Portfólio / Acadêmico

FIAP · Pós Tech IA para Devs · turma 8IADT

Cinco desafios, um hospital universitário e um agente no ar.

A cada fase da pós, uma técnica nova para o mesmo cenário: um hospital que quer usar IA. Começamos com um classificador de diabetes e terminamos com um agente de vendas rodando na AWS. Tudo o que foi publicado está aqui para você testar.

desafios entregues
5
demos no Hugging Face
3
LLM ajustado e publicado
1
vídeos de apresentação
3
sistema em produção
1

Laboratório

Teste os modelos sem instalar nada

Os Spaces gratuitos do Hugging Face dormem quando ninguém usa. Na primeira visita, a demo pode levar cerca de um minuto para acordar.

huggingface.co/spacesFase 1 · SpaceDetector de diabetesInforme glicose, IMC e idade e veja o risco com a explicação do modelo.Abrir huggingface.co/spacesFase 2 · SpaceDiagnóstico otimizadoO mesmo diagnóstico com o modelo ajustado pelo algoritmo genético.Abrir huggingface.co/spacesFase 3 · SpaceAssistente hospitalarPergunte em português; ele consulta prontuários fictícios e recusa prescrever.Abrir huggingface.co/rodrigoaraujorosaFase 3 · Modelomistral-7b-assistente-hospitalar-v1Adaptador LoRA do Mistral 7B treinado com perguntas médicas em português.Abrir imobiq.arrtsoftware.com.brFase 5 · No arImobiQConverse com a Laris como se estivesse procurando um escritório.Abrir

A jornada

Do modelo clássico ao agente em produção

Machine learning, otimização, LLM ajustado, multimodalidade e agentes: cada fase reaproveita o que a anterior ensinou.

  1. Fase 1 · Grupo 40hospital universitário

    Diagnóstico de diabetes com machine learning

    O desafio. Ajudar médicos a priorizar pacientes com risco de diabetes a partir de exames simples.

    Como fizemos. Análise exploratória da base Pima, balanceamento com SMOTE e comparação de quatro modelos. O Random Forest venceu e cada previsão vem explicada com SHAP e dtreeviz.

    acurácia no teste
    75,3%
    AUC
    0,81
    recall com SMOTE
    57% → 67%

    Notebook no Colab

    1. 01 Análise, treino e explicação dos modelosAbrir no Colab ↗
    • Python
    • scikit-learn
    • SMOTE
    • SHAP
    • Gradio
  2. Fase 2 · Grupo 61hospital universitário

    Um algoritmo genético para afinar o modelo

    O desafio. Melhorar o modelo da Fase 1 sem tentar combinações de hiperparâmetros na mão.

    Como fizemos. Algoritmo genético escrito do zero, com fitness que pune instabilidade (média da validação cruzada menos 0,1 do desvio). Um painel Streamlit mostra a evolução ao vivo e um LLM explica cada diagnóstico em linguagem clínica.

    gerações até convergir
    12
    acurácia no teste
    75,97%
    validação cruzada
    78,81%
    Acurácia no teste, antes e depois do algoritmo genético
    Fase 1 (manual)75,32%
    Fase 2 (genético)75,97%

    Ganho pequeno, mas com validação cruzada mais estável (78,81%) e convergência em 12 gerações.

    • Python
    • algoritmo genético
    • Streamlit
    • OpenAI
    • Gradio
  3. Fase 3 · Grupo 49hospital universitário

    Assistente virtual médico com LLM próprio

    O desafio. Um assistente que responda dúvidas da equipe em português, consulte o prontuário e nunca prescreva medicamentos.

    Como fizemos. Traduzimos 211 mil pares do PubMedQA para o português, com dicionário de 131 termos médicos, e ajustamos o Mistral 7B com QLoRA. Um grafo LangGraph de 9 nós busca prontuários fictícios no ChromaDB, gera alertas e registra auditoria.

    pares traduzidos
    211 mil
    de treino numa GPU L4
    ~17 h
    de VRAM na inferência
    ~5 GB

    Notebooks no Colab, na ordem de execução

    1. 01 Tradução do PubMedQA para o portuguêsAbrir no Colab ↗
    2. 02 Fine-tuning do Mistral 7B com QLoRAAbrir no Colab ↗
    3. 03 Grafo LangGraph com RAGAbrir no Colab ↗
    • Mistral 7B
    • QLoRA
    • LangGraph
    • ChromaDB
    • Gradio
  4. Fase 4 · Grupo 30hospital universitário

    Monitoramento hospitalar multimodal

    O desafio. Acompanhar pacientes por vídeo, áudio e sinais vitais e avisar a equipe ao primeiro sinal de risco.

    Como fizemos. Três entregas independentes unidas numa tela de plantão. OpenPose mede a postura em sessões de reabilitação, Amazon Transcribe e Comprehend Medical extraem achados de consultas, e IsolationForest procura anomalias em sinais vitais, prescrições e movimentação.

    WER médio na transcrição
    6,95%
    das juntas principais detectadas
    100%
    modalidades de dados
    3
    • OpenPose
    • Amazon Transcribe
    • Comprehend Medical
    • IsolationForest
    • Python
  5. Fase 5 · Hackathon · Grupo 65mercado imobiliário

    ImobiQ: agente SDR para imóveis comerciais

    O desafio. Atender empresas e investidores a qualquer hora, qualificar o lead e marcar a visita com o corretor certo.

    Como fizemos. Um supervisor (Claude Haiku) extrai o perfil e escolhe o agente; especialistas (Claude Sonnet) buscam imóveis com RAG híbrido no pgvector e agendam visitas. O corretor recebe o resumo por e-mail com o convite da agenda. Tudo roda na AWS com deploy contínuo.

    de IA por visita agendada
    US$ 0,45
    imóveis na base simulada
    76
    canais: chat, site e Telegram
    3
    imobiq.arrtsoftware.com.br/chat
    Chat do ImobiQ: a Laris sugere três andares corporativos na Faria Lima e, ao lado, o painel mostra o perfil que a IA extraiu da conversa
    À direita, o painel "O que a IA está entendendo" mostra o perfil do lead sendo montado em tempo real.
    • LangGraph
    • Claude
    • pgvector
    • FastAPI
    • Next.js
    • AWS

Feito em equipe

Cinco fases, um trabalho de equipe

Todos os trabalhos foram feitos em equipe. Os repositórios, relatórios técnicos e vídeos são da equipe inteira.

Outros cursos

Pós em Inteligência Artificial e Ciência de DadosUniRitterEm breve
MBA em Tecnologia para Negócios: AI, Data Science e Big DataPUCRSEm breve
Bacharelado em Sistemas de InformaçãoUNISINOSEm breve

Tem um problema de arquitetura, APIs ou IA?

Conte o que você precisa. Respondo pelo e-mail ou pelo LinkedIn.

Escrever um e-mailLinkedInGitHub