Milene Martins · Artificial Intelligence Engineer
IA acontece quando a engenharia sustenta o modelo.
Construo sistemas de Inteligência Artificial em produção, com foco em GenAI, arquiteturas multiagentes e aplicações baseadas em LLMs.
01Perspectiva
Construir IA não é só fazer o modelo responder. É fazer o sistema funcionar no mundo real.
Trabalho na fronteira entre engenharia de software, dados e produto: decidir onde o modelo entra, onde não deveria entrar, como medir se está funcionando e o que acontece quando falha.
02Como penso IA
Decisões de engenharia que sustentam um sistema em produção.
Production over prototype.
Uma demo prova que é possível. Produção prova que é confiável. Falhas, custo, latência e operação entram no desenho desde o começo.
Deterministic where necessary.
LLM onde há linguagem e ambiguidade. Regra explícita onde há política, risco ou obrigação. Nem toda decisão precisa ser tomada por um modelo.
Observable by design.
Se não dá para ver o que o sistema fez e por quê, não dá para melhorá-lo. Rastreamento e avaliação nascem junto com a primeira versão.
Business impact matters.
Um sistema de IA é medido pelo que muda na operação, não pela sofisticação da arquitetura.
03Experiência
Onde e como apliquei isso.
Plataforma corporativa de IA: experiências conversacionais com LLMs e arquiteturas multiagentes para canais digitais. Technical Owner de iniciativas estratégicas no domínio de cobrança, da arquitetura à produção.
- Technical Owner de iniciativas estratégicas: da definição da arquitetura e das regras de negócio à implantação e evolução contínua em produção.
- Capacidades conversacionais em arquitetura multiagentes: comportamento dos agentes, fluxos conversacionais e regras de negócio.
- Engenharia de software aplicada a LLMs, integrando APIs, serviços distribuídos e componentes da plataforma corporativa de IA.
- Observabilidade, rastreabilidade e avaliação contínua com Langfuse, Datadog e pipelines de LLM-as-a-Judge.
- Confiabilidade da plataforma: mitigação de alucinações, gerenciamento de contexto, validação de respostas e tratamento de falhas operacionais.
- Rollout seguro com feature flags, ambientes de homologação e automação de testes, em colaboração com Produto, Engenharia e Negócio.
- 28,2%
- de promessas de negociação
- ~R$ 540 mil
- revertidos em dois meses
- Prêmio
- participação em projeto vencedor de premiação interna de IA
Implantação e operação de aplicações com LLMs, e a engenharia de dados que as alimenta, em Azure, GCP e Databricks.
- Implantação e supervisão de modelos GPT em produção, com ajustes para manter conformidade com os requisitos e dados atualizados.
- Engenharia de prompt para melhorar a performance de modelos generativos.
- Investigação de novas aplicações para LLMs, como chatbots e busca inteligente, com Microsoft Azure e GCP.
- Extração, tratamento, inserção e vetorização de metadados para treinamento de modelos de IA.
- Pipelines e consultas em SQL e PySpark, com dados entre BigQuery (GCP) e Databricks em arquitetura em camadas (raw, trusted e refined).
- Documentação técnica, diagramas e apresentações; sprints ágeis; Git, GitHub e Azure DevOps com revisão por Pull Requests.
Desenvolvimento backend em Python e Django, com foco em qualidade de código, testes e entrega contínua.
- Aplicações backend em Python e Django, seguindo clean code, PEP 8 e lint, com banco de dados relacional MySQL.
- TDD para evitar quebras e garantir qualidade e segurança, além de testes de integração das rotas (CRUD) via Postman.
- CI/CD no GitLab e versionamento com Git, usando Conventional Commits.
- Consulta de logs no GCP e monitoramento com Grafana.
- Revisão de merge requests com contexto de front-end (JavaScript, React, HTML e CSS).
04Áreas de atuação
O território onde trabalho.
Generative AI
Do caso de uso ao sistema em produção, com o modelo como uma peça e não como o produto.
Multi-Agent Systems
Agentes com papéis, limites e responsabilidades claros, coordenados dentro de regras de negócio.
LLMs
Escolha de modelo, prompt e contexto guiada pelo problema, pelo custo e pela latência.
RAG & Vector Search
Recuperação que traz o contexto certo, medida e não presumida.
MCP & Tool Calling
Modelos que agem em sistemas reais por meio de interfaces bem definidas.
AI Observability & Evaluation
Traços, métricas e avaliação contínua para saber quando o sistema erra, e por quê.
Python / FastAPI
A base de serviço: APIs claras, testáveis e prontas para operar.
AI System Design
Fronteiras, fluxos e trade-offs desenhados antes do primeiro prompt.
05Formação
Base acadêmica e certificações.
Formação
- Pós-graduação em Engenharia de Machine LearningFIAP · 2025 – 2026
- Tecnologia em Análise e Desenvolvimento de SistemasUNIBTA · 2020 – 2023
Certificações
- Carreira Especialista em IAAlura · jul. 2026
- Generative AI FundamentalsDatabricks · nov. 2024
- Databricks for Data EngineeringDatabricks · nov. 2024
- Microsoft Certified: Azure AI FundamentalsMicrosoft · jun. 2024
06Contato
Milene Martins
Artificial Intelligence Engineer