Experiência Profissional

Experiencia

2026-01 — 2026-07

Machine learning engineer — desenvolvimento de agentes

Desenvolvimento do agente de um assistente de inspeção para a Red Eléctrica de España. Os técnicos tinham milhões de fotos de torres de alta tensão com seus defeitos e precisavam revisá-las torre por torre. Com o agente podem consultar por zona e por tipo de defeito, de forma que priorizar e enviar equipes de reparo é muito mais eficiente.

Responsabilidades

Projeto, desenvolvimento e implantação do agente completo, incluindo sua infraestrutura.
Integração com o backend de análise de imagens e treinamento de modelos de visão desenvolvido pela equipe de visão.

Logros

Redesenhei a arquitetura: passou de detectar a intenção do usuário e executar uma única tool, para um loop ReAct multipasso sobre cerca de 10 tools (análise de imagens, navegação no S3, treinamento de modelos de visão, envio de relatórios por e-mail). O agente deixou de responder a comandos soltos e passou a resolver pedidos encadeados do início ao fim, como analisar torres em várias zonas da Espanha e enviar depois um relatório.
Introduzi o LangSmith para rastreabilidade: encontrar a causa de uma falha passou de mais de 10 minutos revisando logs manualmente para segundos. O mais importante é que permitiu reproduzir exatamente a conversa de um colega que reportava um problema; antes isso levava dias ou semanas e acabava no clássico "na minha máquina funciona".
Implementei multiprovedor de LLMs com fallback automático diante de quedas de provedor, limite de passos, guardrails e gestão de cache para reduzir o gasto em tokens.
Memória por usuário, de forma que o agente se adapta às preferências de cada pessoa.
Interfaces no Microsoft Teams e web.

Python

LangGraph

LangSmith

MCP

OpenAI

Mistral

OpenRouter

AWS S3

Railway

Docker

2025-03 — 2026-01

Engenheiro de Machine Learning - Freelance

Alvea Soluciones Tecnológicas Remote

A Alvea me contratou como freelance para desenvolver produto de agentes com sua empresa parceira, Turing Dream. O projeto principal foi um sistema multiagente de tutoria para estudantes do ensino médio, com um agente por disciplina e material de curso elaborado e validado por uma equipe de professores. Chegou a ser usado com alunos reais em um colégio privado na Espanha e em uma escola de ensino médio na Colômbia.

Responsabilidades

Planejamento de tarefas do agente, tanto dentro da janela de contexto quanto gerando arquivos de plano de execução.
Sistemas multiagente e agentes com subagentes, dividindo o problema em outros menores para elevar a probabilidade de sucesso sem saturar a janela de contexto.
Desenvolvimento de tools para dar novas capacidades aos LLMs: gestão de arquivos, chamadas a APIs, execução de código.
Prompt engineering com exemplos positivos e negativos, condicionamento do comportamento e modelagem das respostas.
System prompts que definem o comportamento, fornecem contexto do problema e blindam o agente contra prompt injection.
Human in the loop, de forma que o usuário pode reconduzir o agente no meio da tarefa e mantê-lo no rumo.
Context engineering: adicionar e remover informação, compactação e poda, distribuição do contexto entre subagentes, evitando o envenenamento de contexto.
Bancos de dados de grafos e consultas Gremlin.

Logros

Entrega de dois MVPs em duas semanas.
Levar o agente de tutoria de protótipo a alunos reais em dois países.

Python

OpenAI Agents SDK

Graph databases

Gremlin

2024-12 — 2025-03

Engenheiro de Machine Learning - Freelance

Civir Remote

Desenvolvimento de um chatbot para HoReCa (hotéis, restaurantes e cafés), através do qual cozinheiros e garçons podem falar com o chatbot para fazer consultas sobre receitas e menus.

Responsabilidades

Desenvolvimento de backend com chatbot
Desenvolvimento RAG
Implementação de agentes que obtêm a intenção do usuário e executam ações
Desenvolvimento de componentes de React para a interface de usuário
Implementação de chatbot através de comunicação falada

Logros

Buscas vetoriais personalizáveis
Geração de prompts com LangChain, construídos por variáveis a partir da pergunta do usuário e da informação da empresa
Projeto de um pipeline de áudio em streaming para reduzir o custo de STT: o front enviava fragmentos de 100 ms, o backend os recompunha, usava VAD para detectar fala real e fazia buffer de forma contínua, enviando o áudio à API de STT apenas após cerca de 2 s de silêncio, de modo que somente fala real era transcrita.

Python

LangChain

PostgreSQL

PGVector

React

Kubernetes

Docker

GitHub Actions

2024-09 — 2024-11

AI tech lead

Bravent Remote

Liderança técnica em uma iniciativa de IA generativa sobre Azure: arquitetura, seleção de tecnologia e avaliação de riscos. O programa foi interrompido pelo cliente.

Python

Pytorch

HuggingFace

Azure

Azure Machine Learning

2022-09 — 2024-09

Machine Learning Engineer

Sener Tres Cantos, Madrid

Machine Learning Engineer, desenvolvimento de algoritmos de visão para veículo autônomo e liderança no sistema RAG para obter informações de documentação

Responsabilidades

Desenvolvimento do conjunto de algoritmos de visão para veículo autônomo.
Liderança no desenvolvimento do sistema RAG para obter informações de documentação.

Logros

Ao trabalhar em um veículo autônomo, tudo tem que ir em um dispositivo embarcado, que não é tão potente quanto um computador normal. Portanto, otimizei as redes neurais com TensorRT, fazendo com que o tempo de inferência e a memória VRAM necessária fossem muito menores, garantindo o funcionamento em tempo real do veículo autônomo.
Desenvolvimento de um conjunto de dados de imagens sintéticas realistas para treinar as redes para o veículo autônomo, criando imagens em diferentes condições ambientais, tornando as redes neurais mais robustas.
Implementação de scripts de inicialização para todas as bibliotecas e programas do dispositivo do veículo autônomo. Antes, apenas uma pessoa sabia instalar tudo, agora qualquer pessoa pode iniciar o sistema.
Desenvolvimento do stack de percepção completo (segmentação, classificação, detecção e estimativa de profundidade) para um veículo autônomo em ambientes não estruturados, dentro de um consórcio europeu de defesa.
Desenvolvimento de uma ferramenta de rotulagem que reduziu o tempo de rotular uma imagem de horas para minutos.
Mentoria de 3 estagiários e juniores.
Impulso à promoção de uma colega da equipe de visão.

Python

Pytorch

HuggingFace

TensorRT

Nvidia Jetson

2017-10 — 2022-07

Engenheiro de IA e eletrônico

Arquimea Leganés, Madrid

Desenvolvimento de IA, HW e FW.

Responsabilidades

Implementação de algoritmos de detecção para UAV.
Desenvolvimento de um algoritmo piloto para geoposicionamento sem GPS.
Liderança do desenvolvimento de HW e FW de UAV.

Logros

Com a implementação de algoritmos de detecção para UAV, evitamos ter que comprar um dispositivo que fazia tal detecção, economizando um custo de 2000€ por unidade.
Quando cheguei, o HW e FW de cada um dos UAVs e estações terrestres era diferente, o que significava que havia várias equipes desenvolvendo a mesma funcionalidade, de maneiras diferentes. Unifiquei o HW dos UAVs e estações terrestres, o que reduziu o custo de fabricação de PCBs. Também permitiu criar um FW de baixo nível comum, tendo que mudar apenas a parte de alto nível, evitando desenvolvimentos duplicados.
Em ambientes de guerra eletrônica é habitual desativar o GPS, o que é letal para um UAV: sem posicionamento pode acabar caindo em território inimigo e ser analisado por engenharia reversa. Desenvolvi um MVP de geoposicionamento sem GPS, treinando uma rede com imagens aéreas verticais da Espanha e da França, capaz de localizar a aeronave a partir de uma única imagem com um erro de aproximadamente 1 km. Essa precisão é suficiente para o objetivo real: não navegar com exatidão, mas devolver a aeronave a território amigo, que abrange milhares de km². Foi entregue como MVP e não chegou à produção.

Python

Pytorch

YOLO

Altium

STM32

2014-05 — 2017-10

Engenheiro eletrônico

Indra Torrejón de Ardoz, Madrid

Desenvolvimento de HW e FW.

Responsabilidades

Desenvolvimento de FW de PCB de controle de helicóptero autônomo.
Manutenção de HW de PCBs de helicóptero autônomo.
Desenvolvimento de HW de PCB com sensores para um caça.

Logros

Ninguém queria se responsabilizar pelo FW da PCB de controle de helicóptero autônomo, o que fazia com que o projeto progredisse muito lentamente. Assumi o FW, então o projeto progrediu muito mais rápido.
Quando cheguei, os testes de inicialização das PCBs eram feitos manualmente, pois eram projetados pelos engenheiros que as projetavam e apenas as testavam na fase de projeto. Mas quando o projeto estava em produção, toda vez que novas PCBs eram fabricadas, seus testes eram muito lentos porque tinham que ser feitos manualmente. Nas PCBs que desenvolvi, implementei cabeamento de teste e FW de teste, de modo que o teste das PCBs era feito automaticamente, fazendo com que quando o projeto estava em produção, os testes das PCBs pudessem ser feitos muito mais rapidamente e também poderiam ser feitos por mais pessoas, porque não era necessário ter pessoal com um conhecimento mínimo.

Altium

Eclipse

2013-01 — 2014-05

Estagiário

Indra Torrejón de Ardoz, Madrid

Ajuda o gerente de projeto na gestão de projetos. Desenvolvimento de HW e FW.

Responsabilidades

Ajuda o gerente de projeto na gestão de projetos.
Projetar testes para iniciar PCBs de comunicações para controladores de tráfego aéreo.
Projeto de HW e FW

Logros

Projeto e documentação de testes para iniciar PCBs de comunicações para controladores de tráfego aéreo.
Reparo de PCBs para controladores de tráfego aéreo.

Altium

MPLAB

Continuar lendo

O arnês é o produto: por que os agentes de IA falham

Explico «The Harness Is The Product», de nyk: por que o arnês em volta do modelo decide se um agente de IA funciona em produção, e seus quatro pilares.

Qwen Image 2.1 em duas RTX 3090: de um Studio privado ao ZeroGPU

Como testei o Qwen Image 2.1 em duas RTX 3090, criei um Studio Gradio privado com Tailscale e o adaptei ao Hugging Face ...

Como executar tools em paralelo em um agente

Aprenda a decidir quais tools podem rodar juntas, limitar as operações ativas e associar cada resultado à sua solicitaçã...

Últimos posts -->

Você viu esses projetos?

Gymnasia

LangGraph Deep Researcher

Tau

Ver todos os projetos -->

>_ Disponível para projetos

Tem um projeto com IA?

Vamos conversar.

maximofn@gmail.com

Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.

Escreva-me LinkedIn

Quer assistir alguma palestra?

A viagem do arroz: como desenvolver um agente em um app de academia

Apresentação interativa em 3D (em espanhol) sobre o agente do Gymnasia: onde vivem os dados, do prato ao dado, tools, duplicados, limites de saúde e t...

Boas práticas criando agentes com Claude Code

Palestra técnica: skills, subagentes, slash commands e MCPs no Claude Code

Últimas palestras -->

Quer melhorar com essas dicas?

Boas práticas criando agentes com Claude Code

Palestra técnica: skills, subagentes, slash commands e MCPs no Claude Code

o1 prompt engineering

Criar prompts melhores para o1 seguindo um exemplo

Memory profiler

Ver o uso de memória de um script

Últimos tips -->

Use isso localmente

Os espaços do Hugging Face nos permitem executar modelos com demos muito simples, mas e se a demo quebrar? Ou se o usuário a deletar? Por isso, criei contêineres docker com alguns espaços interessantes, para poder usá-los localmente, aconteça o que acontecer. Na verdade, se você clicar em qualquer botão de visualização de projeto, ele pode levá-lo a um espaço que não funciona.