Construção do core
Como engenheiro de Machine Learning, desenvolvi a solução do core da modelagem à produção, trabalhando com Machine Learning e Deep Learning.
← Voltar aos projetos
IA em operação · Experiência profissional
Loopt: do modelo de IA à operação do pátio
Na Loopt, trabalhei na construção do core de Machine Learning e depois assumi a gestão do produto de IA. O desafio: levar decisões de alocação de contêineres do planejamento manual para um produto usado na operação.
- Minha atuação
- Engenharia de ML e gestão de produto
- O projeto
- Produto de IA para terminais de contêineres
- A evidência
- Resultados da empresa com fonte pública
Uma decisão de posição afeta o trabalho que vem depois
O produto em que trabalhei otimiza a alocação de contêineres no pátio. Escolher uma posição ruim pode exigir novas movimentações quando outra unidade precisa sair. O problema combina decisões frequentes, restrições operacionais e informação dispersa.
Minha atuação reuniu duas perspectivas: construir o modelo e entender como transformar sua saída em uma decisão útil para quem opera. A entrega precisava chegar ao uso cotidiano, além da etapa de modelagem.
Minha participação
Da engenharia de ML à liderança do produto
Gestão de produto
Depois, passei a liderar o produto como PM, conectando necessidades da operação, prioridades e desenvolvimento com uma equipe multifuncional.
Continuidade técnica
Mantive uma atuação prática em código de produção. Essa experiência conecta decisões de produto às implicações de implementação e operação.
Do dado à decisão operacional
Dados da operação
Informações dos sistemas já utilizados no terminal.
Otimização
O produto avalia as condições para recomendar decisões de pátio.
Uso na operação
As recomendações apoiam o posicionamento e a execução do trabalho.
Visão conceitual baseada na apresentação pública da solução; não reproduz a arquitetura interna.
O resultado
Resultados publicados pela Loopt
Segundo a Loopt, em matéria da MundoLogística de 13 de janeiro de 2026, a aplicação da tecnologia reduziu movimentos improdutivos em 27% e aumentou a produtividade em 21%.
Índices normalizados: cada indicador começa em 100.
Movimentos improdutivos · −27%
- Referência
- 100
- Com a solução
- 73
Produtividade · +21%
- Referência
- 100
- Com a solução
- 121
100 → 73 representa a redução de 27%; 100 → 121 representa o aumento de 21%. Não são contagens absolutas nem uma série temporal.
Resultados da solução desenvolvida pela equipe, segundo a empresa. Não representam uma medição isolada da minha contribuição individual.
O que levo dessa experiência
Conduzir um produto de IA exige ligar o problema operacional, a modelagem e a execução. Minha experiência na Loopt reúne essas etapas: primeiro construindo a solução de ML e depois liderando sua evolução como produto.
Fontes e contexto
Minha participação é descrita a partir do meu histórico profissional. Este case apresenta experiência anterior à criação do studio, não uma contratação da Torno.
Case preparado em 14 de outubro de 2026.
Seu processo precisa de software que funcione na operação?
Vamos entender o problema, os dados disponíveis e como verificar uma primeira entrega.