THIAGOMIGUEL
Especialista em Visão Computacional e Deep Learning aplicados a sistemas inteligentes escaláveis, da pesquisa à produção.
ENGENHARIA
COM IMPACTO
REAL
Engenheiro de Computação pelo Inatel (2024) com distinção acadêmica, 2° lugar da turma. Pós-graduando em Machine Learning Engineering pela FIAP, com foco em MLOps, Big Data e IA em produção.
Construo pipelines de Inteligência Artificial e Machine Learning para transformar dados em sistemas inteligentes em produção. Trabalho com visão computacional, processamento de sinais e modelos de Deep Learning executando em infraestrutura de alto desempenho, do dado bruto ao deployment.
SOLUÇÕES
APLICADAS
TOI: Sinais Vitais por Vídeo
Pipeline completo para extração de BPM, SpO₂ e RPM via vídeo facial. rPPG + Deep Learning + Anti-Spoofing em NVIDIA DGX H200.
ECG: Análise Morfológica
Filtragem digital avançada, detecção de picos R e extração de features. Optuna, ROC-AUC.
Volume Abdominal 2D
YOLOv8 Transfer Learning para segmentação. Modelagem geométrica 3D a partir de imagem 2D.
Datathon: Passos Mágicos
Modelo preditivo de risco educacional com XGBoost e Optuna. ROC-AUC 0.794 em dados de 2.845 alunos. Stack completa com FastAPI, Docker e Prometheus.
TOI — SINAIS
VITAIS EM
TEMPO REAL
Sistema de estimativa de sinais vitais a partir de vídeo facial utilizando técnicas de remote photoplethysmography (rPPG). O pipeline realiza detecção facial, segmentação dinâmica de regiões de interesse baseada em landmarks 3D e extração temporal de variações de cor associadas ao fluxo sanguíneo. Os sinais são processados por filtragem espectral e análise no domínio da frequência para estimativa de BPM, SpO₂ e taxa respiratória. A execução ocorre em infraestrutura NVIDIA DGX H200 com inferência em tempo real.
ECG —
ANÁLISE
MORFOLÓGICA
Pipeline de análise morfológica de sinais de ECG para detecção automática de padrões cardíacos. O sistema realiza pré-processamento do sinal, identificação dos complexos P-QRS-T e extração de características morfológicas utilizadas por modelos de aprendizado de máquina. O treinamento é otimizado com Optuna e a avaliação segue protocolo rigoroso com validação cruzada estratificada e métricas como ROC-AUC e Kappa.
VOLUME
ABDOMINAL
2D → 3D
Sistema de estimativa volumétrica abdominal a partir de imagens 2D utilizando visão computacional e modelagem geométrica. O pipeline emprega segmentação corporal baseada em YOLOv8 com Transfer Learning, permitindo adaptar um modelo pré-treinado para detecção e extração automática da região abdominal. A partir da máscara e do contorno corporal extraídos, o volume é estimado por aproximações elípticas e semielipsoidais com ajuste refinado via regressão não linear. A abordagem permite estimativas rápidas e não invasivas com potencial aplicação em triagem clínica.
DATATHON
PASSOS
MÁGICOS
Modelo preditivo de risco educacional para identificar, no início de cada ciclo anual, alunos com maior probabilidade de encerrar o ano com INDE abaixo de 7.0. O sistema utiliza XGBoost com otimização de hiperparâmetros via Optuna, atingindo ROC-AUC de 0.794 e F1 de 0.617 no conjunto de teste de 2024. A infraestrutura inclui API com FastAPI, monitoramento com Prometheus e Grafana e três camadas automáticas de detecção de data leakage. Projeto desenvolvido para a ONG Passos Mágicos com dados de 2.845 alunos ao longo de três ciclos anuais.
SINAIS VITAIS POR VÍDEO FACIAL
ANÁLISE DE
SINAIS ECG
Filtragem digital avançada + detecção automática de complexos P-QRS-T + extração de 40+ features morfológicas cardíacas.
VOLUME
ABDOMINAL
2D → 3D
DATATHON
PASSOS
MÁGICOS
TRAJETÓRIA
PROFISSIONAL
Com formação em eletrônica e arquitetura de computadores, minha trajetória evoluiu para a aplicação de Inteligência Artificial e Machine Learning em projetos de engenharia e pesquisa, combinando rigor técnico, análise de dados e desenvolvimento de soluções com impacto real.
Pós-graduação em Machine Learning Engineering
MLOps, Big Data e IA em produção.
Machine Learning Specialist
Visão computacional, Deep Learning, HPC/GPU (NVIDIA DGX H200) e sistemas de IA em produção.
Monitorias Acadêmicas
Eletrônica Digital I e II, Arquitetura de Computadores e Tópicos Especiais I.
Engenharia de Computação
Formação com distinção acadêmica e 2º lugar da turma.
Analista de Projetos
Sistemas embarcados, aquisição de dados e projetos de IoT.
Trainee em Flutter
Desenvolvimento mobile, UI/UX e integração com backends.
DO DADO
AO DEPLOY
AQUISIÇÃO
Coleta real-time via sensores na borda. Estruturação e tratamento de imagens.
MODELAGEM
Treinamento de arquiteturas Deep Learning com foco em alta precisão e baixa latência.
MLOPS
Empacotamento, orquestração e monitoramento contínuo. CI/CD para modelos.
UX & PRODUTO
Dashboards que traduzem backend complexo em experiência fluida.
XAI
LIME/SHAP para transparência. Métricas técnicas em impacto de negócio.
FERRAMENTAS
& TECNOLOGIAS
- —PyTorch / TensorFlow
- —CNNs · RNNs · BiLSTM
- —Attention Mechanisms
- —GANs
- —Transfer Learning
- —YOLOv8
- —OpenCV
- —MediaPipe Face Mesh
- —Haar Cascade · Dlib
- —Segmentation & ROI
- —FastAPI / Flask
- —Docker · Kubernetes
- —NVIDIA DGX H200
- —MLflow · Optuna
- —CI/CD Pipelines
- —ECG · PPG · rPPG
- —Butterworth · S-G Filter
- —FFT · Band-pass
- —LIME · SHAP
- —ROC-AUC · Cross-val
ALÉM DO
CÓDIGO
PALESTRA TÉCNICA
Apresentação sobre Inteligência Artificial aplicada, criptomoedas, DeFi e o impacto de algoritmos inteligentes na evolução dos sistemas financeiros.
ENTREVISTA HPC/IA
Entrevista sobre infraestrutura NVIDIA DGX H200, arquitetura GPU, pipelines de inferência real-time.
Não importa onde você começa importa como você avança a partir daí.
Thiago Miguel · ML Engineer
VAMOS
TRABALHARJUNTOS
Aberto a oportunidades em ML Engineering, consultoria em IA e colaborações técnicas onde dados e modelos geram impacto real em produto ou operação.