Guilherme Santos da Costa

AI Engineer no Rio de Janeiro, RJ

GitHub LinkedIn guilhermesantos3828@gmail.com

Antes de escolher um modelo, eu monto um gabarito.

Estudo Ciência da Computação na FIAP e trabalho na Metrol desde junho de 2026, onde construí um RAG que roda inteiro na infraestrutura da empresa e ajudo a desenvolver o ERP. Quando preciso escolher entre duas técnicas ou dois modelos, decido pelos números.

Busca do RAG da Metrol, medida num gabarito de 45 perguntas
MétricaBusca semânticaContextual retrieval
Recall@595%100%
MRR0,8820,976
Respostas fora dos 5 primeiros20
Nenhuma pergunta piorou com a troca. Para o modelo, testei 6 LLMs locais em 18 perguntas difíceis: o gemma4-12b acertou 16, o mesmo que um modelo de 35B, e coube numa GPU de 12 GB.

Trabalho

Metrol, Assistente de IA desde jun/2026

Projetos

mini-rag

O RAG da empresa não pode ser público, então publiquei uma versão com documentos fictícios e gabarito próprio de 23 perguntas. Um comando calcula Recall@k e MRR sozinho, e o CI confere formatação, go vet e os testes.

Go, PostgreSQL com pgvector, Ollama

StockRoute

Em muitos estoques o separador recebe o pedido em PDF impresso e risca os itens à caneta, e um item esquecido não deixa rastro. O sistema lê o PDF, liga os itens ao catálogo e exige uma foto em cada coleta, então dá para saber quem separou cada item e quando. Código no GitHub.

Node.js, Express, PostgreSQL, React

soyo-argb

O fabricante da minha placa-mãe só oferece o controle de LEDs para Windows. Fiz a engenharia reversa do aplicativo com ajuda de agentes de IA e reescrevi o protocolo USB em Rust; agora controlo os LEDs no Linux pela linha de comando, por uma janela ou por um serviço do systemd.

Rust, USB HID, systemd

Formação