• Trilha de aprendizado: Domínio em fundamentos de engenharia de dados, cobrindo modelagem (Kimball, Inmon, Data Vault), arquitetura Medallion e processamento massivo utilizando Databricks, Apache Spark (PySpark) e arquiteturas Lakehouse (Delta Lake).
• Trabalho prático: Contato diário com o ecossistema Databricks em conjunto com o ambiente Azure, realizando a migração e otimização de arquiteturas ETL utilizando SQL e implementando pipelines de CI/CD para automação de deploys.
• Construção e gerenciamento de pipelines Medallion (camadas bronze, silver e gold) garantindo qualidade e governança.
• Estruturação e orquestração de pipelines complexos, assegurando a confiabilidade na ingestão de dados.

• Atuação no projeto “Elaboração de catálogo de quasares para ~6000 graus quadrados do S-PLUS DR6”.
• Aplicação de técnicas de Machine Learning e Ciência de Dados para a classificação de objetos astronômicos.
• Desenvolvimento de modelos preditivos para estimativa de redshifts fotométricos de quasares.

TCC — Projeto STAR-Clean: “Um algoritmo de deep learning para recuperação fotométrica de rastros de satélites em observações CMOS de alta cadência.”

• Desenvolvimento de algoritmo para limpeza de imagens astronômicas utilizando redes neurais (STARNetV2, U-Net 2,5D).
• Criação de pipeline de dados: ingestão do S-PLUS DR4 (arquitetura medallion), injeção de trilhas sintéticas (módulo VOID) e treinamento do modelo.
• Modelo atingiu preservação de fluxo de 97,83% e SSIM de 0,9287.
• Apresentado no XVI CONFICT (2024), IAU General Assembly (2024) e FEBIC (2024).