Rafael El Shafie

O problema

Atuei na sustentação de tecnologia da área de onboarding, que apoia a operação na abertura de contas e na atualização cadastral. Parte dos chamados recebidos era sobre dúvidas de uso ou de orientação operacional, que não exigiam correção técnica. A proposta era reunir documentação, orientações e informações autorizadas em uma conversa, para a operação esclarecer dúvidas antes de abrir um chamado e a sustentação se concentrar nos casos que exigiam investigação.

Minha responsabilidade

Quando cheguei, havia a ideia da solução. Conduzi o desenvolvimento de ponta a ponta, com orientação do meu gestor: entendimento do domínio, base de conhecimento, arquitetura, backend, interface, integração com IA e bancos de dados, testes, observabilidade e implantação. Mais adiante, outra estagiária passou a contribuir com o projeto, e participei da orientação dela e da organização do trabalho em conjunto.

Decisões que fizeram diferença

• Comecei com uma base de documentos Markdown, em vez de um banco vetorial externo, para concentrar a primeira entrega na estrutura do conhecimento e no funcionamento da aplicação dentro do prazo.
• Quando os testes mostraram que os limites de contexto prejudicavam a qualidade, e o consumo indicava margem no orçamento, introduzi uma etapa em que o modelo de linguagem seleciona as fontes relevantes entre os candidatos da busca por palavras-chave. Foi um dos principais avanços do projeto.
• Testei delegar mais etapas do processamento à IA: o custo subiu e a qualidade caiu. Mantive uma combinação de lógica de aplicação, consultas estruturadas e geração de linguagem, conforme a necessidade de cada etapa.
• Para consultas recorrentes, criei templates SQL parametrizados em vez de gerar uma nova consulta a cada pergunta, com execução somente leitura nas bases operacionais.

O que entreguei

• Base de conhecimento padronizada, com categorias, metadados e referências cruzadas, e verificações de consistência para encontrar referências quebradas, duplicações e lacunas.
• Chat com histórico, feedback estruturado e respostas exibidas progressivamente, além de painéis de administração, acompanhamento de consumo e revisão de conhecimento.
• Autenticação corporativa, controle de acesso, cuidados com informações sensíveis nos logs, limites de consumo de IA e observabilidade das etapas no Datadog.
• Testes de backend, interface e integração, conjuntos de perguntas de referência para avaliar as respostas e entrega com Docker, Kubernetes e Azure DevOps, de desenvolvimento a produção.

Resultado

Em uma bateria interna de casos, os ajustes na seleção de documentos e na composição do contexto ampliaram de forma expressiva tanto as perguntas respondidas quanto as respostas corretas. O time de atendimento da sustentação validou o assistente com situações da rotina, e ele foi entregue em produção. Acompanhei o início do uso pela operação até o fim do estágio; a redução de chamados evitáveis segue como objetivo da solução.

O que aprendi

A qualidade de uma solução com IA depende das decisões em torno do modelo: quais informações ele recebe, como os dados são consultados, como o contexto é preservado e como os resultados são avaliados. Também aprendi a documentar decisões e organizar o trabalho para que outras pessoas pudessem contribuir no mesmo repositório.

Tecnologias

• Python
• FastAPI
• React
• TypeScript
• PostgreSQL
• MySQL
• RAG
• Text-to-SQL
• Docker
• Kubernetes
• Azure DevOps
• Datadog

Projetos desta experiência

A visão técnica, com arquitetura e tecnologias, está nos detalhes de cada projeto.

• Atlas

A demanda

A pesquisa de imóveis em Manhattan era feita manualmente em diferentes portais, comparando anúncios, características e preços. O objetivo era reunir essas informações em uma visão organizada, que facilitasse a exploração dos dados e sinalizasse situações relevantes, como novos anúncios bem pontuados, diferenças de preço e mudanças na disponibilidade dos imóveis.

Minha contribuição e o trabalho em dupla

Desenvolvi o projeto com outro estagiário, com orientação da equipe. A ingestão dos dados já existia, junto com um rascunho da camada de tratamento: reconstruímos grande parte dessa camada e desenvolvemos a preparação para análise, as regras de negócio e as saídas da solução. Trabalhávamos lado a lado, dividindo tarefas pelo conhecimento e pelo interesse de cada um e decidindo juntos. Minha responsabilidade mais individual foi o dashboard: construí em Databricks, me inspirando no design de um dashboard que já existia e acrescentando vários recursos. Depois, um colega levou o que eu tinha feito para a ferramenta de visualização própria do banco.

Decisões que fizeram diferença

• Concentrar as fontes: de três portais avaliados, ficamos com Zillow e StreetEasy, porque o terceiro trazia informações menos adequadas ao recorte e prejudicava os filtros.
• Ajustar o escopo: refinamos as categorias de imóveis ao interesse de quem pediu o projeto, mantendo o recorte em Manhattan.
• Conciliar sem perder confiabilidade: uma fonte completava a outra quando possível, divergências seguiam uma regra de prioridade e registros sem qualidade suficiente saíam da análise.
• Acompanhar mudanças: guardamos registros anteriores para identificar imóveis que saíam de uma fonte e voltavam a ser anunciados, comparando principalmente o preço.

Resultado

Apresentamos o projeto em inglês a quem o pediu, usando o dashboard para demonstrar o funcionamento e os resultados. Recebemos elogios na apresentação, e o retorno positivo também chegou aos nossos gestores. A entrega centralizou informações antes consultadas em fontes diferentes e facilitou a comparação. Não acompanhei a evolução do projeto depois do estágio.

O que aprendi

Reforcei Python e SQL e tive contato prático com Spark e Databricks, arquitetura Medallion, recursos de AWS e um fluxo de notificações com mensageria. Aprendi que mais dados nem sempre melhoram a análise: foi preciso escolher fontes, ajustar o escopo e tratar divergências para chegar a uma visão coerente. O trabalho em dupla e a apresentação em inglês reforçaram minha capacidade de discutir decisões e de explicar uma solução técnica pela sua utilidade para o negócio.

Tecnologias

• Python
• SQL
• Apache Spark
• Pandas
• Databricks
• AWS
• RabbitMQ
• Scrum

Projetos desta experiência

A visão técnica, com arquitetura e tecnologias, está nos detalhes de cada projeto.

• Manhattan Real Estate

Aprender construindo em equipe

Entrei em janeiro de 2024 e comecei pela capacitação da empresa júnior. A entrega final era um software de gestão desenvolvido em equipe: contribuí em diferentes partes do backend, com Node.js, TypeScript, NestJS, PostgreSQL e Prisma. Foi a minha primeira experiência de construir software em conjunto e de conhecer a organização de uma aplicação backend. O projeto foi concluído como atividade de formação, por volta de março, e não chegou a ser usado em operação.

Consultoria: entender a rotina antes de modelar

Depois da capacitação, passei a atuar como Consultor de Projetos. Em um trabalho para uma indústria alimentícia, o sistema de gestão tinha crescido aos poucos e acumulado funcionalidades que já não eram usadas. Participei de visitas à fábrica, entrevistas e reuniões com funcionários: preparei perguntas, registrei respostas e contribuí para o mapeamento dos processos. A partir disso, a equipe construiu do zero a documentação e a modelagem de dados, e eu participei das diferentes etapas. A implementação do novo sistema seguiu com outra empresa.

A área de tecnologia por dentro

Integrei um grupo de trabalho, organizado em torno de um OKR, para discutir melhorias na área de tecnologia da Fluxo, analisando gargalos e pontos fortes e ouvindo outros membros. Entre os encaminhamentos estiveram a reorganização da divisão entre backend e frontend em direção a uma atuação full stack, preservando a frente de design, e o apoio à formação técnica com cursos da Full Cycle. Essa participação ampliou minha visão sobre como a organização das pessoas e do aprendizado influencia o que uma equipe consegue construir.

Rotinas administrativo-financeiras

Na Diretoria Administrativo-Financeira, apoiei e executei tarefas de contas a pagar, incluindo reembolsos, e de conciliação bancária, com reuniões diárias para acompanhar o andamento e organizar os próximos passos. Usei ferramentas como Conta Azul, Asaas, Podio, Caju e Google Sheets. Foi o meu contato com as rotinas que sustentam o funcionamento de uma organização.

Recrutamento e orientação

Participei de entrevistas e dinâmicas do processo seletivo, conduzindo perguntas, acompanhando candidatos e registrando observações a partir de roteiros e planilhas de avaliação. Depois, passei a orientar novos trainees, tirando dúvidas sobre as atividades e a empresa e avaliando suas entregas: uma forma de compartilhar o que eu tinha aprendido na minha própria formação.

O que levei dessa experiência

Em oito meses, com frentes que muitas vezes aconteciam ao mesmo tempo, aproximei desenvolvimento de software, necessidades de usuários, processos internos e colaboração. O backend da capacitação foi a minha primeira construção em equipe; o projeto da indústria mostrou a importância de investigar a rotina antes de definir um sistema; e as atividades internas ampliaram meu contato com diferentes responsabilidades dentro de uma organização.

Tecnologias

• Node.js
• TypeScript
• NestJS
• PostgreSQL
• Prisma
• Git
• Scrum
• Kanban

Projetos desta experiência

A visão técnica, com arquitetura e tecnologias, está nos detalhes de cada projeto.

• Modelagem de sistema industrial
• Backend de sistema de gestão