🔴 A — Projetos Pessoais — Cases para Entrevista

AI Engineer — DEUS.ai

Apresentação

🏗️ Projetos Pessoais — Cases Prontos para Entrevista

Projetos formatados para responder a "Tell me about something you built". Inclui sistemas em produção (Connells, Insparya) e POCs.

Ordem de prioridade (qual contar primeiro)

Connells — AI assistant para consultores imobiliários (melhor case, produção)
Insparya — AI assistant para call center médico (produção, métricas claras)
Sistema de recomendação com agentes — orquestração, modularidade, guardrails
Cérebro para o cão — prompt engineering, controlo comportamental (complementar)
POCs — fine-tuning, agent-to-agent, retrieval (mencionar se perguntarem)

Como explicar em 1 minuto

I've worked on several AI systems involving multi-agent workflows and conversational AI.

For example, in one project for a real estate company we built a system that transcribed live conversations with customers and used AI agents to retrieve relevant properties and suggest questions to the consultant.

In another project for a medical call center, we developed a system that transcribed calls, identified returning clients, suggested appointment slots and assisted operators in scheduling consultations.

These systems helped reduce manual work during calls and improve the efficiency of the operators.

Estrutura universal para responder

The problem was... I designed a system where... The stack was mainly... The main challenges were... The result was...

1️⃣ Connells — AI Assistant para Consultores Imobiliários

Frase forte para entrevista

The system helped real estate consultants by automatically transcribing conversations, retrieving relevant properties and suggesting questions aligned with the company's sales process. This reduced the cognitive load during calls and allowed consultants to focus more on the customer interaction.

Contexto

A Connells tem consultores a falar com clientes sobre casas. Durante as conversas, o colaborador precisa: perceber o que o cliente quer, procurar casas na base de dados, seguir a política comercial. Fazer isto manualmente enquanto fala é difícil.

Arquitetura

Sistema multi-agent em tempo real.

Call / conversation
    ↓
Speech-to-text agent (streaming transcription)
    ↓
Conversation context
    ↓
Agent 1: property retrieval (RAG)    Agent 2: suggestion agent (sales questions)
    ↓                                        ↓
Assistant interface for the employee

Agentes

Agent 1 — Speech transcription: transcreve em real-time streaming, mostra ao colaborador o que está a ser dito.

Agent 2 — Property recommendation: analisa a conversa, extrai preferências, pesquisa na base de imóveis. RAG pipeline: property data → scraping → database → retrieval queries → suggest properties. Base: PostgreSQL.

Agent 3 — Sales guidance: lê a conversa, sugere perguntas relevantes alinhadas com a política da empresa. Usa: prompt engineering, conversation context.

Impacto

1. Eficiência: Sugestões aparecem automaticamente — faster property matching during conversations.

2. Qualidade de atendimento: Sugere perguntas (orçamento, localização, tipo de casa, prazo) — more structured conversations and better qualification of leads.

3. Menos carga cognitiva: Consultores não precisam tomar notas nem procurar casas manualmente — reduced cognitive load during live calls.

Onde poupou tempo: menos tempo a pesquisar imóveis, menos erros de interpretação, menos follow-ups necessários.

Stack

Python, LLM APIs, RAG/retrieval, streaming transcription, PostgreSQL, agent workflow.

2️⃣ Insparya — AI Assistant para Call Center Médico

Frase forte para entrevista

The system supported call center operators by transcribing calls, identifying existing clients, suggesting appointment slots and assisting with booking. This reduced the average call handling time and improved the scheduling workflow.

Contexto

A Insparya recebe chamadas para marcar consultas capilares. O operador precisa: identificar o cliente, verificar histórico, ver disponibilidade, marcar consulta. Tudo manual.

Arquitetura

Sistema multi-agent para call center automation support.

Phone call → Speech transcription agent → Conversation context
    ↓
Agent 1: client lookup | Agent 2: slot recommendation | Agent 3: conversation assistant | Agent 4: appointment booking

Agentes

Agent 1 — Speech transcription: áudio → texto em tempo real.

Agent 2 — Client lookup: pesquisa na base de clientes; se existir, mostra histórico ao operador — faster customer identification.

Agent 3 — Appointment slot recommendation: analisa agenda e disponibilidade; sugere slots livres.

Agent 4 — Conversation guidance: sugere perguntas (sintomas, histórico, disponibilidade).

Agent 5 — Booking agent: ajuda a marcar consulta, confirmar dados.

Impacto

1. Redução do tempo de chamada: sistema sugere automaticamente — shorter call duration.

2. Melhor experiência: operador responde mais rápido — smoother scheduling experience.

3. Menos erros: slots errados, duplicações — reduced human error.

Onde poupou dinheiro: tempo de operador (AHT medido; 10-20% redução = grande impacto), mais chamadas por operador, menos erros de marcação (menos remarcações).

Stack

Python, LLM APIs, speech-to-text, multi-agent orchestration, integration com sistemas de agendamento.

3️⃣ Sistema de Recomendação com Workflow de Agentes

Como posicionar

I designed a modular recommendation workflow with specialized agents for recommendation logic, domain knowledge and safety constraints.

Contexto

Sistema de recomendação controlado e modular: agentes colaboram para sugestões relevantes, seguras e consistentes.

Arquitetura

User request → Orchestrator → Recipe/knowledge agent → Recommendation agent → Guardrails agent → Resposta

Desafios

Separação de responsabilidades, guardrails sem bloquear demasiado, passagem de contexto entre agentes.

Impacto

The system became more modular, easier to reason about and easier to improve than a single monolithic prompt.

4️⃣ Cérebro para o Cão (Behaviour Engine)

Como posicionar

I designed a character/behavior engine for a dog-like AI assistant using prompt engineering and model-driven behavior control.

Arquitetura

User input → Persona/behavior layer → Prompt construction → Model response → Consistency checks

Impacto

Strong exercise in controlling model behavior through prompt design. Prompt engineering for persistent behavioral design, not just task instructions.

5️⃣ POCs (Proof of Concept)

Como posicionar

Besides production systems, I also built several POCs exploring different LLM capabilities.

Exemplos: fine-tuning experiments, agent-to-agent communication, retrieval architectures, search optimization with LLMs.

Frase forte: I've spent quite a bit of time experimenting with different LLM architectures, including fine-tuning approaches, agent workflows and retrieval-based systems.

6️⃣ Curso de AI (experiência complementar)

I also delivered an internal AI upskilling course where I covered LLM fundamentals, embeddings, RAG architectures and agent workflows. The goal was to help engineers design production-ready AI systems. Teaching these topics also helped me structure my own understanding of AI systems and architecture.

Frase sénior para fechar

What I liked about that project is that it reinforced my view that LLMs are most useful when they're part of a larger system with retrieval, orchestration and domain logic around them.

Quantificação — impressiona

"Reduzimos o tempo de chamada em X%" (AHT — Average Handling Time)
"O sistema transcreve em tempo real"
"Sugestões aparecem automaticamente durante a conversa"

Como falar de limitações e falhas

Não escondas — mostra maturidade. Estrutura: 1) o que não correu bem 2) o que aprendeste 3) o que farias diferente.

Follow-ups comuns

"Porque escolheste essa stack?" — trade-offs, familiaridade, requisitos
"Quanto tempo demorou?" — realista, menciona iterações
"Trabalhaste sozinho ou em equipa?" — honesto sobre contribuição
"O que farias diferente?" — mostra reflexão crítica

Zona de prática

Sem perguntas. Clica em Editar para adicionar.