Backend & Automation Engineer Software ArchitectureApplied AISecurity

Construo sistemas que automatizam o complexo.

Sou Bruno Moura, desenvolvedor focado em engenharia backend, automação e IA aplicada. Construo APIs, automações e integrações pensando em confiabilidade, segurança e escalabilidade desde a primeira versão.

Ver projetos Conhecer meu perfil

Fig. 1 Anatomia de um job

01 API Entrada

Recebe a requisição, valida o contrato e identifica quem está chamando. Em vez de segurar a conexão até o trabalho terminar, responde 202 Accepted com um identificador para acompanhamento.

Validação de entrada
Autenticação e autorização
Chaves de idempotência

Python
FastAPI
REST

02 Orquestração Coordenação

Transforma o pedido em tarefas, coloca em fila e distribui entre workers. Controla concorrência, limites de taxa e novas tentativas, e acompanha o job do início ao fim.

Filas e workers
Rate limiting
Retries com backoff

Redis
Filas
Workers

03 Automação Execução

Executa o trabalho pesado: navega em sistemas, coleta dados e integra serviços externos. Falhas transitórias são esperadas, por isso cada etapa pode ser repetida com segurança depois de um intervalo crescente.

Web scraping
Integrações externas
Execução idempotente

Python
RPA
HTTP

04 IA Interpretação

Entra quando o dado precisa ser interpretado: classificar, extrair ou resumir. Roda em paralelo à automação, à medida que os dados chegam, e com modelos locais quando os dados não podem sair da máquina.

LLMs
Embeddings
Busca vetorial

Ollama
FAISS
RAG

05 Processamento Entrega

Normaliza, valida e persiste o resultado, e avisa quem precisa saber. Cada etapa emite logs e métricas: é isso que permite desenhar um trace como este.

Normalização e validação
Persistência
Logs, métricas e traces

Modelo conceitual, não um sistema em execução. A API aceita o pedido e responde na hora; o restante acontece de forma assíncrona, com novas tentativas quando algo falha.

Projetos em destaque

Fig. 2 Ilustração do tipo de análise feita pelo projeto, com comunidades, o nó mais central e uma mensagem isolada. Não são dados reais.

Protótipo 2025

Signal Sense

Análise de comunicações com modelos de IA executados localmente.

Problema: Analisar mensagens, e-mails e logs de rede com IA geralmente significa enviar dados sensíveis a serviços externos.
Como funciona: Um pipeline em Python normaliza comunicações em CSV e JSON, mapeia quem fala com quem em um grafo, indexa o conteúdo em embeddings para busca semântica e gera análises com um LLM. Os modelos rodam localmente, via Ollama.

Python
FastAPI
Ollama
Qwen2.5 7B
nomic-embed-text
FAISS
NetworkX
scikit-learn
Streamlit
Docker Compose

Ler estudo de caso Código no GitHub

data/output.json

"titulo": "ELE SÓ IA VISITAR O PAI NA FAZENDA, MAS ACABOU SENDO ABDUZIDO POR ALIENÍGENAS!",
1 Coleta yt-dlp
"tema": "Ficção Científica ou Fantasia",
2 Classificação Mistral via Ollama
"temas_semelhantes": ["Televisão (TV) ou Cinema","Aventura marinha ou Animais Marinhos"]
3 Similaridade MiniLM + FAISS

Fig. 3 Registro de saída publicado no README do projeto, anotado com a etapa do pipeline que gera cada campo.

Estudo 2025

Rabbit Hole Crawler

Classifica por tema os títulos dos vídeos de um canal do YouTube.

Problema: Entender os temas de um canal exige assistir aos vídeos ou ler os títulos um a um.
Como funciona: Coleta os títulos com yt-dlp (10 por padrão), classifica o tema de cada um com um LLM local (Mistral via Ollama) e aponta temas semelhantes com embeddings e FAISS. O resultado é gravado em JSON.

Python
yt-dlp
Ollama
Mistral
sentence-transformers
FAISS

Ler estudo de caso Código no GitHub

Outros experimentos estão no GitHub.

Abordagem de engenharia

Reliability confiabilidade: Rede instável, timeout e serviço fora do ar fazem parte do ambiente, não são exceções. Por isso, cada etapa deve falhar de forma previsível e, sempre que possível, se recuperar sozinha.

Timeouts explícitos
Retries com backoff
Idempotência
Circuit breakers
Scalability escalabilidade: Crescer deveria significar adicionar workers, não reescrever o sistema. Isso começa por dividir o trabalho em tarefas independentes, que possam rodar em paralelo.

Filas
Workers sem estado
Escala horizontal
Controle de concorrência
Security by Design segurança desde o projeto: Segurança entra no desenho, não no fim: validar entradas na fronteira, manter credenciais fora do código e dar a cada componente só o acesso de que ele precisa.

Validação na fronteira
Segredos fora do código
Menor privilégio
Autenticação e autorização
Observability observabilidade: Sem visibilidade, não há como operar um sistema. Logs estruturados, métricas e traces ajudam a entender o que ele está fazendo e onde falhou.

Logs estruturados
Métricas
Tracing
Alertas acionáveis
Automation automação: Trabalho repetitivo é candidato a código. Uma automação só se paga quando verifica cada etapa, para que o resultado seja confiável sem supervisão constante.

RPA
Orquestração de tarefas
Web scraping
Integrações entre sistemas

Competências

Backend Engineering & RPA

Especialidade principal

APIs que expõem processos de negócio, automações que substituem trabalho manual repetitivo e integrações com sistemas que nem sempre oferecem uma API.

Aplicado

Python
FastAPI
APIs REST
Automação de processos (RPA)
Web scraping
Integração com sistemas externos
Orquestração de tarefas
Processamento de dados

Evidência pública

Software Architecture

Interesse forte, em aprofundamento contínuo

Sistemas que continuam respondendo sob carga e se recuperam de falhas: trabalho assíncrono, filas, limites de taxa e isolamento entre componentes.

Aplicado

Docker e Docker Compose

Aprofundando

Concorrência e programação assíncrona
Redis
Filas e workers
Rate limiting
Circuit breakers
Escalabilidade horizontal
Observabilidade
Tolerância a falhas

Evidência pública

Serviços orquestrados com Docker Compose no Signal Sense

Applied AI

Parte relevante da formação técnica, aplicada em projetos pessoais

Aplicações que interpretam texto: classificação, busca semântica e análise com LLMs, inclusive com modelos locais quando os dados não podem sair da máquina.

Aplicado

LLMs locais com Ollama
Embeddings
Busca vetorial com FAISS
Integração de IA em APIs

Aprofundando

RAG
Bancos de dados vetoriais
Fine-tuning
LoRA

Evidência pública

Application Security

Parte relevante da formação técnica

APIs e automações que protegem credenciais e dados, validam o que recebem e expõem apenas o necessário.

Aplicado

Segredos fora do código
Modelos de IA locais para dados sensíveis

Aprofundando

Segurança de APIs
Autenticação e autorização
Identificação de vulnerabilidades
Fundamentos de segurança ofensiva e defensiva
Mitigação de riscos

Evidência pública

Sobre

Base: São Paulo, Brasil
Formação: Ciência da Computação, em andamento
Foco: Backend & Automation Engineering
Aprofundando: Arquitetura, sistemas distribuídos, concorrência e escalabilidade
Código: github.com/bruno-moura24

Desenvolvo software em São Paulo e curso Ciência da Computação. Profissionalmente, trabalho com automação de processos e integração entre sistemas, em boa parte em projetos corporativos internos que, por confidencialidade, ficam fora desta página.

Os projetos aqui são pessoais e públicos, e funcionam como laboratório: IA executada localmente, busca semântica e processamento de dados. Em paralelo, aprofundo arquitetura, sistemas distribuídos, concorrência e escalabilidade.

O que mais me interessa é a parte difícil de mostrar em uma demo: o que acontece quando a rede falha, quando o volume dobra ou quando alguém usa o sistema de um jeito que ninguém previu.

Contato

Para oportunidades, projetos ou uma conversa técnica sobre automação, APIs e IA aplicada.

E-mail

analisedigital@pm.me