Conecto pesquisa, engenharia e governança para desenhar aplicações de IA com contexto, integração e critérios claros de avaliação. Minha atuação reúne agentes inteligentes, Machine Learning e Deep Learning — da arquitetura à análise do comportamento em operação.
Uma aplicação de IA depende da qualidade dos dados, da forma de recuperar conhecimento e dos limites definidos para agir. Trabalho essas camadas de forma integrada.
Conexão entre modelos, dados e processos para construir fluxos coerentes com o contexto de cada organização. Arquiteturas híbridas combinam Deep Learning, Machine Learning e agentes por APIs e MCP, com responsabilidades claras entre as camadas.
Desenho de agentes com objetivos, contexto, ferramentas e critérios de conclusão. Agentificação de processos, coordenação de múltiplos agentes, gestão de estado e comunicação interoperável, com limites de autonomia definidos pelo uso.
Definição de guardrails, permissões, supervisão humana e critérios de avaliação. Explicabilidade, rastreabilidade e observabilidade ajudam a compreender o comportamento da aplicação e a investigar falhas.
Mitigação de drift: Exige acompanhar mudanças nos dados, nas fontes, nos modelos e na qualidade das respostas através de avaliações de referência e controle de versões.
Organização de fontes e recuperação de contexto relevante para respostas mais fundamentadas. RAG, embeddings, busca vetorial e reranking se articulam com memória episódica e semântica, mantendo atenção à origem e à atualização das informações.
Preparação, transformação e análise de dados para apoiar modelos preditivos e redes neurais. A integração dessas abordagens com agentes permite que cada componente execute o papel para o qual foi projetado, com avaliação própria.
Arquiteturas com Amazon Bedrock AgentCore e infraestrutura para IA generativa no Google Kubernetes Engine (GKE), dimensionadas conforme os requisitos de execução, escalabilidade e integração institucional.
O modelo é uma parte da arquitetura. O comportamento do agente também depende das instruções, do contexto, das ferramentas e dos mecanismos de avaliação que orientam sua execução.
Selecione um componente para visualizar seu papel e critérios técnicos:
A estrutura de execução reúne contexto, estado, limites, ferramentas e observabilidade. Ela organiza o ciclo de trabalho do agente e as condições para continuar, revisar ou encerrar uma tarefa.
Define objetivo, responsabilidade, critérios de qualidade e formato de saída. Suas instruções precisam ser consistentes com as permissões reais da aplicação e com o contexto disponível.
Reúnem procedimentos e recursos especializados que o agente pode usar quando a tarefa exige. O carregamento seletivo ajuda a oferecer conhecimento específico sem sobrecarregar todo o contexto.
Coordenam etapas, agentes e estados. A comunicação entre agentes precisa preservar contexto, responsabilidades e limites; interoperabilidade não substitui o desenho do fluxo nem as verificações de segurança.
Conectam o agente a funções e fontes externas. Contratos, validação de entrada e saída, permissões, limites de tempo e tratamento de falhas tornam a integração compreensível e controlável.
Recuperam informação relevante para compor o contexto da resposta. Indexação, embeddings, vector stores, reranking e proveniência ajudam a selecionar fontes; recuperar um trecho não prova que ele esteja correto.
Memória episódica organiza eventos e interações; memória semântica organiza conhecimento. A persistência precisa de regras sobre o que guardar, atualizar e remover, mantendo contexto útil sem acumular ruído.
Guardrails, testes, rastreabilidade e supervisão humana permitem avaliar resultados e decidir próximos passos. A arquitetura deve prever falhas, revisão e critérios para interromper uma execução.
Arquitetura conceitual de agentes, conhecimento e governança. Cada nó possui escopo delimitado para garantir explicabilidade, controle de custos e conformidade técnica.
Investigações conduzidas por Everton Rubens Martins unindo visão computacional, microsserviços via protocolo MCP, orquestração por agentes e modelos conceituais interdisciplinares.
Sistema agêntico concebido e desenvolvido por Everton durante seu mestrado pela Universidade de São Paulo (USP). A pesquisa estabelece uma ponte computacional autônoma de ponta a ponta: desde a identificação morfológica precisa por Deep Learning em exames de imagem médica até a mineração ativa de artigos científicos internacionais e ensaios clínicos em humanos, capacitando o médico assistente a tomar decisões fundamentadas e inscrever o paciente em programas terapêuticos de ponta.
Treinamento e calibração da rede neural convolucional InceptionV3 para a detecção e diferenciação acurada de três tipos de câncer. Após o treinamento, o modelo foi encapsulado em um microsserviço independente exposto sob o protocolo aberto MCP (Model Context Protocol), permitindo que agentes o invoquem nativamente como uma ferramenta padronizada.
O agente autônomo baseado em LangGraph gerencia a execução: recebe a imagem médica do paciente, aciona a tool do microsserviço MCP com o InceptionV3 e extrai a inferência completa: a classificação do tipo de câncer, o índice de acurácia diagnóstica calculada e um confronto visual direto entre o exame enviado e os padrões de referência aprendidos no treinamento.
Munido da acurácia, da classificação e do comparativo imagético, o agente consulta APIs de organizações internacionais de câncer e bases da indústria farmacêutica global. Rastreia literatura médica e terapias experimentais que superaram os testes em modelos animais (ratos) e iniciaram ensaios clínicos em humanos — como vacinas terapêuticas e quimioterapias de nova geração.
O agente compila e gera um laudo oncológico estruturado para o médico do paciente, reunindo: projeção de evolução da patologia, correlação com estudos internacionais, laboratórios envolvidos, percentuais de cura e resposta já comprovados em humanos, toxicidade e taxas de sobrevida/mortalidade — capacitando o médico a avaliar e credenciar o paciente no ensaio clínico mais promissor.
Pesquisa acadêmica de mestrado demonstrando a viabilidade de uma arquitetura agêntica assistiva que conecta visão computacional especializada e literatura médica global. Todas as decisões de diagnóstico, prescrição terapêutica e submissão do paciente a programas de ensaios clínicos permanecem sob a exclusiva prerrogativa e avaliação soberana do médico assistente.
Investigação teórica e exploratória em neurociência relacionada ao MIT, dedicada ao estudo das funções cerebrais humanas e ao mapeamento dos circuitos de neurônios-espelho. O projeto investiga a transposição de mecanismos biológicos de ressonância afetiva para a concepção de agentes de IA humanizados, dotados de escuta empática ativa, percepção multimodal e memória unificada contínua em múltiplos canais de contato.
Investigação neurofuncional e mapeamento dos circuitos de neurônios-espelho em estudos cerebrais relacionados ao MIT, analisando como o cérebro processa empatia, inferência de intenções e ressonância emocional interpessoal para embasar novas arquiteturas cognitivas.
Modelagem de neurônios-espelho sintéticos capazes de decodificar dores, sentimentos, nuances emocionais e intenção real — seja pelo tom e modulação da voz, pela escrita ou por pistas visuais. O agente atua com escuta humanizada para acolher o interlocutor e reverter interações de alta fricção ou escuta negativa em poucos minutos (essencial em contextos críticos como operações bancárias e serviços essenciais).
Arquitetura agêntica onde todos os pontos de contato bebem da mesma fonte de memória e estado. Um usuário pode iniciar um atendimento complexo por canal telefônico (voz), desligar no meio do diálogo e acionar o canal de WhatsApp: o agente de mensagens reconhece o ponto exato da conversa e continua o atendimento com contexto preservado, sem repetições.
O agente registra cada interação e avalia autonomamente limites de criticidade. Caso identifique impasses, dores complexas ou risco emergencial, ele próprio realiza a transferência imediata para especialistas humanos (HITL) ou aciona protocolos institucionais de emergência e suporte (como serviços de atendimento médico, apoio psicossocial ou segurança), agindo de forma responsável e conectada.
A transposição de mecanismos neurobiológicos dos neurônios-espelho humanos para arquiteturas de software e inteligência artificial generativa é conduzida como hipótese teórica e frente de pesquisa exploratória interdisciplinar. O projeto investiga novos modelos de empatia e interação humano-máquina, mantendo rigor na distinção entre especulações conceituais e a complexidade biológica cerebral definitiva.
Atuo na conexão entre problemas concretos, escolhas de arquitetura e avaliação de IA. Também compartilho esse conhecimento em palestras e conversas técnicas para aproximar pesquisa, engenharia e tomada de decisão.
Mapeamento rigoroso de objetivos, dados disponíveis, restrições técnicas, requisitos regulatórios e critérios mensuráveis de sucesso.
Definição clara das responsabilidades de modelos, orquestradores, sistemas de memória, contratos de ferramentas e guardrails de segurança.
Formulação de hipóteses, baterias de testes sistemáticos, conjuntos de regressão e identificação precoce de limites de precisão e custos.
Conexões seguras via APIs/MCP, observabilidade contínua de respostas e monitoramento ativo contra degradação de performance e drift.
Sessões direcionadas a equipes técnicas, lideranças de produto e tomadores de decisão que precisam compreender as engrenagens reais da IA além do hype comercial.
Entre em contato para alinhar temas, profundidade e formato da palestra com Everton Rubens Martins.
Conversar sobre uma palestraPara conversar sobre arquitetura, integração, governança, pesquisa ou palestras, entre em contato diretamente comigo.
Pesquisador
Atendimento exclusivamente pelo WhatsApp. Este número é dedicado a mensagens corporativas e alinhamento de projetos. Não são realizadas chamadas telefônicas.
Conversar pelo WhatsAppIdeal para envio de escopos detalhados, convites institucionais para palestras e discussões formais sobre arquitetura de sistemas.
