// Olá, mundo — disponível para oportunidades
@br00tm
Computer Vision · DevOps · Cloud & Backend Engineer
Estudante de Sistemas de Informação no IFES, ES — Brasil
// about me
Desenvolvedor apaixonado por resolver problemas complexos na intersecção entre Inteligência Artificial, Infraestrutura em Nuvem e Segurança. Formado em Sistemas de Informação pelo IFES, onde construí uma trajetória sólida em projetos de pesquisa e desenvolvimento aplicado à indústria.
Meu TCC envolveu o desenvolvimento de um sistema completo de visão computacional para inspeção industrial de rochas ornamentais — utilizando arquiteturas de CNN (Xception) para classificação tipológica e YOLO para detecção e segmentação de defeitos superficiais.
Além da pesquisa, atuo com DevOps e Cloud Engineering, construindo infraestruturas modernas com Kubernetes, Docker e stacks de observabilidade. Tenho também forte interesse em Bug Bounty e Segurança Ofensiva.
// tech stack
// work
Sistema de monitoramento distribuído de infraestrutura Kubernetes com foco em observabilidade em tempo real. Arquitetura completa com FastAPI, React + TypeScript, Celery Workers, MongoDB, RabbitMQ, Redis, Nginx e deploy via Helm Charts. CI/CD automatizado com GitHub Actions.
API REST completa para gerenciamento e métricas de eventos acadêmicos. Backend Node.js com Express, documentação via Insomnia/Postman, 66 commits e arquitetura MVC robusta.
Processamento de linguagem natural aplicado à análise de discografias musicais. Extração de padrões e insights textuais usando técnicas modernas de NLP em Python.
// research
Este trabalho propõe e valida um sistema de controle de qualidade automatizado em duas etapas para a indústria de rochas ornamentais, visando superar a subjetividade da inspeção manual. A primeira etapa, focada na classificação tipológica, avaliou quatro arquiteturas de CNNs — a Xception demonstrou desempenho superior, alcançando 99,21% de acurácia na distinção entre 45 classes de rochas. A segunda etapa abordou a detecção de defeitos superficiais (fissuras, manchas, oxidações e irregularidades) utilizando um modelo de segmentação por instância baseado na arquitetura YOLO. A análise qualitativa, validada por especialista, revelou a capacidade do modelo de generalizar e identificar defeitos reais omitidos na anotação manual — superando as limitações de um dataset com ruído. O sistema integrado é uma solução robusta e de ponta a ponta, capaz de padronizar a classificação e fornecer análise de defeitos granular e objetiva.
// contact
Estou aberto a oportunidades de emprego, freelas, projetos de pesquisa e colaborações. Me encontra nas redes abaixo!