Cientista de Dados Sênior · IA aplicada

Do dado bruto à IA que as pessoas usam.

Desenvolvo assistentes com fontes verificáveis, automatizo a leitura de documentos e construo auditorias em escala — com controle humano nas decisões sensíveis.

Conheça os projetos
Flávia Gaia
FLÁVIA
Cientista de Dados Sênior
IA Generativa · RAG · MLOps
EM PRODUÇÃO
Flávia Gaia
Quer explorar mais? Faça uma pergunta sobre meu trabalho.

Pipeline

Trechos recuperados

Resposta fundamentada

Respostas curadas para perguntas frequentes e, depois, busca TF-IDF com expansão de consulta sobre os trechos do meu histórico, re-ranking por score e resposta extrativa frase a frase, com citação. Roda 100% no seu navegador, sem chamada externa.

Flávia Gaia
Resposta com fonte
"Qual o prazo do programa X?"
Fonte: Resolução 12/2024, art. 3º

IA que entra em produção. Não que fica no slide.

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.

Brasília · DF Português · Inglês técnico Setor público · Saúde · Financeiro Aberta a novas oportunidades
Como eu trabalho · 5 camadas

Nenhuma IA sobrevive a um dado que ninguém audita.

  • 01
    Dados

    Regras de qualidade, conciliação entre fontes, detecção de divergências e atualização automatizada. É a camada que decide se tudo acima dela é confiável.

  • 02
    Pipelines

    Ingestão, orquestração, versionamento de modelos e monitoramento desde o primeiro dia. Governança não é etapa final, é premissa de projeto.

  • 03
    Retrieval

    Chunking, indexação semântica, extração de documentos e re-ranking. É aqui que RAG deixa de ser demonstração e passa a responder com precisão.

  • 04
    Modelos

    LLM com guardrails, roteamento por intenção, fallback entre modelos e telemetria de cada interação. Respostas curadas para temas sensíveis.

  • 05
    Produto

    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.

05Produto
humano no circuito
04Modelos
guardrails · fallback
03Retrieval
vector search · re-ranking
02Pipelines
MLflow · Delta · Unity Catalog
01Dados
qualidade · conciliação · auditoria
role para montar a pilha
O que sustenta cada entrega

Clareza em cada etapa.

Fonte verificável

A resposta mostra de onde veio a informação e reconhece quando não há base suficiente.

Decisão rastreável

Dados, regras e modelos deixam um caminho que a equipe consegue revisar e explicar.

Controle humano

Pessoas validam ações sensíveis antes do envio ou da escrita em sistemas externos.

Casos, descritos pelo que mudou.

Setor público, saúde, serviços financeiros, energia e governança de IA. Sem nome de cliente; com decisão técnica e resultado.

01 · Setor público · Educação

Assistente que responde com fonte, e sabe quando não responder

Antes

Dúvidas sobre programas de atendimento num canal humano. Erro ali afeta o beneficiário.

Depois

Cada resposta aponta o trecho de origem. Fora do índice, o sistema diz que não sabe.

RAGLangGraphDatabricksGuardrails
ResultadoAtendimento com fontes rastreáveis e limites explícitos para a resposta.
02 · Setor público · Atendimento

Rascunho de e-mail com aprovação humana antes do envio

Antes

Fila padronizável, mas um envio errado tem custo institucional.

Depois

Rascunho fundamentado, aprovado no próprio Outlook. Histórico auditável.

RAGMicrosoft GraphDatabricks Apps
ResultadoRascunhos prontos para revisão; o envio depende de aprovação humana.
03 · Dados em escala

Auditoria distribuída para revelar inconsistências antes da operação

Antes

Verificação manual e amostral. Inconsistência só aparecia quando já era problema.

Depois

Varredura distribuída com regras de qualidade a cada ciclo, leitura pronta para a operação.

PySparkDatabricksSQLData quality
ResultadoInconsistências identificadas com uma rotina de auditoria reproduzível.
04 · Serviços financeiros

Leitura de contratos e conformidade de prazo de pagamento

Antes

Regras de vencimento presas em PDFs. Conferência manual não escalava; atraso é multa.

Depois

O modelo lê, o código confere. Agentes orquestram e tudo fica em trilha de auditoria.

LLM + regrasAgentesOCR
ResultadoRegras de vencimento verificáveis e decisões registradas para auditoria.
05 · Energia · Óleo e gás

Documentos técnicos montados do acervo, com origem rastreável

Antes

Especialistas gastavam dias garimpando o acervo. Cada campo precisava ser defensável.

Depois

Retrieval semântico e uma interface que mostra de onde veio cada informação antes de aprovar.

RAGExtração estruturadaValidação
ResultadoDocumentos montados com a origem de cada campo visível para o especialista.
06 · Governança de IA · Protótipo

Agente que transforma demandas de IA em decisões rastreáveis

Antes

Pedidos com riscos e maturidades diferentes, sem fluxo comum. Tudo se misturava.

Depois

Máquina de estados com dry-run e aprovação humana antes de qualquer escrita.

PythonState machineHuman-in-the-loop
ResultadoDados pessoais redigidos antes de chegar ao modelo.
Flávia Gaia
Mestranda · UnB

Sobre mim

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.

  • Assistentes RAG com fonte citada e guardrails
  • MLOps em Databricks: Delta Lake, Unity Catalog, Vector Search
  • Agentes com LangGraph e CrewAI, sempre com humano no circuito
  • Escrevo sobre RAG híbrido em Databricks no Medium
Mestrado · UnB MBA IA & Big Data · USP Bacharelado · IESB

Trajetória

  • 2025 · hoje
    Cientista de Dados SêniorSetor público · educação · IA generativa e engenharia de dados
  • 2025
    Cientista de Dados Sênior · Engenheira de IA SêniorBanco do Brasil Tecnologia e Serviços
  • 2025
    Cientista de Dados Especialista em IACompass UOL
  • 2024 · 2025
    Cientista de Dados · Especialista em IAEVCOMX
  • 2023 · 2024
    Analista de DadosMinistério do Desenvolvimento Social
  • 2022 · 2023
    Estágio em Ciência de DadosPresidência da República

Pesquisa e certificações

  • NLP jurídico · 2023
    Entidades nomeadas em textos jurídicosModelos spaCy treinados sobre o LeNER-Br Ler o trabalho →
  • Visão computacional · 2023
    CNN para diagnóstico em raio X de tóraxTreinamento e avaliação de redes convolucionais Ler a monografia →
  • Certificações
    Databricks ML · Databricks Retrieval Agents · Palantir Foundry · Palantir AIP · LangChain Agents · LangGraph & LangSmith · Google Data Analytics

Tem um problema de IA que precisa sair do slide?

Fale comigo Enviar e-mail Respondo em português e, por escrito, em inglês.