CURRÍCULO · TRAJETÓRIA · ACERVO TÉCNICO
Gerente de Tecnologia e Dados · Engenheiro de IA · fundador da IA4CO
Tecnologia aplicada, liderança e operação: da infraestrutura crítica à IA em produção.
Mais de 20 anos construindo e operando tecnologia — de datacenter, ERP e telecom a dados, integrações e inteligência artificial. Hoje projeta, treina e coloca em produção sistemas de IA sob a marca IA4CO, além de conduzir projetos de tecnologia de ponta a ponta para empresas.
PARA RECRUTADORES E RH
Gestão com execução técnica: lidera sistemas corporativos, infraestrutura, fornecedores e projetos — e constrói na prática as soluções de dados, integração e IA que reduzem trabalho manual.
Traduzo necessidade de negócio em sistema que entra em operação — e continua funcionando depois que o projeto acaba.
Comecei na base: rede, servidor, ERP, telefonia, backup. Passei por datacenter em ambiente crítico de energia, liderança de equipes bilíngues, gestão de projetos globais para uma fabricante de computadores com mais de 100 mil usuários e projetos internacionais de mobilidade corporativa. Nos últimos anos concentrei tudo isso em inteligência artificial aplicada: extração de documentos, busca semântica, agentes, automação e modelos refinados com dados reais.
A diferença dessa combinação é prática: sei o que o modelo faz e sei o que acontece quando ele entra num processo que já existe, com ERP, banco Oracle, auditoria, LGPD e gente dependendo do resultado. Não entrego demonstração — entrego sistema no ar, com quem opera treinado e a conta do servidor cabendo no orçamento.
Vinte e poucos anos em ordem cronológica — cada etapa acrescentou uma camada que a seguinte usou.
Primeira área de TI sob minha responsabilidade: pessoas, fornecedores, compras, ERP, redes, telecomunicações, segurança e documentação, já com práticas PMI/PMBOK. Destaque para o projeto de fibra óptica da planta.
Coordenação de terceiros, contratos, compras e projetos de implantação, modernização e expansão de filiais, aplicando Scrum, ITIL e COBIT.
Ambiente crítico de energia: infraestrutura de datacenter, telecom MPLS, redundância, monitoramento ambiental, gestão de contratos, Change Management e CAB.
Suporte N1/N2/N3, desenvolvimento frontend e backend, terceiros e infraestrutura, com controle de SLAs e KPIs. Datacenter, DevOps, Office 365, SharePoint, VMware, Azure e ambientes Windows/Unix — incluindo administração de servidores CentOS, VLANs, Ubiquiti e firewall.
Liderança de equipe bilíngue de 15 profissionais em suporte N1/N2/QA: performance, SLAs, KPIs, qualidade, base de conhecimento, treinamento, contratação e feedbacks. Líder técnico de suporte SAP e Salesforce/Veeva.
100% de cumprimento de SLAs por 9 meses consecutivos, com melhoria do suporte global pela criação e evolução das KBs.
Projetos globais de alta complexidade em desenvolvimento de software, segurança da informação, infraestrutura e experiência do usuário, coordenando Product Owners, engenharia, UX, segurança, Service Desk, fornecedores e stakeholders executivos.
Projetos internacionais de transformação digital e implantação MDM/UEM ponta a ponta: kickoff, requisitos, escopo, cronograma, orçamento, riscos, testes, go-live, hypercare e relacionamento client-facing, com equipes distribuídas globalmente.
Estruturação de PMO — status reports, POCs, atas, runbooks, templates e indicadores: redução de até 35% no retrabalho e 40% de melhoria na qualidade dos dados.
Foi aqui que a gestão de projetos encontrou a inteligência artificial em escala real, dentro de um ambiente jurídico com exigência de sigilo e rastreabilidade.
Empresa própria, fundada em 2019 — de lá para cá, as atuações em clientes foram contratadas por ela. Conduzo projetos de tecnologia, dados corporativos, automação, IA e integrações do diagnóstico ao go-live, sustentação e melhoria contínua — e mantenho no ar os produtos da IA4CO. Conheça a empresa →
Fonte: currículo próprio e portfólio em mullerrodrigues.com/lucas (2026). De 2019 em diante, as atuações em clientes foram contratadas pela Müller Rodrigues Tecnologia.
Nenhuma delas funciona isolada — é a soma que permite levar um modelo até a operação de uma empresa de verdade.
Condução ponta a ponta: diagnóstico, requisitos, desenho de solução, cronograma, orçamento, riscos, fornecedores, testes, go-live, hypercare e sustentação. PMO estruturado, comunicação executiva e rituais que dão previsibilidade.
Do banco à decisão: consultas e extrações, modelagem, ETL/ELT, dashboards e indicadores gerenciais. Integração entre sistemas internos e externos por APIs REST e webhooks, com rastreabilidade de ponta a ponta.
Redes neurais e LLMs tratados como engenharia: pipeline de ingestão, busca semântica, agentes, avaliação e refino contínuo com dados reais de uso. Inclui treinamento e fine-tuning próprios — detalhado na seção seguinte.
Quem constrói também sustenta: servidores, containers, proxy reverso, certificados, backup, observabilidade e segurança. Datacenter físico e virtualização na bagagem; hoje, orquestração de containers em servidores próprios.
O NÚCLEO TÉCNICO
Não é “chamar uma API”. O trabalho tem quatro camadas — ingestão, recuperação, geração e aprendizado — e cada uma foi construída, medida e ajustada em projeto real.
PDF escaneado, contrato digitalizado torto, planilha, DOCX, HTML, página web, áudio de reunião. Extração com PyMuPDF, OCR com Tesseract e OpenCV para o pré-processamento da imagem, leitura por formato com python-docx, openpyxl e BeautifulSoup. Depois vem o corte em trechos com consciência de português e de estrutura do documento (H1/H2/H3, cláusula, seção), com sobreposição controlada — porque chunk mal cortado estraga toda a recuperação seguinte. Cada fonte é deduplicada por hash de conteúdo, resumida e etiquetada antes de virar índice.
Embeddings multilíngues (BGE-M3, E5, mpnet) para significado, somados a BM25 para termo exato — número de processo, código de produto, nome próprio, coisas em que a busca vetorial pura falha. As duas listas são combinadas por RRF (Reciprocal Rank Fusion) e o resultado passa por um reranker cross-encoder (BGE-reranker-v2-m3), que reordena os candidatos lendo pergunta e trecho juntos. Bases vetoriais conforme o projeto: ChromaDB, Qdrant, pgvector no PostgreSQL ou FAISS.
A camada de LLM é intercambiável — modelo local via Ollama ou Transformers, ou provedor externo (OpenAI, Anthropic, Groq, Gemini) atrás de uma interface única, trocável em tempo de execução. Isso permite operar 100% local quando o dado é sigiloso e usar nuvem quando não é, sem reescrever o sistema. A resposta sai em streaming e sempre acompanhada da fonte: página, cláusula, arquivo. Em contrato, a regra é dura — a IA lê e cita; cálculo de multa, reajuste e rescisão fica em código determinístico, e nada vale sem revisão humana.
É aqui que o sistema deixa de ser genérico. Cada resposta pode ser avaliada de 1 a 5 por quem usa; as avaliações viram um conjunto de treino e alimentam um ciclo de fine-tuning com PEFT: treina-se um adaptador LoRA de poucos parâmetros sobre o modelo base, ou QLoRA — o modelo base quantizado em 4 bits com bitsandbytes, o que permite refinar modelos que não caberiam na VRAM disponível, com fallback automático para fp32 quando não há GPU.
Todos os hiperparâmetros são expostos e versionados: lora_r · lora_alpha · lora_dropout · learning_rate · batch_size · grad_accum · epochs. O adaptador treinado é salvo à parte e aplicado sobre o modelo base — sem retreinar tudo, sem perder o que já funcionava, e com possibilidade de voltar atrás.
Quando a tarefa é classificar e não gerar, o caminho é outro e mais barato: fine-tuning supervisionado completo de um encoder. Tenho o pipeline montado sobre o BERTimbau (neuralmind/bert-base-portuguese-cased) — um BERT treinado em português —, com tokenização, divisão treino/teste, métrica de acurácia por época e checkpoint a cada época, aplicado à classificação de sentenças jurídicas. Saber escolher entre adaptar um LLM e treinar um classificador pequeno costuma ser a diferença entre um projeto que cabe no orçamento e um que não cabe.
Acima do RAG, um agente ReAct que decide passos: aprender a partir de uma URL ou arquivo, buscar na web, pedir de volta a informação que falta, executar comandos de uma lista permitida (opt-in, com timeout) e reingerir na base vetorial o que aprendeu. Limites são configuração, não código: número máximo de passos, tamanho de download, timeouts, allowlist de binários. Na operação de clientes, a mesma lógica aparece em agentes de WhatsApp (Evolution API + n8n) que atendem, qualificam e escalam para humano.
Além de texto: leitura de esboços à mão livre convertidos em planta digital (LLM multiprovedor extrai a estrutura, código determinístico retifica, alinha a 90° e calibra escala), reconhecimento de objeto em movimento por câmera, análise produtiva por imagem. E um estúdio de geração de mídia com modelos rodando em GPU própria — vídeo narrado, música original, animação, quadrinhos e realce de imagem —, que é o motor por trás do VideoConvite.IA.
Os sistemas que construo ficam em servidores que eu mesmo administro. Isso muda o jeito de projetar: custo de máquina, uso de memória e plano de recuperação entram na conversa desde o primeiro dia.
ACERVO · 72 REPOSITÓRIOS
Plataformas no ar com domínio próprio, sistemas de IA em operação, BI corporativo, módulos de ERP, infraestrutura como código e experimentos de visão computacional — catalogados por frente, com o resumo de cada um.
Disponível para projetos, consultoria e posições de gestão de tecnologia e dados. Escreva contando o cenário — respondo com o caminho que eu tomaria.
(51) 98047-7570 · WhatsApp · São Leopoldo, RS · LinkedIn
Prefere perguntar antes? A Olívia, a IA do Lucas, responde sobre carreira, resultados e projetos com base em fatos públicos.