Emmanuel Oliveira — Software Engineer

O MentorGPT é uma plataforma de atendimento humanizado baseada em LLMs criada para permitir que empresas desenvolvessem e configurassem agentes de inteligência artificial personalizados a partir de suas próprias bases de conhecimento. A plataforma possibilitava a importação de conteúdos em diferentes formatos, como PDFs, documentos, áudios, links e mensagens autorizadas provenientes de múltiplos canais. Esses materiais eram processados e organizados para que cada assistente pudesse responder com base no contexto, nos dados e nas particularidades de cada cliente. Cada agente podia ser configurado individualmente, e o usuário tinha a possibilidade de selecionar diferentes modelos e provedores, como Gemini, GPT e Groq, além de definir o prompt do sistema, a temperatura das respostas, as permissões de acesso e as bases de conhecimento disponíveis para cada agente. Na camada técnica, a solução utilizava uma arquitetura de RAG híbrido, combinando busca por embeddings com estruturas de conhecimento em grafo armazenadas no Neo4j. O processamento de documentos e outras tarefas assíncronas era realizado com AWS SQS e AWS Lambda, garantindo maior escalabilidade e desacoplamento entre os serviços. O sistema também oferecia integrações com Slack, incorporação dos chatbots em sites autorizados por meio de iframe, autenticação em dois fatores (2FA) e gerenciamento granular de usuários, permissões e acessos.

Python · Flask · AWS · AWS Cognito · AWS Lambda · AWS S3 · AWS EKS · AWS SQS · AWS SES · AWS ECR · OpenAI · Groq · Gemini · React + Vite · Slack

Plataforma de trilhas de aprendizagem pelo WhatsApp, criada para distribuir conteúdos multimídia, acompanhar o progresso e reforçar o aprendizado com gamificação, revisão espaçada e suporte a dúvidas com LLMs. O sistema permitia criar e gerenciar trilhas de aprendizagem compostas por vídeos, links, áudios, PDFs e outros materiais armazenados em nuvem. Para cada conteúdo, também era possível cadastrar perguntas relacionadas ao tema, e os materiais e as questões eram processados e utilizados como base de conhecimento para a LLM. O usuário podia iniciar e realizar toda a trilha diretamente pelo WhatsApp. Após consumir cada conteúdo, recebia uma quantidade configurável de perguntas aleatórias relacionadas ao material estudado. Também podia tirar dúvidas e receber respostas contextualizadas com base nos materiais da trilha. Conforme avançava, acumulava pontos pela conclusão dos conteúdos e pelas respostas corretas. A plataforma aplicava uma estratégia de revisão espaçada. Depois que um conteúdo era concluído, o sistema programava novas perguntas sobre os assuntos já estudados, ajudando a reforçar a retenção do conhecimento ao longo do tempo. Uma das principais preocupações era evitar que os conteúdos ocupassem espaço no celular dos participantes. Então foi desenvolvido em Rust um encurtador de links responsável por direcionar os usuários para uma interface web, permitindo o consumo dos conteúdos sem a necessidade de baixá-los. Na camada técnica, a solução foi construída com Python, Flask, Rust e Tokio, utilizando MongoDB para persistência de dados e Amazon S3 para armazenamento dos conteúdos. O processamento assíncrono era realizado com AWS SQS e AWS Lambda. A plataforma também contava com integração a modelos de linguagem e às APIs do WhatsApp e do Telegram. Aplicado na comunidade da Rocinha, o projeto recebeu uma premiação internacional da WITSA em 2023.

Python · Flask · Rust · Tokio · MongoDB · AWS S3 · AWS SQS · AWS Lambda · WhatsApp API · Telegram API · LLMs

O ZapVagas é uma plataforma criada para aproximar trabalhadores de oportunidades de emprego que geralmente não estão presentes em serviços como LinkedIn ou Gupy. O projeto tinha como foco vagas para funções como garçom, padeiro, motorista, atendente e outras ocupações com processos seletivos mais simples e menos burocráticos. Para empregadores, organizações ou responsáveis pela divulgação, a plataforma oferecia uma interface web simples e intuitiva. As oportunidades podiam ser cadastradas por meio de um formulário direto, contendo as principais informações sobre a vaga e os dados necessários para contato. Para os candidatos, toda a experiência acontecia pelo WhatsApp. O usuário precisava apenas enviar uma mensagem-chave, como “QUERO RECEBER VAGAS”, para começar a receber as oportunidades cadastradas na plataforma diretamente pelo aplicativo, sem a necessidade de criar uma conta, instalar outro sistema ou preencher formulários extensos. Cada oportunidade era enviada em uma mensagem organizada, com as informações necessárias para que o candidato pudesse avaliar a vaga e entrar em contato com o empregador. As mensagens também incluíam uma opção de descadastramento, permitindo que o usuário interrompesse o recebimento de novas oportunidades de forma simples e transparente. A solução foi projetada para ser utilizada por associações, ONGs, projetos sociais e prefeituras, facilitando a distribuição de vagas locais e tornando a conexão entre empregadores e trabalhadores mais rápida e acessível. Na camada técnica, a plataforma foi desenvolvida com Python e Flask no backend, React e Vite no frontend e MongoDB para persistência dos dados. A aplicação era executada na AWS utilizando o serviço AWS App Runner.

Python · Flask · React + Vite · MongoDB · AWS App Runner · WhatsApp API

Sistema de controle de acesso desenvolvido para gerenciar a entrada de alunos, professores, funcionários e visitantes em ambientes acadêmicos, como salas de aula, laboratórios, bibliotecas e áreas administrativas. A identificação dos usuários era realizada por meio de cartões ou dispositivos com tecnologia RFID/NFC. Ao aproximar a credencial do leitor, o sistema consultava uma API integrada ao banco de dados para verificar a identidade do usuário e suas permissões antes de autorizar ou negar o acesso ao ambiente. A plataforma permitia configurar diferentes perfis de usuários e definir quais locais cada pessoa poderia acessar, considerando regras como função, curso, turma, horário ou nível de autorização. Cada tentativa de entrada também podia ser registrada, permitindo consultar o histórico de acessos e acompanhar a utilização dos espaços. Na camada física, o projeto utilizava Arduino integrado a leitores RFID/NFC para realizar a leitura das credenciais e controlar os dispositivos de acesso. Na camada de software, a solução foi desenvolvida em Python, com uma API responsável pela comunicação entre os equipamentos, o sistema de permissões e o banco de dados. A solução foi projetada para aumentar a segurança dos ambientes educacionais, reduzir controles manuais e centralizar o gerenciamento de acessos em uma única plataforma.

Arduino · RFID/NFC · Python · API

O stAIr foi um projeto-piloto de aprendizagem criado pela MentorApp em parceria com a Agência Brasileira de Desenvolvimento Industrial (ABDI) e o Ministério da Economia. A iniciativa foi desenvolvida para agregar valor às ações do Brasil Mais, programa nacional e gratuito voltado ao aumento da produtividade e da competitividade das empresas brasileiras. O projeto tinha como objetivo capacitar microempresas e empresas de pequeno porte em transformação digital, oferecendo uma experiência de aprendizagem prática, acessível e orientada às necessidades de cada negócio. A plataforma funcionava como um ambiente digital de cursos, com uma experiência semelhante à de serviços de streaming. Os participantes podiam acessar trilhas de aprendizagem, navegar pelos conteúdos disponíveis e acompanhar seu progresso ao longo da capacitação. Cada trilha era composta por materiais estruturados sobre transformação digital. Durante o consumo dos conteúdos, o usuário também podia utilizar um chat com inteligência artificial para tirar dúvidas e receber respostas contextualizadas com base nos materiais da própria trilha. A proposta combinava uma experiência organizada de aprendizagem sob demanda com suporte conversacional, permitindo que cada participante avançasse em seu próprio ritmo e consultasse o assistente sempre que precisasse esclarecer conceitos relacionados ao curso. Na camada técnica, a solução foi desenvolvida com Python e Flask, utilizando Neo4j para organização e consulta do conhecimento. A infraestrutura era executada na AWS, com Amazon EKS para orquestração dos serviços, Amazon S3 para armazenamento dos conteúdos e AWS Lambda para processamento de tarefas. O stAIr foi um dos nove projetos selecionados em âmbito nacional para apoiar a disseminação da transformação digital entre microempresas e empresas de pequeno porte.

Python · Flask · Neo4j · AWS EKS · AWS S3 · AWS Lambda

O MentorApp Academy era uma plataforma de aprendizagem voltada ao desenvolvimento das cinco principais soft skills destacadas pela Forbes. A solução reunia vídeos, artigos e outros materiais gratuitos em uma experiência semelhante à de uma plataforma de streaming, permitindo que os usuários explorassem conteúdos de acordo com seus interesses e necessidades profissionais. Sem trilha fixa, a plataforma oferecia uma experiência personalizada por meio de um sistema de recomendação. A cada interação, conteúdos semelhantes ou bem avaliados por usuários com perfis próximos eram sugeridos automaticamente. O mecanismo utilizava filtragem colaborativa com fatoração de matrizes, baseada no algoritmo FunkSVD. A partir das interações entre usuários e conteúdos, o sistema identificava padrões para estimar quais materiais seriam mais relevantes para cada pessoa. A atualização do acervo era automatizada, por meio de web scraping coletava conteúdos em sites previamente cadastrados como fontes confiáveis e um modelo de machine learning analisava cada material, classificava a soft skill abordada e realizava sua publicação automática na categoria correspondente. Os usuários também podiam avaliar os materiais e sinalizar conteúdos inadequados, desatualizados ou de baixa qualidade. Na camada técnica, a solução foi desenvolvida com Python e Flask, utilizando scikit-learn nos modelos de machine learning e recomendação, Selenium na coleta automatizada e MongoDB na persistência dos dados. A infraestrutura era executada na AWS, com Amazon EC2 para hospedagem e AWS Lambda para tarefas automatizadas. O MentorApp Academy mantinha, assim, um catálogo dinâmico e em constante evolução, combinando coleta automatizada, classificação inteligente, recomendação personalizada e participação da comunidade.

Python · Flask · Sistemas de recomendação · scikit-learn · Selenium · MongoDB · AWS EC2 · AWS Lambda

A skill foi desenvolvida para oferecer experiências narrativas interativas voltadas à tomada de decisões empresariais. Inspirada em jogos de escolhas com múltiplos caminhos, a solução permitia que cada decisão do usuário alterasse o rumo da história e conduzisse a diferentes consequências e desfechos. Ao longo da narrativa, o usuário era colocado diante de situações estratégicas relacionadas ao ambiente de negócios e precisava escolher entre diferentes alternativas. Cada resposta influenciava os próximos acontecimentos, criando uma jornada personalizada e estimulando habilidades como análise de cenários, avaliação de riscos e tomada de decisão. As histórias eram estruturadas como fluxos ramificados, nos quais diferentes combinações de escolhas levavam a caminhos e resultados distintos. Dessa forma, o usuário podia repetir a experiência, explorar novas decisões e compreender como cada escolha impactava o desenvolvimento da narrativa. Ao final de cada história, a skill apresentava um feedback sobre o desempenho do usuário, considerando as decisões tomadas ao longo da experiência. Também era possível solicitar por e-mail um relatório mais detalhado, com uma análise dos caminhos escolhidos, dos resultados alcançados e dos pontos que poderiam ser aprimorados. Na camada técnica, a solução foi desenvolvida em Python e integrada à plataforma Amazon Alexa. A execução das interações era realizada com AWS Lambda, enquanto o Amazon S3 era utilizado para armazenamento de conteúdos e recursos da aplicação. O Neo4j era responsável por modelar as narrativas, os relacionamentos entre decisões e os diferentes caminhos possíveis da história.

Python · Amazon Alexa · Alexa Skills Kit · AWS Lambda · AWS S3 · Neo4j

A MentorApp Alexa Treinamentos Inteligentes era uma skill criada para oferecer dicas rápidas de produtividade por meio da assistente de voz Alexa, da Amazon. A proposta funcionava como uma dica diária. Ao utilizar comandos como “Alexa, como ser mais produtivo?”, o usuário recebia uma orientação curta e prática sobre temas como organização, foco, gestão do tempo e desenvolvimento pessoal e profissional. A experiência foi pensada para tornar o acesso a conteúdos de aprendizagem mais simples e acessível, permitindo que o usuário consumisse pequenas doses de conhecimento durante a rotina, sem a necessidade de acessar cursos, aplicativos ou materiais extensos. Na camada técnica, a solução foi desenvolvida em Python utilizando o Alexa Skills Kit. A execução da skill era realizada com AWS Lambda, enquanto o Amazon S3 era utilizado para armazenamento de conteúdos e o DynamoDB para persistência dos dados da aplicação. Disponível gratuitamente na loja da Amazon, a skill alcançou destaque ao figurar entre as 50 mais baixadas em 2020.

Python · Alexa Skills Kit · AWS Lambda · AWS S3 · DynamoDB

O Come Back Tomorrow foi um protótipo educacional desenvolvido em Python e inspirado no funcionamento de ransomwares como o WannaCry. O projeto foi criado durante um curso técnico com o objetivo de demonstrar, em ambiente controlado, conceitos de segurança da informação, criptografia e comportamento de ameaças digitais. A aplicação simulava o bloqueio de acesso a arquivos em sistemas Windows 7 e Windows 10 e apresentava ao usuário uma interface semelhante às utilizadas em ataques de ransomware, incluindo uma mensagem de resgate fictícia e um prazo para recuperação dos dados. O projeto permitiu estudar como esse tipo de ameaça afeta um sistema, como mecanismos de criptografia podem ser utilizados de maneira maliciosa e quais medidas de prevenção, recuperação e proteção devem ser adotadas contra ataques dessa natureza. Todo o desenvolvimento foi realizado exclusivamente para fins acadêmicos, em máquinas e arquivos de teste, sem distribuição ou utilização em ambientes reais. Na camada técnica, a solução foi desenvolvida principalmente em Python, envolvendo manipulação de arquivos, criação de interfaces para Windows e aplicação de conceitos básicos de criptografia e segurança de sistemas.

Python · Windows · Criptografia