Yuri Fernando Dubbern

AI/ML & Data Engineer · Software & Solution Architecture · Applied AI Research

Pesquisador e doutorando em Ciência da Computação | AI Systems · Machine Learning · Data · Architecture · Automation

Artificial Intelligence • Machine Learning • Data Engineering • Software Architecture • Distributed Systems • Cloud • MLOps • Intelligent Automation

Sou Mestre em Engenharia Elétrica e doutorando em Ciência da Computação pela UFSCar, com atuação em pesquisa aplicada e desenvolvimento de sistemas na interseção entre Inteligência Artificial, Machine Learning, Engenharia de Dados, Arquitetura de Software e Automação Inteligente.

Minha principal profundidade técnica está em AI/ML e Data. A partir desse núcleo, meus projetos avançam por backend engineering, sistemas distribuídos, cloud, DevOps, MLOps, IoT, robótica, controle e automação.

O trabalho vai de modelos de Machine Learning, RAG e sistemas multiagente a APIs, microsserviços, arquiteturas orientadas a eventos, plataformas de dados, infraestrutura cloud-native, observabilidade e governança de IA.

Dados → Inteligência → Decisão → Execução

Meu objetivo é ir além do modelo isolado e trabalhar o sistema completo em que ele opera: arquitetura, integração, escala, observabilidade, segurança, governança e operação.

🔬 Pesquisa aplicada em Inteligência Artificial, Machine Learning, sistemas inteligentes, automação e aplicações orientadas a dados.

🛠️ Desenvolvimento de projetos autorais em AI/ML, Data Engineering, Agentic AI, RAG, SaaS, arquitetura de software, cloud e automação.

🚀 Evolução de projetos de portfólio para arquiteturas mais completas, com System Design, DDD, microsserviços, mensageria, Kubernetes, MLOps, observabilidade e AI Security.

🎯 Foco profissional em AI/ML Engineering, Data Engineering, AI Engineering, Machine Learning, Software/Solution Architecture e Intelligent Automation.

Minha profundidade principal está em AI/ML e Data Engineering. A amplitude vem de arquitetura de software, sistemas distribuídos, cloud/platform engineering e sistemas inteligentes.

flowchart TB
    subgraph B["AMPLITUDE DE ENGENHARIA"]
        direction LR
        A["Software & Solution Architecture<br/>DDD • SOLID • Design Patterns<br/>Microservices • Event-Driven<br/>System Design • APIs"]
        C["Cloud & Platform Engineering<br/>AWS • Docker • Kubernetes<br/>Terraform • CI/CD • GitOps<br/>Service Mesh • Observability"]
        D["Intelligent Systems<br/>IoT • Robotics • Control<br/>Automation • Embedded Systems<br/>Signal Processing"]
    end

    B --> E["AI / ML / DATA"]
    E --> F["Machine Learning • Deep Learning • Reinforcement Learning"]
    F --> G["Generative AI • RAG • Agentic AI • Multi-Agent Systems"]
    G --> H["Data Engineering • MLOps • Model Evaluation"]
    H --> I["AI Security • Adversarial Machine Learning"]

Esse perfil T-shaped me permite aprofundar modelos, pipelines e sistemas de IA sem perder de vista o ambiente completo no qual eles operam.

Plataforma full-stack de Dados & IA para Customer Intelligence e principal projeto de arquitetura do portfólio.

Integra Data Engineering, Lakehouse, Data Warehouse, MDM/Golden Record, Machine Learning, RAG, sistemas multiagente, governança e infraestrutura cloud. A evolução arquitetural incorpora DDD, microsserviços, arquitetura orientada a eventos, Kafka/RabbitMQ, Java/Python, APIs distribuídas, Kubernetes, Service Mesh, Data Mesh, MLOps e AI Security.

Python • Databricks • Snowflake • Spark • dbt • MLflow • LangGraph • Agno • MCP • RAG • AWS • Kubernetes • Terraform

🔗 Repositório

Plataforma de governança, privacidade e avaliação de sistemas de IA sob a LGPD, com PII detection, políticas declarativas, geração de RIPD, fairness audit, red-teaming, differential privacy e verificação formal.

A evolução adiciona uma camada de Adversarial Machine Learning para avaliação de ataques, comportamento sob perturbações, riscos de modelos e estratégias defensivas.

Python • FastAPI • Streamlit • Machine Learning • AI Governance • Privacy • Compliance • Red Teaming • Adversarial ML

🔗 Repositório

Plataforma full-stack de inteligência de receita e retenção para e-commerce, integrando ETL, Data Warehouse, Machine Learning para churn/forecast/recomendação, API REST/GraphQL e dashboard Next.js.

A evolução arquitetural explora Event-Driven Architecture, processamento assíncrono, mensageria, serviços distribuídos e observabilidade.

Python • TypeScript • Next.js • Node.js • GraphQL • Machine Learning • Data Engineering • Distributed Systems

🔗 Repositório

Plataforma de automação de infraestrutura AWS com abordagem Terraform-first, gerenciamento de configuração via Ansible/PowerShell, controller Python, CI/CD, segurança, observabilidade e mecanismos de self-healing.

O projeto reproduz o ciclo de uma plataforma enterprise: provisionar → configurar → monitorar → detectar → diagnosticar → remediar → validar → registrar.

AWS • Terraform • Ansible • PowerShell • Python • GitHub Actions • CI/CD • Observability • Self-Healing

🔗 Repositório

Projeto orientado à segurança de aplicações baseadas em LLMs, explorando RAG security, roteamento multi-modelo, red teaming, avaliação adversarial e observabilidade.

LLM Security • LLMOps • RAG Security • Red Teaming • AI Governance • Observability

🔗 Repositório

Pipeline de IA para monitoramento e quantificação de incerteza regulatória, integrando ingestão documental, processamento semântico, embeddings, classificação com LLMs, índices temporais e dashboard.

Python • NLP • Embeddings • LLMs • Streamlit • Regulatory Tech • Time-Series Intelligence

🔗 Repositório

Laboratório de segurança que cobre o ciclo completo — do pentest clássico ao Adversarial ML e à detecção de fraude por IA generativa. Principal projeto de AI Security do portfólio.

Implementa, do zero em NumPy/scikit-learn, ataques e defesas de Machine Learning: data e clean-label poisoning, evasão FGSM/PGD, transferability, model extraction/inversion, membership inference, adversarial training, defensive distillation, watermarking, DP-SGD e MLSecOps (drift/monitoring, incident response). Na frente de fraude por IA: voz clonada (MFCC/anti-spoofing), deepfake de vídeo, forense de imagem (ELA), phishing (URL/LLM-as-judge) e cadeia de custódia. Governança com MITRE ATLAS, OWASP ML Top 10, NIST AI RMF, ISO/IEC 42001 e EU AI Act. Cobertura validada por 20/20 testes E2E.

Python • scikit-learn • NumPy • librosa • OpenCV • Adversarial ML • MLSecOps • Deepfake Detection • AI Governance

🔗 Repositório

LangChain • LangGraph • Agno • CrewAI • OpenAI API • Claude API • RAGAS • DeepEval • Langfuse • MCP • A2A • Tool Calling • Embeddings • Vector Search

Machine Learning • Deep Learning • Reinforcement Learning • NLP • Computer Vision • Feature Engineering • Model Evaluation • Explainable AI • Predictive Modeling • Anomaly Detection • Adversarial Machine Learning

Ofensiva & Defensiva: Pentest • Reconhecimento (Nmap) • Brute Force • Malware Simulado • Linux Hardening • Defense in Depth • Incident Response

AI / ML Security: Adversarial ML • Data & Clean-Label Poisoning • Evasion (FGSM/PGD) • Model Extraction/Inversion • Membership Inference • Adversarial Training • Defensive Distillation • Model Watermarking • Differential Privacy (DP-SGD) • MLSecOps • Drift Monitoring

Fraude por IA Generativa & Forense: Deepfake Detection (vídeo) • Voice Cloning / Anti-Spoofing (MFCC) • AI-Generated Text & Phishing Detection • Image Forensics (ELA) • Chain of Custody • Digital Forensics

Threat Modeling & Governança: MITRE ATLAS • OWASP ML Security Top 10 • NIST AI RMF • ISO/IEC 42001 • EU AI Act • LGPD

ETL / ELT • Data Pipelines • Data Modeling • Data Warehouse • Data Lake • Lakehouse • Data Mesh • Data Products • Medallion Architecture • Spark • Databricks • Snowflake • Delta Lake • Streaming • Data Quality • Lineage • BI

AWS • Azure • Terraform • Infrastructure as Code • Docker • Kubernetes • Helm • Service Mesh • CI/CD • GitOps • MLflow • Model Registry • Model Serving • Drift Detection • Observability

Python • Java • TypeScript • SQL • C/C++ • FastAPI • Spring Boot • REST • GraphQL • gRPC • Microservices • DDD • SOLID • Clean Architecture • Hexagonal Architecture • Design Patterns • Kafka • RabbitMQ • Event-Driven Architecture • System Design

n8n • RPA • Workflow Orchestration • CRM Integration • WhatsApp Automation • API Integration • Business Process Automation • Agentic Workflows • Event-Driven Automation

Artificial Intelligence • Machine Learning • Reinforcement Learning • Distributed AI • Multi-Agent Systems • Robotics • Adaptive Control • Digital Signal Processing • Computer Vision • IoT • Embedded Systems • Optimization • Mathematical Modeling • Statistical Modeling • Monte Carlo Simulation • Quantum Computing • QAOA / QUBO

🎓 Doutorado em Ciência da Computação — UFSCar — em andamento

Pesquisa aplicada em sistemas inteligentes, Inteligência Artificial, Machine Learning, automação, robótica e aplicações orientadas a dados.

🎓 Mestrado em Engenharia Elétrica — UFSCar

Pesquisa envolvendo modelagem matemática, sistemas de engenharia, processamento de sinais, qualidade de energia, IoT e sistemas embarcados.

📚 Formação complementar

Data Science • Data Analytics • Software Engineering • Internet of Things • Industry 4.0

Domain-Driven Design • SOLID • Clean Architecture • Hexagonal Architecture • Design Patterns • Microservices • Event-Driven Architecture • Kafka • RabbitMQ • REST • GraphQL • gRPC • Docker • Kubernetes • Service Mesh • Infrastructure as Code • GitOps

System Design • Functional / Non-Functional Requirements • Capacity Estimation • High Availability • Scalability • Consistency • Resilience • Caching • Security • Observability • Disaster Recovery • Architectural Trade-offs

ADRs • RFCs • C4 Diagrams • API Contracts • Domain Models • Runbooks • Architecture Documentation • Engineering Standards

Linha transversal de pesquisa e desenvolvimento aplicada a diferentes tipos de modelos e sistemas inteligentes.

Adversarial Examples • Evasion Attacks • Data Poisoning • Model Extraction • Model Inversion • Adversarial Training • Red Teaming • LLM Security • RAG Security • Model Evaluation

flowchart LR
    A["AI / ML"] --> B["Data Engineering"]
    B --> C["Software Architecture"]
    C --> D["Distributed Systems"]
    D --> E["Cloud & Platform"]
    E --> F["MLOps"]
    F --> G["AI Security & Governance"]
    G --> H["Production AI Systems"]

Estou consolidando os projetos em torno de uma pergunta de engenharia:

Como transformar um modelo de IA que funciona isoladamente em um sistema inteligente escalável, observável, resiliente, seguro, governado e pronto para produção?

IA sem arquitetura vira demo.
Dados sem contexto viram ruído.
Modelo sem avaliação vira hipótese.
Sistema distribuído sem observabilidade vira investigação paranormal.
Automação sem integração vira tarefa isolada.

Meu foco é construir sistemas nos quais IA não seja apenas uma interface de conversa ou uma feature isolada, mas parte real da arquitetura do produto.

AI · Data · Architecture · Automation · Intelligent Systems

Building models. Engineering the systems around them.