Pedro Pestana

Product Owner de IA na Ágora Investimentos. Especifico e construo sistemas com LLMs, agentes e RAG, da prova de conceito à produção.

pmezherpestana@gmail.comLinkedInGitHub

Sobre

Em doze meses na Ágora Investimentos passei de estagiário a Product Owner de IA. Conduzi mais de 15 provas de conceito e tenho mais de 7 sistemas em produção, com agentes e RAG sobre dados de mercado.

Também escrevi o treinamento interno de RAG do time, com 63 aulas em 13 módulos. Antes, na CSN, automatizei processos de backoffice com IA e reduzi em 80% o tempo operacional. Administração na FGV-EAESP (2022–2026).

Experiência

ago 2026 – atual

Ágora Investimentos

Product Owner de Inteligência Artificial

Promovido de Estagiário em Produtos Digitais, cargo que ocupei de ago 2025 a ago 2026

  • Mais de 15 provas de conceito de IA conduzidas e mais de 7 sistemas em produção na plataforma de investimentos.
  • Sistemas multi-agente e pipelines de RAG em produção sobre dados de mercado, incluindo a base de conhecimento que os agentes consultam.
  • Escrevi e conduzo o treinamento interno de RAG do time: 63 aulas em 13 módulos, do chunking à operação, com uma biblioteca de referência feita do zero (BM25, índices vetoriais, quantização, reranking e avaliação).
  • Modelos de classificação de suitability para renda fixa.
  • Visão, roadmap e backlog de produto, e o ciclo de vida dos modelos junto de engenharia de software e ciência de dados.

jan 2025 – ago 2025

CSN

Estagiário de Planejamento Energético

  • Automação de processos de backoffice com IA e automação tradicional, com redução de 80% no tempo operacional. APIs, agentes, OCR, Excel e VBA.

jul 2023 – jul 2024

Liga de Logística FGV

Diretor de Recursos Humanos

  • Liderei mais de 25 membros e reestruturei o processo seletivo e os KPIs de desempenho.

Projetos

  • CVM Analyzer

    Avalia FRE, DFP, FCA e IPE contra a Resolução CVM 80: checklist de 156 itens, diff semântico entre versões e chat RAG multi-agente que aponta o trecho de origem. Exercício acadêmico sobre dados públicos da CVM.

    Página do CVM Analyzer com a interface aberta nos Formulários de Referência de uma companhia: a lista de versões e o PDF ao lado.

    Python, FastAPI, RAG, Multi-agent

    Ver demoCódigo

  • Detector de imagem e vídeo gerados por IA

    Nove modelos de deep learning votam e um meta-learner decide. A resposta traz score de confiança e análise forense. Inferência em FP16 com carregamento sequencial dos modelos.

    Página do detector com o resultado de uma imagem: 73% de chance de ser gerada por IA e o score de cada modelo.

    PyTorch, ViT, CLIP, SigLIP, EfficientNet

    Ver demoCódigo

  • Portfolio AI

    Gestão de carteira com hierarquia de agentes em três níveis sobre um ensemble de XGBoost, BiLSTM-Attention e Temporal Fusion Transformer, com dados da B3 ao vivo e validação walk-forward.

    PyTorch, XGBoost, FastAPI, Playwright

    Código

  • SLM Setup Wizard

    Fine-tuning de um modelo de linguagem pequeno numa única GPU, ou no Colab. São dez etapas, do scraping e da geração do dataset ao treino LoRA/QLoRA e à inferência GGUF com llama.cpp.

    Página do SLM Local com o dashboard do wizard conversando com um modelo treinado em suporte técnico Linux.

    FastAPI, LoRA/QLoRA, llama.cpp, GGUF

    Ver demoCódigo

  • Rede de conselheiros CVM

    Quem senta nos conselhos das companhias abertas brasileiras e quanto poder as sobreposições concentram. Grafo em Neo4j sobre dados públicos da CVM de 2021 a 2025, métricas com NetworKit e predição de vínculos com Node2Vec e Random Forest.

    Página da Rede de conselheiros CVM com o explorador do grafo: conselheiros e diretores como pontos coloridos, alguns com o nome ao lado.

    Neo4j, NetworKit, Node2Vec, FastAPI, Sigma.js

    Ver demoCódigo

  • Assay

    Finanças pessoais com um comitê de investimentos multi-agente: você informa o aporte e cinco etapas encadeadas pesquisam o mercado ao vivo e devolvem uma folha de ordens com ativo, quantidade e preço limite. Também controla gastos, cartões e impostos. Roda 100% local num Raspberry Pi.

    Página do Assay com a tela de um aporte de R$ 5.000,00 concluído e a folha de ordens com a primeira ordem, um CDB de liquidez diária.

    FastAPI, SQLite, Next.js, Multi-agent

    Ver demoCódigo

  • RAG e MCP, explicados

    Material interativo que mostra o que acontece dentro de um pipeline de RAG, do chunking à recuperação, e onde o MCP difere de uma API REST. Roda inteiro no navegador.

    Página do RAG e MCP com a projeção 2D dos trechos do corpus, agrupados por tema.

    Next.js, TypeScript, Embeddings, MCP

    Ver demoCódigo

  • LLM Visualizer

    A arquitetura transformer explicada uma etapa interativa por vez.

    Página do LLM Explorer com o mapa de atenção da frase “o gato pulou no jardim”.

    TypeScript, Next.js, Python

    Ver demoCódigo

  • 8Patas

    Protótipo de plataforma veterinária que identificava a raça do pet por foto e, a partir dela, montava plano de cuidados, perfil de saúde com condições genéticas e cronograma preventivo. Hoje a página é uma vitrine do projeto; o backend saiu do ar.

    Página do 8Patas com a foto de um cachorro e as telas do protótipo: cadastro, confirmação da raça, saúde e cronograma.

    React, Supabase, Deno, Vision

    Ver demoCódigo

  • Smart Plant Controller

    Vaso autônomo com ESP32-C3, PCB própria de duas camadas, sonda capacitiva de solo e um pet em pixel art que reage ao estado da planta.

    Página do Hoya Pet com a planta e o pet em pixel art de guarda-chuva, que é como ele aparece com o solo encharcado.

    ESP32-C3, KiCad, OpenSCAD, FastAPI, Supabase

    Ver demoCódigo

Stack

IA generativa
LLMs (OpenAI, Claude, DeepSeek), Sistemas multi-agente, RAG e Agentic RAG, Embeddings e vector stores, Busca híbrida e reranking, Structured outputs, MCP e tool use, LangChain, n8n, Fine-tuning LoRA/QLoRA, SLM local (llama.cpp, GGUF)
Machine learning e deep learning
PyTorch, XGBoost, scikit-learn, Optuna, ViT, CLIP, SigLIP, EfficientNet, LSTM e BiLSTM, Temporal Fusion Transformer, Node2Vec, Séries temporais, Purged K-Fold, Walk-forward validation
Dados, engenharia e operação
SQL, Python (pandas, NumPy), PostgreSQL, Neo4j, MLflow, FastAPI, Docker, Git, systemd, Caddy e TLS, nftables, Tailscale, OpenCV e PaddleOCR, Power BI, Excel e VBA, Next.js e TypeScript
Negócio
Gestão de produto, Discovery e priorização, Métodos ágeis e squads, Métricas de produto, Mercado financeiro, Conformidade CVM, Valuation

Cases de negócio

TC & Pinheiro Neto2025

Valuation de uma startup médica por DCF, WACC e projeção de CAPEX, com a estruturação jurídica do deal feita em parceria com o Pinheiro Neto Advogados.

P&G2024

Análise quantitativa de market share e proposta de reposicionamento da marca Vick VapoRub a partir de dados de consumo e do cenário competitivo.

SECOVI2024

Estudo de viabilidade financeira e comercial de uma incorporação imobiliária, com VPL, TIR e payback.

TDS-FGV2024

Programa de imersão em IA com projetos práticos de visão computacional, robótica e direção autônoma em Python.

Formação

Graduação

FGV-EAESP

Administração de Empresas

2022 – 2026

Machine learning e dados

  • Machine Learning Professional Certificate (IBM, concluído)
  • Deep Learning & Reinforcement Learning e Supervised/Unsupervised ML (IBM)
  • MLOps com MLflow, Hugging Face, SageMaker e Azure ML (Duke)
  • AI for Knowledge Workers (UC Davis)
  • AI on Jetson Nano (NVIDIA)

Mercado financeiro e segurança

  • Cursos ANBIMA: Gestão de Carteiras, Riscos Financeiros, FIDC e Índices de Renda Fixa
  • M&A e Valuation para Startups (FGV-EAESP)
  • Ethical Hacker (Cisco, 2026)

Idiomas

  • Português nativo
  • Inglês avançado (EF SET C2, 78/100)
  • Espanhol intermediário

Contato

pmezherpestana@gmail.com

LinkedInGitHub

© 2026 Pedro Pestana