Matheus Ferraroni Sanches

• Liderança e P&D · Estratégia tecnológica, gestão de portfólio de P&D e roadmap de inovação, priorização de projetos e recursos, planejamento de investimentos, formação e liderança de equipes multidisciplinares, contratação, gestão por meio de líderes, mentoria e transformação digital.
• Inteligência artificial · LLMs e transformers, fine-tuning, pré-treinamento continuado, construção e curadoria de datasets, avaliação de modelos, RAG, agentes de IA, embeddings, aprendizado federado, privacidade diferencial e aumento de dados.
• IA aplicada e adoção · Adoção corporativa e governança de IA, IA generativa aplicada a engenharia e software, prompt engineering e integração de modelos de linguagem a sistemas corporativos via MCP.
• P&D multidisciplinar · Desenvolvimento de produtos integrando software, hardware, sistemas embarcados e engenharia mecânica, com definição de requisitos, prototipagem e validação.

• Cloud e arquitetura · AWS, sistemas distribuídos e de alta escala, arquiteturas serverless e orientadas a eventos, processamento paralelo e concorrente, Docker, CI/CD, Linux, mensageria, APIs e otimização de custos em nuvem.
• Dados e persistência · PostgreSQL, MongoDB, DynamoDB, Snowflake, Redis
• Geoprocessamento e agritech · Sensoriamento remoto, Landsat e Sentinel-2, processamento de grandes volumes de rasters, GDAL/Rasterio, índices de vegetação, estatística espacial, agricultura de precisão, mapas de aplicação em taxa variável e integração entre dados de campo e imagens de satélite.
• Programação · Python e JavaScript/TypeScript
• Idiomas · Português nativo · Inglês fluente

Quero-Quero

Dados e continual pretraining em português brasileiro

Pipeline de pesquisa reprodutível para preparar seis corpora em português brasileiro e adaptar o Tucano 2 0.6B por continual pretraining.

Problema:

Preparar dados heterogêneos em escala e treinar modelos de linguagem com proveniência, privacidade e comparabilidade entre experimentos.

Contribuição:

Projetou e implementou validação, limpeza conservadora, deduplicação, tokenização, packing, shards verificáveis e treinamento retomável com avaliação de loss e perplexidade.

Estado atual:

Preparação dos seis datasets e pipeline de treino implementados; a execução científica completa depende dos derivados locais e da alocação no cluster.

Tecnologias: Python, PyTorch, Hugging Face Transformers, Parquet, Slurm, DDP, NCCL.

WackyWacky

Crawler experimental para construção controlada de corpus

Crawler web open source para exploração controlada, coleta de texto comprimido e observabilidade completa da execução.

Problema:

Coletar páginas recursivamente sem perder controle sobre domínios, idioma, ritmo de acesso, falhas e volume armazenado.

Contribuição:

Implementou trabalhadores concorrentes, filtros de domínio e idioma, limites de taxa e tentativas, persistência comprimida e telemetria de métricas, logs e traces.

Estado atual:

Crawler experimental funcional e publicado como open source.

Tecnologias: Python, Playwright, MySQL, Docker, OpenTelemetry, Grafana, Loki, Prometheus, Jaeger.

WackyWacky Analysis

Análise de corpus em memória externa

Pacote independente para caracterizar cópias imutáveis do corpus WackyWacky sem carregar dezenas de gigabytes na memória.

Problema:

Validar, deduplicar e caracterizar um grande corpus textual com resultados retomáveis e auditáveis em hardware limitado.

Contribuição:

Desenvolveu inventário, deduplicação exata, revisão de boilerplate, análise lexical e estrutural, checkpoints e geração determinística de tabelas e figuras.

Estado atual:

Pipeline e visão principal B_clean_v2 implementados; a execução integral ocorre na processadora dedicada.

Tecnologias: Python, Parquet, Zstandard, spaCy, Slurm.

Semantic Replace with Federated Learning

Privacidade e reprodução de dados pessoais em aprendizado federado

Pesquisa experimental sobre reprodução direcionada de perfis pessoais sintéticos e mitigação de vazamento em treinamento federado de modelos de linguagem.

Problema:

Medir se um cliente adversário aumenta a reprodução de dados sensíveis e comparar defesas sob condições federadas controladas.

Contribuição:

Implementou dados sintéticos, treinamento local, FedAvg, auditoria de extração, substituição semântica rotativa, DP-AdamW por conversa e pilotos retomáveis.

Estado atual:

Piloto de substituição semântica concluído e aprovado em duas seeds; execução científica do piloto refinado com privacidade diferencial ainda pendente.

Tecnologias: Python, PyTorch, Hugging Face Transformers, Opacus, Slurm.

Visual Algo

Demonstrações interativas de algoritmos

Coleção publicada de experiências visuais para explorar algoritmos, aprendizado de máquina e evolução neural diretamente no navegador.

Problema:

Tornar conceitos abstratos observáveis e manipuláveis em experiências didáticas sem instalação.

Contribuição:

Criou e mantém demos de K-Means, perceptron, veículos neurais evoluídos e simulação evolutiva determinística.

Estado atual:

Publicado no GitHub Pages com demonstrações disponíveis.

Tecnologias: JavaScript, HTML, CSS, p5.js, TensorFlow.js, Chart.js.

RP-Sim

Simulador de propagação de rádio

Ambiente open source para simular propagação de comunicação sem fio, com suporte a modelos de propagação, RSSI, BER, exportação de área de comunicação e visualização por demonstração interativa.

Tecnologias: JavaScript, p5.js, Mappa.js.

MCCD

Metodologia e datasets conversacionais

Metodologia para geração de datasets conversacionais naturais a partir de fóruns online e outras fontes de diálogo humano.

Miner-XenForo

Ferramenta de mineração de fóruns

Ferramenta para extrair e preparar dados conversacionais de fóruns para uso em datasets de Processamento de Linguagem Natural.

Tecnologias: Python.

Portuguese NLP dataset

Datasets para Processamento de Linguagem Natural em português

Agregação de conjuntos de dados novos ou adaptados para treinamento de modelos em português.

GGA

Biblioteca Python para algoritmos genéticos

Biblioteca open source para facilitar a criação e customização de algoritmos genéticos em Python.

Msim

Simulador de eventos

Simulador simples de eventos em Python.

Tecnologias: Python.

Satellite Image Processing

Processamento de imagens de satélite

Processamento de imagens dos satélites Landsat-8 e Sentinel-2 para apoiar a tomada de decisões de agricultores com imagens coloridas e NDVI.

Tecnologias: AWS, Python, GDAL, Rasterio, Pillow.

SCO3, Servidor Clickideia Offline 3.0

Projeto FAPESP

Projeto voltado a atualizações automáticas de conteúdo educacional por redes oportunísticas em escolas com acesso limitado ou inexistente à internet.