Desenvolvedor Backend Python · FastAPI · Docker · Machine Learning e LLMs 📍 Parnamirim/RN · Estudante de Tecnologia em Sistemas para Internet — IFRN
Desenvolvedor backend com foco em Python: construção de APIs robustas com FastAPI, conteinerização com Docker e aplicações de Machine Learning e LLMs (RAG). Tenho base sólida em Cálculo, Álgebra Linear e Estatística (três anos de Engenharia), que aplico em soluções de dados e inteligência artificial. Prezo por arquitetura em camadas, código testável e boas práticas de versionamento e CI/CD.
Possuo também conhecimentos complementares de front-end (HTML, CSS, JavaScript e TypeScript) e de C++, que me permitem atuar de forma full stack quando necessário.
Backend: Python 3.12, FastAPI, Pydantic, SQLAlchemy, pytest Dados e IA: scikit-learn, Pandas, NumPy, embeddings, RAG, integração com APIs de LLM Infraestrutura: Docker, Docker Compose, Nginx, GitHub Actions (CI/CD), variáveis de ambiente e healthchecks Bancos de dados: PostgreSQL (SQLAlchemy), SQLite Autenticação: OAuth2 Password Flow, JWT, hash de senhas (bcrypt) Conhecimentos complementares: HTML5, CSS3, JavaScript, TypeScript, C++
| # | Projeto | Descrição | Tecnologias |
|---|---|---|---|
| 1 | devtask-cli | Gerenciador de tarefas em linha de comando, com arquitetura em camadas, persistência em JSON e testes unitários. | Python, OOP, pytest, argparse |
| 2 | taskapi | API REST completa de gerenciamento de tarefas: autenticação JWT/OAuth2, CRUD isolado por usuário, PostgreSQL e orquestração via Docker Compose com healthchecks. | FastAPI, SQLAlchemy, PostgreSQL, JWT, Docker, pytest |
| 3 | iris-ml-api | API de Machine Learning que treina um modelo Random Forest (validação cruzada e métricas), serve predições via FastAPI em container e explica cada previsão em linguagem natural. | scikit-learn, Pandas, FastAPI, Docker |
| 4 | rag-assistant | Assistente RAG (Retrieval-Augmented Generation): ingestão de documentos, busca semântica, respostas com fontes citadas e respostas em streaming (SSE). Funciona offline e aceita integração com LLMs (OpenAI). Inclui Nginx, CI/CD com GitHub Actions e Docker Compose. | FastAPI, vector store, embeddings, SSE, Nginx, GitHub Actions, Docker |
graph LR
A[devtask-cli<br/>Fundamentos de Python] --> B[taskapi<br/>APIs + Docker + Banco]
B --> C[iris-ml-api<br/>Machine Learning em produção]
C --> D[rag-assistant<br/>LLMs + RAG + Produção]
style A fill:#3776AB,color:#fff
style B fill:#009688,color:#fff
style C fill:#F7931E,color:#fff
style D fill:#7B68EE,color:#fff
Cada projeto amplia a complexidade do anterior: ferramenta de linha de comando → API web com banco de dados e autenticação → modelo de Machine Learning servido em produção → aplicação de IA generativa com streaming e pipeline de CI/CD.
- Tecnologia em Sistemas para Internet (TSI) — IFRN, Campus Parnamirim (em andamento)
- Engenharia — 3 anos cursados: formação matemática sólida em Cálculo, Álgebra Linear, Geometria Analítica, Estatística e Física
- Informática Básica — CEEP Lourdinha Guerra, Parnamirim/RN
Estudos complementares: Python avançado, FastAPI, Docker e conteinerização, Machine Learning e LLMs/RAG.
Todos os projetos utilizam Python 3.12, FastAPI, Docker e pytest. Cada repositório inclui documentação com instruções de execução local e via Docker.