and variety-specific weight ranges to estimate reject weight.
                        • Reconciled incoming volume, packed volume and estimated reject weight; a 98% incoming-volume proximity threshold supports batch-change decisions.

                        Technologies and methods: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM

                        Dashboard, alerts and operational decision support

                        Agrodan · Agritech.NE applied R&D project · platform developer

                        Developed the monitoring and notification platform to provide operators with processing information and batch-change timing.

                        Application area: Agribusiness, fruit production, packing, computer vision, traceability and operational efficiency.

                        Users and context: Sorting-machine operators, packing teams and Agrodan managers.

                        Objective: Integrate fruit counts and industrial data to monitor batches, indicate transitions and reduce interruptions.

                        Engineering and implementation

                        • Monitored integrated production data and prepared Telegram alerts when processed volume approaches incoming volume.
                        • The scope includes dedicated-server counting and monitoring applications; the report records training and follow-up in February 2024.
                        • Counts, size distributions and processing volume support operational decisions beyond manual fruit removal from the tank.

                        Technologies and methods: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM

                        Project outcomes and industrial process improvement

                        Agrodan · Agritech.NE applied R&D project · platform developer

                        Platform integration into the packing workflow produced project-level outcomes recorded in the final report, covering throughput, downtime and operating costs.

                        Application area: Agribusiness, fruit production, packing, computer vision, traceability and operational efficiency.

                        Users and context: Sorting-machine operators, packing teams and Agrodan managers.

                        Objective: Integrate fruit counts and industrial data to monitor batches, indicate transitions and reduce interruptions.

                        Engineering and implementation

                        • Reported throughput increased from 30 to 37.5 boxes per hour; daily control-change downtime decreased from 45 to 5 minutes.
                        • The report records a 17% reduction in operating costs associated with labor and processing time.
                        • Reported counting precision was 98%; variety-specific calibration remained necessary, with a Kent mango adjustment identified in the report.

                        Technologies and methods: Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM

                        Doctoral, hospital internship and university projects

                        EBSERH — hospital indicators and assessments

                        Java EE web system for hospital indicators, assessments and strategic planning, associated with the Hospital Universitário de Petrolina internship.

                        Java, Java EE, EJB, JPA, Hibernate, JSF, PrimeFaces, XHTML, JPQL, Apache Ant, NetBeans

                        Public repository — EBSERH

                        The Game Project — academic project management

                        University application connecting persistent tasks, gamification and an interactive project timeline.

                        Java, JSF, PrimeFaces, JPA, Hibernate, MySQL, JPQL, Quartz, XHTML, JavaScript, jQuery, Apache Ant, NetBeans

                        Public repository — The Game Project

                        EFS-AHP — feature selection and multicriteria research

                        Doctoral research combining feature selection, evolutionary algorithms, AHP and comparative ML experiments to study predictive quality, dimensionality and training cost.

                        JavaScript, Node.js, Python, Jupyter, Random Forest, LASSO, PCA, t-SNE, UMAP, AHP, Docker, pandas, NumPy, scikit-learn, SciPy, DEAP

                        Public repository — EFS-AHP

                        SIA — business modules

                        94 business modules and submodules across 23 local Git references.

                        These entries belong to a shared ecosystem and may overlap across interfaces, APIs, data processing and integrations. They are not a count of independent products.

                        Fleet refueling

                        Application: Integration of information for fleet refueling.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Absenteeism

                        Application: Integration of information for absenteeism.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Operational follow-up

                        Application: Operational workflow for operational follow-up.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @material-ui/lab, @nivo/bar, @nivo/pie, color-interpolate, dexie, react, react-csv, react-custom-scrollbars, react-redux, thenby

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization references
                        • State hooks
                        • Effect hooks and data loading

                        Field and packing areas

                        Application: Operational workflow for field and packing areas.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @nivo/bar, moment, react, react-router-dom

                        • State hooks

                        Atel Escola monitoring

                        Application: Operational workflow for atel escola monitoring.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Spraying audit

                        Application: Operational workflow for spraying audit.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, @use-it/event-listener, crypto-js, leaflet, moment, react, react-bootstrap, react-dom, react-leaflet, react-leaflet-canvas-layer, react-leaflet-multi-options-polyline, react-router-dom, turf

                        • Maps and spatial information
                        • Leaflet maps
                        • Corresponding backend routes located

                        SGA audit

                        Application: Integration of information for sga audit.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        SIA audit

                        Application: Operational workflow for sia audit.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, moment-duration-format, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Team assessment

                        Application: Operational workflow for team assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks
                        • Corresponding backend routes located

                        Administrative team assessment

                        Application: Operational workflow for administrative team assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks

                        Student–teacher assessment

                        Application: Operational workflow for student–teacher assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks

                        Manager–manager assessment

                        Application: Operational workflow for manager–manager assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks

                        Teacher–manager assessment

                        Application: Operational workflow for teacher–manager assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks

                        Teacher–teacher assessment

                        Application: Operational workflow for teacher–teacher assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks

                        Reverse assessment

                        Application: Operational workflow for reverse assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks
                        • Corresponding backend routes located

                        Peer assessment

                        Application: Operational workflow for peer assessment.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks
                        • Corresponding backend routes located

                        Time-clock records

                        Application: Integration of information for time-clock records.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        CFO view

                        Application: Integration of information for cfo view.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Commercial results

                        Application: Operational workflow for commercial results.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, fs, moment, pdfreader, react, react-file-base64, react-select

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks
                        • Effect hooks and data loading
                        • Corresponding backend routes located

                        Accounts payable

                        Application: Integration of information for accounts payable.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Field-block registration

                        Application: Integration of information for field-block registration.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Field notebook

                        Application: Operational workflow for field notebook.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @mui/material, dexie, moment, react, react-chartjs-2, react-select, uuidv4

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization handlers
                        • Synchronization references
                        • State hooks
                        • Effect hooks and data loading
                        • Corresponding backend routes located

                        Packed boxes

                        Application: Integration of information for packed boxes.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Packed boxes by business unit

                        Application: Integration of information for packed boxes by business unit.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Input verification

                        Application: Integration of information for input verification.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Pallet control

                        Application: Integration of information for pallet control.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Quality control

                        Application: Integration of information for quality control.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Receiving control

                        Application: Operational workflow for receiving control.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • State hooks
                        • Effect hooks and data loading
                        • Maps and spatial information
                        • Leaflet maps

                        Harvest schedule

                        Application: Operational workflow for harvest schedule.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-touch-screen-keyboard, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Harvest schedule form

                        Application: Operational workflow for harvest schedule form.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, moment, react, react-touch-screen-keyboard

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization references

                        SIA-integrated harvest schedule

                        Application: Operational workflow for sia-integrated harvest schedule.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, dexie, moment, react

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization references
                        • State hooks
                        • Effect hooks and data loading
                        • Corresponding backend routes located

                        Costs

                        Application: Integration of information for costs.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Satisfaction dashboard

                        Application: Integration of information for satisfaction dashboard.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Virtual inventory

                        Application: Integration of information for virtual inventory.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Billing

                        Application: Integration of information for billing.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Field-block closure

                        Application: Integration of information for field-block closure.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Price fluctuations

                        Application: Integration of information for price fluctuations.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Payroll

                        Application: Integration of information for payroll.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Inventory management

                        Application: Integration of information for inventory management.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        Business-unit management

                        Application: Operational workflow for business-unit management.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @material-ui/styles, @react-pdf/renderer, axios, dexie, file-saver, moment, prop-types, react, react-icons, react-pdf, react-router-dom, react-select, react-to-pdf, xlsx

                        • Synchronization references
                        • State hooks
                        • Effect hooks and data loading
                        • Spreadsheets
                        • HTTP integration
                        • Corresponding backend routes located

                        Hour meter

                        Application: Integration of information for hour meter.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                        • Maps and spatial information
                        • Leaflet maps

                        BPM indicators and satisfaction

                        Application: Operational workflow for bpm indicators and satisfaction.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, dexie, leaflet, moment, prop-types, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf, uuidv4

                        • IndexedDB persistence through Dexie
                        • Local data layer
                        • Synchronization references
                        • Maps and spatial information
                        • Leaflet maps
                        • Corresponding backend routes located

                        Logistics satisfaction

                        Application: Operational workflow for logistics satisfaction.

                        Professional context — Agrodan

                        Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, moment, react

                          IT indicators and ticket queue

                          Application: Operational workflow for it indicators and ticket queue.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps
                          • Corresponding backend routes located

                          Irrigation monitoring

                          Application: Operational workflow for irrigation monitoring.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, moment-duration-format, react, react-csv-reader, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps
                          • Corresponding backend routes located

                          Irrigas view

                          Application: Integration of information for irrigas view.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Lean Packing Game

                          Application: Integration of information for lean packing game.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Time recording

                          Application: Operational workflow for time recording.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, moment, react, react-chartjs-2, trabalho-eficiente.jpg

                          • Corresponding backend routes located

                          MAD monitoring

                          Application: Operational workflow for mad monitoring.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf

                          • Local data layer
                          • Maps and spatial information
                          • Leaflet maps
                          • Corresponding backend routes located

                          MAF and mango monitoring

                          Application: Operational workflow for maf and mango monitoring.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @nivo/bar, moment, react, socket.io-client

                          • State hooks
                          • Effect hooks and data loading
                          • Socket events
                          • Corresponding backend routes located

                          Integrated pest monitoring

                          Application: Operational workflow for integrated pest monitoring.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Local data layer
                          • Maps and spatial information
                          • Leaflet maps

                          Dry matter and harvest forecasting

                          Application: Operational workflow for dry matter and harvest forecasting.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @nivo/pie, moment, react

                          • Forecasting function
                          • Harvest-readiness rule
                          • Corresponding backend routes located

                          Materials

                          Application: Operational workflow for materials.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @nivo/pie, moment, react

                          • Corresponding backend routes located

                          Material movements

                          Application: Operational workflow for material movements.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @nivo/pie, moment, react

                          • Corresponding backend routes located

                          Pallet and container movements

                          Application: Operational workflow for pallet and container movements.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, dexie, moment, react, react-touch-screen-keyboard

                          • IndexedDB persistence through Dexie
                          • Local data layer
                          • Synchronization references
                          • State hooks
                          • Corresponding backend routes located

                          Budget

                          Application: Integration of information for budget.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps
                          • Corresponding backend routes located

                          Organization chart and areas

                          Application: Operational workflow for organization chart and areas.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, dexie, react

                          • IndexedDB persistence through Dexie
                          • Synchronization references
                          • State hooks

                          Labor PDCA

                          Application: Operational workflow for labor pdca.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, dexie, moment, react, react-file-base64, react-select

                          • IndexedDB persistence through Dexie
                          • Local data layer
                          • Synchronization handlers
                          • Synchronization references
                          • State hooks
                          • Effect hooks and data loading

                          Packing and box handling

                          Application: Operational workflow for packing and box handling.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/bar, audio-loader, audio-play, moment, play-sound, react, react-router-dom, socket.io-client

                          • Socket events

                          PLANAGRO — agricultural planning and rules

                          Application: Operational workflow for planagro — agricultural planning and rules.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, dexie, leaflet, moment, path, prop-types, react, react-custom-scrollbars, react-data-table-component, react-leaflet, react-leaflet-canvas-layer, react-leaflet-control, react-select, react-to-pdf, react-to-print, recharts, turf, uuidv4, xlsx

                          • IndexedDB persistence through Dexie
                          • Local data layer
                          • Synchronization references
                          • State hooks
                          • Effect hooks and data loading
                          • Maps and spatial information
                          • Leaflet maps
                          • Spreadsheets
                          • Printing
                          • Withholding-period rule
                          • Dosage rule
                          • Drift rule
                          • Corresponding backend routes located

                          Results and exchange-rate forecasts

                          Application: Operational workflow for results and exchange-rate forecasts.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, dexie, moment, prop-types, react, react-select, uuidv4, xlsx

                          • IndexedDB persistence through Dexie
                          • Local data layer
                          • Synchronization references
                          • State hooks
                          • Spreadsheets
                          • Corresponding backend routes located

                          Processing schedule

                          Application: Integration of information for processing schedule.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Projects

                          Application: Integration of information for projects.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Employee counts

                          Application: Integration of information for employee counts.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Field quality and checklists

                          Application: Operational workflow for field quality and checklists.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, dexie, react, react-select

                          • IndexedDB persistence through Dexie
                          • Synchronization references
                          • State hooks
                          • Corresponding backend routes located

                          HR view

                          Application: Integration of information for hr view.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Occupational safety risks

                          Application: Operational workflow for occupational safety risks.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Phone extensions

                          Application: Integration of information for phone extensions.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Rejects

                          Application: Integration of information for rejects.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          BI reports

                          Application: Integration of information for bi reports.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Labor summary

                          Application: Integration of information for labor summary.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Management routines

                          Application: Integration of information for management routines.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Quality management system

                          Application: Operational workflow for quality management system.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, dexie, moment, react, react-file-base64, react-select

                          • IndexedDB persistence through Dexie
                          • Local data layer
                          • Synchronization handlers
                          • Synchronization references
                          • State hooks
                          • Effect hooks and data loading

                          Quality reports

                          Application: Operational workflow for quality reports.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, dexie, react, react-file-base64, react-select

                          • IndexedDB persistence through Dexie
                          • Local data layer
                          • Synchronization references
                          • State hooks
                          • Effect hooks and data loading

                          Time-bank balance

                          Application: Integration of information for time-bank balance.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                          • Maps and spatial information
                          • Leaflet maps

                          Satisfaction

                          Application: Operational workflow for satisfaction.

                          Professional context — Agrodan

                          Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, moment, react

                            Purchase requests

                            Application: Operational workflow for purchase requests.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @material-ui/icons, dexie, moment, react, react-select

                            • IndexedDB persistence through Dexie
                            • Local data layer
                            • Synchronization handlers
                            • Synchronization references
                            • State hooks
                            • Corresponding backend routes located

                            Improvement suggestions

                            Application: Operational workflow for improvement suggestions.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @material-ui/icons, axios, moment, react

                            • Synchronization references
                            • State hooks
                            • Effect hooks and data loading
                            • HTTP integration
                            • Corresponding backend routes located

                            Workshop business unit

                            Application: Integration of information for workshop business unit.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                            • Maps and spatial information
                            • Leaflet maps

                            Harvest validation

                            Application: Integration of information for harvest validation.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                            • Maps and spatial information
                            • Leaflet maps

                            MDO validation

                            Application: Operational workflow for mdo validation.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @nivo/pie, moment, react

                            • Corresponding backend routes located

                            Labor validation

                            Application: Integration of information for labor validation.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, turf

                            • Maps and spatial information
                            • Leaflet maps

                            Guard monitoring

                            Application: Operational workflow for guard monitoring.

                            Professional context — Agrodan

                            Observed stack: @material-ui/core, @material-ui/icons, @nivo/pie, leaflet, moment, react, react-dom, react-leaflet, react-leaflet-canvas-layer, react-router-dom, turf

                            • Maps and spatial information
                            • Leaflet maps

                            UGB — employees and history

                            Application: Operational workflow for ugb — employees and history.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            UGB — units and roles

                            Application: Operational workflow for ugb — units and roles.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            UGB — people assessment

                            Application: Operational workflow for ugb — people assessment.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            UGB — action plans

                            Application: Operational workflow for ugb — action plans.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            UGB — technical qualification

                            Application: Operational workflow for ugb — technical qualification.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            UGB — technical requalification

                            Application: Operational workflow for ugb — technical requalification.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            UGB — improvement suggestions

                            Application: Operational workflow for ugb — improvement suggestions.

                            Professional context — Agrodan

                            Observed stack: React, JavaScript

                            • Business-unit management workflow

                            SIA / SIAgro — data and mobile workflows

                            48 technical workflows and modules across the checkout, ETL and mobile layers.

                            These entries belong to a shared ecosystem and may overlap across interfaces, APIs, data processing and integrations. They are not a count of independent products.

                            Production records

                            Application: Operational workflow for production records.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Query table relationships

                            Operational shifts

                            Application: Operational workflow for operational shifts.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Query table relationships

                            Business-unit inspections

                            Application: Operational workflow for business-unit inspections.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence

                            Pallet origin

                            Application: Operational workflow for pallet origin.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • SQL query aggregation

                            Production targets

                            Application: Operational workflow for production targets.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Query table relationships

                            Target percentages

                            Application: Operational workflow for target percentages.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • SQL query aggregation

                            Yield by record and day

                            Application: Operational workflow for yield by record and day.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence

                            Yield updates

                            Application: Operational workflow for yield updates.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • SQL query aggregation

                            Total production

                            Application: Operational workflow for total production.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • SQL query aggregation

                            Production by farm

                            Application: Operational workflow for production by farm.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • SQL query aggregation
                            • Query table relationships

                            Business units and farms

                            Application: Operational workflow for business units and farms.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Query table relationships

                            Packaging by business unit

                            Application: Operational workflow for packaging by business unit.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • SQL query aggregation
                            • Query table relationships

                            Daily packaging

                            Application: Operational workflow for daily packaging.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • SQL query aggregation
                            • Query table relationships

                            Field LUGB dataset

                            Application: Operational workflow for field lugb dataset.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • SQL query aggregation

                            Employee–business unit links

                            Application: Operational workflow for employee–business unit links.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • Query table relationships

                            Field production targets

                            Application: Operational workflow for field production targets.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • Query table relationships

                            Quality targets by business unit

                            Application: Operational workflow for quality targets by business unit.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • SQL query aggregation
                            • Query table relationships

                            Field target composition

                            Application: Operational workflow for field target composition.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • SQL query aggregation
                            • Query table relationships

                            Field NUGB

                            Application: Operational workflow for field nugb.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads

                            Quality by employee and day

                            Application: Operational workflow for quality by employee and day.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • SQL query aggregation
                            • Query table relationships

                            Field quality

                            Application: Operational workflow for field quality.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • SQL query aggregation
                            • Query table relationships

                            Quality breakdown

                            Application: Operational workflow for quality breakdown.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads

                            Packing quality

                            Application: Operational workflow for packing quality.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • Matching against specific records

                            Packing NUGB quality

                            Application: Operational workflow for packing nugb quality.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • Matching against specific records

                            Packing LUGB consolidation

                            Application: Operational workflow for packing lugb consolidation.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • Matching against specific records

                            Packing targets

                            Application: Operational workflow for packing targets.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads

                            APPT and Farmlog integration

                            Application: Operational workflow for appt and farmlog integration.

                            Professional context — Agrodan

                            Observed stack: Node.js, JavaScript, SQL, Sequelize

                            • Batch record persistence
                            • Persisted collection reads
                            • Query table relationships

                            Movement and access direction

                            Application: Operational workflow for movement and access direction.

                            Professional context — Agrodan

                            Observed stack: Node.js, Moment.js, SQL Server, Oracle

                            • Record grouping
                            • Batch record persistence

                            Hourly access distribution

                            Application: Operational workflow for hourly access distribution.

                            Professional context — Agrodan

                            Observed stack: Node.js, Moment.js, SQL Server, Oracle

                            • Record grouping
                            • Batch record persistence

                            Operational availability

                            Application: Operational workflow for operational availability.

                            Professional context — Agrodan

                            Observed stack: Node.js, Moment.js, SQL Server, Oracle

                            • Record grouping
                            • Batch record persistence

                            Turnstile utilization

                            Application: Operational workflow for turnstile utilization.

                            Professional context — Agrodan

                            Observed stack: Node.js, Moment.js, SQL Server, Oracle

                            • Record grouping
                            • Batch record persistence

                            Visitors and movement by department

                            Application: Operational workflow for visitors and movement by department.

                            Professional context — Agrodan

                            Observed stack: Node.js, Moment.js, SQL Server, Oracle

                            • Record grouping
                            • Batch record persistence

                            Attendance frequency

                            Application: Operational workflow for attendance frequency.

                            Professional context — Agrodan

                            Observed stack: Node.js, Moment.js, SQL Server, Oracle

                            • Record grouping
                            • Batch record persistence

                            Departments and subdepartments

                            Application: Operational workflow for departments and subdepartments.

                            Professional context — Agrodan

                            Observed stack: Node.js, Sequelize

                              Operational routine scheduler

                              Application: Operational workflow for operational routine scheduler.

                              Professional context — Agrodan

                              Observed stack: Agenda, MongoDB, Agendash

                              • Scheduled job registration
                              • Scheduling interval definition

                              Harvest date re-estimation and actuals

                              Application: Operational workflow for harvest date re-estimation and actuals.

                              Professional context — Agrodan

                              Observed stack: Node.js, SQL, Sequelize

                                Validation and error traceability

                                Application: Operational workflow for validation and error traceability.

                                Professional context — Agrodan

                                Observed stack: JavaScript, Sequelize

                                • Batch record persistence

                                Mobile work orders

                                Application: Operational workflow for mobile work orders.

                                Professional context — Agrodan

                                Observed stack: React Native, Expo

                                • Query table relationships

                                Mobile production records

                                Application: Operational workflow for mobile production records.

                                Professional context — Agrodan

                                Observed stack: React Native, Expo

                                • In-app local storage

                                Employees in production records

                                Application: Operational workflow for employees in production records.

                                Professional context — Agrodan

                                Observed stack: React Native

                                • In-app local storage

                                Targets and business units in work orders

                                Application: Operational workflow for targets and business units in work orders.

                                Professional context — Agrodan

                                Observed stack: React Native

                                • In-app local storage

                                Mobile operational dashboard

                                Application: Operational workflow for mobile operational dashboard.

                                Professional context — Agrodan

                                Observed stack: React Native, Victory Native

                                • In-app local storage

                                Reusable local persistence

                                Application: Operational workflow for reusable local persistence.

                                Professional context — Agrodan

                                Observed stack: React Native, AsyncStorage

                                • In-app local storage

                                Complete project and reference catalog

                                38 projects and references include professional applications, doctoral research, independent products, prototypes, studies, backups and third-party references. Source availability alone does not prove exclusive authorship, deployment or measured impact.

                                EBSERH — hospital indicators and assessments

                                Java EE web system for hospital indicators, assessments and strategic planning, associated with the Hospital Universitário de Petrolina internship.

                                Application area: Healthcare, hospital management and strategic planning.

                                Users and context: Hospital Universitário de Petrolina teams and managers.

                                Objective: Organize indicators, assessments and hospital planning monitoring.

                                Architecture: Java EE application with entities, persistence, business services and a JSF interface for indicators and assessments.

                                Stack: Java, Java EE, EJB, JPA, Hibernate, JSF, PrimeFaces, XHTML, JPQL, Apache Ant, NetBeans

                                Public repository — EBSERH

                                The Game Project — academic project management

                                University application connecting persistent tasks, gamification and an interactive project timeline.

                                Application area: Project management, gamification and collaboration.

                                Users and context: Project teams; university development project.

                                Objective: Represent projects, stages and progression through quests, experience and rewards.

                                Architecture: Web application with entities, data access, interface controllers and MySQL persistence; gamification connects adventures, battles and progression.

                                Stack: Java, JSF, PrimeFaces, JPA, Hibernate, MySQL, JPQL, Quartz, XHTML, JavaScript, jQuery, Apache Ant, NetBeans

                                Public repository — The Game Project

                                EFS-AHP — feature selection and multicriteria research

                                Doctoral research combining feature selection, evolutionary algorithms, AHP and comparative ML experiments to study predictive quality, dimensionality and training cost.

                                Application area: Data science, Machine Learning and multicriteria decision making.

                                Users and context: Applied doctoral research in Software Engineering.

                                Objective: Select features and compare model alternatives by performance, dimensionality and cost.

                                Architecture: Experiments organized by datasets and methods, with evolutionary routines, multicriteria evaluation, statistical notebooks and a containerized environment.

                                Stack: JavaScript, Node.js, Python, Jupyter, Random Forest, LASSO, PCA, t-SNE, UMAP, AHP, Docker, pandas, NumPy, scikit-learn, SciPy, DEAP

                                Public repository — EFS-AHP

                                Agrodan — operational application components and data ecosystem

                                Professional SIA/SIAgro ecosystem connecting agricultural data, access and availability indicators, corporate forms, weather collection, Node.js/SQL services and React/React Native applications.

                                Application area: Agribusiness, field operations, packing, quality, logistics and management.

                                Users and context: Agrodan field, operational, administrative and management teams.

                                Objective: Integrate operational records, business rules and indicators to support execution and management.

                                Architecture: React/Redux frontend, modular Express backend, data integration and processing layers and a React Native/Expo application for SIAgro processes.

                                Stack: JavaScript, Node.js, Express, SQL, Sequelize, Oracle, oracledb, Moment.js, mssql, React, Redux, Nivo, Umzug, React Redux, Material UI, JSS, Jest / react-scripts, Axios, axios-https-proxy-fix, Agenda, MongoDB, Agendash, Cron, React Native, Expo, React Navigation, AsyncStorage, Victory Native, Galio Framework, Expo File System, Expo Image Manipulator

                                Genetic algorithms — irrigation and operations research

                                JavaScript laboratory separating functions, datasets and results to explore evolutionary optimization, irrigation and operations research.

                                Application area: Operations research and irrigation scheduling.

                                Users and context: Agricultural optimization studies.

                                Objective: Explore genetic algorithms for scheduling and constraint problems.

                                Architecture: Experimental solution representation, evolution and evaluation routines, with operations research formulations and dataset and result recording.

                                Stack: JavaScript, Node.js, GLPK.js, ml-confusion-matrix, Blessed

                                EFS-AHP research backup

                                Historical research archive containing experiments, models and statistical analyses; a version archive rather than an independent product.

                                Application area: Data science, Machine Learning and multicriteria decision making.

                                Users and context: Applied doctoral research in Software Engineering.

                                Objective: Select features and compare model alternatives by performance, dimensionality and cost.

                                Architecture: Experiments organized by datasets and methods, with evolutionary routines, multicriteria evaluation, statistical notebooks and a containerized environment.

                                Stack: JavaScript, Python, Jupyter, Docker, pandas, NumPy, scikit-learn, SciPy, DEAP

                                Cartola Oracle — probabilistic forecasts and constrained teams

                                Pipeline using performance histories, Markov representations and integer programming to select athletes under budget and formation constraints.

                                Application area: Sports, fantasy football, probabilistic forecasting and optimization.

                                Users and context: Performance research and Cartola lineup construction.

                                Objective: Estimate performance and select lineups under budget and other constraints.

                                Architecture: Pipeline separating data collection and preparation, feature engineering, probabilistic models, optimization and a query application; notebooks support exploration.

                                Stack: Python, pandas, NumPy, PyArrow, Parquet, OR-Tools, CBC, Jupyter, Requests

                                Public repository — Cartola Oracle

                                ClassPlanner — AI-assisted lesson planning

                                Web frontend, API, authentication and persistence connecting BNCC curriculum information and Gemini to lesson-planning workflows.

                                Application area: Education and lesson planning.

                                Users and context: Teachers.

                                Objective: Organize lesson plans using curriculum context, objectives, methodology and assessment.

                                Architecture: Frontend organized by pages and hooks; backend with controllers, services, repositories, routes, database and language model integration.

                                Stack: JavaScript, React, Node.js, Express, SQLite, Gemini, JWT, bcrypt, styled-components

                                DVR Person Alert — vision and operational notifications

                                RTSP monitoring application with person detection, Telegram alerts, local controls, detection review and state/transport components.

                                Application area: Security, video monitoring and computer vision.

                                Users and context: Camera monitoring and event review.

                                Objective: Detect events, collect reviewed examples and adapt classification to the camera context.

                                Architecture: Video monitoring, management dashboard, temporal identity handling, event review and Telegram alert delivery in separate components.

                                Stack: Python, OpenCV, Ultralytics, YOLO, Flask, RTSP, FFmpeg, Telegram Bot API, psutil, PyTorch

                                Google Auth — integration configuration

                                Google authentication configuration used as integration support; no standalone application identified.

                                Application area: Authentication and Google service integration.

                                Users and context: Application integration setup.

                                Objective: Explore authentication and service access configuration.

                                Architecture: Authentication and integration configuration, with a study and access setup scope.

                                Stack:

                                Instabot — browser automation with persistent state

                                Local Instagram browser automation recording processed users and interactions, with configuration, persistent sessions and execution history.

                                Application area: Digital marketing and browser automation.

                                Users and context: Social media operational routines.

                                Objective: Automate interactions with persistent state and execution control.

                                Architecture: Configuration, session management, interaction collection and routine execution with persistent operational state.

                                Stack: JavaScript, Node.js, Playwright, Chrome DevTools Protocol, JSON, dotenv

                                Conversion CRM — conversations and assisted AI

                                Local CRM organizing campaigns, leads, conversation history and a SPIN-assisted flow with an output queue and Gemini integration.

                                Application area: Marketing, sales and customer relationships.

                                Users and context: Conversational sales and customer service operations.

                                Objective: Organize the sales funnel and support conversational decisions with history and suggested actions.

                                Architecture: API, database, services, SPIN decision engine and Gemini integration; event processing and a dashboard support the conversational workflow.

                                Stack: JavaScript, Node.js, Express, SQLite, Gemini, HTML, CSS

                                Launch With Me — product-validation marketplace

                                Next.js/Supabase platform modeling roles, campaigns and financial workflows for users completing product-validation missions and submitting evidence.

                                Application area: Entrepreneurship, marketplaces and product validation.

                                Users and context: Product creators and potential users.

                                Objective: Connect product proposals, discovery and validation in a web platform.

                                Architecture: Role-based routes, server operations, centralized integrations and Supabase persistence with functions and row-level access rules.

                                Stack: TypeScript, Next.js, React, Tailwind CSS, Supabase, PostgreSQL, Stripe, Zod, React Hook Form

                                Job Assistant — supervised automation and fit ranking

                                Local CLI collecting and ranking vacancies, organizing fit criteria and assisting applications with human review, typed configuration and SQLite history.

                                Application area: Careers, recruitment and supervised automation.

                                Users and context: Professional opportunity organization.

                                Objective: Collect opportunities and rank fit under user supervision.

                                Architecture: Browser automation, application workflow, fit ranking, configuration, database and supervised execution.

                                Stack: Python, Playwright, Pydantic, Typer, Rich, PyYAML, SQLite, pytest, Ruff

                                Logística — routing and geospatial visualization

                                Web prototype exploring points, farm polygons and routes using maps and genetic-algorithm experiments.

                                Application area: Logistics, routing and geospatial analysis.

                                Users and context: Travel planning and logistics operations.

                                Objective: Represent locations and routes on maps and support routing decisions.

                                Architecture: Map, drawing and routing components, supporting functions and genetic algorithm experiments.

                                Stack: JavaScript, React, Leaflet, Leaflet Routing Machine, Axios, Canvas

                                Personal finance — Open Finance and transaction analysis

                                Local Pluggy integration persisting bank transactions in SQLite and presenting expense, recurring-payment and daily-availability analyses with a demo dashboard.

                                Application area: Personal finance, Open Finance and transaction analysis.

                                Users and context: Personal financial organization.

                                Objective: Integrate and analyze transactions to support financial monitoring.

                                Architecture: Web server, financial data source integration, transaction analysis engine and dashboard.

                                Stack: Python, Python standard library, SQLite, Pluggy, JavaScript, HTML, CSS

                                Mocap — browser pose and movement estimation

                                Browser motion-capture experiments using video/webcam input, keypoints, skeletons, smoothing and 3D resources.

                                Application area: Human movement, pose capture and avatar interaction.

                                Users and context: Body interaction and movement visualization experiments.

                                Objective: Estimate pose in video and connect body landmarks to browser visualization.

                                Architecture: Inference and rendering coordination, video processing, pose estimation and movement visualization assets.

                                Stack: JavaScript, Vite, TensorFlow.js, MoveNet, BlazePose, MediaPipe, WebGL, p5.js, Three.js, VRM

                                TraderMind — quantitative research and model pipelines

                                Research laboratory and operational dashboard combining time-series collection, features, training, backtests, out-of-sample evaluation and API/MetaTrader5 integration.

                                Application area: AI, Machine Learning and MLOps for quantitative research.

                                Users and context: Financial-market model and strategy research and experimentation.

                                Objective: Structure the data, training, temporal validation, inference and model supervision lifecycle; integrate signals and policies with MetaTrader5.

                                Architecture: Studies and notebooks connected to an inference API, Python MetaTrader5 connector, configuration, supervision and operational dashboards.

                                Stack: Python, JavaScript, MetaTrader 5, pandas, NumPy, scikit-learn, XGBoost, Flask, SQLite, Jupyter, PyTorch, TensorFlow, LightGBM, CatBoost, SciPy, statsmodels, DEAP, joblib

                                Planejamento Xavier — planning product with AI

                                Typed frontend, database and backend functions connecting goals, activities, calendar, contextual AI and replanning.

                                Application area: Personal planning, productivity and professional development.

                                Users and context: People managing goals, activities and development plans.

                                Objective: Connect goals, capacity and execution through AI-assisted planning and review.

                                Architecture: Planning and context domains, interface components, APIs, workers, versioned persistence and simulation routines.

                                Stack: TypeScript, React, Vite, Tailwind CSS, Radix UI, TanStack Query, Supabase, PostgreSQL, Deno, Capacitor, Recharts, Zod

                                Live website — Planejamento Xavier

                                Planejamento Xavier — historical backup

                                Earlier React interface and operational scripts preserving a previous stage of product development.

                                Application area: Personal planning, productivity and professional development.

                                Users and context: People managing goals, activities and development plans.

                                Objective: Connect goals, capacity and execution through AI-assisted planning and review.

                                Architecture: Planning and context domains, interface components, APIs, workers, versioned persistence and simulation routines.

                                Stack: TypeScript, React, Supabase, Tailwind CSS

                                PoseNet / ml5 — ML reference collection

                                Local community examples for JavaScript ML concepts including pose, segmentation and generative models; study/reference material.

                                Application area: Machine Learning and pose estimation.

                                Users and context: Computer vision model studies and references.

                                Objective: Explore existing model integration to identify body landmarks.

                                Architecture: Examples organized by Machine Learning libraries and tasks; existing model integration.

                                Stack: JavaScript, ml5.js, p5.js, TensorFlow.js

                                React Native — starter environment

                                Generated starter application with the default screen and mobile development configuration.

                                Application area: Mobile development.

                                Users and context: Mobile interface and application studies.

                                Objective: Explore an initial React Native application structure.

                                Architecture: Initial mobile application template and development configuration.

                                Stack: TypeScript, React Native, React, Metro, Jest

                                Legacy scraper — initial offer collection

                                Earlier HTTP/HTML parsing scripts and tabular exports documenting the evolution toward a modular collection pipeline.

                                Application area: Data collection, offers and content distribution.

                                Users and context: Offer monitoring and publishing operations.

                                Objective: Structure offer information collection, processing and distribution.

                                Architecture: Collection core with site-specific adapters, execution, supervision, dashboard and persistence; legacy versions are separated.

                                Stack: JavaScript, Node.js, Axios, Cheerio, XLSX

                                Scrapers — offers and distribution pipeline

                                Node.js pipeline separating collection, site adapters, link processing, supervised distribution and persistence across SQLite and PostgreSQL/Supabase.

                                Application area: Data collection, offers and content distribution.

                                Users and context: Offer monitoring and publishing operations.

                                Objective: Structure offer information collection, processing and distribution.

                                Architecture: Collection core with site-specific adapters, execution, supervision, dashboard and persistence; legacy versions are separated.

                                Stack: JavaScript, Node.js, Axios, Cheerio, Puppeteer, Express, SQLite, PostgreSQL, Supabase, Telegram, WhatsApp Web

                                Skeleton from Video — pose experiments

                                Video-pose and skeleton-rendering experiments with BlazePose and keypoints, documenting the evolution toward Mocap.

                                Application area: Computer vision and movement analysis.

                                Users and context: Video and body representation experimentation.

                                Objective: Extract and visualize skeletons from video.

                                Architecture: Pose detection variants using BlazePose and representation of recorded body positions.

                                Stack: JavaScript, HTML, TensorFlow.js, BlazePose, p5.js

                                SpeedTest — exploratory network diagnostics

                                Node.js script integrating external speed tests and formatted ping/download/upload output.

                                Application area: Networks and connectivity diagnostics.

                                Users and context: Connection performance exploration.

                                Objective: Investigate connectivity measurements and their presentation.

                                Architecture: Exploratory execution and request routines for connectivity diagnostics.

                                Stack: JavaScript, Node.js, child_process, speedtest-net, fast-speedtest-api, Axios

                                Unity — exploration folder

                                Folder present in the inventory without identifiable application code; it does not establish development experience on its own.

                                Application area: Game and interactive environment development.

                                Users and context: Development tool exploration.

                                Objective: Explore the Unity environment; implementation scope is limited in the inventory.

                                Architecture: Environment exploration; the inventory does not contain a detailed implementation to describe.

                                Stack:

                                Utilibox — tools and knowledge products

                                Shared web platform combining browser processing, external functions, persistence and commercial integrations for productivity, analysis, decisions, writing and knowledge organization.

                                Application area: Finance, employment, production engineering, decision making, education, writing, health, beauty, documents, design and marketing.

                                Users and context: General users, students, writers and professionals.

                                Objective: Turn calculations, methods and knowledge organization into accessible interactive tools.

                                Architecture: Domain-specific tools, Narra and UtiliNotas modules, shared pages and layouts, centralized policies and integrations and a Supabase backend.

                                Stack: JavaScript, TypeScript, Astro, Node.js, Supabase, PostgreSQL, Stripe, Gemini, CodeMirror, KaTeX, pdf-lib, Playwright

                                Open tool — utilinotas

                                Utilibox Manga — creative product variant

                                Utilibox variant reusing tools, writing and backend components to explore narrative and comics presentation.

                                Application area: Finance, employment, production engineering, decision making, education, writing, health, beauty, documents, design and marketing.

                                Users and context: General users, students, writers and professionals.

                                Objective: Turn calculations, methods and knowledge organization into accessible interactive tools.

                                Architecture: Domain-specific tools, Narra and UtiliNotas modules, shared pages and layouts, centralized policies and integrations and a Supabase backend.

                                Stack: JavaScript, TypeScript, Astro, Supabase, Stripe, CodeMirror, Gemini

                                Digital CV — professional presentation

                                JSON-driven CV and cover-letter interface with display/print modes and Vercel configuration. The empty PDF API does not establish server-side PDF conversion.

                                Application area: Professional presentation and web development.

                                Users and context: Recruiters and CV readers.

                                Objective: Present career history, skills and projects with language selection and PDF export.

                                Architecture: Main HTML with structured data, bilingual content, view controls and browser printing.

                                Stack: HTML, CSS, JavaScript, JSON, Vercel

                                Public repository — CV digital

                                Globalcom Certification OS — Agentic AI architecture for certification and compliance

                                Delivered solution architecture, currently being implemented, for educational certification and compliance, combining deterministic workflows, specialist agent orchestration, managed RAG, versioned evidence and integrations for school CEA + SEVP processes.

                                Application area: Education, certification, accreditation, compliance, document management, audit and Agentic AI.

                                Users and context: Globalcom managers, partners, schools and certification teams.

                                Objective: Design evidence-driven certification operations with specialist agents and human approval.

                                Architecture: Delivered architecture, being implemented, with deterministic workflows, 10 specialists, an orchestrator and an independent auditor; managed RAG, Supabase/PostgreSQL, persistent workers and API/MCP/RPA integrations.

                                Stack: TypeScript, React, Node.js, Python, FastAPI, Supabase, PostgreSQL, pgvector, RAG, MCP, Playwright, RLS, RBAC, Filas e workers

                                Agrodan / Agritech.NE — fruit counting and packing traceability platform

                                Worked as a platform developer during the Agrodan employment period, connecting fruit counting and tracking on the reject conveyor with ERP and sorting-machine data, an operational dashboard and Telegram alerts for batch traceability and changeover decisions. The final project report is dated March 2024.

                                Application area: Agribusiness, fruit production, packing, computer vision, traceability and operational efficiency.

                                Users and context: Sorting-machine operators, packing teams and Agrodan managers.

                                Objective: Integrate fruit counts and industrial data to monitor batches, indicate transitions and reduce interruptions.

                                Architecture: Camera-based counting and tracking application, ERP/sorting-machine API integration, weight estimation by size and variety, dashboard and Telegram notifications; dedicated hosting is included in the project scope.

                                Stack: Computer vision, Deep Learning, Cameras, APIs, ERP, Sorting-machine integration, Dashboard, Telegram, Dedicated server, CRISP-DM

                                Utilibox — applications and product domains

                                Utilibox is an independent project translating methods, calculations and tasks into digital tools. Its scope combines decision support, production engineering, finance, knowledge, creation and everyday utilities. The areas below present the central idea and representative application examples.

                                Multicriteria decisions and management

                                Tools for structuring problems, comparing alternatives and prioritizing actions. The central idea is to make decision methods usable through interfaces with criteria, weights, rankings and visualizations, connecting quantitative analysis to management decisions.

                                Methods and topics: AHP, TOPSIS and PROMETHEE; Pareto, GUT, SWOT and expected monetary value.

                                Demonstrated capabilities: Criteria modeling, consistency, sensitivity and result presentation.

                                Examples: AHP Online · TOPSIS Online · PROMETHEE Online

                                Production engineering, Lean and continuous improvement

                                Applications for understanding workflows, identifying bottlenecks, reducing setup and tracking improvements. This group connects Lean tools to process metrics, capacity sizing and structured learning, relating to the ongoing Operational Excellence MBA.

                                Methods and topics: VSM, SMED, PDSA, A3, time study and queueing theory.

                                Demonstrated capabilities: Translating industrial methods into calculations, visual models and action tracking.

                                Examples: VSM Online · SMED Online · PDSA Manager

                                Related education: Operational Excellence MBA — in progress

                                Finance, investments and economic analysis

                                Simulators translating cash flows, rates, costs and periods into comparable indicators. Applications range from project appraisal and economic feasibility to financial planning, credit and scenario comparison.

                                Methods and topics: NPV, IRR, payback, WACC, break-even, interest and amortization.

                                Demonstrated capabilities: Financial mathematics, scenario modeling and explaining indicators to users.

                                Examples: Payback, NPV and IRR calculator · WACC calculator · Break-even simulator

                                People, compensation and calculation rules

                                Tools for exploring compensation, deductions, benefits and employment calculations. This domain demonstrates translating rules and parameters into simulators with checkable inputs and understandable results.

                                Methods and topics: Net salary, overtime, vacation pay, termination and tax and benefit estimates.

                                Demonstrated capabilities: Parameterized rules, conditional calculations, dates and information organization.

                                Examples: Brazilian net salary calculator · Overtime calculator · FGTS termination balance and 40% penalty

                                Knowledge, writing and learning

                                Products organizing ideas, content and relationships while retaining context throughout writing and study. Narra and UtiliNotas support knowledge organization; flashcards add review planning and spaced repetition.

                                Methods and topics: Entities and relationships, Markdown, connected notes, SM-2 and content export.

                                Demonstrated capabilities: Domain modeling, local persistence, editing and learning experiences.

                                Examples: Narra · UtiliNotas — connected Markdown editor · Anki flashcards — spaced repetition

                                Visual creation, applied AI and marketing

                                Tools connecting content creation, visual editing and commercial analysis. This experience combines browser graphics interaction, AI content generation and indicators for understanding customer acquisition and economic value.

                                Methods and topics: Vector and 3D editing, AI-generated carousels, LTV and CAC.

                                Demonstrated capabilities: Creative interfaces, AI integration and translating growth metrics into tools.

                                Examples: Online 3D editor · AI Instagram carousel generator · Customer lifetime value and acquisition cost — Google Ads

                                Documents, files and digital productivity

                                Utilities simplifying recurring tasks with documents, images and formats. The central idea is to reduce workflow steps through direct interfaces for manipulating files and producing reusable outputs.

                                Methods and topics: Conversion, compression, PDF splitting and merging, images and QR-code generation.

                                Demonstrated capabilities: File processing, formats, export and interaction workflow design.

                                Examples: Merge PDFs · JPG/PNG image compressor · QR code generator

                                Wellbeing, body metrics and pregnancy information

                                Informational calculators for exploring body metrics, physical activity, cycles and pregnancy timelines. This group extends development experience into domains with units, reference ranges and temporal relationships.

                                Methods and topics: BMI, energy expenditure, running pace, gestational age and weekly timelines.

                                Demonstrated capabilities: Parameterized calculations, unit conversion and presentation of informational estimates.

                                Examples: BMI calculator · Running pace calculator · Pregnancy duration calculator

                                Beauty, formulation and consumption planning

                                Simulators focused on proportions, consumption and beauty-service planning. This domain demonstrates calculation logic and parameter modeling applied to practical service and material-use situations.

                                Methods and topics: Mixing ratios, product quantities, colorimetry and hair-care schedules.

                                Demonstrated capabilities: Parameter modeling, consumption estimates and context-oriented interfaces.

                                Examples: Dye and developer mixing calculator · Hair dye quantity calculator · Hair-care schedule calculator

                                Construction, resources and everyday planning

                                Applications estimating materials, costs, consumption and quantities in household tasks and everyday planning. The engineering connects units, waste allowances, measurements and prices to outputs helping users plan resources.

                                Methods and topics: Area, price per square meter, materials, electricity use and quantity sizing.

                                Demonstrated capabilities: Quantitative estimation, conversions, consumption rules and cost comparison.

                                Examples: Floor and tile calculator · Paint quantity calculator · Electricity consumption calculator

                                Time, organization and focus

                                Tools organizing duration, dates, deadlines and work cycles. This group translates time operations and focus methods into simple interactions for personal planning and productivity.

                                Methods and topics: Business days, intervals, stopwatch, countdown and Pomodoro.

                                Demonstrated capabilities: Temporal logic, interface state, events and productivity routine design.

                                Examples: Online Pomodoro · Business-day calculator · Stopwatch and countdown timer

                                Shared product engineering

                                Product engineering combines Astro, JavaScript and TypeScript with interactive interfaces, data modeling and calculation logic. Modules requiring these capabilities use IndexedDB local persistence, Supabase/PostgreSQL services, Gemini AI integrations, content editing and document generation. This connects domain knowledge to software development and user experience.

                                See the highlighted Utilibox cases

                                Capabilities and their project origins

                                Capabilities organized by specialty, with applications, methods and source projects. Each group connects technical work to its professional, academic or independent context; links open the corresponding cases.

                                Agentic AI, multiagent systems and governance

                                Solution architecture with specialized roles, agent coordination, shared context and decision controls. Planejamento Xavier provides rule-based coordination; Globalcom extends this experience through a delivered certification and compliance architecture, currently being implemented.

                                Applied capabilities

                                • Responsibility decomposition, orchestration and conflict resolution
                                • RAG, document retrieval, MCP and system integration in the Globalcom design
                                • Persistent workflows, independent audit, permissions and human approval

                                Source cases and contexts

                                Technologies and methods: TypeScript · Deno · Supabase · typed contracts · conflict resolution · React · Node.js · Python · FastAPI · PostgreSQL · pgvector · RAG · MCP · Playwright · RLS · RBAC · Queues and workers

                                LLMs, AI applications and conversational automation

                                Language-model integration in planning, education and customer relationship products. This work connects AI responses to application domains through data structures, validation and failure handling, turning model output into usable actions.

                                Applied capabilities

                                • Provider integration, model selection and fallback
                                • Structured outputs, operation contracts and reference validation
                                • Conversation context and AI-assisted plan review

                                Source cases and contexts

                                Technologies and methods: TypeScript · Deno · LLM APIs · JSON · telemetry · fallback · Supabase · operation contracts · reference validation · React · Node.js · Express · SQLite · Gemini · BNCC · conversation history

                                Machine Learning, quantitative research and experimentation

                                Applied research combining data preparation, feature selection, evolutionary algorithms, predictive models and experimental evaluation. EFS-AHP belongs to doctoral research; TraderMind explores time series and signal ensembles in quantitative research, without implying verified financial returns.

                                Applied capabilities

                                • Feature selection, AHP, baselines and model comparison
                                • Evolutionary algorithms, ensembles and signal combination
                                • Feature engineering, temporal evaluation and data leakage prevention

                                Source cases and contexts

                                • EFS-AHP — doctoral research frameworkDoctoral research

                                  Developed EFS-AHP as doctoral research combining feature selection, evolutionary algorithms and multicriteria decision analysis, comparing ML alternatives and analyzing performance, dimensionality and computational cost.

                                • TraderMind — experiments and inference integrationIndependent projects, prototypes and research

                                  Structured quantitative experiments and inference components, connecting data preparation and model/policy evaluation to an API and the MetaTrader5 terminal.

                                • Financial signal ensemble — TraderMindIndependent projects, prototypes and research

                                  Designed multiagent policy experiments with signal voting, quorum and simulated annealing, separating calibration, temporal validation and out-of-sample evaluation.

                                Technologies and methods: Python · scikit-learn · pandas · NumPy · SciPy · DEAP · AHP · XGBoost · Flask · MetaTrader5 · simulated annealing · temporal validation

                                MLOps, pipelines and model lifecycle

                                TraderMind centers on the engineering connecting data, training, validation, artifacts, inference and model monitoring. MetaTrader5 integration is one component of this workflow; the cases describe research and demo operation, separating experimentation, API and execution responsibilities.

                                Applied capabilities

                                • Data contracts, feature preparation and out-of-sample validation
                                • Checkpoints, artifact persistence and model serving
                                • Process supervision, retraining, updates and observability

                                Source cases and contexts

                                • Data pipelines, features and quality contractsTraderMind · independent MLOps and quantitative research project

                                  Integrated extraction, data updates, dataset construction and feature selection into operational TraderMind pipeline stages.

                                • Training, checkpoints and artifact managementTraderMind · independent MLOps and quantitative research project

                                  Organized experiments, training and execution recovery while preserving the relationship between models, features and parameters.

                                • Temporal validation, leakage and out-of-sample evaluationTraderMind · independent MLOps and quantitative research project

                                  Separated selection, calibration and temporal evaluation to compare models and policies without contaminating the final evaluation period.

                                • Model serving and MetaTrader5 integrationTraderMind · independent MLOps and quantitative research project

                                  Connected ML artifacts, an inference service and the desktop terminal to bridge research and demonstration operation.

                                • Orchestration, retraining and operational updatesTraderMind · independent MLOps and quantitative research project

                                  Coordinated data, training, evaluation and serving cycles through distinct execution modes.

                                • Observability and model follow-upTraderMind · independent MLOps and quantitative research project

                                  Connected the operational dashboard, pipeline stage health and performance review using recent data.

                                • MetaTrader5 desktop connector — TraderMindIndependent projects, prototypes and research

                                  Built a Python connector to the MetaTrader5 desktop terminal, integrating market/account data with the documented research and execution workflow.

                                Technologies and methods: Python · pandas · NumPy · Parquet · DEAP · EFS-AHP · scikit-learn · XGBoost · LightGBM · CatBoost · joblib · checkpoints · temporal validation · walk-forward · OOS · backtesting · Flask · REST APIs · MetaTrader5 · supervisor · scheduling · logs · pipeline automation · dashboard · monitoring · SQLite · local APIs

                                Computer vision and industrial integration

                                Vision applications range from video detection and notifications to browser pose estimation and industrial fruit counting. At Agrodan/Agritech.NE, the developer contribution connects the platform to ERP, sorting-machine, batch and operational indicator data; industrial outcomes are those reported for the project.

                                Applied capabilities

                                • Video inference, feedback datasets and classifier training
                                • Pose estimation, client-side processing and visualization
                                • Counting, traceability, volume reconciliation and industrial alerts

                                Source cases and contexts

                                • DVR — feedback, datasets and classifier trainingIndependent projects, prototypes and research

                                  Implemented a computer-vision workflow with detection, example review and custom classifier training from a pretrained model, integrating epoch monitoring, checkpoints, temporal stabilization and persistent alerts.

                                • Mocap — browser inference and visualizationIndependent projects, prototypes and research

                                  Developed browser pose-estimation prototypes integrating inference, keypoint visualization and temporal smoothing to explore motion capture and 3D interaction.

                                • Computer vision platform development for packing operationsAgrodan · Agritech.NE applied R&D project · platform developer

                                  Worked as a developer on the platform project during my Agrodan employment period, connecting fruit counting and tracking to operational packing monitoring.

                                • ERP, sorting-machine integration and batch traceabilityAgrodan · Agritech.NE applied R&D project · platform developer

                                  The platform connects incoming batches, packed volume and rejected fruit to track fruit origin and support batch transitions.

                                • Dashboard, alerts and operational decision supportAgrodan · Agritech.NE applied R&D project · platform developer

                                  Developed the monitoring and notification platform to provide operators with processing information and batch-change timing.

                                • Project outcomes and industrial process improvementAgrodan · Agritech.NE applied R&D project · platform developer

                                  Platform integration into the packing workflow produced project-level outcomes recorded in the final report, covering throughput, downtime and operating costs.

                                Technologies and methods: Python · OpenCV · Ultralytics/YOLO · PyTorch · Flask · RTSP · JavaScript · TensorFlow.js · MoveNet · BlazePose · MediaPipe · WebGL · Computer vision · Deep Learning · Cameras · APIs · ERP · Sorting-machine integration · Dashboard · Telegram · Dedicated server · CRISP-DM

                                Data engineering, ETL and ERP integration

                                Operational data integration supporting corporate indicators and workflows at Agrodan. The engineering covers batch imports, persistence, APIs and update routines, connecting ERP records to web applications, analytics and management decisions.

                                Applied capabilities

                                • Data modeling and SQL queries
                                • Modular ETL, batch ingestion and data quality
                                • ERP integration, error traceability and operational updates

                                Source cases and contexts

                                • Modular ETL and operational data qualityProfessional experience — Agrodan

                                  Structured integration pipelines with reusable importers, batch processing and domain rules for production, packing, quality and people, organizing operational data for analysis and decisions.

                                Technologies and methods: Node.js · SQL · Oracle · Sequelize · ETL · batch import

                                Web and mobile software engineering and products

                                Development of systems with domain rules, interfaces, APIs and persistence across corporate, hospital, academic and entrepreneurial contexts. SIAgro extends this experience to mobile collection; independent products add entity modeling, authentication, services and commercial integrations.

                                Applied capabilities

                                • Web applications, API architecture and relational persistence
                                • React Native, navigation, operational collection and local storage
                                • Java EE systems, indicator management, gamification and digital products

                                Source cases and contexts

                                • SIAgro — mobile operational data collectionProfessional experience — Agrodan

                                  Developed SIAgro mobile modules for work orders, production records and quality using React Native/Expo, business-object modeling, local persistence and operational indicators.

                                • Hospital indicators and academic gamificationHospital internship and university project

                                  During the hospital internship, developed a Java EE web system for indicators and assessments. At university, built a project-management application with gamification and persistence, exploring progression rules and task organization.

                                • Marketplace, automation and productsIndependent projects, prototypes and research

                                  Structured products and prototypes with access rules, integrations and supervised workflows, including a marketplace, commercial collection and personal finance.

                                Technologies and methods: React Native · Expo · AsyncStorage · React Navigation · APIs · Java EE · EJB · JSF · PrimeFaces · JPA/Hibernate · JPQL · Quartz · Next.js · Supabase · PostgreSQL · Stripe · Playwright · SQLite

                                Agriculture, operational management and enterprise systems

                                Within SIA/SIAgro, technology supports agricultural planning, irrigation, spraying, purchasing, people, quality and packing. The cases show business rules translated into modules, data and interfaces, connecting software development to professional digital transformation and management experience at Agrodan.

                                Applied capabilities

                                • Agronomic rules, irrigation modeling and harvest forecasting
                                • Offline collection, synchronization, field audits and geospatial data
                                • Purchasing, assessments, business units, commercial indicators and quality management

                                Source cases and contexts

                                Technologies and methods: React · JavaScript · Node.js · operational APIs · agronomic rules · genetic algorithms · neural network · normalization · geospatial data · trajectory · speed · curves and equations · charts · field data · Dexie · IndexedDB · synchronization · organizational modeling · assessments · history · commercial data · pallets · containers · domain APIs · socket events · operational interfaces

                                Multicriteria decisions, optimization and operations research

                                Analytical methods translated into tools for comparing alternatives, sizing capacity and making constrained decisions. Utilibox provides AHP, TOPSIS, PROMETHEE and queueing applications; Cartola and logistics extend this experience to quantitative decisions and applied optimization.

                                Applied capabilities

                                • Weights, consistency, rankings and sensitivity analysis
                                • Queueing theory, capacity and service sizing
                                • Constrained optimization, probabilistic analysis and routing

                                Source cases and contexts

                                Technologies and methods: Astro · JavaScript · TypeScript · AHP · TOPSIS · PROMETHEE · simulation · Python · pandas · Parquet · OR-Tools/CBC · React · Leaflet · comparison matrices · consistency · sensitivity analysis · operations research · queueing models · sensitivity curves

                                Lean, continuous improvement and economic analysis

                                Production engineering and management methods implemented in Utilibox digital tools. This experience connects value streams, setup reduction, structured problem solving, prioritization and economic evaluation; the Lean tools also relate to the ongoing Operational Excellence MBA.

                                Applied capabilities

                                • VSM, SMED, PDSA and A3 for process analysis and improvement
                                • Pareto, GUT and SWOT for prioritization and diagnosis
                                • NPV, IRR, payback and scenarios for investment evaluation

                                Source cases and contexts

                                Technologies and methods: Astro · JavaScript · Lean · VSM · SMED · PDSA · A3 · financial mathematics · cash flows · investment analysis · Pareto · GUT · SWOT · EMV · decision visualization

                                Knowledge management, learning and domain modeling

                                Products organizing knowledge, relationships and learning routines. Narra, UtiliNotas and flashcards demonstrate entity modeling, context and persistence alongside study methods, spaced review and content export.

                                Applied capabilities

                                • Entities, relationships, context and knowledge organization
                                • Content persistence, Markdown and export
                                • Spaced repetition, review planning and study tracking

                                Source cases and contexts

                                Technologies and methods: JavaScript · TypeScript · Astro · entities and relationships · Markdown · IndexedDB · entity modeling · contextual AI · SM-2 · local persistence · TSV · PDF

                                Infrastructure, security and technology leadership

                                ICT management experience at Agrodan covers enterprise environments, support, servers, networks and operational continuity. This experience complements technology leadership, connecting operations, technical teams, enterprise systems and business needs.

                                Applied capabilities

                                • Windows/Linux, Active Directory, networks and server administration
                                • Monitoring, service desk, backup, recovery and availability
                                • Team management, prioritization and technology–operations integration

                                Source cases and contexts

                                • IT operations management — AgrodanProfessional experience — Agrodan

                                  Managed IT operations, integrating support, servers, networks, continuity, ERP and IoT initiatives with delivery of technology services and solutions.

                                Technologies and methods: Windows Server · Linux · Active Directory · Zabbix · GLPI · networks · IoT

                                3D interfaces, maps and interactive experiences

                                Exploration of spatial interfaces, maps, pose and 3D avatars in independent projects. This work combines browser rendering, interaction and geographic visualization; the cases retain their prototype context.

                                Applied capabilities

                                • Pose estimation and 3D avatars
                                • Browser interaction and rendering
                                • Maps, routes and geospatial visualization

                                Source cases and contexts

                                • Maps and spatial explorationIndependent projects, prototypes and research

                                  Explored spatial visualization with Leaflet in the Logistics prototype, building map, area-drawing and routing interfaces.

                                Technologies and methods: JavaScript · React · Leaflet · Canvas

                                Algorithms, data structures and problem solving

                                120 hours of complementary LeetCode practice covering arrays, hashing, binary search, trees, graphs, heaps, dynamic programming and backtracking. This experience supports complexity analysis and the selection of data structures and solution strategies.

                                See complementary experience and reference challenges

                                Project and career context

                                The projects cover professional applications at Agrodan, doctoral EFS-AHP research, hospital management during the internship and university project gamification. Independent initiatives include digital products, decision tools, education, finance, automation and interactive experiences.