Fonte verificável
A resposta mostra de onde veio a informação e reconhece quando não há base suficiente.
Desenvolvo assistentes com fontes verificáveis, automatizo a leitura de documentos e construo auditorias em escala — com controle humano nas decisões sensíveis.
Conheça os projetos

Cientista de Dados Sênior que leva IA do protótipo ao uso diário: assistentes que respondem com fonte, leitura automatizada de documentos críticos e auditoria de dados em escala. Do dado bruto à interface que alguém usa de verdade.
Regras de qualidade, conciliação entre fontes, detecção de divergências e atualização automatizada. É a camada que decide se tudo acima dela é confiável.
Ingestão, orquestração, versionamento de modelos e monitoramento desde o primeiro dia. Governança não é etapa final, é premissa de projeto.
Chunking, indexação semântica, extração de documentos e re-ranking. É aqui que RAG deixa de ser demonstração e passa a responder com precisão.
LLM com guardrails, roteamento por intenção, fallback entre modelos e telemetria de cada interação. Respostas curadas para temas sensíveis.
Interface de validação, aprovação antes do envio, rastreabilidade da origem de cada campo. O que eu entrego é usado no dia a dia, não só medido em benchmark.
A resposta mostra de onde veio a informação e reconhece quando não há base suficiente.
Dados, regras e modelos deixam um caminho que a equipe consegue revisar e explicar.
Pessoas validam ações sensíveis antes do envio ou da escrita em sistemas externos.
Setor público, saúde, serviços financeiros, energia e governança de IA. Sem nome de cliente; com decisão técnica e resultado.
Dúvidas sobre programas de atendimento num canal humano. Erro ali afeta o beneficiário.
Cada resposta aponta o trecho de origem. Fora do índice, o sistema diz que não sabe.
Fila padronizável, mas um envio errado tem custo institucional.
Rascunho fundamentado, aprovado no próprio Outlook. Histórico auditável.
Verificação manual e amostral. Inconsistência só aparecia quando já era problema.
Varredura distribuída com regras de qualidade a cada ciclo, leitura pronta para a operação.
Regras de vencimento presas em PDFs. Conferência manual não escalava; atraso é multa.
O modelo lê, o código confere. Agentes orquestram e tudo fica em trilha de auditoria.
Especialistas gastavam dias garimpando o acervo. Cada campo precisava ser defensável.
Retrieval semântico e uma interface que mostra de onde veio cada informação antes de aprovar.
Pedidos com riscos e maturidades diferentes, sem fluxo comum. Tudo se misturava.
Máquina de estados com dry-run e aprovação humana antes de qualquer escrita.
Sou a Flávia, cientista de dados e engenheira de IA em Brasília. Passei por Presidência da República, MDS, Banco do Brasil e Compass UOL. Hoje atuo em IA generativa para o setor público e para o setor hospitalar, onde aplico LLMs ao ciclo da receita de hospitais: faturamento e recebimento com rastreabilidade.